Foundation Twins: A New Generation of Power Systems Digital Twins using Foundation AI Models

Resumen Técnico: Gemelos Fundacionales: Una Nueva Generación de Gemelos Digitales de Sistemas de Potencia utilizando Modelos Fundacionales de IA

Declaración del Problema
Los sistemas de potencia son inherentemente sistemas multi-escala temporal, que abarcan fenómenos físicos y procesos de toma de decisiones que se extienden desde microsegundos (por ejemplo, control de frecuencia, protecciones) hasta décadas (por ejemplo, planificación de expansión). Los conceptos actuales de Gemelo Digital (GD) para sistemas de potencia permanecen distantes de la implementación práctica debido a que carecen de la capacidad de proporcionar una toma de decisiones unificada a través de estas escalas temporales, horizontes y alcances geográficos dispares. Los enfoques tradicionales a menudo dependen de dividir las variables del sistema en sub-vectores separados (dinámicas lentas, rápidas e intermedias) para gestionar la complejidad, lo que resulta en modelos fragmentados que no logran transferir eficazmente información, incertidumbre y decisiones entre escalas temporales. En consecuencia, existe una brecha crítica entre los marcos de operación y planificación de los sistemas de potencia, lo que limita la resiliencia del sistema. El artículo argumenta que la investigación existente aún no ha entregado un GD capaz de cerrar esta brecha sin depender de modelos separados basados en física que explotan la separación de dinámicas.

Metodología: La Arquitectura de Gemelos Fundacionales
El artículo propone un nuevo concepto denominado Gemelos Fundacionales, que aprovecha los avances recientes en Inteligencia Artificial (IA) y Aprendizaje Automático (ML), específicamente Modelos Fundacionales y Aprendizaje por Refuerzo (RL). En lugar de un único modelo monolítico, la arquitectura propuesta consiste en varios modelos fundacionales de IA especializados orquestados por un Gestor central, complementados por un marco RL para la toma de decisiones. La arquitectura incluye los siguientes componentes principales:

1. Módulo Gestor: Actúa como coordinador, recibiendo tareas de optimización de los operadores y configurando los ajustes para los demás modelos. Se interconecta con la infraestructura física para obtener mediciones y ejecutar acciones de control.
2. Modelo Fundacional de Series Temporales: Responsable de generar datos de series temporales a diversas resoluciones requeridas. Rellena vacíos en datos temporales o geográficos, proporciona pronósticos para variables exógenas (por ejemplo, generación renovable, demanda) y asegura que los datos sigan fenómenos físicos mientras maneja valores extremos y condiciona restricciones.
3. Modelo Fundacional de Estimación de Estado: Estima el estado actual del sistema de potencia en la escala temporal apropiada definida por el Gestor. Utiliza datos de series temporales para proporcionar estimaciones de estado síncronas a través de diferentes velocidades operativas.
4. Modelo Fundacional de Sistemas de Potencia: Sirve como un simulador de alta fidelidad del sistema físico de potencia. Su función principal es predecir estados futuros del sistema y recompensas a través de múltiples escalas temporales y horizontes, impulsados por las acciones propuestas. Busca representar múltiples fenómenos físicos (transitorios, estado estacionario) e incertidumbres dentro de un único modelo.
5. Módulo Optimizador (Arquitectura RL): Implementa una estructura Actor-Crítico. El Actor propone acciones basadas en el estado actual, mientras que el Crítico estima las recompensas acumuladas futuras basándose en las transiciones de estado predichas por el Modelo Fundacional de Sistemas de Potencia. Este módulo está diseñado para aprender políticas para la toma de decisiones multi-escala temporal, potencialmente utilizando RL Jerárquico para descomponer objetivos a largo plazo en sub-objetivos.
6. Módulo de Memoria: Almacena transiciones estado-acción-recompensa para referencia futura por parte del Actor y el Crítico.

Contribuciones Clave
Este artículo se enmarca explícitamente como un artículo de posición en lugar de un artículo de investigación estándar que presenta resultados experimentales. Sus contribuciones principales son conceptuales y visionarias:

• Introducción de "Gemelos Fundacionales": Un nuevo paradigma para los GD de sistemas de potencia que combina las características de generalización de los modelos fundacionales con las capacidades de toma de decisiones del RL.
• Propuesta Arquitectónica: Un plano detallado (Fig. 2) que describe cómo múltiples modelos fundacionales especializados (Series Temporales, Estimación de Estado, Sistemas de Potencia) pueden integrarse con un optimizador RL para lograr la toma de decisiones multi-escala temporal en un único ecosistema.
• Identificación de Brechas Críticas de Investigación: El artículo identifica sistemáticamente los desafíos técnicos específicos requeridos para hacer realidad esta visión, incluyendo:
  • Desarrollar arquitecturas generativas unificadas para datos de series temporales que respeten la física, manejen múltiples patrones de energía y modelen valores extremos sin colapso del modelo.
  • Informar a los modelos de ML con física multi-escala temporal (por ejemplo, mediante representaciones continuas o solucionadores diferenciables) para garantizar la generalización y la convergencia.
  • Crear representaciones de estado eficientes (por ejemplo, modelos híbridos secuencia-grafo) que sean invariantes a los cambios en la configuración del sistema de potencia.
  • Resolver los desafíos del RL Jerárquico, como el diseño de espacios latentes factibles para la optimización de sistemas de potencia y la distribución de objetivos a largo plazo en sub-objetivos sin perder la explicabilidad.

Resultados y Afirmaciones
Como artículo de posición, el trabajo no presenta resultados experimentales, simulaciones o puntos de referencia de rendimiento. En su lugar, afirma que la arquitectura propuesta aborda las limitaciones de los GD actuales al:

• Eliminar la necesidad de modelos separados basados en física para diferentes escalas temporales.
• Habilitar la transferencia de conocimiento (dinámicas, incertidumbre, decisiones) a través de todo el espectro de procesos de los sistemas de potencia.
• Ofrecer un camino hacia sistemas de potencia más resilientes al considerar simultáneamente dinámicas rápidas y lentas (por ejemplo, coordinando la despacho de recursos energéticos distribuidos con restricciones de estabilidad).

El autor señala que, aunque algunos componentes (como los módulos Gestor y Memoria) se consideran menos complejos, la realización de los Gemelos Fundacionales depende en gran medida de superar desafíos científicos significativos en ML informado por física, representación de estado y toma de decisiones jerárquica.

Significado
El artículo posiciona a los "Gemelos Fundacionales" como una evolución necesaria para la digitalización de los sistemas de potencia. Argumenta que los conceptos actuales de GD están estancados porque no pueden manejar la naturaleza multi-escala temporal de los sistemas de potencia. Al aprovechar los modelos fundacionales para la simulación y la generalización, combinados con el RL para la toma de decisiones, este enfoque busca entregar la capacidad largamente vislumbrada de un gemelo digital unificado y de alta fidelidad. El artículo sirve como una hoja de ruta para la investigación futura, instando a la comunidad a centrarse en los obstáculos técnicos específicos identificados (como el modelado multi-escala temporal informado por física y la coordinación de RL jerárquico) para llevar los GD de sistemas de potencia de un concepto distante a una realidad desplegable. El autor reconoce que, aunque la propuesta actual sigue una perspectiva de operador centralizado, el concepto podría extenderse a enfoques de toma de decisiones distribuida.