Learning to Pursue AC Optimal Power Flow Solutions with Feasibility Guarantees

Titolo: Apprendimento per la ricerca di soluzioni al Flusso di Potenza Ottimo in Corrente Alternata (AC OPF) con Garanzie di Fattibilità

1. Il Problema

Il lavoro si concentra sul problema del Flusso di Potenza Ottimo in Corrente Alternata (AC OPF) per sistemi di distribuzione equipaggiati con risorse energetiche distribuite controllabili (DER, come inverter fotovoltaici).

• Sfida principale: L'AC OPF è un problema di ottimizzazione non convesso che può ammettere molteplici soluzioni (globali e locali). Le soluzioni basate su reti neurali (NN) tradizionali tendono a prevedere direttamente la soluzione ottima o i punti KKT, ma spesso falliscono nel garantire la fattibilità (rispetto dei vincoli di tensione e corrente) e la convergenza, specialmente in implementazioni online o con terminazione anticipata.
• Limiti degli approcci esistenti: I metodi che apprendono direttamente la mappa soluzione (da carichi a setpoint) soffrono della natura "insiemistica" della soluzione ottima (mappatura a valori multipli), rendendo difficile l'approssimazione con una rete neurale a valori singoli. Inoltre, la post-elaborazione per garantire la fattibilità è computazionalmente onerosa e priva di garanzie formali.

2. Metodologia Proposta

Gli autori propongono un framework ibrido che combina ottimizzazione basata su feedback e apprendimento automatico (Deep Learning) per approssimare un flusso gradiente sicuro.

• Flusso Gradiente Sicuro (Safe Gradient Flow - SGF):

  • Invece di apprendere direttamente la soluzione ottima, il metodo approssima un flusso gradiente proiettato continuo (SGF).
  • L'SGF è progettato utilizzando Funzioni di Barriera di Controllo (CBF) per garantire che l'insieme delle soluzioni ammissibili sia invariante in avanti. Questo significa che, se si parte da un punto ammissibile, il sistema rimane ammissibile durante l'evoluzione temporale.
  • L'aggiornamento dei setpoint dei DER ($\dot{u}$) è definito come la soluzione di un Programma Quadratico (QP) convesso che minimizza la distanza dal gradiente della funzione di costo, soggetto a vincoli lineari derivati dalle derivate delle tensioni e delle correnti.

• Approssimazione con Reti Neurali (NN-SGF):

  • Per migliorare l'efficienza computazionale (evitando di risolvere il QP in tempo reale), viene addestrata una Rete Neurale Feedforward ($F_{NN}$) per approssimare la mappa della soluzione ottima del QP.
  • Input della rete: Setpoint attuali dei DER ($u$), misure di tensione e corrente ($\xi = |v|, |i|$), e parametri del problema ($\theta$). Nota: Non richiede la conoscenza diretta dei carichi non controllabili ($s_l$), rendendolo adatto al feedback online.
  • Output della rete: La direzione di aggiornamento $\dot{u}$.
  • Vantaggio chiave: La mappa da approssimare (soluzione del QP) è univoca e continua, a differenza della mappa soluzione dell'AC OPF originale che è insiemistica. Questo rende il problema di apprendimento ben posto.

• Implementazioni:

  1. Online (Feedback-based): Utilizza misure reali di tensione/corrente in tempo reale.
  2. Offline: Utilizza un risolutore di flusso di potenza per calcolare le tensioni/correnti durante l'iterazione.

3. Contributi Chiave

1. Garanzie di Fattibilità Pratica: Il metodo garantisce che i setpoint dei DER siano fattibili (o violino i vincoli entro limiti strettamente quantificabili) in qualsiasi momento, anche se l'algoritmo viene interrotto prima della convergenza o eseguito online. Questo è ottenuto tramite l'invarianza in avanti dell'insieme fattibile.
2. Convergenza Teorica: Viene dimostrato che il metodo converge esponenzialmente verso un intorno di un ottimo locale stretto (punto KKT) dell'AC OPF.
3. Nuovo Framework di Apprendimento: A differenza dei metodi che apprendono la soluzione finale, qui si apprende la dinamica di aggiornamento sicura. Questo risolve il problema della mappatura insiemistica e riduce la complessità dei dati di addestramento (non servono i carichi totali, ma solo le misure locali).
4. Rafforzamento dei Vincoli (Constraint Tightening): Viene proposto un metodo per stringere i vincoli durante l'addestramento basandosi su stime degli errori di approssimazione (lineare e della rete neurale), garantendo che i vincoli originali siano soddisfatti nonostante gli errori.

4. Risultati Sperimentali

Il metodo è stato testato su un sistema di distribuzione reale a 93 nodi con carichi e generazione rinnovabile realistici (dati Open Power System Data).

• Confronto:
  • BO (Batch Optimization): Risoluzione completa dell'AC OPF non convesso ad ogni passo (benchmark lento).
  • NN-BO: Rete neurale che impara direttamente a prevedere la soluzione del BO (approccio standard).
  • NN-SGF (Proposto): Rete neurale che impara il flusso gradiente sicuro.
• Performance di Regolazione della Tensione:
  • Il NN-SGF mantiene le tensioni rigorosamente entro i limiti (0.95 - 1.05 p.u.), mostrando solo brevi e lievi eccedenze trascurabili.
  • Il NN-BO, anche se addestrato con più dati, mostra frequenti violazioni di sovratensione, dimostrando che l'apprendimento diretto della soluzione non garantisce la fattibilità.
  • Il BO è efficace ma computazionalmente troppo lento per il controllo in tempo reale.
• Efficienza Computazionale:
  • L'implementazione online del NN-SGF è circa 297 volte più veloce della risoluzione batch (IPOPT) e 45 volte più veloce dell'SGF tradizionale che risolve il QP in tempo reale.
  • Tempo di inferenza della rete neurale: ~2.6 ms per passo.
• Costo: Sebbene il NN-BO mostri un costo cumulativo leggermente inferiore (meno taglio della potenza attiva), lo fa a scapito della violazione dei vincoli di tensione. Il NN-SGF bilancia costi e sicurezza operativa.

5. Significato e Impatto

Questo lavoro rappresenta un avanzamento significativo nell'ottimizzazione dei sistemi di distribuzione:

• Sicurezza Operativa: Fornisce il primo algoritmo basato su reti neurali per l'AC OPF che offre garanzie formali di fattibilità senza bisogno di post-processing. Questo è cruciale per evitare danni alle apparecchiature e interruzioni di servizio.
• Scalabilità e Velocità: Rende possibile il controllo in tempo reale (feedback optimization) su reti di distribuzione complesse, superando i colli di bottiglia computazionali dei metodi tradizionali e l'instabilità dei metodi puramente data-driven.
• Robustezza: La capacità di gestire errori di misura, approssimazione lineare e errori di apprendimento attraverso il "constraint tightening" rende il metodo robusto per applicazioni reali in scenari dinamici con alta penetrazione di rinnovabili.

In sintesi, gli autori dimostrano che apprendere la dinamica di un algoritmo di ottimizzazione sicuro (SGF) è superiore all'apprendimento della soluzione stessa, garantendo sia velocità che sicurezza operativa.