Upravljanje električnom mrežom je kao rješavanje ogromnog zagonetnoga. Operateri mreže moraju osigurati da se točna količina energije dostavlja na pravo mjesto u točno vrijeme kada je potrebna, a to moraju učiniti na način koji minimizira troškove bez preopterećivanja fizičke infrastrukture. Još važnije, moraju rješiti ovaj složeni problem ponavljano, što je moguće brže, kako bi zadovoljili stalno mijenjajuću potražnju.
Da bi pomogli rješiti ovaj konstantni problem, istraživači s MIT-a razvili su alat za rješavanje problema koji pronalazi optimalno rješenje mnogo brže od tradicionalnih pristupa dok osigurava da rješenje ne krši nijednu od ograničenja sustava. U električnoj mreži ograničenja mogu biti stvari poput kapaciteta generatora i linija.
Ovaj novi alat uključuje korak traženja ispunjivosti u moćan model strojnog učenja treniran za rješavanje problema. Korak traženja ispunjivosti koristi predviđanje modela kao početnu točku, iterativno usavršavajući rješenje dok ne pronađe najbolje dostignuto odgovor.
Sustav MIT-a može razriješiti složene probleme nekoliko puta brže od tradicionalnih rješavača, dok pruža jake garancije uspjeha. Za neke ekstremno složene probleme, mogao bi pronaći bolja rješenja od isprobavanih alata. Tehnika također nadmašuje čista pristupa strojnog učenja, koja su brza, ali ne mogu uvijek pronaći ispunjiva rješenja.
Osim pomoći u planiranju proizvodnje energije u električnoj mreži, ovaj novi alat može se primijeniti na mnoge vrste složenih problema, kao što su dizajniranje novih proizvoda, upravljanje investicijskim portfeljima ili planiranje proizvodnje kako bi zadovoljili potražnju potrošača.
“Rješavanje ovih posebno trnjastih problema dobro zahtijeva da kombiniramo alate iz strojnog učenja, optimizacije i elektrotehnike kako bismo razvili metode koje pronalaze prave kompromise u pogledu pružanja vrijednosti domeni, dok istovremeno zadovoljavaju njene zahtjeve. Morate gledati na potrebe aplikacije i dizajnirati metode na način koji zapravo ispunjava te potrebe,” kaže Priya Donti, Silverman Family Career Development Professor u Odjelu za elektrotehniku i računarstvo (EECS) i glavni istraživač u Laboratoriju za informacije i odluke (LIDS).
Donti, senior autor otvorenog pristupa članka o ovom novom alatu, nazvanom FSNet, pridružuje se voditelju autoru Hoang Nguyen, studentu diplomskog studija EECS. Članak će biti predstavljen na Konferenciji o obradi informacija putem neuronskih mreža.
Složeni problem optimalnog protoka energije u električnoj mreži
Optimalni protok energije u električnoj mreži je ekstremno teški problem koji postaje sve teži za operatere da ga brzo riješe.
“Kako pokušavamo integrirati više obnovljivih izvora u mrežu, operateri moraju imati na umu da će količina proizvodnje energije varirati moment do momenta. Istovremeno, postoji puno više raspodijeljenih uređaja za koordinaciju,” objašnjava Donti.
Operateri mreže često se oslanjaju na tradicionalne rješavače, koji pružaju matematičke garancije da optimalno rješenje ne krši nijedno ograničenje problema. Ali ovi alati mogu potrajati sate ili čak dani da dođu do tog rješenja ako je problem posebno kompliciran.
S druge strane, modeli dubokog učenja mogu riješiti čak i vrlo teške probleme u frakciji vremena, ali rješenje može zanemariti neke važne ograničenja. Za operatera električne mreže, to bi moglo rezultirati problemima kao što su nesigurni nivoi napona ili čak prekidi u radu mreže.
“Modeli dubokog učenja često ne uspijevaju zadovoljiti sva ograničenja zbog mnogih pogrešaka koji se javljaju tijekom procesa treniranja,” objašnjava Nguyen.
Za FSNet, istraživači su kombinirali najbolje od oba pristupa u dvostupanjski okvir za rješavanje problema.
Koraci FSNet-a
U prvom koraku, neuronska mreža predviđa rješenje optimizacijskog problema. Veoma slabo inspirirana neuronima u ljudskom mozgu, neuronske mreže su modeli dubokog učenja koji se ističu u prepoznavanju uzoraka u podacima.
Nakon toga, tradicionalni rješavač koji je uključen u FSNet izvodi korak traženja ispunjivosti. Ovaj algoritam optimizacije iterativno usavršava početno predviđanje dok osigurava da rješenje ne krši nijedno ograničenje.
“Ovaj korak je vrlo važan. U FSNet-u možemo imati stroge garancije koje nam trebaju u praksi,” kaže Hoang.
Istraživači su dizajnirali FSNet da istovremeno adresira oba glavna tipa ograničenja (jednakosti i nejednakosti). To ga čini lakšim za upotrebu nego drugi pristupi koji možda zahtijevaju prilagođavanje neuronske mreže ili rješavanje za svaki tip ograničenja zasebno.
“Ovdje možete samo priključiti i odabrati,” kaže Donti.
Primjena FSNet-a
FSNet je dizajniran da se primijeni na širok spektar problema, od upravljanja električnim mrežama do optimizacije logistike. Istraživači su testirali FSNet na nekoliko različitih problema i uspješno su ga primijenili na sve.
“FSNet je pokazao izvanredne rezultate u svim testiranim scenarijima,” kaže Nguyen. “Vjerujemo da će se pokazati korisnim u mnogim drugim primjenama također.”
Iako FSNet još uvijek prolazi kroz fazu istraživanja, istraživači su optimistični o njegovom potencijalu. “Vjerujemo da će FSNet postati standardni alat za rješavanje problema u mnogim industrijaima,” kaže Donti.
Zaključak
FSNet predstavlja revoluciju u načinu na koji se rješavaju složeni problemi optimizacije. Kombinacijom moći neuronskih mreža i tradicionalnih rješavača, FSNet pruža brzo i pouzdano rješenje za mnoge vrste problema. Njegova primjena može se proširiti na mnoge industrije, od energetike do logistike, i vjerovatno će postati standardni alat za rješavanje problema u budućnosti.
Česta pitanja
Kako FSNet radi?
FSNet radi u dva koraka. Prvo, neuronska mreža predviđa rješenje optimizacijskog problema. Zatim, tradicionalni rješavač izvršava korak traženja ispunjivosti, iterativno usavršavajući predviđanje dok osigurava da rješenje ne krši nijedno ograničenje.
Koliko brzo je FSNet?
FSNet može riješiti složene probleme nekoliko puta brže od tradicionalnih rješavača i modela dubokog učenja. Njegova brzina i pouzdanost čine ga izuzetnim alatom za rješavanje problema.
Može li FSNet biti primijenjen na moj problem?
FSNet je dizajniran da se primijeni na širok spektar problema, od upravljanja električnim mrežama do optimizacije logistike. Istraživači su testirali FSNet na nekoliko različitih problema i uspješno su ga primijenili na sve. Ako imate problem koji mislite da bi mogao biti rješen pomoću FSNet-a, preporučujemo da se obratite istraživačima za više informacija.
Kada će FSNet biti dostupan za upotrebu?
FSNet još uvijek prolazi kroz fazu istraživanja, ali istraživači su optimistični o njegovom potencijalu. Vjerujemo da će FSNet postati standardni alat za rješavanje problema u mnogim industrijaima u budućnosti.
