Surrogate Modeling of Interconnector Flows: A Machine Learning Alternative to Full-Scale Power System Simulations with Application to Cross-Border Electricity Exchange

Sintesi Tecnica: Modellazione Surrogata dei Flussi tra Interconnettori

Definizione del Problema
Gli scambi transfrontalieri di elettricità sono critici per l'operatività e la pianificazione di sistemi elettrici ad alta penetrazione di rinnovabili. Tuttavia, i Modelli di Ottimizzazione dei Sistemi di Potenza (PSOM) affrontano compromessi intrinseci tra risoluzione temporale, dettaglio tecnico e ambito spaziale. Per mantenere la trattabilità, molti studi riducono la granularità spaziale a un singolo paese o regione, trattando gli scambi transfrontalieri in modo esogeno attraverso la prescrizione di serie temporali storiche di import/export o scalandole per farle corrispondere ai nuovi livelli di domanda.

Il documento sostiene che queste semplificazioni diventino incoerenti con la transizione del sistema elettrico verso quote elevate di Fonti Rinnovabili Variabili (VRES). In tali sistemi, i pattern di flusso sono sempre più guidati dalla fluttuante disponibilità di rinnovabili piuttosto che dalla domanda prevedibile. Di conseguenza, scalare le serie temporali storiche può portare a ipotesi fuorvianti riguardo all'entità e alla tempistica dei flussi, determinando risultati del modello inaccurati e potenziali inammissibilità (es. Energia Non Fornita, ENS) quando questi flussi vengono imposti come condizioni al contorno fisse in modelli ridotti.

Metodologia
Gli autori propongono un framework di apprendimento automatico (ML) surrogato, progettato per mappare i dati delle serie temporali nodali disponibili (profili orari di domanda e generazione da rinnovabili) su serie temporali sintetiche dei flussi a livello di interconnettore. Questi flussi sintetici fungono da condizioni al contorno coerenti per i PSOM ridotti.

1. Generazione dei Dati: I dati di addestramento sono generati utilizzando il modello PSOM open-source LEGO, un modello di Optimal Power Flow in corrente continua (DC-OPF) lineare. Il modello rappresenta una rete pan-europea con un nodo per paese, utilizzando le assunzioni ENTSO-E TYNDP 2024 National Trends per l'anno 2030.
2. Modelli Surrogati: Sono stati sviluppati e confrontati due famiglie di modelli:
   • K-Nearest Neighbors (KNN): Un baseline non parametrico. Le varianti includono l'uso di set di feature completi, feature selezionate (tramite importanza della permutazione) e ottimizzazione degli iperparametri.
   • Rete Neurale Sequenziale (SQU): Una rete neurale feedforward con strati nascosti densi e attivazione ReLU. Le varianti includono set di feature completi/selezionati, ottimizzazione degli iperparametri e una nuova funzione di perdita personalizzata orientata alla fattibilità.
3. Funzione di Perdita Personalizzata: Per i modelli SQU, è stata introdotta una funzione di perdita personalizzata che penalizza pattern di flusso fisicamente impossibili. Nello specifico, scoraggia le esportazioni nette previste che superano la capacità massima di generazione disponibile del nodo più gli ingressi meno la domanda. Ciò mira a evitare che il PSOM a nodo singolo ridotto incontri inammissibilità artificiali (ENS) quando i flussi surrogati vengono imposti.
4. Strategia di Valutazione:
   • Addestramento: Anno Climatico (CY) 2009.
   • Test: In-sample (CY 2009) e out-of-sample (CY 1995 e 2008) per testare la robustezza rispetto a diverse realizzazioni meteorologiche.
   • Case Studies: Austria (altamente interconnessa), Germania (sistema grande e diversificato) e Spagna (debolmente interconnessa).
   • Impatto a Valle: I flussi previsti sono imposti come condizioni al contorno fisse in modelli LEGO a singolo paese ridotti. I risultati (costi di sistema, dispatch, ENS, bilanci commerciali) sono confrontati con i corrispondenti componenti nazionali del benchmark europeo completo.

Contributi Chiave

• Proposta di Framework: Un nuovo framework surrogato basato su ML che genera serie temporali di flussi a livello di interconnettore partendo da input di domanda e generazione da rinnovabili, consentendo studi su PSOM ridotti senza dover risolvere ripetutamente un modello europeo su larga scala.
• Confronto tra Modelli: Un confronto esaustivo tra i surrogati KNN e le reti neurali feedforward (SQU) per la previsione di flussi multi-output, valutando set di feature completi e ridotti.
• Addestramento Orientato alla Fattibilità: L'introduzione di una funzione di perdita personalizzata per le reti neurali che penalizza profili di esportazione netta fisicamente irrealistici, con l'obiettivo di ridurre le inammissibilità indotte dal surrogato nei modelli di ottimizzazione a valle.
• Validazione Empirica: Test rigorosi contro le pratiche comuni (riutilizzo/scaling dei profili storici) e benchmark a sistema completo attraverso molteplici anni climatici e paesi con caratteristiche strutturali distinte.

Risultati

• Accuratezza Predittiva: I modelli SQU superano costantemente i baseline KNN, in particolare negli anni climatici out-of-sample. I modelli SQU ottengono un $R^2$ più elevato e un NMAE (Errore Medio Assoluto Normalizzato) più basso rispetto a KNN, dimostrando una superiore capacità di generalizzazione a pattern meteorologici non visti.
• Confronto con lo Scaling Storico: Il riutilizzo dei profili di flusso storici (anche se scalati per corrispondere alla domanda annuale o ai totali commerciali) produce una scarsa accuratezza predittiva (spesso con $R^2$ negativo) e non riesce a catturare la corretta struttura oraria dei flussi. Ciò porta a deviazioni significative nel dispatch e nei costi di sistema.
• Rilevanza Decisionale a Valle:
  • Costo di Sistema: I flussi generati dal ML (in particolare le varianti SQU) producono esiti di costo di sistema nei modelli ridotti a singolo paese che si avvicinano molto al benchmark europeo completo. Al contrario, i metodi di scaling storico introducono sostanziali distorsioni di costo (es. deviazione fino al +81,6% in Germania per il 2008).
  • Dispatch e Fattibilità: I modelli SQU preservano meglio la tempistica e il segno degli scambi, portando a pattern di dispatch più accurati per le risorse flessibili (gas, storage).
  • Impatto della Loss Personalizzata: In Austria, dove il benchmark completo non presenta ENS, la loss personalizzata elimina con successo le ENS indotte dal surrogato nel modello ridotto. Tuttavia, in Germania, dove il benchmark contiene già piccole ENS, la loss personalizzata riduce ulteriormente le ENS ma sposta il bilancio commerciale/dispatch lontano dal benchmark, indicando un compromesso tra fedeltà statistica e fattibilità operativa a seconda del contesto di sistema.
• Efficienza Computazionale: L'approccio offre riduzioni significative dei tempi di esecuzione (fino a $\sim$500$\times$) rispetto all'esecuzione del modello europeo completo. Sebbene il KNN con estesa selezione delle feature e tuning possa comportare un elevato overhead di pre-elaborazione (superando talvolta il tempo di esecuzione del modello completo per casi complessi come la Germania), i modelli SQU offrono un robusto compromesso tra qualità del risultato e velocità computazionale.

Significatività e Rivendicazioni
Il documento sostiene che i surrogati di flusso basati su ML forniscano un'alternativa vitale e necessaria alle assunzioni di flusso esogene basate sulla storia per gli studi sui sistemi elettrici ad alta quota di rinnovabili. Gli autori affermano che:

1. La Struttura Temporale è Fondamentale: La modellazione accurata degli scambi transfrontalieri richiede di catturare la tempistica intra-annuale dei flussi rispetto alla disponibilità di rinnovabili e alla domanda, non solo i totali annuali.
2. Generalizzazione: I surrogati a rete neurale (SQU) generalizzano in modo più robusto tra diversi anni climatici rispetto a KNN o ai dati storici scalati, rendendoli adatti per studi prospettici di scenario.
3. Rilevanza Decisionale: L'uso di flussi generati tramite ML come condizioni al contorno in PSOM ridotti produce esiti (costi, dispatch, bilanci commerciali) che sono significativamente più coerenti con le simulazioni a sistema completo rispetto ai metodi tradizionali.
4. Consapevolezza della Fattibilità: Le funzioni di perdita personalizzate possono essere efficaci nel prevenire inammissibilità artificiali, sebbene la loro applicazione richieda una valutazione attenta delle caratteristiche di fattibilità del sistema sottostante.

Lo studio conclude che questo framework consente studi ridotti, decisionali e trattabili per sistemi ad alta quota di rinnovabili, offrendo sostanziali risparmi computazionali pur mantenendo l'integrità delle interazioni transfrontaliere. Il lavoro futuro suggerito dagli autori include l'aumento della granularità spaziale, l'applicazione del metodo alla pianificazione dell'espansione della generazione e lo sviluppo di surrogati probabilistici.