Development of Multivariate Attention LSTM Model For Dynamic Line Rating Forecasting

1. Declaração do Problema

• Contexto: Com a diminuição das reservas globais de combustíveis fósseis, nações como o Sri Lanka estão transitando para energia renovável (almejando 70% de geração renovável até 2030). No entanto, expandir a infraestrutura de transmissão de energia é custoso e demorado.
• O Problema Central: As Classificações Estáticas de Linha (SLRs) tradicionais definem a capacidade da linha de transmissão com base em suposições de pior cenário climático (por exemplo, alta temperatura, baixo vento). Essa abordagem conservadora leva a uma significativa subutilização dos ativos existentes da rede.
• O Desafio: A Classificação Dinâmica de Linha (DLR) oferece uma solução ao estimar a capacidade da linha em tempo real com base nas condições climáticas reais. No entanto, a previsão precisa de DLR é difícil devido a:
  • Alta sensibilidade à variabilidade ambiental.
  • Interdependências complexas e não lineares entre fatores climáticos (por exemplo, temperatura ambiente, vento, irradiância solar).
  • Limitações de modelos existentes que frequentemente tratam variáveis independentemente ou dependem de previsões de variável única, falhando em capturar a dinâmica térmica completa do condutor.

2. Metodologia

O estudo propõe um modelo LSTM (Long Short-Term Memory) Multivariada inovador, aprimorado com um Mecanismo de Atenção, para prever a DLR. A metodologia envolve três componentes principais:

A. Aquisição de Dados e Configuração do Sistema

• Hardware: Um nó de sensor sem fio personalizado foi implantado em uma linha de distribuição aérea de 33kV (condutores ACSR, ~35mm²) em Theldeniya, Sri Lanka.
• Sensores: O nó mede corrente fasorial, temperatura do condutor, velocidade do vento, umidade, temperatura ambiente e irradiância solar. Os dados são transmitidos via GPRS em intervalos de 15 minutos.
• Física: A DLR é calculada usando a equação de balanço de calor, considerando o resfriamento convectivo e radiativo.

B. Framework de Previsão (Dois Casos Comparativos)

O estudo compara duas abordagens de modelagem:

1. Caso 1 (Linha de Base): Um modelo LSTM univariado padrão.
   • Entrada: Apenas valores históricos de DLR ($I_{t-n} \dots I_t$).
   • Objetivo: Estabelecer uma previsão de linha de base sem fatores climáticos externos.
2. Caso 2 (Proposto): Um LSTM Multivariado com um Mecanismo de Atenção.
   • Entrada: Um vetor combinando DLR histórica e cinco variáveis meteorológicas chave: Temperatura Ambiente, Velocidade do Vento, Umidade, Temperatura do Cabo e Irradiância Solar.
   • Mecanismo: O Mecanismo de Atenção (usando a formulação $Q, K, V$) é integrado para ponderar dinamicamente a importância de diferentes características de entrada em cada passo de tempo. Isso permite que o modelo priorize os fatores ambientais mais relevantes que influenciam o estado térmico do condutor em qualquer momento dado.

C. Métricas de Avaliação

Os modelos foram treinados com 80% dos dados e testados com 20%. O desempenho foi avaliado usando:

• Erro Quadrático Médio (MSE)
• Erro Absoluto Médio (MAE)
• R-quadrado ($R^2$) (Coeficiente de Determinação)

3. Contribuições Principais

• Integração Multivariada: Diferentemente de estudos anteriores que frequentemente tratavam variáveis climáticas independentemente ou usavam entradas de variável única, este modelo captura explicitamente as interdependências não lineares entre a DLR e múltiplos fatores ambientais.
• Mecanismo de Atenção: A introdução da camada de atenção permite que o modelo "foque" dinamicamente nas entradas mais críticas, abordando a complexidade dos mecanismos de troca térmica (convecção/radiação) que variam ao longo do tempo.
• Validação no Mundo Real: O modelo foi testado com dados do mundo real de uma linha de distribuição de 33kV em operação no Sri Lanka, preenchendo a lacuna entre aprendizado profundo teórico e aplicação prática na rede.

4. Resultados

O Caso 2 (LSTM-Atenção Multivariado) proposto superou significativamente a linha de base do Caso 1 (LSTM Padrão):

• Análise Visual: Os valores previstos do Caso 2 alinharam-se muito mais estreitamente com os dados reais de teste em comparação ao Caso 1, demonstrando a capacidade do modelo de rastrear flutuações rápidas na capacidade da linha causadas por mudanças climáticas.
• Insight Chave: Os resultados confirmam que confiar em um único parâmetro (como a temperatura ambiente) é insuficiente; a influência combinada e ponderada do vento, umidade e irradiância é crítica para a precisão.

5. Significado e Impacto

• Otimização da Rede: Ao fornecer previsões de DLR mais precisas e em tempo real, os operadores da rede podem aumentar com segurança o fluxo de energia nas linhas existentes, desbloqueando "capacidade de hospedagem latente" sem construir nova infraestrutura.
• Integração de Renováveis: O aumento da utilização de linhas apoia diretamente a integração de fontes de energia renovável variável (solar e eólica), ajudando nações a atingir metas agressivas de energia renovável (por exemplo, a meta de 70% do Sri Lanka).
• Eficiência de Custos: A abordagem oferece uma alternativa econômica à expansão física da rede, maximizando o retorno sobre os ativos de transmissão existentes.
• Direção Futura: O estudo valida a eficácia de combinar aprendizado profundo (LSTM) com mecanismos de atenção para sistemas físicos complexos e não lineares, estabelecendo um precedente para futuras aplicações de redes inteligentes.