Управление энергосистемой — это как попытка решить огромную головоломку. Операторы сети должны обеспечить подачу нужного количества электроэнергии в нужные районы в нужный момент, причём сделать это так, чтобы минимизировать затраты и не перегружать физическую инфраструктуру. Более того, они должны решать эту сложную задачу многократно и как можно быстрее, чтобы соответствовать постоянно меняющемуся спросу.
Чтобы помочь справиться с этой постоянной задачей, исследователи из Массачусетского технологического института (MIT) разработали инструмент для решения задач, который находит оптимальное решение гораздо быстрее, чем традиционные подходы, при этом гарантируя, что решение не нарушает никаких ограничений системы. В энергосистеме ограничениями могут быть такие параметры, как мощность генераторов и линий.
Новый инструмент
Этот новый инструмент включает в себя этап поиска реализуемости в мощную модель машинного обучения, обученную решать задачу. Этап поиска реализуемости использует прогноз модели в качестве отправной точки, итеративно уточняя решение, пока не найдёт наилучший достижимый ответ.
Система MIT может решать сложные задачи в несколько раз быстрее, чем традиционные решатели, при этом предоставляя надёжные гарантии успеха. Для некоторых чрезвычайно сложных задач она может найти лучшие решения, чем проверенные инструменты. Этот метод также превосходит подходы, основанные исключительно на машинном обучении, которые работают быстро, но не всегда могут найти реализуемые решения.
Помимо помощи в планировании производства электроэнергии в электрической сети, этот новый инструмент может быть применён ко многим типам сложных задач, таким как разработка новых продуктов, управление инвестиционными портфелями или планирование производства для удовлетворения потребительского спроса.
«Для эффективного решения особенно сложных задач нам необходимо объединить инструменты машинного обучения, оптимизации и электротехники, чтобы разработать методы, которые обеспечат необходимый баланс между предоставлением ценности в данной области и удовлетворением её требований. Нужно учитывать потребности приложения и разрабатывать методы, которые действительно удовлетворяют эти потребности», — говорит Прия Донти, профессор кафедры электротехники и информатики (EECS) и главный исследователь в Лаборатории информационных и управляющих систем (LIDS).
Сочетание подходов
Обеспечение оптимального потока мощности в электрической сети — это чрезвычайно сложная задача, которая становится всё более трудной для быстрого решения операторами.
«По мере того как мы пытаемся интегрировать больше возобновляемых источников в сеть, операторам приходится учитывать тот факт, что объём производства электроэнергии будет меняться каждую минуту. В то же время необходимо координировать работу гораздо большего количества распределённых устройств», — объясняет Донти.
Операторы сети часто полагаются на традиционные решатели, которые предоставляют математические гарантии того, что оптимальное решение не нарушает никаких ограничений задачи. Но этим инструментам могут потребоваться часы или даже дни, чтобы прийти к решению, если задача особенно запутанная.
С другой стороны, модели глубокого обучения могут решить даже очень сложные задачи за долю времени, но решение может игнорировать некоторые важные ограничения. Для оператора энергосистемы это может привести к таким проблемам, как небезопасный уровень напряжения или даже отключение сети.
«Модели машинного обучения изо всех сил пытаются удовлетворить всем ограничениям из-за множества ошибок, которые возникают в процессе обучения», — объясняет Хоанг Нгуен.
Для FSNet исследователи объединили лучшие черты обоих подходов в двухэтапную систему решения задач.
Сосредоточение на реализуемости
На первом этапе нейронная сеть прогнозирует решение задачи оптимизации. Нейронные сети — это модели глубокого обучения, которые превосходно распознают закономерности в данных. Они вдохновлены нейронами человеческого мозга.
Затем традиционный решатель, который был включён в FSNet, выполняет этап поиска реализуемости. Этот алгоритм оптимизации итеративно уточняет первоначальный прогноз, обеспечивая при этом, чтобы решение не нарушало никаких ограничений.
Поскольку этап поиска реализуемости основан на математической модели задачи, он может гарантировать, что решение будет развёрнуто.
«Этот шаг очень важен. В FSNet мы можем получить строгие гарантии, которые нам нужны на практике», — говорит Хоанг.
Исследователи разработали FSNet так, чтобы она могла одновременно учитывать оба основных типа ограничений (равенство и неравенство). Это упрощает её использование по сравнению с другими подходами, которые могут потребовать настройки нейронной сети или решения для каждого типа ограничений отдельно.
«Здесь вы можете просто подключать и использовать разные оптимизационные решатели», — говорит Донти.
Подумав по-другому о том, как нейронная сеть решает сложные задачи оптимизации, исследователи смогли разработать новую технику, которая работает лучше, добавляет она.
Они сравнили FSNet с традиционными решателями и подходами, основанными исключительно на машинном обучении, на ряде сложных задач, включая оптимизацию энергосистемы. Их система сократила время решения на порядки по сравнению с базовыми подходами, соблюдая при этом все ограничения задачи.
FSNet также нашла лучшие решения для некоторых из самых сложных задач.
«Хотя это было для нас неожиданностью, это имеет смысл. Наша нейронная сеть может самостоятельно выявить некоторую дополнительную структуру в данных, которую исходный оптимизационный решатель не был предназначен для использования», — объясняет Донти.
В будущем исследователи хотят сделать FSNet менее требовательной к памяти, включить более эффективные алгоритмы оптимизации и масштабировать её для решения более реалистичных задач.
«Поиск решений сложных задач оптимизации, которые являются реализуемыми, имеет первостепенное значение для поиска решений, близких к оптимальным. Особенно для физических систем, таких как энергосистемы, близость к оптимальности ничего не значит без реализуемости. Эта работа является важным шагом на пути к обеспечению того, чтобы модели глубокого обучения могли выдавать прогнозы, удовлетворяющие ограничениям, с явными гарантиями соблюдения ограничений», — говорит Кири Бейкер, доцент Университета Колорадо в Боулдере, который не участвовал в этой работе.
1. Какие проблемы решает новый инструмент, разработанный исследователями из Массачусетского технологического института (MIT)?
Новый инструмент решает проблему поиска оптимального решения для задач управления энергосистемой, гарантируя при этом, что решение не нарушает никаких ограничений системы. Это позволяет минимизировать затраты и предотвратить перегрузку физической инфраструктуры.
2. Какие преимущества имеет новый инструмент по сравнению с традиционными решателями и моделями глубокого обучения?
Новый инструмент сочетает в себе преимущества обоих подходов: скорость моделей глубокого обучения и математические гарантии традиционных решателей. Это позволяет ему решать сложные задачи в несколько раз быстрее, чем традиционные решатели, при этом предоставляя надёжные гарантии успеха.
3. Какие типы ограничений учитывает система FSNet?
Система FSNet учитывает оба основных типа ограничений: равенство и неравенство. Это упрощает её использование по сравнению с другими подходами, которые могут потребовать настройки нейронной сети или решения для каждого типа ограничений отдельно.
4. Какие перспективы развития имеет система FSNet?
В будущем исследователи хотят сделать FSNet менее требовательной к памяти, включить более эффективные алгоритмы оптимизации и масштабировать её для решения более реалистичных задач. Это позволит использовать систему для решения более сложных и масштабных задач управления энергосистемой.
5. Какие преимущества даёт использование нейронных сетей в сочетании с традиционными решателями в системе FSNet?
Нейронные сети в системе FSNet позволяют самостоятельно выявить дополнительную структуру в данных, которую исходный оптимизационный решатель не был предназначен для использования. Это позволяет находить лучшие решения для некоторых из самых сложных задач.