NEO-Grid: A Neural Approximation Framework for Optimization and Control in Distribution Grids

Résumé Technique : NEO-Grid

Énoncé du Problème
La prolifération des ressources énergétiques distribuées (RED), telles que le photovoltaïque solaire et le stockage par batteries, transforme les réseaux de distribution, introduisant une variabilité et une hétérogénéité significatives qui défient la stabilité de la tension. Une gestion efficace nécessite une modélisation précise de la relation non linéaire entre les injections de puissance et les magnitudes de tension (le modèle d'écoulement de puissance ou PF). Les approches traditionnelles reposent sur des approximations linéarisées (par exemple, LinDistFlow), qui échouent souvent à capturer les non-linéarités critiques sous de fortes charges ou dans des alimentations hautement résistives. De plus, tandis que l'optimisation Volt-Var (VVO) cherche des solutions centralisées et le contrôle Volt-Var (VVC) des politiques autonomes locales, les deux sont entravés par la complexité computationnelle de la résolution des équations non linéaires du PF et la nature récursive, en boucle fermée, de la dynamique du VVC. Les méthodes existantes pour le VVC, telles que les réseaux de neurones récurrents (RNN) déroulés, souffrent de fardeaux mémoire et de problèmes de disparition du gradient.

Méthodologie
L'article propose NEO-Grid, un cadre unifié basé sur l'apprentissage qui remplace les approximations linéaires traditionnelles par des substituts de réseaux de neurones pour l'optimisation et le contrôle.

1. Substitut d'Écoulement de Puissance Neuronal (Modèle NEO-Grid) :

   • Les auteurs construisent un réseau de neurones (spécifiquement un réseau à couche cachée unique avec des activations ReLU) pour approximer la cartographie non linéaire de l'écoulement de puissance AC $v = f(p, q)$.
   • Ce substitut est entraîné sur des données générées par des simulations AC-PF précises sous diverses conditions de fonctionnement, y compris des scénarios de compensation de puissance réactive.
   • Parce que les réseaux ReLU produisent des fonctions linéaires par morceaux (PWL), le substitut peut être intégré dans des formulations linéaires en nombres entiers mixtes (MIL) ou quadratiques en nombres entiers mixtes (MIQP), rendant la physique non linéaire traitable pour les solveurs standards.

2. VVO via Programmation en Nombres Entiers Mixtes :

   • Pour l'optimisation Volt-Var, le substitut neuronal entraîné remplace les contraintes PF non linéaires dans le problème d'optimisation.
   • L'objectif est de minimiser l'écart de tension par rapport au profil nominal de 1,0 p.u. La nature PWL du réseau permet de résoudre le problème comme un Programme Quadratique en Nombres Entiers Mixtes (MIQP) ou de le relâcher en un Programme Linéaire en Nombres Entiers Mixtes (MILP).

3. VVC via Modèles d'Équilibre Profond (DEQ) :

   • Pour le contrôle Volt-Var, les auteurs abordent le défi de concevoir des règles de contrôle locales $q_i = g(v_i)$ opérant en boucle fermée.
   • Au lieu de dérouler la dynamique du système dans le temps (comme dans les RNN), NEO-Grid modélise le système comme un Modèle d'Équilibre Profond (DEQ).
   • La règle de contrôle est paramétrée comme une fonction structurée basée sur ReLU (imitant les courbes de chute linéaires par morceaux de la norme IEEE 1547).
   • L'état du système est défini comme un point fixe $v^* = F_\phi(v^*)$, où $F_\phi$ compose le substitut neuronal du PF et la règle de VVC.
   • L'entraînement utilise la différentiation implicite et des algorithmes de recherche de racines (par exemple, l'accélération d'Anderson) pour calculer les gradients par rapport aux paramètres de contrôle $\phi$ directement au point d'équilibre. Cela élimine le besoin de stocker de longues trajectoires, réduisant considérablement l'utilisation de la mémoire et le coût computationnel.

Contributions Clés
L'article expose trois contributions principales :

1. Conception Unifiée du PF : La construction d'un seul substitut d'écoulement de puissance neuronal servant de « neuro-simulateur » traitable à la fois pour l'optimisation centralisée (VVO) et le contrôle décentralisé (VVC).
2. Généralisabilité : Le cadre est conçu comme un « neuro-simulateur » universel capable de soutenir diverses tâches, y compris la fusion de données, l'analyse prédictive et les applications de jumeaux numériques au sein des systèmes de distribution.
3. Apprentissage de VVC Basé sur l'Équilibre : L'intégration de représentations de règles de contrôle PWL avec le substitut NEO-Grid, optimisée via une différentiation implicite basée sur DEQ. Cette approche permet l'optimisation efficace des performances de contrôle en boucle fermée sans la surcharge computationnelle des architectures récurrentes déroulées.

Résultats Expérimentaux
Le cadre a été évalué sur le système radial de distribution IEEE 33 bus.

• Approximation de l'Écoulement de Puissance : Le substitut neuronal NEO-Grid a atteint une erreur quadratique moyenne (MSE) de $1,81 \times 10^{-6}$ sur l'ensemble de test. Cela représente une amélioration d'un ordre de grandeur par rapport à la régression linéaire ($3,16 \times 10^{-5}$) et une précision plus de 100 fois supérieure à celle du modèle LinDistFlow ($1,95 \times 10^{-4}$).
• Performance VVO : Dans les tâches de régulation de tension, l'optimisation basée sur NEO-Grid a atteint la plus faible déviation moyenne de tension (0,94 %) et le moins de violations importantes (>3 % de déviation) par rapport aux références de régression linéaire et LinDistFlow.
• Performance VVC : Le contrôleur NEO-Grid entraîné par DEQ a atteint une déviation moyenne de tension de 3,63 %, surpassant les références linéaires et heuristiques. Crucialement, il a éliminé toutes les entrées de tension avec des déviations dépassant 7 %, alors que d'autres méthodes basées sur l'optimisation présentaient encore des écarts importants significatifs.
• Comparaison : Bien que le VVO (centralisé) ait naturellement atteint une meilleure régulation que le VVC (décentralisé) en raison d'une plus grande flexibilité, l'approche VVC NEO-Grid a démontré une robustesse et une cohérence supérieures par rapport aux méthodes existantes basées sur des RNN linéaires.

Signification et Revendications
Les auteurs affirment que NEO-Grid établit une solution évolutive, précise et interprétable pour la régulation de tension basée sur l'apprentissage. En comblant le fossé entre la précision de la physique non linéaire et la traitabilité requise pour l'optimisation et le contrôle, le cadre offre une alternative pratique aux approximations linéaires. L'utilisation de DEQs adresse spécifiquement les goulots d'étranglement computationnels de la conception de contrôle en boucle fermée, permettant un entraînement efficace sur des politiques à couche unique sans le fardeau mémoire du déroulement de trajectoires. L'article positionne NEO-Grid non seulement comme un algorithme de contrôle, mais comme un « neuro-simulateur » fondamental qui peut être étendu à des cas d'utilisation plus larges de jumeaux numériques, à l'analyse de sensibilité et aux études « what-if » dans les réseaux de distribution.