Deep learning per analitzar vulnerabilitats del sistema elèctric.

Els mètodes de l’automatic learning, que inclouen deep learning, reinforcement learning, xarxes neuronals, etc., s’han aplicat amb èxit als estudis de xarxes intel·ligents. Aquests mètodes s’utilitzen per predir corbes de càrrega, de les fonts d’energia fotovoltaica i eòlica,  preus de l’electricitat, caigudes de tensió i vulnerabilitats del sistema d’energia; programar esdeveniments a mitjà termini, com ara compres de combustible i talles de manteniment preventiu; i  mantenir la seguretat, millorar l'economia i optimitzar les decisions en els mercats d'electricitat. 

Les aplicacions de l’automatic learning en les anàlisis de contingència, han inclòs una tècnica de fusió de dades per inferència difusa que no es veu afectada pels tipus i la gravetat dels errors i pel processament de dades asíncron que s’aplica per millorar la precisió de la ubicació de la fallada. El deep learning,  també es va aplicar a les anàlisis de resiliència i reforç del sistema de potència per determinar l’impacte dels huracans i altres condicions severs meteorològiques, on els components del sistema d’energia es van dividir en danyats i operables i es va formar un únic classificador com a entrada a l’algorisme d’automatic learning, mitjançant  la funció transitori energètic per obtenir els límits de decisió. Les aplicacions del reinforcement learning incloïen esquemes adaptatius de control d’emergències per gestionar les variacions de dades i les incerteses dels sistemes d’energia.

Es va desenvolupar un simulador d’interrupció en cascada (CS) mitjançant mètodes estadístics i d’optimització. Es va establir un model d’optimització convexa no lineal resolt per el saddle point dynamics per a la previsió d’interrupció en cascada, que podria millorar els efectes de  les interrupcions en cascada ajustant la potència injectada. Es va desenvolupar un model de programació dinàmica, centrat en la identificació de les branques clau de la xarxa i les pertorbacions inicials que causaven interrupcions en cascada. Es va introduir un algorisme d’identificació del risc basat en el principi del valor màxim. A continuació, es van afegir restriccions de risc per manifestar l'impacte de les caigudes en cascada en el model d'enviament econòmic i es va proposar un model d'optimització de la gestió del risc per equilibrar economia i risc. A més, es va utilitzar un mètode estadístic per identificar dispositius de xarxa crítics basats en dades grans per a interrupcions en cascada. D'acord amb,

Es va proposar un mètode,  per predir la cadena d’interrupció, que localitzava components claus i interaccions entre interrupcions en cascada. Per identificar els components clau i quantificar els impactes als corresponents, es va introduir un model probabilístic per identificar els patrons de propagació de les interrupcions en cascada. Ampliant la xarxa d’una sola capa anterior, es va utilitzar un gràfic interactiu de múltiples capes per predir les propagacions d’interrupció i les mesures de mitigació de la cerca, que podrien identificar amb més eficàcia els components crítics que afecten les propagacions entre capes. No obstant això, els canvis inicials en les condicions límit  del CS, poden portar a resultats diferents. Per tant, per resoldre aquest tipus de problemes, és molt lent i poc pràctic dur a terme el CS per a totes les possibles condicions límit inicials a les aplicacions on-line. 

El mètode automatic learning, es va aplicar per demostrar la seva efectivitat en l'explotació de dades del sistema d'energia per a anàlisis de vulnerabilitats i gestió d'interrupcions. El problema de lliurament de càrrega basat en esdeveniments es va modelar jeràrquicament com un subproblema de classificació de múltiples sortides per identificar les millors ubicacions de lliurament de càrrega i es va desenvolupar un subproblema de regressió per predir les quantitats mínimes de lliurament de càrrega. L'automatic learnigng,  es va utilitzar per desenvolupar una classificació jeràrquica i un enfocament de regressió per aconseguir una millor previsió de les interrupcions en les operacions del sistema d'energia. Tanmateix, mitjançant el mètode jeràrquic, la precisió de l'entrenament aplicant directament el model de regressió va ser pobra a causa de les dues raons següents:

1.- El nombre de característiques (és a dir, estats admissibles de generació i càrrega d'autobusos) era generalment elevat. Per tant, la precisió de la solució pot patir l'adequació de les dades de formació disponibles.

2.- Molts estats inicials del conjunt d'entrenament no van conduir a la pèrdua de càrrega. Per tant, el model de l'automatic learning,  pot adoptar una distribució de sortida desigual respecte als paràmetres d'entrada. Una manera d’abordar els reptes anteriors és aplicar un model d’automatic learning híbrid mitjançant un mètode combinat de classificació i regressió.

Aplicacions d’automatic learning híbrides per l'anàlisis de vulnerabilitats del sistema:

Els darrers anys han estat testimonis de diversos black out en sistemes d’energia elèctrica amb impactes socioeconòmics substancials a tot el món. Molts d'aquests black out, van ser causats per falles locals que després es van propagar desencadenant talls en cascada en diverses regions geogràfiques. El model d’automatic learning amb les dades d’entrenament aleatori, es poden aplicar per trobar la relació entre els estats inicials d’entrada i la vulnerabilitat del sistema d’alimentació (és a dir, la pèrdua de càrrega d’emergència), on el mètode d’automatic learning pot formar el model en una etapa off-line  i utilitzar-lo per a aplicacions de vulnerabilitat on-line. A més, es pot establir un model d’automatic learning híbrid amb models combinats de classificació i regressió, on s’utilitza el model de classificació de Support Vector Machine (SVM) per jutjar si la caiguda en cascada produirà un alliberament de càrrega. Aleshores, el model de regressió que utilitza el mètode Gradient Boosting Regression (GBR) s’utilitza per descriure la relació entre les funcions d’entrada i els indicadors de sortida només per als casos en què es prescriu una reducció de càrrega. L’aplicació CS només farà un seguiment de la propagació local de falles i analitzarà la vulnerabilitat del sistema d’energia davant d’aquests incidents. El component principal del CS, inclou aplicacions complexes de teoria de xarxes per a l'anàlisi del flux de potència. La complexa teoria de xarxes tracta un sistema d'energia com un model amb un gran nombre de components, considera les interaccions entre els corresponents components i analitza les seves crítiques característiques pel que fa a les interrupcions en cascada.

El mètode d’anàlisi del flux de potència divideix el procés de les fallades contínues en diverses etapes i calcula el flux de potència recursivament per trobar les línies sobrecarregades. Es considera un model de flux de corrent altern que té en compte la desviació de freqüència per calcular les variacions de freqüència en cas d’aturades en cascada, que poden captar amb precisió patrons de propagació d’interrupcions. A causa de la seva eficiència i simplicitat, s’utilitza un flux d’alimentació de corrent continu que també considera les restriccions de les xarxes de control i comunicació. En conseqüència, la interdependència de les xarxes elèctriques i de comunicació es quantifica mitjançant un model interactiu en cascada, que indica que una major interdependència conduiria a una menor probabilitat d’apagades elèctriques. S’ha configurat un model a escala múltiple basat en l’arbre de Markovian per simular caigudes en cascada, i s’utilitza una estratègia de cerca cap endavant i cap enrere per accelerar la simulació. S’estableix un model de simulació dinàmica a escala múltiple amb una estratègia de redispatch basada en la sensibilitat.

El model d’automatic learning híbrid observa el fet que molts estats inicials no conduiran a la descàrrega de càrregues i utilitza el model de classificació per eliminar els casos sense perdre la càrrega. Un model d’interrupció en cascada s’aplica mitjançant la complexa teoria de la xarxa, que es refereix a les característiques de càrrega elèctrica per analitzar les vulnerabilitats de la xarxa. S'introdueix un indicador de robustesa per analitzar l'impacte de les caigudes en cascada, que demostra que atacs més petits i càrregues més grans poden reduir el risc de caigudes en cascada. El mètode del procés de ramificació de Galton-Watson s’introdueix al CS per estimar el traçat d’interrupció en cascada i la mida d’apagada corresponent. S’utilitza un mètode de procés de ramificació multi-tipus basat en inversions Lagrange-Good per quantificar la propagació de l’apagada i analitzar les interdependències entre els diferents sistemes d’infraestructura.

El diagrama de flux de l’enfocament d’automatic learningc híbrid es mostra a la figura 1, que inclou els quatre passos següents:

Pas 1: S’implementa el CS que utilitza fluxos d’alimentació de CA off-line per generar les dades de formació. Els estats inicials se seleccionen aleatòriament i es desplega el model CS per a cada estat inicial, on la generació i les càrregues del sistema d’energia s’ajusten dinàmicament i es redistribueixen els fluxos d’energia per quantificar la mètrica de vulnerabilitat.

Pas 2: S’adopta l’algorisme SVM per classificar les dades d’entrenament en dos conjunts de descàrregues de càrrega i sense.

Pas 3: S'aplica al GBR, les dades de distribució de càrrega per determinar la relació entre els estats de tall de corrent d'entrada i la mètrica de vulnerabilitat.

Pas 4: Es desplega el mètode de validació creuada per tornar a mostrejar el conjunt de dades, avaluar el model d'aprenentatge automàtic proposat i quantificar l'error relatiu entre la regressió prevista i els valors reals.

Fig. 1 Diagrama de flux de l'algorisme híbrid d'automatic learning

Font: IEEE Smart Grids