Gestionar una red eléctrica es como intentar resolver un enorme rompecabezas.
Los operadores de redes deben garantizar que la cantidad adecuada de energía fluya a las áreas correctas en el momento exacto en que se necesita, y deben hacerlo de una manera que minimice los costos sin sobrecargar la infraestructura física. Es más, deben resolver este complicado problema repetidas veces, lo más rápido posible, para satisfacer la demanda en constante cambio.
Para ayudar a resolver este enigma constante, los investigadores del MIT desarrollaron una herramienta de resolución de problemas que encuentra la solución óptima mucho más rápido que los enfoques tradicionales y, al mismo tiempo, garantiza que la solución no viole ninguna de las restricciones del sistema. En una red eléctrica, las limitaciones podrían ser cosas como la capacidad del generador y de la línea.
Esta nueva herramienta incorpora un paso de búsqueda de viabilidad en un potente modelo de aprendizaje automático entrenado para resolver el problema. El paso de búsqueda de viabilidad utiliza la predicción del modelo como punto de partida, refinando iterativamente la solución hasta encontrar la mejor respuesta alcanzable.
El sistema del MIT puede resolver problemas complejos varias veces más rápido que los solucionadores tradicionales, al tiempo que ofrece sólidas garantías de éxito. Para algunos problemas extremadamente complejos, podría encontrar mejores soluciones que las herramientas probadas y verdaderas. La técnica también superó a los enfoques de aprendizaje automático puro, que son rápidos pero no siempre pueden encontrar soluciones viables.
Además de ayudar a programar la producción de energía en una red eléctrica, esta nueva herramienta podría aplicarse a muchos tipos de problemas complicados, como el diseño de nuevos productos, la gestión de carteras de inversión o la planificación de la producción para satisfacer la demanda de los consumidores.
“Resolver bien estos problemas especialmente espinosos requiere que combinemos herramientas de aprendizaje automático, optimización e ingeniería eléctrica para desarrollar métodos que logren las compensaciones correctas en términos de proporcionar valor al dominio, al mismo tiempo que cumplan con sus requisitos. Hay que analizar las necesidades de la aplicación y los métodos de diseño de una manera que realmente satisfaga esas necesidades”, dice Priya Donti, profesora de desarrollo profesional de Silverman Family en el Departamento de Ingeniería Eléctrica e Informática (EECS) e investigadora principal en el Laboratorio de Sistemas de Información y Decisión (LIDS).
Donti, autor principal de un artículo de acceso abierto sobre esta nueva herramienta, llamado FSNet, está acompañado por el autor principal Hoang Nguyen, un estudiante graduado de EECS. El artículo se presentará en la Conferencia sobre Sistemas de Procesamiento de Información Neural.
Combinando enfoques
Garantizar un flujo de energía óptimo en una red eléctrica es un problema extremadamente difícil que cada vez es más difícil de resolver rápidamente para los operadores.
“A medida que intentamos integrar más energías renovables en la red, los operadores deben lidiar con el hecho de que la cantidad de generación de energía variará de un momento a otro. Al mismo tiempo, hay muchos más dispositivos distribuidos que coordinar”, explica Donti.
Los operadores de redes a menudo dependen de solucionadores tradicionales, que brindan garantías matemáticas de que la solución óptima no viola ninguna restricción del problema. Pero estas herramientas pueden tardar horas o incluso días en llegar a esa solución si el problema es especialmente complicado.
Por otro lado, los modelos de aprendizaje profundo pueden resolver incluso problemas muy difíciles en una fracción del tiempo, pero la solución podría ignorar algunas limitaciones importantes. Para un operador de red eléctrica, esto podría provocar problemas como niveles de voltaje inseguros o incluso cortes de red.
“Los modelos de aprendizaje automático tienen dificultades para satisfacer todas las limitaciones debido a los numerosos errores que se producen durante el proceso de formación”, explica Nguyen.
Para FSNet, los investigadores combinaron lo mejor de ambos enfoques en un marco de resolución de problemas de dos pasos.
Centrándose en la viabilidad
En el primer paso, una red neuronal predice una solución al problema de optimización. Muy vagamente inspiradas en las neuronas del cerebro humano, las redes neuronales son modelos de aprendizaje profundo que destacan en el reconocimiento de patrones en los datos.
A continuación, un solucionador tradicional que se ha incorporado a FSNet realiza un paso de búsqueda de viabilidad. Este algoritmo de optimización refina de forma iterativa la predicción inicial y al mismo tiempo garantiza que la solución no viole ninguna restricción.
Debido a que el paso de búsqueda de viabilidad se basa en un modelo matemático del problema, puede garantizar que la solución sea implementable.
“Este paso es muy importante. En FSNet, podemos tener las garantías rigurosas que necesitamos en la práctica”, afirma Hoang.
Los investigadores diseñaron FSNet para abordar ambos tipos principales de limitaciones (igualdad y desigualdad) al mismo tiempo. Esto hace que sea más fácil de usar que otros enfoques que pueden requerir personalizar la red neuronal o resolver cada tipo de restricción por separado.
“Aquí puedes simplemente conectar y usar diferentes solucionadores de optimización”, dice Donti.
Al pensar de manera diferente sobre cómo la red neuronal resuelve problemas complejos de optimización, los investigadores pudieron desbloquear una nueva técnica que funciona mejor, añade.
Compararon FSNet con solucionadores tradicionales y enfoques de aprendizaje automático puro en una variedad de problemas desafiantes, incluida la optimización de la red eléctrica. Su sistema redujo los tiempos de resolución en órdenes de magnitud en comparación con los enfoques básicos, respetando al mismo tiempo todas las limitaciones del problema.
FSNet también encontró mejores soluciones para algunos de los problemas más complicados.
“Aunque esto nos sorprendió, tiene sentido. Nuestra red neuronal puede descubrir por sí misma alguna estructura adicional en los datos que el solucionador de optimización original no fue diseñado para explotar”, explica Donti.
En el futuro, los investigadores quieren que FSNet consuma menos memoria, incorporar algoritmos de optimización más eficientes y ampliarlo para abordar problemas más realistas.
“Encontrar soluciones a problemas de optimización desafiantes que sean factibles es primordial para encontrar soluciones que estén cerca de lo óptimo. Especialmente para sistemas físicos como las redes eléctricas, cerca de lo óptimo no significa nada sin factibilidad. Este trabajo proporciona un paso importante para garantizar que los modelos de aprendizaje profundo puedan producir predicciones que satisfagan las restricciones, con garantías explícitas sobre la aplicación de las restricciones”, dice Kyri Baker, profesora asociada de la Universidad de Colorado Boulder, que no participó en este trabajo.