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

Riepilogo Tecnico: PowerSINDy per la Dinamica della Frequenza delle Reti Elettriche

Enunciato del Problema
Il funzionamento stabile dei moderni sistemi energetici dipende fortemente dalla caratterizzazione accurata della dinamica della frequenza di rete, che riflette l'equilibrio tra generazione e domanda. Gli approcci di modellazione tradizionali, come l'equazione del moto aggregata, spesso si basano su assunzioni lineari e parametri fisici semplificati che sono insufficienti per catturare i comportamenti complessi, non lineari e dipendenti dal tempo introdotti dall'alta penetrazione di energie rinnovabili e dalle fluttuazioni stocastiche. Sebbene i metodi di identificazione del sistema come l'Identificazione Sparsa delle Dinamiche Non Lineari (SINDy) offrano un'alternativa basata sui dati per scoprire le equazioni governative, la loro applicazione a dati reali di reti elettriche rimane limitata. Gli studi esistenti si sono concentrati in gran parte su dati sintetici, lasciando aperte questioni riguardanti le prestazioni di SINDy su dataset empirici complessi e rumorosi e i compromessi tra diverse strategie di regressione che promuovono la sparsità.

Metodologia: Il Framework PowerSINDy
Gli autori propongono PowerSINDy, un framework progettato per identificare dinamiche non lineari e dipendenti dal tempo nei dati di frequenza dei sistemi energetici. La metodologia coinvolge tre fasi principali:

1. Preprocessing e Smussatura dei Dati:
   Sono stati analizzati dati di frequenza ad alta risoluzione (risoluzione di 1 secondo) provenienti da due reti sincrone distinte: la rete dell'Europa Continentale (CE) (50 Hz) e la rete della Corea del Sud (SK) (60 Hz). Per isolare le dinamiche deterministiche dal rumore stocastico, è stato applicato un filtro gaussiano. Il parametro di smussatura ottimale ($\sigma$) è stato determinato minimizzando l'Errore Quadratico Medio (RMSE) tra le traiettorie simulate da SINDy e i dati empirici originali. Lo studio ha identificato $\sigma = 60$ (una finestra di 60 secondi) come il compromesso ottimale tra soppressione del rumore e preservazione delle caratteristiche.

2. Costruzione della Libreria dei Candidati:
   A differenza delle implementazioni SINDy standard che si basano esclusivamente su polinomi, PowerSINDy estende la libreria delle funzioni candidate per rappresentare meglio la dinamica delle reti elettriche. La libreria include:

   • Termini polinomiali: Fino a ordini quadratici ($p2$) e cubici ($p3$) per catturare accoppiamenti non lineari.
   • Termini di Fourier: Funzioni seno e coseno del primo ordine ($p2f1$) per rappresentare i comportamenti oscillatori intrinseci alle reti sincrone.
   • Termini dipendenti dal tempo: Inclusione esplicita del tempo ($T$) e termini di interazione che coinvolgono il tempo per tenere conto di segnali deterministici guidati dalle curve di carico e dai programmi di generazione.

3. Strategie di Regressione Sparsa:
   Il framework confronta tre distinte strategie di ottimizzazione per risolvere il problema di regressione sparsa $\dot{X} = \Theta(X)\Xi$:

   • Minimi Quadrati con Soglia Sequenziale (STLSQ): Risolve iterativamente i minimi quadrati e applica una soglia ai coefficienti piccoli.
   • LASSO (Least Absolute Shrinkage and Selection Operator): Utilizza una penalità $L1$ per ridurre i coefficienti a zero.
   • Regressione Sparsa Rilassata e Regularizzata (SR3): Introduce una variabile ausiliaria e un parametro di rilassamento per separare l'adattamento ai dati dall'applicazione della sparsità, testato con norme $L0$, $L1$ e $L2$.

Risultati Chiave
Lo studio ha valutato il framework su traiettorie di 15 minuti dai dataset CE e SK, confrontando l'accuratezza del modello (RMSE stabile), le frazioni di stabilità (percentuale di traiettorie non divergenti) e la complessità strutturale (numero di caratteristiche attive).

• Prestazioni dell'Ottimizzatore:

  • LASSO ha raggiunto costantemente il RMSE stabile più basso in tutte le configurazioni. Per il dataset CE con polinomi cubici ($p3$), LASSO ha raggiunto un RMSE minimo di 0,0101. Ha anche prodotto i modelli più sparsi, in particolare nelle configurazioni di ordine inferiore.
  • STLSQ ha dimostrato la massima stabilità, con frazioni di stabilità che spesso superavano 0,79 nelle impostazioni quadratiche ($p2$). Ha offerto il miglior compromesso tra accuratezza e affidabilità, sebbene con un RMSE leggermente superiore rispetto a LASSO.
  • SR3 ha mostrato la massima variabilità e sensibilità agli iperparametri e alle caratteristiche del dataset. In particolare, le norme $L0$ e $L1$ in SR3 hanno prodotto risultati quasi indistinguibili in termini di RMSE e stabilità. Le prestazioni di SR3 sono peggiorate significativamente nelle configurazioni cubiche ($p3$), in particolare per il dataset SK, dove le frazioni di stabilità sono scese sotto 0,52.

• Complessità del Modello e Scelta della Libreria:

  • I modelli quadratici ($p2$) hanno fornito soluzioni stabili con basso RMSE (~0,016) su entrambi i dataset.
  • I modelli cubici ($p3$) hanno migliorato l'accuratezza per il dataset CE (RMSE 0,0101) ma hanno ridotto la stabilità, portando a una divergenza più rapida delle traiettorie.
  • I modelli arricchiti con Fourier ($p2f1$) hanno offerto una via di mezzo, mantenendo prestazioni robuste (RMSE ~0,016) e stabilità su entrambi i dataset senza l'instabilità associata ai polinomi di ordine superiore.
  • Analisi delle Caratteristiche: LASSO ha costantemente imposto le rappresentazioni più parsimoniose (circa 6 caratteristiche attive per $p2$), mentre SR3 tendeva a selezionare modelli più densi (circa 14 caratteristiche attive per $p3$).

• Differenze tra Dataset:
  La rete CE, caratterizzata da alta inerzia e interconnessione, ha generalmente prodotto RMSE più bassi e frazioni di stabilità più elevate rispetto alla rete SK, che ha un'inerzia inferiore e una topologia più compatta. Ciò suggerisce che le caratteristiche intrinseche dei dati influenzano la recuperabilità del modello più dell'instabilità algoritmica.

Significato e Affermazioni
Il paper afferma che PowerSINDy identifica con successo le equazioni governative per dati di frequenza di reti elettriche complesse e reali, superando i limiti dei modelli lineari tradizionali. Lo studio dimostra che:

1. L'identificazione basata sui dati può superare le linee di base di integrazione stocastica (Eulero-Maruyama), raggiungendo valori RMSE più bassi (ad esempio, 0,0101 contro 0,0282 per la linea di base CE).
2. La scelta dell'ottimizzatore è critica: LASSO è superiore per accuratezza e sparsità, mentre STLSQ è preferito per la stabilità in configurazioni complesse.
3. Il design della libreria è importante: L'inclusione di termini di Fourier permette una rappresentazione robusta delle dinamiche oscillatorie senza i rischi di sovradattamento associati ai polinomi di ordine elevato.
4. Intuizione Fisica: I modelli identificati evidenziano l'importanza di specifiche interazioni non lineari (ad esempio, $\theta\omega$ e $\theta\omega^2$) nella cattura della dinamica del sistema, fornendo intuizioni interpretabili sui meccanismi che guidano il comportamento della frequenza di rete.

Gli autori concludono che, sebbene il framework mostri promesse, il compromesso tra espressività del modello (termini di ordine superiore) e stabilità rimane una sfida chiave. Si suggerisce un lavoro futuro per esplorare parametri variabili nel tempo, formulazioni adattive per il monitoraggio in tempo reale e l'integrazione di priori fisici per creare modelli ibridi.