⚡ electrical engineering

Predicting power grid frequency dynamics with invertible Koopman-based architectures

Dit onderzoek toont aan dat invertibele neurale netwerken, en met name die met koppelingslagen, de voorspellingsnauwkeurigheid van dynamiek in het elektriciteitsnet kunnen verbeteren door de beperkingen van niet-invertibele Koopman-architecturen te overwinnen, terwijl hybride benaderingen afhankelijk zijn van de specifieke architectuurkeuze.

Oorspronkelijke auteurs: Eric Lupascu, Xiao Li, Benjamin Schäfer

Gepubliceerd 2026-03-17

📖 4 min leestijd☕ Koffiepauze-leesvoer

CC BY 4.0

Oorspronkelijke auteurs: Eric Lupascu, Xiao Li, Benjamin Schäfer

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

🌍 Het Probleem: Het Stroomnet als een Dansende Zwaan

Stel je het elektriciteitsnet voor als een gigantische, complexe dansvloer. De stroom die door de draden stroomt, is de dans. De frequentie (hoe snel de stroom oscilleert) is de ritmische beat. Als alles perfect loopt, dansen de zwanen (de stroomopwekkers) in perfect ritme.

Maar wat er gebeurt als er een plotselinge storing is (bijvoorbeeld een kortsluiting of een windmolen die uitvalt), is dat de dansers gaan haperen. De beat versnelt of vertraagt. Als je dit niet snel genoeg kunt voorspellen en corrigeren, valt de hele dansvloer stil: een stroomuitval.

Vroeger probeerden ingenieurs dit te voorspellen met ingewikkelde formules (zoals een dansmeester die elke beweging uitrekent). Maar met de komst van zonne- en windenergie (die minder stabiel zijn dan oude kolencentrales) wordt de dans chaotischer. De oude formules werken niet meer goed genoeg.

🤖 De Oplossing: Een Slimme Dansmeester (Koopman & INNs)

De onderzoekers van het KIT (Karlsruhe Institute of Technology) hebben een nieuwe manier bedacht om deze dans te voorspellen. Ze gebruiken twee slimme concepten:

De Koopman-operator: Dit is als een vertaler. De echte dans is chaotisch en niet-lineair (moeilijk te voorspellen). De Koopman-operator probeert deze chaotische dans te vertalen naar een "droomwereld" waar de bewegingen simpel en lineair zijn (alsof je de dans in een rechte lijn ziet lopen). Als je de beweging in die droomwereld kunt voorspellen, kun je hem terugvertalen naar de echte wereld.
Invertible Neural Networks (INNs): Dit is het hart van hun nieuwe systeem. Een normaal AI-systeem is vaak als een blender: je gooit fruit erin, en je krijgt sap. Je kunt het sap niet terugveranderen in fruit (er gaat informatie verloren).
- Een INN is echter als een magische pers. Je gooit fruit erin, het wordt geperst tot een strak blok, en je kunt het blok later weer perfect terugveranderen in exact hetzelfde fruit. Geen enkel druppeltje sap is verloren gegaan.

Waarom is dit belangrijk?
Als je bij het vertalen van de dans (naar de droomwereld) informatie verliest, is je voorspelling fout. Omdat deze "magische pers" (INN) niets verliest, is de voorspelling veel nauwkeuriger.

🧪 Het Experiment: Welke Dansstijl werkt het beste?

De onderzoekers hebben verschillende soorten "magische persen" (architecturen) getest op twee simulaties van stroomnetten (een klein netje en een groot, complex netje).

De Coupling Layers (De "Half-Door" methode):
Dit werkt als een danspaar waarbij je eerst de linkerhelft van het lichaam beweegt, en dan de rechterhelft op basis van de linker. Dit bleek de beste techniek te zijn. Het was stabiel, snel en maakte de minste fouten.
De ODE-methode (De "Vloeiende Stroom"):
Dit probeert de dans als een continue rivier te zien. Dit bleek echter te glad te zijn; het miste de scherpe hoeken en plotselinge bewegingen van de echte stroomnetten.
De Residual-methode (De "Terugkerende Stap"):
Dit werkt met kleine stapjes. Het was oké, maar niet zo goed als de "Half-Door" methode.

🚀 De Uitbreiding: Het Toevoegen van een "Assistent"

Er was een probleem: soms is de "droomwereld" te klein om alle details van de chaotische dans te bevatten. De onderzoekers dachten: "Wat als we een assistent toevoegen?"

Ze bouwden een Hybride Systeem:

De Magische Pers (INN) doet het zware werk van het vertalen en terugvertalen (zodat er geen informatie verloren gaat).
De Assistent (een gewoon AI-netwerk) mag extra informatie verzamelen en toevoegen aan het proces, maar hoeft niet perfect te kunnen "terugdraaien".

Het verrassende resultaat:

Voor de beste persen (de Coupling Layers) was de assistent niet nodig. Zelfs met een assistent werd het niet beter, soms zelfs slechter. Ze waren al zo goed dat extra hulp alleen maar voor verwarring zorgde.
Voor de zwakkere persen (zoals de ODE-methode) was de assistent goud waard. Door de extra informatie van de assistent, konden deze zwakkere modellen ineens bijna net zo goed presteren als de beste modellen.

💡 De Grote Les

Het onderzoek leert ons drie dingen:

Kies je gereedschap met zorg: Niet elke AI-architectuur werkt voor elke taak. Voor het voorspellen van stroomnetten werken de "Coupling Layers" (de Half-Door methode) het beste.
Soms is minder meer: Als je al een heel goed systeem hebt, kan het toevoegen van extra onderdelen (hybride modellen) juist averechts werken.
Soms is meer meer: Als je een wat zwakker systeem hebt, kan het toevoegen van een slimme "assistent" (zoals een extra netwerklaag) het wonderbaarlijk verbeteren.

Kortom: Om te voorkomen dat het licht uitvalt, moeten we slimme AI-modellen gebruiken die niets vergeten (de INNs) en weten welke combinatie van modellen en assistenten het beste werkt voor het specifieke stroomnet. Het is niet één maat die voor iedereen past, maar een op maat gemaakte danspas.

Titel: Voorspelling van dynamiek van het stroomnetfrequentie met invertibele Koopman-gebaseerde architecturen

Auteurs: Eric Lupascu, Xiao Li, en Benjamin Schäfer (Karlsruhe Institute of Technology, Duitsland).

1. Probleemstelling

De stabiliteit van het elektriciteitsnet is cruciaal voor de moderne infrastructuur. De toenemende integratie van hernieuwbare energiebronnen (die vaak op wisselrichters zijn gebaseerd en weinig inherente traagheid bieden) maakt het handhaven van de frequentiestabiliteit steeds moeilijker. Het voorspellen van hoe deze systemen evolueren na verstoringen is essentieel.

Traditionele methoden zoals Dynamic Mode Decomposition (DMD) proberen systemen lineair te benaderen, maar kunnen complexe niet-lineaire dynamiek niet goed vangen. Een alternatief is het gebruik van Koopman-operator-gebaseerde modellering, waarbij niet-lineaire dynamiek wordt afgebeeld op een lineaire ruimte via een autoencoder.

Het kernprobleem: Bestaande Koopman-autoencoders zijn vaak niet-invertibel. Dit leidt tot verlies van informatie bij het afbeelden van de fysieke toestand naar de latente ruimte, wat de nauwkeurigheid van de voorspelling en de interpretatie van de dynamiek negatief beïnvloedt.
De uitdaging: Hoewel Invertibele Neuronale Netwerken (INNs) een bijectieve (informatiebehoudende) afbeelding garanderen, hebben ze beperkingen:
1. Ze vereisen dat de invoer- en uitvoerdimensies gelijk zijn, terwijl de Koopman-operator vaak "dimensional lifting" (het verhogen van de dimensie) nodig heeft om niet-lineaire dynamiek lineair te maken.
2. Ze hebben vaak een lagere expressiviteit dan conventionele neurale netwerken.

2. Methodologie

De auteurs onderzoeken verschillende architecturale strategieën voor INNs en hun combinatie met niet-invertibele extensies binnen een Higher-Order Dynamic Mode Decomposition (HODMD) pipeline.

A. Architecturale Strategieën voor INNs:
De studie vergelijkt drie hoofdtypen INNs:

Coupling Layers (CF-INNs): De meest gebruikelijke aanpak (bijv. RealNVP, Glow, HINT, NICE). Deze splitsen de invoer en transformeren een deel van de vector op basis van het andere deel. Ze garanderen exacte invertibiliteit en zijn rekenkundig efficiënt.
Residual Blocks (iResNet): Gebaseerd op $g(x) = x + F(x)$ . Invertibiliteit wordt hier bereikt door de Lipschitz-constante te beperken, wat echter de expressiviteit kan beperken en numerieke fouten kan introduceren bij inversie.
ODE-gebaseerde benaderingen (Neural ODEs): Behandelen lagen als continue transformaties. Deze zijn minder geschikt voor de discrete tijdstappen die nodig zijn voor de Koopman-operator ( $t \to t+1$ ).

B. Hybride Architecturen (Augmented Invertible Koopman Autoencoder - AIKAE):
Om het probleem van de dimensie-beperking op te lossen, wordt een hybride aanpak gebruikt (geïnspireerd door Frion et al.):

De invoer wordt parallel verwerkt door een invertibel netwerk ( $i$ ) en een niet-invertibel extensienetwerk ( $a$ ).
De uitkomsten worden samengevoegd in een hogedimensionale latente ruimte.
De Koopman-operator werkt op deze samengevoegde vector.
Alleen het invertibele deel wordt gebruikt om de oorspronkelijke toestand te reconstrueren.
Dit stelt de auteurs in staat om extra, expressieve kenmerken toe te voegen zonder de invertibiliteit van het totale model te schenden.

C. Extensietypes:
Drie soorten extensienetwerken worden getest:

CNN-gebaseerd: Voor het extraheren van lokale structuren en tijdspatronen.
Kernel-gebaseerd (RBF): Voor het afbeelden naar hoge-dimensionale ruimtes om complexe relaties te modelleren.
Deep Residual (Multitimescale): Een volledig verbonden residu-netwerk met SiLU-activaties om langetermijnafhankelijkheden en frequentiecomponenten te vangen.

D. Experimentele Opstelling:

Datasets: IEEE-14 bus systeem (snelle dynamiek) en WECC-179 bus systeem (zwakke demping, inter-area oscillaties).
Data: Simulaties van kortsluitfouten (0,1s) gegenereerd met ANDES.
Meting: Relative Root Mean Squared Error (RRMSE) op trainings- en testtrajecten.

3. Belangrijkste Resultaten

A. Prestaties van Basis-INNs (zonder extensies):

Coupling Flow INNs (CF-INNs) presteerden consistent het beste, met name de Affine Coupling-varianten (All-In-One, Glow, RealNVP, HINT). Deze tonen sterke generalisatievermogen.
NICE (Additieve coupling) presteerde goed op trainingsdata maar slechter op testdata, wat wijst op beperkte expressiviteit voor complexe niet-lineaire dynamiek.
ODE-based INNs en iResNet presteerden het slechtst. Ze vertoonden te gladde mapping die de gedetailleerde dynamiek miste en hadden moeite met generalisatie.

B. Impact van Hybride Extensies:
De toevoeging van extensienetwerken had een sterk architectuur-afhankelijk effect:

Sterke modellen (CF-INNs): Voor modellen zoals Glow en All-In-One leverden extensies vaak geen verbetering op, of zelfs een lichte verslechtering (bijv. Glow op het WECC-dataset).
Zwakke modellen (ODE, iResNet): Deze modellen profiteerden aanzienlijk van extensies (verbetering van 5-10% in RRMSE). De extensies compenseerden voor de beperkte expressiviteit van de basisarchitectuur.
Beste Combinatie: De All-In-One architectuur gecombineerd met de Multitimescale (SiLU + Residual) extensie leverde de beste resultaten op de moeilijke WECC-testset (RRMSE van 19,57%).

C. Ablatiestudie:
Door de invertibele component te vervangen door een identiteitsfunctie (essentieel Extended Dynamic Mode Decomposition - EDMD), bleek dat:

De Multitimescale-extensie op zichzelf al een sterke verbetering gaf ten opzichte van de basis EDMD.
CNN- en Kernel-extensies vaak leidden tot overfitting of slechtere generalisatie.
Dit bevestigt dat de kwaliteit van de toegevoegde kenmerken cruciaal is voor de "Koopman lifting".

4. Belangrijkste Bijdragen

Systematische Evaluatie: Een uitgebreide vergelijking van verschillende INN-architecturen (Coupling, Residual, ODE) binnen een Koopman-framework voor stroomnetfrequentie.
Hybride Strategie Validatie: Demonstreert dat hybride architecturen (invertibel + niet-invertibel) de beperkingen van standaard INNs kunnen overwinnen, maar dat de keuze van de extensie kritiek is.
Architectuur-Data Synergie: Het inzicht dat extensies vooral nuttig zijn voor zwakkere basismodellen, terwijl sterke modellen (zoals Affine Coupling) soms zelfs verslechteren door ongeschikte extensies.
Praktische Richtlijnen: Biedt een kader voor het selecteren van de juiste architectuur voor specifieke stroomnettoepassingen, waarbij All-In-One met Multitimescale-extensie als robuuste keuze naar voren komt.

5. Betekenis en Conclusie

De studie concludeert dat Affine Coupling INNs de beste balans bieden tussen structurele stabiliteit en expressiviteit voor het modelleren van stroomnetdynamiek. Hoewel niet-invertibele extensies de prestaties van zwakkere modellen kunnen verbeteren, is er geen "one-size-fits-all" oplossing.

De resultaten tonen aan dat Koopman-gebaseerde INNs nauwkeurige trajectvoorspellingen mogelijk maken zonder complexe model-gedreven simulatietools. Dit is van groot belang voor de toekomst van energienetwerken met een hoge penetratie van hernieuwbare energie, waarbij snelle en betrouwbare voorspellingen van frequentie-instabiliteit noodzakelijk zijn voor de netbeheerders. De studie benadrukt dat zorgvuldige architecturale keuzes en het testen van extensies essentieel zijn om de prestaties te maximaliseren.