Sintesi Tecnica: Interpolazione Kriging Accelerata per la Previsione della Frequenza di Rete in Tempo Reale

1. Definizione del Problema

L'integrazione di risorse basate su inverter (IBR) e lo spostamento dei generatori sincroni convenzionali hanno ridotto l'inerzia del sistema, portando a tassi di variazione della frequenza (ROCOF) più elevati e a dinamiche di stabilità complesse. I moderni meccanismi di protezione e i sistemi di Risposta Rapida alla Frequenza (FFR) operano in intervalli temporali sub-secondari (ad es. 250 ms), rendendo necessaria la previsione di traiettorie ad alta risoluzione temporale per rilevare squilibri e attivare misure di controllo preventivamente.

Gli approcci esistenti affrontano limitazioni significative:

• Modelli guidati dalla fisica: Spesso non riescono a catturare i transitori rapidi, richiedono dati proprietari ad alta fedeltà (spesso non disponibili) e comportano costi computazionali elevati per la simulazione.
• Deep Learning: Sebbene accurati, questi modelli "black-box" mancano di una quantificazione del principio di incertezza, richiedono vasti set di dati (scarsi per eventi critici rari) e faticano a incorporare vincoli fisici rigidi.
• Interpolazione Convenzionale: Metodi come l'interpolazione polinomiale o il peso inverso della distanza impongono assunzioni strutturali rigide o ignorano le sottostanti strutture di correlazione dei dati.
• Kriging Standard/Processi Gaussiani: Sebbene teoricamente solidi per la modellazione della dipendenza spazio-temporale, il kriging standard comporta la risoluzione di sistemi lineari densi e spesso mal condizionati. Inoltre, i predittori di kriging standard possono soffrire dell'effetto di "screening", assegnando pesi negativi controintuitivi ai sensori ridondanti, e mancano di sparsità, rendendoli computazionalmente proibitivi per applicazioni in tempo reale.

2. Metodologia

Gli autori propongono un framework di Kriging Universale (UK) Regolarizzato accelerato da un risolutore numerico specializzato.

2.1. Kriging Universale Regolarizzato

Il metodo modella la frequenza di rete come la realizzazione di un processo stocastico con un trend lineare deterministico (kriging universale) e un residuo a media nulla.

• Formulazione: La previsione è una combinazione lineare di valori osservati. Per garantire che il predittore sia un Miglior Stimatore Lineare Non Distorto (BLUE), i pesi devono soddisfare i vincoli di non distorsione (la somma deve essere 1 e devono corrispondere alle coordinate del punto di query).
• Regolarizzazione: Una penalità della norma $\ell_1$ viene aggiunta all'obiettivo di ottimizzazione. Ciò promuove la sparsità nei pesi di kriging, mitigando efficacemente l'effetto di screening imponendo pesi non negativi e favorendo l'interpolazione rispetto all'estrapolazione. Ciò produce un predittore fisicamente interpretabile con una misura principio di incertezza (varianza di previsione minima).

2.2. Soluzione Numerica: K-ADMM

Per risolvere il problema di ottimizzazione vincolato e non differenziabile risultante in modo efficiente, gli autori sviluppano un risolutore basato sul Metodo Alternato di Moltiplicatori di Lagrange (ADMM), denominato K-ADMM.

• Decomposizione Spettrale: La matrice Hessiana (derivata dal variogramma) viene decomposta spettralmente ($-\Gamma_D = QDQ^\top$). Questo diagonalizza il termine quadratico, separando le variabili nella funzione obiettivo.
• Scissione del Problema: Il problema viene riformulato utilizzando una variabile ausiliaria per disaccoppiare la parte quadratica differenziabile dalla penalità $\ell_1$ non differenziabile.
• Step Iterativi:
  1. Sotto-problema $\nu$: Risolve un sistema lineare che coinvolge l'Hessiana diagonalizzata e i vincoli di non distorsione. La struttura dell'aggettivo aumentato introduce una penalità prossimale quadratica, stabilizzando l'Hessiana potenzialmente mal condizionata. La matrice del sistema è costante, consentendo la fattorizzazione LU pre-calcolata e l'efficiente sostituzione forward-backward.
  2. Sotto-problema $\alpha$: Risolve un problema separabile con una soluzione in forma chiusa (soft-thresholding) per ogni componente.
  3. Aggiornamento Duale: Aggiorna i moltiplicatori di Lagrange per garantire la convergenza dei residui primari.
• Recupero: I pesi finali vengono recuperati tramite trasformazione inversa ($\lambda^* = Q\nu^*$), garantendo il rigoroso rispetto dei vincoli di non distorsione.

3. Contributi Principali

Il documento delinea tre contributi primari:

1. Framework di Kriging Universale Regolarizzato: Una nuova formulazione che incorpora una penalità della norma $\ell_1$ adattata per la previsione della traiettoria di frequenza. Essa impone la sparsità per mitigare l'effetto di screening, fornendo un predittore fisicamente interpretabile con quantificazione dell'incertezza, distinto dai metodi densi "black-box".
2. Algoritmo Numerico Specializzato (K-ADMM): Un risolutore efficiente che sfrutta la decomposizione spettrale per diagonalizzare la matrice del variogramma. Ciò consente di scindere il complesso problema in operazioni scalari leggere. La struttura ADMM stabilizza l'Hessiana mal condizionata, garantendo una convergenza robusta.
3. Dimostrazione della Fattibilità in Tempo Reale: Validazione della capacità del risolutore di trasformare misurazioni di rete ad alta risoluzione in previsioni accurate entro rigorosi vincoli operativi (sub-secondo).

4. Risultati e Caso di Studio

La metodologia è stata validata su un caso di studio di una rete di distribuzione simulata utilizzando Simscape di MATLAB.

• Configurazione: È stato utilizzato un modello di rete "debole" (basso rapporto di cortocircuito) con inerzia ridotta per simulare la sensibilità alle perturbazioni. Il sistema includeva una sorgente trifase non ideale e un IBR controllato da un anello PI.
• Dati: Il dataset comprendeva dati storici di sensori (iniezioni di corrente nel sistema di riferimento dq e frequenza) campionati a 80 Hz.
• Orizzonte di Previsione: Il modello ha previsto le traiettorie di frequenza su un periodo di $T = 0,5$ secondi (40 passi discreti), allineandosi con l'intervallo operativo di 250–500 ms dei meccanismi FFR.
• Prestazioni:
  • La stima sparsa proposta ha raggiunto un'accuratezza comparabile al kriging non regolarizzato.
  • I tempi di calcolo sono stati dimostrati compatibili con le applicazioni in tempo reale, consentendo la previsione sub-secondaria.
  • L'approccio ha catturato con successo le dinamiche transitorie su scale sub-secondarie senza richiedere modelli fisici espliciti della rete o dei componenti.

5. Significato e Rivendicazioni

Il documento afferma che questo lavoro affronta la necessità critica di previsioni della frequenza di rete rapide, affidabili e interpretabili nel contesto dei sistemi di potenza a bassa inerzia.

• Colmare il Divario: Offre una via di mezzo tra l'intrattenibilità computazionale dei modelli fisici ad alta fedeltà e la mancanza di interpretabilità/quantificazione dell'incertezza del deep learning.
• Utilità Pratica: Raggiungendo tempi di calcolo sub-secondari e fornendo misure di incertezza, il metodo consente il rilevamento precoce degli squilibri e l'attivazione tempestiva delle misure di controllo, essenziale per mantenere gli standard di stabilità (ad es. EN50160) nelle moderne reti elettriche.
• Robustezza: L'uso dell'ipotesi intrinseca (tramite il variogramma) e della strategia di regolarizzazione rende l'approccio robusto rispetto a comportamenti non stazionari e scarsità di dati, evitando la necessità di estesi set di dati di addestramento richiesti dal deep learning.

Gli autori concludono che la loro proposta si basa sugli avanzamenti della modellazione non parametrica e dell'ottimizzazione numerica allo stato dell'arte per fornire uno strumento vitale per il controllo in tempo reale e basato sui dati nei sistemi di potenza.