Comparative Analysis of Machine Learning Models for Predicting Grid Stability Using Tabular and Transformer Architectures

Resumen Técnico: Análisis Comparativo de Modelos de Aprendizaje Automático para la Predicción de la Estabilidad de la Red

Planteamiento del Problema
La creciente integración de recursos de energía renovable, vehículos eléctricos y recursos de energía distribuida (DER, por sus siglas en inglés) ha introducido una incertidumbre y no linealidad significativas en los sistemas de potencia modernos. Los enfoques de monitoreo tradicionales, basados en reglas y en la física, a menudo carecen de la adaptabilidad requerida para manejar condiciones de carga dinámicas, flujos de potencia bidireccionales e intermitencia en la generación. Si bien el aprendizaje automático (ML) ha emergido como una alternativa viable para la evaluación de la estabilidad, la literatura existente suele centrarse en aplicaciones aisladas (por ejemplo, detección de fallas específicas) o carece de comparaciones exhaustivas entre arquitecturas de ML clásico, aprendizaje de conjunto (ensemble learning) y aprendizaje profundo dentro de un marco unificado. Además, muchos estudios priorizan la precisión sin abordar adecuadamente la viabilidad computacional o la interpretabilidad para el despliegue en redes inteligentes del mundo real.

Metodología
Este estudio presenta un marco comparativo que evalúa modelos de aprendizaje clásico, de conjunto y de aprendizaje profundo para predecir la estabilidad de la red eléctrica utilizando un conjunto de datos de referencia de 10,000 muestras simuladas. El conjunto de datos comprende 13 características operativas (incluyendo parámetros de par motor, valores de potencia activa, parámetros del regulador y métricas relacionadas con la frecuencia) y tiene dos objetivos:

1. Clasificación Binaria: Predicción de estados de estabilidad de la red (estable vs. inestable, etiquetado como stabf).
2. Regresión: Predicción de puntuaciones de estabilidad continuas (etiquetado como stab).

Preprocesamiento de Datos:
El conjunto de datos fue sometido a una estandarización de puntuación Z (z-score). No se requirieron valores faltantes ni codificación de variables categóricas. Los datos se dividieron en un 80% para entrenamiento y un 20% para prueba mediante un muestreo estratificado para preservar la distribución de las clases.

Modelos Evaluados:
Se seleccionó una diversa gama de algoritmos que fueron rigurosamente ajustados mediante GridSearchCV con validación cruzada de 5 pliegues (5-fold cross-validation):

• ML Clásico: Regresión Logística (LogReg), Clasificador de Vectores de Soporte (SVC) y K-Vecinos Más Cercanos (KNN).
• Métodos de Conjunto (Ensemble): Random Forest (RF), XGBoost y un Clasificador de Apilamiento (Stacking Classifier), que combina RF, SVC, KNN y XGBoost con un meta-clasificador de Regresión Logística.
• Aprendizaje Profundo: Una arquitectura basada en Transformers implementada en PyTorch, personalizada para datos tabulares con codificación posicional enmascarada y mecanismos de autoatención.

Métricas de Evaluación:

• Clasificación: Exactitud (Accuracy), Precisión, Sensibilidad (Recall), F1-Score y ROC-AUC.
• Regresión: Puntuación R² (coeficiente de determinación) y Error Cuadrático Medio (MSE).
• Validación Estadística: Se realizaron pruebas t de muestras pareadas sobre los F1-scores de validación cruzada para asegurar que las diferencias de rendimiento observadas fueran estadísticamente significativas.

Resultos Clave

• Desempeño de Clasificación: La arquitectura basada en Transformers alcanzó el mayor desempeño en todas las métricas, con una exactitud del 97.96%, un F1-score de 97.95% y una puntuación media de validación cruzada de 97.67%. Superó significativamente al Clasificador de Vectores de Soporte (SVC) con un p-valor < 0.01. El Clasificador de Apilamiento y XGBoost también demostraron un fuerte desempeño (F1-scores > 0.97), mientras que la Regresión Logística mostró la menor capacidad (exactitud ~81.95%), resaltando su limitación para capturar la dinámica no lineal de la red.
• Desempeño de Regresión: Para la predicción del índice de estabilidad continuo, el Regresor de Random Forest logró el R² más alto de 0.89, demostrando una fuerte capacidad predictiva. Los modelos Transformer y XGBoost también superaron a los modelos lineales tradicionales en las tareas de regresión.
• Importancia de las Características: El análisis de los modelos basados en árboles (RF y XGBoost) identificó a g3 (métrica de estabilidad relacionada con el generador), tau1 (constante de tiempo) y p1 (potencia activa) como las características más influyentes. La matriz de correlación indicó una baja multicolinealidad entre las características, lo que respalda la interpretabilidad del modelo.
• Eficiencia Computacional: Se observó un compromiso (trade-off) entre la exactitud y el tiempo de entrenamiento. El modelo Transformer requirió un tiempo de entrenamiento significativamente mayor (~39.6 segundos) en comparación con modelos ligeros como la Regresión Logística (1.8 segundos) y KNN (2.0 segundos). Sin embargo, los autores argumentan que la precisión predictiva superior justifica el costo computacional para el monitoreo de redes de alto riesgo.

Contribuciones y Significancia Clave
El artículo afirma llenar un vacío en la literatura al proporcionar un análisis comparativo unificado de modelos clásicos, de conjunto y basados en Transformers específicamente para la predicción de la estabilidad de la red. Sus principales contribaciones incluyen:

1. Demostración de la Superioridad de los Transformers: El estudio proporciona evidencia empírica de que las arquitecturas de Transformers, diseñadas originalmente para secuencias, pueden adaptarse eficazmente para datos tabulares estructurados de redes eléctricas, superando a los métodos tradicionales de ML al capturar interacciones complejas entre características.
2. Benchmarking Riguroso: Al aplicar protocolos idénticos de preprocesamiento, optimización de hiperparámetros y validación cruzada en todos los modelos, el estudio asegura una comparación justa de la precisión predictiva, robustez y generalización.
3. Alineación con Objetivos de Sostenibilidad: El marco propuesto basado en datos apoya las iniciativas globales de sostenibilidad, específicamente el ODS 7 (Energía Asequible y No Contaminante), el ODS 9 (Industria, Innovación e Infraestructura) y el ODS 13 (Acción por el Clima), al mejorar la resiliencia y la eficiencia operativa de la red.
4. Viabilidad Práctica: Los resultados confirman que, si bien los modelos avanzados como los Transformers tienen costos computacionales más altos, su precisión y robustez los convierten en candidatos viables para la integración en sistemas de monitoreo de red en tiempo real y entornos de borde (edge).

Direcciones Futuras
Los autores sugieren que el trabajo futuro debería centrarse en la integración de estos modelos con sistemas SCADA/EMS para el monitoreo casi en tiempo real, el empleo de técnicas de IA Explicable (XAI) como SHAP o LIME para mejorar aún más la interpretabilidad, y la exploración de arquitecturas híbridas (por ejemplo, combinando Transformers con LSTMs) para capturar mejor los contextos temporales en los datos de la red.