NEO-Grid: A Neural Approximation Framework for Optimization and Control in Distribution Grids

Resumen Técnico: NEO-Grid

Enunciado del Problema
La proliferación de recursos energéticos distribuidos (RED), como la fotovoltaica solar y el almacenamiento en baterías, está transformando las redes de distribución, introduciendo una variabilidad y heterogeneidad significativas que desafían la estabilidad de voltaje. Una gestión efectiva requiere un modelado preciso de la relación no lineal entre las inyecciones de potencia y las magnitudes de voltaje (el modelo de flujo de potencia o PF). Los enfoques tradicionales se basan en aproximaciones linealizadas (por ejemplo, LinDistFlow), que a menudo fallan al capturar no linealidades críticas bajo cargas pesadas o en alimentadores altamente resistivos. Además, mientras que la Optimización Volt-Var (VVO) busca soluciones centralizadas y el Control Volt-Var (VVC) busca políticas autónomas locales, ambos se ven obstaculizados por la complejidad computacional de resolver ecuaciones de PF no lineales y la naturaleza recursiva y de bucle cerrado de las dinámicas de VVC. Los métodos existentes para VVC, como las redes neuronales recurrentes (RNN) desenrolladas, sufren de cargas de memoria y problemas de desvanecimiento de gradientes.

Metodología
El artículo propone NEO-Grid, un marco unificado basado en aprendizaje que reemplaza las aproximaciones lineales tradicionales con sustitutos de redes neuronales tanto para la optimización como para el control.

1. Sustituto de Flujo de Potencia Neuronal (Modelo NEO-Grid):

   • Los autores construyen una red neuronal (específicamente una red de una sola capa oculta con activaciones ReLU) para aproximar el mapeo de flujo de potencia CA no lineal $v = f(p, q)$.
   • Este sustituto se entrena con datos generados por simulaciones precisas de PF-CA bajo diversas condiciones operativas, incluidos escenarios de compensación de potencia reactiva.
   • Debido a que las redes ReLU producen funciones lineales por partes (PWL), el sustituto puede integrarse en formulaciones de Programación Lineal Mixta Entera (MIL) o Programación Cuadrática Mixta Entera (MIQP), haciendo que la física no lineal sea tratable para solucionadores estándar.

2. VVO mediante Programación Entera Mixta:

   • Para la Optimización Volt-Var, el sustituto neuronal entrenado reemplaza las restricciones de PF no lineales en el problema de optimización.
   • El objetivo es minimizar la desviación del voltaje respecto al perfil nominal de 1.0 p.u. La naturaleza PWL de la red permite resolver el problema como un Programa Cuadrático Mixto Entero (MIQP) o relajarlo a un Programa Lineal Mixto Entero (MILP).

3. VVC mediante Modelos de Equilibrio Profundo (DEQ):

   • Para el Control Volt-Var, los autores abordan el desafío de diseñar reglas de control locales $q_i = g(v_i)$ que operen en un bucle cerrado.
   • En lugar de desenrollar las dinámicas del sistema en el tiempo (como en las RNN), NEO-Grid modela el sistema como un Modelo de Equilibrio Profundo (DEQ).
   • La regla de control se parametriza como una función estructurada basada en ReLU (imitando las curvas de caída lineales por partes del estándar IEEE 1547).
   • El estado del sistema se define como un punto fijo $v^* = F_\phi(v^*)$, donde $F_\phi$ compone el sustituto de PF neuronal y la regla de VVC.
   • El entrenamiento utiliza diferenciación implícita y algoritmos de búsqueda de raíces (por ejemplo, aceleración de Anderson) para calcular gradientes con respecto a los parámetros de control $\phi$ directamente en el punto de equilibrio. Esto elimina la necesidad de almacenar trayectorias largas, reduciendo significativamente el uso de memoria y el costo computacional.

Contribuciones Clave
El artículo describe tres contribuciones principales:

1. Diseño Unificado de PF: La construcción de un único sustituto de flujo de potencia neuronal que sirve como un "neuro-simulador" tratable tanto para la optimización centralizada (VVO) como para el control descentralizado (VVC).
2. Generalización: El marco está diseñado como un "neuro-simulador" universal capaz de apoyar diversas tareas, incluida la fusión de datos, el análisis predictivo y las aplicaciones de gemelos digitales dentro de los sistemas de distribución.
3. Aprendizaje de VVC Basado en Equilibrio: La integración de representaciones de reglas de control PWL con el sustituto NEO-Grid, optimizada mediante diferenciación implícita basada en DEQ. Este enfoque permite la optimización eficiente del rendimiento del control en bucle cerrado sin la sobrecarga computacional de arquitecturas recurrentes desenrolladas.

Resultados Experimentales
El marco se evaluó en el sistema de distribución radial IEEE de 33 barras.

• Aproximación del Flujo de Potencia: El sustituto neuronal NEO-Grid logró un Error Cuadrático Medio (MSE) de $1.81 \times 10^{-6}$ en el conjunto de prueba. Esto fue un orden de magnitud mejor que la regresión lineal ($3.16 \times 10^{-5}$) y más de 100 veces más preciso que el modelo LinDistFlow ($1.95 \times 10^{-4}$).
• Rendimiento de VVO: En tareas de regulación de voltaje, la optimización basada en NEO-Grid logró la menor desviación promedio de voltaje (0.94%) y el menor número de violaciones grandes (>3% de desviación) en comparación con las líneas base de regresión lineal y LinDistFlow.
• Rendimiento de VVC: El controlador NEO-Grid entrenado con DEQ logró una desviación promedio de voltaje del 3.63%, superando a las líneas base lineales y heurísticas. Crucialmente, eliminó todas las entradas de voltaje con desviaciones superiores al 7%, mientras que otros métodos basados en optimización aún exhibían desviaciones grandes significativas.
• Comparación: Si bien la VVO (centralizada) logró naturalmente una mejor regulación que la VVC (descentralizada) debido a una mayor flexibilidad, el enfoque de VVC de NEO-Grid demostró una robustez y consistencia superiores en comparación con los métodos existentes basados en RNN/lineales.

Significado y Afirmaciones
Los autores afirman que NEO-Grid establece una solución escalable, precisa e interpretable para la regulación de voltaje basada en aprendizaje. Al cerrar la brecha entre la precisión de la física no lineal y la tratabilidad requerida para la optimización y el control, el marco ofrece una alternativa práctica a las aproximaciones lineales. El uso de DEQ aborda específicamente los cuellos de botella computacionales del diseño de control en bucle cerrado, permitiendo un entrenamiento eficiente en políticas de una sola capa sin la carga de memoria del desenrollado de trayectorias. El artículo posiciona a NEO-Grid no solo como un algoritmo de control, sino como un "neuro-simulador" fundamental que puede extenderse a casos de uso más amplios de gemelos digitales, análisis de sensibilidad y estudios de "qué pasaría si" en redes de distribución.