Enhanced Optimal Power Flow Using a Trained Neural Network Surrogate for Distribution Grid Constraints

A continuación presento un resumen técnico detallado del artículo "Enhanced Optimal Power Flow Using a Trained Neural Network Surrogate for Distribution Grid Constraints" en español.

1. Planteamiento del Problema

La creciente penetración de recursos energéticos distribuidos (RED), vehículos eléctricos (VE) y bombas de calor (BC) en las redes de distribución ha aumentado significativamente la complejidad operativa. El problema del Flujo de Carga Óptimo (OPF) es fundamental para la planificación y operación de estas redes, ya que busca minimizar objetivos (como costos o pérdidas) respetando las restricciones físicas de la red.

Sin embargo, existen desafíos críticos:

• No linealidad y no convexidad: La formulación AC del OPF es inherentemente no lineal y no convexa, clasificada como NP-dura, lo que dificulta encontrar soluciones globales óptimas.
• Limitaciones de escalabilidad: Los modelos tradicionales (como el Modelo de Inyección de Barra - BIM) sufren de mala escalabilidad en redes grandes.
• Relajaciones convexas imperfectas: Las relajaciones de Programación Cónica de Segundo Orden (SOCP) basadas en el modelo DistFlow pueden ofrecer soluciones globales, pero su exactitud depende de condiciones estrictas (topología radial, ausencia de elementos de derivación, etc.) que rara vez se cumplen en redes reales con alta penetración de generación distribuida y flujos de potencia reversos.
• Enfoques de Redes Neuronales (NN) existentes: Los métodos que intentan aprender el mapeo completo de la solución OPF (entrada a salida) carecen de flexibilidad, requieren grandes conjuntos de datos, y no garantizan la optimalidad ni la interpretabilidad física.

2. Metodología Propuesta

El artículo propone un marco innovador que integra un surrogado de red neuronal (NN) entrenado directamente dentro del problema de optimización OPF, reemplazando específicamente las ecuaciones no lineales del flujo de carga.

Estrategia Clave:
En lugar de reemplazar todo el problema OPF por una red neuronal (enfoque "end-to-end"), el método conserva la estructura de optimización matemática (variables de decisión, función objetivo y restricciones operativas) y sustituye únicamente el mapeo Potencia Neta $\to$ Voltaje de Barra.

Integración mediante Método Big-M:
Para que la red neuronal sea compatible con los solucionadores de optimización estándar, el modelo de la NN se codifica exactamente como un conjunto de restricciones de Programación Lineal Entera Mixta (MILP):

1. Arquitectura de la NN: Una red con una capa de entrada (inyecciones de potencia activa y reactiva normalizadas), una capa oculta con función de activación ReLU (Linear Rectificada) y una capa de salida (voltajes normalizados).
2. Codificación Exacta: La función no lineal ReLU ($h = \max(0, z)$) se linealiza utilizando variables binarias y el método Big-M. Esto permite representar el comportamiento de la NN sin aproximaciones dentro del solver MILP.
3. Dos Variantes del Modelo:
   • Modelo 1: Predice el perfil de voltaje completo en todas las barras de la red.
   • Modelo 2 (Simplificado): Predice exclusivamente el voltaje mínimo de la red, reduciendo drásticamente la arquitectura de la NN y el número de variables binarias.

3. Contribuciones Principales

El trabajo destaca tres contribuciones fundamentales:

1. Surrogado Eficiente y Libre de Modelo: Se propone una NN que aprende solo la relación voltaje-potencia, evitando los problemas de generalización y necesidad de datos masivos de los métodos OPF-NN completos, al tiempo que preserva la estructura del OPF.
2. Codificación Exacta MILP: Se desarrolla una formulación MILP exacta de la NN mediante restricciones Big-M. A diferencia de esquemas basados en penalizaciones o proyecciones, esto garantiza que el problema resultante se pueda resolver hasta la optimalidad global (dentro de la tolerancia del solver MILP).
3. Validación en Escenario Realista: El marco se valida en una red de baja tensión real en Chipre con alta penetración de PV, VE y BC, demostrando tiempos de cálculo sub-segundo y alta precisión.

4. Resultados y Desempeño

El estudio se realizó en una red de distribución real de Chipre (146 nodos, 85 clientes) con diferentes niveles de penetración de VE y BC. Se compararon cuatro enfoques: BIM no lineal, SOCP-DistFlow, NN-OPF (Modelo 1) y NN-OPF (Modelo 2).

Precisión y Exactitud:

• Validación AC Post-Solución: El Modelo 1 logró una precisión de voltaje excepcional, con desviaciones máximas inferiores a 0.4 V en el peor escenario y un RMSE (Error Cuadrático Medio) de red inferior a 0.12 V.
• Modelo 2: Aunque simplificado, también mostró un rendimiento satisfactorio con desviaciones máximas menores a 1.0 V.
• Ambos modelos superaron al BIM tradicional en términos de calidad de solución (evitando óptimos locales) y fueron competitivos con la relajación SOCP.

Complejidad Computacional y Escalabilidad:

• Tiempo de Solución: El enfoque BIM mostró tiempos de cálculo que crecieron drásticamente (de 39s a 313s) al aumentar la penetración de cargas.
• Ventaja de la NN: El Modelo 2 fue el más rápido, con tiempos de solución entre 0.5s y 1.2s, superando incluso al modelo convexo DistFlow. El Modelo 1 fue ligeramente más lento (hasta 18.7s en alta penetración) pero mantuvo tiempos aceptables para aplicaciones operativas.
• Optimalidad: Las soluciones de los modelos NN-OPF se resolvieron a optimalidad global dentro de la tolerancia del solver MILP, a diferencia del BIM que converge a óptimos locales.

Análisis de Sensibilidad:
Se observó que aumentar el número de neuronas mejora la precisión hasta un punto de rendimientos decrecientes (alrededor de 30 neuronas), después del cual el costo computacional aumenta linealmente sin ganancias significativas en precisión.

5. Significado e Impacto

Este trabajo representa un avance significativo en la operación de redes de distribución activas (ADN):

• Equilibrio entre Velocidad y Precisión: Ofrece una alternativa viable a las relajaciones convexas (SOCP) que pueden fallar en redes reales complejas, proporcionando soluciones rápidas y físicamente consistentes.
• Flexibilidad Operativa: Al mantener la estructura de optimización, el método permite incorporar fácilmente nuevas restricciones, objetivos o lógica de stakeholders sin necesidad de reentrenar la red neuronal completa.
• Garantía de Optimalidad: La codificación exacta MILP asegura que la solución encontrada es óptima para el problema restringido por el surrogado, ofreciendo una garantía de calidad superior a los métodos heurísticos o de control por aprendizaje por refuerzo.
• Aplicabilidad Práctica: Los tiempos de solución sub-segundo hacen que este enfoque sea ideal para aplicaciones de tiempo real y gestión de la demanda en redes con alta penetración de recursos distribuidos.

Limitaciones y Trabajo Futuro:
Actualmente, el método se centra en restricciones de voltaje y no modela explícitamente los límites de carga de transformadores o líneas. El trabajo futuro buscará incorporar estas estimaciones y explorar arquitecturas de NN que reduzcan o eliminen la necesidad de variables binarias para escalar a sistemas de mayor tamaño.