Investigadores del MIT han desarrollado FSNet, una herramienta que optimiza la gestión de redes eléctricas, encontrando soluciones viables más rápidamente que los métodos tradicionales, mejorando la eficiencia en la producción de energía.
Gestionar una red eléctrica es comparable a resolver un enorme rompecabezas. Los operadores de la red deben asegurarse de que la cantidad adecuada de energía fluya hacia las áreas correctas en el momento preciso, minimizando costos y evitando sobrecargas en la infraestructura física. Este complejo desafío debe resolverse repetidamente y con rapidez para adaptarse a la demanda cambiante.
Con el objetivo de abordar esta problemática constante, investigadores del MIT han desarrollado una herramienta de resolución de problemas que encuentra soluciones óptimas mucho más rápido que los métodos tradicionales, garantizando al mismo tiempo que las soluciones no infrinjan ninguna de las restricciones del sistema. En el contexto de una red eléctrica, estas restricciones pueden incluir la capacidad de generadores y líneas.
La nueva herramienta incorpora un paso de búsqueda de viabilidad dentro de un potente modelo de aprendizaje automático diseñado para resolver este tipo de problemas. Este paso utiliza la predicción del modelo como punto de partida, refinando iterativamente la solución hasta alcanzar la mejor respuesta posible.
El sistema del MIT es capaz de desentrañar problemas complejos varias veces más rápido que los solucionadores tradicionales, ofreciendo garantías sólidas de éxito. Para algunos problemas extremadamente complejos, puede encontrar mejores soluciones que las herramientas convencionales. Además, esta técnica superó enfoques puramente basados en aprendizaje automático, que aunque son veloces, no siempre logran encontrar soluciones viables.
Aparte de su aplicación en la programación de producción eléctrica, esta novedosa herramienta podría ser utilizada en diversos problemas complicados, como el diseño de nuevos productos, la gestión de carteras de inversión o la planificación productiva para satisfacer la demanda del consumidor.
“Resolver estos problemas especialmente difíciles requiere combinar herramientas del aprendizaje automático, optimización e ingeniería eléctrica para desarrollar métodos que logren los equilibrios adecuados entre ofrecer valor al dominio y cumplir con sus requisitos”, afirma Priya Donti, profesora del Departamento de Ingeniería Eléctrica y Ciencias de la Computación (EECS) y principal investigadora en el Laboratorio para Sistemas de Información y Decisión (LIDS).
Donti, autora principal de un artículo accesible sobre esta nueva herramienta llamada FSNet, está acompañada por el autor principal Hoang Nguyen, estudiante graduado en EECS. El artículo se presentará en la Conferencia sobre Sistemas Neurales y Procesamiento de Información.
Asegurar un flujo óptimo de energía en una red eléctrica es un problema extremadamente complicado que se vuelve cada vez más difícil para los operadores. “A medida que intentamos integrar más fuentes renovables a la red, los operadores deben lidiar con variaciones momentáneas en la generación energética. Al mismo tiempo, hay muchos más dispositivos distribuidos que coordinar”, explica Donti.
Los operadores suelen depender de solucionadores tradicionales que ofrecen garantías matemáticas sobre el cumplimiento de las restricciones del problema. Sin embargo, estos métodos pueden tardar horas o incluso días en llegar a una solución si el problema es especialmente complicado.
Por otro lado, los modelos basados en aprendizaje profundo pueden resolver problemas difíciles en una fracción del tiempo, pero sus soluciones podrían ignorar algunas restricciones importantes. Para un operador eléctrico, esto podría resultar en niveles peligrosos de voltaje o incluso apagones.
“Los modelos de aprendizaje automático tienen dificultades para satisfacer todas las restricciones debido a los numerosos errores que ocurren durante el proceso de entrenamiento”, señala Nguyen.
Para FSNet, los investigadores combinaron lo mejor de ambos enfoques dentro de un marco híbrido para resolver problemas en dos pasos. En primer lugar, una red neuronal predice una solución al problema de optimización; inspiradas muy libremente por neuronas humanas, estas redes son modelos profundos que destacan en el reconocimiento patrones dentro de datos.
A continuación, un solucionador tradicional integrado en FSNet lleva a cabo un paso orientado a buscar viabilidad. Este algoritmo optimizador refina iterativamente la predicción inicial mientras asegura que no se infrinjan restricciones alguna.
Dado que este paso se basa en un modelo matemático del problema, puede garantizar que la solución sea aplicable. “Este paso es muy importante; con FSNet podemos tener las garantías rigurosas necesarias en la práctica”, añade Hoang.
Los investigadores diseñaron FSNet para abordar simultáneamente ambos tipos principales de restricciones (igualdad y desigualdad), lo cual facilita su uso frente a otros enfoques que pueden requerir personalizar la red neuronal o resolver cada tipo por separado. “Aquí puedes simplemente conectar diferentes solucionadores optimizadores”, concluye Donti.
A través de un enfoque innovador sobre cómo las redes neuronales abordan problemas complejos de optimización, los investigadores desbloquearon una nueva técnica más eficiente. Compararon FSNet con solucionadores tradicionales y enfoques puramente basados en aprendizaje automático sobre una variedad amplia de problemas desafiantes, incluyendo optimización energética. Su sistema redujo significativamente los tiempos necesarios para resolverlos mientras cumplía todas las restricciones planteadas.
Además, FSNet logró encontrar mejores soluciones ante algunos problemas particularmente difíciles. “Aunque esto nos sorprendió, tiene sentido: nuestra red neuronal puede identificar estructuras adicionales dentro de los datos que el solucionador original no estaba diseñado para explotar”, explica Donti.
De cara al futuro, los investigadores buscan hacer FSNet menos intensivo en memoria e incorporar algoritmos optimizadores más eficientes para escalarlo hacia problemas más realistas. “Encontrar soluciones viables a problemas desafiantes es fundamental para hallar aquellas cercanas a lo óptimo; especialmente para sistemas físicos como las redes eléctricas”, concluye Kyri Baker, profesor asociado en la Universidad Estatal de Colorado Boulder y quien no participó directamente en este trabajo.