Data-Efficient Physics-Informed Learning to Model Synchro-Waveform Dynamics of Grid-Integrated Inverter-Based Resources

Technische Samenvatting: Data-efficiënt Physics-Informed Leren voor het Modelleren van Synchro-golfvormdynamiek van in het Net Geïntegreerdeerde Inverter-gebaseerde Bronnen

Probleemstelling
De toenemende penetratie van Inverter-gebaseerde Bronnen (IBR's) transformeert energiesystemen van synchrone naar op vermogenselektronica gebaseerde generatie. In tegenstelling tot traditionele generatoren vertonen IBR's snelle, door regeling gedreven transiënte dynamiek tijdens netstoringen, die vaak significante sub-cyclus transiënten omvatten. Deze dynamiek is moeilijk te vangen met traditionele fasor- en SCADA-metingen. Hoewel Waveform Measurement Units (WMU's) hoog-resolutie, tijdgesynchroniseerde ruwe spanning- en stroomvoorbeelden leveren, blijft het leren van nauwkeurige transiënte modellen van deze data een uitdaging. Alleen op fysica gebaseerde modellen kunnen op sub-cyclus tijdschalen computationeel belastend zijn, terwijl puur datagedreven modellen grote hoeveelheden gelabelde verstoringsdata vereisen, die schaars zijn vanwege de incidentele aard van netstoringen.

Methodologie
De auteurs stellen een Physics-Informed Machine Learning (PIML) raamwerk voor om de terminale stroomrespons van IBR's te schatten met een beperkt aantal verstoringssignaturen. De aanpak maakt gebruik van tijdgesynchroniseerde golfvormmetingen vanaf twee locaties: de IBR-terminal (het meten van spanning $v_1(t)$ en stroom $i_1(t)$) en de netzijde van de aansluitende lijn (het meten van spanning $v_2(t)$).

In plaats van ruwe golfvormen te modelleren, werkt de methode op eerste-orde differentiaal-golfvormen ($\Delta x(t)$), die transiënte verstoringssignaturen isoleren van de steady-state vóór de verstoring. De kern van de methodologie is het leren van een onbekende niet-lineaire functie $f(\cdot)$ die de differentiële terminale spanning koppelt aan de differentiële terminale stroom ($\Delta i_1 = f(\Delta v_1)$).

Het raamwerk incorporeert natuurkundige wetten door de circuitrelatie aan de netzijde af te dwingen:
$$\Delta v_2(t) = \Delta v_1(t) - R \Delta i_1(t) - L \frac{d\Delta i_1}{dt}$$
waarbij $R$ en $L$ de weerstand en inductie van de lijn vertegenwoordigen. Het leerproces wordt geformuleerd als een minimalisatie van een verliesfunctie die bestaat uit:

1. Data-gedreven verlies: de gemiddelde kwadratische fout (MSE) tussen de voorspelde en geobserveerde differentiële stromen.
2. Physics-informed verlies: een regularisatieterm die afwijkingen van de circuitvergelijking (2) bestraft.

Het artikel behandelt twee specifieke scenario's:

• Bekende Parameters: $R$ en $L$ worden als bekend beschouwd. Het model gebruikt twee neurale netwerken: één om de stroomrespons te voorspellen en een tweede om de circuitvergelijking-restrictie af te dwingen.
• Onbekende Parameters: $R$ en $L$ worden behandeld als leerbare scalairen (beperkt tot niet-negatieve waarden via een softplus-activatie). Het raamwerk leert simultaan de transiënte dynamiekkaart $f(\cdot)$ en de circuitparameters $R$ en $L$ via gradiëntgebaseerde optimalisatie.

Belangrijkste Bijdragen

1. Nieuw PIML Raamwerk: Het artikel introduceert de eerste toepassing van PIML op synchro-golfvormanalyse voor IBR's. Het integreert golfvormmetingen aan de netzijde en circuitvergelijkingen om het leerproces te beperken.
2. Data-efficiëntie: De voorgestelde methode vermindert de hoeveelheid benodigde gelabelde verstoringsdata aanzienlijk om nauwkeurige modellen te bereiken in vergelijking met puur datagedreven baselines.
3. Gezamenlijke Parameteridentificatie: Het raamwerk maakt gelijktijdige schatting van onbekende lijnparameters ($R, L$) naast de IBR-transiënte dynamiek mogelijk, wat een praktische beperking aanpakt waarbij lijnparameters onzeker kunnen zijn.
4. Robuustheid over Sampling Rates: De methode wordt gevalideerd over meerdere sampling rates (32, 64 en 128 samples per 60 Hz cyclus), wat aantoont dat er een consistente prestatie wordt geleverd, zelfs bij lagere resoluties.

Experimentele Resultaten
De auteurs evalueerden de aanpak met een dataset van 80 verstoringsgebeurtenissen, waarbij het aantal trainingsgebeurtenissen varieerde van 3 tot 50.

• Prestaties met Bekende Parameters: Over alle sampling rates heen behaalde het PIML-model consequent een lagere test-MSE dan de data-only baseline. Bijvoorbeeld, bij een sampling rate van 128 samples/cyclus met slechts 3 trainingsgebeurtenissen, verminderde het PIML-model de fout met ongeveer 58% vergeleken met het data-only model.
• Winst in Data-efficiëntie: Om vergelijkbare foutniveaus te bereiken, had de physics-informed aanpak ongeveer 7 tot 9 keer minder trainingsgebeurtenissen nodig dan het data-only model wanneer parameters bekend waren. Wanneer parameters onbekend waren, was de efficiëntiewinst lager (ongeveer 2,3x tot 5,7x), maar nog steeds significant.
• Parameteridentificatie: In het geval van onbekende parameters convergeerde het model succesvol naar de ware waarden van $R$ (10 $\Omega$) en $L$ (0,2 mH) tijdens de training, zoals geïllustreerd door de convergentieplots.
• Lage Sampling Rates: Het PIML-model behield een robuuste prestatie en lagere foutenpercentages, zelfs bij de laagst geteste sampling rate van 32 samples/cyclus, waar de data-only baseline moeite had.

Betekenis en Claims
Het artikel claimt dat dit werk de kloof overbrugt tussen physics-gebaseerde en datagedreven modellering voor IBR's. Door gebruik te maken van bestaande maar onderbenutte golfvormmetingen aan de netzijde, maakt het voorgestelde PIML-raamwerk nauwkeurige modellering van snelle sub-cyclus IBR-dynamiek mogelijk met aanzienlijk minder verstoringsgebeurtenissen. Dit is bijzonder belangrijk voor praktische toepassingen waar het verzamelen van grote gelabelde datasets onhaalbaar is. Het vermogen om circuitparameters gezamenlijk te identificeren, vergroot verder het nut van het raamwerk in real-world settings waar lijnparameters onzeker zijn. De auteurs concluderen dat deze aanpak een data-efficiënt pad biedt naar het modelleren van synchro-golfvormdynamiek, waarbij toekomstig werk gepland is om complexere netwerktopologieën, ruis en ongebalanceerde condities aan te pakken.