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

Sintesi Tecnica: Apprendimento Informato dalla Fisica ad Alta Efficienza di Dati per la Modellazione della Dinamica delle Sinchro-Forme d'Onda di Risorse Basate su Inverter Integrate nella Rete

Problematica
La crescente penetrazione delle Risorse Basate su Inverter (IBR) sta trasformando i sistemi elettrici da generazione sincrona a generazione basata su elettronica di potenza. A differenza dei generatori tradizionali, le IBR esibiscono dinamiche transitorie rapide e guidate dal controllo durante le perturbazioni di rete, che spesso includono significativi transitori sub-ciclo. Queste dinamiche sono difficili da catturare utilizzando le misurazioni tradizionali di fasori e SCADA. Sebbene le Unità di Misura delle Forme d'Onda (WMU) forniscano campioni di tensione e corrente grezzi ad alta risoluzione e sincronizzati temporalmente, l'apprendimento di modelli transitori accurati da questi dati rimane una sfida. I modelli puramente fisici possono essere computazionalmente onerosi su scale temporali sub-ciclo, mentre i modelli puramente basati sui dati richiedono grandi volumi di dati di perturbazione etichettati, che sono scarsi a causa dell'infrequenza delle perturbazioni di rete.

Metodologia
Gli autori propongono un framework di Apprendimento Automatico Informato dalla Fisica (PIML) per stimare le risposte di corrente terminale delle IBR utilizzando un numero limitato di firme di perturbazione. L'approccio sfrutta le misurazioni delle forme d'onda sincronizzate temporalmente da due località: il terminale dell'IBR (che misura la tensione $v_1(t)$ e la corrente $i_1(t)$) e il lato rete della linea di connessione (che misura la tensione $v_2(t)$).

Invece di modellare le forme d'onda grezze, il metodo opera sulle forme d'onda differenziali di primo ordine ($\Delta x(t)$), che isolano le firme di perturbazione transitoria dagli stati stazionari pre-perturbazione. Il nucleo della metodologia consiste nell'apprendere una funzione non lineare incognita $f(\cdot)$ che mappa la tensione differenziale terminale alla corrente differenziale terminale ($\Delta i_1 = f(\Delta v_1)$).

Il framework incorpora le leggi fisiche imponendo la relazione del circuito lato rete:
$$\Delta v_2(t) = \Delta v_1(t) - R \Delta i_1(t) - L \frac{d\Delta i_1}{dt}$$
dove $R$ e $L$ rappresentano la resistenza e l'induttanza della linea. Il processo di apprendimento è formulato come la minimizzazione di una funzione di perdita che combina:

1. Perdita basata sui dati: l'errore quadratico medio (MSE) tra le correnti differenziali previste e quelle osservate.
2. Perdita informata dalla fisica: un termine di regolarizzazione che penalizza le deviazioni dall'equazione del circuito (2).

Il documento affronta due scenari specifici:

• Parametri Noti: $R$ e $L$ sono assunti come noti. Il modello utilizza due reti neurali: una per prevedere la risposta di corrente e una seconda per imporre il vincolo dell'equazione del circuito.
• Parametri Sconosciuti: $R$ e $L$ sono trattati come scalari apprendibili (vincolati a essere non negativi tramite attivazione softplus). Il framework apprende congiuntamente la mappa della dinamica transitoria $f(\cdot)$ e i parametri del circuito $R$ e $L$ tramite ottimizzazione basata sul gradiente.

Contributi Chiave

1. Nuovo Framework PIML: Il documento introduce la prima applicazione del PIML all'analisi delle sinchro-forme d'onda per le IBR. Integra le misurazioni delle forme d'onda lato rete e le equazioni del circuito per vincolare il processo di apprendimento.
2. Efficienza dei Dati: Il metodo proposto riduce significativamente la quantità di dati di perturbazione etichettati necessari per ottenere modelli accurati rispetto ai baseline puramente basati sui dati.
3. Stima Congiunta dei Parametri: Il framework consente la stima simultanea dei parametri di linea sconosciuti ($R, L$) insieme alla dinamica transitoria dell'IBR, affrontando un limite pratico in cui i parametri di linea possono essere incerti.
4. Robustezza tra le Frequenze di Campionamento: Il metodo è validato attraverso molteplici frequenze di campionamento (32, 64 e 128 campioni per ciclo a 60 Hz), dimostrando prestazioni consistenti anche a risoluzioni inferiori.

Risultati Sperimentali
Gli autori hanno valutato l'approccio utilizzando un dataset di 80 eventi di perturbazione, variando il numero di eventi di addestramento da 3 a 50.

• Prestazioni con Parametri Noti: In tutte le frequenze di campionamento, il modello PIML ha ottenuto un MSE di test costantemente inferiore rispetto al baseline basato solo sui dati. Ad esempio, a una frequenza di campionamento di 128 campioni/ciclo con soli 3 eventi di addestramento, il modello PIML ha ridotto l'errore di circa il 58% rispetto al modello basato solo sui dati.
• Guadagni di Efficienza dei Dati: Per raggiungere livelli di errore comparabili, l'approccio informato dalla fisica ha richiesto circa 7 o 9 volte meno eventi di addestramento rispetto al modello basato solo sui dati quando i parametri erano noti. Quando i parametri erano sconosciuti, il guadagno di efficienza era inferiore (circa 2,3x a 5,7x), ma comunque significativo.
• Identificazione dei Parametri: Nel caso dei parametri sconosciuti, il modello è riuscito a convergere verso i valori reali di $R$ (10 $\Omega$) e $L$ (0,2 mH) durante l'addestramento, come illustrato dai grafici di convergenza.
• Basse Frequenze di Campionamento: Il modello PIML ha mantenuto prestazioni robuste e tassi di errore inferiori anche alla frequenza di campionamento più bassa testata (32 campioni/ciclo), dove il baseline basato solo sui dati mostrava difficoltà.

Significatività e Rivendicazioni
Il documento sostiene che questo lavoro colma il divario tra la modellazione basata sulla fisica e quella basata sui dati per le IBR. Sfruttando le misurazioni delle forme d'onda lato rete esistenti ma sottoutilizzate, il proposto framework PIML consente una modellazione accurata delle dinamiche transitorie veloci sub-ciclo delle IBR con un numero sostanzialmente inferiore di eventi di perturbazione. Ciò è particolarmente significativo per applicazioni pratiche dove la raccolta di grandi dataset etichettati è impraticabile. La capacità di identificare congiuntamente i parametri del circuito migliora ulteriormente l'utilità del framework in contesti reali dove i parametri di linea sono incerti. Gli autori concludono che questo approccio offre una via data-efficiente per la modellazione delle dinamiche delle sinchro-forme d'onda, con lavori futuri pianificati per affrontare topologie di rete più complesse, rumore e condizioni sbilanciate.