Nel contesto della transizione energetica, la crescente penetrazione di fonti rinnovabili non programmabili, il processo di elettrificazione e la contemporanea dismissione di centrali termoelettriche pongono un crescente stress sulla rete di trasmissione. La sua espansione deve essere pianificata in modo robusto, per far fronte all’elevato livello di incertezza che caratterizza il sistema, e deve considerare le risorse di flessibilità approvvigionate a mercato (ad esempio, i sistemi di accumulo elettrochimici, la gestione della domanda) come possibili soluzioni candidate.

Tuttavia, gli strumenti esistenti a supporto della pianificazione dell’espansione di rete non sono applicabili a sistemi di larga scala. Ciò si verifica perché non sono in grado di gestire un numero elevato di candidati o perché il problema di OPF (Optimal Power Flow), che deve essere risolto per ogni candidato di espansione, funge da collo di bottiglia computazionale. Questo lavoro mira a verificare se la seconda limitazione può essere superata ricorrendo a modelli basati su Graph Neural Network (GNN) che apprendano una soluzione approssimata del problema AC-OPF. Questo tipo di rete neurale è selezionato tra altri per la sua capacità, fondamentale negli studi di pianificazione, di generalizzare a topologie di rete non viste in fase di addestramento.

Sulla base della revisione dello stato dell’arte sulle applicazioni GNN per l’OPF, si è ipotizzato e quindi dimostrato empiricamente che le prestazioni dei modelli GNN per l’OPF migliorano solo quando si estende il campo ricettivo fino al raggio del problema dell’OPF, definito per un dato sistema elettrico come la lunghezza del massimo percorso più breve di coppie generatore-carico e generatore-generatore. Una rete neurale completamente connessa (FCNN) è utilizzata come riferimento per il confronto con i modelli GNN, visto che attualmente in letteratura raggiunge la massima accuratezza nel predire la soluzione del problema di OPF. Il confronto è eseguito con un approccio robusto basato sul metodo noto come nested k-fold cross validation.

Inoltre, per ottenere una stima imparziale delle prestazioni, la dimensione del modello (ovvero il numero totale di neuroni) è fissata per una data rete, mentre il tasso di apprendimento (learning rate) viene regolato per ogni diversa architettura. I modelli di rete neurale sono addestrati, validati e testati con modalità trasduttiva (ovvero, con reti a topologia fissa) utilizzando set di dati sintetici per l’OPF generati per sette diversi casi di test, in cui il numero di nodi varia da 30 a 300. I modelli sono valutati non solo in termini di perdita della rete neurale, ma anche in termini di altre metriche che misurano la fattibilità della previsione rispetto al dominio AC-OPF.

Complessivamente, i modelli GNN raggiungono prestazioni comparabili rispetto alla controparte FCNN. Il problema di over-smoothing influisce sull’accuratezza dei modelli GNN, soprattutto se il campo ricettivo è maggiore di 10 passi. Pertanto, modelli GNN che risolvono questo problema sono necessari per reti elettriche più grandi. A partire dai risultati conseguiti, in futuro saranno aggiunti termini di regolarizzazione per tenere conto dei vincoli fisici e operativi del problema di AC-OPF e l’analisi sarà estesa ad un contesto induttivo (ovvero, con variazione topologica).