Scalable Impedance Identification of Diverse IBRs via Cluster-Specialized Neural Networks

Probleemstelling

Moderne elektriciteitsnetten integreren een steeds groter aantal Inverter-Based Resources (IBR's), zoals zonnepanelen en windturbines. Een groot uitdaging bij de stabiliteitsanalyse van deze systemen is de heterogeniteit van de IBR's. Deze apparaten hebben uiteenlopende besturingstopologieën (bijv. Grid-Forming vs. Grid-Following), besturingsbandbreedtes en algoritmes, wat leidt tot zeer verschillende impedantie-eigenschappen.

Traditionele methoden voor impedantiemeting zijn tijdrovend en niet schaalbaar, vooral voor grote systemen met veel werkingspunten. Bestaande datagedreven (machine learning) benaderingen hebben twee belangrijke beperkingen:

1. Ze trainen vaak één model per specifiek apparaat, wat inefficiënt is en niet schaalbaar.
2. Ze proberen één uniek model te trainen voor diverse, heterogene IBR's. Dit faalt echter omdat de fundamenteel verschillende dynamische gedragingen leiden tot slechte generalisatie en lage voorspellingnauwkeurigheid.

Methodologie

Het artikel stelt een schaalbaar raamwerk voor dat geclusterde, gespecialiseerde neurale netwerken gebruikt om de impedantie van diverse IBR's te identificeren. De aanpak bestaat uit twee hoofdfasen:

1. Offline Fase (Clustering en Training):

• Datageneratie: Er wordt een dataset gegenereerd voor zes verschillende IBR's (drie Grid-Forming Inverters - GFMIs en drie Grid-Following Inverters - GFLIs) met variërende parameters. De data is afgeleid van analytische modellen over een breed scala aan werkingspunten (spanning, vermogen, frequentie).
• Clustering: In plaats van alle invoerfeatures te gebruiken, wordt de grootte van de dd-admittantie ($|Y_{dd}|$) geselecteerd als representatieve feature. Met behulp van het K-means clustering-algoritme worden de data-punten ingedeeld in groepen met vergelijkbare kenmerken.
  • De optimale aantallen clusters (K) worden bepaald via de 'inertia' en 'silhouette score'. In dit geval bleek 3 clusters optimaal.
  • Resultaat: Cluster 1 bevat de GFMIs (hoge variabiliteit), Cluster 2 bevat twee GFLIs, en Cluster 3 bevat één GFLI.
• Gespecialiseerde Netwerken: Voor elke cluster wordt een apart Feed-Forward Neural Network (FNN) getraind.
  • De architectuur van de netwerken wordt aangepast aan de complexiteit van de cluster. Cluster 1 (hoog variabele data) krijgt een netwerk met minder neuronen om overfitting te voorkomen, terwijl de homogene clusters (2 en 3) complexere netwerken gebruiken.
  • De netwerken worden getraind met de Mean Squared Error (MSE) loss en de Adam-optimizer.

2. Online Fase (Implementatie en Voorspelling):

• Wanneer een nieuw, onbekend IBR wordt geïntroduceerd, worden slechts een paar meetpunten (in het gevalgetest: 10 punten op één werkingspunt) gemeten.
• Het systeem berekent de afstand tussen het profiel van het nieuwe apparaat en de reeds berekende centroiden van de clusters.
• Het apparaat wordt toegewezen aan de dichtstbijzijnde cluster.
• Het bijbehorende gespecialiseerde FNN wordt gebruikt om de impedantie over een breed scala aan werkingspunten en frequenties te voorspellen.

Belangrijkste Bijdragen

1. Schaalbaar Framework: Het introduceren van een systeem dat heterogene IBR's behandelt door ze te groeperen in clusters, in plaats van één model per apparaat of één uniek model voor alles.
2. Efficiëntie en Nauwkeurigheid: Door gespecialiseerde netwerken per cluster te gebruiken, wordt de voorspellingsnauwkeurigheid verbeterd ten opzichte van een uniek model, terwijl de rekentijd en complexiteit lager blijven dan het trainen van individuele modellen voor elk apparaat.
3. Few-Shot Learning: Het vermogen om een nieuw, onbekend IBR nauwkeurig te modelleren met slechts 10 meetpunten, wat de praktische toepasbaarheid in real-time scenario's aantoont.

Resultaten

• Clustering: De K-means clustering scheidde de GFMIs en GFLIs effectief in drie groepen met duidelijke verschillen in impedantie-kenmerken.
• Voorspellingsnauwkeurigheid: De gespecialiseerde FNN's toonden hoge nauwkeurigheid bij het voorspellen van de admittantie (geleidendheid en susceptantie) over het frequentiebereik (1-200 Hz).
• Validatie op Onbekende Data: Een nieuw GFLI-apparaat (GFLI4) met andere PLL-parameters werd getest.
  • Het systeem identificeerde correct dat dit apparaat bij Cluster 2 (GFLI-groep) hoorde.
  • Het gebruikte FNN2 voorspelde de impedantie met hoge nauwkeurigheid over het grootste deel van het frequentiebereik.
  • De grootste fouten werden geobserveerd bij lage frequenties, wat wordt toegeschreven aan de dominantie van de Phase-Locked Loop (PLL)-dynamiek die gevoelig is voor parameterwijzigingen.
• Conclusie: Het raamwerk demonstreert dat een goed initieel model kan worden verkregen met minimale data, met de optie voor latere fijne afstelling (fine-tuning) indien nodig.

Betekenis en Toekomstperspectief

Dit onderzoek biedt een oplossing voor een kritiek probleem in de toekomstige energievoorziening: het beheer van stabiliteit in netwerken met een hoge penetratie van diverse, "black-box" inverters. De methode maakt het mogelijk om snel en accuraat stabiliteitsanalyses uit te voeren zonder uitgebreide meetcampagnes voor elk nieuw apparaat.

Beperkingen en Toekomstig Werk:
Het huidige raamwerk vereist nog steeds een centrale data-aggregatie, wat beveiligings- en privacyzorgen kan oproepen. Toekomstig onderzoek richt zich op het ontwikkelen van beveiligde, privacy-bewuste implementaties en het testen van de methode op experimentele datasets en grotere vlootten van IBR's.