Riepilogo Tecnico: Operazioni di Sistema Elettrico Aumentate dall'Apprendimento (LAPSO)

1. Definizione del Problema

Le tradizionali operazioni di sistema elettrico (PSO) si basano su modelli basati sulla fisica e su framework decisionali sequenziali che comprendono previsione, operatività e controllo. Tuttavia, l'aumento della penetrazione delle energie rinnovabili e delle risorse basate su inverter (IBR) introduce incertezze significative e dinamiche complesse che mettono alla prova l'efficienza economica, la stabilità e la robustezza di questi approcci tradizionali.

Le soluzioni attuali soffrono spesso di un paradigma di progettazione "a silos":

• Compiti Isolati: Previsione, operatività e controllo sono progettati indipendentemente. Ad esempio, la previsione delle rinnovabili è tipicamente orientata all'accuratezza, ignorando il suo impatto a cascata sull'economia operativa a valle. Al contrario, le operazioni orientate all'economia spesso trascurano i vincoli di stabilità nella fase di controllo.
• Apprendimento Disconnesso: I modelli di machine learning (ML) sono addestrati isolatamente dai framework di ottimizzazione che devono supportare. Gli obiettivi delle ottimizzazioni fisiche a valle non sono riflessi nel processo di addestramento del ML, e l'interazione tra l'incertezza del ML e i parametri di ottimizzazione rimane opaca.
• Mancanza di un Framework Unificato: Non esiste un framework generale per integrare sistematicamente l'ottimizzazione basata su dati (ML) con l'ottimizzazione basata sulla fisica, quantificare i compromessi tra accuratezza del modello e performance operative, o tracciare le incertezze da diverse fonti (ad esempio, modelli black-box rispetto a parametri di sistema sconosciuti).

2. Metodologia: Il Framework LAPSO

Il documento propone le Operazioni di Sistema Elettrico Aumentate dall'Apprendimento (LAPSO), un framework unificato che pone al centro la fase operativa per modellare sistematicamente il "legame dati-fisica" (data-physics nexus).

Formulazione Matematica Core

LAPSO ridefinisce il problema base dell'operazione di sistema elettrico ($P_{basic}$) codificando modelli di ML parametrici come componenti intrinseche.

• Problema Base ($P_{basic}$): $\min_z f(z; y)$ soggetto a $g(z; y) \le 0$, dove $z$ sono le variabili decisionali e $y$ sono i parametri (es. carico, profili delle rinnovabili).
• Problema LAPSO ($P_{lapso}$): Il framework introduce una componente apprendibile $v(\cdot; \theta)$ che predice i parametri $\hat{y}_2$ basandosi sugli input $x$ e sulle decisioni $z$. Il problema aumentato è formulato come:
  $$\min_z f(z; y_1, \hat{y}_2) + f_v(z; y_1, \hat{y}_2)$$
  $$\text{s.t. } g(z; y_1, \hat{y}_2) \le 0, \quad g_v(z; y_1, \hat{y}_2) \le \tau, \quad \hat{y}_2 = v(z, y_1, x; \theta^*)$$
  Qui, $\theta^*$ rappresenta i parametri del modello addestrato. Fondamentalmente, il modello ML è trattato come una componente apprendibile dell'ottimizzazione, il che significa che il processo di addestramento deve tenere conto dell'impatto di $\theta$ sull'ottimalità, l'efficienza e il conservatorismo di $P_{lapso}$.

Principi di Progettazione e Metriche

Il framework introduce un "Triangolo di Progettazione" che bilancia tre dimensioni:

1. Target di Modellazione: Le dinamiche fisiche o gli indici da apprendere (es. indici di stabilità, dinamiche delle rinnovabili).
2. Tecniche di ML: La scelta algoritmica (es. regressione lineare, reti neurali).
3. Classe di PSO: La struttura dell'ottimizzazione sottostante (es. MILP, convessa, non convessa).

Sono stabilite metriche di progettazione chiave per quantificare i compromessi:

• Accuratezza vs. Impatto Operativo: Bilanciare l'accuratezza della previsione con l'onere computazionale e il costo economico dell'ottimizzazione risultante.
• Ottimalità e Conservatorismo: Garantire che il problema aumentato dal ML rimanga all'interno della classe risolvibile del problema fisico originale (es. preservando la convessità) per garantire l'ottimalità globale.

Applicazioni Rappresentative

Il documento dimostra LAPSO attraverso due applicazioni specifiche:

1. Ottimizzazione Vincolata alla Stabilità (SCO): I modelli ML agiscono come valutatori di stabilità (vincoli) all'interno della fase operativa. Il framework raccomanda valutatori a "complessità moderata" che bilancino accuratezza e necessità di preservare la classe di ottimizzazione (es. utilizzando approssimazioni lineari convesse o misto-intere) per evitare un eccessivo onere computazionale o un falso conservatorismo.
2. Previsione Basata sull'Obiettivo (OBF): Invece di minimizzare l'errore di previsione (es. MSE), il previsore ML è addestrato per minimizzare il costo operativo dell'ottimizzazione a valle. Questo è formulato come un'ottimizzazione bi-livello (gioco di Stackelberg) dove il livello superiore ottimizza i parametri del previsore $\theta_h$ per minimizzare la perdita $\ell$ derivata dal costo operativo del livello inferiore.

Quantificazione dell'Incertezza

LAPSO fornisce una prospettiva bayesiana per il tracciamento dell'incertezza end-to-end:

• Fonti: Distingue tra Incertezza del ML (epistemica ed aleatoria) e Incertezza dell'Ottimizzazione (variazioni nelle strutture di ottimizzazione o parametri imprevedibili $y_1$).
• Propagazione: Utilizza la differenziazione automatica e il teorema della funzione implicita (tramite le condizioni KKT) per tracciare come le incertezze nei parametri del ML si propagano alle variabili decisionali finali e ai costi.
• Robustezza: Propone una formulazione robusta "wait-and-see" per proteggersi dalle incertezze nei parametri di ottimizzazione, risolta tramite un approccio di generazione di colonne e vincoli (C&CG).

3. Contributi Chiave

1. Framework Unificato: Propone LAPSO come una formulazione matematica generale che unifica i compiti tradizionalmente isolati (previsione, operatività, controllo) trattando il ML come una parte intrinseca del problema di ottimizzazione.
2. Metriche di Progettazione: Introduce un insieme sistematico di metriche per valutare i compromessi tra le prestazioni del modello ML e il suo impatto sull'ottimizzazione sottostante (efficienza, ottimalità, conservatorismo).
3. Estensibilità: Dimostra la capacità del framework di chiudere il ciclo nelle catene previsione-operazione-controllo e di gestire compiti ibridi di apprendimento-ottimizzazione.
4. Tracciamento dell'Incertezza: Offre un metodo sistematico per identificare e quantificare le incertezze sia da fonti basate sui dati che basate sulla fisica, incluso un nuovo algoritmo di addestramento robusto per le incertezze di tipo "wait-and-see".
5. Strumenti Open-Source: Sviluppa e rilascia due pacchetti Python:
   • pso: Genera testbed di sistemi elettrici scalabili con dati operativi spazio-temporali.
   • lapso: Aumenta automaticamente i modelli di ottimizzazione esistenti (basati su CVXPY) con componenti apprendibili, gestendo la trasformazione delle reti neurali in vincoli lineari misto-interi dove necessario.

4. Risultati e Verifica

Il documento valida il framework attraverso simulazioni numeriche su sistemi a 14, 39, 57, 118 e 300 bus IEEE.

• Validazione SCO: Utilizzando il sistema IEEE 14-bus, lo studio mostra che diverse complessità dei modelli ML (es. valutatori convessi vs. non convessi) portano a distinti compromessi tra accuratezza della valutazione della stabilità e costi operativi. Un valutatore a complessità moderata offre un miglior equilibrio rispetto a uno ad alta complessità che degrada l'efficienza economica.
• Validazione OBF: Il framework dimostra che l'addestramento dei previsori con perdite basate sull'obiettivo (allineate con i costi operativi) produce risultati spesso più efficienti dal punto di vista economico rispetto al tradizionale addestramento basato sull'accuratezza.
• Scalabilità: L'analisi della scalabilità (dettagliata nell'Appendice) conferma l'applicabilità del framework anche a sistemi più grandi (fino a 300 bus).
• Implementazione: Il pacchetto lapso automatizza con successo l'integrazione di reti neurali nei vincoli di ottimizzazione, verificando la fattibilità delle proposte trasformazioni matematiche.

5. Significato e Rivendicazioni

Il documento sostiene che LAPSO rappresenti un cambiamento fondamentale nelle decisioni dei sistemi elettrici, passando da un approccio isolato basato solo sulla fisica a un nesso integrato dati-fisica.

• Cambio di Paradigma: Si va oltre il trattamento del ML come semplice strumento di modellazione dinamica, vedendolo come una componente apprendibile dell'ottimizzazione stessa.
• Trasparenza: Fornendo una visione matematica unificata, LAPSO rende trasparente la relazione tra ML e metodi basati sulla fisica, permettendo una valutazione sistematica di incertezza e prestazioni.
• Utilità Pratica: Il framework è progettato per essere accettabile dagli operatori di sistema, preservando la struttura e la risolvibilità dei problemi di ottimizzazione tradizionali pur potenziandoli con capacità basate sui dati.
• Preparazione al Futuro: Il framework è intrinsecamente estensibile a nuovi paradigmi che richiedono l'integrazione a ciclo chiuso di previsione, operazione e controllo, affrontando la crescente complessità delle reti decarbonizzate.

Gli autori sottolineano che, sebbene il documento si concentri su SCO e OBF come esempi rappresentativi, il framework LAPSO è ampiamente applicabile a varie attività di sistema elettrico, inclusi i framework di controllo per microgrid e l'arbitraggio di accumulo energetico, a condizione che possano essere formulati come problemi di ottimizzazione.