Un nouvel outil d’IA générative pour la visualisation du réseau électrique

Chaque minute de chaque jour, les opérateurs de réseau surveillent les flux et reflux de l’électricité depuis les générateurs jusqu’aux sous-stations, en passant par les maisons, les entreprises, les écoles, les hôpitaux et bien plus encore. Ils veillent à ce que l’approvisionnement en électricité corresponde à la demande actuelle et doivent souvent prendre des décisions rapides en cas de perturbation, comme une tempête ou une panne d’équipement.

Pour prendre ces décisions, les opérateurs de réseau examinent constamment les données sur les réseaux régionaux et se réfèrent à des visualisations indiquant quelles centrales électriques génèrent, quelle quantité d’énergie et où cette énergie circule. Mais ces outils peuvent être encombrants et leur navigation peut ralentir la prise de décision, a déclaré Shrirang Abhyankar, chercheur en optimisation et modélisation de grille au Pacific Northwest National Laboratory.

Après avoir entendu parler de ces problèmes par des collègues du secteur des services publics, Abhyankar s’est demandé : « Comment pouvons-nous simplifier l’expérience des opérateurs de réseau qui doivent prendre autant de décisions tout en surveillant le réseau en temps réel ?

Inspirés par la récente vague d’outils d’IA générative de questions-réponses, Abhyankar et l’ancien stagiaire du PNNL, Sichen Jin, ont décidé de créer un programme dans lequel un opérateur de réseau pourrait poser une question sur le réseau et obtenir une réponse facile à interpréter.

Ainsi, « ChatGrid » est né.

Création d’un outil de visualisation de grille alimenté par l’IA

Même si les outils d’IA se développent rapidement, ils ne peuvent pas fonctionner de manière indépendante : ils ont toujours besoin d’un humain. Un jour, il pourrait exister de puissants outils basés sur l’IA, capables de prendre des décisions rapides en matière d’exploitation du réseau. Pour l’instant, les opérateurs de réseau pourraient utiliser un programme comme ChatGrid pour distiller de grandes quantités d’informations afin de les exploiter facilement en temps réel. Pour obtenir des informations sur le réseau, un utilisateur pose à ChatGrid une question telle que « Quelle est la capacité de production des cinq principaux générateurs d’énergie éolienne de l’interconnexion occidentale ? »

En réponse, ChatGrid produit une visualisation qui affichera les informations souhaitées. Les utilisateurs peuvent poser des questions sur la capacité de production, la tension, le flux d’énergie et bien plus encore, tout en personnalisant la visualisation pour afficher différentes couches d’informations.

« Nous envisageons une nouvelle façon d’examiner les données à travers des questions », a déclaré Abhyankar. « ChatGrid permet à quelqu’un d’interroger les données, au sens littéral, et d’obtenir une réponse instantanée. »

ChatGrid fonctionne sur un grand modèle de langage accessible au public, qui fonctionne un peu comme le texte prédictif sur un smartphone ou dans certains programmes de messagerie. Un LLM est formé sur d’énormes quantités de textes (en anglais, dans ce cas) provenant de sites Web, de livres, d’articles de journaux, d’articles scientifiques, etc. En « lisant » cette grande quantité de texte, le modèle commence à « apprendre » quels mots apparaissent dans leur contexte avec d’autres mots.

Par exemple, pour compléter la phrase « Le chat a attrapé le _____ », le LLM apprendrait en analysant le texte que le mot « souris » conviendrait mieux que « camion de pompiers ». Après avoir été formés sur cette multitude de données, les LLM peuvent reconnaître des questions ou des commandes et fournir des réponses qu’ils jugent statistiquement pertinentes.

Abhyankar a été inspiré par la facilité d’utilisation de ces programmes, et lui et Sichen les ont conçus en gardant à l’esprit la sécurité et la fiabilité. Par exemple, les données sur l’infrastructure du réseau sont très sensibles, donc lui et Jin ne pouvaient pas utiliser ces données pour former le LLM. Ils ont donc imaginé un moyen de protéger les données du réseau : l’équipe a d’abord compilé toutes leurs données d’infrastructure de réseau dans leur propre base de données interne, avec des colonnes pour des données telles que « capacité » ou « emplacement » des centrales électriques. Ils ont utilisé le LLM pour produire ce que l’on appelle un « langage de requête structuré », ou SQL, qui permettrait à ChatGrid de rechercher des réponses dans cette base de données interne.

Ainsi, au lieu d’être formé sur les données elles-mêmes, le LLM sait simplement qu’il existe des colonnes avec des étiquettes. De cette façon, ChatGrid peut toujours produire des visualisations de grille tout en préservant la sécurité des données de grille du pays.

Big data pour l’exploitation du réseau

Pour protéger davantage la sécurité des données de grille, les visualisations de ChatGrid ne représentent actuellement pas les données de grille réelles. Le programme utilise des données synthétisées du modèle Exascale Grid Optimization (ExaGO) développé par le PNNL, quatre autres laboratoires nationaux et l’Université de Stanford. ExaGO peut simuler le réseau électrique national en temps réel, permettant ainsi aux planificateurs du réseau d’analyser les effets d’entraînement de toute perturbation. L’année dernière, ExaGO a fonctionné pour la première fois sur le supercalculateur Frontier du Oak Ridge National Laboratory, capable d’effectuer plus d’un milliard de milliards de calculs par seconde.

Une fois que les opérateurs de réseau commenceront à utiliser ChatGrid et à fournir des commentaires, Abhyankar espère créer une meilleure version que les opérateurs de réseau pourront ensuite utiliser en toute sécurité dans leurs propres salles de contrôle avec des données réelles. Pour que cela fonctionne, les développeurs d’ExaGO ont besoin que les données soient également utiles sur les ordinateurs classiques.

« L’un des plus grands défis qui se posent lorsque nous construisons une nouvelle version de l’ordinateur le plus rapide du monde est que cela signifie également que nous pouvons générer le plus grand fichier de données au monde et que cela ne soit pas utile à beaucoup de gens », a déclaré Chris Oehmen, biologiste informatique au PNNL. dirige ExaSGD, un effort de laboratoire multinational dans le cadre duquel ExaGO a été développé.

« Avec ChatGrid, nous pouvons traduire ces données en quelque chose d’exploitable par un humain. C’est une première étape très importante pour permettre aux opérateurs de réseau d’interagir avec ces grands ensembles de données d’une manière intuitive », a poursuivi Oehmen.

ChatGrid est disponible en téléchargement sur GitHub, mais cela prend quelques étapes. Abhyankar espère qu’une fois les retours commencés, il pourra développer un processus de téléchargement en une étape pour l’outil. Il encourage les utilisateurs à jouer avec les invites et les questions de formulation pour aider à produire de meilleures réponses.

« Nous aimerions vraiment présenter cette technologie aux opérateurs et leur permettre de poser des questions et d’obtenir des commentaires pour voir les performances de ChatGrid », a déclaré Abhyankar. « Nous pensons que cette technologie est capable d’élargir les questions qui peuvent être posées à un outil d’IA générative et comment pouvons-nous ajuster les questions pour produire les meilleures réponses. »