La recherche révèle des cadeaux cachés de la «boîte noire» pour la modélisation du comportement de la grille
Pour créer un réseau électrique plus résilient qui répond aux demandes de puissance croissantes du pays, les services publics incorporent un plus large éventail de sources d’énergie. Mais ce changement nécessite la capacité de prédire comment la grille réagira aux fluctuations de l’écoulement de l’électricité à partir de nouvelles sources de puissance.
Pour planifier à l’avance et éviter une perturbation de l’alimentation, les services publics utilisent des modèles pour anticiper quand et où diriger une quantité d’électricité donnée. Un modèle est une série de calculs – dans ce cas, l’offre d’électricité estimée et la demande.
Les chercheurs du Laboratoire national d’Oak Ridge du ministère de l’Énergie ont développé une méthode de modélisation dynamique qui utilise l’apprentissage automatique pour fournir des simulations précises de comportement de grille tout en maintenant ce qu’on appelle une approche « boîte noire ». Cette technique ne nécessite pas de détails sur la technologie propriétaire à l’intérieur de l’équipement – dans ce cas, un type d’électronique d’alimentation appelée onduleur.
Les ingénieurs ont incorporé la nouvelle capacité de modélisation dans un outil logiciel open source et ont démontré son succès avec différents scénarios et marques d’onduleur. L’œuvre est publiée dans la revue 2024 Congrès et exposition de la conversion de l’énergie de l’IEEE (ECCE).
« Normalement, il est difficile d’obtenir une précision de modélisation sans comprendre la structure et les paramètres de contrôle des systèmes internes, des informations propriétaires que les entreprises peuvent ne pas vouloir partager », a déclaré Sunil Subedi, qui a dirigé des membres du groupe de modélisation et de contrôle du réseau d’ORNL sur le projet.
« Et bien que ce niveau de détail améliore la précision, cela ajoute également à la charge de calcul et rend la charge de l’analyse. » Cela nécessite souvent l’utilisation d’un calcul haute performance, qui est à forte intensité d’énergie et prend du temps, a-t-il déclaré.
Le modèle ORNL utilise un algorithme d’apprentissage en profondeur pour relever ces défis. Les chercheurs ont formé le modèle à l’aide de cas de test qui reflètent les changements dans le flux de puissance et les changements soudains de tension. Ils ont ensuite exécuté une simulation basée sur l’équipement d’un fournisseur spécifique, répétant le processus avec les données d’un autre fournisseur pour comparer les résultats pour la cohérence.
L’équipe a constaté que leur modèle de boîte noire – le premier du genre à travailler avec des logiciels open source gratuits – a produit des résultats avec un taux d’erreur moyen inférieur à 5% sur une gamme de conditions de fonctionnement. Cela dépasse les normes de l’industrie pour la planification et le fonctionnement du système de grille, les tests de conception et le déploiement sur le terrain. Le modèle fonctionne également 10 à 20 fois plus rapidement que les méthodes conventionnelles plus à forte intensité d’énergie, a déclaré Subedi.
« L’approche d’apprentissage automatique vous permet d’obtenir ce dont vous avez besoin en représentant un système avec juste des données, ce qui est fascinant », a déclaré Subedi. « La technologie établit un équilibre entre la précision et la flexibilité, surmontant les limites des approches précédentes et offrant aux services publics et aux fabricants de nouvelles capacités. »
La méthode permet aux producteurs d’électronique de puissance d’évaluer plus facilement comment les nouveaux contrôles et conceptions de protection fonctionneraient dans les systèmes de distribution complète. Cette idée pourrait raccourcir les délais de développement de produits pour aider les nouvelles technologies à atteindre la grille plus rapidement. La capacité de modélisation peut également renforcer la confiance des services publics dans la diversification des sources d’énergie pour améliorer la résilience et la fiabilité globales.
