FSNet trouve des solutions de réseau électrique réalisables en quelques minutes, surpassant les outils éprouvés
Gérer un réseau électrique, c’est comme essayer de résoudre un énorme casse-tête. Les opérateurs de réseau doivent garantir que la quantité appropriée d’électricité circule vers les zones appropriées au moment précis où elle est nécessaire, et ils doivent le faire de manière à minimiser les coûts sans surcharger l’infrastructure physique. Plus encore, ils doivent résoudre ce problème complexe à plusieurs reprises, aussi rapidement que possible, pour répondre à une demande en constante évolution.
Pour aider à résoudre cette énigme constante, les chercheurs du MIT ont développé un outil de résolution de problèmes qui trouve la solution optimale beaucoup plus rapidement que les approches traditionnelles tout en garantissant que la solution ne viole aucune des contraintes du système. Dans un réseau électrique, les contraintes peuvent être des éléments tels que la capacité du générateur et de la ligne.
Ce nouvel outil intègre une étape de recherche de faisabilité dans un puissant modèle d'apprentissage automatique formé pour résoudre le problème. L'étape de recherche de faisabilité utilise la prédiction du modèle comme point de départ, affinant de manière itérative la solution jusqu'à ce qu'elle trouve la meilleure réponse possible.
Le système du MIT peut résoudre des problèmes complexes plusieurs fois plus rapidement que les solutions traditionnelles, tout en offrant de solides garanties de succès. Pour certains problèmes extrêmement complexes, il pourrait trouver de meilleures solutions que les outils éprouvés. La technique a également surpassé les approches d'apprentissage automatique pur, qui sont rapides mais ne permettent pas toujours de trouver des solutions réalisables.
En plus d'aider à planifier la production d'électricité dans un réseau électrique, ce nouvel outil pourrait être appliqué à de nombreux types de problèmes complexes, tels que la conception de nouveaux produits, la gestion de portefeuilles d'investissement ou la planification de la production pour répondre à la demande des consommateurs.
« Pour bien résoudre ces problèmes particulièrement épineux, nous devons combiner des outils d'apprentissage automatique, d'optimisation et d'ingénierie électrique pour développer des méthodes qui permettent de trouver les bons compromis en termes de valeur ajoutée au domaine, tout en répondant à ses exigences.
« Vous devez examiner les besoins des méthodes d'application et de conception de manière à répondre réellement à ces besoins », déclare Priya Donti, professeur de développement de carrière de la famille Silverman au Département de génie électrique et d'informatique (EECS) et chercheur principal au Laboratoire des systèmes d'information et de décision (LIDS).
Donti, auteur principal d'un article en libre accès sur ce nouvel outil, appelé FSNet, est rejoint par l'auteur principal Hoang Nguyen, étudiant diplômé de l'EECS. Le document sera présenté lors de la Conférence sur les systèmes de traitement de l'information neuronale (NeurIPS 2025), qui s'est tenue du 2 au 7 décembre à San Diego. Il est actuellement disponible sur arXiv serveur de préimpression.
Combiner les approches
Garantir un flux d’énergie optimal dans un réseau électrique est un problème extrêmement difficile à résoudre rapidement pour les opérateurs.
« Alors que nous essayons d'intégrer davantage d'énergies renouvelables dans le réseau, les opérateurs doivent composer avec le fait que la quantité d'électricité produite va varier d'un moment à l'autre. Dans le même temps, il y a beaucoup plus d'appareils distribués à coordonner », explique Donti.
Les opérateurs de réseau s'appuient souvent sur des solveurs traditionnels, qui fournissent des garanties mathématiques que la solution optimale ne viole aucune contrainte du problème. Mais ces outils peuvent prendre des heures, voire des jours, pour parvenir à une solution si le problème est particulièrement complexe.
D’un autre côté, les modèles d’apprentissage profond peuvent résoudre même des problèmes très difficiles en une fraction du temps, mais la solution peut ignorer certaines contraintes importantes. Pour un opérateur de réseau électrique, cela pourrait entraîner des problèmes tels que des niveaux de tension dangereux ou même des pannes de réseau.
« Les modèles d'apprentissage automatique ont du mal à satisfaire toutes les contraintes en raison des nombreuses erreurs qui se produisent lors du processus de formation », explique Nguyen.
Pour FSNet, les chercheurs ont combiné le meilleur des deux approches dans un cadre de résolution de problèmes en deux étapes.
Se concentrer sur la faisabilité
Dans un premier temps, un réseau de neurones prédit une solution au problème d'optimisation. Très vaguement inspirés des neurones du cerveau humain, les réseaux de neurones sont des modèles d’apprentissage profond qui excellent dans la reconnaissance de modèles dans les données.
Ensuite, un solveur traditionnel intégré à FSNet effectue une étape de recherche de faisabilité. Cet algorithme d'optimisation affine de manière itérative la prédiction initiale tout en garantissant que la solution ne viole aucune contrainte.
Parce que l’étape de recherche de faisabilité est basée sur un modèle mathématique du problème, elle peut garantir que la solution est déployable.
« Cette étape est très importante. Avec FSNet, nous pouvons avoir les garanties rigoureuses dont nous avons besoin dans la pratique », déclare Hoang.
Les chercheurs ont conçu FSNet pour répondre simultanément aux deux principaux types de contraintes (égalité et inégalités). Cela le rend plus facile à utiliser que d'autres approches qui peuvent nécessiter la personnalisation du réseau neuronal ou la résolution de chaque type de contrainte séparément.
« Ici, vous pouvez simplement brancher et utiliser différents solveurs d'optimisation », explique Donti.
En pensant différemment à la façon dont le réseau neuronal résout des problèmes d’optimisation complexes, les chercheurs ont pu découvrir une nouvelle technique qui fonctionne mieux, ajoute-t-elle.
Ils ont comparé FSNet aux solveurs traditionnels et aux approches d'apprentissage automatique pur sur une série de problèmes difficiles, notamment l'optimisation du réseau électrique. Leur système réduit les temps de résolution de plusieurs ordres de grandeur par rapport aux approches de base, tout en respectant toutes les contraintes du problème.
FSNet a également trouvé de meilleures solutions à certains des problèmes les plus délicats.
« Bien que cela nous ait surpris, cela a du sens. Notre réseau neuronal peut découvrir par lui-même une structure supplémentaire dans les données que le solveur d'optimisation d'origine n'a pas été conçu pour exploiter », explique Donti.
À l’avenir, les chercheurs souhaitent rendre FSNet moins gourmand en mémoire, intégrer des algorithmes d’optimisation plus efficaces et le faire évoluer pour résoudre des problèmes plus réalistes.
« Trouver des solutions réalisables à des problèmes d'optimisation difficiles est primordial pour trouver celles qui sont proches de l'optimum. Surtout pour les systèmes physiques comme les réseaux électriques, proche de l'optimum ne signifie rien sans faisabilité.
« Ce travail constitue une étape importante pour garantir que les modèles d'apprentissage profond peuvent produire des prédictions qui satisfont aux contraintes, avec des garanties explicites sur l'application des contraintes », déclare Kyri Baker, professeur agrégé à l'Université du Colorado à Boulder, qui n'a pas participé à ces travaux.
« Un défi persistant pour l'optimisation basée sur l'apprentissage automatique est la faisabilité. Ce travail associe élégamment l'apprentissage de bout en bout à une procédure de recherche de faisabilité déployée qui minimise les violations d'égalité et d'inégalité. Les résultats sont très prometteurs et j'ai hâte de voir où cette recherche mènera », ajoute Ferdinando Fioretto, professeur adjoint à l'Université de Virginie, qui n'a pas participé à ce travail.
