⚡ electrical engineering

PowerSINDy: Identifying Nonlinear Time-Dependent Dynamics in Power Grid Frequency

Dieser Beitrag stellt PowerSINDy vor, ein Framework, das nichtlineare, zeitabhängige Dynamiken in realen Frequenzdaten von Stromnetzen aus Kontinentaleuropa und Südkorea erfolgreich identifiziert und dabei sparsamkeitsfördernde Regressionsstrategien vergleicht, um festzustellen, dass LASSO den geringsten Fehler aufweist und STLSQ das beste Gleichgewicht zwischen Genauigkeit und Stabilität bietet.

Ursprüngliche Autoren: Xinyi Wen, Xiao Li, Leonardo Rydin Gorjão, Veit Hagenmeyer, Benjamin Schäfer

Veröffentlicht 2026-05-05

📖 5 Min. Lesezeit🧠 Tiefgang

CC BY 4.0

Ursprüngliche Autoren: Xinyi Wen, Xiao Li, Leonardo Rydin Gorjão, Veit Hagenmeyer, Benjamin Schäfer

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

Stellen Sie sich das Stromnetz als ein riesiges, komplexes Orchester vor. Die „Frequenz" des Stroms (üblicherweise 50 oder 60 Schläge pro Sekunde) ist das Tempo des Dirigenten. Bleibt das Tempo konstant, klingt die Musik perfekt. Beschleunigt es sich oder verlangsamt es sich, bedeutet dies, dass die Musiker (Stromerzeuger) und das Publikum (Stromverbraucher) nicht perfekt synchronisiert sind.

Lange Zeit versuchten Wissenschaftler, die „Partitur" (die mathematischen Gleichungen) dieses Orchesters mit einfachen Regeln aufzuschreiben. Doch moderne Stromnetze sind chaotisch. Sie verfügen über Wind- und Solarenergie, die kommen und gehen, und reagieren auf komplizierte, nichtlineare Weise. Die alten, einfachen Regeln erfassen nicht das gesamte Bild.

Diese Arbeit stellt ein neues Werkzeug namens PowerSINDy vor, um die echte „Partitur" allein durch das Anhören der Aufnahme des Orchesters zu ermitteln, ohne zuvor jedes einzelne Instrument im Detail kennen zu müssen.

Hier ist die Vorgehensweise, einfach erklärt:

1. Die Herausforderung: Eine verrauschte Aufnahme

Stellen Sie sich vor, Sie versuchen, ein Lied aus einer Aufnahme zu transkribieren, die Rauschen, Windgeräusche und Gespräche im Hintergrund enthält. Wenn Sie versuchen, die Noten sofort aufzuschreiben, werden Sie einen Fehler machen.

Die Lösung des Papiers: Bevor sie versuchten, die Regeln zu finden, nutzten sie einen „Geräuschunterdrückungskopfhörer" (ein mathematischer Filter namens Gauß-Filter), um die Daten zu bereinigen. Sie testeten verschiedene Reinigungsstufen, um den „Sweet Spot" zu finden, an dem das Rauschen verschwunden war, der eigentliche Rhythmus der Musik aber noch klar erkennbar blieb. Sie stellten fest, dass eine Glättung der Daten über ein 60-Sekunden-Fenster am besten funktionierte.

2. Die Detektivarbeit: PowerSINDy

Sobald die Daten bereinigt waren, nutzten sie eine Methode namens SINDy (Sparse Identification of Nonlinear Dynamics).

Die Analogie: Stellen Sie sich vor, Sie haben eine riesige Werkzeugkiste, gefüllt mit jeder denkbaren mathematischen Form, die Sie zum Bauen eines Modells verwenden könnten (gerade Linien, Kurven, Wellen, Quadrate, Würfel usw.).
Das Ziel: Sie möchten ein Modell bauen, das das Verhalten des Netzes vorhersagt, aber Sie wollen so wenige Werkzeuge wie möglich verwenden. Sie wollen kein Modell, das 1.000 Werkzeuge verwendet, um eine einfache Schaukel zu erklären; Sie wollen die 3 oder 4 Werkzeuge, die tatsächlich wichtig sind. Dies wird „Sparsamkeit" (Sparsity) genannt.
Das Upgrade: Die Autoren erkannten, dass Standardwerkzeuge (nur gerade Linien und einfache Kurven) für Stromnetze nicht ausreichten. Daher fügten sie Fourier-Terme (mathematische Wellen) zur Werkzeugkiste hinzu. Dies ermöglichte es ihnen, die natürlichen „Wackler" und Oszillationen in der Netzfrequenz zu erfassen, die einfache Kurven übersehen.

3. Die drei Richter (Optimierer)

Um zu entscheiden, welche Werkzeuge behalten und welche verworfen werden sollten, nutzten sie drei verschiedene „Richter" (mathematische Strategien), um das beste Modell auszuwählen. Sie testeten diese Richter an realen Daten von zwei verschiedenen „Orchestern":

Kontinentaleuropa (CE): Ein riesiges, vernetztes Netz mit enormer Trägheit (wie ein riesiges, schweres Schwungrad).
Südkorea (SK): Ein kleineres, kompakteres, zentral gemanagtes Netz.

Die drei Richter waren:

LASSO: Der „Präzisionsscharfschütze". Er schneidet aggressiv alles weg, was nicht absolut notwendig ist.
STLSQ: Die „Stabile Hand". Er geht schrittweise vor, prüft und überprüft, um sicherzustellen, dass das Modell nicht auseinanderfällt.
SR3: Der „Flexible Denker". Er versucht, eine Balance zwischen perfekter Anpassung an die Daten und Einfachheit des Modells zu finden, kann aber etwas launisch sein.

4. Die Ergebnisse: Wer gewann?

Die Arbeit führte Tausende von Tests durch, um zu sehen, welcher Richter die genaueste und stabilste „Partitur" produzierte.

Der Genauigkeits-Sieger (LASSO): LASSO fand konsistent die genauesten Gleichungen. Es erzeugte die niedrigsten Fehlerquoten, was bedeutet, dass das von ihm gebaute Modell die Realwelt-Daten besser abbildete als die anderen. Es war besonders gut darin, die komplexen, nichtlinearen Wechselwirkungen zu finden (wie zwei verschiedene Teile des Netzes sich gegenseitig beeinflussen).
Der Stabilitäts-Sieger (STLSQ): Während LASSO der genaueste war, war STLSQ der zuverlässigste. Es produzierte selten Modelle, die beim Simulieren der Zukunft „abstürzten" oder verrückt wurden. Es bot den besten Kompromiss zwischen Genauigkeit und Sicherheit.
Der Wildcard (SR3): Dieser Richter war inkonsistent. Manchmal funktionierte er gut, war aber sehr empfindlich gegenüber seiner Konfiguration. Er neigte dazu, zu viele Werkzeuge in der Werkzeugkiste zu behalten, was die Modelle komplexer und schwerer verständlich machte.

5. Was lernten sie?

Größer ist nicht immer besser: Als sie versuchten, die Modelle superkomplex zu machen (unter Verwendung kubischer Gleichungen), wurden die Modelle instabil und begannen zu „divergieren" (aus dem Ruder zu laufen).
Wellen sind wichtig: Das Hinzufügen wellenartiger (Fourier-)Terme half den Modellen, die natürlichen Oszillationen des Netzes zu bewältigen, ohne die Mathematik zu sehr zu verkomplizieren.
Das „Geheimrezept": In den besten Modellen stellten sie fest, dass spezifische Wechselwirkungen zwischen dem Winkel des Netzes und seiner Geschwindigkeit (mathematisch bezeichnet als $\theta\omega$ und $\theta\omega^2$ ) entscheidend waren. Dies sind die verborgenen Regeln, die das Netz stabil halten.

Das Fazit

Die Arbeit zeigt, dass wir durch sorgfältige Bereinigung der Daten und den Einsatz des richtigen mathematischen „Detektivs" (speziell LASSO für Genauigkeit oder STLSQ für Stabilität) die verborgenen, nichtlinearen Gesetze entdecken können, die das Verhalten von Stromnetzen steuern. Dies hilft uns, das Netz besser zu verstehen als es je die alten, vereinfachten Modelle vermochten, unter Verwendung von Realwelt-Daten aus Europa und Südkorea.

Technisches Fazit: PowerSINDy für die Frequenzdynamik von Stromnetzen

Problemstellung
Der stabile Betrieb moderner Stromsysteme hängt maßgeblich von der präzisen Charakterisierung der Netzfrequenzdynamik ab, welche das Gleichgewicht zwischen Erzeugung und Nachfrage widerspiegelt. Traditionelle Modellierungsansätze, wie die aggregierte Swing-Gleichung, beruhen häufig auf linearen Annahmen und vereinfachten physikalischen Parametern, die nicht ausreichen, um die komplexen, nichtlinearen und zeitabhängigen Verhaltensweisen zu erfassen, die durch eine hohe Durchdringung mit erneuerbaren Energien und stochastische Schwankungen eingeführt werden. Obwohl Systemidentifikationsmethoden wie die Sparse Identification of Nonlinear Dynamics (SINDy) eine datengesteuerte Alternative zur Aufdeckung von governing equations bieten, bleibt ihre Anwendung auf reale Stromnetzdaten begrenzt. Bestehende Studien haben sich weitgehend auf synthetische Daten konzentriert, wodurch offene Fragen bezüglich der Leistungsfähigkeit von SINDy bei verrauschten, komplexen empirischen Datensätzen sowie der Trade-offs zwischen verschiedenen sparsity-fördernden Regressionsstrategien bestehen bleiben.

Methodik: Das PowerSINDy-Rahmenwerk
Die Autoren schlagen PowerSINDy vor, ein Rahmenwerk, das speziell zur Identifizierung nichtlinearer, zeitabhängiger Dynamiken in Frequenzdaten von Stromsystemen entwickelt wurde. Die Methodik umfasst drei Hauptphasen:

Datenvorverarbeitung und Glättung:
Hochauflösende Frequenzdaten (1-Sekunden-Auflösung) von zwei verschiedenen Synchronnetzen – dem kontinentaleuropäischen (CE) Netz (50 Hz) und dem südkoreanischen (SK) Netz (60 Hz) – wurden analysiert. Um deterministische Dynamiken von stochastischem Rauschen zu isolieren, wurde ein Gauß-Filter angewendet. Der optimale Glättungsparameter ( $\sigma$ ) wurde durch Minimierung des Root Mean Square Error (RMSE) zwischen von SINDy simulierten Trajektorien und den ursprünglichen empirischen Daten bestimmt. Die Studie identifizierte $\sigma = 60$ (ein 60-Sekunden-Fenster) als optimalen Kompromiss zwischen Rauschunterdrückung und Erhaltung von Merkmalen.
Konstruktion der Kandidatenbibliothek:
Im Gegensatz zu Standard-SINDy-Implementierungen, die sich ausschließlich auf Polynome verlassen, erweitert PowerSINDy die Bibliothek der Kandidatenfunktionen, um die Dynamik von Stromnetzen besser abzubilden. Die Bibliothek umfasst:
- Polynomiale Terme: Bis zu quadratische ( $p2$ ) und kubische ( $p3$ ) Ordnungen, um nichtlineare Kopplungen zu erfassen.
- Fourier-Terme: Sinus- und Kosinusfunktionen erster Ordnung ( $p2f1$ ), um oszillatorische Verhaltensweisen darzustellen, die in Synchronnetzen inhärent sind.
- Zeitabhängige Terme: Explizite Einbeziehung der Zeit ( $T$ ) und Interaktionsterme, die die Zeit beinhalten, um deterministische Signale zu berücksichtigen, die durch Lastkurven und Erzeugungspläne getrieben werden.
Sparsity-Regressionsstrategien:
Das Rahmenwerk vergleicht drei verschiedene Optimierungsstrategien zur Lösung des sparsity-Regressionsproblems $\dot{X} = \Theta(X)\Xi$ :
- Sequentially Thresholded Least Squares (STLSQ): Löst iterativ die kleinsten Quadrate und setzt kleine Koeffizienten auf Null.
- LASSO (Least Absolute Shrinkage and Selection Operator): Verwendet eine $L1$ -Strafe, um Koeffizienten auf Null zu schrumpfen.
- Sparse Relaxed Regularized Regression (SR3): Führt eine Hilfsvariable und einen Relaxationsparameter ein, um die Datenanpassung von der Sparsity-Durchsetzung zu trennen, getestet mit $L0$ -, $L1$ - und $L2$ -Normen.

Hauptergebnisse
Die Studie bewertete das Rahmenwerk über 15-Minuten-Trajektorien aus den CE- und SK-Datensätzen und verglich die Modellgenauigkeit (stabile RMSE), Stabilitätsanteile (Prozentsatz der nicht-divergierenden Trajektorien) und strukturelle Komplexität (Anzahl aktiver Merkmale).

Leistung der Optimierer:
- LASSO erzielte konsistent den niedrigsten stabilen RMSE über alle Konfigurationen hinweg. Für den CE-Datensatz mit kubischen Polynomen ( $p3$ ) erreichte LASSO einen minimalen RMSE von 0,0101. Es erzeugte zudem die spärlichsten Modelle, insbesondere in Konfigurationen niedrigerer Ordnung.
- STLSQ zeigte die höchste Stabilität, wobei die Stabilitätsanteile in quadratischen ( $p2$ ) Einstellungen häufig 0,79 überstiegen. Es bot den besten Kompromiss zwischen Genauigkeit und Zuverlässigkeit, wenn auch mit einem etwas höheren RMSE als LASSO.
- SR3 wies die höchste Variabilität und Sensitivität gegenüber Hyperparametern und Datensatzeigenschaften auf. Bemerkenswert ist, dass die $L0$ - und $L1$ -Normen in SR3 hinsichtlich RMSE und Stabilität nahezu ununterscheidbare Ergebnisse lieferten. Die Leistung von SR3 verschlechterte sich in kubischen ( $p3$ ) Konfigurationen erheblich, insbesondere für den SK-Datensatz, wo die Stabilitätsanteile unter 0,52 sanken.
Modellkomplexität und Bibliothekswahl:
- Quadratische ( $p2$ ) Modelle lieferten stabile Lösungen mit niedrigem RMSE (~0,016) über beide Datensätze hinweg.
- Kubische ( $p3$ ) Modelle verbesserten die Genauigkeit für den CE-Datensatz (RMSE 0,0101), reduzierten jedoch die Stabilität und führten zu einer schnelleren Trajektorien-Divergenz.
- Mit Fourier angereicherte Modelle ( $p2f1$ ) boten einen Mittelweg, indem sie eine robuste Leistung (RMSE ~0,016) und Stabilität über beide Datensätze hinweg aufrechterhielten, ohne die Instabilität, die mit Polynomen höherer Ordnung verbunden ist.
- Merkmalsanalyse: LASSO setzte konsistent die sparsamsten Darstellungen durch (ca. 6 aktive Merkmale für $p2$ ), während SR3 dazu neigte, dichtere Modelle auszuwählen (ca. 14 aktive Merkmale für $p3$ ).
Datensatz-Unterschiede:
Das CE-Netz, gekennzeichnet durch hohe Trägheit und Vernetzung, lieferte im Allgemeinen einen niedrigeren RMSE und höhere Stabilitätsanteile als das SK-Netz, das eine geringere Trägheit und eine kompaktere Topologie aufweist. Dies deutet darauf hin, dass intrinsische Datencharakteristika die Wiederherstellbarkeit von Modellen stärker beeinflussen als algorithmische Instabilität.

Bedeutung und Behauptungen
Die Studie behauptet, dass PowerSINDy erfolgreich governing equations für komplexe, reale Frequenzdaten von Stromnetzen identifiziert und die Grenzen traditioneller linearer Modelle überwindet. Die Studie zeigt, dass:

Datengesteuerte Identifikation stochastische Integrations-Baselines (Euler–Maruyama) übertreffen kann und niedrigere RMSE-Werte erreicht (z. B. 0,0101 vs. 0,0282 für die CE-Baseline).
Die Wahl des Optimierers entscheidend ist: LASSO ist für Genauigkeit und Sparsity überlegen, während STLSQ für Stabilität in komplexen Konfigurationen bevorzugt wird.
Das Bibliotheksdesign wichtig ist: Die Einbeziehung von Fourier-Termen ermöglicht eine robuste Darstellung oszillatorischer Dynamiken ohne die mit Polynomen höherer Ordnung verbundenen Risiken der Überanpassung.
Physikalische Einsichten: Die identifizierten Modelle unterstreichen die Bedeutung spezifischer nichtlinearer Wechselwirkungen (z. B. $\theta\omega$ und $\theta\omega^2$ ) für die Erfassung der Systemdynamik und liefern interpretierbare Einblicke in die Mechanismen, die das Frequenzverhalten des Netzes antreiben.

Die Autoren schließen, dass das Rahmenwerk zwar vielversprechend ist, der Trade-off zwischen Modell-Ausdrucksstärke (Terme höherer Ordnung) und Stabilität jedoch eine zentrale Herausforderung bleibt. Als zukünftige Arbeiten werden die Untersuchung zeitvariabler Parameter, adaptiver Formulierungen für die Echtzeit-Überwachung und die Integration physikalischer Priors zur Schaffung hybrider Modelle vorgeschlagen.