Comparative Analysis of Machine Learning Models for Predicting Grid Stability Using Tabular and Transformer Architectures

Sintesi Tecnica: Analisi Comparativa di Modelli di Machine Learning per la Predizione della Stabilità della Rete

Definizione del Problema
La crescente integrazione di risorse energetiche rinnovabili, veicoli elettrici e risorse energetiche distribuite (DER) ha introdotto una significativa incertezza e non linearità nei moderni sistemi di potenza. Gli approoli di monitoraggio tradizionali, basati su regole e sulla fisica, spesso mancano dell'adattabilità necessaria per gestire le condizioni di carico dinamiche, i flussi di potenza bidirezionali e la generazione intermittente. Sebbene il machine learning (ML) sia emerso come un'alternativa valida per la valutazione della stabilità, la letteratura esistente si concentra spesso su applicazioni isolate (ad esempio, il rilevamento di guasti specifici) o manca di confronti esaustivi tra l'apprendimento classico, l'apprendimento d'insieme (ensemble learning) e le architetture di deep learning all'interno di un framework unificato. Inoltre, molti studi privilegiano l'accuratezza senza affrontare adeguatamente la fattibilità computazionale o l'interpretabilità per l'implementazione in smart grid reali.

Metodologia
Questo studio presenta un framework comparativo che valuta modelli di apprendimento classico, d'insieme e di deep learning per predire la stabilità della rete elettrica utilizzando un dataset di benchmark di 10.000 campioni simulati. Il dataset comprende 13 caratteristiche operative (inclusi parametri di coppia, valori di potenza attiva, parametri del governatore e metriche relative alla frequenza) e si rivolge a due compiti:

1. Classificazione Binaria: Predire gli stati di stabilità della rete (stabile vs instabile, etichettato come stabf).
2. Regressione: Predire punteggi di stabilità continui (etichettati come stab).

Pre-elaborazione dei Dati:
Il dataset è stato sottoposto a standardizzazione z-score. Non sono stati necessari valori mancanti o codifica di variabili categoriche. I dati sono stati suddivisi in set di addestramento (80%) e di test (20%) utilizzando un campionamento stratificato per preservare la distribuzione delle classi.

Modelli Valutati:
Una suite diversificata di algoritmi è stata selezionata e rigorosamente ottimizzata tramite GridSearchCV con validazione incrociata a 5 fold:

• ML Classico: Regressione Logistica (LogReg), Support Vector Classifier (SVC), K-Nearest Neighbors (KNN).
• Metodi d'Insieme (Ensemble): Random Forest (RF), XGBoost e un Classificatore di Stacking (che combina RF, SVC, KNN e XGBoost con un meta-classificatore di Regressione Logistica).
• Deep Learning: Un'architettura basata su Transformer implementata in PyTorch, personalizzata per dati tabulari con codifica posizionale mascherata e meccanismi di auto-attenzione (self-attention).

Metriche di Valutazione:

• Classificazione: Accuratezza, Precisione, Recall, F1-Score e ROC-AUC.
• Regressione: R² Score (coefficiente di determinazione) e Mean Squared Error (MSE).
• Validazione Statistica: Sono stati condotti t-test accoppiati sugli F1-score della validazione incrociata per garantire che le differenze di performance osservate fossero statisticamente significative.

Risultati Chiave

• Performance di Classificazione: L'architettura basata su Transformer ha ottenuto la performance più elevata in tutte le metriche, con un'accuratezza del 97,96%, un F1-score del 97,95% e un punteggio medio di validazione incrociata del 97,67%. Ha superato significativamente il Support Vector Classifier (SVC) con un p-value < 0,01. Anche il Classificatore di Stacking e XGBoost hanno dimostrato una forte performance (F1-score > 0,97), mentre la Regressione Logistica ha mostrato la capacità minore (accuratezza ~81,95%), evidenziando il suo limite nel catturare la dinamica non lineare della rete.
• Performance di Regressione: Per la predizione dell'indice di stabilità continuo, il Random Forest Regressor ha ottenuto il punteggio R² più alto di 0,89, dimostrando una forte capacità predittiva. I modelli Transformer e XGBoost hanno inoltre superato i modelli lineari tradizionali nei compiti di regressione.
• Importanza delle Caratteristiche: L'analisi dei modelli basati su alberi (RF e XGBoost) ha identificato g3 (metrica di stabilità relativa al generatore), tau1 (costante di tempo) e p1 (potenza attiva) come le caratteristiche più influenti. La matrice di correlazione ha indicato una bassa multicollinearità tra le caratteristiche, supportando l'interpretabilità del modello.
• Efficienza Computazionale: È stato osservato un compromesso tra accuratezza e tempo di addestramento. Il modello Transformer ha richiesto un tempo di addestramento significativamente più lungo (~39,6 secondi) rispetto a modelli leggeri come la Regressione Logistica (1,8 secondi) e KNN (2,0 secondi). Tuttavia, gli autori sostengono che la superiore accuratezza predittiva giustifichi il costo computazionale per il monitoraggio della rete in scenari ad alto rischio.

Contributi Chiave e Significato
L'articolo sostiene di colmare una lacuna nella letteratura fornendo un'analisi comparativa unificata di modelli classici, d'insieme e basati su Transformer specificamente per la predizione della stabilità della rete. I suoi principali contributi includono:

1. Dimostrazione della Superiorità dei Transformer: Lo studio fornisce prove empiriche che le architetture Transformer, originariamente progettate per sequenze, possono essere efficacemente adattate per dati tabulari strutturati della rete, superando i metodi ML tradizionali nel catturare complesse interazioni tra le caratteristiche.
2. Benchmarking Rigoroso: Applicando protocolli identici di pre-elaborazione, ottimizzazione degli iperparametri e validazione incrociata a tutti i modelli, lo studio garantisce un confronto equo di accuratezza predittiva, robustezza e generalizzazione.
3. Allineamento con gli Obiettivi di Sostenibilità: Il framework proposto basato sui dati supporta le inizi iniziative globali di sostenibilità, specificamente l'SDG 7 (Energia Pulita e Accessibile), l'SDG 9 (Industria, Innovazione e Infrastrutture) e l'SDG 13 (Azione per il Clima), migliorando la resilienza della rete e l'efficienza operativa.
4. Fattibilità Pratica: I risultati confermano che, sebbene i modelli avanzati come i Transformer abbiano costi computazionali più elevati, la loro accuratezza e robustezza li rendono candidati fattibili per l'integrazione in sistemi di monitoraggio della rete in tempo reale e ambienti edge.

Direzioni Future
Gli autori suggeriscono che il lavoro futuro dovrebbe concentrarsi sull'integrazione di questi modelli con i sistemi SCADA/EMS per il monitoraggio quasi in tempo reale, l'impiego di tecniche di Intelligenza Artificiale Spiegabile (XAI) come SHAP o LIME per migliorare ulteriormente l'interpretabilità, ed esplorare architetture ibride (ad esempio, combinando Transformer con LSTM) per catturare meglio i contesti temporali nei dati della rete.