L’obiettivo principale di questo progetto pluriennale è migliorare i modelli di Graph Neural Network (GNN) per approssimare accuratamente le soluzioni al problema dell’Optimal Power Flow (OPF), anche con cambiamenti nella topologia della rete nel contesto della pianificazione delle reti di trasmissione.

Motivato dalla necessità di integrare questi modelli con metodologie metaeuristiche per affrontare le sfide probabilistiche e combinatorie nelle valutazioni dei sistemi elettrici, come il problema dell’espansione della rete di trasmissione, questo progetto mira a ridurre significativamente l’onere computazionale e migliorare la scalabilità.

In particolare, questo lavoro è focalizzato contemporaneamente su due fronti, ovvero la modellazione delle Interazioni a Lungo Raggio (ILR) e l’integrazione dei risolutori di power flow all’interno del framework GNN. Per la modellazione ILR, è sviluppata un’architettura GNN robusta per affrontare le limitazioni nei modelli GNN profondi. È stato considerato e sviluppato un caso d’uso per comprendere l’impatto dell’over-smoothing e dell’over-squashing sull’accuratezza delle predizioni AC-OPF.

Si è rilevato che l’over-smoothing compromette l’apprendimento nei modelli GNN con più di 10-20 strati, verificandosi esclusivamente in coppie o gruppi di nodi strutturalmente equivalenti. L’aggiunta di connessioni residue a ciascun strato GNN risolve efficacemente l’over-smoothing, anche in architetture che superano i 100 livelli. Sebbene sia stata identificata una correlazione positiva tra l’entità dell’errore di previsione GNN a livello di nodo e la metrica della resistenza effettiva del nodo, i risultati riguardanti l’over-squashing non possono essere considerati statisticamente significativi.

Per aderire ai vincoli fisici e operativi, le GNN sono state affinate integrando un risolutore di power flow AC durante l’addestramento, garantendo il vincolo di bilancio della potenza complessa nodale nelle predizioni della rete neurale. Sono stati sviluppati due risolutori di power flow: il metodo Newton-Raphson, che ha un elevato onere computazionale a causa della rifattorizzazione jacobiana ad ogni iterazione e richiede molteplici sincronizzazioni tra GPU e CPU, e il metodo Fast Decoupled Power Flow (FDPF), che aggiorna separatamente l’angolo di fase e l’ampiezza della tensione con una singola fattorizzazione della matrice, aumentando l’utilizzo della GPU e migliorando le prestazioni e la scalabilità.

In conclusione, integrando il modello GNN con la modellizzazione ILR e il risolutore di power flow, è stato possibile ottenere miglioramenti significativi in termini di accuratezza e fattibilità mantenendo la scalabilità della soluzione. I progressi realizzati dimostrano un avanzamento sostanziale nel miglioramento dei modelli GNN per il problema AC-OPF, contribuendo con metodologie e intuizioni rilevanti per la ricerca futura e le applicazioni nei sistemi elettrici.