BOOST-RPF: Boosted Sequential Trees for Radial Power Flow

1. O Problema

A análise de fluxo de carga (power flow) precisa e escalável é crítica para a operação moderna de redes de distribuição, especialmente com o aumento de recursos energéticos distribuídos (DERs) e aplicações de controle em tempo real.

• Limitações dos Solutores Clássicos: Métodos analíticos tradicionais (como Newton-Raphson) oferecem alta fidelidade, mas sofrem com custos computacionais elevados e problemas de convergência em redes grandes ou fortemente carregadas.
• Limitações dos Modelos de Aprendizado de Máquina (ML) Atuais: A maioria das abordagens baseadas em ML trata a previsão de tensão como uma tarefa de regressão global de grafos, prevendo simultaneamente todas as tensões dos barramentos. Embora precisos em distribuições de treinamento, esses modelos (como MLPs e GNNs) frequentemente falham em generalização fora da distribuição (OOD), degradando severamente o desempenho quando aplicados a topologias ou tamanhos de rede não vistos durante o treinamento.

2. Metodologia: BOOST-RPF

O artigo propõe o BOOST-RPF, uma abordagem que reformula a previsão de tensão de um problema de regressão global para um problema de aprendizado sequencial baseado em caminhos.

• Reformulação do Problema: Em vez de prever o estado global da rede, o método decompõe a rede radial em caminhos ordenados da raiz (subestação) até as folhas (barras finais). O estado de um nó filho é condicionado ao estado imediato de seu nó pai.
• Transformação Rede-Sequência: A topologia da rede é convertida em um conjunto de sequências de vetores de características. Para cada aresta (ramo), o modelo recebe dados locais (impedância, injeção de potência local e agregada a jusante) e o estado do nó pai.
• Arquitetura do Modelo: Utiliza Gradient-Boosted Decision Trees (XGBoost) treinados em dados de supervisão por aresta. O artigo compara três variantes de alvo de aprendizado:
  1. Tensão Absoluta: Previsão direta da tensão do nó.
  2. Resíduo do Pai (Parent Residual): Previsão da queda de tensão direta entre o pai e o filho ($V_{pai} - V_{filho}$).
  3. Resíduo Informado pela Física (Physics-Informed Residual): Previsão do desvio em relação a uma aproximação linear (LinDistFlow), aprendendo apenas as não-linearidades de alta ordem.
• Inferência: A execução ocorre via uma travessia em Busca em Largura (BFS), garantindo que cada nó seja visitado uma vez, permitindo escalabilidade linear $O(N)$.

3. Principais Contribuições

• Viés Indutivo Alinhado à Física: Ao treinar em quedas de tensão locais e resíduos, o modelo incorpora o viés indutivo recursivo dos solutores analíticos clássicos, tornando-o agnóstico ao tamanho e à topologia da rede.
• Eficiência de Amostragem: Ao decompor uma única rede em múltiplos caminhos, o método multiplica a quantidade de dados de treinamento disponíveis por amostra de rede, aprendendo regularidades físicas locais invariantes.
• Generalização Superior: O modelo demonstra capacidade de "zero-shot" (aplicação sem re-treinamento) em redes não vistas, superando significativamente modelos globais que tendem a memorizar configurações específicas.
• Escalabilidade e Eficiência: O método oferece escalabilidade computacional linear e tempos de treinamento drasticamente menores (segundos em CPU) comparado a redes neurais profundas.

4. Resultados Experimentais

Os modelos foram avaliados usando o conjunto de dados Kerber Dorfnetz (rede fixa) e o conjunto ENGAGE (redes heterogêneas e OOD), comparados contra solutores analíticos (DistFlow), GNNs (ARMA-GNN) e MLPs globais.

• Precisão: A variante XGB-Parent (Resíduo do Pai) alcançou o estado da arte, superando consistentemente tanto os solutores analíticos quanto as redes neurais.
  • No teste de rede fixa, o erro quadrático médio (RMSE) de magnitude de tensão foi de $8.42 \times 10^{-4}$ p.u., superando o DistFlow em quase duas ordens de magnitude.
• Generalização (OOD):
  • O GlobalMLP falhou catastróficamente em redes não vistas (RMSE de tensão > 1.4 p.u.), tornando-se inutilizável.
  • O ARMA-GNN sofreu degradação significativa (aumento de 5x no erro).
  • O BOOST-RPF (XGB-Parent) manteve alta precisão em redes não vistas, com RMSE de tensão de 0.0134 p.u., demonstrando robustez superior a mudanças topológicas.
• Eficiência Computacional:
  • Treinamento: O BOOST-RPF treinou em ~12 segundos (CPU), enquanto o ARMA-GNN levou ~1420 segundos (GPU).
  • Inferência: O método escala linearmente $O(N)$, sendo ligeiramente mais lento que o MLP global para redes pequenas, mas oferecendo a vantagem crucial de generalização. Para redes grandes, a abordagem sequencial é competitiva com solutores iterativos tradicionais.
• Estabilidade: A análise de erro acumulativo ao longo de caminhos longos mostrou um desvio marginal extremamente baixo, indicando que o modelo não sofre de instabilidade em redes radiais profundas.

5. Significado e Impacto

O BOOST-RPF representa uma mudança de paradigma na modelagem de fluxo de carga para redes de distribuição:

1. Ponte entre Física e Dados: Ele reconcilia a eficiência e a interpretabilidade dos solutores analíticos clássicos com a capacidade de aprendizado de não-linearidades complexas do ML moderno.
2. Viabilidade Operacional: A combinação de alta precisão, robustez a topologias desconhecidas e tempos de treinamento ultrarrápidos torna-o ideal para aplicações em tempo real, como análise de capacidade de hospedagem dinâmica, controle de tensão e triagem de contingências.
3. Interpretabilidade: Diferente de "caixas pretas" neurais, a abordagem baseada em árvores e quedas de tensão locais oferece maior transparência e facilidade de auditoria das previsões.

Em resumo, o trabalho demonstra que modelar o fluxo de potência como uma sequência de dependências locais, em vez de um problema global de grafos, resolve o dilema fundamental entre precisão, generalização e escalabilidade em redes de distribuição elétrica.