PowerSINDy: Identifying Nonlinear Time-Dependent Dynamics in Power Grid Frequency

Resumo Técnico: PowerSINDy para Dinâmicas de Frequência em Redes Elétricas

Enunciado do Problema
A operação estável de sistemas de energia modernos depende fortemente da caracterização precisa das dinâmicas de frequência da rede, que refletem o equilíbrio entre geração e demanda. Abordagens de modelagem tradicionais, como a equação de oscilação agregada, frequentemente dependem de suposições lineares e parâmetros físicos simplificados que são insuficientes para capturar os comportamentos complexos, não lineares e dependentes do tempo introduzidos pela alta penetração de energia renovável e por flutuações estocásticas. Embora métodos de identificação de sistemas, como a Identificação Esparsa de Dinâmicas Não Lineares (SINDy), ofereçam uma alternativa orientada por dados para descobrir equações governantes, sua aplicação a dados reais de redes elétricas permanece limitada. Estudos existentes focaram-se amplamente em dados sintéticos, deixando questões em aberto sobre o desempenho do SINDy em conjuntos de dados empíricos complexos e ruidosos, bem como sobre os trade-offs entre diferentes estratégias de regressão que promovem esparsidade.

Metodologia: A Estrutura PowerSINDy
Os autores propõem o PowerSINDy, uma estrutura adaptada para identificar dinâmicas não lineares e dependentes do tempo em dados de frequência de sistemas de energia. A metodologia envolve três etapas principais:

1. Pré-processamento e Suavização de Dados:
   Dados de frequência de alta resolução (resolução de 1 segundo) de duas redes síncronas distintas — a rede da Europa Continental (CE) (50 Hz) e a rede da Coreia do Sul (SK) (60 Hz) — foram analisados. Para isolar dinâmicas determinísticas de ruído estocástico, um filtro Gaussiano foi aplicado. O parâmetro de suavização ótimo ($\sigma$) foi determinado minimizando o Erro Quadrático Médio (RMSE) entre trajetórias simuladas pelo SINDy e os dados empíricos originais. O estudo identificou $\sigma = 60$ (uma janela de 60 segundos) como o equilíbrio ótimo entre supressão de ruído e preservação de características.

2. Construção da Biblioteca de Candidatos:
   Diferentemente das implementações padrão do SINDy que dependem exclusivamente de polinômios, o PowerSINDy expande a biblioteca de funções candidatas para representar melhor as dinâmicas de redes elétricas. A biblioteca inclui:

   • Termos polinomiais: Até ordens quadrática ($p2$) e cúbica ($p3$) para capturar acoplamentos não lineares.
   • Termos de Fourier: Funções seno e cosseno de primeira ordem ($p2f1$) para representar comportamentos oscilatórios inerentes a redes síncronas.
   • Termos dependentes do tempo: Inclusão explícita do tempo ($T$) e termos de interação envolvendo o tempo para contabilizar sinais determinísticos impulsionados por curvas de carga e programas de geração.

3. Estratégias de Regressão Esparsa:
   A estrutura avalia três estratégias de otimização distintas para resolver o problema de regressão esparsa $\dot{X} = \Theta(X)\Xi$:

   • Mínimos Quadrados com Limiar Sequencial (STLSQ): Resolve iterativamente mínimos quadrados e aplica limiar a coeficientes pequenos.
   • LASSO (Operador de Encolhimento e Seleção de Valor Absoluto Mínimo): Utiliza uma penalidade $L1$ para encolher coeficientes a zero.
   • Regressão Regularizada Relaxada Esparsa (SR3): Introduz uma variável auxiliar e um parâmetro de relaxação para separar o ajuste de dados da imposição de esparsidade, testado com normas $L0$, $L1$ e $L2$.

Principais Resultados
O estudo avaliou a estrutura em trajetórias de 15 minutos dos conjuntos de dados CE e SK, comparando precisão do modelo (RMSE estável), frações de estabilidade (porcentagem de trajetórias não divergentes) e complexidade estrutural (número de características ativas).

• Desempenho do Otimizador:

  • LASSO alcançou consistentemente o menor RMSE estável em todas as configurações. Para o conjunto de dados CE com polinômios cúbicos ($p3$), o LASSO atingiu um RMSE mínimo de 0,0101. Também produziu os modelos mais esparsos, particularmente em configurações de ordem inferior.
  • STLSQ demonstrou a maior estabilidade, com frações de estabilidade frequentemente superiores a 0,79 em configurações quadráticas ($p2$). Ofereceu o melhor equilíbrio entre precisão e confiabilidade, embora com RMSE ligeiramente superior ao do LASSO.
  • SR3 exibiu a maior variabilidade e sensibilidade a hiperparâmetros e características do conjunto de dados. Notavelmente, as normas $L0$ e $L1$ no SR3 produziram resultados quase indistinguíveis em termos de RMSE e estabilidade. O desempenho do SR3 degradou-se significativamente em configurações cúbicas ($p3$), particularmente para o conjunto de dados SK, onde as frações de estabilidade caíram abaixo de 0,52.

• Complexidade do Modelo e Escolha da Biblioteca:

  • Modelos Quadráticos ($p2$) forneceram soluções estáveis com baixo RMSE (~0,016) em ambos os conjuntos de dados.
  • Modelos Cúbicos ($p3$) melhoraram a precisão para o conjunto de dados CE (RMSE 0,0101), mas reduziram a estabilidade, levando a uma divergência mais rápida das trajetórias.
  • Modelos aumentados com Fourier ($p2f1$) ofereceram um meio-termo, mantendo desempenho robusto (RMSE ~0,016) e estabilidade em ambos os conjuntos de dados, sem a instabilidade associada a polinômios de ordem superior.
  • Análise de Características: O LASSO consistentemente impôs as representações mais parcimoniosas (aproximadamente 6 características ativas para $p2$), enquanto o SR3 tendeu a selecionar modelos mais densos (aproximadamente 14 características ativas para $p3$).

• Diferenças entre Conjuntos de Dados:
  A rede CE, caracterizada por alta inércia e interconectividade, geralmente produziu RMSE mais baixo e frações de estabilidade mais altas em comparação com a rede SK, que possui menor inércia e uma topologia mais compacta. Isso sugere que características intrínsecas dos dados influenciam a recuperabilidade do modelo mais do que a instabilidade algorítmica.

Significado e Alegações
O artigo afirma que o PowerSINDy identifica com sucesso equações governantes para dados complexos de frequência de redes elétricas do mundo real, superando limitações de modelos lineares tradicionais. O estudo demonstra que:

1. Identificação orientada por dados pode superar baselines de integração estocástica (Euler–Maruyama), alcançando valores de RMSE mais baixos (por exemplo, 0,0101 vs. 0,0282 para a baseline CE).
2. A escolha do otimizador é crítica: O LASSO é superior para precisão e esparsidade, enquanto o STLSQ é preferido para estabilidade em configurações complexas.
3. O design da biblioteca importa: A inclusão de termos de Fourier permite a representação robusta de dinâmicas oscilatórias sem os riscos de sobreajuste associados a polinômios de alta ordem.
4. Insight Físico: Os modelos identificados destacam a importância de interações não lineares específicas (por exemplo, $\theta\omega$ e $\theta\omega^2$) na captura de dinâmicas do sistema, fornecendo insights interpretáveis sobre os mecanismos que impulsionam o comportamento da frequência da rede.

Os autores concluem que, embora a estrutura mostre promessa, o trade-off entre expressividade do modelo (termos de ordem superior) e estabilidade permanece um desafio chave. Trabalhos futuros são sugeridos para explorar parâmetros variantes no tempo, formulações adaptativas para monitoramento em tempo real e a integração de prios físicos para criar modelos híbridos.