⚡ electrical engineering

Physics-Informed Neural Networks for Accelerating Power System State Estimation

Diese Arbeit stellt einen neuartigen Ansatz vor, der physikinformierte neuronale Netze (PINNs) nutzt, um die Zustandsschätzung in Stromnetzen durch die Integration physikalischer Gesetze als Vorwissen zu beschleunigen und dabei die Rechenzeit zu verkürzen sowie die Genauigkeit und Stabilität der Ergebnisse im Vergleich zu traditionellen iterativen Algorithmen signifikant zu verbessern.

Ursprüngliche Autoren: Solon Falas, Markos Asprou, Charalambos Konstantinou, Maria K. Michael

Veröffentlicht 2026-04-07

📖 4 Min. Lesezeit☕ Kaffeepausen-Lektüre

CC BY 4.0

Ursprüngliche Autoren: Solon Falas, Markos Asprou, Charalambos Konstantinou, Maria K. Michael

Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen

Das große Problem: Der müde Navigator

Stellen Sie sich das Stromnetz wie ein riesiges, komplexes Schiff vor, das durch einen stürmischen Ozean fährt. Der Kapitän (das Kontrollzentrum) muss ständig wissen, wo genau das Schiff ist, wie schnell es fährt und ob es kippt. Das nennt man im Fachjargon Zustandsschätzung.

Früher nutzten die Kapitäne alte Landkarten und mühsame Berechnungen (iterative Algorithmen), um ihre Position zu bestimmen. Das funktionierte, war aber langsam und anstrengend, besonders wenn das Schiff groß war oder die Wetterdaten (Messungen) ungenau waren. Wenn ein Sturm aufkam, kamen die Berechnungen oft zu spät, um Unfälle zu verhindern.

Die neue Idee: Ein Navigator mit einem eingebauten Kompass

Die Autoren dieses Papiers haben eine neue Methode entwickelt, die sie PINN (Physics-Informed Neural Networks) nennen.

Stellen Sie sich einen herkömmlichen KI-Algorithmus wie einen jungen Matrosen vor, der nur aus Erfahrung lernt. Er hat tausende Fotos von vergangenen Fahrten gesehen und versucht, das Muster zu erkennen. Aber wenn er in eine völlig neue Situation gerät (z. B. ein neuer Sturm), kann er sich irren, weil er nur auf die Bilder schaut, nicht auf die Physik.

Der PINN-Navigator ist anders. Er hat nicht nur die Fotos gesehen, sondern das Physik-Lehrbuch direkt in sein Gehirn eingebaut.

Der herkömmliche Ansatz: "Ich habe gesehen, dass das Schiff bei Wind aus dem Norden immer nach links gedriftet ist. Also driftet es jetzt auch."
Der PINN-Ansatz: "Ich habe gesehen, dass das Schiff nach links driftet. ABER ich weiß auch aus dem Physik-Lehrbuch, dass Schiffe bei diesem Wind nicht nach rechts driften können, weil die Schwerkraft und die Strömung das verbieten. Also ignoriere ich die falschen Daten und bleibe bei der physikalisch möglichen Lösung."

Wie funktioniert das? (Die "Verlust-Funktion" als strenger Lehrer)

Beim Training dieser KI gibt es zwei Arten von Aufgaben, die der "Lehrer" (der Algorithmus) dem Matrosen stellt:

Die Daten-Aufgabe (u): "Vergleiche deine Vorhersage mit den echten Messdaten." (Wie gut passt du zu den Fotos?)
Die Physik-Aufgabe (f): "Prüfe, ob deine Vorhersage den Gesetzen der Physik entspricht." (Hältst du dich an die Gesetze von Strom und Spannung?)

Der PINN muss beide Aufgaben lösen. Wenn er eine Vorhersage macht, die zwar zu den Daten passt, aber gegen die Physik verstößt (z. B. Energie verschwindet einfach), bekommt er eine "Strafe" vom Lehrer. So lernt er schneller und macht weniger dumme Fehler.

Was haben sie herausgefunden? (Die Ergebnisse)

Die Forscher haben das am IEEE 14-Bus-System getestet (ein Standard-Modell für ein kleines Stromnetz, wie ein Modell-Schiff im Schwimmbad).

Schneller: Der PINN-Navigator brauchte 30 % weniger Zeit, um zu lernen und eine gute Vorhersage zu treffen. Er konvergierte schneller zum Ziel.
Genauer: Die Vorhersagen waren bis zu 11 % genauer als die alten Methoden.
Stabiler: Die Ergebnisse waren viel konsistenter. Wenn man das Training fünfmal wiederholte, schwankten die Ergebnisse kaum noch (die "Standardabweichung" sank um 75 %). Das ist wie ein Navigator, der immer den gleichen Kurs hält, egal ob er heute oder morgen trainiert.

Warum ist das wichtig?

In der Zukunft werden Stromnetze immer mehr Sensoren (PMUs) haben, die Daten in Echtzeit liefern. Das ist wie ein Sturm, der sehr schnell kommt. Alte Methoden sind zu langsam, um darauf zu reagieren.

Die PINN-Methode ist wie ein Turbo-Modus für den Navigator. Sie nutzt die Intelligenz von KI, aber zwingt sie, sich an die unveränderlichen Gesetze der Physik zu halten. Das macht sie perfekt für die Zukunft, wo wir schnelle und fehlerfreie Entscheidungen brauchen, damit das Licht im Haus nicht ausgeht, selbst wenn ein Generator ausfällt.

Zusammenfassend: Die Autoren haben eine KI gebaut, die nicht nur aus Daten lernt, sondern auch "weiß", wie die Welt funktioniert. Das macht sie schneller, genauer und zuverlässiger als alles, was wir bisher hatten.

1. Problemstellung

Die Zustandsschätzung (State Estimation, SE) ist ein fundamentaler Bestandteil der Leitstellensteuerung in Stromnetzen, da sie den Betriebszustand des Systems in aufeinanderfolgenden Zeitintervallen bereitstellt. Herkömmliche Methoden, die auf iterativen Algorithmen (wie Gauss-Newton oder Weighted Least Squares) basieren, stoßen bei großen Stromnetzen an ihre Grenzen:

Rechenintensität: Iterative Verfahren sind bei großen Systemen rechenzeitintensiv und verursachen Verzögerungen.
Datenqualität: Traditionelle SCADA-Messungen sind oft lückenhaft, fehleranfällig und haben eine niedrige Abtastrate, was zu ungenauen Schätzungen führt.
Dynamik: Die Integration von Phasormessungen (PMUs), die hochfrequente Daten liefern, erfordert eine schnellere Verarbeitung, um kurzzeitige Transienten zu erfassen.
Limitationen reiner ML-Ansätze: Herkömmliche Machine-Learning-Modelle, die nur auf statistischen Mustern historischer Daten basieren, ignorieren oft die physikalischen Gesetze des Stromnetzes. Dies führt zu ungenauen Ergebnissen bei begrenzten Daten oder Systemänderungen und erfordert enorme Datenmengen für das Training.

2. Methodik: Physics-Informed Neural Networks (PINNs)

Die Autoren schlagen einen neuartigen Ansatz vor, der Physics-Informed Neural Networks (PINNs) nutzt, um die Zustandsschätzung zu beschleunigen und zu verbessern. Der Kern der Methode liegt in der Integration physikalischen Vorwissens direkt in das Training des neuronalen Netzwerks.

Architektur: Es wird ein Feedforward-Neuronales Netz (NN) verwendet, das Spannungsamplituden ( $V_{mag}$ ) und Spannungsphasenwinkel ( $V_{ang}$ ) an jedem Knoten des Netzes vorhersagt. Als Eingabe dienen die aktiven ( $P_i$ ) und reaktiven ( $Q_i$ ) Leistungsflüsse.
Verlustfunktions-Design (Loss Function):
Anstatt nur den Fehler zwischen Vorhersage und Ground Truth zu minimieren, wird die Verlustfunktion um einen physikalischen Regularisierungsterm erweitert. Die Gesamtverlustfunktion ($Loss$) setzt sich wie folgt zusammen:
$Loss = \lambda_1 \cdot u + \lambda_2 \cdot f$
- $u$ (Datengetrieben): Der mittlere quadratische Fehler (MSE) zwischen den vorhergesagten Spannungen und den tatsächlichen Werten ( $V_{true}$ ).
- $f$ (Physikgetrieben): Ein Term, der die physikalischen Gesetze des Netzes erzwingt. Hier wird die Beziehung zwischen Spannung und Strominjektion genutzt ( $I = Y \cdot V$ , wobei $Y$ die Admittanzmatrix ist). Das Netz berechnet basierend auf den vorhergesagten Spannungen die Strominjektionen ( $I_{pred}$ ) und vergleicht diese mit den Ground-Truth-Strominjektionen ( $I_{true}$ ), die aus den Eingangsdaten ( $P, Q$ ) und $V_{true}$ abgeleitet werden. Der Term $f$ ist der mittlere absolute Fehler (MAE) dieser Differenz.
- Gewichtung ( $\lambda_1, \lambda_2$ ): Diese Parameter steuern das Verhältnis zwischen datengetriebenem Lernen und physikalischer Konsistenz. Im Training wird ein „Increment"-Szenario verwendet, bei dem $\lambda_1$ schrittweise verringert und $\lambda_2$ erhöht wird, um das Modell zunächst datenbasiert zu trainieren und dann physikalisch zu verfeinern.
Vorteile: Durch die Einbindung der Admittanzmatrix und der Kirchhoffschen Gesetze als Regularisierung wird das Netz gezwungen, physikalisch plausible Lösungen zu finden, was die Abhängigkeit von großen Datensätzen reduziert und die Interpretierbarkeit erhöht.

3. Experimentelles Setup

Testsystem: IEEE 14-Bus-System, simuliert mit PowerWorld.
Szenarien:
1. Stationärer Zustand: Variation der Lasten.
2. Transienter Zustand: Ein 20-Sekunden-Zeitraum, der den plötzlichen Ausfall eines Generators am Bus 2 und die darauffolgende Erholung umfasst.
Datenvorbereitung: Hinzufügen von Rauschen zu den Messdaten, Normalisierung und Skalierung der Eingaben auf $[-1, 1]$ für die tanh-Aktivierungsfunktion.
Validierung: 5-fache Kreuzvalidierung (5-fold cross-validation) zur Bewertung der Stabilität und Generalisierungsfähigkeit.
Vergleichsmodell: Ein „Plain NN" (benchmark NN) ohne physikalische Regularisierung.

4. Wichtige Ergebnisse

Die Experimente zeigen, dass das PINN-Modell dem herkömmlichen NN in allen Metriken überlegen ist:

Genauigkeit:
- Im stationären Zustand verbesserte sich die Genauigkeit durchschnittlich um 6,7 %.
- Im Generator-Ausfall-Szenario (Transient) um 4,6 %.
- Insgesamt wurde eine Genauigkeitssteigerung von bis zu 11 % in bestimmten Konfigurationen erreicht.
Stabilität (Standardabweichung):
- Die Standardabweichung der Ergebnisse über die verschiedenen Kreuzvalidierungs-Folds hinweg wurde drastisch reduziert.
- Reduktion um 57,8 % im stationären Szenario und 56,6 % im Transient-Szenario. Dies zeigt eine deutlich höhere Robustheit gegenüber Schwankungen in den Trainingsdaten.
Konvergenzgeschwindigkeit:
- Das PINN erreichte seine beste Leistung (Minimum Validation Error) signifikant früher im Trainingsprozess.
- 30 % schnellere Konvergenz (bzw. 18,1 % bis 24,6 % weniger Epochen bis zum Optimum) im Vergleich zum Benchmark-NN.
Effizienz: Das Modell benötigt weniger Trainingsaufwand, um eine hohe Genauigkeit zu erreichen, da die physikalischen Constraints den Suchraum einschränken.

5. Bedeutung und Ausblick

Signifikanz: Diese Arbeit demonstriert, dass PINNs eine vielversprechende Lösung für die Echtzeit-Zustandsschätzung in modernen Stromnetzen mit hoher PMU-Beobachtbarkeit sind. Sie lösen das Dilemma zwischen Rechengeschwindigkeit und physikalischer Konsistenz.
Unabhängigkeit: Der Ansatz ist nicht von der optimalen Platzierung von Sensoren abhängig und benötigt keine systemspezifische Topologie-Designierung im Netzwerkaufbau, da die Topologie durch die Admittanzmatrix in den physikalischen Termen kodiert ist.
Zukunftsaussichten: Die Autoren planen, die Methode auf Szenarien mit eingeschränkter Beobachtbarkeit (Limited Observability) zu erweitern und Hyperparameter-Tuning zu vertiefen. Zudem wird untersucht, ob PINNs bei Datensätzen mit Fehlerfällen (Faults) robuster sind als reine ML-Modelle, da physikalische Constraints auch bei Anomalien die Vorhersage stabilisieren können.

Fazit: Die vorgeschlagene PINN-Methode bietet einen effektiven Beschleuniger für die Zustandsschätzung, der durch die Integration physikalischer Gesetze nicht nur die Genauigkeit steigert, sondern auch die algorithmische Stabilität verbessert und die Trainingszeit verkürzt.