Quantifying the Value of Seismic Structural Health Monitoring for post-earthquake recovery of electric power system in terms of resilience enhancement

Resumo Técnico: Quantificando o Valor do Monitoramento Estrutural de Saúde Sísmica para a Recuperação Pós-Terremoto de Sistemas de Energia Elétrica

Declaração do Problema
As redes de energia elétrica (EPNs) são infraestruturas críticas vulneráveis a falhas induzidas por terremotos, o que pode levar a interrupções generalizadas e desrupções em cascata em sistemas de suporte à vida interdependentes. Embora o aumento da resiliência sísmica seja uma prioridade, as decisões de recuperação pós-terremoto são frequentemente dificultadas pelo conhecimento limitado da situação. Os processos de recuperação tradicionais dependem de inspeções manuais que são intensivas em mão de obra, demoradas e propensas ao erro humano, levando a uma priorização de reparos suboptimal e a interrupções de serviço prolongadas. Os modelos de resiliência existentes frequentemente assumem um conhecimento perfeito e imediato dos danos aos componentes, uma condição irrealista que não leva em conta a incerteza epistêmica inerente à avaliação de danos no mundo real. Consequentemente, o valor sistêmico quantificável do Monitoramento Estrutural de Saúde Sísmica (SSHM) — que oferece detecção de danos rápida e baseada em dados — permanece subexplorado, particularmente no que diz respeito a como o monitoramento imperfeito, parcial ou atrasado afeta o sequenciamento de recuperação e os resultados gerais de resiliência.

Metodologia
O estudo introduz um framework de simulação probabilística integrado, projetado para quantificar o Valor da Informação (VoI) da resiliência do SSHM. O framework consiste em quatro módulos sequencialmente integrados:

1. Simulação Probabilística de Danos: Este módulo gera cenários realistas de danos ao nível do componente, integrando campos de movimento do solo espacialmente correlacionados (usando Equações de Predição de Movimento do Solo e modelos de correlação espacial) com a topologia da EPN e funções de fragilidade específicas de cada componente. Os estados de dano são mapeados para níveis de funcionalidade discretos (ex: binário para nós de barramento, progressivo para geradores e subestações).
2. Percepção de Dano por Componente: Para modelar a incerteza na avaliação de danos, o framework emprega uma abordagem de matriz de confusão probabilística. Este módulo simula tanto inspeções manuais quanto avaliações baseadas em SSHM, contabilizando probabilidades de classificação incorreta (ex: confundir um componente danificado com funcional ou vice-versa). Ele permite a simulação de vários cenários de monitoramento, incluindo cobertura total de SSHM, cobertura parcial de SSHM e avaliações apenas manuais, com atrasos associados.
3. Simulação de Recuperação em Nível de Sistema: Uma simulação orientada por eventos rastreia a evolução da funcionalidade do sistema ao longo do tempo. Com base nos estados de dano percebidos (avaliados), uma fila de reparos priorizada é gerada considerando restrições de recursos (ex: equipes de reparo limitadas) e atrasos de transferência. A simulação atualiza dinamicamente a topologia da rede e avalia a funcionalidade do sistema em cada evento de reparo usando detecção de ilhas baseada em grafos e análise de Fluxo de Potência Ótimo DC (DCOPF) para determinar a carga atendida.
4. Quantificação do VoI Baseada em Resiliência: O framework quantifica a resiliência usando a métrica de Falta de Resiliência (LoR), definida como a área entre a funcionalidade pré-evento e a trajetória de recuperação evolutiva no tempo. O VoI é calculado como a redução esperada na LoR alcançada pela percepção habilitada pelo SSHM em comparação com uma linha de base de inspeção tradicional, derivada de simulações de Monte Carlo através de numerosos cenários de terremotos.

Principais Contribuições

• Modelagem de Recuperação Consciente da Percepção: O estudo avança a avaliação de resiliência ao incorporar explicitamente a incerteza da avaliação de danos nas simulações de recuperação. Diferente de modelos anteriores que assumem conhecimento perfeito de danos, esta abordagem utiliza matrizes de confusão para representar realisticamente o impacto da precisão da detecção e da classificação incorreta na priorização de reparos.
• Framework Computacional Integrado: Desenvolve um framework modular de ponta a ponta que preenche a lacavra entre a pesquisa de detecção de danos e o planejamento de recuperação acionável em nível de sistema. Este framework integra simulação probabilística de danos, modelagem de percepção de SSHM, agendamento de recuperação dinâmica e avaliação quantitativa de resiliência sob restrições operacionais realistas.
• Análise de Sensibilidade Quantitativa e de Custo-Benefício: O estudo realiza análises de sensibilidade abrangentes nos parâmetros de SSHM (precisão e cobertura espacial) e introduz uma métrica normalizada de custo-benefício, a Razão VoI-Custo (VCR). Isso permite a avaliação de diferentes estratégias de monitoramento em termos monetários, fornecendo orientação para decisões de investimento sob restrições orçamentárias.

Resultados
Um estudo de caso utilizando o Sistema de Teste de Confiabilidade (RTS) IEEE 24-barras sob um cenário hipotético de terremoto de magnitude 8.0 yielded os seguintes achados:

• Aumento da Resiliência: O SSHM acelera significamente a recuperação pós-terremoto. Comparado a uma linha de base dependente de inspeções manuais (com 70% de precisão e atrasos de 2 dias), os cenários de SSHM (com 90% de precisão e dados imediatos) reduziram a Falta de Resiliência (LoR) em até 21% (de 27.320 MW·dia para 21.575 MW·dia em uma análise de múltiplos cenários).
• Redução da Incerteza: O SSHM não apenas melhora o desempenho médio da recuperação, mas também reduz significativamente a variabilidade dos resultados. O desvio padrão da LoR diminuiu aproximadamente 20,6% a 42,4%, dependendo do cenário, indicando trajetórias de recuperação mais previsíveis.
• Sensibilidade à Precisão e Cobertura: A análise revelou que tanto a precisão da detecção quanto a cobertura espacial são críticas. Embora o aumento da cobertura melhore a resiliência, os benefícios marginais apresentam retornos decrescentes. Alta precisão combinada com cobertura moderada (ex: 30% de cobertura com 95% de precisão) frequentemente produz uma relação custo-benefício próxima da ideal, superando implementações de baixa precisão e alta cobertura.
• Custo-Benefício: A análise VCR demonstrou que a implantação direcionada de sensores de alta precisão pode gerar ganhos substanciais de resiliência por dólar investido sem exigir a instrumentação total do sistema. Esta configuração permaneceu robusta através de variações de intensidade sísmica (Mw 7.5 a 8.5).

Significância
O artigo afirma fornecer uma base quantitativa para avaliar os benefícios em nível de sistema do SSHM, indo além de ilustrações conceituais para uma avaliação rigorosa baseada em simulação. Ao estabelecer uma ponte entre tecnologias de SHM e gestão de infraestrutura centrada em resiliência, o estudo oferece insights baseados em evidências para guiar decisões de investimento em sensores para infraestruturas críticas. Ele destaca que o valor do SSHM reside não apenas na detecção, mas em como a melhoria na qualidade da informação altera o sequenciamento de recuperação para minimizar a perda de funcionalidade. O framework e as métricas propostos (LoR, VoI, VCR) oferecem uma abordagem escalável para tomadores de decisão equilibrarem fidelidade de detecção, densidade de implantação e restrições financeiras para aumentar o planejamento de recuperação pós-desastre.