Résumé technique : Construction de modèles de réseaux électriques à partir de données ouvertes

Énoncé du problème

L'accès à des modèles de réseaux de transport réalistes et de haute fidélité constitue un goulot d'étranglement critique pour la recherche sur les systèmes électriques. Aux États-Unis, les données détaillées du réseau — notamment la topologie, l'impédance des lignes et les paramètres de fonctionnement — sont classées comme Informations critiques sur les infrastructures énergétiques (CEII) par la Commission fédérale de réglementation de l'énergie (FERC) et la Corporation nord-américaine de fiabilité du réseau électrique (NERC). Par conséquent, les chercheurs ne peuvent accéder à des modèles réels pour la planification, l'évaluation de la fiabilité ou l'entraînement de l'apprentissage automatique sans naviguer dans des processus juridiques restrictifs ou payer des frais de licence prohibitifs (50 000 $à 500 000$).

Les alternatives existantes sont insuffisantes pour les besoins de la recherche moderne :

• Cas tests standards (par exemple, IEEE 14/30/118 bus) : Il s'agit de benchmarks pédagogiques ou algorithmiques qui manquent de réalisme géographique, ne reflètent pas l'intégration à grande échelle des énergies renouvelables et omettent les caractéristiques structurelles à l'échelle continentale.
• Réseaux synthétiques (par exemple, TAMU) : Bien que statistiquement réalistes, ils sont générés pour ressembler à de vrais réseaux plutôt que d'en être dérivés, ce qui leur fait défaut une correspondance géographique spécifique et la capacité d'évoluer avec les changements d'infrastructure réels.

Cette inaccessibilité des données entrave l'étude de défis critiques tels que la croissance de la demande pilotée par l'IA, l'intégration des énergies renouvelables et la résilience face aux événements météorologiques extrêmes.

Méthodologie

Les auteurs présentent un pipeline en cinq étapes qui construit des modèles complets de réseau de transport solubles par un flux de puissance optimal (OPF) entièrement à partir de données publiquement disponibles. Le pipeline transforme les données brutes d'OpenStreetMap (OSM) en modèles prêts pour les solveurs en utilisant les étapes suivantes :

1. Extraction des données

Le pipeline interroge une instance locale de l'API Overpass pour extraire les infrastructures électriques (sous-stations, lignes, générateurs, convertisseurs) pour des États américains spécifiques. Les données sont normalisées au format GeoJSON. Le système repose sur le schéma de balisage power=* d'OSM, qui inclut les lignes aériennes, les câbles, les sous-stations et les centrales.

2. Reconstruction de la topologie

Les données brutes d'OSM sont converties en un modèle structurel de type bus-branche grâce à une séquence d'étapes d'inférence et de nettoyage :

• Inférence de tension : Puisque 15 à 30 % des lignes OSM manquent de balises de tension, un algorithme itératif de consensus entre voisins infère les tensions manquantes en se basant sur les segments connectés et les balises des sous-stations.
• Fusion des lignes : Les tronçons OSM fragmentés représentant un seul corridor physique sont assemblés à l'aide d'une structure de données union-find.
• Classification des circuits : Le système distingue les branches inter-établissements (conservées), les boucles, les prises et les segments isolés.
• Détection des transformateurs et du courant continu haute tension (HVDC) : Les transformateurs sont inférés là où des bus de niveaux de tension différents coexistent dans une sous-station. Les liaisons HVDC sont identifiées via des motifs de balises spécifiques (par exemple, frequency=dc, balises de tension bipolaires) ou la proximité de nœuds de conversion.
• Création de bus : Le regroupement spatial attribue les extrémités des lignes aux sous-stations ou crée des bus ad hoc pour les extrémités isolées.

3. Estimation des paramètres

Puisque OSM ne dispose pas de paramètres électriques, le pipeline les attribue en utilisant des tables de recherche (LUT) calibrées avec les données de l'Administration américaine de l'information sur l'énergie (EIA) :

• Impédance et capacités : La résistance ($R$), la réactance ($X$) et les capacités thermiques des lignes sont dérivées de tables de recherche par classe de tension basées sur des types de conducteurs standards (par exemple, conducteurs groupés pour le très haute tension).
• Facteurs d'échelle : Pour compenser la tendance d'OSM à mapper les corridors multi-circuits comme des tronçons uniques, le pipeline applique des Facteurs de topologie ($N_T$) et des Facteurs de capacité ($N_C$). Ces facteurs mettent à l'échelle l'impédance et les limites thermiques pour correspondre aux miles-circuits rapportés par l'EIA.
• Coûts des générateurs : Des courbes de coûts quadratiques sont générées à l'aide des taux de chaleur et des prix des combustibles de l'EIA-923 (Henry Hub pour le gaz). Si des données spécifiques sur les centrales manquent, des tables de recherche par type de combustible par défaut sont utilisées.

4. Allocation de la demande

Les données de demande horaires de l'EIA-930 (niveau de l'autorité de compensation) sont distribuées aux bus individuels. Le pipeline utilise la population par secteur du recensement américain comme proxy spatial pour allouer la charge, garantissant que la distribution de la demande est corrélée à la densité résidentielle et commerciale.

5. Flux de puissance optimal (OPF)

Les modèles finaux sont résolus à l'aide de PowerModels.jl avec le solveur Ipopt.

• Stratégie de relaxation progressive : Reconnaissant que les modèles dérivés d'OSM peuvent présenter des imprécisions de paramètres entraînant une non-faisabilité sous des contraintes strictes, le pipeline emploie une stratégie de relaxation automatique. Il tente de résoudre le problème à un niveau strict (L0) et assouplit progressivement les contraintes (limites d'angle, marge thermique, bornes de tension, délestage) aux niveaux L1 à L5 jusqu'à l'obtention de la convergence.
• Compensation de puissance réactive : Pour pallier l'absence de données sur les shunts dans OSM, le pipeline injecte des condensateurs ou réacteurs de compensation aux bus présentant des déficits de puissance réactive identifiés lors d'un démarrage à chaud en DC-OPF.

Contributions clés

1. Pipeline de données ouvertes de bout en bout : Le premier pipeline complet générant des modèles solubles par AC-OPF pour l'ensemble du réseau continental américain en utilisant uniquement des données publiques (OSM, EIA, Recensement).
2. Validation à grande échelle : Le pipeline a été validé sur les 48 États contigus et six régions multi-états, y compris les interconnexions complètes de l'Ouest (5 076 bus) et de l'Est (21 697 bus).
3. Publication publique de 54 modèles : Les auteurs publient l'ensemble des 54 modèles résolus (48 États uniques, 6 régions multi-états) sous forme de fichiers JSON compatibles PowerModels, offrant à la communauté de recherche des benchmarks prêts à l'emploi dérivés d'infrastructures réelles.
4. Cadre de relaxation progressive : Une stratégie de solveur novatrice qui gère automatiquement la non-faisabilité des modèles due aux lacunes de données, fournissant une métrique transparente (niveau de relaxation) pour la qualité du modèle.

Résultats

Le pipeline a généré avec succès des modèles pour les 48 États contigus et six interconnexions régionales.

• Convergence :
  • DC-OPF : 45 des 48 modèles d'État unique ont convergé au niveau le plus strict (L0).
  • AC-OPF : 42 des 48 modèles d'État unique (88 %) ont convergé à L0 ; 44 (92 %) ont convergé à L0 ou avec une relaxation minimale (AC1) pendant les heures creuses.
  • Modèles régionaux : L'interconnexion complète de l'Est (21 697 bus) a convergé au niveau de relaxation L3 en 47 minutes.
• Indicateurs économiques :
  • Les coûts de dispatch médians s'élevaient à 22,1 $/MWh, cohérents avec les résultats réels des marchés de gros.
  • Les pertes du système présentaient une médiane de 1,0 %, en accord avec les attentes physiques pour le transport haute tension.
  • La prime de coût de l'AC-OPF par rapport au DC-OPF était de 1,8 % en médiane, reflétant les pertes résistives et les contraintes de puissance réactive, conformément à la littérature pour les réseaux bien caractérisés.
• Fidélité géographique : Les modèles préservent une correspondance géographique réelle, capturant les corridors de transmission et les sites de production réels, contrairement aux cas tests synthétiques.

Importance et affirmations

L'article affirme que les données du réseau sont une infrastructure fondamentale pour la transition énergétique, mais qu'elles restent inaccessibles à la plupart des chercheurs. Ce travail comble cette lacune en démontrant que des modèles de transmission utilisables, structurellement et électriquement plausibles peuvent être construits entièrement à partir de données ouvertes.

Les auteurs soulignent que l'objectif n'est pas de récupérer le réseau opérationnel exact (ce qui est impossible sans données propriétaires), mais de générer des modèles qui :

1. Convergent sous AC-OPF.
2. Préservent une correspondance géographique réelle.
3. Reproduisent les statistiques au niveau du système (coûts, pertes) dans des plages réalistes.

En publiant ces modèles, les auteurs visent à réduire la barrière à l'entrée pour la recherche sur les systèmes électriques, permettant aux étudiants, aux décideurs politiques et aux chercheurs d'étudier le comportement du réseau, d'entraîner des modèles d'apprentissage automatique et de simuler des défaillances en cascade sans dépendre de données propriétaires restreintes ou de licences commerciales coûteuses. La méthodologie est présentée comme généralisable à d'autres régions disposant d'une couverture OSM adéquate et de statistiques publiques.