Robust Power System State Estimation using Physics-Informed Neural Networks

Titel: Robuuste Netwerktoestandschatting met behulp van Physics-Informed Neural Networks (PINNs)

1. Probleemstelling

Moderne elektriciteitsnetten staan voor toenemende uitdagingen op het gebied van toestandschatting (state estimation) en real-time monitoring. De integratie van hernieuwbare energiebronnen, de complexiteit van slimme netten en de noodzaak voor snelle reactietijden hebben traditionele methoden, zoals Weighted Least Squares (WLS), onder druk gezet. Deze traditionele methoden lijden vaak onder:

• Berekeningsintensiteit: Ze zijn te traag voor real-time toepassing bij snelle fluctuaties.
• Data-afhankelijkheid: Ze vertrouwen op schaarse data en zijn gevoelig voor meetfouten.
• Cyberveiligheid: Ze zijn kwetsbaar voor cyberaanvallen, zoals False Data Injection (FDI), waarbij sensordata gemanipuleerd wordt om de netstabiliteit te ondermijnen.

Bestaande datagedreven machine learning-modellen (zoals standaard Neuronale Netwerken) verbeteren de snelheid en nauwkeurigheid, maar missen vaak de fysische consistentie. Ze kunnen onrealistische voorspellingen doen wanneer ze worden geconfronteerd met ongeziene omstandigheden, storingen of gemanipuleerde data, omdat ze geen inzicht hebben in de onderliggende natuurwetten van het elektriciteitsnet.

2. Methodologie

De auteurs stellen een hybride aanpak voor die Physics-Informed Neural Networks (PINNs) toepast. In plaats van puur te vertrouwen op historische data, worden fysische wetten direct in de architectuur van het neurale netwerk geïntegreerd via de verliesfunctie (loss function).

Kerncomponenten van de methode:

• Verliesfunctie (Loss Function): De totale verliesfunctie ($L$) bestaat uit drie componenten die worden gewogen door parameters $\lambda_d$, $\lambda_p$ en $\lambda_c$:
  1. Data-term ($L_{data}$): Minimaliseert de fout tussen de voorspelde spanningen en de gemeten (ground-truth) spanningen.
  2. Fysica-term ($L_{physics}$): Dwingt het model om te voldoen aan de wetten van Kirchhoff en de stroomvergelijkingen ($I = Y \cdot V$). De voorspelde stromen, berekend via de admittantiematrix en de voorspelde spanningen, moeten overeenkomen met de werkelijke stromen. Dit zorgt ervoor dat het model de netwerktopologie respecteert.
  3. Constante-term ($L_{constants}$): Neemt bekende systeemconstanten in overweging, zoals de referentiegrootte (slack bus) of gereguleerde spanningen bij generatorbussen.
     $$Loss = \lambda_d \cdot d + \lambda_p \cdot p + \lambda_c \cdot c$$
• Input/Output: De input bestaat uit actieve ($P$) en reactieve ($Q$) vermogeninjecties, en de output zijn de geschatte complexe spanningen (grootte en fasehoek) per bus.
• Hyperparameter-optimalisatie: Er wordt een systematische zoekstrategie gebruikt (gebaseerd op een Tree-Structured Parzen Estimator - TPE) om de optimale gewichten ($\lambda$) en netwerkarchitectuur (aantal lagen, neuronen, leersnelheid) te vinden voor verschillende scenario's.

3. Belangrijkste Bijdragen

1. Hybride Modelontwikkeling: Het introduceren van een PINN-architectuur die fysische wetten (zoals vermogensstroomvergelijkingen) direct in het leerproces van een neurale netwerk integreert voor netwerktopologie-afhankelijke toestandschatting.
2. Uitgebreide Benchmarking: Een grondige evaluatie tegenover state-of-the-art datagedreven neurale netwerken (NN) en andere geavanceerde methoden uit de literatuur.
3. Robuustheidsonderzoek: Het aantonen van superieure prestaties onder uitdagende omstandigheden, waaronder driefasige kortsluitingen, generatoruitval en, cruciaal, cyberaanvallen (data-manipulatie).

4. Experimentele Resultaten

De methode werd getest op de IEEE 14-bus en IEEE 118-bus referentiesystemen, gesimuleerd met PowerWorld, inclusief ruis en diverse storingen.

• Steady-State en Generalisatie:
  • De PINN presteerde aanzienlijk beter dan een puur datagedreven NN.
  • Op onbekende subsets van de trainingsdata werd tot ~83% hogere nauwkeurigheid bereikt.
  • Op volledig nieuwe, ongerelateerde datasets (bijv. andere belastingprofielen) was de prestatie ~65% beter.
• Storingen en Dynamische Omstandigheden:
  • Bij generatoruitval en belastingstijgingen toonde de PINN een stabielere Mean Absolute Error (MAE) en betere generalisatie dan de NN.
  • Bij driefasige kortsluitingen (zelfdovend) bleek de PINN gemiddeld ~20% nauwkeuriger te zijn, zelfs bij foutlocaties die niet in de trainingsdata zaten.
• Cyberveiligheid (Data Manipulatie):
  • Dit is het meest opvallende resultaat. Bij aanvallen waarbij sensordata op kritieke bussen met 10-30% werd gemanipuleerd, kon de PINN de fysieke inconsistenties detecteren en filteren.
  • De PINN was tot ~93% nauwkeuriger dan een equivalente NN tijdens deze aanvallen, wat aantoont dat het model minder gevoelig is voor gemanipuleerde data omdat het zich baseert op de onderliggende fysica in plaats van alleen op de waarnemingen.
• Schaalbaarheid: De resultaten op het grotere IEEE 118-bus systeem bevestigden de schaalbaarheid van de aanpak, met een MAE-reductie van ~83% ten opzichte van de NN.

5. Betekenis en Conclusie

Dit onderzoek onderstreept het potentieel van Physics-Informed Neural Networks om de stabiliteit, integriteit en beveiliging van elektriciteitsnetten te verbeteren.

• Robuustheid: Door fysische wetten te embedden, wordt het model minder afhankelijk van de kwaliteit en kwantiteit van de trainingsdata en minder vatbaar voor overfitting.
• Cyber-resilientie: De methode biedt een nieuwe weg voor het beschermen van netten tegen FDI-aanvallen, omdat het model "weet" welke data fysiek mogelijk is en welke niet.
• Toekomstperspectief: De auteurs suggereren verdere ontwikkeling via multi-PINN-architecturen voor lokale netwerkdynamica en het gebruik van transfer learning, evenals het toepassen van deze principes voor vroege detectie van anomalieën.

Kortom, de paper bewijst dat het combineren van machine learning met fundamentele natuurwetten een krachtige oplossing biedt voor de complexe, dynamische en veiligheidskritische uitdagingen van moderne elektriciteitsnetten.