NEO-Grid: A Neural Approximation Framework for Optimization and Control in Distribution Grids

Resumo Técnico: NEO-Grid

Declaração do Problema
A proliferação de recursos energéticos distribuídos (DERs), como fotovoltaicos solares e armazenamento em baterias, está transformando as redes de distribuição, introduzindo variabilidade e heterogeneidade significativas que desafiam a estabilidade de tensão. Uma gestão eficaz exige modelagem precisa da relação não linear entre injeções de potência e magnitudes de tensão (o modelo de fluxo de potência ou PF). Abordagens tradicionais dependem de aproximações linearizadas (por exemplo, LinDistFlow), que frequentemente falham em capturar não linearidades críticas sob cargas pesadas ou em alimentadores altamente resistivos. Além disso, embora a Otimização de Tensão-Var (VVO) busque soluções centralizadas e o Controle de Tensão-Var (VVC) busque políticas autônomas locais, ambos são prejudicados pela complexidade computacional de resolver equações de PF não lineares e pela natureza recursiva e de malha fechada das dinâmicas do VVC. Métodos existentes para VVC, como redes neurais recorrentes (RNNs) desenroladas, sofrem com ônus de memória e problemas de desaparecimento de gradiente.

Metodologia
O artigo propõe o NEO-Grid, um quadro unificado baseado em aprendizado que substitui aproximações lineares tradicionais por substitutos de rede neural tanto para otimização quanto para controle.

1. Substituto de Fluxo de Potência Neural (Modelo NEO-Grid):

   • Os autores constroem uma rede neural (especificamente uma rede de camada única oculta com ativações ReLU) para aproximar o mapeamento de fluxo de potência CA não linear $v = f(p, q)$.
   • Este substituto é treinado em dados gerados por simulações precisas de PF-CA sob diversas condições operacionais, incluindo cenários de compensação de potência reativa.
   • Como redes ReLU produzem funções por partes lineares (PWL), o substituto pode ser incorporado em formulações de Programação Linear Mista Inteira (MIL) ou Programação Quadrática Mista Inteira (MIQP), tornando a física não linear tratável para solucionadores padrão.

2. VVO via Programação Mista Inteira:

   • Para a Otimização de Tensão-Var, o substituto neural treinado substitui as restrições de PF não lineares no problema de otimização.
   • O objetivo é minimizar o desvio de tensão em relação ao perfil nominal de 1,0 p.u. A natureza PWL da rede permite que o problema seja resolvido como um Programa Quadrático Mista Inteira (MIQP) ou relaxado para um Programa Linear Mista Inteira (MILP).

3. VVC via Modelos de Equilíbrio Profundo (DEQ):

   • Para o Controle de Tensão-Var, os autores abordam o desafio de projetar regras de controle locais $q_i = g(v_i)$ que operam em malha fechada.
   • Em vez de desenrolar as dinâmicas do sistema ao longo do tempo (como em RNNs), o NEO-Grid modela o sistema como um Modelo de Equilíbrio Profundo (DEQ).
   • A regra de controle é parametrizada como uma função estruturada baseada em ReLU (imitando as curvas de droop lineares por partes do padrão IEEE 1547).
   • O estado do sistema é definido como um ponto fixo $v^* = F_\phi(v^*)$, onde $F_\phi$ compõe o substituto neural de PF e a regra de VVC.
   • O treinamento utiliza diferenciação implícita e algoritmos de busca de raiz (por exemplo, aceleração de Anderson) para calcular gradientes em relação aos parâmetros de controle $\phi$ diretamente no ponto de equilíbrio. Isso elimina a necessidade de armazenar trajetórias longas, reduzindo significativamente o uso de memória e o custo computacional.

Principais Contribuições
O artigo delineia três contribuições primárias:

1. Projeto Unificado de PF: A construção de um único substituto de fluxo de potência neural que serve como um "neuro-simulador" tratável tanto para otimização centralizada (VVO) quanto para controle descentralizado (VVC).
2. Generalizabilidade: O quadro é projetado como um "neuro-simulador" universal capaz de suportar tarefas diversas, incluindo fusão de dados, análise preditiva e aplicações de gêmeo digital dentro de sistemas de distribuição.
3. Aprendizado de VVC Baseado em Equilíbrio: A integração de representações de regras de controle PWL com o substituto NEO-Grid, otimizada via diferenciação implícita baseada em DEQ. Esta abordagem permite a otimização eficiente do desempenho de controle em malha fechada sem a sobrecarga computacional de arquiteturas recorrentes desenroladas.

Resultados Experimentais
O quadro foi avaliado no sistema de distribuição radial IEEE de 33 barras.

• Aproximação de Fluxo de Potência: O substituto neural NEO-Grid alcançou um Erro Quadrático Médio (MSE) de $1,81 \times 10^{-6}$ no conjunto de teste. Isso foi uma ordem de magnitude melhor que a regressão linear ($3,16 \times 10^{-5}$) e mais de 100 vezes mais preciso que o modelo LinDistFlow ($1,95 \times 10^{-4}$).
• Desempenho de VVO: Em tarefas de regulação de tensão, a otimização baseada em NEO-Grid alcançou o menor desvio médio de tensão (0,94%) e o menor número de violações grandes (>3% de desvio) em comparação com as linhas de base de regressão linear e LinDistFlow.
• Desempenho de VVC: O controlador NEO-Grid treinado com DEQ alcançou um desvio médio de tensão de 3,63%, superando as linhas de base lineares e heurísticas. Crucialmente, eliminou todas as entradas de tensão com desvios superiores a 7%, enquanto outros métodos baseados em otimização ainda exibiam grandes desvios significativos.
• Comparação: Embora a VVO (centralizada) naturalmente alcançasse melhor regulação que a VVC (descentralizada) devido à maior flexibilidade, a abordagem de VVC NEO-Grid demonstrou robustez e consistência superiores em comparação com métodos existentes baseados em linear/RNN.

Significado e Alegações
Os autores afirmam que o NEO-Grid estabelece uma solução escalável, precisa e interpretável para regulação de tensão baseada em aprendizado. Ao preencher a lacuna entre a precisão da física não linear e a tratabilidade necessária para otimização e controle, o quadro oferece uma alternativa prática às aproximações lineares. O uso de DEQs aborda especificamente os gargalos computacionais do projeto de controle em malha fechada, permitindo treinamento eficiente em políticas de camada única sem o ônus de memória do desenrolamento de trajetórias. O artigo posiciona o NEO-Grid não apenas como um algoritmo de controle, mas como um "neuro-simulador" fundamental que pode ser estendido para casos de uso mais amplos de gêmeo digital, análise de sensibilidade e estudos de "e se" em redes de distribuição.