Development of Multivariate Attention LSTM Model For Dynamic Line Rating Forecasting

A continuación se presenta un resumen técnico detallado del artículo "Desarrollo de un Modelo LSTM de Atención Multivariada para la Predicción de la Clasificación Dinámica de Líneas", presentado en la ICSBE 2025.

1. Planteamiento del Problema

• Contexto: Con la disminución de las reservas globales de combustibles fósiles, naciones como Sri Lanka están transitando hacia la energía renovable (con un objetivo de generar el 70% de su energía a partir de fuentes renovables para 2030). Sin embargo, la expansión de la infraestructura de transmisión de energía es costosa y consume mucho tiempo.
• El Problema Central: Las Clasificaciones Estáticas de Línea (SLR) tradicionales definen la capacidad de las líneas de transmisión basándose en suposiciones climáticas del peor escenario (por ejemplo, altas temperaturas, vientos bajos). Este enfoque conservador conduce a una subutilización significativa de los activos de la red existentes.
• El Desafío: La Clasificación Dinámica de Línea (DLR) ofrece una solución al estimar la capacidad de la línea en tiempo real basándose en las condiciones climáticas reales. Sin embargo, la predicción precisa de la DLR es difícil debido a:
  • Alta sensibilidad a la variabilidad ambiental.
  • Interdependencias complejas y no lineales entre los factores climáticos (por ejemplo, temperatura ambiente, viento, irradiancia solar).
  • Limitaciones de los modelos existentes que a menudo tratan las variables de forma independiente o se basan en predicciones de una sola variable, fallando en capturar la dinámica térmica completa del conductor.

2. Metodología

El estudio propone un novedoso Modelo de Memoria a Largo y Corto Plazo (LSTM) Multivariada mejorado con un Mecanismo de Atención para predecir la DLR. La metodología involucra tres componentes principales:

A. Adquisición de Datos y Configuración del Sistema

• Hardware: Se desplegó un nodo de sensor inalámbrico personalizado en una línea de distribución aérea de 33 kV (conductores ACSR, ~35 mm²) en Theldeniya, Sri Lanka.
• Sensores: El nodo mide la corriente fasorial, la temperatura del conductor, la velocidad del viento, la humedad, la temperatura ambiente y la irradiancia solar. Los datos se transmiten mediante GPRS en intervalos de 15 minutos.
• Física: La DLR se calcula utilizando la ecuación de balance térmico, considerando el enfriamiento convectivo y radiativo.

B. Marco de Predicción (Dos Casos Comparativos)

El estudio compara dos enfoques de modelado:

1. Caso 1 (Línea Base): Un modelo LSTM univariado estándar.
   • Entrada: Solo valores históricos de DLR ($I_{t-n} \dots I_t$).
   • Objetivo: Establecer una predicción de referencia sin factores climáticos externos.
2. Caso 2 (Propuesto): Un LSTM Multivariado con un Mecanismo de Atención.
   • Entrada: Un vector que combina la DLR histórica y cinco variables meteorológicas clave: Temperatura Ambiente, Velocidad del Viento, Humedad, Temperatura del Cable e Irradiancia Solar.
   • Mecanismo: El Mecanismo de Atención (utilizando la formulación $Q, K, V$) se integra para ponderar dinámicamente la importancia de las diferentes características de entrada en cada paso de tiempo. Esto permite que el modelo priorice los factores ambientales más relevantes que influyen en el estado térmico del conductor en cualquier momento dado.

C. Métricas de Evaluación

Los modelos se entrenaron con el 80% de los datos y se probaron con el 20%. El rendimiento se evaluó utilizando:

• Error Cuadrático Medio (MSE)
• Error Absoluto Medio (MAE)
• R-cuadrado ($R^2$) (Coeficiente de Determinación)

3. Contribuciones Clave

• Integración Multivariada: A diferencia de estudios anteriores que a menudo trataban las variables climáticas de forma independiente o utilizaban entradas de una sola variable, este modelo captura explícitamente las interdependencias no lineales entre la DLR y múltiples factores ambientales.
• Mecanismo de Atención: La introducción de la capa de atención permite que el modelo se "focalice" dinámicamente en las entradas más críticas, abordando la complejidad de los mecanismos de intercambio térmico (convección/radiación) que varían con el tiempo.
• Validación en el Mundo Real: El modelo se probó con datos del mundo real de una línea de distribución de 33 kV en funcionamiento en Sri Lanka, cerrando la brecha entre el aprendizaje profundo teórico y la aplicación práctica en la red.

4. Resultados

El Caso 2 (LSTM con Atención Multivariada) propuesto superó significativamente la línea base del Caso 1 (LSTM Estándar):

• Análisis Visual: Los valores predichos del Caso 2 se alinearon mucho más estrechamente con los datos reales de prueba en comparación con el Caso 1, demostrando la capacidad del modelo para rastrear las fluctuaciones rápidas en la capacidad de la línea causadas por cambios climáticos.
• Insight Clave: Los resultados confirman que depender de un solo parámetro (como la temperatura ambiente) es insuficiente; la influencia combinada y ponderada del viento, la humedad y la irradiancia es crítica para la precisión.

5. Significado e Impacto

• Optimización de la Red: Al proporcionar predicciones de DLR más precisas y en tiempo real, los operadores de la red pueden aumentar de manera segura el flujo de energía en las líneas existentes, desbloqueando "capacidad de alojamiento latente" sin construir nueva infraestructura.
• Integración de Renovables: Una mejor utilización de las líneas apoya directamente la integración de fuentes de energía renovable variables (solar y eólica), ayudando a las naciones a cumplir objetivos agresivos de energía renovable (por ejemplo, la meta del 70% de Sri Lanka).
• Eficiencia de Costos: El enfoque ofrece una alternativa rentable a la expansión física de la red, maximizando el retorno de los activos de transmisión existentes.
• Dirección Futura: El estudio valida la eficacia de combinar el aprendizaje profundo (LSTM) con mecanismos de atención para sistemas físicos complejos y no lineales, estableciendo un precedente para futuras aplicaciones de redes inteligentes.