Deep statistical solvers & power systems applications - Inria - Institut national de recherche en sciences et technologies du numérique Access content directly
Theses Year : 2022

Deep statistical solvers & power systems applications

Solveurs statistiques profonds & applications au réseau électrique

Abstract

Facing with the growing integration of intermittent renewable energies and disruptive market mechanisms, power systems are experiencing profound changes. To overcome this increasing complexity, RTE, the French Transmission System Operator, is investigating the use of methods arising from the Deep Learning literature. Topological changes (which affect the way power lines are interconnected) occur multiple times a day, and should thus be taken into account by the considered neural network architecture, which is made possible by Graph Neural Networks (GNNs). After having proven the ability of GNNs to imitate a power grid simulator, this PhD thesis develops an approach that aims at "learning to optimize" in an unsupervised fashion. A GNN is thus trained by direct minimization of physical laws, and not by imitation. This work is further elaborated by a theoretical analysis, and then extended to a bilevel optimization problem which requires the use of two distinct GNN models, one of them playing the role of an operator, while the other emulates physics.
Confrontés à l'intégration croissante d'énergies renouvelables intermittentes et à de nouveaux mécanismes de marché, les réseaux électriques sont dans une phase de mutation profonde. Ainsi, face à une complexité croissante, RTE, le gestionnaire du réseau de transport d'électricité français, étudie les opportunités offertes par les méthodes issues du Deep Learning. Les changements de topologie (façon dont les lignes sont interconnectées) étant quotidiens, il est essentiel de permettre aux réseaux de neurones de prendre en compte la structure des données, ce qui est rendu possible par l'utilisation de Graph Neural Networks (GNNs). Après avoir démontré la capacité des GNNs à imiter un simulateur physique du réseau électrique, cette thèse développe une approche qui vise à "apprendre à optimiser" de façon non-supervisée. Un GNN est ainsi appris par minimisation directe des lois physiques, plutôt que par imitation. L'approche est par la suite étayée d'une analyse théorique, puis étendue à un problème d'optimisation à deux niveaux qui repose sur l'emploi de deux GNNs distincts, l'un d'entre eux jouant le rôle d'un opérateur, et l'autre émulant les lois physiques.
Fichier principal
Vignette du fichier
105635_DONON_2022_archivage.pdf (9.51 Mo) Télécharger le fichier
Origin Version validated by the jury (STAR)

Dates and versions

tel-03624628 , version 1 (30-03-2022)

Identifiers

  • HAL Id : tel-03624628 , version 1

Cite

Balthazar Donon. Deep statistical solvers & power systems applications. Artificial Intelligence [cs.AI]. Université Paris-Saclay, 2022. English. ⟨NNT : 2022UPASG016⟩. ⟨tel-03624628⟩
514 View
414 Download

Share

Gmail Mastodon Facebook X LinkedIn More