Estimação de tensão em redes de distribuição elétrica com redes neurais de grafos

Abstract

A crescente integração de fontes de energia distribuída nos sistemas de distribuição elétrica tem se mostrado uma alternativa eficaz para atender à demanda energética; entretanto, sua natureza intermitente, associada às incertezas climáticas, impõe desafios significativos à operação e ao monitoramento da rede. Soma-se a isso a variabilidade dos padrões de consumo e a limitada disponibilidade de pontos de medição, o que torna a estimação das tensões, também denominada estimação de estado do sistema, uma tarefa complexa, especialmente em redes de distribuição pouco observáveis. O estado do sistema elétrico é definido pelas magnitudes e ângulos das tensões de fase em todos os nós da rede, sendo tradicionalmente estimado por métodos clássicos, como o método dos mínimos quadrados ponderados, que apresentam limitações devido à baixa observabilidade das redes de distribuição. Diante desse cenário, este estudo propõe métodos de estimação de tensão baseados em redes neurais artificiais e redes neurais de grafos. Inicialmente, apresenta-se uma arquitetura híbrida que combina redes neurais de grafos simples, responsáveis por capturar as relações topológicas da rede, com uma rede neural artificial perceptro multicamada para o refinamento das estimativas de tensão. Em seguida, propõe-se uma extensão baseada em redes neurais de grafos heterogêneos, visando aumentar a explicabilidade do modelo por meio da distinção explícita entre tipos de nós e de arestas. Para o treinamento e a validação dos modelos, foi construído um banco de dados sintético a partir de séries históricas de carga e de variáveis meteorológicas, utilizando o software OpenDSS para a simulação de redes de distribuição desbalanceadas, incluindo etapas de pré-processamento dos dados. Os métodos são avaliados em sistemas teste IEEE trifásicos desequilibrados de baixo e médio porte de 13 e 123 nós, respectivamente. Os resultados obtidos demonstram que as abordagens propostas são capazes de aprender a dinâmica complexa dos sistemas de distribuição de energia elétrica, alcançando resultados promissores de erro, com valores reduzidos de erro absoluto médio (MAE) e de erro quadrático médio (MSE), de 0,0001 p.u e valores de até 0,98 de coeficiente de determinação, evidenciando convergência estável e desempenho consistente. Dessa forma, o método proposto mostra-se promissor para aplicações práticas em redes de distribuição modernas, contribuindo para o monitoramento eficiente, a operação segura e o planejamento dos sistemas elétricos.

The increasing integration of distributed energy resources into electrical distribution systems has emerged as an effective alternative to meet growing energy demand; however, their intermittent nature, combined with climatic uncertainties, imposes significant challenges on grid operation and monitoring. Additionally, the variability of consumption patterns and the limited availability of measurement points render voltage estimation, also referred to as system state estimation, a complex task, particularly in distribution networks with low observability. The state of an electrical power system is defined by the magnitudes and phase angles of voltages at all network buses and is traditionally estimated using classical methods, such as the Weighted Least Squares (WLS) approach, which exhibit limitations in distribution networks due to reduced measurement redundancy and low observability. In this context, this study proposes voltage estimation methods based on artificial neural networks and graph neural networks. Initially, a hybrid architecture is introduced that combines simple graph neural networks, responsible for capturing the network’s topological relationships, with a Multilayer Perceptron artificial neural network to refine voltage estimates. Subsequently, an extension based on heterogeneous graph neural networks is proposed to enhance model explainability through the explicit distinction between different types of nodes and edges. For training and validation, a synthetic dataset was constructed from historical load series and meteorological variables, using OpenDSS to simulate unbalanced distribution networks, including data preprocessing stages. The proposed methods were evaluated on unbalanced three-phase IEEE test feeders of small and medium scale, comprising 13 and 123 buses, respectively. The results demonstrate that the proposed approaches effectively learn the complex dynamics of electrical distribution systems, achieving promising error performance, with reduced Mean Absolute Error (MAE) and Mean Squared Error (MSE) values on the order of 0.0001 p.u., and coefficients of determination (R²) of up to 0.98, indicating stable convergence and consistent performance. Therefore, the proposed method shows strong potential for practical applications in modern distribution networks, contributing to efficient monitoring, secure operation, and effective planning of electrical power systems.