On Approximating the Dynamic Response of Synchronous Generators via Operator Learning: A Step Towards Building Deep Operator-based Power Grid Simulators

Dieses Paper schlägt ein Deep Operator Network (DeepONet)-Framework vor, das durch Residual Learning und eine Datenaggregationsstrategie erweitert wurde, um das dynamische transiente Verhalten von Synchrongeneratoren für die Integration in Stromnetzsimulatoren präzise zu approximieren und zu simulieren.

Das Wesentliche

Stellen Sie sich das Stromnetz wie ein riesiges, komplexes Orchester vor. In diesem Orchester sind die Synchrongeneratoren (die großen Maschinen, die rotieren, um Elektrizität zu erzeugen) die Leitmusekanten. Um die Musik flüssig am Laufen zu halten, besonders wenn ein plötzliches „Geräusch“ oder eine Störung auftritt (wie ein Sturm oder eine unterbrochene Leitung), müssen Ingenieure genau vorhersagen können, wie diese Musiker in den nächsten Sekunden reagieren werden.

Traditionell ist die Vorhersage dieser Reaktion so, als würde man versuchen, die Flugbahn jedes einzelnen Teilchens in einem Hurrikan mithilfe eines Supercomputers zu berechnen. Das ist unglaublich genau, aber es dauert so viel Zeit und Rechenleistung, dass es für Entscheidungen in Echtzeit oft zu langsam ist.

Dieses Paper schlägt einen neuen Weg vor, diese Vorhersage mithilfe einer Art künstlicher Intelligenz namens Deep Operator Learning (DeepONet) durchzuführen. So funktioniert der Ansatz der Autoren, aufgeschlüsselt in einfache Konzepte:

1. Der „Schlaue Vorhersager“ (DeepONet)

Anstatt zu versuchen, die komplexen physikalischen Gleichungen jedes Mal von Grund auf neu zu lösen, haben die Autoren eine spezielle KI trainiert, die wie ein Notenleser fungiert.

• Der alte Weg: Wenn man die KI fragt: „Was passiert als Nächstes?“, muss sie normalerweise die gesamte zukünftige Partitur sehen, um die nächste Note zu erraten. Das funktioniert für Echtzeit-Vorhersagen nicht gut, da man die Zukunft noch nicht kennt.
• Der neue Weg: Die Autoren haben einen „lokalen“ Vorhersager gebaut. Stellen Sie sich einen Musiker vor, der nur die letzten paar Noten und den aktuellen Rhythmus braucht, um die nächsten Sekunden der Melodie perfekt vorherzusagen. Diese KI betrachtet den aktuellen Zustand des Generators und die unmittelbaren elektrischen Signale, die er erhält, und sagt dann den zukünftigen Zustand über ein kurzes Zeitfenster voraus. Sie benötigt nicht die ganze Zukunft; sie benötigt nur das „Jetzt“ und ein wenig von dem, was „gerade eben passiert ist“.

2. Der „Rekursive Schritt“ (Die Kettenreaktion)

Da die KI nur ein kurzes Zeitfenster (wie 5 Sekunden) vorhersagt, wie sagen wir dann eine Stunde voraus?

• Die Analogie: Denken Sie daran, wie man einen Fluss überquert, indem man von Trittstein zu Trittstein springt. Die KI sagt den nächsten Stein voraus (die nächsten 5 Sekunden). Sobald sie dort gelandet ist, behandelt sie diesen neuen Ort als Ausgangspunkt und sagt die nächsten 5 Sekunden voraus. Sie springt immer weiter vorwärts, um eine lange Reise zu simulieren.
• Die Innovation: Die Autoren haben ein System entwickelt, das dieses Springen automatisch und effizient durchführt und sicherstellt, dass die „Schritte“ genau bleiben, ohne dass sich Fehler aufhäufen und die Simulation ins Wasser fallen lassen.

3. Der „Hybride Coach“ (Residual DeepONet)

Manchmal haben wir bereits ein grobes Handbuch oder ein vereinfachtes Lehrbuchmodell, wie der Generator funktioniert, aber es ist nicht perfekt.

• Die Analogie: Stellen Sie sich vor, Sie lernen Fahrradfahren. Sie haben ein Handbuch (das mathematische Modell), das Ihnen sagt, wie man das Gleichgewicht hält, aber es ist etwas veraltet. Anstatt das Handbuch zu ignorieren, stellen Sie einen Coach (die KI) ein, dessen einzige Aufgabe es ist, Ihnen zu sagen, was das Handbuch falsch gemacht hat.
• Wie es funktioniert: Das System führt zuerst das grobe Handbuch aus. Dann berechnet die KI den „Fehler“ (das Residuum) zwischen dem, was das Handbuch vorhergesagt hätte, und dem, was tatsächlich passiert ist. Die endgültige Vorhersage ist die Vermutung des Handbuchs plus die Korrektur durch die KI. Dies ermöglicht es dem System, bestehendes Ingenieurwissen zu nutzen und gleichzeitig die komplexen, realen Details aus Daten zu lernen.

4. Die „Übungsrunde“ (DAgger-Algorithmus)

Ein häufiges Problem bei KI ist, dass sie auf einem bestimmten Satz von Beispielen trainiert wird, aber in der realen Welt auf Situationen stößt, die sie noch nie gesehen hat. Dies führt dazu, dass sie Fehler macht, was wiederum zu weiteren Fehlern führt, und sie schließlich versagt.

• Die Analogie: Stellen Sie sich einen Flugschüler vor, der nur bei perfektem Wetter geübt hat. Wenn er plötzlich in einen Sturm geschickt wird, könnte er Panik bekommen.
• Die Lösung: Die Autoren verwendeten eine Strategie namens DAgger (Data Aggregation). Es ist wie ein Flugsimulator, der sagt: „Okay, du hast das Flugzeug gesteuert und bist an einem seltsamen Ort gelandet, den du nicht erwartet hast. Nehmen wir diesen seltsamen Ort, simulieren wir, was dort hätte passieren sollen, und fügen das zu deinem Trainingshandbuch hinzu.“
• Die KI führt eine Simulation durch, sieht, wo sie vom Kurs abkommt, sammelt diese neuen „Abweichungsdaten“ und trainiert sich selbst neu. Sie wiederholt diese Schleife und lehrt sich so selbst, wie sie mit den spezifischen Situationen umgehen kann, denen sie in der realen Welt am wahrscheinlichsten begegnen wird.

Die Ergebnisse

Die Autoren testeten dies an einem Modell eines Generators, der mit einem „unendlichen Bus“ (einer vereinfachten Darstellung eines massiven Stromnetzes) verbunden ist.

• Genauigkeit: Ihre KI-Modelle konnten das Verhalten des Generators mit extrem hoher Genauigkeit vorhersagen (oft mit weniger als 1 % Fehler), selbst wenn das Netz plötzlichen Fehlern oder Störungen ausgesetzt war.
• Geschwindigkeit & Effizienz: Durch die Verwendung des „Hybriden Coach“-Ansatzes erzielten sie noch bessere Ergebnisse mit weniger Daten. Durch die Verwendung der „Übungsrunde“ (DAgger-Ansatz) stellten sie sicher, dass die KI nicht verwirrt wird, wenn sie mit neuen, schwierigen Szenarien konfrontiert wird.

Zusammenfassend: Das Paper präsentiert eine neue, intelligentere Methode zur Simulation von Stromgeneratoren. Anstatt komplexe Mathematik durch reine Gewalt zu lösen, haben die Autoren eine KI gebaut, die lernt, die „Musik“ des Netzes zu lesen, ihre eigenen Fehler mithilfe bestehender physikalischer Erkenntnisse zu korrigieren und gezielt mit den Szenarien zu üben, denen sie in der Praxis am wahrscheinlichsten begegnen wird, was sie zu einem leistungsstarken Werkzeug für den Aufbau schnellerer und zuverlässigerer Stromnetz-Simulatoren macht.

Technische Zusammenfassung

Technisches Resümee: Approximation der dynamischen Antwort von Synchronmaschinen mittels Operator-Learning

Problemstellung
Die vorliegende Arbeit befasst sich mit den rechnerischen Herausforderungen bei der Simulation der dynamischen Antwort von Synchronmaschinen (SGs) innerhalb von Stromnetzen. Traditionelle numerische Simulationsverfahren, wie etwa partitionierte Lösungsverfahren oder implizite Integration, sind oft mit hohen Rechenkosten verbunden, insbesondere wenn im Rahmen von Steuerungs- und Optimierungsaufgaben in zukünftigen Smart Grids eine Vielzahl von Vorwärts-Simulationen erforderlich ist. Obwohl Deep Learning ein Potenzial als Alternative bietet, haben bestehende Methoden oft Schwierigkeiten, auf ungesehene Betriebsbedingungen zu generalisieren, benötigen große Datensätze zur Vermeidung von Überanpassung und berücksichtigen nicht die unendlichdimensionale Natur der Lösungsoperatoren, welche diese dynamischen Systeme steuern. Rein datengesteuerte Modelle können zudem die physikalische Konsistenz vermissen lassen, die durch Jahrzehnte etablierter mathematischer Modellierung in der Energietechnik gewährleistet wird.

Methodik
Die Autoren schlagen einen auf Deep Operator Networks (DeepONet) basierenden Framework für das Operator-Learning vor, um den Lösungsoperator von Synchronmaschinen zu approximieren, die mit einem Stromnetz oder einem numerischen Simulator interagieren. Die Methodik ist in drei primäre Komponenten gegliedert:

1. Datengesteuertes DeepONet: Die Autoren entwerfen ein DeepONet, um den lokalen Lösungsoperator einer Synchronmaschine über ein beliebiges Zeitintervall $[t_n, t_n + h_n]$ zu approximieren. Im Gegensatz zu bisherigen DeepONet-Anwendungen, die die gesamte Trajektorie als Input benötigen, akzeptiert dieser Framework den aktuellen Zustand $x(t_n)$, eine diskretisierte Sequenz interagierender Variablen (z. B. Statorströme und Klemmenspannungen) $\tilde{y}_m^n$ sowie einen flexiblen Vorhersageschritt $h_n$. Das Netzwerk besteht aus einem Branch-Net (zur Verarbeitung des Zustands und der interagierenden Variablen) und einem Trunk-Net (zur Verarbeitung des Zeitschritts), die den zukünftigen Zustand durch eine Linearkombination aus trainierbaren Koeffizienten und Basisfunktionen ausgeben. Diese lokale Approximation kann dann rekursiv eingesetzt werden, um die Antwort der Maschine über einen langfristigen Horizont zu simulieren.

2. Residuales DeepONet: Um bestehendes mathematisches Wissen einzubeziehen, schlagen die Autoren ein Residual-Learning-Schema vor. Anstatt den vollen Lösungsoperator zu lernen, lernt das Netzwerk das „Residuum“ oder die Fehlerkorrektur zwischen dem wahren Lösungsoperator und einem approximativen Operator, der aus einem bekannten mathematischen Modell (z. B. einer vereinfachten Differential-Algebraischen Gleichung oder einem Physics-Informed Neural Network) abgeleitet wurde. Die endgültige Vorhersage ergibt sich aus der Summe des Outputs des approximativen Modells und der Korrektur durch das residuale DeepONet. Die Arbeit liefert eine theoretische Abschätzung des kumulativen Fehlers für dieses Schema und führt die Fehlerakkumulation sowohl auf die Input-Approximation als auch auf die neuronale Netzwerk-Approximationsfehler zurück.

3. DAgger-Strategie (Data Aggregation): Um den distributional Drift und die Fehlerakkumulation zu mildern, die auftreten, wenn das DeepONet mit einem Simulator interagiert, führen die Autoren einen DAgger-Algorithmus ein. Diese iterative Strategie trainiert das DeepONet auf einem initialen Datensatz, nutzt anschließend das trainierte Modell für Rollout-Simulationen, um neue Eingangsdaten zu sammeln, denen das Modell während der Interaktion wahrscheinlich begegnen wird. Diese neuen Daten werden mit dem wahren Lösungsoperator gelabelt und mit dem ursprünglichen Trainingsdatensatz zur Feinabstimmung zusammengeführt. Dieser Prozess wird wiederholt, um sicherzustellen, dass das Modell auf die spezifische Verteilung der Zustände generalisiert, denen es in interaktiven Simulationen begegnet.

Wesentliche Beiträge

• Operator-Learning für Stromnetze: Die Arbeit präsentiert die erste Anwendung von DeepONet zur Approximation des Lösungsoperators für dynamische Stromnetzkomponenten und adressiert dabei insbesondere die unendlichdimensionale Natur des Problems sowie die Notwendigkeit der rekursiven Mehrschritt-Vorhersage.
• Rekursives numerisches Verfahren: Es wird ein neuartiges numerisches Schema entwickelt, das das trainierte DeepONet rekursiv nutzt, um die Antwort von Generatoren über kurz- bis mittelfristige Zeithorizonen mit beliebigen Zeitschritten zu simulieren.
• Hybride Modellierung: Die Einführung eines residualen DeepONet-Frameworks kombiniert effektiv datengesteuertes Lernen mit etablierten mathematischen Modellen, wodurch das System in der Lage ist, vorhandenes physikalisches Wissen zu nutzen und gleichzeitig Modellungenauigkeiten zu korrigieren.
• Fehleranalyse: Theoretische Schranken für den kumulativen Fehler des residualen DeepONet-Schemas wurden abgeleitet, wobei zwischen Fehlern aus der Eingangsdiskretisierung und den Approximationsfehlern des neuronalen Netzwerks unterschieden wird.
• DAgger für interaktive Simulation: Ein Datensammel-Algorithmus wird vorgeschlagen, um DeepONets unter Verwendung aggregierter Trainingsdaten fein abzustimmen, speziell um die Fehlerfortpflanzung zu reduzieren, wenn das Modell mit anderen Netzkomponenten in einem Simulator interagiert.

Experimentelle Ergebnisse
Die vorgeschlagenen Frameworks wurden unter Verwendung eines Zwei-Achsen-Transient-Generator-Modells, das mit einem unendlichen Bus interagiert, simuliert (via Power Systems Toolbox, PST).

• Überwachtes Training: In Experimenten zum überwachten Training übertraf das residuale DeepONet sowohl das rein datengesteuerte DeepONet als auch ein Standard-Fully-Connected Neural Network (FNN). Das residuale DeepONet erreichte konsistent mittlere L2-relative Fehler von unter 1 % für die Generatorzustände und Netzvariablen, während das FNN eine signifikante Fehlerakkumulation aufwies (mittlere Fehler bis zu 37,8 %). Das datengesteuerte DeepONet hielt die Fehler unter 5 %.
• Sensitivitätsanalyse: Die Studie zeigte, dass eine Erhöhung der Anzahl der Trainingsproben die Fehlerakkumulation für beide Frameworks reduzierte, wobei das residuale DeepONet unabhängig von der Datensatzgröße konsistent eine überlegene Generalisierung und geringere Fehlerakkumulation aufwies.
• DAgger-Leistung: Wenn mit begrenzten Daten (100 Samples) trainiert und mittels des DAgger-Algorithmus feinabgestimmt wurde, konnte das residuale DeepONet auch auf ungesehene Störtrajektorien erfolgreich generalisieren. Der mittlere L2-relative Fehler für alle Zustände und Netzvariablen blieb unter 0,01 %, was zeigt, dass die DAgger-Strategie den distributional Drift und die Fehlerfortpflanzung effektiv gemindert hat.

Bedeutung und Ansprüche
Die Arbeit behauptet, dass das vorgeschlagene DeepONet-Framework einen gangbaren Weg zur Entwicklung von tiefen, operatorbasierten Stromnetz-Simulatoren und digitalen Zwillingen darstellt. Durch die Approximation des Lösungsoperators anstelle nur des nächsten Zustands ermöglicht das Framework flexible Zeitschritte und die Interaktion mit Stromnetz-Simulatoren. Die Autoren betonen, dass der Residual-Ansatz die Integration von Jahrzehnten an Expertise in der Leistungssystemmodellierung ermöglicht, was die Generalisierung selbst bei begrenzten Daten verbessert. Zudem adressiert die DAgger-Strategie eine kritische Herausforderung beim Einsatz von maschinellem Lernen in interaktiven Umgebungen: die Akkumulation von Fehlern durch den distributional Drift. Die Autoren positionieren diese Arbeit als Schritt hin zu komponierbaren, großskaligen Simulatoren, die in der Lage sind, zukünftige Smart Grids mit hohem Anteil erneuerbarer Energien zu optimieren und zu steuern, wobei sie darauf hinweisen, dass sich zukünftige Arbeiten auf Online-Kalibrierung, datenschutzwahrende föderierte Lernverfahren und die Skalierung auf große Netzwerke konzentrieren werden.