Un rapport montre la voie vers un réseau électrique qui anticipe l'avenir

Lorsque nous appuyons sur l’interrupteur de notre maison, nous nous attendons à un accès instantané à l’électricité. En coulisses, cette fiabilité dépend des opérateurs de services publics qui ont développé des systèmes de contrôle et des dispositifs de sécurité pour assurer la continuité de l’alimentation électrique.

Mais les temps changent rapidement et les opérateurs de services publics sont confrontés à un réseau électrique en pleine évolution, devenu un réseau complexe de sources d’énergie diverses, à l’émergence d’options de stockage d’énergie sur le réseau et à une demande croissante d’électricité dans les transports, l’informatique et les usages industriels.

Face au défi de la modernisation du réseau électrique, nombreux sont ceux qui appellent à soutenir les gestionnaires et les exploitants de services publics avec des outils d’intelligence artificielle (IA) et d’apprentissage automatique (ML) qui peuvent alléger une partie de leur charge décisionnelle.

Il est compréhensible que les services publics soient prudents lorsqu’il s’agit d’adopter de nouvelles technologies, car les conséquences d’une défaillance sont coûteuses et pourraient affecter les clients. De plus, les avantages et les analyses de rentabilité de ces technologies ne sont pas encore clairs.

Aujourd’hui, une équipe de recherche dirigée par le Pacific Northwest National Laboratory a démystifié leur rôle émergent dans le réseau électrique grâce à des conseils pratiques. Dans un rapport complet, l’équipe pointe du doigt le moment où le ML pourra devenir un partenaire de confiance pour les opérateurs de services publics du pays. En tant que branche de l’IA, le ML utilise des modèles mathématiques et des données du monde réel pour prendre des décisions basées sur la logique et les connaissances préalables.

« Les opérateurs de services publics d'électricité recherchent des outils qui les aident à comprendre l'état actuel du système, à prédire ce qui se passera à l'avenir, puis à présenter une recommandation sur le type d'actions qu'ils doivent entreprendre pour se préparer à cet avenir. » a déclaré Yousu Chen, expert en modélisation et simulation des systèmes électriques du PNNL. Il dirige actuellement le programme de modélisation avancée du réseau électrique du Bureau de l'électricité du ministère de l'Énergie du PNNL.

Chen et son équipe fournissent des conseils d’experts qui décrivent les défis et les opportunités offerts par le ML pour aider à gérer un réseau électrique de plus en plus complexe et décrivent certains des outils qui ont été développés.

La complexité régit le réseau électrique ; l'apprentissage automatique peut nous aider à y faire face

Pendant plus d'un siècle, le réseau électrique du pays a fonctionné avec une production d'énergie centralisée à partir de centrales au charbon, au gaz, hydroélectriques et nucléaires. Aujourd'hui, cette infrastructure évolue rapidement pour inclure une plus grande variété de sources d'énergie avec des attributs différents, ainsi qu'une demande beaucoup plus importante d'électricité pour alimenter les infrastructures de fabrication, de transport et de calcul avancées.

Selon Chen et ses collègues, les stratégies modernes de gestion des données et de calcul qui incluent le machine learning se sont révélées prometteuses pour aider à gérer notre réseau électrique. Le plus grand défi à l’adoption en 2024 est la confiance dans la technologie, affirme Chen.

Comme le souligne le rapport complet, plusieurs défis doivent être relevés de manière réfléchie. Il s'agit notamment des points suivants :

Réponses fiables : Les chercheurs du PNNL ont étudié de près un algorithme d'apprentissage automatique appliqué aux systèmes électriques. Après l'avoir entraîné sur des données réelles provenant de l'interconnexion Est du réseau, ils ont découvert que l'algorithme était fiable à 85 % dans ses décisions.

C'est ce qu'on appelle un « score de confiance, » une valeur qui reflète la confiance du système dans ses décisions. Lorsque les chercheurs ont mis des experts humains dans la boucle, ils ont constaté une amélioration marquée par rapport à l'évaluation par le système de ses propres décisions. Les chercheurs du PNNL appellent le score d'intervention humaine un « confiance dérivée des experts, » ou score EDC.

Ils ont constaté qu'en moyenne, lorsque les humains examinaient les données, leurs scores EDC prédisaient le comportement du modèle que les scores de confiance de l'algorithme ne pouvaient pas prédire seuls.

Cybermenaces : La protection des informations contre les cybermenaces est une nécessité omniprésente pour les systèmes électriques, et l’utilisation de l’apprentissage automatique pourrait aggraver cette vulnérabilité en créant davantage de points d’entrée potentiels pour les attaquants, à moins d’être traitée de manière réfléchie.

Cependant, les algorithmes de détection d’anomalies actuellement en cours de développement au PNNL signalent toute activité inhabituelle, comme un trafic de données anormal ou des schémas d’accès irréguliers aux données, ce qui permet de réagir plus rapidement aux violations potentielles. Le projet PowerDrone a développé des méthodes d’IA pour défendre les systèmes cyberphysiques, tels que le réseau électrique, contre les cyberattaques.

Précision et adaptabilité du modèle : Les modèles informatiques et la technologie des jumeaux numériques doivent s’adapter aux conditions changeantes. Un apprentissage continu et un perfectionnement des modèles sont nécessaires pour maintenir leur efficacité au fil du temps. Chen et ses collègues créent des modèles adaptables qui aident à prédire les niveaux de vulnérabilité des systèmes électriques en réponse aux menaces et dangers météorologiques et humains, tout en proposant des stratégies potentielles de remédiation et de restauration.

Investissements dans les infrastructures et modernisation du réseau : La plupart des réseaux électriques ne sont pas encore prêts à intégrer des systèmes intelligents. Le coût et la durabilité à long terme doivent être soigneusement pris en compte lors de l'investissement. Mais une fois l'investissement réalisé, les réseaux intelligents peuvent réagir rapidement aux changements du système et améliorer l'efficacité globale, contribuant ainsi à rentabiliser l'investissement initial.

Par exemple, l'outil d'analyse dynamique des contingences du PNNL utilise des analyses de défaillances en cascade pour détecter les points faibles du réseau et suggérer des mesures correctives à mettre en œuvre en réponse à l'événement. Grâce à DCAT, les compagnies d'électricité peuvent identifier l'instabilité du réseau lors d'événements extrêmes et ont plus de chances d'arrêter l'effet domino de perte de puissance qui peut conduire à une panne d'électricité.

« Nous parlons d’un changement fondamental dans la façon dont nous exploitons le réseau, passant d’un cerveau centralisé, pour ainsi dire, à une éponge, absorbant les données provenant de nombreuses sources de données décentralisées et fournissant des recommandations basées sur cette analyse de données. » a déclaré Chen. « En déplaçant l’apprentissage automatique vers le contrôle local, la prise de décision locale instantanée devient possible. »

À quoi ressemble ce contrôle local ?

Prévision de la demande : En analysant les données en temps réel, le ML peut aider à prévoir la demande afin de prévoir les besoins énergétiques avec plus de précision, contribuant ainsi à équilibrer le réseau et à réduire le gaspillage. Au fil du temps, l'IA peut également identifier les tendances en matière de consommation d'énergie, ce qui permet une meilleure planification et de meilleurs investissements dans les infrastructures, rendant ainsi nos systèmes énergétiques plus efficaces et plus fiables.

Détection et prévention des pannes : Les capteurs installés sur des équipements tels que des transformateurs, des disjoncteurs et des générateurs peuvent surveiller en permanence les conditions de fonctionnement et fournir des données aux algorithmes qui prédisent les problèmes potentiels avant qu'ils n'entraînent des pannes du système.

Par exemple, Shaobu Wang, du PNNL, dirige une équipe qui étudie comment rendre le réseau plus résilient dans des conditions météorologiques incertaines. L'équipe étudie comment utiliser le contrôle adaptatif des éoliennes en fonction des conditions de fonctionnement en temps réel en utilisant des approches d'IA pour augmenter la fiabilité et prolonger la durée de vie des équipements.

Interaction homme-machine : La confiance dans les interactions homme-machine est essentielle à l’adoption et à l’acceptation des techniques d’IA/ML dans le secteur de l’énergie. D’autres recherches devront se concentrer sur la définition de rôles clairs pour les humains au sein des systèmes, des interfaces et des flux de travail afin que les opérateurs aient confiance dans les recommandations formulées par les algorithmes.

Fiabilité du système : La complexité apportée par l’intégration des énergies renouvelables a conduit à de nouveaux comportements du réseau et posé des défis aux paramètres des relais de protection existants, qui, s’ils ne sont pas correctement traités, peuvent potentiellement provoquer des pannes en cascade.

Xiaoyuan Fan du PNNL et une équipe de scientifiques informatiques ont travaillé en étroite collaboration avec l'industrie électrique pour modéliser des contrôles préventifs qui arrêtent les pannes de courant en cascade déclenchées par des apports d'énergie intermittents.

Grâce au ML moderne et à l’implication des humains dans la boucle décisionnelle, il sera possible de développer intelligemment le réseau, d’intégrer efficacement les énergies renouvelables et de renforcer considérablement notre infrastructure pour un système électrique national plus robuste et plus fiable pour les générations futures.