Surrogate Modeling of Interconnector Flows: A Machine Learning Alternative to Full-Scale Power System Simulations with Application to Cross-Border Electricity Exchange

Resumo Técnico: Modelagem de Substitutos para Fluxos de Interconectores

Definição do Problema
As trocas transfronteiriças de eletricidade são críticas para a operação e o planejamento de sistemas de energia com alta participação de renováveis. No entanto, os Modelos de Otimização de Sistemas de Potência (PSOMs) enfrentam compromissos inerentes entre resolução temporal, detalhamento técnico e escopo espacial. Para manter a tratabilidade, muitos estudos reduzem a granularidade espacial para um único país ou região, tratando as trocas transfronteiriças de forma exógena ao prescrever séries temporais históricas de importação/exportação ou escalando-as para corresponder aos novos níveis de demanda.

O artigo argumenta que essas simplificações tornam-se inconsistentes à medida que o sistema de potência transita para altas participações de Fontes de Energia Renovável Variáveis (VRES). Em tais sistemas, os padrões de fluxo são cada vez mais impulsionados pela disponibilidade flutuante de renováveis, em vez da demanda previsível. Consequentemente, o escalonamento de séries temporais históricas pode levar a suposições enganosas sobre a magnitude e o tempo dos fluxos, resultando em resultados de modelos imprecisos e potenciais inviabilidades (ex: Energia Não Suprida, ENS) quando esses fluxos são impostos como condições de contorno fixas em modelos reduzidos.

Metodologia
Os autores propõem uma estrutura de substituto de aprendizado de máquina (ML) projetada para mapear dados de séries temporais nodais disponíveis (perfis horários de demanda e geração renovável) para séries temporais sintéticas de nível de interconector. Esses fluxos sintéticos servem como condições de contorno consistentes para PSOMs reduzidos.

1. Geração de Dados: Os dados de treinamento são gerados usando o PSOM de código aberto LEGO, um modelo de Fluxo de Potência Ótimo de Corrente Contínua (DC-OPF) linear. O modelo representa uma rede paneuropeia com um nó por país, utilizando as premissas do ENTSO-E TYNDP 2024 National Trends para o ano de 2030.
2. Modelos Substitutos: Duas famílias de modelos são desenvolvidas e comparadas:
   • K-Vizinhos Mais Próximos (KNN): Uma linha de base não paramétrica. As variantes incluem o uso de conjuntos de características completos, características selecionadas (via importância de permutação) e otimização de hiperparâmetros.
   • Rede Neural Sequencial (SQU): Uma rede neural feedforward com camadas ocultas densas e ativação ReLU. As variantes incluem conjuntos de características completos/selecionados, otimização de hiperparâmetros e uma nova função de perda customizada orientada à viabilidade.
3. Função de Perda Customizada: Para os modelos SQU, uma taxa de perda customizada é introduzida para penalizar padrões de fluxo fisicamente impossíveis. Especificamente, ela desencoraja exportações líquidas previstas que excedam a capacidade máxima de geração disponível do nó mais as entradas menos a demanda. Isso visa evitar que o PSOM de nó único reduzido encontre inviabilidades artificiais (ENS) quando os fluxos substitutos são impostos.
4. Estratégia de Avaliação:
   • Treinamento: Ano Climático (CY) 2009.
   • Teste: Dentro da amostra (CY 2009) e fora da amostra (CY 1995 e 2008) para testar a robustez entre diferentes realizações climáticas.
   • Estudos de Caso: Áustria (altamente interconectada), Alemanha (sistema grande e diverso) e Espanha (fracamente interconectada).
   • Impacto a Jusante: Os fluxos previstos são impostos como condições de contorno fixas em modelos LEGO de um único país reduzidos. Os resultados (custo do sistema, despacho, ENS, balanços comerciais) são comparados contra os componentes nacionais correspondentes do benchmark europeu completo.

Principais Contribuições

• Proposta de Estrutura: Uma nova estrutura de substituto baseada em ML que gera séries temporais de fluxo de nível de interconector por hora a partir de entradas de demanda e geração renovável, permitindo estudos de PSOM reduzidos sem a necessidade de resolver repetidamente um modelo europeu de escala total.
• Comparação de Modelos: Uma comparação abrangente de substitutos KNN e de redes neurais feedforward (SQU) para previsão de fluxo de múltiplas saídas, avaliando conjuntos de características completos e reduzidos.
• Treinamento Orientado à Viabilidade: A introdução de uma função de perda customizada para redes neurais que penaliza perfis de exportação líquida fisicamente irreais, visando reduzir as inviabilidades induzidas pelo substituto em otimizações a jusante.
• Validação Empírica: Testes rigorosos contra práticas comuns (reuso/escalonamento de perfis históricos) e benchmarks de sistema completo através de múltiplos anos climáticos e países com características estruturais distintas.

Resultos

• Precisão Preditiva: Os modelos SQU superam consistentemente as linhas de base KNN, particularmente em anos climáticos fora da amostra. Os modelos SQU alcançam $R^2$ mais altos e menor Erro Médio Absoluto Normalizado (NMAE) em comparação ao KNN, demonstrando generalização superior a padrões climáticos não vistos.
• Comparação com Escalonamento Histórico: O reuso de perfis de fluxo históricos (mesmo quando escalados para corresponder à demanda anual ou totais de comércio) resulta em baixa precisão preditiva (frequentemente $R^2$ negativo) e falha em capturar a estrutura de fluxo horária correta. Isso leva a desvios significativos no despacho e nos custos do sistema.
• Relevância de Decisão a Jusante:
  • Custo do Sistema: Fluxos gerados por ML (particularmente variantes SQU) produzem resultados de custo de sistema em modelos de um único país reduzidos que se aproximam muito do benchmark europeu completo. Em contraste, métodos de escalonamento histórico introduzem distorções de custo substanciais (ex: desvio de até +81,6% na Alemanha para 2008).
  • Despacho e Viabilidade: Os modelos SQU preservam melhor o tempo e o sinal das trocas, levando a padrões de despacho mais precisos para recursos flexíveis (gás, armazenamento).
  • Impacto da Perda Customizada: Na Áustria, onde o benchmark completo não possui ENS, a perda customizada elimina com sucesso o ENS induzido pelo substituto no modelo reduzido. No entanto, na Alemanha, onde o benchmark já contém pequenos ENS, a perda customizada reduz ainda mais o ENS, mas desloca o equilíbrio de comércio/despacho para longe do benchmark, indicando um compromisso entre fidelidade estatística e viabilidade operacional dependendo do contexto do sistema.
• Eficiência Computacional: A abordagem oferece reduções significativas no tempo de execução (até $\sim$500$\times$) em comparação com a execução do modelo europeu completo. Embora o KNN com seleção extensiva de características e ajuste possa incorrer em alto overhead de pré-processamento (às vezes excedendo o tempo de execução do modelo completo para casos complexos como a Alemanha), os modelos SQU oferecem um compromisso robusto entre qualidade de resultado e velocidade computacional.

Significância e Alegações
O artigo afirma que os substitutos de fluxo baseados em ML fornecem uma alternativa viável e necessária para suposições de fluxo exógenas e baseadas em histórico para estudos de sistemas de potência com altas renováveis. Os autores afirmam que:

1. A Estrutura Temporal Importa: A modelagem precisa de trocas transfronteiriças requer a captura do tempo intra-anual dos fluxos em relação à disponibilidade de renováveis e demanda, não apenas totais anuais.
2. Generalização: Substitutos de redes neurais (SQU) generalizam de forma mais robusta através de diferentes anos climáticos do que o KNN ou dados históricos escalonados, tornando-os adequados para estudos de cenários prospectivos.
3. Relevância de Decisão: O uso de fluxos gerados por ML como condições de contorno em PSOMs reduzidos produz resultados (custos, despacho, balanços comerciais) que são significativamente mais consistentes com simulações de sistema completo do que os métodos tradicionais.
4. Consciência de Viabilidade: Funções de perda customizadas podem ser eficazes para prevenir inviabilidades artificiais, embora sua aplicação exija consideração cuidadosa das características de viabilidade do sistema subjacente.

O estudo conclui que esta estrutura permite estudos reduzidos tratáveis e relevantes para decisões em sistemas de alta renovável, oferecendo economias computacionais substanciais enquanto mantém a integridade das interações transfronteiriças. O trabalho futuro sugerido pelos autores inclui aumentar a granularidade espacial, aplicar o método ao planejamento de expansão de geração e desenvolver substitutos probabilísticos.