Benjamin Donnot

Méthode d'apprentissage profond (deep learning) pour prévoir les flux dans les réseaux de transports d'électricité : nouvelles architectures et algorithmes: Cette thèse porte sur les problèmes de sécurité sur le réseau électrique français exploité par RTE, le Gestionnaire de Réseau de Transport (GRT). Les progrès en matière d'énergie durable, d'efficacité du marché de l'électricité ou de nouveaux modes de consommation poussent les GRT à exploiter le réseau plus près de ses limites de sécurité. Pour ce faire, il est essentiel de rendre le réseau plus "intelligent". Pour s'attaquer à ce problème, ce travail explore les avantages des réseaux neuronaux artificiels. Nous proposons de nouveaux algorithmes et architectures d'apprentissage profond pour aider les opérateurs humains (dispatcheurs) à prendre des décisions que nous appelons " guided dropout ". Ceci permet de prévoir les flux électriques consécutifs à une modification volontaire ou accidentelle du réseau. Pour se faire, les données continues (productions et consommations) sont introduites de manière standard, via une couche d'entrée au réseau neuronal, tandis que les données discrètes (topologies du réseau électrique) sont encodées directement dans l'architecture réseau neuronal. L’architecture est modifiée dynamiquement en fonction de la topologie du réseau électrique en activant ou désactivant des unités cachées. Le principal avantage de cette technique réside dans sa capacité à prédire les flux même pour des topologies de réseau inédites. Le "guided dropout" atteint une précision élevée (jusqu'à 99% de précision pour les prévisions de débit) tout en allant 300 fois plus vite que des simulateurs de grille physiques basés sur les lois de Kirchoff, même pour des topologies jamais vues, sans connaissance détaillée de la structure de la grille. Nous avons également montré que le "guided dropout" peut être utilisé pour classer par ordre de gravité des évènements pouvant survenir. Dans cette application, nous avons démontré que notre algorithme permet d'obtenir le même risque que les politiques actuellement mises en œuvre tout en n'exigeant que 2 % du budget informatique. Le classement reste pertinent, même pour des cas de réseau jamais vus auparavant, et peut être utilisé pour avoir une estimation globale de la sécurité globale du réseau électrique.

Flexible grid topology has become a key enabler of flexibility in modern power grids, particularly for congestion management. Studying the effects of combinatorial topological changes is therefore of significant interest, though this remains computationally intensive in most cases. To address this, we revisit the superposition theorem, which has served as the foundation for the decomposition of numerous power system problems over the past decades, particularly those involving changes in generation and loads. However, its application has traditionally been restricted to fixed grid topologies, breaking down as soon as a topological change occurs. In this paper, we extend the superposition theorem to accommodate varying grid topologies by leveraging well-known distribution factors. This unified framework applies to all types of topological changes, including line disconnection and reconnection, as well as bus splitting and merging. We provide numerical experiments to validate our approach and highlight its advantages in terms of speed-up and interpretability. Finally, we demonstrate its application in two key use cases: remedial action search and updated security analysis following a topological change. Our results show more than an order-of-magnitude speed-up for real-sized grids compared to the fastest power flow solvers.

High penetration of distributed energy resources (DERs) changes the flows in power grids causing thermal congestions which are managed by real-time corrective topology switching. It is crucial to consider voltage stability margin (VSM) as a constraint when modifying grid topology. However, it is nontrivial to exhaustively search using AC power flow (ACPF) for all control actions with desired VSM. Sensitivity methods are used to solve this issue of “power flow-free VSM estimation” to screen candidate control actions. However, due to the volatile nature of DERs, sensitivity methods do not perform well near nonlinear operating regions which is overcome by solving ACPF. Here, we propose a new VSM estimation method that performs well at nonlinear operating regions without solving ACPF. We achieve this by formulating the learning of graph neural networks like the matrix-free power flow algorithms. We empirically demonstrate how this similarity bypasses the inaccuracy issues and performs well on unseen operating conditions and topologies without further re-training. The effectiveness is demonstrated on a power network with realistic load and generation profiles, various generation mix, and large control actions. The benefits are showcased in terms of speed, reliability to identify insecure controls, and adaptability to unseen scenarios and grid topologies.