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

Dit artikel stelt een Deep Operator Network (DeepONet)-framework voor, verbeterd met residu-leren en een dataggregatiestrategie, om het dynamische transiënte gedrag van synchrone generatoren nauwkeurig te benaderen en te simuleren voor integratie in elektriciteitsnet-simulatoren.

De kern

Stel je het elektriciteitsnet voor als een enorm, complex orkest. In dit orkest zijn synchrone generatoren (de grote machines die draaien om elektriciteit op te wekken) de leidende muzikanten. Om de muziek vloeiend te laten blijven spelen, vooral wanneer er plotseling "lawaai" of een verstoring optreedt (zoals een storm of een kapotte lijn), moeten ingenieurs precies kunnen voorspellen hoe deze muzikanten in de volgende paar seconden zullen reageren.

Traditioneel is het voorspellen van deze reactie alsof je probeert de baan van elk afzonderlijk deeltje in een orkaan te berekenen met een supercomputer. Het is ongelooflijk nauwkeurig, maar het kost zoveel tijd en rekenkracht dat het vaak te traag is voor besluitvorming in real-time.

Dit artikel stelt een nieuwe manier voor om deze voorspelling te doen met behulp van een type kunstmatige intelligentie genaamd Deep Operator Learning (DeepONet). Hieronder volgt de werking van de aanpak van de auteurs, uitgelegd aan de hand van eenvoudige concepten:

1. De "Slimme Voorspeller" (DeepONet)

In plaats van telkens de complexe natuurkundige vergelijkingen vanaf nul uit te moeten rekenen, hebben de auteurs een speciale AI getraind die fungeert als een lezer van bladmuziek.

• De Oude Manier: Als je de AI vraagt: "Wat gebeurt er nu?", moet de AI meestal de volledige toekomstige partituur zien om de volgende noot te kunnen raden. Dit werkt niet goed voor real-time voorspelling, omdat je de toekomst nog niet kent.
• De Nieuwe Manier: De auteurs hebben een "lokale" voorspeller gebouwd. Stel je een muzikant voor die alleen de laatste paar noten en het huidige ritme nodig heeft om de melodie van de volgende paar seconden perfect te kunnen voorspellen. Deze AI kijkt naar de huidige staat van de generator en de directe elektrische signalen die hij ontvangt, en voorspelt vervolgens de toekomstige staat over een korte tijdsperiode. Hij heeft niet de hele toekomst nodig; hij heeft alleen het "nu" en een beetje van "wat er net gebeurde" nodig.

2. De "Recursieve Stap" (De Kettingreactie)

Omdat de AI slechts een kort tijdsvenster voorspelt (zoals 5 seconden), hoe voorspellen we dan een uur?

• De Analogie: Denk aan het oversteken van een rivier door van stapsteen naar stapsteen te springen. De AI voorspelt de volgende steen (de volgende 5 seconden). Zodra hij daar landt, behandelt hij die nieuwe plek als het startpunt en voorspelt hij de volgende 5 seconden. Hij blijft dit doen, hopend naar voren, om een lange reis te simuleren.
• De Innovatie: De auteurs hebben een systeem ontworpen dat dit springen automatisch en efficiënt doet, waarbij ze ervoor zorgen dat de "stappen" nauwkeurig blijven zonder dat fouten zich opstapelen en de simulatie in het water doet eindigen.

3. De "Hybride Coach" (Residual DeepONet)

Soms heb je al een ruwe handleiding of een vereenvoudigd tekstboekmodel van hoe de generator werkt, maar is dit niet perfect.

• De Analogie: Stel je voor dat je leert fietsen. Je hebt een handleiding (het wiskundige model) die je vertelt hoe je evenwicht houdt, maar die is een beetje verouderd. In plaats van de handleiding te negeren, huur je een coach (de AI) in wiens enige taak het is om te vertellen wat de handleiding fout doet.
• Hoe het werkt: Het systeem draait eerst de ruwe handleiding. Vervolgens berekent de AI de "fout" (het residu) tussen wat de handleiding voorspelde dat er zou gebeuren en wat er daadwerkelijk gebeurde. De uiteindelijke voorspelling is de gok van de Handleiding plus de correctie van de AI. Dit maakt het mogelijk om bestaande technische kennis te gebruiken en tegelijkertijd de complexe, echte wereld details uit data te leren.

4. De "Oefenronde" (DAgger Algoritme)

Een veelvoorkomend probleem bij AI is dat het getraind wordt op een specifieke set voorbeelden, maar dat het in de echte wereld op situaties stuit die het nog nooit heeft gezien. Dit zorgt ervoor dat het fouten maakt, wat weer leidt tot meer fouten, en uiteindelijk faalt het systeem.

• De Analogie: Stel je een studentpiloot voor die alleen heeft geoefend in perfect weer. Als hij plotseling in een storm terechtkomt, kan hij in paniek raken.
• De Oplossing: De auteurs gebruikten een strategie genaamd DAgger (Data Aggregation). Het is als een vluchtsimulator die zegt: "Oké, je vloog het vliegtuig en je kwam in een vreemde situatie terecht die je niet verwacht had. Laten we die vreemde situatie nemen, simuleren wat er had moeten gebeuren, en dat aan je trainingshandleiding toevoegen."
• De AI voert een simulatie uit, ziet waar hij van koers afwijkt, verzamelt die nieuwe "afwijkende" data en traint zichzelf opnieuw op die data. Het herhaalt deze lus, waardoor hij zichzelf effectief leert hoe hij de specifieke situaties moet afhandelen die hij in de echte wereld het meest waarschijnlijk zal tegenkomen.

De Resultaten

De auteurs hebben dit getest op een model van een generator die verbonden is met een "oneindige bus" (een vereenvoudigde weergave van een enorm elektriciteitsnet).

• Nauwkeurigheid: Hun AI-modellen waren in staat om het gedrag van de generator met een extreem hoge nauwkeurigheid te voorspellen (vaak met minder dan 1% fout), zelfs wanneer het net te maken kreeg met plotselinge defecten of verstoringen.
• Snelheid & Efficiëntie: Door de "Hybride Coach"-aanpak te gebruiken, behaalden ze zelfs betere resultaten met minder data. Door de "Oefenronde" (DAgger)-aanpak te gebruiken, zorgden ze ervoor dat de AI niet in de war raakte bij nieuwe, lastige scenario's.

Samengevat: Het artikel presenteert een nieuwe, slimmere manier om generatoren te simuleren. In plaats van complexe wiskunde met brute kracht op te lossen, hebben ze een AI gebouwd die leert om de "muziek" van het net te "lezen", zijn eigen fouten corrigeert met bestaande natuurkundige kennis, en oefent op de specifieke scenario's die hij het meest waarschijnlijk zal tegenkomen, wat het een krachtig hulpmiddel maakt voor het bouwen van snellere en betrouwbaardere simulaties van het elektriciteitsnet.

Technische samenvatting

Technische Samenvatting: Benadering van de Dynamische Respons van Synchrone Generatoren via Operator Learning

Probleemstelling
Het artikel behandelt de computationele uitdagingen die gepaard gaan met het simuleren van de dynamische respons van synchrone generatoren (SG's) binnen elektriciteitsnetten. Traditionele numerieke simulatieschema's, zoals benaderingen met gesplitste oplossingen of impliciete integratie, brengen vaak hoge computationele kosten met zich mee, vooral wanneer meerdere forward-simulaties vereist zijn voor controle- en optimalisatietaken in toekomstige slimme elektriciteitsnetten. Hoewel deep learning potentieel biedt als alternatief, hebben bestaande methoden vaak moeite met generalisatie naar ongeziene operationele condities, vereisen ze grote datasets om overfitting te voorkomen, en houden ze geen rekening met het oneindig-dimensionale karakter van de oplossingsoperatoren die deze dynamische systemen aansturen. Bov�nd kunnen puur datagestuurde modellen de fysieke consistentie missen die wordt geboden door decennia aan gevestelde wiskundige modellering binnen de vermogenssystemen-gemeenschap.

Methodologie
De auteurs stellen een Operator Learning-framework voor op basis van Deep Operator Networks (DeepONet) om de oplossingsoperator van SG's te benaderen die interageren met een elektriciteitsnet of een numerieke simulator. De methodologie is gestructureerd in drie primaire componenten:

1. Data-gestuurde DeepONet: De auteurs ontwerpen een DeepONet om de lokale oplossingsoperator van een SG over een willekeurig tijdsinterval $[t_n, t_n + h_n]$ te benaderen. In tegen tegenstelling tot eerdere DeepONet-toepassingen die de volledige traject als input vereisen, accepteert dit framework de huidige staat $x(t_n)$, een gediscretiseerde reeks interagerende variabelen (bijv. statorstromen en terminalspanningen) $\tilde{y}_m^n$, en een flexibele voorspellings-tijdstap $h_n$. Het netwerk bestaat uit een Branch Net (die de staat en interagerende variabelen verwerkt) en een Trunk Net (die de tijdstap verwerkt), die de toekomstige staat produceren via een lineaire combinatie van leerbare coëfficiënten en basisfuncties. Deze lokale benadering wordt vervolgens recursief toegepast om de respons van de generator over een langetermijnhorizon te simuleren.

2. Residual DeepONet: Om bestaande wiskundige kennis te integreren, stellen de auteurs een residual learning-schema voor. In plaats van de volledige oplossingsoperator te leren, leert het netwerk de "residuele" of foutcorrectie tussen de ware oplossingsoperator en een benaderde operator afgeleid van een bekend wiskundig model (bijv. een vereenvoudigde differentiaal-algebraïsche vergelijking of een physics-informed neuraal netwerk). De uiteindelijke voorspelling is de som van de output van het benaderde model en de correctie van de residual DeepONet. Het artikel biedt een theoretische schatting van de cumulatieve fout voor dit schema, waarbij de foutaccumulatie wordt toegeschreven aan zowel de input-benadering als de neurale netwerk-benaderingsfouten.

3. Data Aggregation (DAgger) Strategie: Om distributieve drift en foutaccumulatie te beperken wanneer de DeepONet interageert met een simulator, introduceren de auteurs een DAgger-algoritme. Dit iteratieve proces traint de DeepONet op een initiële dataset, gebruikt vervolgens het getrainde model om simulaties uit te voeren ("rollouts") en nieuwe inputdata te verzamelen die het model waarschijnlijk zal tegenkomen tijdens interactie. Deze nieuwe data wordt gelabeld met behulp van de ware oplossingsoperator en samengevoegd met de oorspronkelijke trainingsset voor fijnafstemming. Dit proces wordt herhaald om ervoor te zorgen dat het model generaliseert naar de specifieke distributie van staten die het zal tegenkomen in interactieve simulaties.

Belangrijkste Bijdragen

• Operator Learning voor Elektriciteitsnetten: Het artikel presenteert de eerste toepassing van DeepONet om de oplossingsoperator voor dynamische componenten van elektriciteitsnetten te benaderen, waarbij specifiek wordt ingegaan op het oneindig-dimensionale karakter van het probleem en de noodzaak voor recursieve, meerstaps-voorspellingen.
• Recursief Numeriek Schema: Een nieuw numeriek schema is ontwikkeld dat getrainde DeepONet's recursief gebruikt om de respons van generatoren over kort- tot middellange tijdshorizonten met willekeurige tijdstappen te simuleren.
• Hybride Modellering: De introductie van een residual DeepONet-framework dat effectief datagestuurd leren combineert met gevestigde wiskundige modellen, waardoor het systeem de mogelijkheid heeft om voorkennis van de fysica te benutten terwijl het modelonnauwkeurigheden corrigeert.
• Foutanalyse: Theoretische grenzen zijn afgeleid voor de cumulatieve fout van het residual DeepONet-schema, waarbij onderscheid wordt gemaakt tussen fouten door input-discretisatie en neurale netwerk-benaderingsfouten.
• DAgger voor Interactieve Simulatie: Een data-aggregatie-algoritme wordt voorgesteld om DeepONets fijn af te stemmen met behulp van geaggregeerde trainingsdata, specifiek ontworpen om foutpropagatie te verminderen wanneer het model interageert met andere netcomponenten in een simulator.

Experimentele Resultaten
De voorgestelde frameworks zijn gevalideerd met behulp van een twee-as transiënt generatormodel dat interageert met een oneindige bus, gesimuleerd via de Power Systems Toolbox (PST).

• Supervised Training: In experimenten met supervised training presteerde de residual DeepONet beter dan zowel de puur datagestuurde DeepONet als een standaard fully-connected neuraal netwerk (FNN). De residual DeepONet behaalde consequent gemiddelde L2-relatieve fouten onder de 1% voor generatorstaten en netwerkinputs, terwijl de FNN significante foutaccumulatie vertoonde (gemiddelde fouten tot 37,8%). De datagestuurde DeepONet behield fouten onder de 5%.
• Gevoeligheidsanalyse: De studie toonde aan dat het vergroten van het aantal trainingsmonsters de foutaccumulatie voor beide frameworks verminderde, waarbij de residual DeepONet consequent superieure generalisatie en lagere foutaccumulatie liet zien, ongeacht de datasetgrootte.
• DAgger Prestaties: Wanneer getraind met beperkte data (100 monsters) en fijn afgesteld met het DAgger-algoritme, slaagde de residual DeepONet erin om te generaliseren naar ongeziene verstoringstrajecten. De gemiddelde L2-relatieve fout voor alle staten en netwerkinputs bleef onder de 0,01%, wat aangeeft dat de DAgger-strategie effectief distributieve drift en foutpropagatie heeft gemitigeerd.

Betekenis en Claims
Het artikel claimt dat het voorgestelde DeepONet-framework een levensvatbaar pad biedt naar het bouwen van deep operator-gebaseerde elektriciteitsnet-simulatoren en digitale tweelingen. Door de oplossingsoperator te benaderen in plaats van alleen de volgende staat, maakt het framework flexibele tijdstappen en interactie met elektriciteitsnet-simulatoren mogelijk. De auteurs benadrukken dat de residuale benadering de integratie van decennia aan expertise in vermogenssystemen mogelijk maakt, wat de generalisatie verbetert, zelfs met beperkte data. Verder adresseert de DAgger-strategie een cruciale uitdaging bij het inzetten van machine learning in interactieve omgevingen: de accumulatie van fouten door distributieve drift. De auteurs positioneren dit werk als een stap naar composabele, grootschalige simulatoren die in staat zijn tot het optimaliseren en aansturen van toekomstige slimme elektriciteitsnetten met een hoge penetratie van hernieuwbare energie, waarbij zij opmerken dat toekomstig werk zich zal richten op online kalibratie, privacy-bewust federated learning en opschaling naar grote netwerken.