Die Verwaltung eines Stromnetzes ist wie der Versuch, ein riesiges Rätsel zu lösen.
Netzbetreiber müssen sicherstellen, dass die richtige Strommenge genau zum richtigen Zeitpunkt in die richtigen Bereiche fließt, und zwar auf eine Weise, die die Kosten minimiert, ohne die physische Infrastruktur zu überlasten. Darüber hinaus müssen sie dieses komplizierte Downside wiederholt und so schnell wie möglich lösen, um der sich ständig ändernden Nachfrage gerecht zu werden.
Um dieses anhaltende Rätsel zu lösen, haben MIT-Forscher ein Problemlösungstool entwickelt, das die optimale Lösung viel schneller als herkömmliche Ansätze findet und gleichzeitig sicherstellt, dass die Lösung keine der Systembeschränkungen verletzt. In einem Stromnetz können Einschränkungen beispielsweise Generator- und Leitungskapazität sein.
Dieses neue Instrument integriert einen Schritt zur Machbarkeitssuche in ein leistungsstarkes Modell für maschinelles Lernen, das zur Lösung des Issues trainiert wird. Der Schritt der Machbarkeitssuche nutzt die Vorhersage des Modells als Ausgangspunkt und verfeinert die Lösung iterativ, bis die bestmögliche Antwort gefunden wird.
Das MIT-System kann komplexe Probleme um ein Vielfaches schneller lösen als herkömmliche Löser und bietet gleichzeitig starke Erfolgsgarantien. Für einige äußerst komplexe Probleme könnte es bessere Lösungen finden als bewährte Instruments. Die Technik übertraf auch rein maschinelle Lernansätze, die schnell sind, aber nicht immer praktikable Lösungen finden können.
Dieses neue Instrument hilft nicht nur dabei, die Stromerzeugung in einem Stromnetz zu planen, sondern könnte auch auf viele Arten komplizierter Probleme angewendet werden, beispielsweise auf die Entwicklung neuer Produkte, die Verwaltung von Investitionsportfolios oder die Planung der Produktion zur Deckung der Verbrauchernachfrage.
„Um diese besonders heiklen Probleme intestine lösen zu können, müssen wir Werkzeuge aus maschinellem Lernen, Optimierung und Elektrotechnik kombinieren, um Methoden zu entwickeln, die die richtigen Kompromisse eingehen, um der Domäne einen Mehrwert zu bieten und gleichzeitig ihre Anforderungen zu erfüllen. Man muss die Anforderungen der Anwendung und der Designmethoden so betrachten, dass diese Anforderungen tatsächlich erfüllt werden“, sagt Priya Donti, Professorin für Karriereentwicklung bei Silverman Household am Division of Electrical Engineering and Laptop Science (EECS) und leitende Forscherin am Laboratory for Data and Determination Methods (DECKEL).
Donti, leitender Autor eines Open-Entry-Artikels Artikel über dieses neue Instrument namens FSNetwird vom Hauptautor Hoang Nguyen, einem EECS-Doktoranden, begleitet. Das Papier wird auf der Konferenz über neuronale Informationsverarbeitungssysteme vorgestellt.
Ansätze kombinieren
Die Gewährleistung eines optimalen Stromflusses in einem Stromnetz ist ein äußerst schwieriges Downside, das für Betreiber immer schwieriger schnell zu lösen ist.
„Während wir versuchen, mehr erneuerbare Energien in das Netz zu integrieren, müssen sich die Betreiber damit auseinandersetzen, dass die Menge der Stromerzeugung von Second zu Second schwanken wird. Gleichzeitig müssen viel mehr verteilte Geräte koordiniert werden“, erklärt Donti.
Netzbetreiber verlassen sich häufig auf herkömmliche Löser, die mathematische Garantien dafür bieten, dass die optimale Lösung keine Problembeschränkungen verletzt. Es kann jedoch Stunden oder sogar Tage dauern, bis diese Instruments zu einer Lösung gelangen, wenn das Downside besonders kompliziert ist.
Andererseits können Deep-Studying-Modelle selbst sehr schwierige Probleme in einem Bruchteil der Zeit lösen, die Lösung ignoriert jedoch möglicherweise einige wichtige Einschränkungen. Für einen Stromnetzbetreiber könnte dies zu Problemen wie unsicheren Spannungsniveaus oder sogar Netzausfällen führen.
„Modelle für maschinelles Lernen haben aufgrund der vielen Fehler, die während des Trainingsprozesses auftreten, Schwierigkeiten, alle Einschränkungen zu erfüllen“, erklärt Nguyen.
Für FSNet kombinierten die Forscher das Beste aus beiden Ansätzen in einem zweistufigen Problemlösungsrahmen.
Fokus auf Machbarkeit
Im ersten Schritt sagt ein neuronales Netzwerk eine Lösung des Optimierungsproblems voraus. Sehr lose inspiriert von Neuronen im menschlichen Gehirn, neuronale Netze sind Deep-Studying-Modelle, die sich durch die Erkennung von Mustern in Daten auszeichnen.
Als nächstes führt ein herkömmlicher Löser, der in FSNet integriert wurde, einen Schritt zur Machbarkeitsprüfung durch. Dieser Optimierungsalgorithmus verfeinert die anfängliche Vorhersage iterativ und stellt gleichzeitig sicher, dass die Lösung keine Einschränkungen verletzt.
Da der Schritt der Machbarkeitssuche auf einem mathematischen Modell des Issues basiert, kann er garantieren, dass die Lösung einsetzbar ist.
„Dieser Schritt ist sehr wichtig. Bei FSNet können wir die strengen Garantien erhalten, die wir in der Praxis benötigen“, sagt Hoang.
Die Forscher haben FSNet so konzipiert, dass es beide Haupttypen von Einschränkungen (Gleichheit und Ungleichheit) gleichzeitig berücksichtigt. Dies macht es einfacher zu verwenden als andere Ansätze, die möglicherweise eine individuelle Anpassung des neuronalen Netzwerks oder eine separate Lösung für jede Artwork von Einschränkung erfordern.
„Hier können Sie einfach Plug-and-Play mit verschiedenen Optimierungslösern durchführen“, sagt Donti.
Indem sie anders darüber nachdachten, wie das neuronale Netzwerk komplexe Optimierungsprobleme löst, konnten die Forscher eine neue Technik erschließen, die besser funktioniert, fügt sie hinzu.
Sie verglichen FSNet mit herkömmlichen Lösern und rein maschinellen Lernansätzen für eine Reihe anspruchsvoller Probleme, darunter die Optimierung des Stromnetzes. Ihr System verkürzte die Lösungszeiten im Vergleich zu den Basisansätzen um Größenordnungen und respektierte dabei alle Problembeschränkungen.
FSNet hat auch bessere Lösungen für einige der schwierigsten Probleme gefunden.
„Das struggle zwar überraschend für uns, macht aber durchaus Sinn. Unser neuronales Netzwerk kann selbst eine zusätzliche Struktur in den Daten herausfinden, für deren Ausnutzung der ursprüngliche Optimierungslöser nicht konzipiert struggle“, erklärt Donti.
In Zukunft wollen die Forscher FSNet weniger speicherintensiv machen, effizientere Optimierungsalgorithmen einbauen und es skalieren, um realistischere Probleme anzugehen.
„Lösungen für anspruchsvolle Optimierungsprobleme zu finden, die machbar sind, ist von größter Bedeutung für die Suche nach solchen, die nahezu optimum sind. Insbesondere für physische Systeme wie Stromnetze bedeutet nahezu optimum nichts ohne Machbarkeit. Diese Arbeit stellt einen wichtigen Schritt dar, um sicherzustellen, dass Deep-Studying-Modelle Vorhersagen erstellen können, die Einschränkungen erfüllen, mit expliziten Garantien für die Durchsetzung von Einschränkungen“, sagt Kyri Baker, außerordentliche Professorin an der College of Colorado Boulder, die nicht an dieser Arbeit beteiligt struggle.
„Eine anhaltende Herausforderung für die auf maschinellem Lernen basierende Optimierung ist die Durchführbarkeit. Diese Arbeit verbindet auf elegante Weise Finish-to-Finish-Lernen mit einem ausgefeilten Verfahren zur Suche nach Durchführbarkeit, das Gleichheits- und Ungleichheitsverletzungen minimiert. Die Ergebnisse sind sehr vielversprechend und ich bin gespannt, wohin diese Forschung führen wird“, fügt Ferdinando Fioretto hinzu, Assistenzprofessor an der College of Virginia, der nicht an dieser Arbeit beteiligt struggle.