Large Language Model-Assisted Zoning for Heterogeneous Automatic Voltage Control in Renewable-Rich Regional Power Grids

Le réseau électrique moderne n'est plus seulement une rue à sens unique où l'électricité circule de manière constante des énormes centrales au charbon ou au gaz vers les maisons et les usines. Aujourd'hui, il s'agit d'un réseau dynamique à deux voies, alimenté de plus en plus par des éoliennes et des panneaux solaires. Ces sources renouvelables sont propres et essentielles, mais elles sont aussi capricieuses ; le vent cesse de souffler et les nuages passent sur les champs solaires, provoquant des fluctuations sauvages de la quantité d'électricité qu'elles génèrent. Cette imprévisibilité crée un défi spécifique pour les gestionnaires de réseau : maintenir la stabilité de la tension. La tension est la pression électrique qui pousse le courant à travers les fils ; si elle est trop élevée, elle peut endommager l'équipement, et si elle est trop basse, les lumières faiblissent et les moteurs calent. Dans un réseau traditionnel, les opérateurs pouvaient compter sur de grandes centrales stables pour ajuster leur production et lisser ces irrégularités. Mais avec des milliers de parcs éoliens et solaires dispersés, le réseau devient un réseau complexe où un surplus ou un manque de puissance dans une zone peut provoquer des variations de tension dangereuses dans une autre. Gérer cela nécessite un système capable de décider instantanément quels points de production doivent ajuster leur sortie et de quel montant, une tâche devenue trop difficile pour les règles uniformes standards.

Dans une étude récente, des chercheurs de la State Grid Shanxi Electric Power Company en Chine ont proposé une nouvelle façon de gérer cette complexité en traitant les différentes parties du réseau de manière distincte, guidée par un outil d'intelligence artificielle connu sous le nom de modèle de langage étendu (LLM). Au lieu de forcer chaque parc solaire et chaque éolienne à suivre exactement le même ensemble d'instructions, l'équipe a développé un système qui analyse d'abord les conditions locales du réseau pour décider quelle stratégie convient le mieux à chaque zone spécifique. Ils ont divisé le réseau en zones basées sur la façon dont les sources d'énergie interagissent avec la tension locale. Dans certaines zones, où la tension est naturellement stable, le système demande simplement aux centrales de maintenir une quantité constante et prédéfinie de puissance réactive — un type de support électrique qui aide à maintenir la tension sans pour autant délivrer de l'énergie aux foyers. Dans d'autres zones, où les variations de tension sont plus marquées, le système passe à un mode où les centrales suivent et corrigent activement la tension, un peu comme un thermostat qui ajuste un chauffage pour maintenir une température constante dans une pièce.

La partie la plus complexe du réseau concerne toutefois les zones où de nombreuses centrales électriques sont étroitement connectées et s'influencent fortement entre elles. Ici, si chaque centrale essayait de corriger la tension de son côté, elles pourraient finir par travailler les unes contre les autres, créant un tiraillement chaotique qui gaspille de l'énergie et sollicite l'équipement. Pour résoudre ce problème, les chercheurs ont introduit une méthode de coordination sophistiquée utilisant un type d'intelligence artificielle appelé « multi-agent deep deterministic policy gradient ». Dans cette configuration, un contrôleur central détermine la quantité totale de support de tension nécessaire pour l'ensemble du groupe, et l'IA agit ensuite comme un arbitre équitable, décidant exactement quelle part de travail chaque centrale individuelle doit accomplir pour atteindre cet objectif. Cela garantit que la charge est répartie équitablement et qu'aucune centrale n'est surchargée pendant que d'autres restent inactives.

Pour prendre ces décisions, les chercheurs ont utilisé un modèle de langage étendu non pas pour générer les commandes finales, mais pour agir comme un planificateur de haut niveau. Cet outil d'IA a analysé l'état actuel du réseau, incluant la production des parcs éoliens et solaires, la disposition des lignes électriques et l'historique des fluctuations de tension. Sur la base de ces données, il a recommandé comment regrouper les centrales, quelle stratégie de contrôle utiliser pour chaque groupe et quels réglages initiaux appliquer. Si le plan initial du système échouait à un test de sécurité — signifiant que la tension dérivait trop loin de la plage sûre — l'IA examinait les résultats, apprenait de l'erreur et suggérait des ajustements au regroupement ou aux réglages. Ce cycle de planification, de test et de perfectionnement permettait au système de s'adapter aux conditions changeantes sans intervention humaine.

L'équipe a testé cette approche sur une version simulée d'un réseau électrique réel, modélisée d'après un système de test standard comprenant trente-neuf points de connexion, peuplé de huit parcs éoliens et huit centrales solaires. Ils ont comparé leur nouvelle méthode flexible aux stratégies plus anciennes qui appliquaient une règle unique à l'ensemble du réseau. Les résultats ont montré que la nouvelle méthode était nettement plus efficace pour maintenir la stabilité de la tension. Elle a réduit le nombre de fois où la tension sortait de la plage de sécurité de près de 88 % par rapport à l'absence de contrôle spécial, et elle a réduit ces violations de plus de 40 % par rapport à la meilleure méthode uniforme existante. De plus, le nouveau système équilibrait bien mieux la charge de travail ; dans les anciennes méthodes, certaines centrales étaient souvent contraintes de réaliser des changements brusques et importants tandis que d'autres ne faisaient rien, entraînant une usure inégale. La nouvelle approche a lissé ces ajustements, réduisant la taille des changements effectués par chaque centrale d'environ 30 % et éliminant les cas où les centrales annulaient accidentellement les efforts des autres.

Une conclusion clé de l'étude a été que la capacité du modèle de langage étendu à affiner ses propres suggestions a fait une différence mesurable. Lorsque les chercheurs ont laissé l'IA ajuster l'importance accordée à différents objectifs — comme prioriser la stabilité de la tension par rapport à l'équilibre de la charge de travail entre les centrales — le système a obtenu de meilleurs résultats. Dans les zones les plus difficiles et les plus étroitement connectées, le système optimisé par l'IA a réduit les erreurs de tension de près de 19 % et le déséquilibre de la charge de travail de plus de 70 % par rapport à une méthode de contrôle standard. Cela suggère que l'avenir de la gestion des réseaux ne réside pas dans un ensemble de règles uniques et rigides, mais dans des systèmes intelligents capables d'observer les caractéristiques uniques d'un voisinage local de centrales électriques et de décider de la meilleure façon de maintenir l'éclairage. L'étude confirme qu'en combinant la logique de contrôle conçue par l'homme avec le raisonnement adaptatif des modèles de langage étendus, il est possible de créer un réseau plus résilient et plus efficace, capable de gérer les niveaux élevés d'énergie renouvelable requis pour un avenir à faible émission de carbone.