Resumo Técnico: Operações de Sistemas de Potência Aumentadas por Aprendizado (LAPSO)

1. Definição do Problema

As operações tradicionais de sistemas de potência (PSO) baseiam-se em modelos baseados em física e estruturas de tomada de decisão sequencial que compreendem previsão, operação e controle. No entanto, a crescente penetração de energias renováveis e recursos baseados em inversores (IBRs) introduz incertezas significativas e dinâmicas complexas que desafiam a eficiência econômica, a estabilidade e a robustez dessas abordagens tradicionais.

As soluções atuais frequentemente sofrem de um paradigma de design "siloado":

• Tarefas Isoladas: Previsão, operação e controle são projetados de forma independente. Por exemplo, a previsão de renováveis é tipicamente orientada pela precisão, ignorando seu impacto cascata na economia operacional downstream. Inversamente, operações orientadas pela economia frequentemente negligenciam restrições de estabilidade na etapa de controle.
• Aprendizado Desconectado: Modelos de aprendizado de máquina (ML) são treinados isoladamente dos frameworks de otimização que eventualmente suportam. Os objetivos das otimizações físicas downstream não são refletidos no processo de treinamento de ML, e a interação entre a incerteza do ML e os parâmetros de otimização permanece opaca.
• Falta de um Framework Unificado: Não existe um framework geral para integrar sistematicamente o ML baseado em dados com a otimização baseada em física, quantificar os trade-offs entre a precisão do modelo e o desempenho operacional, ou rastrear incertezas de diversas fontes (ex: modelos de caixa-preta vs. parâmetros desconhecidos do sistema).

2. Metodologia: O Framework LAPSO

O artigo propõe o Learning-Augmented Power System Operations (LAPSO), um framework unificado que se centra na etapa de operação para modelar sistematicamente o "nexo dado-física".

Formulação Matemática Central

O LAPSO redefine o problema básico de operação de sistemas de potência ($P_{basic}$) codificando modelos paramétricos de ML como componentes inerentes.

• Problema Básico ($P_{basic}$): $\min_z f(z; y)$ sujeito a $g(z; y) \le 0$, onde $z$ são variáveis de decisão e $y$ são parâmetros (ex: carga, perfis de renováveis).
• Problema LAPSO ($P_{lapso}$): O framework introduz um componente aprendível $v(\cdot; \theta)$ que prevê parâmetros $\hat{y}_2$ com base em entradas $x$ e decisões $z$. O problema aumentado é formulado como:
  $$\min_z f(z; y_1, \hat{y}_2) + f_v(z; y_1, \hat{y}_2)$$
  $$\text{sujeito a } g(z; y_1, \hat{y}_2) \le 0, \quad g_v(z; y_1, \hat{y}_2) \le \tau, \quad \hat{y}_2 = v(z, y_1, x; \theta^*)$$
  Aqui, $\theta^*$ representa os parâmetros do modelo treinado. Crucialmente, o modelo de ML é tratado como um componente aprendível da otimização, o que significa que o processo de treinamento deve considerar o impacto de $\theta$ na otimalidade, eficiência e conservadorismo de $P_{lapso}$.

Princípios de Design e Métricas

O framework introduz um "Triângulo de Design" equilibrando três dimensões:

1. Alvo de Modelagem: As dinâmicas físicas ou índices a serem aprendidos (ex: índices de estabilidade, dinâmicas de renováveis).
2. Técnicas de ML: A escolha algorítmica (ex: regressão linear, redes neurais).
3. Classe de PSO: A estrutura da otimização subjacente (ex: MILP, convexa, não-convexa).

Métricas de design fundamentais são estabelecidas para quantificar trade-offs:

• Precisão vs. Impacto Operacional: Equilibrar a precisão da previsão contra o fardo computacional e o custo econômico da otimização resultante.
• Otimalidade e Conservadorismo: Garantir que o problema aumentado por ML permaneça dentro da classe solucionável do problema original baseado em física (ex: preservando a convexidade) para garantir a otimalidade global.

Aplicações Representativas

O artigo demonstra o LAPSO através de duas aplicações específicas:

1. Otimização Restrita pela Estabilidade (SCO): Modelos de ML atuam como assessores de estabilidade (restrições) dentro da etapa de operação. O framework defende assessores de "complexidade moderada" que equilibram precisão com a necessidade de preservar a classe de otimização (ex: usando aproximações convexas ou de inteiros mistos) para evitar fardo computacional excessivo ou conservadorismo falso.
2. Previsão Baseada em Objetivos (OBF): Em vez de minimizar o erro de previsão (ex: MSE), o previsor de ML é treinado para minimizar o custo operacional da otimização downstream. Isso é formulado como uma otimização bi-nível (jogo de Stackelberg) onde o nível superior otimiza os parâmetros do previsor $\theta_h$ para minimizar a perda $\ell$ derivada do custo operacional do nível inferior.

Quantificação de Incerteza

O LAPSO fornece uma perspectiva Bayesiana para o rastreamento de incerteza de ponta a ponta:

• Fontes: Distingue entre Incerteza de ML (epistêmica e aleatória) e Incerteza de Opt (variações nas estruturas de otimização ou parâmetros imprevisíveis $y_1$).
• Propagação: Utiliza diferenciação automática e o teorema da função implícita (via condições KKT) para rastrear como as incertezas nos parâmetros de ML se propagam para as variáveis de decisão finais e custos.
• Robustez: Propõe uma formulação robusta de "esperar e ver" (wait-and-see) para mitigar incertezas nos parâmetros de otimização, resolvida via uma abordagem de geração de coluna e restrição (C&CG).

3. Principais Contribuições

1. Framework Unificado: Propõe o LAPSO como uma formulação matemática geral que unifica tarefas tradicionalmente isoladas (previsão, operação, controle) ao tratar o ML como parte intrínseca do problema de otimização.
2. Métricas de Design: Introduz um conjunto sistemático de métricas para avaliar os trade-offs entre o desempenho do modelo de ML e seu impacto na otimização subjacente (eficiência, otimalidade, conservadorismo).
3. Extensibilidade: Demonstra a capacidade do framework de fechar o loop nas cadeias de previsão-operação-controle e lidar com tarefas híbridas de aprendizado-otimização.
4. Rastreamento de Incerteza: Oferece um método sistemático para identificar e quantificar incertezas provenientes de fontes baseadas em dados e baseadas em física, incluindo um novo algoritmo de treinamento robusto para incertezas de "esperar e ver".
5. Ferramentas Open-Source: Desenvolve e lança dois pacotes Python:
   • pso: Gera bases de teste de sistemas de potência escaláveis com dados operacionais espaço-temporais.
   • lapso: Augmenta automaticamente modelos de otimização existentes (baseados em CVXPY) com componentes aprendíveis, lidando com a transformação de redes neurais em restrições lineares de inteiros mistos quando necessário.

4. Resultados e Verificação

O artigo valida o framework através de simulações numéricas em sistemas de 14, 39, 57, 118 e 300 barras IEEE.

• Validação SCO: Usando o sistema IEEE 14-barras, o estudo mostra que diferentes complexidades de modelos de ML (ex: assessores convexos vs. não-convexos) levam a trade-offs distintos entre precisão de avaliação de estabilidade e custos operacionais. Um assessor de complexidade moderada oferece um melhor equilíbrio do que um altamente complexo que degrada a eficiência econômica.
• Validação OBF: O framework demonstra que treinar previsores com perdas baseadas em objetivos (alinhadas com custos operacionais) produz resultados diferentes e frequentemente mais eficientes economicamente do que o treinamento tradicional baseado em precisão.
• Escalabilidade: A análise de escalabilidade (detalhada no Apêndice) confirma a aplicabilidade do framework a sistemas maiores (até 300 barras).
• Implementação: O pacote lapso automatiza com sucesso a integração de redes neurais em restrições de otimização, verificando a viabilidade das transformações matemáticas propostas.

5. Significância e Alegações

O artigo afirma que o LAPSO representa uma mudança fundamental na tomada de decisão em sistemas de potência, passando de uma abordagem isolada baseada apenas em física para um nexo integrado dado-física.

• Mudança de Paradigma: Vai além de tratar o ML meramente como uma ferramenta de modelagem dinâmica, passando a vê-lo como um componente aprendível da própria otimização.
• Transparência: Ao fornecer uma visão matemática unificada, o LAPSO torna transparente a relação entre ML e métodos baseados em física, permitindo a avaliação sistemática de incerteza e desempenho.
• Utilidade Prática: O framework é projetado para ser aceitável para operadores de sistemas, preservando a estrutura e a solucionabilidade dos problemas de otimização tradicionais enquanto os aprimora com capacidades baseadas em dados.
• Preparação para o Futuro: O framework é inerentemente extensível para paradigmas emergentes que exigem integração de loop fechado de previsão, operação e controle, abordando a crescente complexidade das redes descarbonizadas.

Os autores enfatem que, embora o artigo foque em SCO e OBF como exemplos representativos, o framework LAPSO é amplamente aplicável a várias tarefas de sistemas de potência, incluindo frameworks de controle para microredes e arbitragem de armazenamento de energia, desde que possam ser formuladas como problemas de otimização.