Large Language Model-Assisted Zoning for Heterogeneous Automatic Voltage Control in Renewable-Rich Regional Power Grids

A rede elétrica moderna não é mais apenas uma rua de mão única onde a energia flui constantemente de grandes usinas de carvão ou gás para casas e fábricas. Hoje, ela é uma rede dinâmica e bidirecional, cada vez mais alimentada por turbinas eólicas e painéis solares. Essas fontes renováveis são limpas e essenciais, mas também são instáveis; o vento para de soprar e nuvens passam sobre os campos solares, fazendo com que a quantidade de eletricidade que elas geram flutue drasticamente. Essa imprevisibilidade cria um desafio específico para os operadores da rede: manter a tensão estável. A tensão é a pressão elétrica que empurra a corrente através dos fios; se ficar muito alta, pode danificar equipamentos, e se cair demais, as luzes diminuem e os motores param. Em uma rede tradicional, os operadores podiam contar com grandes usinas constantes para ajustar sua produção e suavizar esses altos e baixos. Mas com milhares de parques eólicos e solares espalhados, a rede torna-se uma teia complexa onde o excesso ou a falta de energia em uma área pode fazer a tensão oscilar perigosamente em outra. Gerenciar isso requer um sistema que possa decidir instantaneamente quais fontes de energia devem ajustar sua produção e em quanto, uma tarefa que se tornou difícil demais para regras padrão e uniformes lidarem sozinhas.

Em um estudo recente, pesquisadores da State Grid Shanxi Electric Power Company, na China, propuseram uma nova maneira de gerenciar essa complexidade ao tratar diferentes partes da rede de forma distinta, guiadas por uma ferramenta de inteligência artificial conhecida como modelo de linguagem de grande escala (LLM). Em vez de forçar cada fazenda solar e turbina eólica a seguir exatamente o mesmo conjunto de instruções, a equipe desenvolveu um sistema que primeiro analisa as condições locais da rede para decidir qual estratégia funciona melhor para cada área específica. Eles dividiram a rede em zonas baseadas em como as fontes de energia interagem com a tensão local. Em algumas áreas, onde a tensão é naturalmente estável, o sistema simplesmente pede às usinas que mantenham uma quantidade constante e predefinida de potência reativa — um tipo de suporte elétrico que ajuda a manter a tensão sem realmente entregar energia para as residências. Em outras áreas, onde as oscilações de tensão são mais perceptíveis, o sistema muda para um modo onde as usinas rastreiam e corrigem ativamente a tensão, de forma muito semelhante a um termostato ajustando um aquecedor para manter um quarto em uma temperatura definida.

A parte mais complexa da rede, no entanto, envolve áreas onde muitas diferentes usinas de energia estão fortemente conectadas e influenciam umas às outras de forma significativa. Aqui, se cada usina tentasse corrigir a tensão por conta própria, elas poderiam acabar trabalhando umas contra as outras, criando um cabo de guerra caótico que desperdiça energia e estressa os equipamentos. Para resolver isso, os pesquisadores introduziram um método de coordenação sofisticado usando um tipo de inteligência artificial chamada gradiente de política determinística profunda multiagente. Nesta configuração, um controlador central determina a quantidade total de suporte de tensão necessária para todo o grupo, e a IA atua como um árbitro justo, decidindo exatamente quanto trabalho cada usina individual deve realizar para atingir esse objetivo. Isso garante que o ônus seja compartilhado de forma equilibrada e que nenhuma usina seja sobrecarregada enquanto outras ficam ociosas.

Para tomar essas decisões, os pesquisadores usaram um modelo de linguagem de grande escala não para gerar os comandos finais, mas para atuar como um planejador de alto nível. Esta ferramenta de IA analisou o estado atual da rede, incluindo a produção das fazendas eólicas e solares, o layout das linhas de transmissão e o histórico de flutuações de tensão. Com base nesses dados, ela recomendou como agrupar as usinas, qual estratégia de controle usar para cada grupo e quais configurações iniciais aplicar. Se o plano inicial do sistema falhasse em uma verificação de segurança — significando que a tensão ainda derivava demais para fora da faixa segura — a IA revisaria os resultados, aprenderia com o erro e sugeriria ajustes no agrupamento ou nas configurações. Este ciclo de planejamento, teste e refinamento permitiu que o sistema se adaptasse às mudanças de condições sem intervenção humana.

A equipe testou essa abordagem em uma versão simulada de uma rede elétrica real, modelada a partir de um sistema de teste padrão com trinta e nove pontos de conexão, povoado por oito parques eólicos e oito usinas solares. Eles compararam seu novo método flexível com estratégias mais antigas que aplicavam uma regra única para toda a rede. Os resultados mostraram que o novo método é significativamente mais eficaz em manter a tensão estável. Ele reduziu o número de vezes que a tensão saiu da faixa segura em quase 88% em comparação com a ausência de um controle especial, e cortou essas violações em mais de 40% em comparação com o melhor método uniforme existente. Além disso, o novo sistema equilibrou muito melhor a carga de trabalho; nos métodos antigos, algumas usinas eram frequentemente forçadas a fazer mudanças grandes e abruptas enquanto outras não faziam nada, levando a um desgaste desigual. A nova abordagem suavizou esses ajustes, reduzindo o tamanho das mudanças que cada usina precisava fazer em cerca de 30% e eliminando as ocorrências em que as usinas acidentalmente cancelavam os esforços umas das outras.

Uma descoberta fundamental do estudo foi que a capacidade do modelo de linguagem de grande escala de refinar suas próprias sugestões fez uma diferença mensurável. Quando os pesquisadores permitiram que a IA ajustasse a importância que atribuía a diferentes objetivos — como priorizar a estabilidade da tensão versus o equilíbrio da carga de trabalho entre as usinas — o sistema apresentou um desempenho ainda melhor. Nas zonas mais difíceis e fortemente conectadas, o sistema otimizado pela IA reduziu os erros de tensão em quase 19% e o desequilíbrio na carga de trabalho em mais de 70% em comparação com um método de controle padrão. Isso sugere que o futuro da gestão da rede pode não residir em um conjunto único e rígido de regras, mas em sistemas inteligentes que podem observar as características únicas de um "bairro" local de usinas de energia e decidir a melhor maneira de manter as luzes acesas. O estudo confirma que, ao combinar a lógica de controle desenhada por humanos com o raciocínio adaptativo dos modelos de linguagem de grande escala, é possível criar uma rede mais resiliente e eficiente, capaz de lidar com os altos níveis de energia renovável necessários para um futuro de baixo carbono.