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

Este artículo propone un marco de Red Operadora Profunda (DeepONet), mejorado con aprendizaje residual y una estrategia de agregación de datos, para aproximar y simular con precisión la respuesta transitoria dinámica de generadores síncronos para su integración en simuladores de redes eléctricas.

Lo esencial

Imagina la red eléctrica como una orquesta masiva y compleja. En esta orquesta, los generadores síncronos (las grandes máquinas que giran para crear electricidad) son los músicos principales. Para mantener la música sonando con fluidez, especialmente cuando ocurre un "ruido" o perturbación repentina (como una tormenta o la rotura de una línea), los ingenieros necesitan predecir exactamente cómo reaccionarán estos músicos en los próximos segundos.

Tradicionalmente, predecir esta reacción es como intentar calcular la trayectoria de cada partícula individual en un huracán usando una supercomputadora. Es increíblemente preciso, pero requiere tanto tiempo y potencia de cálculo que suele ser demasiado lento para la toma de decisiones en tiempo real.

Este artículo propone una nueva forma de realizar esta predicción utilizando un tipo de inteligencia artificial llamado Aprendizaje de Operadores Profundos (DeepONet). Así es como funciona el enfoque de los autores, desglosado en conceptos sencillos:

1. El "Predictor Inteligente" (DeepONet)

En lugar de intentar resolver las complejas ecuaciones de la física desde cero cada vez, los autores entrenaron a una IA especial para que actúe como un lector de partituras musicales.

• La forma antigua: Si le preguntas a la IA "¿Qué sucede después?", normalmente necesita ver la partitura musical completa del futuro para adivinar la siguiente nota. Esto no funciona bien para la predicción en tiempo real porque aún no conoces el futuro.
• La nueva forma: Los autores construyeron un predictor "local". Imagina a un músico que solo necesita escuchar las últimas notas y el ritmo actual para predecir perfectamente los próximos segundos de la melodía. Esta IA observa el estado actual del generador y las señales eléctricas inmediatas que está recibiendo, y luego predice el estado futuro durante una ventana de tiempo corta. No necesita todo el futuro; solo necesita el "ahora" y un poco de "lo que acaba de pasar".

2. El "Paso Recursivo" (La Reacción en Cadena)

Dado que la IA solo predice una ventana de tiempo corta (como 5 segundos), ¿cómo predecimos una hora?

• La analogía: Piensa en cruzar un río saltando sobre piedras de un camino. La IA predice la siguiente piedra (los próximos 5 segundos). Una vez que aterriza allí, trata ese nuevo punto como el punto de partida y predice los siguientes 5 segundos. Sigue haciendo esto, saltando hacia adelante, para simular un viaje largo.
• La innovación: Los autores diseñaron un sistema que hace este salto de forma automática y eficiente, asegurando que los "pasos" se mantengan precisos sin que los errores se acumulen y causen que la simulación caiga al agua.

3. El "Entrenador Híbrido" (Residual DeepONet)

A veces, ya tenemos un manual aproximado o un modelo de libro de texto simplificado de cómo funciona el generador, pero no es perfecto.

• La analogía: Imagina que estás aprendiendo a montar en bicicleta. Tienes un manual (el modelo matemático) que te dice cómo mantener el equilibrio, pero está un poco desactualizado. En lugar de ignorar el manual, contratas a un entrenador (la IA) cuyo único trabajo es decirte en qué se equivocó el manual.
• Cómo funciona: El sistema ejecuta primero el manual aproximado. Luego, la IA calcula el "error" (el residuo) entre lo que el manual dijo que sucedería y lo que realmente sucedió. La predicción final es la suposición del Manual más la corrección de la IA. Esto permite que el sistema utilice el conocimiento de ingeniería existente y, al mismo al mismo tiempo, aprenda los detalles complejos del mundo real a partir de los datos.

4. La "Práctica de Ensayo" (Algoritmo DAgger)

Un problema común con la IA es que se entrena con un conjunto específico de ejemplos, pero cuando sale al mundo real, encuentra situaciones que nunca ha visto. Esto provoca que cometa errores, lo que conduce a más errores y, eventualmente, hace que falle.

• La analogía: Imagina a un estudiante piloto que solo practicó volando en condiciones climáticas perfectas. Si de repente es enviado a una tormenta, podría entrar en pánico.
• La solución: Los autores utilizaron una estrategia llamada DAgger (Agregación de Datos). Es como un simulador de vuelo que dice: "Está bien, tú pilotaste el avión y terminaste en un lugar extraño que no esperabas. Tomemos ese lugar extraño, simulemos lo que debería haber sucedido allí y añadamos eso a tu manual de entrenamiento".
• La IA realiza una simulación, ve dónde se desvía del curso, recopila esos nuevos datos de "desviación" y se reentrena con ellos. Repite este ciclo, enseñándose a sí misma cómo manejar las situaciones específicas que es más probable que encuentre en el mundo real.

Los Resultados

Los autores probaron esto en un modelo de un generador conectado a un "bus infinito" (una representación simplificada de una red eléctrica masiva).

• Precisión: Sus modelos de IA pudieron predecir el comportamiento del generador con una precisión extremadamente alta (a menudo con un error inferior al 1%), incluso cuando la red experimentaba fallas o perturbaciones repentinas.
• Velocidad y Eficiencia: Al utilizar el enfoque del "Entrenador Híbrido", obtuvieron resultados aún mejores con menos datos. Al utilizar el enfoque de la "Práctica de Ensayo" (DAgger), aseguraron que la IA no se confundiera cuando se enfrentara a escenarios nuevos y complicados.

En resumen: El artículo presenta una forma nueva y más inteligente de simular generadores de energía. En lugar de forzar mediante la fuerza bruta cálculos matemáticos complejos, construyeron una IA que aprende a "leer la música" de la red, corrige sus propios errores utilizando el conocimiento de la física existente y practica en los escenarios específicos que es más probable que encuentre, convirtiéndola en una herramienta poderosa para construir simuladores de redes eléctricas más rápidos y fiables.

Resumen técnico

Resumen Técnico: Aproximación de la Respuesta Dinámica de Generadores Sincrónicos mediante el Aprendizaje de Operadores

Planteamiento del Problema
El artículo aborda los desafíos computacionales asociados con la simulación de la respuesta dinámica de generadores sincrónicos (GS) dentro de las redes eléctricas. Los esquemas de simulación numérica tradicionales, como los enfoques de solución particionada o la integración implícita, a menudo incurren en altos costos computacionales, particularmente cuando se requieren múltiples simulaciones hacia adelante para tareas de control y optimización en las futuras redes inteligentes. Si bien el aprendizaje profundo ofrece alternativas potenciales, los métodos existentes suelen tener dificultades para generalizar a condiciones operativas no vistas, requieren grandes conjuntos de datos para evitar el sobreajuste y no logran dar cuenta de la naturaleza de dimensión infinita de los operadores de solución que gobiernan estos sistemas dinámicos. Además, los modelos puramente basados en datos pueden carecer de la consistencia física proporcionada por décadas de modelado matemático establecido en la comunidad de sistemas de potencia.

Metodología
Los autores proponen un marco de Aprendizaje de Operadores basado en Redes de Operadores Profundos (DeepONet) para aproximar el operador de solución de los GS interactuando con una red eléctrica o un simulador numérico. La metodología se estructura en tres componentes principales:

1. DeepONet Basado en Datos: Los autores diseñan un DeepONet para aproximar el operador de solución local de un GS sobre un intervalo de tiempo arbitrario $[t_n, t_n + h_n]$. A diferencia de las aplicaciones previas de DeepONet que requieren la trayectoria completa como entrada, este marco acepta el estado actual $x(t_n)$, una secuencia discretizada de variables de interacción (por ejemplo, corrientes de estator y tensiones terminales) $\tilde{y}_m^n$, y un paso de tiempo de predicción flexible $h_n$. La red consiste en una Red de Rama (Branch Net) (que procesa el estado y las variables de interacción) y una Red de Tronco (Trunk Net) (que procesa el paso de tiempo), produciendo el estado futuro mediante una combinación lineal de coeficientes entrenables y funciones de base. Esta aproximación local se emplea de forma recursiva para simular la respuesta del generador durante un horizonte de largo plazo.

2. DeepONet Residual: Para incorporar el conocimiento matemático existente, los autores proponen un esquema de aprendizaje residual. En lugar de aprender el operador de solución completo, la red aprende el "residuo" o la corrección de error entre el operador de solución real y un operador aproximado derivado de un modelo matemático conocido (por ejemplo, una ecuación diferencial-algebraica simplificada o una red neuronal informada por la física). La predicción final es la suma de la salida del modelo aproximado y la corrección del DeepONet residual. El artículo proporciona una estimación teórica del error acumulado para este esquema, atribuyendo la acumulación de error tanto al error de aproximación de la entrada como al error de aproximación de la red neuronal.

3. Estrategia de Agregación de Datos (DAgger): Para mitigar el desplazamiento de la distribución y la acumulación de errores cuando el DeepONet interactúa con un simulador, los autores introducen un algoritmo DAgger. Esta estrategia iterativa entrena al DeepONet en un conjunto de datos inicial, luego utiliza el modelo entrenado para realizar ejecuciones de simulación (roll-outs) y recolectar nuevos datos de entrada que el modelo es probable a encontrar durante la interacción. Estos nuevos datos son etiquetados utilizando el operador de solución real y se agregan con el conjunto de entrenamiento original para el ajuste fino (fine-tuning). Este proceso se repite para asegurar que el modelo se generalice a la distribución específica de estados que encontrará en las simulaciones interactivas.

Contribuciones Clave

• Aprendizaje de Operadores para Redes Eléctricas: El artículo presenta la primera aplicación de DeepONet para aproximar el operador de solución para componentes dinámicos de redes eléctricas, abordando específicamente la naturaleza de dimensión infinita del problema y la necesidad de predicciones recursivas de múltiples pasos.
• Esquema Numérico Recursivo: Se desarrolla un esquema numérico novedoso que utiliza recursivamente el DeepONet entrenado para simular las respuestas de los generadores durante horizontes de tiempo de corto a medio con pasos de tiempo arbitrarios.
• Modelado Híbrido: La introducción de un marco de DeepONet residual que combina eficazmente el aprendizaje basado en datos con modelos matemáticos establecidos, permitiendo que el sistema aproveche el conocimiento previo de la física mientras corrige las imprecisiones del modelo.
• Análisis de Error: Se derivan límites teóricos para el error acumulado del esquema de DeepONet residual, distinguiendo entre los errores de la discretización de la entrada y la aproximación de la red neuronal.
• DAgger para Simulación Interactiva: Se propone un algoritmo de agregación de datos para ajustar los DeepONets utilizando datos de entrenamiento agregados, diseñado específicamente para reducir la propagación de errores cuando el modelo interactúa con otros componentes de la red en un simulador.

Resultos Experimentales
Los marcos propuestos fueron validados utilizando un modelo de generador de dos ejes interactuando con un bus infinito, simulado mediante el Power Systems Toolbox (PST).

• Entrenamiento Supervisado: En los experimentos de entrenamiento supervisado, el DeepONet residual superó tanto al DeepONet puramente basado en datos como a una red neuronal totalmente conectada (FNN) estándar. El DeepONet residual logró errores relativos L2 medios consistentemente por debajo del 1% para los estados del generador y las entradas de la red, mientras que la FNN exhibió una acumulación de error significativa (errores medios de hasta el 37.8%). El DeepONet basado en datos mantuvo los errores por debajo del 5%.
• Análisis de Sensibilidad: El estudio demostró que aumentar el número de muestras de entrenamiento reducía la acumulación de error para ambos marcos, mostrando el DeepONet residual una generalización superior y una menor acumulación de error independientemente del tamaño del conjunto de datos.
• Desempeño de DAgger: Cuando se entrenó con datos limitados (100 muestras) y se ajustó utilizando el algoritmo DAgger, el DeepONet residual logró generalizarse con éxito a trayectorias de perturbación no vistas. El error relativo L2 medio para todos los estados y las entradas de la red se mantuvo por debajo de 0.01%, lo que indica que la estrategia DAgger mitigó eficazmente el desplazamiento de la distribución y la propagación del error.

Significancia y Reivindicaciones
El artículo afirma que el marco DeepONet propuesto ofrece un camino viable hacia la construcción de simuladores de redes eléctricas y gemelos digitales basados en operadores profundos. Al aproximar el operador de solución en lugar de solo el siguiente estado, el marco permite una temporización flexible y la interacción con simuladores de red. Los autores enfatizan que el enfoque residual permite la integración de décadas de experiencia en el modelado de sistemas de potencia, mejorando la generalización incluso con datos limitados. Además, la estrategia DAgger aborda un desafío crítico para el despliegue del aprendizaje automático en entornos interactivos: la acumulación de errores debido al desplazamiento de la distribución. Los autores posicionan este trabajo como un paso hacia simuladores composibles y a gran escala capaces de optimizar y controlar las futuras redes inteligentes con alta penetración de energías renovables, señalando además que el trabajo futuro se centrará en la calibración en línea, el aprendizaje federado preservador de la privacidad y la escalabilidad a redes extensas.