Resumen Técnico: Operaciones de Sistemas de Potencia Aumentadas por Aprendizaje (LAPSO)

1. Planteamiento del Problema

Las operaciones tradicionales de sistemas de potencia (PSO) dependen de modelos basados en la física y marcos de toma de decisiones secuenciales que comprenden pronóstico, operación y control. Sin embargo, la creciente penetración de las energías renovables y los recursos basados en inversores (IBR) introduce incertidumbres significativas y dinámicas complejas que desafían la eficiencia económica, la estabilidad y la robustez de estos enfoques tradicionales.

Las soluciones actuales suelen sufrir de un paradigma de diseño "siloed" (aislado):

• Tareas Aisladas: El pronóstico, la operación y el control se diseñan de forma independiente. Por ejemplo, el pronóstico de renovables suele estar orientado a la precisión, ignorando su impacto en cascada sobre la economía operativa descendente. Por el contrario, las operaciones orientadas a la economía suelen omitir las restricciones de estabilidad en la etapa de control.
• Aprendizaje Desconectado: Los modelos de aprendizaje automático (ML) se entrenan de forma aislada de los marcos de optimización que eventualmente apoyan. Los objetivos de las optimizaciones basadas en la física en etapas posteriores no se reflejan en el proceso de entrenamiento de ML, y la interacción entre la incertidumbre del ML y los parámetros de optimización permanece opia.
• Falta de un Marco Unificado: No existe un marco general para integrar sistemáticamente el ML basado en datos con la optimización basada en la física, cuantificar los compromisos entre la precisión del modelo y el rendimiento operativo, o rastrear las incertidumbres provenientes de diversas fuentes (por ejemplo, modelos de caja negra frente a parámetros desconocidos del sistema).

2. Metodología: El Marco LAPSO

El artículo propone las Operaciones de Sistemas de Potencia Aumentadas por Aprendizaje (LAPSO), un marco unificado que se centra en la etapa de operación para modelar sistemáticamente el "nexo dato-física".

Formulación Matemática Central

LAPSO redefine el problema básico de operación de sistemas de potencia ($P_{basic}$) codificando modelos de ML paramétricos como componentes inherentes.

• Problema Básico ($P_{basic}$): $\min_z f(z; y)$ sujeto a $g(z; y) \le 0$, donde $z$ son variables de decisión e $y$ son parámetros (por ejemplo, carga, perfiles renovables).
• Problema LAPSO ($P_{lapso}$): El marco introduce un componente aprendible $v(\cdot; \theta)$ que predice parámetros $\hat{y}_2$ basados en entradas $x$ y decisiones $z$. El problema aumentado se formula como:
  $$\min_z f(z; y_1, \hat{y}_2) + f_v(z; y_1, \hat{y}_2)$$
  $$\text{sujeto a } g(z; y_1, \hat{y}_2) \le 0, \quad g_v(z; y_1, \hat{y}_2) \le \tau, \quad \hat{y}_2 = v(z, y_1, x; \theta^*)$$
  Aquí, $\theta^*$ representa los parámetros del modelo entrenado. Crucialmente, el modelo de ML es tratado como un componente aprendible de la optimización, lo que significa que el proceso de entrenamiento debe considerar el impacto de $\theta$ en la optimalidad, la eficiencia y el conservadurismo de $P_{lapso}$.

Principios de Diseño y Métricas

El marco introduce un "Triángulo de Diseño" que equilibra tres dimensiones:

1. Objetivo de Modelado: Las dinámicas físicas o índices a aprender (por ejemplo, índices de estabilidad, dinámicas renovables).
2. Técnicas de ML: La elección algorítmica (por ejemplo, regresión lineal, redes neuronales).
3. Clase de PSO: La estructura de la optimización subyacente (por ejemplo, MILP, convexa, no convexa).

Se establecen métricas de diseño clave para cuantificar los compromisos:

• Precisión vs. Impacto Operativo: Equilibrar la precisión de la predicción frente a la carga computacional y el costo económico de la optimización resultante.
• Optimalidad y Conservadurismo: Garantizar que el problema aumentado por ML permanezca dentro de la clase resoluble del problema original basado en la física (por ejemplo, preservando la convexidad) para garantizar la optimalidad global.

Aplicaciones Representativas

El artículo demuestra LAPSO a través de dos aplicaciones específicas:

1. Optimización Restringida por la Estabilidad (SCO): Los modelos de ML actúan como evaluadores de estabilidad (restricciones) dentro de la etapa de operación. El marco aboga por evaluadores de "complejidad moderada" que equilibren la precisión con la necesidad de preservar la clase de optimización (por ejemplo, utilizando aproximaciones lineales o convexas de números enteros mixtos) para evitar una carga computacional excesiva o un conservadurismo falso.
2. Pronóstico Basado en Objetivos (OBF): En lugar de minimizar el error de pronóstico (por ejemplo, MSE), el pronosticador de ML se entrena para minimizar el costo operativo de la optimización descendente. Esto se formula como una optimización de dos niveles (juego de Stackelberg) donde el nivel superior optimiza los parámetros del pronosticador $\theta_h$ para minimizar la pérdida $\ell$ derivada del costo operativo del nivel inferior.

Cuantificación de la Incertidumbre

LAPSO proporciona una perspectiva bayesiana para el rastreo de la incertidumbre de extremo a extremo:

• Fuentes: Distingue entre Incertidumbre de ML (epistémica y aleatoria) e Incertidumbre de Optimización (variaciones en las estructuras de optimización o parámetros impredecibles $y_1$).
• Propagación: Utiliza la diferenciación automática y el teorema de la función implícita (vía condiciones KKT) para rastrear cómo las incertidumbres en los parámetros de ML se propagan a las variables de decisión finales y los costos.
• Robustez: Propone una formulación robusta de "esperar y ver" (wait-and-see) para mitigar las incertidumbres en los parámetros de optimización, resuelta mediante un enfoque de generación de columnas y restricciones (C&CG).

3. Contribuciones Clave

1. Marco Unificado: Propone LAPSO como una formulación matemática general que unifica las tareas tradicionalmente aisladas (pronóstico, operación, control) al tratar el ML como una parte intrínseca del problema de optimización.
2. Métricas de Diseño: Introduce un conjunto sistemático de métricas para evaluar los compromisos entre el rendimiento del modelo de ML y su impacto en la optimización subyacente (eficiencia, optimalidad, conservadurismo).
3. Extensibilidad: Demuestra la capacidad del marco para cerrar el ciclo en las cadenas de pronóstico-operación-control y manejar tareas híbridas de aprendizaje-optimización.
4. Rastreo de Incertidumbre: Ofrece un método sistemático para identificar y cuantificar las incertidumbres provenientes tanto de fuentes basadas en datos como de la física, incluyendo un nuevo algoritmo de entrenamiento robusto para incertidumbres de tipo "esperar y ver".
5. Herramientas de Código Abierto: Desarrolla y lanza dos paquetes de Python:
   • pso: Genera bancos de pruebas de sistemas de potencia escalables con datos operativos espaciotemporales.
   • lapso: Aumenta automáticamente modelos de optimización existentes (basados en CVXPY) con componentes aprendibles, gestionando la transformación de redes neuronales en restricciones lineales de números enteros mixtos cuando es necesario.

4. Resultados y Verificación

El artículo valida el marco mediante simulaciones numéricas en sistemas de 14, 39, 57, 118 y 300 barras IEEE.

• Validación de SCO: Utilizando el sistema IEEE de 14 barras, el estudio muestra que diferentes complejidades de modelos de ML (por ejemplo, evaluadores convexos vs. no convexos) conducen a distintos compromisos entre la precisión de la evaluación de estabilidad y los costos operativos. Se demuestra que un evaluador de complejidad moderada ofrece un mejor equilibrio que uno de alta complejidad que degrada la eficiencia económica.
• Validación de OBF: El marco demuestra que entrenar pronosticadores con pérdidas basadas en objetivos (alineadas con los costos operativos) produce resultados diferentes y a menudo más eficientes económicamente en comparación con el entrenamiento tradicional basado en la precisión.
• Escalabilidad: El análisis de escalabilidad (detallado en el Apéndice) confirma la aplicabilidad del marco a sistemas más grandes (hasta 300 barras).
• Implementación: El paquete lapso automatiza con éxito la integración de redes neuronales en las restricciones de optimización, verificando la viabilidad de las transformaciones matemáticas propuestas.

5. Significación y Reivindicaciones

El artículo afirma que LAPSO representa un cambio fundamental en la toma de decisiones de los sistemas de potencia, pasando de un enfoque aislado basado solo en la física a un nexo integrado de datos y física.

• Cambio de Paradigma: Va más allá de tratar al ML simplemente como una herramienta de modelado dinámico para verlo como un componente aprendible de la optimización misma.
• Transparencia: Al proporcionar una visión matemática unificada, LAPSO hace transparente la relación entre los métodos de ML y los basados en la física, permitiendo una evaluación sistemática de la incertidumbre y el rendimiento.
• Utilidad Práctica: El marco está diseñado para ser aceptable para los operadores de sistemas, preservando la estructura y la capacidad de resolución de los problemas de optimización tradicionales mientras los potencia con capacidades basadas en datos.
• Preparación para el Futuro: El marco es inherentemente extensible a paradigmas emergentes que requieren una integración de ciclo cerrado de pronóstico, operación y control, abordando la creciente complejidad de las redes descarbonizadas.

Los autores enfatizan que, si bien el artículo se centra en SCO y OBF como ejemplos representativos, el marco LAPSO es ampliamente aplicable a diversas tareas de sistemas de potencia, incluyendo marcos de control para microredes y arbitraje de almacenamiento de energía, siempre que puedan formularse como problemas de optimización.