⚡ electrical engineering

Surrogate Modeling of Interconnector Flows: A Machine Learning Alternative to Full-Scale Power System Simulations with Application to Cross-Border Electricity Exchange

Cet article propose un cadre de substitution par apprentissage automatique qui génère des profils de flux d'interconnexion physiquement cohérents et de haute précision à partir de données nodales, permettant à des modèles d'optimisation de réseaux électriques à échelle réduite et tractables d'obtenir des résultats comparables aux simulations européennes à pleine échelle avec un temps d'exécution jusqu'à 500 fois plus rapide.

Auteurs originaux : Robert Gaugl, Eloy Insunza, José Portela, Sonja Wogrin

Publié 2026-06-03

📖 5 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Robert Gaugl, Eloy Insunza, José Portela, Sonja Wogrin

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

Imaginez que vous essayez de planifier le réseau électrique d'un seul pays, comme l'Autriche ou l'Allemagne. Pour ce faire avec précision, vous devez savoir exactement quelle quantité d'électricité entre et sort des frontières de ce pays, chaque heure.

L'ancien problème : La « boule de cristal » contre le « regard en arrière »
Traditionnellement, les modélisateurs étaient confrontés à un immense dilemme. Pour obtenir l'image la plus fidèle, ils devaient exécuter une simulation massive et extrêmement complexe de l'ensemble du réseau électrique européen en même temps. C'est comme essayer de résoudre un puzzle de 10 000 pièces en portant des gants d'hiver épais ; c'est précis, mais cela prend un temps infini et est épuisant sur le plan informatique.

Pour gagner du temps, de nombreux chercheurs utilisaient un raccourci : ils regardaient les données de commerce d'électricité de l'année précédente, les augmentaient ou les diminuaient proportionnellement, et supposaient qu'elles seraient identiques cette année. L'article appelle cela « la réutilisation de séries temporelles historiques ».

Les auteurs soutiennent que cela revient à essayer de prédire la météo de l'année prochaine en regardant le calendrier de l'année dernière. Cela peut fonctionner si le climat est stable, mais à mesure que nous ajoutons plus d'énergie éolienne et solaire (qui sont capricieuses et changent selon la météo), les schémas de flux d'électricité changent complètement. Se fier aux anciennes données, c'est comme conduire une voiture en ne regardant que dans le rétroviseur ; on risque de s'écraser parce que la route devant nous a changé.

La nouvelle solution : Le « assistant intelligent » (Modélisation de substitution)
Cet article propose une nouvelle approche utilisant l'apprentissage automatique (ML) comme un « assistant intelligent » ou un modèle de substitution (surrogate model).

Imaginez que la simulation européenne massive soit un chef étoilé capable de cuisiner un repas complexe et parfait, mais qui met 10 heures pour le faire. Le modèle de ML est un second de cuisine qui a observé le chef étoilé cuisiner des milliers de fois. Le second apprend les schémas : « Quand le vent souffle fort en Allemagne et que la demande est faible en Espagne, le chef étoilé envoie l'électricité vers le sud. »

Au lieu de demander au chef étoilé de cuisiner à chaque fois, nous demandons au second de cuisine. Le second regarde les entrées actuelles (combien de vent souffle, combien de soleil brille, combien d'électricité les gens utilisent) et prédit instantanément quel sera le flux d'électricité à travers les frontières.

Comment ils l'ont testé
Les chercheurs ont entraîné ce « second de cuisine » en utilisant des données d'une année spécifique (2009) où ils connaissaient les réponses exactes du chef étoilé (la simulation complète). Ensuite, ils l'ont testé sur deux années complètement différentes (1995 et 2008) que le modèle n'avait jamais vues auparavant.

Ils ont comparé trois méthodes :

L'ancienne méthode : Simplement redimensionner d'anciennes données historiques.
La méthode ML simple (KNN) : Un algorithme basique qui devine en se basant sur les exemples passés les plus « proches ».
La méthode ML intelligente (SQU) : Un réseau de neurones sophistiqué qui apprend des schémas complexes et non linéaires.

Les résultats : Pourquoi l'« assistant intelligent » l'emporte

Précision : L'« assistant intelligent » (SQU) était bien meilleur pour prédire le flux d'électricité que le devineur simple ou les anciennes données historiques. Il a correctement prédit quand l'électricité circulerait et quelle quantité circulerait, même lors d'années météorologiques qu'il n'avait jamais rencontrées auparavant.
Le « contrôle de la physique » : L'une des fonctionnalités les plus intelligentes qu'ils ont ajoutées est une fonction de perte de « vérification de la réalité ». Imaginez que le second de cuisine prédise qu'un pays exportera 1 000 tonnes de pommes, alors que ce pays n'en a produit que 500. C'est impossible. Le nouveau modèle a été entraîné pour pénaliser ces prédictions impossibles, garantissant que les chiffres font sens physiquement.
Vitesse : C'est la plus grande victoire. Utiliser l'assistant intelligent pour prédire les flux, puis exécuter un modèle simplifié pour un seul pays, était jusqu'à 500 fois plus rapide que d'exécuter la simulation complète de l'Europe. C'est comme passer d'un marathon de cuisine de 10 heures à un repas au micro-ondes d'une minute, mais avec un goût (les résultats) presque identique à celui du chef étoilé.

Ce qu'il faut retenir
L'article conclut que pour les pays qui tentent de planifier leur avenir énergétique avec beaucoup d'éolien et du solaire, on ne peut pas simplement copier-coller les données de l'année dernière. Il faut une IA intelligente et entraînée qui comprenne comment la météo et la demande interagissent. Cette IA peut agir comme un substitut rapide et précis pour les simulations massives et lentes, permettant aux planificateurs de prendre de meilleures décisions beaucoup plus rapidement sans se perdre dans la complexité de l'ensemble du réseau européen.

Résumé technique : Modélisation de substitution des flux d'interconnexion

Énoncé du problème
Les échanges d'électricité transfrontaliers sont critiques pour le fonctionnement et la planification des systèmes électriques à forte composante renouvelable. Cependant, les modèles d'optimisation des systèmes de puissance (PSOM) sont confrontés à des compromis inhérents entre résolution temporelle, détails techniques et portée spatiale. Pour maintenir la tractabilité, de nombreuses études réduisent la granularité spatiale à un seul pays ou une seule région, traitant les échanges transfrontaliers de manière exogène en prescrivant des séries temporelles historiques d'importations/exportations ou en les mettant à l'échelle pour correspondre aux nouveaux niveaux de demande.

L'article soutient que ces simplifications deviennent incohérentes à mesure que le système électrique transite vers des parts élevées de sources d'énergie renouvelable variables (VRES). Dans de tels systèmes, les schémas de flux sont de plus en plus dictés par la disponibilité fluctuante des énergies renouvelables plutôt que par une demande prévisible. Par conséquent, la mise à l'échelle de séries temporelles historiques peut conduire à des hypothèses trompeuses concernant l'ampleur et le calendrier des flux, entraînant des résultats de modèles inexacts et des potentiels cas d'incompatibilité (ex: Énergie Non Fournie, ENS) lorsque ces flux sont imposés comme conditions limites fixes dans des modèles réduits.

Méthodologie
Les auteurs proposent un cadre de substitution par apprentissage automatique (ML) conçu pour cartographier les données de séries temporelles nodales disponibles (profils de demande horaire et de production renouvelable) vers des séries temporelles de flux synthétiques au niveau des interconnexions. Ces flux synthétiques servent de conditions limites cohérentes pour les PSOM réduits.

Génération de données : Les données d'entraînement sont générées à l'aide du modèle PSOM open-source LEGO, un modèle de flux de puissance optimal continu (DC-OPF) linéaire. Le modèle représente un réseau paneuropéen avec un nœud par pays, utilisant les hypothèses des tendances nationales TYNDP 2024 de l'ENTSO-E pour l'année 2030.
Modèles de substitution : Deux familles de modèles sont développées et comparées :
- K-Plus Proches Voisins (KNN) : Une base non paramétrique. Les variantes incluent l'utilisation de jeux de caractéristiques complets, de caractéristiques sélectionnées (via l'importance de la permutation) et l'optimisation des hyperparamètres.
- Réseau de neurones séquentiel (SQU) : Un réseau de neurones à propagation avant avec des couches cachées denses et une activation ReLU. Les variantes incluent des jeux de caractéristiques complets/sélectionnés, l'optimisation des hyperparamètres et une nouvelle fonction de perte personnalisée axée sur la faisabilité.
Fonction de perte personnalisée : Pour les modèles SQU, une perte personnalisée est introduite pour pénaliser les schémas de flux physiquement impossibles. Plus précisément, elle décourage les exportations nettes prédites qui excèdent la capacité de production maximale disponible du nœud plus les flux entrants moins la demande. Cela vise à éviter que le PSOM à nœud unique réduit ne rencontre des incompatibilités artificielles (ENS) lorsque les flux de substitution sont imposés.
Stratégie d'évaluation :
- Entraînement : Année climatique (CY) 2009.
- Test : In-sample (CY 2009) et out-of-sample (CY 1995 et 2008) pour tester la robustesse à travers différentes réalisations météorologiques.
- Études de cas : Autriche (hautement interconnectée), Allemagne (système large et diversifié) et Espagne (faiblement interconnectée).
- Impact en aval : Les flux prédits sont imposés comme conditions limites fixes dans les modèles LEGO nationaux réduits. Les résultats (coût du système, dispatch, ENS, balances commerciales) sont comparés aux composants nationaux correspondants du benchmark européen complet.

Principales contributions

Proposition de cadre : Un nouveau cadre de substitution basé sur le ML qui génère des séries temporelles de flux d'interconnexion horaires à partir d'entrées de demande et de production renouvelable, permettant des études de PSOM réduits sans résoudre de manière répétée un modèle européen à pleine échelle.
Comparaison de modèles : Une comparaison exhaustive des substituts KNN et de réseaux de neurones à propagation avant (SQU) pour la prédiction de flux multi-sorties, évaluant les ensembles de caractéristiques complets et réduits.
Entraînement axé sur la faisabilité : L'introduction d'une fonction de perte personnalisée pour les réseaux de neurones qui pénalise les profils d'exportation nette physiquement irréalistes, visant à réduire les incompatibilités induites par la substitution dans l'optimisation en aval.
Validation empirique : Tests rigoureux contre les pratiques courantes (réutilisation/mise à l'échelle des profils historiques) et les benchmarks de système complet à travers plusieurs années climatiques et pays ayant des caractéristiques structurelles distinctes.

Résultats

Précision prédictive : Les modèles SQU surpassent systématiquement les bases KNN, particulièrement lors des années climatiques hors échantillon. Les modèles SQU atteignent un $R^2$ plus élevé et un NMAE plus faible par rapport au KNN, démontrant une meilleure généralisation aux schémas météorologiques non vus.
Comparaison avec la mise à l'échelle historique : La réutilisation des profils de flux historiques (même lorsqu'ils sont mis à l'échelle pour correspondre à la demande annuelle ou aux totaux commerciaux) entraîne une faible précision prédictive (souvent un $R^2$ négatif) et ne parvient pas à capturer la structure de flux horaire correcte. Cela conduit à des écarts significatifs dans le dispatch et les coûts du système.
Pertinence décisionnelle en aval :
- Coût du système : Les flux générés par ML (particulièrement les variantes SQU) produisent des résultats de coût de système dans les modèles nationaux réduits qui correspondent étroitement au benchmark européen complet. En revanche, les méthodes de mise à l'échelle historique introduisent des distorsions de coût substantielles (ex: déviation de +81,6 % pour l'Allemagne en 2008).
- Dispatch et faisabilité : Les modèles SQU préservent mieux le calendrier et le signe des échanges, conduisant à des schémas de dispatch plus précis pour les ressources flexibles (gaz, stockage).
- Impact de la perte personnalisée : En Autriche, où le benchmark complet ne présente pas d'ENS, la perte personnalisée élimine avec succès l'ENS induit par la substitution dans le modèle réduit. Cependant, en Allemagne, où le benchmark contient déjà de faibles ENS, la perte personnalisée réduit davantage l'ENS mais déplace l'équilibre commercial/dispatch par rapport au benchmark, indiquant un arbitrage entre fidélité statistique et faisabilité opérationnelle selon le contexte du système.
Efficacité computationnelle : L'approche offre des réductions de temps d'exécution significatives (jusqu'à $\sim$ 500 $\times$ ) par rapport à l'exécution du modèle européen complet. Bien que le KNN avec une sélection de caractéristiques et un réglage intensifs puisse engendrer un surcoût de prétraitement élevé (dépassant parfois le temps d'exécution du modèle complet pour des cas complexes comme l'Allemagne), les modèles SQU offrent un compromis robuste entre qualité des résultats et vitesse de calcul.

Signification et affirmations
L'article affirme que les substituts de flux basés sur le ML constituent une alternative viable et nécessaire aux hypothèses de flux exogènes basées sur l'historique pour les études de systèmes électriques à hautes parts de renouvelables. Les auteurs soutiennent que :

La structure temporelle compte : La modélisation précise des échanges transfrontaliers nécessite de capturer la chronologie intra-annuelle des flux par rapport à la disponibilité des renouvelables et à la demande, et non seulement les totaux annuels.
Généralisation : Les substituts de réseaux de neurones (SQU) se généralisent plus robustement à travers différentes années climatiques que le KNN ou les données historiques mises à l'échelle, ce qui les rend adaptés aux études de scénarios prospectifs.
Pertinence décisionnelle : L'utilisation de flux générés par ML comme conditions limites dans les PSOM réduits produit des résultats (coûts, dispatch, balances commerciales) qui sont nettement plus cohérents avec les simulations de système complet que les méthodes traditionnelles.
Conscience de la faisabilité : Les fonctions de perte personnalisées peuvent être efficaces pour prévenir les incompatibilités artificielles, bien que leur application nécessite une considération attentive des caractéristiques de faisabilité du système sous-jacent.

L'étude conclut que ce cadre permet des études réduites tractables et décisionnelles pour les systèmes à hautes parts de renouvelables, offrant des économies de calcul substantielles tout en maintenant l'intégrité des interactions transfrontalières. Les travaux futurs suggérés par les auteurs incluent l'augmentation de la granularité spatiale, l'application de la méthode à la planification de l'expansion de la production et le développement de substituts probabilistes.

Résumé technique : Modélisation de substitution des flux d'interconnexion

Articles similaires