IEEE Power & Energy Magazine - Spanish - May/June 2022 - 49

Si la frecuencia es un dato de salida de las redes neuronales,
podemos calcular, por ejemplo, la derivada de la frecuencia
en el tiempo dentro del entrenamiento de la red. Esto nos
permite incluir ecuaciones diferenciales, como la ecuación
de oscilación, dentro del entrenamiento de la red neuronal
para llevar al procedimiento de entrenamiento hacia una red
neuronal en la que la frecuencia (que es un dato de salida de
la red neuronal) y su derivada validen la ecuación de oscilación.
Este requerimiento adicional nos dirige a una mejor
aproximación a las verdaderas funciones.
La figura 7 (líneas negras discontinuas) muestra las derivadas
en puntos seleccionados. Hablando de manera intuitiva,
al sumar las ecuaciones físicas al entrenamiento de la
red neuronal, la predicción de la red debe cruzar un punto de
datos (punto negro) y crear una trayectoria que se ajuste a la
" forma " de su entorno. La figura 7(b) y (c) evidencian cómo
ajusta la red neuronal sus parámetros para que las derivadas
de la trayectoria prevista se pueda ajustar a lo que dictan las
ecuaciones diferenciales que describen el sistema.
Las redes neuronales informadas por la física pueden
generar mejores predicciones al mismo tiempo que requieren
una menor cantidad de datos de entrenamiento. Esto puede
eliminar importantes barreras. En lugar de crear enormes
bases de datos de entrenamiento mediante el muestreo aleatorio
de miles de trayectorias para entrenar una red con la
suficiente precisión, ahora podemos incluir directamente las
ecuaciones rectoras en el proceso de entrenamiento y dejar
que la red neuronal se entrene hasta que minimice el error
de predicción.
¿A dónde nos conduce esto?
Las dos direcciones que presentamos, la verificación de la
red neuronal y las redes neuronales informadas por la física,
buscan generar confianza en los operadores de la red, los
servicios públicos y otros usuarios potenciales y mejorar el
rendimiento de la red al mismo tiempo que se requiere una
menor cantidad de datos. Eliminan la barrera más importante
en lo que refiere a las operaciones fundamentales para
la seguridad de los sistemas de energía: las herramientas de
AA ya no deben considerarse una caja negra, sino que se
puede confiar en ellas. Estos métodos también pueden ayudar
a desarrollar abordajes sistemáticos que identifiquen
regiones en las que la red neuronal evidencia un rendimiento
insatisfactorio
para
luego mejorarlo
sistemáticamente
mediante más entrenamiento.
Todavía se requieren muchos pasos hasta que se implementen
las herramientas de AA en la sala de control. Por
ejemplo, es necesario desarrollar los algoritmos escalables
que se puedan aplicar a redes neuronales y redes eléctricas
enormes. Se requiere conocimiento sobre los sistemas eléctricos,
investigación sobre las operaciones y AA para generar
algoritmos de nivel de producción. Una vez que se logre
esto, ganarse la confianza de los operadores del sistema será
un paso decisivo hacia la implementación más extendida de
algoritmos de AA en los sistemas de energía. Esto incluye
mayo/junio de 2022
operaciones fundamentales para la seguridad, en las que el
AA puede acelerar drásticamente la velocidad de cálculo y
permitir el manejo de millones de aparatos controlables y
dispositivos conectados al convertidor.
Lecturas complementarias
A. Venzke y S. Chatzivasileiadis, " Verification of neural
network behaviour: Formal guarantees for power system
applications " (Verificación del comportamiento de las redes
neuronales: garantías formales para las aplicaciones al sistema
eléctrico), IEEE Trans. Smart Grid, vol. 12, n.° 1, págs.
383-397, enero de 2021, doi:10.1109/TSG.2020.3009401.
A. Venzke, G. Qu, S. Low y S. Chatzivasileiadis, " Learning
optimal power flow: Worst-case guarantees for neural
networks " (Conocer el flujo de energía óptimo: peores garantías
para las redes neuronales), en Proc. 2020 IEEE Int.
Conf. Commun., Control, Comput. Technol. Smart Grids
(SmartGridComm), págs. 1-7, doi: 10.1109/SmartGridComm47815.2020.9302963.
G.
S. Misyris, A. Venzke y S. Chatzivasileiadis, " Physics-informed
neural networks for power systems " (Redes
neuronales informadas por la física para sistemas eléctricos),
2020, in Proc. Reunión General de la Power &
Energy Society del IEEE, 2020, págs. 1-5, doi: 10.1109/
PESGM41954.2020.9282004.
L. Duchesne, E. Karangelos y L. Wehenkel, " Recent developments
in machine learning for energy systems reliability
management " (Avances recientes en el aprendizaje automático
para el manejo de la confiabilidad de los sistemas de
energía), Proc. IEEE, vol. 108, n.º 9, págs. 1656-1676, 2020.
doi:10.1109/JPROC.2020.2988715.
V. Tjeng, K. Xiao y R. Tedrake, " Evaluating robustness
of neural networks with mixed integer programming " (Evaluación
de la robustez de las redes neuronales con programación
íntegra combinada), 2017, arXiv:1711.07356.
M. Raissi, P. Perdikaris y G. E. Karniadakis, " Physics-informed
neural networks: A deep learning framework for
solving forward and inverse problems involving non-linear
partial differential equations " (Redes neuronales informadas
por la física: un marco de aprendizaje profundo para
resolver problemas futuros e inversos que involucran ecuaciones
diferenciales parciales no lineales), J. Comput. Phys.,
vol. 378, págs. 686-707, febrero de 2019, doi: 10.1016/j.
jcp.2018.10.045.
Biografías
Spyros Chatzivasileiadis pertenece a la Universidad Técnica
de Dinamarca, Kongens Lyngby, 2800, Dinamarca.
Andreas Venzke pertenecía a la Universidad Técnica de
Dinamarca, Kongens Lyngby, 2800, Dinamarca.
Jochen Stiasny pertenece a la Universidad Técnica de
Dinamarca, Kongens Lyngby, 2800, Dinamarca.
Georgios Misyris pertenecía a la Universidad Técnica de
Dinamarca, Kongens Lyngby, 2800, Dinamarca.
p&e
ieee power & energy magazine
49
IEEE Power & Energy Magazine - Spanish - May/June 2022

Table of Contents for the Digital Edition of IEEE Power & Energy Magazine - Spanish - May/June 2022
