Nel quadro della transizione energetica, l’espansione della rete di trasmissione mantiene un ruolo centrale e deve essere pianificata in modo robusto per far fronte all’elevato livello di incertezza nell’evoluzione del sistema. Questo problema è intrinsecamente probabilistico e combinatorio, richiede la risoluzione di molti casi del problema di Optimal Power Flow (OPF) e non è scalabile a reti di grandi dimensioni. I modelli di Graph Neural Network (GNN) possono essere utilizzati in questo contesto per approssimare la soluzione del problema di OPF, poiché questo tipo di rete neurale (NN) può generalizzare la sua soluzione a topologie non viste in fase di addestramento.

Nello specifico, questo lavoro affronta contemporaneamente due questioni relative a questo ambito, vale a dire la generazione efficiente di dataset sintetici di alta qualità per l’OPF in corrente alternata e la necessità di modelli di NN affidabili per il problema AC-OPF. Per generare tali set di dati è stata sviluppata una metodologia in due fasi che si basa sulla limitata letteratura esistente. Nel primo passo, l’iper-volume di campionamento iniziale, che consta dei possibili stati di carico di un dato sistema elettrico, è ridotto iterativamente utilizzando una formulazione convessa del problema di AC-OPF.

Nella seconda fase, il politopo risultante è campionato uniformemente in termini di potenza attiva di carico totale per generare soluzioni di AC-OPF, usando una metodologia che limita il numero di iterazioni. Con riferimento alla necessità di utilizzare NN affidabili, è stata sviluppata un’architettura NN physics-informed (PiNN). Il modello NN effettua una previsione dell’insieme delle variabili che caratterizzano completamente un sistema elettrico in regime stazionario (ovvero iniezioni di potenza attiva e reattiva, modulo e fase delle tensioni).

Sulla base di questa previsione, metriche di violazione sono calcolate per ogni vincolo di uguaglianza e disuguaglianza dell’AC-OPF e sono aggiunte alla funzione obiettivo della GNN, che è dunque addestrata minimizzando tali violazioni. Nel complesso, è dimostrato empiricamente che il modello PiNN supera la controparte GNN physics-agnostic, riducendo efficacemente l’entità e la frequenza delle violazioni dei vincoli di AC-OPF e migliorando le capacità di generalizzazione delle NN.

Ciò è stato verificato nel contesto dell’apprendimento trasduttivo (ovvero, con topologia fissa) utilizzando i set di dati di AC-OPF di alta qualità generati con la metodologia appena descritta per sette reti elettriche di test con un numero di nodi che va da 39 a 1354. È stato inoltre verificato preliminarmente per tre casi di test che il modello PiNN può generalizzare a topologie non viste durante l’addestramento e la validazione.

Il Rapporto è disponibile sul sito inglese