PowerModelsGAT-AI: Physics-Informed Graph Attention for Multi-System Power Flow with Continual Learning

1. Il Problema

Il flusso di potenza in corrente alternata (AC) è un calcolo fondamentale per l'operazione sicura e la pianificazione dei sistemi elettrici. Tuttavia, i solutori classici basati sul metodo di Newton-Raphson possono diventare lenti o fallire in condizioni di stress (es. guasti multipli, carichi elevati).
Le soluzioni basate sul Machine Learning (ML) esistenti presentano diverse limitazioni:

• Mancanza di generalizzazione: I modelli sono solitamente addestrati su un singolo sistema e non funzionano bene su topologie diverse.
• Dimenticanza catastrofica (Catastrophic Forgetting): Quando si tenta di adattare un modello a nuovi sistemi o condizioni operative (apprendimento continuo), le prestazioni sui sistemi originali crollano drasticamente.
• Interpretabilità fisica limitata: Spesso è difficile verificare se le previsioni del modello rispettino le leggi fisiche reali o se si basino su correlazioni spurie.
• Gestione dei tipi di bus: La maggior parte dei modelli non gestisce nativamente le diverse tipologie di bus (PQ, PV, Slack) all'interno di un'unica architettura unificata.

2. Metodologia: PowerModelsGAT-AI

Gli autori propongono PowerModelsGAT-AI (PMGAT-AI), un modello di apprendimento profondo basato su Reti Neurali Grafiche (GNN) con meccanismi di attenzione (GATv2) e vincoli fisici.

Architettura e Input

• Rappresentazione del Grafo: I nodi sono i bus e gli archi rappresentano le linee e i trasformatori. Il grafo è diretto per preservare i parametri dipendenti dalla direzione.
• Feature:
  • Nodi: Includono dati operativi (carichi, setpoint), limiti fisici, parametri di rete e indicatori topologici (grado, distanza elettrica dal bus slack).
  • Archi: Contengono ammettenza serie, tipo di componente e limiti termici.
• Masking Consapevole del Tipo di Bus: Il modello utilizza una maschera di supervisione specifica per prevedere solo le variabili sconosciute per ogni tipo di bus (es. per un bus PQ si predicono tensione e angolo; per un bus Slack si predicono le iniezioni di potenza), evitando la "perdita di informazioni" (leakage) dagli input noti.

Funzione di Loss e Vincoli Fisici

L'obiettivo di addestramento è un problema di apprendimento multi-task che combina:

1. Loss Supervisionata: Errore quadratico medio (MSE) normalizzato per tensione, angolo, e potenze attive/reattive. Per gli angoli di tensione, viene utilizzata una funzione di perdita "avvolta" (wrapped loss) per gestire la periodicità.
2. Loss Fisica (Physics-Informed): Viene introdotta una penalità basata sul disallineamento della potenza (power-mismatch). Il modello deve soddisfare le equazioni di bilancio nodale (equazioni del flusso di potenza). Questa loss è calcolata mescolando le previsioni del modello con i dati di riferimento in base alla maschera del bus, garantendo coerenza fisica senza violare i vincoli di input.
3. Bilanciamento Dinamico: Le pesi delle diverse loss non sono fissi manualmente, ma vengono apprese dinamicamente utilizzando una strategia di incertezza omoschedastica, che adatta i pesi in base alla difficoltà relativa di ogni compito.

Apprendimento Continuo (Continual Learning)

Per adattarsi a nuovi sistemi senza riaddestrare da zero e senza dimenticare i sistemi precedenti, il framework integra:

• Experience Replay: Un buffer di scenari dai sistemi originali viene mescolato con i nuovi dati durante l'addestramento.
• Elastic Weight Consolidation (EWC): Una regolarizzazione che penalizza le modifiche ai parametri del modello che sono stati critici per le prestazioni sui sistemi originali (basato sulla matrice di Fisher).

3. Contributi Chiave

1. Apprendimento Unificato Multi-Sistema: Il modello è stato valutato su 14 sistemi benchmark (da 4 a 6.470 bus). È stato addestrato un unico modello unificato su 13 sistemi, dimostrando la capacità di generalizzare su topologie eterogenee.
2. Formulazione a Livello di Bus: Un'unica architettura inferisce simultaneamente tensioni e iniezioni di generatori per tutti i tipi di bus, gestendo nativamente le maschere di supervisione.
3. Obiettivo di Addestramento Fisico-Informato: L'uso di vincoli di disallineamento della potenza differenziabili e il bilanciamento automatico delle loss migliorano la robustezza e la coerenza fisica.
4. Strategia di Apprendimento Continuo: L'approccio EWC+Replay mitiga efficacemente la dimenticanza catastrofica, permettendo l'adattamento a nuovi sistemi mantenendo le prestazioni su quelli base.

4. Risultati Sperimentali

Il modello è stato testato su scenari normali ($N-0$) e in condizioni di contingenza ($N-2$, ovvero due linee fuori servizio).

• Prestazioni Unificate: Il modello unificato su 13 sistemi ha raggiunto un errore medio normalizzato (NMAE) per l'ampiezza della tensione dello 0,89% e un coefficiente di determinazione ($R^2$) superiore a 0,99 per gli angoli di tensione, anche in condizioni di stress.
• Robustezza alle Contingenze: Il modello mantiene prestazioni elevate anche con guasti multipli, dimostrando che il meccanismo di attenzione dinamica riesce a ridistribuire l'importanza dei rami in base ai cambiamenti topologici.
• Apprendimento Continuo:
  • L'adattamento a un nuovo sistema (case1354pegase) tramite fine-tuning naive ha causato un aumento dell'errore sui sistemi base superiore al 1000% (dimenticanza catastrofica).
  • La strategia EWC+Replay ha mantenuto l'aumento dell'errore sui sistemi base sotto il 2%, preservando le prestazioni originali mentre si imparava il nuovo sistema.
• Interpretabilità:
  • I pesi di attenzione appresi correlano positivamente con parametri fisici reali: suscettanza ($r \approx 0.38$) e limiti termici ($r \approx 0.22$).
  • L'analisi di sensibilità (Integrated Gradients) conferma che il modello utilizza le relazioni fisiche note (es. accoppiamento P-$\delta$ e Q-V) per prendere decisioni, validando la sua coerenza fisica.

5. Significato e Impatto

Questo lavoro rappresenta un passo avanti significativo verso l'uso dell'IA per il controllo in tempo reale delle reti elettriche.

• Scalabilità: Dimostra che è possibile creare un unico modello "universale" per diverse dimensioni di rete, riducendo la necessità di addestrare modelli specifici per ogni sottostazione o rete.
• Affidabilità Operativa: La capacità di adattarsi a nuovi scenari o guasti senza dimenticare le conoscenze precedenti è cruciale per le reti moderne, che sono dinamiche e soggette a cambiamenti frequenti (es. integrazione di rinnovabili).
• Fiducia Fisica: L'integrazione esplicita delle leggi fisiche e la dimostrazione che il modello "impara" le relazioni elettriche reali aumentano la fiducia degli operatori di rete nell'adozione di questi strumenti AI per decisioni critiche.

In sintesi, PowerModelsGAT-AI offre un framework robusto, fisicamente coerente e adattabile per risolvere il flusso di potenza AC, superando le limitazioni di generalizzazione e stabilità dei metodi ML precedenti.