Fortalecendo a Confiabilidade da Rede Elétrica em Meio aos Desafios das Energias Renováveis

A confiabilidade e segurança das redes elétricas estão ficando cada vez mais importantes à medida que usamos mais fontes de energia renovável, como solar e eólica. Essas fontes de energia nem sempre são consistentes, o que torna complicado equilibrar a quantidade de energia produzida com a demanda. Para resolver isso, estamos sugerindo um novo método que combina tecnologias avançadas para melhorar a confiabilidade das redes elétricas que têm várias pequenas fontes de energia, conhecidas como recursos de energia distribuída (DER). Nossa abordagem mistura um sistema que detecta ataques contra a rede e um esquema de mercado local que ajuda a gerenciar esses desafios.

#Desafios nas Redes Elétricas

Com mais fontes de energia renovável, enfrentamos novos desafios para manter a rede elétrica estável. Mudanças climáticas na produção de energia podem criar problemas para equilibrar a oferta de energia com a demanda. Adicionar tecnologias como baterias e veículos elétricos aumenta esses desafios. Uma rede elétrica rica em DER também está mais exposta a Ataques cibernéticos, que podem interromper as operações. Estudos mostraram vários tipos de ataques que podem atingir esse tipo de rede. Quando surgem incertezas, elas podem afetar muitas funções importantes nos sistemas elétricos, como planejamento, segurança e operações de mercado. Isso pode levar a problemas como ultrapassar limites de segurança ou falhar em detectar ataques. Portanto, previsões precisas são fundamentais para gerenciar essas preocupações de forma eficaz.

#O Projeto ALAMO

O projeto Accurate Federated Learning with Uncertainty Quantification for DER Forecasting Applied to Smart Grids (ALAMO) foca em construir técnicas para lidar com redes elétricas que têm muitos DER, garantindo a privacidade dos usuários. O objetivo é criar métodos de Previsão precisos que possam quantificar incertezas na produção e consumo de energia. O projeto vai investigar diferentes métodos de seleção de clientes e combinação de modelos para melhorar a precisão das previsões, que atualmente não está à altura dos métodos tradicionais. Além disso, visa criar e avaliar métodos para medir incertezas, garantindo que tenhamos estimativas confiáveis para o planejamento.

#Uma Nova Abordagem para Aumentar a Confiabilidade da Rede

Nesta discussão, propomos utilizar a estrutura do projeto ALAMO para mostrar como previsões precisas podem trabalhar junto com uma estrutura de mercado local, melhorando a confiabilidade da rede durante operações normais e também durante potenciais ataques. Vamos delinear a estrutura proposta, que integra técnicas de Aprendizado Federado em tarefas de previsão e mecanismos de mercado.

#Entendendo o Aprendizado Federado

O aprendizado federado (FL) é um método que permite que vários dispositivos trabalhem juntos para melhorar modelos de aprendizado de máquina, mantendo os dados armazenados localmente. Isso é importante para proteger a privacidade, já que dados sensíveis não saem de sua localização original. O FL também facilita a gestão de recursos e escalabilidade, pois reduz a necessidade de transferências significativas de dados. No setor de energia, essa abordagem permite a utilização de dados de várias localizações, resultando em previsões mais precisas.

Vários estudos mostraram como o FL pode ser aplicado no setor elétrico. Por exemplo, foi usado para prever as necessidades energéticas de residências e a produção de energia solar. Esses estudos demonstram que o FL pode economizar tempo e recursos, priorizando a privacidade. Ao aplicar FL para várias tarefas de previsão, incluindo a previsão de demanda de energia e produção solar, podemos melhorar a gestão geral da rede.

#Detectando Ataques Cibernéticos Usando FL

Ataques cibernéticos em redes elétricas geralmente se dividem em três categorias: engano, divulgação e interrupção. Nós focamos especificamente em ataques de interrupção, que visam desconectar recursos da rede. Nossa abordagem envolve usar FL para obter previsões diárias da demanda de energia residencial e da produção de energia solar de prosumers individuais, ou consumidores de energia que também geram energia. Essas previsões ajudam a identificar ataques por meio de um método baseado em valores de limite. Comparando erros de previsão e dados reais de importação de energia, conseguimos detectar anomalias e determinar se um ataque ocorreu.

Enquanto alguns estudos usaram FL para detectar padrões incomuns e identificar outras ameaças cibernéticas, nosso trabalho combina de forma única o método de FL distribuído com uma estrutura de mercado local para detectar e mitigar ataques em redes ricas em DER.

#Mercados Locais de Eletricidade

Nós nos baseamos em uma estrutura existente de um Mercado Local de Eletricidade (LEM) que desenvolvemos em estudos anteriores. Esse mercado envolve múltiplos agentes, cada um representando um prosumer na rede. O mercado permite a coordenação da oferta e demanda de energia, mesmo em caso de ataques cibernéticos. O mercado local oferece uma oportunidade para gerenciar melhor os recursos energéticos, garantindo que a rede permaneça estável.

Em nosso estudo atual, focamos em como FL e LEM podem trabalhar juntos. Cada agente na rede apresenta lances de flexibilidade, que são usados para determinar a melhor maneira de alocar recursos energéticos durante operações normais e emergências. Esse método nos permite otimizar o fluxo de energia e controlar perdas, enquanto ainda respondemos às condições de mercado.

#Mitigando Ataques Através da Flexibilidade da Carga

Uma vez que um ataque é detectado, tomamos medidas para mitigar seu impacto. O operador do mercado compara as leituras reais de energia com os valores previstos para identificar discrepâncias causadas por um ataque. Essa informação nos ajuda a ajustar a alocação de recursos energéticos de forma eficaz. Aproveitando as opções de flexibilidade disponíveis em toda a rede, conseguimos reduzir a importação total de energia necessária de fontes externas durante um ataque. Isso garante que a rede permaneça o mais estável possível, mesmo em meio a interrupções.

#Estudo de Caso de Simulação

Testamos nossa abordagem usando uma rede de distribuição de baixa tensão (LV) do mundo real na Ilha da Madeira. A rede consiste em 88 nós conectados por 87 linhas, todos alimentados por um transformador que reduz a alta tensão da rede para níveis utilizáveis. Como não tínhamos medições reais para cada nó, usamos dados de 12 prosumers para gerar padrões de consumo e produção para a simulação.

Durante a fase de testes, simulamos o mercado local de eletricidade por um período de 24 horas e introduzimos um ataque cibernético direcionado aos painéis solares. O ataque reduziu a produção de energia solar a zero, aumentando a demanda na rede principal. Nosso sistema respondeu realocando recursos e utilizando flexibilidade de carga para reduzir importações de energia, embora não tivesse conseguido restaurar completamente a rede às condições anteriores.

#Resultados

A simulação revelou uma queda significativa na produção de energia solar devido ao ataque. Isso levou a um aumento considerável na energia retirada da rede principal. No entanto, nossas medidas de mitigação ajudaram a reduzir bastante a importação total de energia, mostrando a eficácia de nossa abordagem. Embora não pudéssemos neutralizar completamente os efeitos do ataque, nosso sistema garantiu que o impacto na rede maior fosse minimizado.

#Conclusões e Trabalhos Futuros

Propusemos um método para combinar aprendizado federado com mercados locais de energia para enfrentar de forma eficaz ataques cibernéticos que visam redes elétricas ricas em recursos de energia distribuída. No entanto, enfrentamos vários desafios que requerem mais exploração, particularmente no treinamento desses modelos de aprendizado federado.

A comunicação eficiente é essencial, já que sistemas federados, muitas vezes envolvendo muitos dispositivos locais, podem ser mais lentos em comparação com sistemas centralizados. A variabilidade nos dados de diferentes dispositivos aumenta essa complexidade, dificultando a análise e modelagem.

Trabalhos futuros vão se concentrar em melhorar as capacidades preditivas de nossos modelos e abordar suas limitações. Também pretendemos investigar métodos de detecção mais avançados que vão além de nossa abordagem inicial de limite. Por fim, incorporar incertezas em nossas previsões de energia vai aumentar a precisão de nossos modelos e nos ajudar a enfrentar melhor os desafios nas operações da rede.