Résumé Technique : Opérations de Systèmes Électriques Augmentées par l'Apprentissage (LAPSO)

1. Énoncé du Problème

Les opérations traditionnelles des systèmes électriques (PSO) reposent sur des modèles basés sur la physique et des cadres de prise de décision séquentiels comprenant la prévision, l'exploitation et le contrôle. Cependant, la pénétration croissante des énergies renouvelables et des ressources fondées sur des onduleurs (IBR) introduit des incertitudes significatives et des dynamiques complexes qui remettent en question l'efficacité économique, la stabilité et la robustesse de ces approches traditionnelles.

Les solutions actuelles souffrent souvent d'un paradigme de conception « cloisonné » :

• Tâches isolées : La prévision, l'exploitation et le contrôle sont conçus indépendamment. Par exemple, la prévision des renouvelables est généralement axée sur la précision, ignorant son impact en cascade sur l'économie opérationnelle en aval. Inversement, les opérations axées sur l'économie négligent souvent les contraintes de stabilité lors de l'étape de contrôle.
• Apprentissage déconnecté : Les modèles d'apprentissage automatique (ML) sont entraînés de manière isolée des cadres d'optimisation qu'ils soutiennent finalement. Les objectifs des optimisations physiques en aval ne sont pas reflétés dans le processus d'entraînement du ML, et l'interaction entre l'incertitude du ML et les paramètres d'optimisation reste opaque.
• Absence de cadre unifié : Il n'existe pas de cadre général pour intégrer systématiquement le ML fondé sur les données avec l'optimisation basée sur la physique, quantifier les compromis entre la précision du modèle et la performance opérationnelle, ou tracer les incertitudes provenant de diverses sources (ex: modèles boîtes noires vs paramètres système inconnus).

2. Méthodologie : Le Cadre LAPSO

Le document propose les Opérations de Systèmes Électriques Augmentées par l'Apprentissage (LAPSO), un cadre unifié qui se centre sur l'étape d'exploitation pour modéliser systématiquement le « nexus données-physique ».

Formulation Mathématique Fondamentale

LAPSO redéfinit le problème de base d'opération du système électrique ($P_{basic}$) en encodant des modèles de ML paramétriques comme des composants intrinsèques.

• Problème de base ($P_{basic}$) : $\min_z f(z; y)$ sous contrainte de $g(z; y) \le 0$, où $z$ sont les variables de décision et $y$ les paramètres (ex: charge, profils renouvelables).
• Problème LAPSO ($P_{lapso}$) : Le cadre introduit une composante apprenable $v(\cdot; \theta)$ qui prédit les paramètres $\hat{y}_2$ en fonction des entrées $x$ et des décisions $z$. Le problème augmenté est formulé comme :
  $$\min_z f(z; y_1, \hat{y}_2) + f_v(z; y_1, \hat{y}_2)$$
  $$\text{sous contrainte de } g(z; y_1, \hat{y}_2) \le 0, \quad g_v(z; y_1, \hat{y}_2) \le \tau, \quad \hat{y}_2 = v(z, y_1, x; \theta^*)$$
  Ici, $\theta^*$ représente les paramètres du modèle entraîné. Crucialement, le modèle de ML est traité comme une composante apprenable de l'optimisation, ce qui signifie que le processus d'entraînement doit tenir compte de l'impact de $\theta$ sur l'optimalité, l'efficacité et le conservatisme de $P_{lapso}$.

Principes de Conception et Métriques

Le cadre introduit un « Triangle de Conception » équilibrant trois dimensions :

1. Cible de Modélisation : Les dynamiques physiques ou les indices à apprendre (ex: indices de stabilité, dynamiques renouvelables).
2. Techniques de ML : Le choix algorithmique (ex: régression linéaire, réseaux de neurones).
3. Classe de PSO : La structure de l'optimisation sous-jacente (ex: MILP, convexe, non-convexe).

Des métriques de conception clés sont établies pour quantifier les compromis :

• Précision vs Impact Opérationnel : Équilibrer la précision de la prévision avec la charge computationnelle et le coût économique de l'optimisation résultante.
• Optimalité et Conservatisme : Garantir que le problème augmenté par le ML reste dans la classe soluble du problème physique d'origine (ex: préserver la convexité) pour garantir l'optimalité globale.

Applications Représentatives

Le document démontre LAPSO à travers deux applications spécifiques :

1. Optimisation Contrainte par la Stabilité (SCO) : Les modèles de ML agissent comme des évaluateurs de stabilité (contraintes) au sein de l'étape d'exploitation. Le cadre préconise des évaluateurs de « complexité modérée » qui équilibrent la précision avec la nécessité de préserver la classe d'optimisation (ex: en utilisant des approximations linéaires mixtes ou convexes) pour éviter une charge de calcul excessive ou un conservatisme erroné.
2. Prévision Basée sur l'Objectif (OBF) : Au lieu de minimiser l'erreur de prévision (ex: MSE), le prévoyeur de ML est entraîné pour minimiser le coût opérationnel de l'optimisation en aval. Cela est formulé comme une optimisation bi-niveau (jeu de Stackelberg) où le niveau supérieur optimise les paramètres du prévoyeur $\theta_h$ pour minimiser la perte $\ell$ dérivée du coût opérationnel du niveau inférieur.

Quantification de l'Incertitude

LAPSO fournit une perspective bayésienne pour un traçage d'incertitude de bout en bout :

• Sources : Distingue l'Incertitude du ML (épistémique et aléatoire) de l'Incertitude de l'Optimisation (variations dans les structures d'optimisation ou paramètres imprévisibles $y_1$).
• Propagation : Utilise la différenciation automatique et le théorème de la fonction implicite (via les conditions KKT) pour tracer comment les incertitudes des paramètres de ML se propagent aux variables de décision finales et aux coûts.
• Robustesse : Propose une formulation robuste de type « wait-and-see » pour se prémunir contre les incertitudes des paramètres d'optimisation, résolue via une approche de génération de colonnes et de contraintes (C&CG).

3. Contributions Clés

1. Cadre Unifié : Propose LAPSO comme une formulation mathématique générale qui unifie les tâches traditionnellement cloisonnées (prévision, exploitation, contrôle) en traitant le ML comme une partie intrinsèque du problème d'optimisation.
2. Métriques de Conception : Introduit un ensemble systématique de métriques pour évaluer les compromis entre la performance du modèle de ML et son impact sur l'optimisation sous-jacente (efficacité, optimalité, conservatisme).
3. Extensibilité : Démontre la capacité du cadre à fermer la boucle dans les chaînes prévision-exploitation-contrôle et à gérer des tâches hybrides d'apprentissage-optimisation.
4. Traçage d'Incertitude : Offre une méthode systématique pour identifier et quantifier les incertitudes provenant de sources tant pilotées par les données que par la physique, incluant un nouvel algorithme d'entraînement robuste pour les incertitudes de type « wait-and-see ».
5. Outils Open-Source : Développe et publie deux packages Python :
   • pso : Génère des bancs d'essai de systèmes électriques scalables avec des données opérationnelles spatio-temporelles.
   • lapso : Augmente automatiquement les modèles d'optimisation existants (basés sur CVXPY) avec des composantes apprenables, en gérant la transformation des réseaux de neurones en contraintes linéaires mixtes si nécessaire.

4. Résultats et Vérification

Le document valide le cadre par des simulations numériques sur des systèmes IEEE 14, 39, 57, 118 et 300 bus.

• Validation SCO : En utilisant le système IEEE 14 bus, l'étude montre que différentes complexités de modèles de ML (ex: évaluateurs convexes vs non-convexes) mènent à des compromis distincts entre la précision de l'évaluation de la stabilité et les coûts opérationnels. Un évaluateur de complexité modérée offre un meilleur équilibre qu'un évaluateur hautement complexe qui dégrade l'efficacité économique.
• Validation OBF : Le cadre démontre que l'entraînement des prévoyeurs avec des pertes basées sur l'objectif (alignées sur les coûts opérationnels) produit des résultats différents et souvent plus économiquement efficaces par rapport à l'entraînement traditionnel axé sur la précision.
• Scalabilité : L'analyse de la scalabilité (détaillée en Annexe) confirme l'applicabilité du cadre à des systèmes plus larges (jusqu'à 300 bus).
• Implémentation : Le package lapso automatise avec succès l'intégration de réseaux de neurones dans les contraintes d'optimisation, vérifiant la faisabilité des transformations mathématiques proposées.

5. Signification et Revendications

Le document affirme que LAPSO représente un changement fondamental dans la prise de décision des systèmes électriques, passant d'une approche cloisonnée basée uniquement sur la physique à un nexus intégré données-physique.

• Changement de Paradigme : Il dépasse le simple traitement du ML comme un outil de modélisation dynamique pour le considérer comme une composante apprenable de l'optimisation elle-même.
• Transparence : En fournissant une vue mathématique unifiée, LAPSO rend la relation entre le ML et les méthodes basées sur la physique transparente, permettant une évaluation systématique de l'incertitude et de la performance.
• Utilité Pratique : Le cadre est conçu pour être acceptable par les opérateurs de systèmes en préservant la structure et la solvabilité des problèmes d'optimisation traditionnels tout en les enrichissant de capacités pilotées par les données.
• Pérennité : Le cadre est intrinsèquement extensible aux paradigmes émergents qui nécessitent une intégration en boucle fermée de la prévision, de l'exploitation et du contrôle, répondant à la complexité croissante des réseaux décarbonés.

Les auteurs soulignent que, bien que l'article se concentre sur SCO et OBF comme exemples représentatifs, le cadre LAPSO est largement applicable à diverses tâches de systèmes électriques, y compris les cadres de contrôle pour les micro-réseaux et l'arbitrage de stockage d'énergie, à condition qu'ils puissent être formulés comme des problèmes d'optimisation.