End-to-End Learning of Correlated Operating Reserve Requirements in Security-Constrained Economic Dispatch

Título: Aprendizado de Ponta a Ponta de Requisitos de Reserva Operacional Correlacionada em Despacho Econômico com Restrições de Segurança

1. O Problema

Os mercados de eletricidade dependem da contratação e precificação de reservas operacionais para gerenciar a incerteza decorrente da alta penetração de geração renovável (eólica e solar). Os erros de previsão dessas fontes exibem fortes correlações espaciais e temporais devido a padrões climáticos comuns.

• Desafio Atual: A maioria dos métodos de despacho econômico com restrições de segurança (SCED - Security-Constrained Economic Dispatch) especifica a estrutura de correlação dos erros de previsão de forma exógena (pré-definida), geralmente baseada em estatísticas históricas simples (como covariância amostral), sem otimizar essa estrutura para o próprio objetivo de despacho.
• Consequência: Ignorar ou modelar incorretamente essas correlações leva a uma alocação ineficiente de capacidade de reserva, resultando em custos excessivos e sinais de preço distorcidos.
• Objetivo do Artigo: Formular o design do conjunto de incerteza (reserva) como um problema de otimização robusta treinável de ponta a ponta, onde a geometria do conjunto de incerteza é aprendida para minimizar o custo de despacho, mantendo simultaneamente um nível de cobertura (confiabilidade) pré-definido.

2. Metodologia

O artigo propõe um framework que transforma um problema de otimização de dois níveis (bilevel) em um único nível diferenciável, evitando a necessidade de diferenciar através do solucionador de otimização (SCED).

A. Formulação do Problema

• Conjunto de Incerteza: Os erros de previsão são modelados dentro de um conjunto elipsoidal definido por um parâmetro de forma ($\theta$, que captura a correlação) e um parâmetro de tamanho ($\rho$, que controla a conservadorismo).
• Objetivo: Minimizar o custo de despacho robusto $V(\theta, \rho)$ sujeito a uma restrição de cobertura probabilística $P(U \in \mathcal{U}_{\theta, \rho}) \geq \tau$.
• Perfilamento (Profiling): O problema é reformulado eliminando a restrição de cobertura explícita. Para uma forma $\theta$ dada, o raio $\rho$ é ajustado para ser o menor valor possível que atinge a cobertura $\tau$ (o quantil $\tau$ da distribuição de escores de incerteza). Isso reduz o problema a uma otimização apenas sobre a forma $\theta$:
  $$\min_{\theta} V(\theta, \rho_P(\theta))$$
  onde $\rho_P(\theta)$ é o raio dependente da forma.

B. Gradientes e Sensibilidade (Sem Backpropagation no Solucionador)

Um dos principais contributos técnicos é a obtenção de gradientes para o aprendizado sem precisar diferenciar o solucionador de programação linear (SCED):

1. Sensibilidade via KKT/Dual: Utiliza-se a informação dos multiplicadores de Lagrange (dual) obtidos na solução do SCED. O gradiente do custo de despacho em relação à forma e ao raio é calculado diretamente a partir desses multiplicadores e das derivadas da função de suporte do conjunto de incerteza.
2. Gradiente Perfilado: O gradiente total inclui dois termos:
   • Efeito Direto (Envelope): Como a mudança na forma afeta o custo com o raio fixo.
   • Correção de Sensibilidade do Quantil: Como a mudança na forma altera o raio necessário ($\rho_P$) para manter a cobertura.
3. Estimativa Suavizada: Para lidar com a não diferenciabilidade do quantil empírico, utiliza-se uma estimativa suavizada (kernel) durante o treinamento.

C. Pipeline de Aprendizado e Calibração

O método utiliza uma divisão de dados em quatro partes para garantir validade estatística e desempenho:

1. Treino (Train): Otimização da forma $\theta$ usando o gradiente perfilado estimado.
2. Ajuste (Tune): Estimação da sensibilidade do quantil suavizado e do raio para o cálculo do gradiente.
3. Calibração (Calibrate): Uso de Previsão Conformal Split (Split Conformal Prediction) em um conjunto independente para determinar o raio final $\hat{\rho}_\tau$ que garante a cobertura $\tau$ com garantias de amostra finita sob a hipótese de trocabilidade.
4. Teste (Test): Avaliação final do custo e cobertura.

D. Extensão Contextual

O framework também suporta uma extensão onde a forma do conjunto de incerteza é gerada por um codificador neural ($L_\phi(\xi)$) baseado em contexto (ex: hora do dia, previsões de carga), permitindo que a alocação de reserva se adapte dinamicamente às condições operacionais.

3. Contribuições Principais

1. Modelagem e Reformulação: Transformação do design de conjuntos de reserva correlacionados em um problema de otimização robusta treinável de ponta a ponta, reduzindo um problema bilevel a um único estágio diferenciável.
2. Algoritmo e Calibração: Desenvolvimento de um procedimento prático que combina estimadores de sensibilidade de quantil suavizados com calibração conformal, garantindo cobertura marginal finita e estimadores de gradiente consistentes.
3. Validação Empírica: Demonstração de que a geometria aprendida do conjunto de incerteza reduz significativamente os custos de despacho em comparação com a covariância amostral, mantendo a confiabilidade.
4. Abordagem sem Diferenciação de Solucionador: Uso eficiente de informações duais (KKT) para calcular gradientes, eliminando a necessidade de diferenciar através do solver de otimização, o que é computacionalmente vantajoso.

4. Resultados Experimentais

O framework foi avaliado no sistema IEEE de 118 barras, com um modelo de SCED acoplado que inclui restrições de transferência entre zonas.

• Cenário: 10 zonas de despacho, 5 regiões geográficas, dados sintéticos calibrados com padrões reais de erro de previsão (VAR(1) dependente de contexto).
• Comparação: O método "Aprendido (Estático)" foi comparado com:
  • Covariância Amostra: A linha de base padrão.
  • Independente: Ignora todas as correlações.
• Desempenho:
  • Redução de Custo: O método aprendido reduziu o custo de despacho em aproximadamente 4,8% em relação à linha de base de Covariância Amostra ($95.683/h vs $100.496/h).
  • Eficiência de Reserva: Redução na contratação de reserva de 1.572 MW para 977 MW.
  • Cobertura: O método manteve uma cobertura empírica de teste de 97,0% (acima do alvo de 95%), demonstrando que a redução de custo não veio de uma relaxação da segurança, mas de uma melhor alocação de recursos.
  • Restrições de Transferência: Em um cenário com restrições de transferência entre zonas (mais realista), o método aprendido mostrou-se mais robusto, evitando custos adicionais significativos que afetaram as linhas de base.

5. Significado e Implicações

• Eficiência Econômica: O estudo demonstra que aprender a estrutura de correlação especificamente para o objetivo de despacho (em vez de apenas modelar estatisticamente os erros) gera economias substanciais sem comprometer a segurança do sistema.
• Sinais de Preço: Ao alinhar melhor os requisitos de reserva com as direções de incerteza economicamente relevantes, o método melhora os sinais de preço nos mercados de eletricidade baseados em SCED.
• Viabilidade Computacional: A abordagem evita o custo computacional proibitivo de diferenciar solucionadores de otimização complexos, tornando o aprendizado de ponta a ponta viável para problemas de grande escala em sistemas de energia.
• Garantias Estatísticas: O uso de calibração conformal oferece garantias rigorosas de cobertura para dados fora da amostra, um aspecto crítico para a operação de redes elétricas.

Em resumo, o artigo propõe uma mudança de paradigma: em vez de tratar a incerteza como um dado fixo para o despacho, o despacho deve guiar a modelagem da incerteza, resultando em sistemas elétricos mais baratos e eficientes.