Technische Samenvatting: Versnelde Kriging-interpolatie voor Real-time Grid Frequentievoorspelling

1. Probleemstelling

De integratie van inverter-gebaseerde bronnen (IBR's) en de vervanging van conventionele synchrone generatoren hebben de systeemtraagheid verminderd, wat leidt tot snellere frequentieafwijkingen (ROCOF) en complexe stabiliteitsdynamiek. Moderne beschermingsmechanismen en Fast Frequency Response (FFR)-systemen opereren binnen sub-seconde tijdskaders (bijv. 250 ms), wat hoog-temporele resolutie voorspellingen noodzakelijk maakt om onevenwichtigheden te detecteren en beheersmaatregelen preventief te activeren.

Bestaande benaderingen kampen met aanzienlijke beperkingen:

• Fysica-gestuurde modellen: Falen vaak bij het vastleggen van snelle transiënten, vereisen hoogwaardige propriëtaire data (vaak niet beschikbaar) en brengen hoge computationele kosten met zich mee voor simulaties.
• Deep Learning: Hoewel accuraat, missen deze "black-box"-modellen een gefundeerde onzekerheidskwantificering, vereisen ze enorme datasets (schaars voor zeldzame kritieke gebeurtenissen) en hebben ze moeite met het integreren van harde fysieke restricties.
• Conventionele Interpolatie: Methoden zoals polynomiale interpolatie of inverse distance weighting leggen rigide structurele aannames op of negeren onderliggende datacorrelatiestructuren.
• Standaard Kriging/Gaussiaanse Processen: Hoewel theoretisch solide voor het modelleren van spatio-temporele afhankelijkheid, vereist standaard kriging het oplossen van dichte, vaak slecht geconditioneerde lineaire systemen. Bovendien kunnen standaard kriging-voorspellers lijden onder het "screening effect", waarbij contra-intuïtieve negatieve gewichten aan redundante sensoren worden toegekend, en missen ze de nodige spaarzaamheid (sparsity), waardoor ze computationeel onhaalbaar zijn voor real-time toepassingen.

2. Methodologie

De auteurs stellen een Regularized Universal Kriging (UK) framework voor, versneld door een gespecialiseerde numerieke solver.

2.1. Regularized Universal Kriging

De methode modelleert de netfrequentie als een realisatie van een stochastisch proces met een deterministische lineaire trend (universal kriging) en een residu met een gemiddelde van nul.

• Formulering: De voorspelling is een lineaire combinatie van geobserveerde waarden. Om te garanderen dat de voorspeller een Best Linear Unbiased Estimator (BLUE) is, moeten de gewichten voldoen aan onbevooroordeeldheidsrestricties (sommen tot 1 en overeenkomen met de coördinaten van het querypunt).
• Regularisatie: Een $\ell_1$-norm straf wordt toegevoegd aan het optimalisatiedoel. Dit bevordert de spaarzaamheid in de kriging-gewichten, wat het screening effect effectief mitigeert door niet-negatieve gewichten af te dwingen en interpolatie boven extrapolatie te verkiezen. Dit levert een fysiek interpreteerbare voorspeller op met een gefundeerd evenredig maat voor onzekerheid (minimale voorspellingsvariantie).

2.2. Numerieke Oplossing: K-ADMM

Om het resulterende niet-differentieerbare, beperkte optimalisatieprobleem efficiënt op te lossen, ontwikkelen de auteurs een solver gebaseerd op de Alternating Direction Method of Multipliers (ADMM), getiteld K-ADMM.

• Spectrale Decompositie: De Hessimatrix (afgeleid van de variogram) wordt spectraal gedecomposeerd ($-\Gamma_D = QDQ^\top$). Dit diagonaliseert de kwadratische term, waardoor de variabelen in de doelfunctie worden gescheiden.
• Probleemsplitsing: Het probleem wordt geherformuleerd met behulp van een hulpvariabele om de differentieerbare kwadratische term te ontkoppelen van de niet-differentieerbare $\ell_1$-straf.
• Iteratieve Stappen:
  1. $\nu$-subprobleem: Lost een lineair systeem op met de gediagonaliseerde Hessimatrix en de onbevooroordeeldheidsrestricties. De augmented Lagrangian-structuur introduceert een kwadratische proximale straf, wat de potentieel slecht geconditioneerde Hessimatrix stabiliseert. De systeemmatrix is constant, wat pre-computed LU-factorisatie en efficiënte forward-backward substituties mogelijk maakt.
  2. $\alpha$-subprobleem: Lost een scheidbaar probleem op met een gesloten vorm oplossing (soft-thresholding) voor elke component.
  3. Dual Update: Actualiseert Lagrange-multiplicatoren om convergentie van de primaire residuen te waarborgen.
• Herstel: De definitieve gewichten worden hersteld via een inverse transformatie ($\lambda^* = Q\nu^*$), wat strikte naleving van de onbevooroordeeldheidsrestricties garandeert.

3. Belangrijkste Bijdragen

Het artikel beschrijft drie primaire bijdragen:

1. Regularized Universal Kriging Framework: Een nieuwe formulering die een $\ell_1$-norm straf incorporeert, specifiek afgestemd op frequentie-trajectvoorspelling. Het dwingt spaarzaamheid af om het screening effect te mitigeren, wat een fysiek interpreteerbare voorspeller biedt met onzekerheidskwantificering, verschillend van black-box dichte methoden.
2. Gespecialiseerd Numeriek Algoritme (K-ADMM): Een efficiënte solver die gebruikmaakt van spectrale decompositie om de variogrammatrix te diagonaliseren. Dit maakt het mogelijk om het complexe optimalisatieproces op te splitsen in lichte scalaire operaties. De ADMM-structuur stabiliseert de slecht geconditioneerde Hessimatrix, wat zorgt voor robuuste convergentie.
3. Demonstratie van Real-Time Haalbaarheid: Validatie van het vermogen van de solver om hoog-resolutie netmetingen te transformeren naar accurate voorspellingen binnen strikte operationele tijdsgrenzen (sub-seconde).

4. Resultaten en Casestudy

De methodologie werd gevalideerd op een gesimuleerde distributienet-casestudy met behulp van MATLAB's Simscape.

• Opzet: Een "zwak" netmodel (lage kortsluitverhouding) werd gebruikt om de gevoeligheid voor verstoringen te simuleren. Het systeem omvatte een niet-ideaal driefasig bronmodel en een IBR die door een PI-lus wordt aangestuurd.
• Data: De dataset bestond uit historische sensordata (stroominjecties in de dq-frame en frequentie) gesampled op 80 Hz.
• Voorspellingshorizon: Het model voorspelde frequentie-trajecten over $T = 0,5$ seconden (40 discrete stappen), wat aansluit bij het 250–500 ms operationele bereik van FFR-mechanismen.
• Prestaties:
  • De voorgestelde spaarse schatting bereikte een nauwkeurigheid vergelijkbaar met niet-geregulariseerde kriging.
  • De computationele tijden werden aangetoond compatibel te zijn met real-time toepassingen, wat sub-seconde voorspelling mogelijk maakt.
  • De aanpak slaagde erin om transiënte dynamiek op sub-seconde schaal te vangen zonder een expliciet fysiek model van het netwerk of de componenten te vereisen.

5. Betekenis en Claims

Het artikel claimt dat dit werk een oplossing biedt voor de kritieke behoefte aan snelle, betrouwbare en interpreteerbare netfrequentievoorspellingen in de context van laag-traagheid elektriciteitsnetten.

• Overbruggen van de Kloof: Het biedt een middenweg tussen de computationele onhaalbaarheid van hoog-getrouwe fysica-modellen en het gebrek aan interpreteerbaarheid/onzekerheidskwantificering in deep learning.
• Praktisch Nut: Door sub-seconde computationele tijden te bereiken en onzekerheidsmaten te bieden, maakt de methode de vroege detectie van onevenwichtigheden en de tijdige activering van beheersmaatregelen mogelijk, wat essentieel is voor het handhaven van stabiliteitsnormen (bijv. EN50160) in moderne netten.
• Robuustheid: Het gebruik van de intrinsieke hypothese (via de variogram) en de regularisatiestrategie maakt de aanpak robuust tegen niet-stationaire gedragingen en dataschaarste, waardoor de noodzaak voor uitgebreide trainingsdatasets die vereist is voor deep learning wordt vermeden.

De auteurs concluderen dat hun voorstel voortbouwt op vooruitgang in niet-parametrische modellering en state-of-the-art numerieke optimalisatie om een levensvatbaar instrument te bieden voor real-time, data-gestuurde controle in energiesystemen.