Physics-Informed Neural Networks for Accelerating Power System State Estimation

إليك ملخص تقني مفصل للورقة البحثية بعنوان "الشبكات العصبية المستندة إلى الفيزياء لتسريع تقدير حالة أنظمة القدرة".

1. بيان المشكلة

يعد تقدير حالة نظام القدرة (SE) أمراً حيوياً لمراقبة الشبكة والتحكم فيها، حيث يوفر ظروف التشغيل الآنية للنظام. ومع ذلك، تواجه طرق تقدير الحالة التقليدية تحديات كبيرة:

• الكثافة الحسابية: تعتمد التقنيات التقليدية (مثل طريقة غاوس-نيوتن، والمربعات الصغرى الموزونة) على خوارزميات تكرارية مكلفة حسابياً، خاصة في الأنظمة واسعة النطاق.
• محدودية البيانات: تعتمد الطرق التقليدية غالباً على بيانات SCADA متفرقة ومعرضة للخطأ، مما يؤدي إلى حدوث تأخيرات وانخفاض في الدقة.
• عيوب التعلم الآلي: بينما توفر نماذج التعلم الآلي (ML) القياسية السرعة، إلا أنها غالباً ما تفشل في استيعاب الديناميكيات والقيود الفيزيائية المعقدة. كما أنها تعتمد بشكل كبير على مجموعات بيانات تاريخية ضخمة ويمكن أن تنتج نتائج غير منطقية فيزيائياً عندما تكون البيانات مشوشة أو شحيحة.
• المتطلبات الآنية: تتطلب زيادة دمج وحدات قياس الطور (PMUs) تقديراً أسرع وفي الوقت الفعلي لالتقاط العوامل العابرة قصيرة المدة، وهو ما تجد الحلول التكرارية التقليدية صعوبة في تحقيقه بكفاءة.

2. المنهجية

يقترح المؤلفون إطار عمل لـ الشبكة العصبية المستندة إلى الفيزياء (PINN) يدمج القوانين الفيزيائية الخاصة بالمجال مباشرة في عملية تدريب الشبكة العصبية للتغلب على قيود النماذج المعتمدة على البيانات فقط.

أ. البنية الأساسية

• المدخلات: حقن القدرة الفعالة ($P_i$) والقدرة غير الفعالة ($Q_i$) عند كل حافلة (Bus).
• المخرجات: مقدار الجهد ($V_{mag}$) وزاوية الجهد ($V_{ang}$) لكل حافلة.
• هيكل الشبكة: شبكة عصبية أمامية (feedforward) تحتوي على 32 عصبوناً في طبقة مخفية واحدة، باستخدام دالة التنشيط الظل الزائدي (tanh) ومحسن آدم (Adam optimizer).

ب. دالة الخسارة المستندة إلى الفيزياء

تكمن الجدة في تعزيز دالة الخسارة لفرض الاتساق الفيزيائي. دالة الخسارة الكلية ($L$) هي مجموع موزون لترم (term) مدفوع بالبيانات ($u$) وآخر مدفوع بالفيزياء ($f$):
$$Loss = \lambda_1 \cdot u + \lambda_2 \cdot f$$

1. الترم المدفوع بالبيانات ($u$):

   • يقيس متوسط مربع الخطأ (MSE) بين الجهد المتوقع ($V_{pred}$) والجهد الحقيقي ($V_{true}$).
   • يضمن ملاءمة النموذج للبيانات المرصودة.

2. الترم المدفوع بالفيزياء ($f$):

   • يفرض القوانين الفيزيائية لنظام القدرة، وتحديداً العلاقة بين حقن الجهد والتيار المحددة بواسطة مصفوفة السماحية ($Y$).
   • تتنبأ الشبكة بالجهود، والتي تُستخدم بعد ذلك لحساب حقن التيار المتوقع ($I_{pred} = Y \cdot V_{pred}$).
   • يقيس هذا الترم متوسط الخطأ المطلق (MAE) بين حقن التيار المتوقع ($I_{pred}$) وحقن التيار الحقيقي ($I_{true}$)، المستمد من بيانات القدرة المدخلة.
   • الميزة الرئيسية: يسمح هذا للنموذج بتعلم طوبولوجيا النظام والقيود (قوانين كيرشوف) المشفرة في مصفوفة السماحية دون الحاجة إلى نمذجة صريحة للسلاسل الزمنية أو مجموعات بيانات ضخمة.

3. استراتيجية التدريب:

   • الوزن الديناميكي: يتم تعديل الأوزان $\lambda_1$ و $\lambda_2$ أثناء التدريب. تبدأ الاستراتيجية بالتركيز على ملاءمة البيانات ($\lambda_1$ مرتفع) وتزيد تدريجياً من تأثير القيود الفيزيائية ($\lambda_2$ مرتفع) لضبط النموذج بدقة.
   • التطبيع (Normalization): يتم تطبيع كلا مكوني الخسارة إلى النطاق $[0, 1]$ لمنع مشاكل القياس.

3. الإعداد التجريبي

• النظام المختبر: نظام مرجعي IEEE 14-bus.
• مجموعات البيانات: سيناريوهان تم إنشاؤهما باستخدام برنامج PowerWorld:
  1. الحالة المستقرة (Steady-State): ظروف حمل متغيرة (192 لحظة زمنية).
  2. الحالة العابرة (Transient): فترة مدتها 20 ثانية تتضمن إيقاف تشغيل مولد عند الحافلة 2 وعملية التعافي (2000 لحظة زمنية).
• التحقق: تحقق تبادلي خماسي الطيات (5-fold cross-validation) لتقييم الاستقرار والتعميم.
• الضجيج: تمت إضافة ضجيج القياس لمحاكاة ظروف SCADA/PMU في العالم الحقيقي.
• الأساس المرجعي (Baseline): شبكة عصبية (NN) عادية "بسيطة" مدربة فقط على الخسارة المدفعة بالبيانات ($u$).

4. النتائج الرئيسية

تمت مقارنة الـ PINN المقترحة مع الشبكة العصبية البسيطة عبر كلا مجموعتي البيانات.

• تحسن الدقة:

  • الحالة المستقرة: حققت PINN تحسناً في الدقة بنسبة 6.7% في المتوسط.
  • الحالة العابرة (إيقاف تشغيل المولد): حققت PINN تحسناً في الدقة بنسبة 4.6% في المتوسط.
  • ملاحظة: تشير الملخص إلى زيادة تصل إلى 11% في الدقة، ومن المرجح أن هذا يشير إلى تكوينات مثالية محددة أو نقاط ذروة الأداء.

• الاستقرار الخوارزمي:

  • انخفض الانحراف المعياري لخطأ التحقق عبر الطيات الخمس بشكل كبير، مما يشير إلى أداء أكثر اتساقاً.
    • الحالة المستقرة: انخفض الانحراف المعياري بنسبة 57.8%.
    • الحالة العابرة: انخفض الانحراف المعيائي بنسبة 56.6%.
  • يثبت هذا أن نماذج PINN أقل حساسية للاختلافات في تقسيم بيانات التدريب مقارنة بالنماذج العصبية البسيطة.

• سرعة التقارب:

  • وصلت PINN إلى ذروة أدائها (أفضل خطأ تحقق) بشكل أسرع بكثير من الشبكة العصبية البسيطة.
  • الحالة المستقرة: تقاربت بشكل أسرع بنسبة 18.1% (عدد دورات/epochs أقل).
  • الحالة العابرة: تقاربت بشكل أسرع بنسبة 24.6%.
  • يعني هذا تقليل الجهد الحسابي ووقت التدريب.

5. الأهمية والمساهمات

• النهج الهجين: نجح في سد الفجوة بين التعلم الآلي المدفوع بالبيانات والنمذجة القائمة على الفيزياء، مما يضمن أن التنبؤات ليست دقيقة إحصائياً فحسب، بل صحيحة فيزيائياً أيضاً.
• كفاءة البيانات: من خلال الاستفادة من القوانين الفيزيائية كمنظم (regularization)، تقلل هذه الطريقة من الاعتماد على مجموعات البيانات الضخمة، مما يجعلها مناسبة للسيناريوهات ذات البيانات المحدودة أو المشوشة.
• الاستقلال عن الطوبولوجيا: لا يتطلب هذا النهج تصميمات معمارية خاصة بالنظام بناءً على الطوبولوجيا؛ حيث تقوم القيود الفيزيائية (عبر مصفوفة السماحية) بتشفير هيكل النظام بطبيعتها.
• القابلية للتطبيق في الوقت الفعلي: إن تقليل وقت التدريب والقدرة على التعامل مع الأحداث العابرة يجعل من PINN حلاً قابلاً للتطبيق لأجيال الشبكات الكهربائية القادمة ذات المراقبة العالية من PMU، حيث يكون تقدير الحالة السريع أمراً بالغ الأهمية للاستقرار.

الخاتمة

تثبت الورقة أن دمج القوانين الفيزيائية في تدريب الشبكات العصبية عبر PINN يعزز بشكل كبير الدقة والاستقرار وسرعة التقارب لتقدير حالة نظام القدرة. يقدم هذا النهج بديلاً قوياً للمحللات التكرارية التقليدية والنماذج المدفوعة بالبيانات فقط، لا سيما في عصر بيانات PMU عالية السرعة. ستستكشف الأعمال المستقبلية سيناريوهات المراقبة المحدودة وتطبيقات اكتشاف الأعطال.