⚡ electrical engineering

Predicting Fault-Ride-Through Probability of Inverter-Dominated Power Grids using Machine Learning

Dit artikel toont aan dat machine learning-modellen de storingsdoorrijkans van omvormer-gedomineerde elektriciteitsnetten nauwkeurig kunnen voorspellen met behulp van een synthetische dataset en deze voorspellingen succesvol kunnen generaliseren naar het IEEE-96-testsysteem, waardoor een computerefficiënt alternatief wordt geboden voor traditionele dynamische simulaties bij risicobeoordeling.

Oorspronkelijke auteurs: Christian Nauck, Anna Büttner, Sebastian Liemann, Frank Hellmann, Michael Lindner

Gepubliceerd 2026-05-06

📖 4 min leestijd☕ Koffiepauze-leesvoer

CC BY 4.0

Oorspronkelijke auteurs: Christian Nauck, Anna Büttner, Sebastian Liemann, Frank Hellmann, Michael Lindner

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je het elektriciteitsnet voor als een enorme, complexe dansvloer waar elektriciteit tussen verschillende partners stroomt. In het verleden werd deze dans geleid door zware, draaiende machines (traditionele energiecentrales) die fungeerden als een stabiel ritmisch gedeelte, waardoor iedereen in sync bleef. Maar vandaag vervangen we die zware machines door zonnepanelen en windturbines. Deze nieuwe partners zijn lichter en flexibeler, maar ze hebben niet diezelfde zware "traagheid" om de dans stabiel te houden als iemand struikelt.

Dit artikel gaat erover uit te zoeken hoe waarschijnlijk het is dat deze nieuwe, omvormer-zware dansvloer op zijn voeten blijft als iemand per ongeluk een stoel omkaatst (een "fout") en deze vervolgens snel verwijdert.

Hier is de uiteenzetting van het onderzoek met behulp van eenvoudige analogieën:

1. Het Probleem: Te Veel Scenario's om te Controleren

Stel je voor dat je een dansinstructeur bent die probeert te voorspellen of een specifieke groep dansers in balans blijft als er een stoel onder hen vandaan wordt gekatst.

De Oude Manier: Je zou elke mogelijke manier kunnen simuleren waarop een stoel kan worden omgegooid, hoe hard hij wordt omgegooid en waar de dansers staan. Maar met duizenden dansers en miljoenen mogelijke scenario's kost dit zoveel tijd en rekenkracht dat je slechts een handjevol kunt controleren. Je zou het ene gevaarlijke scenario kunnen missen dat ertoe leidt dat de hele groep valt.
Het Nieuwe Idee: De auteurs wilden Machine Learning (ML) gebruiken—stel je dit voor als een super-slimme student die duizenden simulaties bekijkt en de "regels van balans" leert zonder elke simulatie opnieuw hoeft uit te voeren.

2. De Oplossing: Een "Super-Student" Opleiden

Om deze student te leren, moesten de onderzoekers een enorme bibliotheek met oefenscenario's creëren.

Synthetische Dansvloeren: In plaats van alleen één echt stadsnet te bestuderen, bouwden ze 1.000 verschillende "nep" elektriciteitsnetten op een computer. Deze netten varieerden in grootte en lay-out, net zoals echte steden dat doen.
De Test: Voor elke bus (een verbindingspunt in het net) simuleerden ze een "fout" (zoals een plotselinge spanningsdaling) en keken ze wat er gebeurde. Ze berekenden een "Fault-Ride-Through Probability" (Kans op het doorstaan van een fout).
- Analogie: Stel je een score van 0 tot 1 voor. Een score van 1 betekent dat de danser altijd in balans blijft, ongeacht hoe de stoel wordt omgegooid. Een score van 0 betekent dat ze altijd vallen. Een score van 0,5 betekent dat ze de helft van de tijd in balans blijven.

3. Het Geheime Ingrediënt: De Kaart Maakt Uit

De onderzoekers ontdekten iets cruciaals: Je kunt niet alleen naar de danser kijken; je moet naar de hele dansvloer kijken.

Lokaal versus Globaal: Sommige methoden kijken alleen naar de specifieke danser die werd omgegooid (lokale kenmerken). Maar het artikel toont aan dat of een danser valt vaak afhangt van wie hun buren zijn en hoe de vloer is verbonden (topologie).
Het Hulpmiddel: Ze gebruikten een speciaal type AI genaamd een Graph Neural Network (GNN).
- Analogie: Als reguliere AI is als een leraar die één voor één naar een student kijkt, dan is een GNN als een leraar die het hele klaslokaal, de bureaus en hoe de studenten naast elkaar zitten, allemaal tegelijk kan zien. Dit stelde de AI in staat te begrijpen dat een "trap" in één hoek een kettingreactie in een andere hoek kan veroorzaken.

4. De Resultaten: De Student Haalde de Toets

De onderzoekers trainden hun AI op de 1.000 nepnetten en testten deze vervolgens op een volledig ander, echt testnet (het IEEE 96-systeem) dat de AI nog nooit had gezien.

Het Resultaat: De AI was verrassend goed in het voorspellen van de stabiliteitsscores.
De "Generalisatie"-Winst: Hoewel het testnet verschilde van de trainingsnetten, wist de AI toch de regels van stabiliteit te achterhalen. Dit is als het opleiden van een student op een oefengymvloer en ze laten slagen in het voorspellen hoe een gymnast zou presteren op een volledig ander, echt olympisch podium.
De Winnaar: De AI die naar de hele "kaart" keek (de GNN) presteerde beter dan de AI die alleen naar individuele punten keek.

5. Waarom Dit Belangrijk Is

Het artikel concludeert dat we niet langer dure, trage simulaties hoeven uit te voeren voor elk mogelijk scenario.

Het Voordeel: Zodra de AI is getraind, kan het direct de stabiliteit van een net voorspellen. Dit helpt netbeheerders veel sneller "zwakke schakels" (componenten die waarschijnlijk zullen falen) op te sporen.
Het Doel: Dit maakt betere planning van toekomstige elektriciteitsnetten mogelijk, zodat de lichten aan blijven blijven, zelfs als er iets misgaat, naarmate we overschakelen naar 100% hernieuwbare energie.

Kortom: Het artikel toont aan dat we door een slimme AI te trainen op duizenden nep elektriciteitsnetten, snel en nauwkeurig kunnen voorspellen hoe echte elektriciteitsnetten omgaan met noodsituaties, waardoor tijd wordt bespaard en stroomuitval wordt voorkomen.

Technische Samenvatting: Voorspellen van de Kans op Fault-Ride-Through van Inverter-gedomineerde Stroomnetten met Machine Learning

Probleemstelling

Naarmate stroomnetten overgaan naar 100% hernieuwbare energiebronnen (RES), staan ze voor aanzienlijke stabiliteitsuitdagingen die worden gekenmerkt door verminderde inertie, gedecentraliseerde opwekking en volatiele productie. Deze systemen zijn sterk afhankelijk van vermogenselektronische inverters, wat een verschuiving vereist van traditionele synchrone opwekking naar netvormende inverters. Een kritieke uitdaging bij het exploiteren en plannen van deze toekomstige netten is de behoefte aan uitgebreide risicobeoordelingen die een groot aantal storingscenario's omvatten.

Traditionele dynamische simulaties zijn, hoewel nauwkeurig, rekenkundig duur. De kosten van probabilistische stabiliteitsanalyse schalen minstens kwadratisch met het aantal bussen, waardoor het onhaalbaar is om alle relevante configuraties voor grootschalige real-world netten te analyseren. Bijgevolg vertrouwen netbeheerders vaak op conservatieve aannames of analyseren ze slechts een beperkt aantal storingscenario's, wat kan leiden tot het missen van kritieke faalmodi. Het artikel adresseert de behoefte aan efficiënte methoden om de kans op fault-ride-through ( $p_{frt}$ ) te voorspellen—de kans dat een netcomponent binnen operationele ride-through-curven blijft na het wegnemen van een storing—zonder de prohibitieve rekenkosten van exhaustieve dynamische simulaties te incalveren.

Methodologie

1. Dataset Generatie

Om het gebrek aan trainingsdata voor dynamische stabiliteit te overwinnen, hebben de auteurs een nieuwe, grootschalige dataset van synthetische stroomnetten gegenereerd:

Nettopologie: 1.000 synthetische stroomnetten werden gegenereerd met een random growth-algoritme, met groottes variërend van 70 tot 80 bussen. Deze grootte werd gekozen om topologische effecten te vangen terwijl het rekenkundig hanteerbaar bleef.
Componentmodellering: De netten modelleren 100% RES-integratie.
- Netvormende Inverters: Gemodelleerd met de "normal form" (een technologie-agnostisch dynamisch model) met drie verschillende parametersets (NF1, NF2, NF3) die variërende niveaus van virtuele inertie vertegenwoordigen.
- Netvolgende Inverters: Gemodelleerd als PQ-bussen.
- Transmissielijnen: Gemodelleerd met Pi-modellen met parameters gebaseerd op het Duitse 380 kV-transmissiesysteem (dena-standaarden).
Storingssimulatie: Voor elke bus in elk net werden 1.000 toestanden na het wegnemen van de storing gegenereerd met Sobol-sequenties (quasi-Monte Carlo-sampling) en een omgevingsforceringsalgoritme om te waarborgen dat algebraïsche constraints werden voldaan.
Doelberekening: Dynamische simulaties werden uitgevoerd om te bepalen of de systeemtransiënten binnen de gedefinieerde spannings- en frequentie-ride-through-curven bleven. De doelvariabele, $p_{frt}$ , werd berekend als de verhouding van succesvolle ride-throughs tot het totale aantal onderzochte toestanden voor elke bus.
Validatieset: Een bijgewerkt IEEE 96-RTS testsysteem, aangepast om netvormende capaciteiten en bijgewerkte lijnparameters te omvatten, werd gebruikt als een vastgehouden testsset om generalisatie te evalueren.

2. Machine Learning Benadering

De studie vergelijkt twee klassen van Machine Learning (ML) modellen om $p_{frt}$ te voorspellen:

Niet-Graph ML: Methoden die uitsluitend vertrouwen op nodale kenmerken (bijv. actief/reactief vermogen, lokale lijnparameters, bussoort) zonder rekening te houden met de globale nettopologie. Geteste modellen omvatten Lineaire Regressie (linreg) en Gradient Boosted Trees (GBT).
Graph Neural Networks (GNN's): Modellen die de volledige grafstructuur inname (buskenmerken, lijnkenmerken en topologie). Specifiek gebruikten de auteurs Topological Adaptive Graph (TAG) convolutielagen, die informatie aggregeren uit grotere buurten dan standaard Graph Convolutional Networks (GCN's).

3. Training en Evaluatie

Kenmerken: Invoerkenmerken omvatten nodale vermogenssetpoints, sommen van lijngeleiding/susceptantie, buscategorieën (slack, last, netvormend) en het reële deel van de normal form-parameter $R(B_x)$ .
Maten: Prestaties werden geëvalueerd met de determinatiecoëfficiënt ( $R^2$ ) en Spearman's rangcorrelatiecoëfficiënt ( $\rho$ ).
Regularisatie: Om overfitting aan te pakken en generalisatie te verbeteren, werd een geregulariseerde versie van het TAG-model (TAGreg) met dropout getest.

Belangrijkste Resultaten

1. Dynamiek en Topologie

Numerieke analyse van de simulaties onthulde dat stabiliteitsuitkomsten sterk niet-lineair zijn. Scenario's met vergelijkbare storingsgroottes (vermogensmismatches $\Delta P, \Delta Q$ ) resulteerden in divergerende stabiliteitsuitkomsten. Cruciaal toonde de studie aan dat $p_{frt}$ zwaar wordt beïnvloed door de nettopologie, niet alleen door lokale componentparameters. Bussen met identieke machineparameters vertoonden sterk verschillende stabiliteitskansen afhankelijk van hun positie binnen het netwerk.

2. ML Prestaties op Synthetische Netten

Op de synthetische dataset presteerde het op GNN gebaseerde TAG-model aanzienlijk beter dan niet-graph methoden:

TAG: Bereikte een $R^2$ van 90,36% en een Spearman-correlatie ( $\rho$ ) van 95,05%.
Niet-Graph Modellen: GBT en Lineaire Regressie bereikten $R^2$ -waarden rond de 62-63%.
Dit bevestigt dat het opnemen van topologische informatie essentieel is voor het nauwkeurig voorspellen van dynamische stabiliteit in inverter-gedomineerde netten.

3. Generalisatie naar IEEE Testsysteem

De modellen werden getest op het IEEE 96-RTS-systeem, dat niet deel uitmaakte van de trainingsdata en verschillende structurele eigenschappen had:

Initiële Generalisatie: Het standaard TAG-model toonde verminderde prestaties op het IEEE testgeval ( $R^2 \approx 60,46\%$ ) vergeleken met de synthetische data, wat wijst op een strijd met distributieveranderingen.
Geregulariseerd Model: Het geregulariseerde TAG-model (TAGreg) verbeterde de generalisatie, met een $R^2$ van 77,47% en $\rho$ van 87,32% op het IEEE testgeval.
Vergelijking: Hoewel GBT iets beter presteerde dan het niet-geregulariseerde TAG op het IEEE testgeval, presteerde de geregulariseerde GNN (TAGreg) beter dan GBT op zowel de synthetische als de IEEE-datasets. Dit suggereert dat met adequate regularisatie GNN's causale, topologie-onafhankelijke patronen kunnen leren die generaliseren naar ongezane netstructuren.

Betekenis en Claims

Het artikel claimt dat Machine Learning, specifiek Graph Neural Networks, een haalbare weg biedt om de rekenkundige knelpunten van probabilistische dynamische stabiliteitsanalyse in toekomstige stroomnetten te overwinnen.

Efficiëntie: ML-modellen kunnen kansen op fault-ride-through met hoge nauwkeurigheid voorspellen in bijna onmiddellijke tijd, waardoor de analyse van duizenden configuraties mogelijk wordt die met dynamische simulaties onhaalbaar zouden zijn.
Generalisatie: Het vermogen van GNN's getraind op synthetische data om te generaliseren naar een real-world testgeval (IEEE 96-RTS) suggereert dat deze modellen kunnen worden ingezet om probabilistische stabiliteit in feitelijke stroomnetten te bestuderen zonder exhaustieve simulaties voor elke nieuwe configuratie te vereisen.
Operationele Impact: Door kritieke componenten te identificeren die gevoelig zijn voor falen in een breed scala aan probabilistische scenario's, kunnen deze tools netbeheerders helpen af te stappen van conservatieve, statische planning. Dit maakt vroege integratie van dynamische effecten in netuitbreidingsplanning mogelijk, wat mogelijk kostbare compensatiemaatregelen voorkomt en de algehele betrouwbaarheid van inverter-gedomineerde systemen verbetert.

De auteurs benadrukken dat hoewel de studie synthetische data gebruikt, de succesvolle generalisatie naar het IEEE testgeval de potentie onderstreept om deze methoden toe te passen op netten van werkelijke grootte waar probabilistische stabiliteitsbeoordelingen momenteel rekenkundig prohibitief zijn.