Resumo Técnico: Construção de Modelos de Rede Elétrica a partir de Dados Abertos

Declaração do Problema

O acesso a modelos de rede de transmissão realistas e de alta fidelidade é um gargalo crítico para a pesquisa em sistemas de energia. Nos Estados Unidos, dados detalhados de rede — incluindo topologia, impedância de linhas e parâmetros operacionais — são classificados como Informações Críticas de Infraestrutura Energética (CEII) pela Comissão Reguladora de Energia Federal (FERC) e pela Corporação Norte-Americana de Confiabilidade Elétrica (NERC). Consequentemente, pesquisadores não podem acessar modelos do mundo real para planejamento, avaliação de confiabilidade ou treinamento de aprendizado de máquina sem navegar por processos legais restritivos ou pagar taxas de licenciamento proibitivas (US$ 50.000–US$ 500.000).

Alternativas existentes são insuficientes para as necessidades de pesquisa modernas:

• Casos de Teste Padrão (ex.: IEEE 14/30/118 barras): São benchmarks pedagógicos ou algorítmicos que carecem de realismo geográfico, não refletem a integração em larga escala de renováveis e ignoram características estruturais em escala continental.
• Redes Sintéticas (ex.: TAMU): Embora estatisticamente realistas, são geradas para assemelhar-se a redes reais em vez de serem derivadas delas, carecendo de correspondência geográfica específica e da capacidade de evoluir com mudanças reais na infraestrutura.

Essa inacessibilidade de dados impede o estudo de desafios críticos, como o crescimento da demanda impulsionado por IA, a integração de renováveis e a resiliência contra eventos climáticos extremos.

Metodologia

Os autores apresentam um pipeline de cinco estágios que constrói modelos completos de rede de transmissão solucionáveis por Fluxo de Potência Ótimo (OPF) inteiramente a partir de dados publicamente disponíveis. O pipeline transforma dados brutos do OpenStreetMap (OSM) em modelos prontos para solucionadores, utilizando os seguintes estágios:

1. Extração de Dados

O pipeline consulta uma instância local da API Overpass para extrair infraestrutura elétrica (subestações, linhas, geradores, conversores) para estados específicos dos EUA. Os dados são normalizados em GeoJSON. O sistema depende do esquema de etiquetagem power=* do OSM, que inclui linhas aéreas, cabos, subestações e usinas.

2. Reconstrução Topológica

Dados brutos do OSM são convertidos em um modelo estrutural de barra-ramo através de uma sequência de etapas de inferência e limpeza:

• Inferência de Tensão: Como ~15–30% das linhas do OSM carecem de etiquetas de tensão, um algoritmo iterativo de consenso entre vizinhos infere tensões ausentes com base em segmentos conectados e etiquetas de subestação.
• Fusão de Linhas: Trechos fragmentados do OSM que representam um único corredor físico são costurados usando uma estrutura de dados union-find.
• Classificação de Circuitos: O sistema distingue entre ramos inter-faciais (retidos), loops, derivações (taps) e segmentos isolados.
• Detecção de Transformadores e HVDC: Transformadores são inferidos onde barras de diferentes níveis de tensão coexistem em uma subestação. Links HVDC são identificados por padrões específicos de etiquetas (ex.: frequency=dc, etiquetas de tensão bipolar) ou proximidade a nós conversores.
• Criação de Barras: O agrupamento espacial atribui extremidades de linhas a subestações ou cria barras ad-hoc para extremidades isoladas.

3. Estimativa de Parâmetros

Como o OSM carece de parâmetros elétricos, o pipeline os atribui usando tabelas de consulta (LUTs) calibradas com dados da Administração de Informação de Energia dos EUA (EIA):

• Impedância e Classificações: Resistência de linha ($R$), reatância ($X$) e classificações térmicas são derivadas de LUTs baseadas em classes de tensão, com base em tipos padrão de condutores (ex.: condutores agrupados para EHV).
• Fatores de Escala: Para compensar a tendência do OSM de mapear corredores multi-circuito como caminhos únicos, o pipeline aplica Fatores de Topologia ($N_T$) e Fatores de Capacidade ($N_C$). Esses fatores escalonam a impedância e os limites térmicos para corresponder às milhas de circuito relatadas pela EIA.
• Custos de Geradores: Curvas de custo quadráticas são geradas usando taxas de calor EIA-923 e preços de combustível (Henry Hub para gás). Se dados específicos de usina estiverem ausentes, são usadas LUTs padrão por tipo de combustível.

4. Alocação de Demanda

Dados de demanda horários da EIA-930 (nível de Autoridade de Balanceamento) são distribuídos para barras individuais. O pipeline usa a população dos distritos censitários dos EUA como um proxy espacial para alocar a carga, garantindo que a distribuição da demanda se correlacione com a densidade residencial e comercial.

5. Fluxo de Potência Ótimo (OPF)

Os modelos finais são resolvidos usando PowerModels.jl com o solucionador Ipopt.

• Estratégia de Relaxação Progressiva: Reconhecendo que modelos derivados do OSM podem ter imprecisões de parâmetros que causam inviabilidade sob restrições estritas, o pipeline emprega uma estratégia de relaxamento automática. Ele tenta resolver o problema em um nível estrito (L0) e afrouxa progressivamente as restrições (limites de ângulo, folga térmica, limites de tensão, descarte de carga) através dos níveis L1–L5 até que a convergência seja alcançada.
• Compensação de Potência Reativa: Para abordar dados de shunt ausentes no OSM, o pipeline injeta capacitores/reatores de compensação shunt nas barras com déficits de potência reativa identificados durante uma inicialização térmica (warm-start) de DC-OPF.

Contribuições Principais

1. Pipeline de Dados Abertos de Ponta a Ponta: O primeiro pipeline completo para gerar modelos solucionáveis por AC-OPF para toda a rede continental dos EUA usando apenas dados públicos (OSM, EIA, Censo).
2. Validação em Escala: O pipeline foi validado em todos os 48 estados contíguos dos EUA e em seis regiões multi-estaduais, incluindo as Interconexões Oeste (5.076 barras) e Leste (21.697 barras) completas.
3. Lançamento Público de 54 Modelos: Os autores lançam todos os 54 modelos resolvidos (48 de estado único, 6 multi-estaduais) como arquivos JSON compatíveis com PowerModels, fornecendo à comunidade de pesquisa benchmarks prontos para uso derivados de infraestrutura real.
4. Framework de Relaxação Progressiva: Uma estratégia de solucionador inovadora que lida automaticamente com a inviabilidade do modelo devido a lacunas de dados, fornecendo uma métrica transparente (nível de relaxamento) para a qualidade do modelo.

Resultados

O pipeline gerou com sucesso modelos para todos os 48 estados contíguos e seis interconexões regionais.

• Convergência:
  • DC-OPF: 45 dos 48 modelos de estado único convergiram no nível mais estrito (L0).
  • AC-OPF: 42 dos 48 modelos de estado único (88%) convergiram em L0; 44 (92%) convergiram em L0 ou com relaxamento mínimo (AC1) durante horas de baixa demanda.
  • Modelos Regionais: A Interconexão Leste completa (21.697 barras) convergiu no nível de relaxamento L3 em 47 minutos.
• Métricas Econômicas:
  • Os custos médios de despacho foram de US$ 22,1/MWh, consistentes com resultados reais de mercados atacadistas.
  • As perdas do sistema tiveram uma mediana de 1,0%, alinhando-se com expectativas físicas para transmissão de alta tensão.
  • O prêmio de custo do AC-OPF sobre o DC-OPF foi de uma mediana de 1,8%, refletindo perdas resistivas e restrições reativas, consistente com a literatura para redes bem caracterizadas.
• Fidelidade Geográfica: Os modelos preservam a correspondência geográfica real, capturando corredores de transmissão e locais de geração reais, ao contrário de casos de teste sintéticos.

Significado e Alegações

O artigo alega que os dados da rede são infraestrutura fundamental para a transição energética, mas permanecem inacessíveis à maioria dos pesquisadores. Este trabalho aborda essa lacuna demonstrando que modelos de transmissão utilizáveis, estrutural e eletricamente plausíveis podem ser construídos inteiramente a partir de dados abertos.

Os autores enfatizam que o objetivo não é recuperar a rede operacional exata (o que é impossível sem dados proprietários), mas gerar modelos que:

1. Converjam sob AC-OPF.
2. Preservem a correspondência geográfica real.
3. Reproduzam estatísticas de nível de sistema (custos, perdas) dentro de faixas realistas.

Ao liberar esses modelos, os autores visam reduzir a barreira de entrada para a pesquisa em sistemas de energia, permitindo que estudantes, formuladores de políticas e pesquisadores estudem o comportamento da rede, treinem modelos de aprendizado de máquina e simulem falhas em cascata sem depender de dados proprietários restritos ou licenças comerciais caras. A metodologia é apresentada como generalizável para outras regiões com cobertura adequada do OSM e estatísticas públicas.