Resumen Técnico: Construcción de Modelos de Red Eléctrica a partir de Datos Abiertos

Enunciado del Problema

El acceso a modelos de red de transmisión realistas y de alta fidelidad es un cuello de botella crítico para la investigación en sistemas de potencia. En los Estados Unidos, los datos detallados de la red, incluida la topología, la impedancia de las líneas y los parámetros de operación, están clasificados como Información de Infraestructura Energética Crítica (CEII) por la Comisión Reguladora de Energía Federal (FERC) y la Corporación de Confiabilidad Eléctrica de América del Norte (NERC). En consecuencia, los investigadores no pueden acceder a modelos del mundo real para la planificación, la evaluación de la confiabilidad o el entrenamiento de aprendizaje automático sin navegar por procesos legales restrictivos o pagar tarifas de licencia prohibitivas (50.000–500.000 dólares).

Las alternativas existentes son insuficientes para las necesidades de investigación modernas:

• Casos de Prueba Estándar (por ejemplo, IEEE de 14/30/118 barras): Son benchmarks pedagógicos o algorítmicos que carecen de realismo geográfico, no reflejan la integración a gran escala de energías renovables y omiten las características estructurales a escala continental.
• Redes Sintéticas (por ejemplo, TAMU): Aunque estadísticamente realistas, estas se generan para parecerse a redes reales en lugar de derivarse de ellas, careciendo de correspondencia geográfica específica y de la capacidad de evolucionar con los cambios reales en la infraestructura.

Esta inaccesibilidad de los datos obstaculiza el estudio de desafíos críticos como el crecimiento de la demanda impulsado por la IA, la integración de renovables y la resiliencia frente a eventos climáticos extremos.

Metodología

Los autores presentan un pipeline de cinco etapas que construye modelos completos de red de transmisión solubles mediante Flujo de Potencia Óptimo (OPF) exclusivamente a partir de datos públicamente disponibles. El pipeline transforma datos brutos de OpenStreetMap (OSM) en modelos listos para resolver utilizando las siguientes etapas:

1. Extracción de Datos

El pipeline consulta una instancia local de la API Overpass para extraer infraestructura eléctrica (subestaciones, líneas, generadores, convertidores) para estados específicos de EE. UU. Los datos se normalizan en GeoJSON. El sistema depende del esquema de etiquetado power=* de OSM, que incluye líneas aéreas, cables, subestaciones y plantas.

2. Reconstrucción de Topología

Los datos brutos de OSM se convierten en un modelo estructural de barras y ramas mediante una secuencia de pasos de inferencia y limpieza:

• Inferencia de Voltaje: Dado que aproximadamente el 15–30 % de las líneas de OSM carecen de etiquetas de voltaje, un algoritmo iterativo de consenso entre vecinos infiere los voltajes faltantes basándose en segmentos conectados y etiquetas de subestación.
• Fusión de Líneas: Las vías fragmentadas de OSM que representan un único corredor físico se unen utilizando una estructura de datos unión-búsqueda (union-find).
• Clasificación de Circuitos: El sistema distingue entre ramas inter-facilidad (retencidas), bucles, derivaciones y segmentos aislados.
• Detección de Transformadores y CC-ALTA Tensión (HVDC): Los transformadores se infieren donde coexisten barras de diferentes niveles de voltaje en una subestación. Los enlaces HVDC se identifican mediante patrones de etiquetas específicos (por ejemplo, frequency=dc, etiquetas de voltaje bipolar) o proximidad a nodos convertidores.
• Creación de Barras: El agrupamiento espacial asigna los extremos de las líneas a subestaciones o crea barras ad hoc para extremos aislados.

3. Estimación de Parámetros

Dado que OSM carece de parámetros eléctricos, el pipeline los asigna utilizando tablas de búsqueda (LUT) calibradas con datos de la Administración de Información de Energía de EE. UU. (EIA):

• Impedancia y Clasificaciones: La resistencia ($R$), la reactancia ($X$) y las clasificaciones térmicas de las líneas se derivan de LUTs basadas en clases de voltaje, según tipos estándar de conductores (por ejemplo, conductores trenzados para EHV).
• Factores de Escala: Para compensar la tendencia de OSM a mapear corredores de múltiples circuitos como vías únicas, el pipeline aplica Factores de Topología ($N_T$) y Factores de Capacidad ($N_C$). Estos factores escalan la impedancia y los límites térmicos para coincidir con los millas de circuito reportados por la EIA.
• Costos de Generación: Se generan curvas de costos cuadráticas utilizando tasas de calor y precios de combustible de la EIA-923 (Hub Henry para gas). Si faltan datos específicos de la planta, se utilizan LUTs predeterminadas por tipo de combustible.

4. Asignación de Demanda

Los datos de demanda horaria de la EIA-930 (nivel de Autoridad de Equilibrio) se distribuyen a las barras individuales. El pipeline utiliza la población por distrito censal de EE. UU. como un proxy espacial para asignar la carga, asegurando que la distribución de la demanda se correlacione con la densidad residencial y comercial.

5. Flujo de Potencia Óptimo (OPF)

Los modelos finales se resuelven utilizando PowerModels.jl con el solver Ipopt.

• Estrategia de Relajación Progresiva: Reconociendo que los modelos derivados de OSM pueden tener imprecisiones en los parámetros que causan inviabilidad bajo restricciones estrictas, el pipeline emplea una estrategia de relajación automática. Intenta resolver el problema a un nivel estricto (L0) y afloja progresivamente las restricciones (límites de ángulo, margen térmico, límites de voltaje, reducción de carga) a través de los niveles L1–L5 hasta lograr la convergencia.
• Compensación de Potencia Reactiva: Para abordar la falta de datos de derivación (shunt) en OSM, el pipeline inyecta capacitores/reactores de derivación compensadores en las barras con déficits de potencia reactiva identificados durante un inicio en caliente de DC-OPF.

Contribuciones Clave

1. Pipeline de Datos Abiertos de Extremo a Extremo: El primer pipeline completo para generar modelos solubles mediante AC-OPF para toda la red continental de EE. UU. utilizando únicamente datos públicos (OSM, EIA, Censo).
2. Validación a Escala: El pipeline se validó en los 48 estados contiguos de EE. UU. y seis regiones interestatales, incluidas las Interconexiones Occidental completa (5.076 barras) y Oriental (21.697 barras).
3. Liberación Pública de 54 Modelos: Los autores liberan los 54 modelos resueltos (48 de un solo estado, 6 interestatales) como archivos JSON compatibles con PowerModels, proporcionando a la comunidad de investigación benchmarks listos para usar derivados de infraestructura real.
4. Marco de Relajación Progresiva: Una estrategia de solver novedosa que maneja automáticamente la inviabilidad del modelo debido a brechas de datos, proporcionando una métrica transparente (nivel de relajación) para la calidad del modelo.

Resultados

El pipeline generó con éxito modelos para los 48 estados contiguos y seis interconexiones regionales.

• Convergencia:
  • DC-OPF: 45 de los 48 modelos de un solo estado convergieron al nivel más estricto (L0).
  • AC-OPF: 42 de los 48 modelos de un solo estado (88 %) convergieron en L0; 44 (92 %) convergieron en L0 o con relajación mínima (AC1) durante horas valle.
  • Modelos Regionales: La Interconexión Oriental completa (21.697 barras) convergió al nivel de relajación L3 en 47 minutos.
• Métricas Económicas:
  • Los costos de despacho mediana fueron de 22,1 $/MWh, consistentes con los resultados reales del mercado mayorista.
  • Las pérdidas del sistema tuvieron una mediana del 1,0 %, alineadas con las expectativas físicas para la transmisión de alto voltaje.
  • La prima de costos de AC-OPF sobre DC-OPF fue de una mediana del 1,8 %, reflejando pérdidas resistivas y restricciones reactivas, consistente con la literatura para redes bien caracterizadas.
• Fidelidad Geográfica: Los modelos preservan la correspondencia geográfica real, capturando corredores de transmisión y sitios de generación reales, a diferencia de los casos de prueba sintéticos.

Significado y Afirmaciones

El artículo afirma que los datos de la red son infraestructura fundamental para la transición energética, pero siguen siendo inaccesibles para la mayoría de los investigadores. Este trabajo aborda esa brecha demostrando que modelos de transmisión utilizables, estructural y eléctricamente plausibles pueden construirse enteramente a partir de datos abiertos.

Los autores enfatizan que el objetivo no es recuperar la red operativa exacta (lo cual es imposible sin datos propietarios), sino generar modelos que:

1. Converjan bajo AC-OPF.
2. Preserven la correspondencia geográfica real.
3. Reproduzcan estadísticas a nivel de sistema (costos, pérdidas) dentro de rangos realistas.

Al liberar estos modelos, los autores buscan reducir la barrera de entrada para la investigación en sistemas de potencia, permitiendo a estudiantes, responsables políticos e investigadores estudiar el comportamiento de la red, entrenar modelos de aprendizaje automático y simular fallos en cascada sin depender de datos propietarios restringidos o licencias comerciales costosas. La metodología se presenta como generalizable a otras regiones con cobertura adecuada de OSM y estadísticas públicas.