Comparative Analysis of Machine Learning Models for Predicting Grid Stability Using Tabular and Transformer Architectures

Resumo Técnico: Análise Comparativa de Modelos de Aprendizado de Máquina para Predição de Estabilidade de Rede

Declaração do Problema
A crescente integração de recursos de energia renovável, veículos elétricos e recursos energéticos distribuídos (DERs) introduziu uma incerteza e não linearidade significativas nos sistemas de potência modernos. As abordagens tradicionais de monitoramento baseadas em regras e impulsionadas pela física frequentemente carecem da adaptabilidade necessária para lidar com condições de carga dinâmicas, fluxos de potência bidirecionais e geração intermitente. Embora o aprendizado de máquina (ML) tenha emergido como uma alternativa viável para a avaliação de estabilidade, a literatura existente foca frequentemente em aplicações isoladas (por exemplo, detecção de falhas específicas) ou carece de comparações abrangentes entre arquiteturas de ML clássico, aprendizado de conjunto (ensemble learning) e aprendizado profundo dentro de um framework unificado. Além disso, muitos estudos priorizam a precisão sem abordar adequadamente a viabilidade computacional ou a interpretabilidade para a implantação em redes inteligentes do mundo real.

Metodologia
Este estudo apresenta um framework comparativo avaliando modelos de aprendizado clássico, de conjunto e de aprendizado profundo para prever a estabilidade da rede elétrica utilizando um conjunto de dados de referência de 10.000 amostras simuladas. O conjunto de dados compreende 13 características operacionais (incluindo parâmetros de torque, valores de potência ativa, parâmetros de regulador e métricas relacionadas à frequência) e visa duas tarefas:

1. Classificação Binária: Predição de estados de estabilidade da rede (estável vs. instável, rotulado como stabf).
2. Regressão: Predição de escores de estabilidade contínuos (rotulado como stab).

Pré-processamento de Dados:
O conjunto de dados passou por padronização z-score. Não foram necessários valores ausentes ou codificação categórica. Os dados foram divididos em 80% para treinamento e 20% para teste usando amostragem estratificada para preservar a distribuição das classes.

Modelos Avaliados:
Um conjunto diversificado de algoritmos foi selecionado e rigorosamente ajustado via GridSearchCV com validação cruzada de 5 dobras (5-fold cross-validation):

• ML Clássico: Regressão Logística (LogReg), Classificador de Vetores de Suporte (SVC), K-Vizinhos Mais Próximos (KNN).
• Métodos de Conjunto (Ensemble): Random Forest (RF), XGBoost e um Classificador de Empilhamento (Stacking Classifier) (combinando RF, SVC, KNN e XGBoost com um meta-classificador de Regressão Logística).
• Aprendizado Profundo: Uma arquitetura baseada em Transformer implementada em PyTorch, customizada para dados tabulares com codificação posicional mascarada e mecanismos de autoatenção (self-attention).

Métricas de Avaliação:

• Classificação: Acurácia, Precisão, Recall, F1-Score e ROC-AUC.
• Regressão: Coeficiente de Determinação (R²) e Erro Quadrático Médio (MSE).
• Validação Estatística: Testes t pareados foram realizados nos F1-scores de validação cruzada para garantir que as diferenças de desempenho observadas fossem estatisticamente significativas.

Principais Resultados

• Desempenho de Classificação: A arquitetura baseada em Transformer alcançou o maior desempenho em todas as métricas, com uma acurácia de 97,96%, um F1-score de 97,95% e um score médio de validação cruzada de 97,67%. Superou significativamente o Classificador de Vetores de Suporte (SVC) com um p-valor < 0,01. O Classificador de Empilhamento e o XGBoost também demonstraram forte desempenho (F1-scores > 0,97), enquanto a Regressão Logística mostrou a menor capacidade (acurácia ~81,95%), destacando sua limitação em capturar a dinâmica não linear da rede.
• Desempenho de Regressão: Para a predição do índice de estabilidade contínuo, o Regressor Random Forest alcançou o maior score de R² de 0,89, demonstrando forte capacidade preditiva. Os modelos Transformer e XGBoost também superaram os modelos lineares tradicionais em tarefas de regressão.
• Importância das Características: A análise dos modelos baseados em árvores (RF e XGBoost) identificou g3 (métrica de estabilidade relacionada ao gerador), tau1 (constante de tempo) e p1 (potência ativa) como as características mais influentes. A matriz de correlação indicou baixa multicolinearidade entre as características, apoiando a interpretabilidade do modelo.
• Eficiência Computacional: Observou-se um compromisso (trade-off) entre acurácia e tempo de treinamento. O modelo Transformer exigiu um tempo de treinamento significativamente maior (~39,6 segundos) em comparação com modelos leves como Regressão Logística (1,8 segundos) e KNN (2,0 segundos). No entanto, os autores argumentam que a superior acurácia preditiva justifica o custo computacional para o monitoramento de redes de alto risco.

Principais Contribuições e Significância
O artigo afirma preencher uma lacuna na literatura ao fornecer uma análise comparativa unificada de modelos clássicos, de conjunto e baseados em Transformer especificamente para a predição de estabilidade de rede. Suas principais contribuições incluem:

1. Demonstração da Superioridade dos Transformers: O estudo fornece evidências empíricas de que as arquiteturas Transformer, originalmente projetadas para sequências, podem ser efetivamente adaptadas para dados tabulares estruturados de redes elétricas, superando os métodos tradicionais de ML na captura de interações complexas de características.
2. Benchmarking Rigoroso: Ao aplicar protocolos idênticos de pré-processamento, otimização de hiperparâmetros e validação cruzada em todos os modelos, o estudo garante uma comparação justa de acurácia preditiva, robustez e generalização.
3. Alinhamento com Objetivos de Sustentabilidade: O framework baseado em dados proposto apoia iniciativas globais de sustentabilidade, especificamente o ODS 7 (Energia Limpa e Acessível), ODS 9 (Indústria, Inovação e Infraestrutura) e ODS 13 (Ação Contra a Mudança Global do Clima), ao aumentar a resiliência e a eficiência operacional da rede.
4. Viabilidade Prática: Os resultados confirmam que, embora modelos avançados como os Transformers possuam custos computacionais mais elevados, sua acurácia e robustez os tornam candidatos viáveis para integração em sistemas de monitoramento de rede em tempo real e ambientes de borda (edge).

Direções Futuras
Os autores sugerem que trabalhos futuros devem focar na integração desses modelos com sistemas SCADA/EMS para monitoramento próximo ao tempo real, no emprego de técnicas de IA Explicável (XAI) como SHAP ou LIME para aumentar ainda mais a interpretabilidade, e na exploração de arquiteturas híbridas (por exemplo, combinando Transformers com LSTMs) para capturar melhor os contextos temporais nos dados da rede.