Data-Efficient Physics-Informed Learning to Model Synchro-Waveform Dynamics of Grid-Integrated Inverter-Based Resources

Technische Zusammenfassung: Dateneffizientes physikinformiertes Lernen zur Modellierung der Synchro-Wellenformdynamik von netzgekoppelten Wechselrichterbasierten Ressourcen

Problemstellung
Die zunehmende Integration von wechselrichterbasierten Ressourcen (Inverter-Based Resources, IBRs) transformiert Energiesysteme von synchronen zu auf Leistungselektronik basierenden Erzeugungsanlagen. Im Gegensatz zu herkömmlichen Generatoren weisen IBRs während Netzstörungen eine schnelle, regelungsgesteuerte transiente Dynamik auf, die häufig signifikante Sub-Zyklus-Transienten umfasst. Diese Dynamiken sind mit traditionellen Phasormessungen und SCADA-Messungen schwer zu erfassen. Während Wellenform-Messgeräte (Waveform Measurement Units, WMUs) hochauflösende, zeitsynchronisierte Rohdaten von Spannungs- und Stromproben liefern, bleibt das Erlernen genauer transienter Modelle aus diesen Daten eine Herausforderung. Rein physikalische Modelle können auf Sub-Zyklus-Zeitskalen rechenintensiv sein, während rein datengetriebene Modelle große Mengen an gelabelten Störungsdaten erfordern, die aufgrund der Seltenheit von Netzstörungen knapp gesät sind.

Methodik
Die Autoren schlagen einen physikinformierten maschinellen Lernrahmen (Physics-Informed Machine Learning, PIML) vor, um die transienten Stromreaktionen von IBRs anhand einer begrenzten Anzahl von Störungs-Signaturen zu schätzen. Der Ansatz nutzt zeitsynchronisierte Wellenformmessungen von zwei Standorten: dem IBR-Anschluss (Messung von Spannung $v_1(t)$ und Strom $i_1(t)$) und der netzseitigen Seite der Verbindungsleitung (Messung von Spannung $v_2(t)$).

Anstatt die Rohwellenformen zu modellieren, arbeitet die Methode auf ersten Ableitungen der Wellenformen ($\Delta x(t)$), welche die transienten Störungssignaturen von den stationären Zuständen vor der Störung isolieren. Der Kern der Methodik besteht darin, eine unbekannte nichtlineare Funktion $f(\cdot)$ zu lernen, die die differenzielle Anschlussspannung auf den differentiellen Anschlussstrom abbildet ($\Delta i_1 = f(\Delta v_1)$).

Der Rahmen integriert physikalische Gesetze durch die Durchsetzung der netzseitigen Schaltungbeziehung:
$$\Delta v_2(t) = \Delta v_1(t) - R \Delta i_1(t) - L \frac{d\Delta i_1}{dt}$$
wobei $R$ und $L$ den Widerstand bzw. die Induktivität der Leitung darstellen. Der Lernprozess wird als Minimierung einer Verlustfunktion formuliert, die Folgendes kombiniert:

1. Datengetriebener Verlust: Der mittlere quadratische Fehler (Mean-Squared Error, MSE) zwischen vorhergesagten und beobachteten differentiellen Strömen.
2. Physikinformierter Verlust: Ein Regularisierungsterm, der Abweichungen von der Schaltungsgleichung (2) bestraft.

Das Paper adressiert zwei spezifische Szenarien:

• Bekannte Parameter: Es wird angenommen, dass $R$ und $L$ bekannt sind. Das Modell verwendet zwei neuronale Netze: eines zur Vorhersage der Stromreaktion und ein zweites, um die Schaltungsgleichung als Constraint durchzusetzen.
• Unbekannte Parameter: $R$ und $L$ werden als lernbare Skalare behandelt (die über eine Softplus-Aktivierung auf nicht-negative Werte beschränkt sind). Der Rahmen lernt die transiente Dynamik-Abbildung $f(\cdot)$ und die Schaltungsparameter $R$ und $L$ gleichzeitig mittels Gradientenabstieg-Optimierung.

Zentrale Beiträge

1. Neuartiger PIML-Rahmen: Das Paper stellt die erste Anwendung von PIML auf die Synchro-Wellenform-Analytik für IBRs vor. Es integriert netzseitige Wellenformmessungen und Schaltungsgleichungen, um den Lernprozess zu beschränken.
2. Dateneffizienz: Die vorgeschlagene Methode reduziert die Menge an benötigten gelabelten Störungsdaten signifikant, um genaue Modelle im Vergleich zu rein datengetriebenen Baselines zu erreichen.
3. Gemeinsame Parameterschätzung: Der Rahmen ermöglicht die gleichzeitige Schätzung unbekannter Leitungsparameter ($R, L$) neben der transienten IBR-Dynamik, was eine praktische Einschränkung adressiert, bei der Leitungsparameter unsicher sein können.
4. Robustheit gegenüber Abtastraten: Die Methode wird über mehrere Abtastraten hinweg validiert (32, 64 und 128 Abtastwerte pro 60-Hz-Zyklus) und demonstriert eine konsistente Leistung selbst bei niedrigeren Auflösungen.

Experimentelle Ergebnisse
Die Autoren evaluierten den Ansatz unter Verwendung eines Datensatzes von 80 Störungsereignissen, wobei die Anzahl der Trainingsereignisse von 3 auf 50 variiert wurde.

• Leistung mit bekannten Parametern: Über alle Abtastraten hinweg erreichte das PIML-Modell einen konsistent niedrigeren Test-MSE als die rein datengetriebene Baseline. Beispielsweise reduzierte das PIML-Modell bei einer Abtastrate von 128 Abtastwerten/Zyklus mit nur 3 Trainingsereignissen den Fehler im Vergleich zum datengetriebenen Modell um etwa 58 %.
• Gewinne bei der Dateneffizienz: Um vergleichbare Fehlerniveaus zu erreichen, benötigte der physikinformierte Ansatz etwa 7- bis 9-mal weniger Trainingsereignisse als das datengetriebene Modell, wenn die Parameter bekannt waren. Wenn die Parameter unbekannt waren, war der Effizienzgewinn geringer (ca. 2,3- bis 5,7-fach), aber dennoch signifikant.
• Parameteridentifikation: Im Fall unbekannter Parameter konvergierte das Modell erfolgreich zu den wahren Werten von $R$ (10 $\Omega$) und $L$ (0,2 mH) während des Trainings, wie durch die Konvergenzplots illustriert wird.
• Niedrige Abtastraten: Das PIML-Modell behielt eine robuste Leistung und niedrigere Fehlerraten selbst bei der niedrigsten getesteten Abtastrate (32 Abtastwerte/Zyklus) bei, bei der die datengetriebene Baseline Schwierigkeiten hatte.

Bedeutung und Ansprüche
Das Paper behauptet, dass diese Arbeit die Lücke zwischen physikalischen und datengetriebenen Modellen für IBRs schließt. Durch die Nutzung bestehender, aber unterausgenutzter netzseitiger Wellenformmessungen ermöglicht der vorgeschlagene PIML-Rahmen eine genaue Modellierung schneller Sub-Zyklus-IBR-Dynamiken mit wesentlich weniger Störungsereignissen. Dies ist besonders wichtig für praktische Anwendungen, bei denen das Sammeln großer gelabelter Datensätze nicht machbar ist. Die Fähigkeit zur gleichzeitigen Identifizierung von Schaltungsparametern erhöht zudem den Nutzen des Rahmens in realen Szenarien, in denen Leitungsparameter unsicher sind. Die Autoren kommen zu dem Schluss, dass dieser Ansatz einen dateneffizienten Weg zur Modellierung der Synchro-Wellenform-Dynamik bietet, wobei zukünftige Arbeiten geplant sind, um komplexere Netztopologien, Rauschen und unsymmetrische Bedingungen zu adressieren.