Physics-informed neural networks-based optimization for gas-powered energy systems

Abstract

La transición global hacia un paradigma energético sostenible destaca tanto la persistencia de los combustibles fósiles como el auge de las fuentes de energía renovable. En este contexto, la adopción de tecnologías basadas en turbinas de gas surge como una opción viable que minimiza el impacto ambiental al reducir las emisiones y los costos operativos. Aunque se espera que la demanda de combustibles fósiles para la generación de electricidad aumente hasta 2030, paralelamente a este evento, se prevé una inversión considerable en energía renovable, especialmente en los sectores solar y eólico. América Latina, con una notable capacidad hidroeléctrica de 340,332 MW, está a la vanguardia de los esfuerzos de mitigación de emisiones de carbono. Sin embargo, la región enfrenta desafíos, incluida la dependencia de combustibles importados y la fragilidad de su infraestructura energética.

En Colombia, la variabilidad climática impulsa la diversificación energética. La Comisión de Regulación de Energía y Gas (CREG) tiene como objetivo optimizar el transporte de gas, consciente de la limitación temporal de las reservas actuales, estimadas en solo siete años. El modelo lineal utilizado tradicionalmente por CREG, aunque efectivo para ciertos propósitos, no considera factores críticos como las variaciones de presión y el papel de las estaciones de compresión, revelando la necesidad de un modelo de optimización no lineal (NOPT). Sin embargo, los desafíos de NOPT incluyen la gestión de datos variables y mediciones ruidosas, lo que puede llevar a soluciones erróneas o subóptimas.

Este documento presenta un nuevo enfoque: la Red Neuronal Informada por la Física Regularizada (RPINN), diseñada para abordar tanto tareas de optimización supervisada como no supervisada. RPINN combina funciones de activación personalizadas y penalizaciones de regularización dentro de una arquitectura de red neuronal artificial (ANN), lo que le permite manejar la variabilidad de los datos y entradas inexactas. Incorpora principios físicos en el diseño de la red, calculando variables de optimización a partir de los pesos de la red y las características aprendidas. Además, emplea técnicas de diferenciación automática para optimizar la escalabilidad del sistema y reducir el tiempo de cálculo mediante la retropropagación por lotes.

Los resultados experimentales demuestran que RPINNes competitivo con los solucionadores de última generación para tareas de optimización supervisada y no supervisada, mostrando robustez frente a mediciones ruidosas. Este avance lo posiciona como una solución prometedora para entornos con información fluctuante, como se evidencia en los modelos de mezcla uniforme y sistemas alimentados por gas. La base ANN de RPINN no solo asegura flexibilidad y escalabilidad, sino que también destaca su potencial como una metodología robusta y efectiva en comparación con la tradicional (Texto tomado de la fuente)

The global transition towards a sustainable energy paradigm highlights both the persistence of fossil fuels and the rise of renewable energy sources. In this context, the adoption of gas turbine-based technologies emerges as a viable option that minimizes environmental impact by reducing emissions and operational costs. While the demand for fossil fuels for electricity generation is expected to increase until 2030, parallel to this event a considerable investment in renewable energy, especially in the solar and wind sectors, is expected. Latin America, with a notable hydroelectric capacity of 340,332 MW, is at the forefront of carbon emission mitigation efforts. However, the region faces challenges, including dependence on imported fuels and the fragility of its energy infrastructure.

In Colombia, climatic variability drives energy diversification. The Energy and Gas Regulatory Commission (CREG) aims to optimize gas transportation, aware of the temporary limitation of current reserves, estimated at only seven years. The linear model traditionally used by CREG, though effective for certain purposes, does not consider critical factors such as pressure variations and the role of compression stations, revealing the need for a nonlinear optimization (NOPT}) model. However, NOPT challenges include managing variable data and noisy measurements, which can lead to erroneous or suboptimal solutions.

This document presents a new approach: the Regularized Physics-Informed Neural Network (RPINN), designed to address both supervised and unsupervised optimization tasks.RPINNcombines custom activation functions and regularization penalties within an artificial neural network (ANN) architecture, enabling it to handle data variability and inaccurate inputs. It incorporates physical principles into the network design, calculating optimization variables from network weights and learned features. Additionally, it employs automatic differentiation techniques to optimize system scalability and reduce computation time through batch-based backpropagation.

Experimental results demonstrate that RPINNis competitive with state-of-the-art solvers for both supervised and unsupervised optimization tasks, exhibiting robustness against noisy measurements. This advancement positions it as a promising solution for environments with fluctuating information, as evidenced in uniform mixture models and gas-fed systems. The ANN foundation of RPINN not only ensures flexibility and scalability but also highlights its potential as a robust and effective methodology when compared to traditional approaches.