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

Resumo Técnico: Aprendizado de Física Informada com Eficiência de Dados para Modelagem da Dinâmica de Sincro-Formas de Onda de Recursos Baseados em Inversores Integrados à Rede

Definição do Problema
A crescente penetração de Recursos Baseados em Inversores (IBRs) está transformando os sistemas de potência de gerações síncronas para gerações baseadas em eletrônica de potência. Diferente dos geradores tradicionais, os IBRs exibem dinâmicas transientes rápidas, impulsionadas por controle, durante distúrbios na rede, frequentemente incluindo transientes subcíclicos significativos. Essas dinâmicas são difíceis de capturar utilizando medições tradicionais de fasores e SCADA. Embora as Unidades de Medição de Forma de Onda (WMUs) forneçam amostras de tensão e corrente bruta de alta resolução e sincronizadas no tempo, o aprendizado de modelos transientes precisos a partir desses dados permanece desafiador. Modelos puramente baseados em física podem ser computacionalmente onerosos em escalas de tempo subcíclicas, enquanto modelos puramente baseados em dados exigem grandes volumes de dados de distúrbios rotulados, que são escassos devido à infrequência de distúrbios na rede.

Metodologia
Os autores propõem uma estrutura de Aprendizado de Máquina de Física Informada (PIML) para estimar as respostas de corrente nos terminais dos IBRs utilizando um número limitado de assinaturas de distúrbios. A abordagem aproveita medições de forma de onda sincronizadas no tempo de dois locais: o terminal do IBR (medindo a tensão $v_1(t)$ e a corrente $i_1(t)$) e o lado da rede da linha de conexão (medindo a tensão $v_2(t)$).

Em vez de modelar formas de onda brutas, o método opera em formas de onda diferenciais de primeira ordem ($\Delta x(t)$), que isolam as assinaturas de distúrbios transientes dos estados estacionários pré-distúrbio. O núcleo da metodologia envolve o aprendizado de uma função não linear desconhecida $f(\cdot)$ que mapeia a tensão diferencial do terminal para a corrente diferencial do terminal ($\Delta i_1 = f(\Delta v_1)$).

A estrutura incorpora leis físicas ao impor a relação do circuito do lado da rede:
$$\Delta v_2(t) = \Delta v_1(t) - R \Delta i_1(t) - L \frac{d\Delta i_1}{dt}$$
onde $R$ e $L$ representam a resistência e a indutância da linha. O processo de aprendizado é formulado como a minimização de uma função de perda que combina:

1. Perda baseada em dados: o erro quadrático médio (MSE) entre as correntes diferenciais previstas e observadas.
2. Perda de física informada: um termo de regularização que penaliza desvios da equação do circuito (2).

O artigo aborda dois cenários específicos:

• Parâmetros Conhecidos: assume-se que $R$ e $L$ são conhecidos. O modelo utiliza duas redes neurais: uma para prever a resposta de corrente e uma segunda para impor a restrição da equação do circuito.
• Parâmetros Desconhecidos: $R$ e $L$ são tratados como escalares aprendíveis (restritos a valores não negativos via ativação softplus). A estrutura aprende conjuntamente o mapa de dinâmica transiente $f(\cdot)$ e os parâmetros do circuito ($R$ e $L$) via otimização baseada em gradiente.

Principais Contribuições

1. Estrutura PIML Inovadora: O artigo introduz a primeira aplicação de PIML para análise de sincro-formas de onda para IBRs. Ele integra medições de forma de onda do lado da rede e equações de circuito para restringir o processo de aprendizado.
2. Eficiência de Dados: O método proposto reduz significativamente a quantidade de dados de distúrbios rotulados necessária para alcançar modelos precisos em comparação com os baselines puramente baseados em dados.
3. Estimativa Conjunta de Parâmetros: A estrutura permite a estimativa simultânea dos parâmetros de linha desconhecidos ($R, L$) juntamente com a dinâmica transiente do IBR, abordando uma limitação prática onde os parâmetros da linha podem ser incertos.
4. Robustez entre Taxas de Amostragem: O método é validado através de múltiplas taxas de amostragem (32, 64 e 128 amostras por ciclo de 60 Hz), demonstrando desempenho consistente mesmo em resoluções mais baixas.

Resultados Experimentais
Os autores avaliaram a abordagem utilizando um conjunto de dados de 80 eventos de distúrbio, variando o número de eventos de treinamento de 3 a 50.

• Desempenho com Parâmetros Conhecidos: Em todas as taxas de amostragem, o modelo PIML alcançou consistentemente um MSE de teste menor do que o baseline baseado apenas em dados. Por exemplo, a uma taxa de amostragem de 128 amostras/ciclo com apenas 3 eventos de treinamento, o modelo PIML reduziu o erro em aproximadamente 58% em comparação com o modelo baseado apenas em dados.
• Ganhos de Eficiência de Dados: Para atingir níveis de erro comparáveis, a abordagem de física informada exigiu aproximadamente 7 a 9 vezes menos eventos de treinamento do que o modelo baseado apenas em dados quando os parâmetros eram conhecidos. Quando os parâmetros eram desconhecidos, o ganho de eficiência foi menor (aprox. 2,3x a 5,7x), mas ainda significativo.
• Identificação de Parâmetros: No caso de parâmetros desconhecidos, o modelo convergiu com sucesso para os valores reais de $R$ (10 $\Omega$) e $L$ (0,2 mH) durante o treinamento, conforme ilustrado pelos gráficos de convergência.
• Baixas Taxas de Amostragem: O modelo PIML manteve desempenho robusto e taxas de erro menores mesmo na taxa de amostragem mais baixa testada (32 amostras/ciclo), onde o baseline baseado apenas em dados apresentou dificuldades.

Significância e Alegações
O artigo afirma que este trabalho preenche a lacuna entre a modelagem baseada em física e a baseada em dados para IBRs. Ao aproveitar medições de forma de onda do lado da rede existentes, porém subutilizadas, a estrutura PIML proposta permite a modelagem precisa de dinâmicas rápidas subcíclicas de IBR com substancialmente menos eventos de distúrbio. Isso é particularmente significativo para aplicações práticas onde a coleta de grandes conjuntos de dados rotulados é inviável. A capacidade de identificar conjuntamente os parâmetros de circuito aumenta ainda mais a utilidade da estrutura em cenários do mundo real, onde os parâmetros de linha podem ser incertos. Os autores concluem que esta abordagem oferece um caminho eficiente em termos de dados para a modelagem de dinâmicas de sincro-formas de onda, com trabalhos futuros planejados para abordar topologias de rede mais complexas, ruído e condições desequilibradas.