Optimal Solution Search Based on Node Importance for Radial Distribution Network Reconfiguration

Sintesi Tecnica: Ricerca della Soluzione Ottimale Basata sull'Importanza dei Nodi per la Riconfigurazione di Reti di Distribuzione Radiali

Definizione del Problema
Le reti di distribuzione radiali sono la topologia predominante per i sistemi elettrici suburbani e rurali grazie alla loro semplicia strutturale e ai bassi costi operativi. Una sfida critica nella loro pianificazione e gestione è la Riconfigurazione della Rete di Distribuzione (DNR), che consiste nel commutare le linee topologiche per bilanciare i carichi, minimizzare le perdite di potenza, migliorare i profili di tensione e aumentare l'affidabilità.

Sebbene gli algoritmi evolutivi, in particolare gli Algoritmi Genetici (GA), siano ampiamente utilizzati per risolvere la DNR, essi presentano limitazioni significative nelle applicazioni su larga scala. I GA convenzionali tipicamente assegnano pesi identici a tutti i nodi della rete durante il processo di ricerca. Questa strategia di ricerca "cieca" comporta:

1. Dimensionalità della ricerca eccessivamente elevata: L'algoritmo esplora vasti spazi di soluzione, inclusi molti accoppiamenti di nodi irrilevanti.
2. Tassi di convergenza lenti: Il tempo computazionale aumenta significativamente con la dimensione della rete.
3. Inefficienza: I calcoli ridondanti sui nodi che hanno un impatto minimo sulla funzione obiettivo ostacolano l'applicazione pratica.

I metodi esistenti, inclusi i sistemi esperti euristici e varie meta-euriche (ad esempio, l'Ottimizzazione a Colonia di Formiche, la Simulated Annealing), spesso faticano con la scalabilità, la complessità computazionale o la mancanza di oggettività nell'integrare nuove fonti di energia rinnovabile e carichi dinamici.

Metodologia Proposta
Il documento propone un Framework di Estrazione dell'Importanza dei Nodi che integra l'analisi statistica con l'Algoritmo Genetico per guidare il processo di ricerca. Invece di trattare tutti i nodi allo stesso modo, il metodo identifica i "nodi critici" che influenzano dominantemente le variazioni della fitness e concentra le operazioni di ricerca su di essi.

La metodologia segue queste fasi chiave:

1. Modellazione del Sistema: La rete è modellata come un grafo non orientato $G=(V,E)$ utilizzando la Codifica di Riferimento del Genitore (PRE). Questo schema di codifica mappa ogni nodo al suo nodo genitore, rappresentando efficacemente la topologia radiale come una struttura ad albero.
2. Funzione Obiettivo: L'ottimizzazione mira a minimizzare il Costo Totale Annuo, definito come la somma di:
   • Costo di Investimento: Recupero annuale del capitale per sottostazioni e linee.
   • Costo Operativo: Composto dai costi di interruzione di corrente (basati sui tassi di guasto e sui fattori di carico) e dai costi di perdita di energia (basati sulla resistenza delle linee e sul flusso).
   • Vincoli: Capacità termica, limiti di caduta di tensione, capacità della sottostazione, bilancio del flusso di potenza e topologia radiale (connettività priva di loop).
3. Analisi Statistica dell'Importanza: Durante le iterazioni del GA, l'algoritmo analizza le caratteristiche statistiche della popolazione di soluzioni per quantificare l'importanza dei nodi utilizzando quattro metriche distinte:
   • Importanza basata sulla Frequenza: Misura l'entropia della distribuzione della frequenza di variazione del genitore. Un'alta entropia indica che lo stato di connessione di un nodo è altamente sensibile alla funzione obiettivo.
   • Importanza basata sulla Correlazione: Calcola la correlazione di rango di Spearman tra lo stato del genitore di un nodo e il valore della fitness.
   • Importanza basata sulla Sensibilità: Stima la variazione attesa della fitness quando il genitore di un nodo viene modificato.
   • Importanza basata sull'Ensemble Learning: Utilizza le Random Forest per determinare l'importanza delle caratteristiche misurando l'incremento dell'Errore Quadratico Medio (MSE) quando il valore del genitore di un nodo viene permutato.
4. Importanza Comprensiva e Strategia di Ricerca: Le quattro metriche vengono fuse tramite una media ponderata (determinata tramite l'Analytic Hierarchy Process o test sperimentali) per derivare un punteggio di Importanza Comprensiva. I nodi che superano una soglia statistica (definita come media + deviazione standard) sono classificati come nodi critici.
5. Esecuzione del GA Ottimizzato: Le operazioni di mutazione e crossover sono orientate verso questi nodi critici. Dando priorità ai nodi ad alto impatto e saltando i calcoli per quelli non critici, l'algoritmo restringe lo spazio di ricerca e accelera la convergenza.

Contributi Chiave

• Framework Quantitativo dell'Importanza dei Nodi: Lo studio stabilisce un nuovo framework che fonde quattro dimensioni statistiche (frequenza, correlazione, sensibilità ed ensemble learning) per quantificare accuratamente l'importanza dei nodi in un problema di ottimizzazione combinatoria discreta.
• Strategia di Ricerca Efficiente: Passando da una ricerca uniforme a una ricerca mirata sui nodi critici, il metodo riduce significativamente le valutazioni di fitness ridondanti.
• Validità Fisica: Si dimostra che i nodi critici estratti sono fortemente correlati agli attributi fisici della rete, come i terminali ad alto carico e i nodi soggetti a cadute di tensione, validando l'approccio statistico rispetto alla realtà ingegneristica.
• Generalizzabilità: Il framework è presentato come un approccio universale applicabile ad altri problemi di ottimizzazione combinatoria oltre la riconfigurazione delle reti di distribuzione.

Risultati Sperimentali
Il metodo proposto è stato validato su due sistemi di test standard: IEEE 25-bus e IEEE 50-bus.

• Sistema IEEE 25-bus:

  • Nodi Critici Identificati: I nodi 9, 5, 2 e 22 sono stati identificati come nodi critici centrali.
  • Performance: Rispetto a un GA standard, il metodo proposto ha ridotto il tempo di calcolo medio del 37,2% (da 77,83s a 28,93s) e ha ridotto le iterazioni di convergenza del 44,4% (da 135 a 60).
  • Qualità: Le perdite di potenza e il costo totale di investimento sono rimasti essenzialmente invariati, indicando l'assenza di degradazione della qualità della soluzione.

• Sistema IEEE 50-bus:

  • Performance: I miglioramenti sono stati più pronunciati nel sistema più grande. Il tempo di calcolo è stato ridotto del 72,28% (da 451,05s a 326s) e le iterazioni di convergenza sono scese del 90,93% (da 419 a 381).
  • Comportamento di Convergenza: Le curve di convergenza hanno dimostrato che il GA standard soffriva di una convergenza lenta e di oscillazioni dovute all'esplorazione ridondante di nodi a bassa importanza. Al contrario, il metodo proposto ha ottenuto un rapido miglioramento della fitness e una convergenza stabile concentrandosi sui bus centrali ad alta importanza.

Significato e Rivendicazioni
Il documento afferma che la metodologia proposta offre una soluzione pratica ai colli di bottiglia computazionali inerenti alla riconfigurazione di reti di distribuzione su larga scala. Sfruttando l'analisi dell'importanza statistica, il metodo raggiunge un'ottimizzazione ad alta efficienza senza compromettere la qualità della soluzione ottimale.

Gli autori sottolineano che l'approccio non è una semplice accelerazione euristica, ma è fondato sulla realtà fisica delle reti di distribuzione, dove specifici nodi influenzano in modo sproporzionato le prestazioni del sistema. Lo studio conclude che questo framework fornisce uno strumento robusto e generalizzabile per la modernizzazione della pianificazione delle reti elettriche, in particolare mentre le reti affrontano una crescente complessità dovuta all'integrazione delle energie rinnovabili e delle risorse distribuite. Si suggerisce come lavoro futuro l'estensione di questo metodo ad ambienti operativi dinamici e applicazioni online in tempo reale.