Stage PFE - utilisation de graph neural networks pour l'amélioration du plan de tension du réseau électrique - F/H

Lieu : La Défense (92)

Durée de stage : 6 mois

L'intégration croissante des énergies renouvelables et les nouveaux usages de l'électricité ont profondément changé la façon dont les flux d'électricité sont répartis sur le réseau de transport d'électricité, rendant les décisions des opérateurs plus difficiles. Les méthodes traditionnelles d'optimisation n'étant pas assez rapides, le département R&D de RTE explore l'apprentissage profond pour proposer des actions en temps réel. En raison de la variabilité de la structure de graphe du réseau (ouverture de lignes, consignations d'ouvrages, constructions de nouveaux projets...), nous utilisons des graphs dont la topologie varie et sur lesquels nous appliquons des Graph Neural Networks (GNN).

Depuis plus de deux ans, nous développons une méthode d'apprentissage non supervisée visant à améliorer le plan de tensions par les GNN (des tensions trop hautes endommagent le matériel, tandis que des tensions trop basses engendrent des black-out).Bien que les résultats soient prometteurs, plusieurs étapes restent à franchir avant de parvenir à un prototype opérationnel.

En tant que stagiaire vous serez intégré(e) au sein d'un groupe de recherche du pôle Pilotage du réseau, spécialisé dans les GNN appliqués au réseau électrique, dont l'expertise s'étend de la théorie, à l'implémentation et à l'industrialisation.

Missions

• S'approprier le pipeline existant d'apprentissage des GNN pour l'opération du réseau électrique, ainsi que la définition du problème du réglage tertiaire de la tension

• Estimer les performances et la sécurité des modèles appris

• Mettre en place des indicateurs de la qualité et de la sécurité des actions proposées

• Proposer des couches de correction des actions en post-traitement.

• Analyser finement le comportement appris par les modèles.

• Améliorer les performances des modèles appris.

• Faire un état de l'art des Neural Ordinary Differential Equations et des Deep Equilibrium Models.

• Implémenter et tester différents schémas d'intégration pour le NODE.

• Implémenter un DEQ et comparer les différentes méthodes de résolution.