LACE-S: Toward Sensitivity-consistent Locational Average Carbon Emissions via Neural Representation

1. Il Problema

Le reti elettriche sono una delle principali fonti di emissioni di gas serra. Per guidare la decarbonizzazione dalla parte della domanda (ad esempio, attraverso lo spostamento spaziale del carico o Spatial Load Shifting - SLS), è necessario disporre di metriche accurate per le emissioni di carbonio localizzate (locational).

Tuttavia, le metriche esistenti presentano limiti critici:

• Metriche basate sul flusso (Flow-based): Come il Carbon Emission Flow (CEF), distribuiscono le emissioni in modo proporzionale ai flussi di potenza. Spesso producono allocazioni controintuitive a causa della topologia della rete (es. flussi di anello) e non catturano le sensibilità marginali in condizioni di congestione.
• Metriche di mercato esistenti:
  • LMCE (Locational Marginal Carbon Emissions): Calcolano la sensibilità marginale in un singolo punto di funzionamento. Sono valide solo localmente e non possono allocare le emissioni totali o generalizzare oltre quel punto specifico.
  • LACE-R (Locational Average Carbon Emissions - Riemann-sum): Integrano le sensibilità marginali lungo un percorso di carico specifico. Sebbene bilancino le emissioni totali, sono limitati al percorso scelto e non generalizzano bene per spostamenti di carico fuori da quel percorso, portando talvolta a un aumento paradossale delle emissioni totali quando usati per guidare lo spostamento del carico.

Obiettivo: Sviluppare una metrica che sia coerente con la sensibilità (sensitivity-consistent) su tutta la regione di carico, garantendo che le allocazioni locali sommate corrispondano alle emissioni totali del sistema e che le sensibilità marginali siano corrette in ogni direzione di variazione del carico.

2. Metodologia

Gli autori propongono LACE-S (Locational Average Carbon Emissions - Sensitivity-consistent), una metrica basata su una rappresentazione neurale (Neural Network - NN).

Architettura della Rete Neurale

• Input/Output: La rete mappatura i profili di carico nodale ($d$) ai fattori di emissione locali ($\lambda$).
• Architettura: Una rete feedforward con $L$ strati nascosti. Gli strati iniziali e finali sono parzialmente sparsi (block-sparse) per riflettere la modularità delle reti elettriche (bus con risposte simili dei generatori marginali).
• Attivazione: ReLU per gli strati nascosti e Sigmoid per l'output, per garantire che i fattori di emissione rimangano in un intervallo normalizzato.

Meccanismi di Vincolo e Regularizzazione

Per garantire la validità fisica e la coerenza, il modello introduce tre componenti chiave:

1. Layer di Proiezione Esplicito (Bilanciamento delle Emissioni):
   Poiché la rete neurale potrebbe non garantire che la somma delle emissioni allocate ai nodi corrisponda esattamente alle emissioni totali del sistema ($E$), viene aggiunto un layer di proiezione. Questo proietta l'output grezzo della rete ($\hat{\lambda}$) su un iperpiano definito da $d^\top \lambda = E$.

   • Viene definita una Loss di Bilanciamento ($L_\lambda$) per minimizzare la deviazione da questo equilibrio.

2. Loss di Sensibilità (Coerenza Marginali):
   Poiché i valori "ground-truth" delle LACE non sono noti, il modello utilizza le LMCE note (calcolate analiticamente) come etichette di gradiente. La rete viene addestrata affinché le sue derivate parziali (sensibilità) corrispondano alle LMCE reali.

   • Viene definita una Loss di Sensibilità ($L_\mu$) basata sulla differenza tra le sensibilità stimate e quelle reali.

3. Regularizzazione basata sulla Matrice Jacobiana:
   Per catturare la struttura sottostante del mercato (dove i bus di carico sono raggruppati in cluster con risposte simili dei generatori), viene introdotta una regolarizzazione sulla matrice Jacobiana del modello ($J = \partial \hat{\lambda} / \partial d$).

   • Struttura a blocchi diagonali: Penalizza le connessioni tra cluster diversi.
   • Dominanza diagonale: Promuove l'auto-influenza rispetto alle influenze incrociate.
   • Questo riduce l'overfitting e migliora la stabilità numerica.

Strategia Scalabile: ZACE-S

Per sistemi su larga scala, il calcolo nodale completo è costoso ($O(D^2)$). Viene proposta una versione aggregata per zona (ZACE-S), che mappa gli input nodali a zone di mercato predefinite ($K \ll D$), riducendo la complessità a $O(D \cdot K)$ e mantenendo la coerenza con i prezzi marginali zonali (ZMP).

Procedura di Addestramento

Viene utilizzato un approccio a più stadi per garantire la convergenza:

1. Inizializzazione con la metrica ACE (media globale).
2. Addestramento con le loss principali (bilanciamento + sensibilità).
3. Aggiunta della regolarizzazione a blocchi diagonali.
4. Aggiunta della penalità di dominanza diagonale.

3. Contributi Chiave

1. Nuova Metrica LACE-S: Sviluppo di una metrica di emissioni medie locali che garantisce coerenza globale e sensibilità in tutta la regione di carico, superando i limiti delle metriche puntuali o dipendenti da percorsi.
2. Approccio Neurale con Vincoli Fisici: Integrazione di un layer di proiezione esplicito e loss basate sul gradiente per garantire che il modello neurale rispetti i vincoli di bilancio energetico e le dinamiche di mercato.
3. Scalabilità tramite ZACE-S: Proposta di una strategia di aggregazione zonale che riduce drasticamente la complessità computazionale rendendo il metodo applicabile a grandi sistemi di rete.
4. Validazione Pratica: Dimostrazione che LACE-S funziona come segnale efficace per lo spostamento spaziale del carico (SLS), evitando l'aumento paradossale delle emissioni.

4. Risultati Sperimentali

I test sono stati condotti sul sistema IEEE a 30 nodi con 6 generatori e 20 carichi, utilizzando 50.000 scenari di carico generati tramite DC-OPF.

• Accuratezza del Bilanciamento: Sia LACE-S che ZACE-S raggiungono un equilibrio delle emissioni quasi perfetto (deviazione media < 0.5%), superiore o pari ai modelli fully-connected senza regolarizzazione.
• Precisione della Sensibilità: LACE-S riduce significativamente l'errore massimo nella previsione delle LMCE (da ~8% a <4%) rispetto ai modelli di base, mostrando una migliore consistenza tra gli scenari.
• Struttura della Matrice Jacobiana: La regolarizzazione ha successo nel produrre una matrice Jacobiana con una struttura a blocchi diagonali chiara, allineata con i cluster di generatori marginali reali, eliminando impatti globali irrealistici.
• Performance nello Spostamento del Carico (SLS):
  • In uno scenario di test, l'uso di LACE-S ha ridotto le emissioni totali del 0.10% (da 176.062 a 175.887 tCO2).
  • Al contrario, le metriche esistenti (LMCE, LACE-R, CEF) hanno portato a un aumento delle emissioni (fino al +0.13%) quando utilizzate per guidare lo spostamento del carico.
  • LACE-S si è avvicinato molto al limite teorico ottimale (Opt-shift), che richiede informazioni non disponibili nella pratica.
  • Su 1.000 scenari diversi, LACE-S ha mai aumentato le emissioni post-spostamento, mentre le altre metriche hanno mostrato una distribuzione significativa verso l'aumento delle emissioni.

5. Significato e Impatto

Il lavoro dimostra che l'uso di rappresentazioni neurali vincolate fisicamente può colmare il divario tra la necessità di metriche di carbonio accurate e la complessità non lineare dei mercati elettrici.

• Affidabilità Operativa: LACE-S fornisce un segnale affidabile per gli operatori di mercato e i partecipanti alla domanda, permettendo di spostare i carichi verso fonti più pulite senza il rischio di peggiorare l'impronta di carbonio totale del sistema.
• Scalabilità: La versione zonale (ZACE-S) rende la soluzione praticabile per reti reali di grandi dimensioni.
• Futuro: L'approccio apre la strada all'integrazione di modelli di mercato più realistici, vincoli non lineari e incertezze rinnovabili, facilitando la transizione verso operazioni di rete consapevoli del carbonio.

In sintesi, LACE-S rappresenta un passo avanti fondamentale verso metriche di carbonio che sono non solo teoricamente corrette, ma anche praticamente efficaci per guidare la decarbonizzazione della domanda energetica.