Uma análise comparativa entre arquiteturas de redes neurais baseadas em grafos para a solução do fluxo de potência

Abstract

Os complexos desafios impostos à operação do sistema elétrico, com a integração à rede da crescente parcela de fontes renováveis na matriz elétrica, a alta variabilidade no sistema que elas introduzem e o aumento no número de barras e linhas de transmissões no sistema, tornam mais difíceis soluções computacionais conforme os sistemas crescem em escala. Diante disso e considerando-se a necessidade de inovações nas soluções que acompanhem o avanço tecnológico, este trabalho tem como objetivo estudar e aplicar a ferramenta das redes neurais baseadas em grafos na modelagem do sistema elétrico e na solução do problema do fluxo de potência. Para isso, foram comparados os desempenhos de quatro arquiteturas de redes neurais, especificamente a Graph Convolution Network, a Graph Attention Network Convolution, a Sample and Aggregate e a Graph Convolution na solução do fluxo de potência em quatro redes elétricas de casos de teste do IEEE, os sistemas de 14, 30, 57 e 118 barras. A metodologia consistiu na geração de bases de dados a partir do fluxo de potência calculado nesses quatro sistemas usando o método de Newton-Raphson e utilizado o resultado como referência para o aprendizado dos modelos. Com o resultado dos treinamentos, foram aplicadas métricas de regressão estatística, especificamente o NRMSE, o coeficiente de determinação R² e o MSE para fazer a comparação entre o desempenho das arquiteturas, além da avaliação dos tempos de treinamento das GNNs e a comparação entre os tempos de inferência das GNNs e do método de Newton-Raphson. Os resultados indicam que as redes neurais baseadas em grafos são eficientes em modelar e representar o sistema elétrico, com alta aderência estatística e erros baixos. A partir das análises das métricas estatísticas consideradas, as arquiteturas SAGEConv e GraphConv apresentaram o desempenho mais consistente na predição das grandezas elétricas na solução do fluxo de potência. Conclui-se, portanto, que as redes neurais baseadas em grafos, sendo uma ferramenta com a capacidade de aproveitar as características topológicas dos dados, são adequadas para a solução eficiente do fluxo de potência.