El sistema FSNet, desarrollado en el MIT, podría ayudar a los operadores de redes eléctricas a encontrar rápidamente soluciones viables para optimizar el flujo de electricidad.
Gestionar una red eléctrica es como intentar resolver un rompecabezas enorme.
Los operadores de la red eléctrica deben garantizar que la cantidad adecuada de energía fluya a las zonas correctas en el momento exacto en que se necesita, y deben hacerlo de forma que se minimicen los costes sin sobrecargar la infraestructura física. Además, deben resolver este complejo problema de forma continua, con la mayor rapidez posible, para satisfacer una demanda en constante cambio.
Para ayudar a resolver este problema recurrente, investigadores del MIT desarrollaron una herramienta que encuentra la solución óptima mucho más rápido que los métodos tradicionales, garantizando que dicha solución no infrinja ninguna de las restricciones del sistema. En una red eléctrica, las restricciones podrían ser, por ejemplo, la capacidad de los generadores y de las líneas.
Esta nueva herramienta incorpora un paso de búsqueda de viabilidad en un potente modelo de aprendizaje automático entrenado para resolver el problema. El paso de búsqueda de viabilidad utiliza la predicción del modelo como punto de partida, refinando iterativamente la solución hasta encontrar la mejor respuesta posible.
El sistema del MIT puede resolver problemas complejos varias veces más rápido que los métodos tradicionales, ofreciendo además sólidas garantías de éxito. Para algunos problemas extremadamente complejos, incluso podría encontrar mejores soluciones que las herramientas convencionales. Esta técnica también superó a los enfoques de aprendizaje automático puro, que si bien son rápidos, no siempre logran encontrar soluciones viables.
Además de ayudar a programar la producción de energía en una red eléctrica, esta nueva herramienta podría aplicarse a muchos tipos de problemas complejos, como el diseño de nuevos productos, la gestión de carteras de inversión o la planificación de la producción para satisfacer la demanda de los consumidores.
“Para resolver adecuadamente estos problemas especialmente complejos, necesitamos combinar herramientas de aprendizaje automático, optimización e ingeniería eléctrica para desarrollar métodos que logren el equilibrio adecuado entre aportar valor al dominio y cumplir con sus requisitos. Hay que analizar las necesidades de la aplicación y diseñar métodos que realmente las satisfagan”, afirma Priya Donti, profesora titular de la Cátedra de Desarrollo Profesional de la Familia Silverman en el Departamento de Ingeniería Eléctrica e Informática (EECS) e investigadora principal en el Laboratorio de Sistemas de Información y Decisión (LIDS).
Donti, autor principal de un artículo de acceso abierto sobre esta nueva herramienta, llamada FSNet , colabora con el autor principal, Hoang Nguyen, estudiante de posgrado en Ingeniería Eléctrica e Informática. El artículo se presentará en la Conferencia sobre Sistemas de Procesamiento de Información Neuronal.
Combinando enfoques
Garantizar un flujo de energía óptimo en una red eléctrica es un problema extremadamente difícil que cada vez resulta más complicado de resolver rápidamente para los operadores.
“A medida que intentamos integrar más energías renovables a la red, los operadores deben lidiar con el hecho de que la cantidad de generación de energía variará de un momento a otro. Al mismo tiempo, hay muchos más dispositivos distribuidos que coordinar”, explica Donti.
Los operadores de redes suelen recurrir a solucionadores tradicionales, que ofrecen garantías matemáticas de que la solución óptima no infringe ninguna restricción del problema. Sin embargo, estas herramientas pueden tardar horas o incluso días en llegar a dicha solución si el problema es especialmente complejo.
Por otro lado, los modelos de aprendizaje profundo pueden resolver incluso problemas muy complejos en mucho menos tiempo, pero la solución podría ignorar algunas restricciones importantes. Para un operador de la red eléctrica, esto podría ocasionar problemas como niveles de tensión inseguros o incluso apagones.
“Los modelos de aprendizaje automático tienen dificultades para satisfacer todas las restricciones debido a los numerosos errores que se producen durante el proceso de entrenamiento”, explica Nguyen.
Para FSNet, los investigadores combinaron lo mejor de ambos enfoques en un marco de resolución de problemas de dos pasos.
Centrándonos en la viabilidad
En el primer paso, una red neuronal predice una solución al problema de optimización. Inspiradas libremente en las neuronas del cerebro humano, las redes neuronales son modelos de aprendizaje profundo que destacan por su capacidad para reconocer patrones en los datos.
A continuación, un solucionador tradicional incorporado a FSNet realiza una fase de búsqueda de factibilidad. Este algoritmo de optimización refina iterativamente la predicción inicial, asegurando que la solución no infrinja ninguna restricción.
Dado que la fase de búsqueda de viabilidad se basa en un modelo matemático del problema, puede garantizar que la solución sea implementable.
“Este paso es muy importante. En FSNet, podemos tener las garantías rigurosas que necesitamos en la práctica”, dice Hoang.
Los investigadores diseñaron FSNet para abordar simultáneamente los dos tipos principales de restricciones (igualdad y desigualdad). Esto facilita su uso en comparación con otros enfoques que pueden requerir la personalización de la red neuronal o la resolución de cada tipo de restricción por separado.
“Aquí, simplemente puedes conectar y usar diferentes solucionadores de optimización”, dice Donti.
Al replantearse la forma en que la red neuronal resuelve problemas complejos de optimización, los investigadores lograron descubrir una nueva técnica que funciona mejor, añade.
Compararon FSNet con solucionadores tradicionales y enfoques de aprendizaje automático puro en una variedad de problemas complejos, incluida la optimización de redes eléctricas. Su sistema redujo los tiempos de resolución drásticamente en comparación con los enfoques de referencia, respetando todas las restricciones del problema.
FSNet también encontró mejores soluciones a algunos de los problemas más complicados.
“Aunque esto nos sorprendió, tiene sentido. Nuestra red neuronal puede descubrir por sí misma alguna estructura adicional en los datos que el solucionador de optimización original no estaba diseñado para explotar”, explica Donti.
En el futuro, los investigadores quieren que FSNet consuma menos memoria, incorporar algoritmos de optimización más eficientes y ampliar su escala para abordar problemas más realistas.
“Encontrar soluciones factibles a problemas de optimización complejos es fundamental para hallar soluciones casi óptimas. En particular, para sistemas físicos como las redes eléctricas, la casi óptimaidad no significa nada sin factibilidad. Este trabajo representa un avance importante para garantizar que los modelos de aprendizaje profundo puedan generar predicciones que satisfagan las restricciones, con garantías explícitas sobre su cumplimiento”, afirma Kyri Baker, profesora asociada de la Universidad de Colorado Boulder, quien no participó en este estudio.
«Un desafío constante para la optimización basada en aprendizaje automático es la factibilidad. Este trabajo combina de forma elegante el aprendizaje de extremo a extremo con un procedimiento de búsqueda de factibilidad desplegado que minimiza las violaciones de igualdad y desigualdad. Los resultados son muy prometedores y estoy deseando ver hacia dónde se dirige esta investigación», añade Ferdinando Fioretto, profesor adjunto de la Universidad de Virginia, quien no participó en este trabajo.
MIT News. A. Z. Traducido al español
