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

Resumen Técnico: Aprendizaje Informado por la Física con Eficiencia de Datos para Modelar la Dinámica de la Forma de Onda Sincronizada de Recursos Basados en Inversores Integrados a la Red

Planteamiento del Problema
La creciente penetración de los Recursos Basados en Inversores (IBR, por sus siglas en inglés) está transformando los sistemas de potencia de una generación basada en máquinas síncronas a una basada en electrónica de potencia. A diferencia de los generadores tradicionales, los IBR exhiben dinámicas transitorias rápidas y dirigidas por control durante las perturbaciones de la red, que a menudo incluyen transitorios subcíclicos significativos. Estas dinámicas son difíciles de capturar mediante mediciones de fasores y SCADA tradicionales. Si bien las Unidades de Medición de Formas de Onda (WMU) proporcionan muestras de voltaje y corriente crudas, sincronizadas en el tiempo y de alta resolución, el aprendizaje de modelos transitorios precisos a partir de estos datos sigue siendo un desafío. Los modelos puramente físicos pueden ser computacionalmente costosos en escalas de tiempo subcíclicas, mientras que los modelos puramente basados en datos requieren grandes volúmenes de datos de perturbaciones etiquetados, los cuales son escasos debido a la infrecuencia de las perturbaciones en la red.

Metodología
Los autores proponen un marco de Aprendizaje Automático Informado por la Física (PIML) para estimar las respuestas de corriente terminal de los IBR utilizando un número limitado de firmas de perturbación. El enfoque aprovecha las mediciones de forma de onda sincronizadas en el tiempo desde dos ubicaciones: la terminal del IBR (que mide el voltaje $v_1(t)$ y la corriente $i_1(t)$) y el lado de la red de la línea de conexión (que mide el voltaje $v_2(t)$).

En lugar de modelar las formas de onda crudas, el método opera sobre formas de onda diferenciales de primer orden ($\Delta x(t)$), que aíslan las firmas de perturbación transitoria de los estados estacionarios previos a la perturbación. El núcleo de la metodología consiste en aprender una función no lineal desconocida $f(\cdot)$ que mapea el voltaje diferencial terminal a la corriente diferencial terminal ($\Delta i_1 = f(\Delta v_1)$).

El marco incorpora leyes físicas al imponer la relación del circuito del lado de la red:
$$\Delta v_2(t) = \Delta v_1(t) - R \Delta i_1(t) - L \frac{d\Delta i_1}{dt}$$
donde $R$ y $L$ representan la resistencia e inductancia de la línea. El proceso de aprendizaje se formula como la minimización de una función de pérdida que combina:

1. Pérdida basada en datos: el error cuadrático medio (MSE) entre las corrientes diferenciales predichas y observadas.
2. Pérdida informada por la física: un término de regularización que penaliza las desviaciones de la ecuación del circuito (2).

El artículo aborda dos escenarios específicos:

• Parámetros Conocidos: Se asume que $R$ y $L$ son conocidos. El modelo utiliza dos redes neuronales: una para predecir la respuesta de corriente y una segunda para imponer la restricción de la ecuación del circuito.
• Parámetros Desconocidos: $R$ y $L$ se tratan como escalares aprendibles (restringidos a ser no negativos mediante la activación softplus). El marco aprende conjuntamente el mapa de la dinámica transitoria $f(\cdot)$ y los parámetros del circuito ($R$ y $L$) mediante optimización basada en gradientes.

Contribuciones Clave

1. Marco PIML Novedoso: El artículo introduce la primera aplicación de PIML al análisis de formas de onda sincrónicas para IBR. Integra las mediciones de forma de onda del lado de la red y las ecuaciones de circuito para restringir el proceso de aprendizaje.
2. Eficiencia de Datos: El método propuesto reduce significativamente la cantidad de datos de perturbación etiquetados requeridos para lograr modelos precisos en comparación con los modelos de referencia puramente basados en datos.
3. Estimación Conjunta de Parámetros: El marco permite la estimación simultánea de los parámetros de línea desconocidos ($R, L$) junto con la dinámica transitoria del IBR, abordando una limitación práctica donde los parámetros de la línea pueden ser inciertos.
4. Robustez ante Tasas de Muestreo: El método es validado a través de múltiples tasas de muestreo (32, 64 y 128 muestras por ciclo de 60 Hz), demostrando un rendimiento consistente incluso a resoluciones más bajas.

Resultados Experimentales
Los autores evaluaron el enfoque utilizando un conjunto de datos de 80 eventos de perturbación, variando el número de eventos de entrenamiento de 3 a 50.

• Desempeño con Parámetros Conocidos: En todas las tasas de muestreo, el modelo PIML logró consistentemente un MSE de prueba más bajo que la línea de base de solo datos. Por ejemplo, a una tasa de muestreo de 128 muestras/ciclo con solo 3 eventos de entrenamiento, el modelo PIML redujo el error en aproximadamente un 58% en comparación con el modelo de solo datos.
• Ganancias de Eficiencia de Datos: Para lograr niveles de error comparables, el enfoque informado por la física requirió aproximadamente de 7 a 9 veces menos eventos de entrenamiento que el modelo de solo datos cuando los parámetros eran conocidos. Cuando los parámetros eran desconocidos, la ganancia de eficiencia fue menor (aprox. 2.3x a 5.7x), pero aún significativa.
• Identificación de Parámetros: En el caso de parámetros desconocidos, el modelo convergió exitosamente a los valores reales de $R$ (10 $\Omega$) y $L$ (0.2 mH) durante el entrenamiento, como se ilustra en las gráficas de convergencia.
• Bajas Tasas de Muestreo: El modelo PIML mantuvo un desempeño robusto y tasas de error más bajas incluso en la tasa de muestreo más baja probada (32 muestras/ciclo), donde la línea de base de solo datos tuvo dificultades.

Significancia y Reivindicaciones
El artículo afirma que este trabajo cierra la brecha entre el modelado basado en la física y el basado en datos para los IBR. Al aprovechar las mediciones de forma de onda del lado de la red, existentes pero subutilizadas, el marco PIML propuesto permite un modelado preciso de las dinámicas rápidas subcíclicas de los IBR con sustancialmente menos eventos de perturbación. Esto es particularmente significativo para aplicaciones prácticas donde la recolección de grandes conjuntos de datos etiquetados es inviable. La capacidad de identificar conjuntamente los parámetros del circuito mejora aún más la utilidad del marco en entornos del mundo real donde los parámetros de la línea son inciertos. Los autores concluyen que este enfoque ofrece un camino eficiente en datos para el modelado de la dinámica de la forma de onda sincrónica, con trabajos futuros planeados para abordar topologías de red más complejas, ruido y condiciones desbalanceadas.