Physics-Informed Neural Networks for Accelerating Power System State Estimation

Titel

Physics-Informed Neural Networks (PINNs) voor het Versnellen van Netwerktoestandschatting in Krachtstelsels

1. Het Probleem

Netwerktoestandschatting (State Estimation - SE) is de hoeksteen van de controlecentra voor elektriciteitsnetten, omdat het de operationele toestand van het systeem in opeenvolgende tijdsintervallen bepaalt. Traditionele methoden, zoals de Gauss-Newton- en Weighted Least Squares (WLS) algoritmen, hebben echter aanzienlijke nadelen:

• Rekenintensief: Ze vertrouwen op iteratieve methoden die bij grote netwerken veel rekenkracht vereisen en vertragingen veroorzaken.
• Gegevenskwaliteit: Traditionele metingen (via SCADA) zijn vaak schaars, onnauwkeurig en hebben een lage rapportagefrequentie.
• Reactievermogen: Bij de integratie van Phasor Measurement Units (PMU's), die real-time data leveren, kunnen de vertragingen van traditionele methoden leiden tot een gebrek aan responsiviteit bij het detecteren van kortdurende transiënten.
• Machine Learning beperkingen: Bestaande ML-methoden die puur op statistische patronen in historische data vertrouwen, missen vaak de fundamentele fysieke wetten van het net. Dit leidt tot onnauwkeurige schattingen bij beperkte data of afwijkingen van de trainingscondities.

2. Methodologie

De auteurs stellen een nieuwe aanpak voor die Physics-Informed Neural Networks (PINNs) toepast. In plaats van alleen te leren uit data, worden de fysieke wetten van het elektriciteitsnet geïntegreerd in de structuur en het trainingsproces van het neurale netwerk.

Kerncomponenten van de methode:

• Loss Functie Augmentatie: De trainingsloss functie wordt uitgebreid met fysieke constraints. De totale loss ($Loss$) bestaat uit twee delen:
  1. Data-gedreven deel ($u$): De Mean Squared Error (MSE) tussen de voorspelde spanningen ($V_{pred}$) en de werkelijke spanningen ($V_{true}$).
  2. Fysiek-gedreven deel ($f$): Een regularisatieterm die de schending van de fysieke wetten straft. Hierbij wordt gebruikgemaakt van de relatie tussen spanning en stroominjectie via de admittantiematrix ($Y$). De formule is: $I = Y \cdot V$. De loss berekent het verschil tussen de voorspelde stroominjectie ($I_{pred}$, afgeleid van de voorspelde spanning) en de werkelijke stroominjectie ($I_{true}$).
• Gewogen Loss: De totale loss wordt berekend als:
  $$Loss = \lambda_1 \cdot u + \lambda_2 \cdot f$$
  Waarbij $\lambda_1$ en $\lambda_2$ variabele gewichten zijn die tijdens het trainen worden aangepast om de balans tussen datagedreven leren en fysieke consistentie te optimaliseren.
• Trainingsstrategie: Er wordt gebruikgemaakt van een "incremental" strategie waarbij $\lambda_1$ geleidelijk wordt verlaagd en $\lambda_2$ wordt verhoogd tijdens de epoca's. Hierdoor start het model met datagedreven leren en wordt het geleidelijk gefocust op het naleven van de fysieke wetten.
• Validatie: Er wordt gebruikgemaakt van 5-voudige cross-validatie op het IEEE 14-bus systeem. Twee scenario's worden getest:
  1. Steady-state: Variatie in belastingen.
  2. Transiënt: Plotselinge uitschakeling van een generator op bus 2 en het daaropvolgende herstel.

3. Belangrijkste Bijdragen

• Integratie van Fysica: Het introduceren van de admittantiematrix en de stroom-spanningsrelatie als regularisatie in een neurale netwerk voor SE, wat zorgt voor modellen die consistent zijn met de onderliggende fysica.
• Onafhankelijkheid van Topologie-ontwerp: De methode vereist geen systeemspecifiek ontwerp van het netwerkarchitectuur op basis van de nettopologie, wat de flexibiliteit verhoogt.
• Robuustheid bij Data-schaarste: Door fysieke wetten te gebruiken als regularisatie, wordt de afhankelijkheid van enorme datasets verminderd, wat cruciaal is voor netwerken met beperkte metingen.
• Versnelling: De methode is ontworpen om de convergentie te versnellen ten opzichte van traditionele iteratieve methoden en standaard neurale netwerken.

4. Resultaten

De experimenten op het IEEE 14-bus systeem tonen aanzienlijke verbeteringen van de PINN ten opzichte van een benchmark "plain" Neural Network (NN):

• Nauwkeurigheid:
  • Gemiddelde verbetering in nauwkeurigheid van 6,7% voor steady-state scenario's.
  • Gemiddelde verbetering van 4,6% voor het generator-uitschakelingsscenario.
  • De paper claimt tot 11% stijging in nauwkeurigheid in de beste gevallen.
• Stabiliteit:
  • De standaarddeviatie van de resultaten (over de 5-fold cross-validatie) is met 75% gereduceerd. Dit wijst op een veel robuuster en consistenter model dat minder gevoelig is voor variaties in de trainingsdata.
• Convergentiesnelheid:
  • Het PINN bereikt zijn piekprestatie 30% sneller dan het benchmark NN.
  • Specifiek: 18,1% sneller voor steady-state en 24,6% sneller voor het transiënte scenario binnen een trainingsregime van 1000 epoca's.
• Training Efficiëntie: Het model vereist minder trainingseffort om de gewenste nauwkeurigheid te bereiken.

5. Betekenis en Toekomstperspectief

Deze studie demonstreert dat PINNs een krachtige accelerator zijn voor netwerktoestandschatting, vooral in het tijdperk van PMU's waar real-time en nauwkeurige schattingen essentieel zijn voor de stabiliteit van het net.

• Significantie: De methode lost het compromis op tussen de snelheid van ML en de fysieke consistentie van traditionele methoden. Het maakt real-time monitoring mogelijk zonder de rekenlast van complexe iteratieve algoritmen.
• Toekomstig Werk: De auteurs plannen om de toepassing te onderzoeken in scenario's met beperkte observabiliteit (waar niet alle bussen gemeten worden) en om hyperparameters verder te optimaliseren. Er wordt ook onderzocht of PINNs superieur zijn in het detecteren van fouten (faults), aangezien fysieke constraints helpen bij het identificeren van afwijkingen die niet fysiek mogelijk zijn.

Kortom, dit werk biedt een veelbelovende richting voor de volgende generatie controlecentra, waarbij machine learning en domeinkennis (fysica) worden gecombineerd voor snellere, nauwkeurigere en betrouwbaardere beheersystemen.