Description du projet
Éliminer les obstacles aux applications d’apprentissage automatique dans les réseaux électriques
Les approches fondées sur les données permettent aux entreprises et aux services publics de mieux gérer la nature fluctuante des sources d’énergie renouvelables, ainsi que les incertitudes liées aux prévisions météorologiques et aux défaillances des composants. En comparaison avec les approches traditionnelles basées sur des modèles, celles-ci sont capables de gérer la complexité de calcul du maintien de la stabilité du réseau tout en étant 250 à 1 000 fois plus rapides. Cependant, les systèmes électriques sont des systèmes critiques pour la sécurité, et les approches fondées sur les données s’avèrent inapplicables si ces systèmes demeurent une boîte noire. Le projet VeriPhIED, financé par l’UE, présentera des méthodes fondées sur les données qui exploitent les propriétés physiques sous-jacentes des systèmes électriques. Il comprendra en particulier le développement de réseaux neuronaux vérifiables adaptés à la physique, ainsi qu’une procédure de formation des réseaux neuronaux permettant de garantir, par conception, la précision de leurs prévisions.
Objectif
Measures against global warming require disruptive changes in the electricity sector. Drastically reducing CO2 emissions involves replacing bulk generation units with millions of renewable energy sources, along with a rapid increase of electricity demand. Maintaining the stability of the system with current approaches becomes not only computationally intractable, but also extremely costly. Recently proposed data-driven methods have been shown to handle the sheer complexity and have an impressive performance, achieving higher accuracy while being 250-1000 times faster than traditional methods. However, power systems are safety-critical systems, where data-driven methods will never be applied if they remain a black-box.
This proposal removes the barriers for the application of data-driven approaches in power system problems, proposing methods that exploit the underlying physical properties of power systems. We propose the development of physics-aware verifiable neural networks and a neural network training procedure that can supply by-design guarantees of the neural network prediction accuracy. Accuracy does no longer need to be a statistical metric. Instead, our methods can supply a provable upper bound of the prediction error over the whole input space, that the power system operators can trust. We further show how neural networks can capture non-linear constraints impossible to capture before, and can reduce any non-linear optimization problem to a tractable mixed-integer linear program with verified accuracy, potentially boosting computation speed and tractability. From a power systems context, this enables us to treat power system dynamics and optimization in a unified framework that accurately captures the true feasible region, removes various approximations, and eliminates redispatching costs, saving billions of euros per year. The proposed methods naturally extend beyond power systems, finding application to a wide range of physical safety-critical systems.
Champ scientifique (EuroSciVoc)
CORDIS classe les projets avec EuroSciVoc, une taxonomie multilingue des domaines scientifiques, grâce à un processus semi-automatique basé sur des techniques TLN. Voir: https://op.europa.eu/en/web/eu-vocabularies/euroscivoc.
CORDIS classe les projets avec EuroSciVoc, une taxonomie multilingue des domaines scientifiques, grâce à un processus semi-automatique basé sur des techniques TLN. Voir: https://op.europa.eu/en/web/eu-vocabularies/euroscivoc.
- sciences naturellesinformatique et science de l'informationintelligence artificielleintelligence de calcul
Vous devez vous identifier ou vous inscrire pour utiliser cette fonction
Programme(s)
Thème(s)
Appel à propositions
(s’ouvre dans une nouvelle fenêtre) ERC-2020-STG
Voir d’autres projets de cet appelRégime de financement
ERC-STG - Starting GrantInstitution d’accueil
2800 Kongens Lyngby
Danemark