Mengelola jaringan listrik seperti mencoba memecahkan teka-teki yang sangat besar.
Operator jaringan listrik harus memastikan jumlah listrik yang tepat mengalir ke wilayah yang tepat pada waktu yang tepat ketika dibutuhkan, dan mereka harus melakukan hal ini dengan cara yang meminimalkan biaya tanpa membebani infrastruktur fisik secara berlebihan. Terlebih lagi, mereka harus menyelesaikan permasalahan rumit ini berulang kali, secepat mungkin, untuk memenuhi permintaan yang terus berubah.
Untuk membantu memecahkan teka-teki yang konsisten ini, para peneliti MIT mengembangkan alat pemecahan masalah yang menemukan solusi optimal jauh lebih cepat dibandingkan pendekatan tradisional sambil memastikan solusi tersebut tidak melanggar batasan sistem apa pun. Dalam jaringan listrik, kendala dapat berupa generator dan kapasitas saluran.
Alat baru ini menggabungkan langkah pencarian kelayakan ke dalam model pembelajaran mesin canggih yang dilatih untuk memecahkan masalah. Langkah pencarian kelayakan menggunakan prediksi model sebagai titik awal, menyempurnakan solusi secara berulang hingga menemukan jawaban terbaik yang dapat dicapai.
Sistem MIT dapat mengungkap masalah kompleks beberapa kali lebih cepat dibandingkan pemecah masalah tradisional, sekaligus memberikan jaminan keberhasilan yang kuat. Untuk beberapa masalah yang sangat kompleks, alat ini dapat menemukan solusi yang lebih baik daripada alat yang sudah terbukti benar. Teknik ini juga mengungguli pendekatan pembelajaran mesin murni, yang cepat namun tidak selalu dapat menemukan solusi yang layak.
Selain membantu menjadwalkan produksi listrik di jaringan listrik, alat baru ini dapat diterapkan pada berbagai jenis masalah rumit, seperti merancang produk baru, mengelola portofolio investasi, atau merencanakan produksi untuk memenuhi permintaan konsumen.
“Untuk mengatasi masalah-masalah sulit ini dengan baik, kita harus menggabungkan alat-alat mulai dari pembelajaran mesin, pengoptimalan, dan teknik elektro untuk mengembangkan metode yang memberikan trade-off yang tepat dalam hal memberikan nilai pada domain, sekaligus memenuhi persyaratannya. Anda harus melihat kebutuhan aplikasi dan metode desain sedemikian rupa sehingga benar-benar memenuhi kebutuhan tersebut,” kata Priya Donti, Profesor Pengembangan Karir Keluarga Silverman di Departemen Teknik Elektro dan Ilmu Komputer (EECS) dan peneliti utama di Laboratorium Sistem Informasi dan Keputusan (LIDS).
Donti, penulis senior makalah akses terbuka tentang alat baru ini, yang disebut FSNet, ditemani oleh penulis utama Hoang Nguyen, seorang mahasiswa pascasarjana EECS. Makalah ini akan dipresentasikan pada Konferensi Sistem Pemrosesan Informasi Neural.
Menggabungkan pendekatan
Memastikan aliran daya yang optimal dalam jaringan listrik adalah masalah yang sangat sulit dan semakin sulit diselesaikan oleh operator dengan cepat.
“Saat kami mencoba mengintegrasikan lebih banyak energi terbarukan ke dalam jaringan listrik, operator harus menghadapi kenyataan bahwa jumlah pembangkit listrik akan bervariasi dari waktu ke waktu. Pada saat yang sama, ada lebih banyak perangkat terdistribusi yang harus dikoordinasikan,” jelas Donti.
Operator jaringan sering kali mengandalkan pemecah masalah tradisional, yang memberikan jaminan matematis bahwa solusi optimal tidak melanggar batasan masalah apa pun. Namun alat ini bisa memakan waktu berjam-jam atau bahkan berhari-hari untuk mencapai solusi jika masalahnya sangat berbelit-belit.
Di sisi lain, model pembelajaran mendalam dapat memecahkan masalah yang sangat sulit sekalipun dalam waktu singkat, namun solusi tersebut mungkin mengabaikan beberapa kendala penting. Bagi operator jaringan listrik, hal ini dapat mengakibatkan masalah seperti tingkat tegangan yang tidak aman atau bahkan pemadaman jaringan.
“Model pembelajaran mesin kesulitan memenuhi semua kendala karena banyaknya kesalahan yang terjadi selama proses pelatihan,” jelas Nguyen.
Untuk FSNet, para peneliti menggabungkan pendekatan terbaik dari kedua pendekatan tersebut ke dalam kerangka pemecahan masalah dua langkah.
Berfokus pada kelayakan
Pada langkah pertama, jaringan saraf memprediksi solusi terhadap masalah optimasi. Sangat terinspirasi oleh neuron di otak manusia, jaringan saraf adalah model pembelajaran mendalam yang unggul dalam mengenali pola dalam data.
Selanjutnya, pemecah tradisional yang telah dimasukkan ke dalam FSNet melakukan langkah pencarian kelayakan. Algoritme pengoptimalan ini secara berulang menyempurnakan prediksi awal sambil memastikan solusi tidak melanggar batasan apa pun.
Karena langkah pencarian kelayakan didasarkan pada model matematis dari permasalahan, hal ini dapat menjamin solusi dapat diterapkan.
“Langkah ini sangat penting. Di FSNet, kami bisa mendapatkan jaminan ketat yang kami perlukan dalam praktiknya,” kata Hoang.
Para peneliti merancang FSNet untuk mengatasi kedua jenis kendala utama (kesetaraan dan ketidaksetaraan) secara bersamaan. Hal ini membuatnya lebih mudah digunakan dibandingkan pendekatan lain yang mungkin memerlukan penyesuaian jaringan saraf atau penyelesaian setiap jenis batasan secara terpisah.
“Di sini, Anda cukup plug and play dengan pemecah pengoptimalan yang berbeda,” kata Donti.
Dengan berpikir secara berbeda tentang bagaimana jaringan saraf memecahkan masalah optimasi yang kompleks, para peneliti dapat menemukan teknik baru yang bekerja lebih baik, tambahnya.
Mereka membandingkan FSNet dengan pemecah masalah tradisional dan pendekatan pembelajaran mesin murni dalam berbagai masalah yang menantang, termasuk optimalisasi jaringan listrik. Sistem mereka mempersingkat waktu penyelesaian dengan urutan besarnya dibandingkan dengan pendekatan dasar, dengan tetap menghormati semua batasan masalah.
FSNet juga menemukan solusi yang lebih baik untuk beberapa masalah tersulit.
“Meskipun hal ini mengejutkan kami, hal ini masuk akal. Jaringan saraf kami dapat menemukan sendiri beberapa struktur tambahan dalam data yang tidak dirancang untuk dieksploitasi oleh pemecah pengoptimalan asli,” jelas Donti.
Di masa depan, para peneliti ingin membuat FSNet tidak terlalu memakan memori, menggabungkan algoritma optimasi yang lebih efisien, dan meningkatkannya untuk mengatasi masalah yang lebih realistis.
“Menemukan solusi terhadap permasalahan pengoptimalan yang menantang dan layak dilakukan adalah hal terpenting dalam menemukan solusi yang mendekati optimal. Khususnya untuk sistem fisik seperti jaringan listrik, mendekati optimal tidak berarti apa-apa tanpa kelayakan. Pekerjaan ini memberikan langkah penting untuk memastikan bahwa model pembelajaran mendalam dapat menghasilkan prediksi yang memenuhi batasan, dengan jaminan eksplisit pada penegakan batasan,” kata Kyri Baker, seorang profesor di University of Colorado Boulder, yang tidak terlibat dalam pekerjaan ini.
“Tantangan yang terus-menerus untuk pengoptimalan berbasis pembelajaran mesin adalah kelayakan. Pekerjaan ini secara elegan memadukan pembelajaran end-to-end dengan prosedur pencarian kelayakan yang meminimalkan pelanggaran kesetaraan dan ketidaksetaraan. Hasilnya sangat menjanjikan dan saya menantikan arah penelitian ini,” tambah Ferdinando Fioretto, asisten profesor di Universitas Virginia, yang tidak terlibat dalam pekerjaan ini.
