⚡ electrical engineering

A Dynamic Phasor Framework for Analysis of Subsynchronous Oscillations in Multi-Machine Systems with IBRs and Large Loads

Este artigo propõe uma estrutura de fasores dinâmicos generalizada que combina a modelagem em referencial dq para recursos baseados em inversores com a modelagem em referencial pnz para geradores síncronos e cargas para permitir análise escalável baseada em autovalores e projeto de controle para oscilações subsíncronas em sistemas multimáquinas de grande escala, incluindo aqueles com cargas de centros de dados de IA.

Autores originais: Fiaz Hossain, Nilanjan Ray Chaudhuri, Constantino M. Lagoa, Alok Sinha, ai Gopal Vennelaganti, Mohammed E. Nassar

Publicado 2026-07-03

📖 4 min de leitura☕ Leitura rápida

CC BY 4.0

Autores originais: Fiaz Hossain, Nilanjan Ray Chaudhuri, Constantino M. Lagoa, Alok Sinha, ai Gopal Vennelaganti, Mohammed E. Nassar

Artigo original sob licença CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

Imagine a rede elétrica como uma orquestra massiva e complexa. Por muito tempo, os músicos (usinas de energia tradicionais) tocavam em perfeita sincronia. Mas recentemente, novos músicos digitais (fazendas solares e eólicas usando inversores) juntaram-se à banda. Embora sejam eficientes, às vezes eles tocam em um ritmo ligeiramente diferente, fazendo com que toda a orquestra balance ou trema de uma forma perigosa chamada Oscilação Subsíncrona (SSO).

Ao mesmo tempo, um novo "superfã" entrou na sala de concertos: Centros de Dados de IA. Estes são computadores massivos que consomem eletricidade em surtos enormes e repentinos, muito parecido com uma multidão saltando de repente em uníssono. Isso pode fazer com que o ritmo da orquestra tropece e até danifique os instrumentos físicos (os eixos das turbinas) se eles vibrarem com muita força.

O Probleo: A Questão da Câmera de "Câmera Lenta"

Para estudar esses balanços e saltos, os engenheiros geralmente usam uma ferramenta chamada simulação EMT (Transiente Eletromagnético). Pense nisso como tentar filmar as asas de um beija-flor com uma câmera que tira uma foto a cada microssegundo. Ela captura cada pequeno detalhe perfeitamente, mas é tão lenta e computacionalmente pesada que você não consegue filmar uma sinfonia inteira (uma grande rede elétrica) sem que seu computador trave ou leve dias para terminar.

A Solução: A Estrutura de "Fasores Dinâmicos" (Dynamic Phasor)

Os autores deste artigo inventaram uma nova maneira de filmar a orquestra, que eles chamam de estrutura de Fasores Dinâmicos (DP).

Em vez de tirar uma foto de cada micromovimento, este novo método tira um "instantâneo inteligente". Ele observa o ritmo principal e os balanços mais importantes, ignorando as vibrações minúsculas e irrelevantes que não importam.

A Analogia: Imagine observar uma dança. O método EMT tenta rastrear cada contração muscular de cada dançarino. O método DP rastreia os passos gerais dos dançarinos e o ritmo da música.
O Benefício: Por ignorar os detalhes minúsculos, ele roda 12 vezes mais rápido que o método antigo. Isso significa que os engenheiros podem simular toda a rede elétrica (incluindo os novos centros de dados de IA e os novos músicos digitais) em minutos, em vez de dias.

Como Funciona: Falando Diferentes Línguas

A rede tem diferentes partes que "falam" línguas diferentes:

Os Inversores (Solar/Eólica): Eles falam "quadro-dq" (uma linguagem digital específica).
As Grandes Turbinas e Linhas de Transmissão: Elas falam "quadro-pnz" (uma linguagem para rotação física e ondas).

Os autores construíram um tradutor universal (a estrutura DP) que permite que esses dois grupos conversem entre si de forma contínua. Eles podem modelar:

Seguidor de Rede (GFL - Grid-Following): Inversores que apenas seguem o ritmo da rede.
Formador de Rede (GFM - Grid-Forming): Inversores que tentam liderar o ritmo.
Turbinas Multi-massa: Turbinas do mundo real que possuem eixos de metal pesado com diferentes pesos, que podem torcer e dobrar como uma longa faixa de borracha.

O Que Eles Descobriram (Os Experimentos)

Usando sua nova câmera rápida, a equipe realizou vários testes em um modelo de um grande sistema de potência (o sistema IEEE 68-bus):

Corrigindo o Balanço: Eles encontraram um "balanço" específico (um modo de SSO instável) causado pelos inversores solares/eólicos.
- Correção A: Eles construíram um "controlador de amortecimento" especial (como um amortecedor) usando um algoritmo inteligente. Este controlador acalmou rapidamente o balanço.
- Correção B: Eles substituíram um dos inversores "seguidores" por um inversor "líder" (Grid-Forming). Essa mudança fez o balanço perigoso desaparecer completamente.
O Impacto dos Centros de Dados de IA: Eles simularam centros de dados de IA aumentando e diminuindo seu uso de energia (como um cluster de computadores iniciando um treinamento massivo).
- Resultado: Essas mudanças repentinas não afetaram apenas a velocidade da rede; elas fizeram com que os eixos de metal pesado dentro das turbinas torcessem e sofressem estresse.
- O Perigo: Se o ritmo do uso de energia da IA coincidisse com a "frequência de torção" natural dos eixos das turbinas, isso poderia causar fadiga, potencialmente quebrando o eixo ao longo do tempo. A nova estrutura permitiu que eles calculassem exatamente quanto estresse essas cargas de IA colocam nas turbinas.

O Ponto Principal

Este artigo não diz apenas "temos um computador mais rápido". Ele diz: "Temos uma ferramenta rápida, precisa e flexível que nos permite entender como as novas fontes de energia digitais e os gigantes computadores de IA interagem com as usinas de energia tradicionais."

Como a ferramenta é tão rápida, os engenheiros agora podem testar cenários de "e se" (como "E se um centro de dados de IA ligar de repente?" ou "E se uma linha de transmissão quebrar?") e projetar melhores controladores para manter as luzes acesas e as turbinas intactas, tudo isso sem esperar dias para o computador terminar os cálculos.

Resumo Técnico: Um Framework de Fasores Dinâmicos para Análise de Oscilações Subsíncronas em Sistemas Multi-Máquina com IBRs e Grandes Cargas

1. Definição do Problema

A rede elétrica moderna enfrenta desafios sem precedentes relacionados à escalabilidade na análise de domínio do tempo e da frequência. Especificamente, a crescente integração de Recursos Baseados em Inversores (IBRs) de Seguimento de Rede (Grid-Following - GFL) levou ao aumento das Oscilações Subsíncronas (SSOs). Simultaneamente, a rápida expansão de cargas de Centros de Dados (DCs) de Inteligência Artificial (IA) introduz novas preocupações de confiabilidade, incluindo rampas de potência íngremes e grandes, e ciclos de treinamento sincronizados que podem induzir flutuações de alta amplitude. Essas flutuações ameaçam a vida útil por fadiga dos eixos de turbina-gerador e afetam a resposta de frequência primária.

Embora as ferramentas de simulação de Transientes Eletromagnéticos (EMT) possam modelar esses fenômenos, elas sofrem de baixa escalabilidade devido às altas demandas computacionais. Além disso, os modelos EMT são geralmente inadequados para o desenvolvimento de modelos de Tempo-Invariante Linear (LTI) necessários para análise de autovalores, identificação de causa raiz e projeto sistemático de controladores. Os frameworks de Fasores Dinâmicos (DP) existentes têm sido amplamente restritos a sistemas de máquina única ou IBR único, ou falharam em abordar adequadamente sistemas multi-máquina com IBRs sob condições desequilibradas.

2. Metodologia

Os autores propõem um framework de Fasores Dinâmicos (DP) generalizado projetado para analisar SSOs em sistemas multi-máquina contendo IBRs GFL e de Formação de Rede (Grid-Forming - GFM), geradores síncronos (SGs) de múltiplas massas e grandes cargas (especificamente DCs de IA) sob condições equilibradas e desequilibradas.

Estratégia de Modelagem Central

O framework utiliza um sistema de coordenadas híbrido para aproveitar os pontos fortes de diferentes referenciais:

IBRs (GFL e GFM): Modelados no referencial dq usando fasores dinâmicos. Isso se alinha às implementações padrão de controle vetorial. Os modelos retêm coeficientes DP para $k=0$ $k = 0$ (sequência positiva) e $k=\pm2$ $k = \pm 2$ (sequência negativa) para capturar a dinâmica desequilibrada.
- IBRs GFM: Decompostos em mecanismos de droop, loops de tensão externa, loops de tensão/corrente interna e dinâmica de filtro de saída. Estratégias de limitação de corrente (ângulo constante e prioridade de $i_q$ ) são explicitamente modeladas.
- IBRs GFL: Modelados com dinâmica de PLL (Malha de Travamento de Fase), loops de controle de potência ativa/reativa externa, loops de controle de corrente interna e a planta (filtro R-L série).
Rede e SGs: Modelados no referencial pnz (sequências positiva, negativa e zero).
- Linhas de Transmissão: Representadas usando modelos de seção $\pi$ agrupados.
- Geradores Síncronos: Modelos detalhados de turbina-gerador de múltiplas massas (incluindo turbinas HP, IP, LPA, LPB, gerador e excitatriz) são representados. A dinâmica mecânica é capturada usando o componente $k=0$ , enquanto os transientes elétricos utilizam componentes $k=0, \pm2$ .
- Cargas: Cargas de DC de IA são modeladas como demandas de potência constante com fator de potência unitário (apenas sequência positiva).
Acoplamento: Variáveis de interface (tensões e correntes terminais) são transformadas entre o referencial dq (IBRs) e o referencial pnz (rede/SGs) usando equações de transformação específicas derivadas no artigo.

Propriedades Principais

Invariância no Tempo: A formulação resulta em um sistema invariante no tempo, permitas a decomposição de autovalores.
Linearizabilidade: O modelo pode ser linearizado para identificar modos de SSO, realizar análise de causa raiz e projetar controladores de amortecimento.
Escalabilidade: Ao truncar a série de Fourier para os coeficientes dominantes, o framework suporta simulações no domínio do tempo mais rápidas do que o EMT.

3. Contribuições Principais

O artigo reivindica as seguintes contribuições específicas:

Framework Generalizado: Apresentação de um framework de modelagem baseado em DP capaz de analisar fenômenos subsíncronos em sistemas com turbinas de múltiplas massas, IBRs GFL e GFM, e dinâmica de linhas de transmissão sob condições equilibradas e desequilibradas.
Benchmarking: Demonstração da aceleração do framework em relação aos modelos EMT em um sistema multi-máquina.
Aplicação de Projeto de Controle: Aproveitamento da invariância no tempo e da linearizabilidade do framework para projetar um controlador descentralizado suplementar de baixa ordem para amortecer modos de SSO mal amortecidos em um sistema IEEE 68-bar modificado.
Análise GFM vs. GFL: Demonstração, via análise de domínio do tempo e da frequência, de que substituir um IBR GFL por um IBR GFM elimina modos específicos de SSO mal amortecidos.
Estudo de Impacto de Carga de IA: Análise do impacto das cargas de DC de IA na resposta de frequência primária e nas oscilações torcionais (tensão de cisalhamento) de eixos de turbina-gerador de múltiplas massas, fornecendo um método para avaliar riscos de vida útil por fadiga.

4. Resultados e Validação

O framework foi validado e testado usando três sistemas principais:

A. Validação contra Modelos EMT

Modelo de Referência IEEE FBM para SSR: Os autovalores e respostas no domínio do tempo do modelo DP (após uma falta trifásica para o terra) coincidiram de perto com os resultados EMT e valores da literatura.
GFM IBR com Limites de Corrente: Validado contra um modelo EMTDC/PSCAD. O modelo DP replicou com precisão as respostas a faltas Linha-Linha (L-L) de auto-extinção sob estratégias de limitação de corrente de ângulo constante e de prioridade de $i_q$ .
Sistema IEEE 4-Máquina Modificado: Um sistema com dois IBRs GFL substituindo geradores síncronos foi simulado. O modelo DP (usando linearização) e o modelo EMT (usando análise de Prony) mostraram concordância próxima na frequência de modo de SSO e razões de amortecimento para diferentes larguras de banda de PLL.
Aceleração: No sistema IEEE 4-máquina, o modelo DP alcançou um aceleração média de 2x sobre o modelo EMT. No contexto do sistema IEEE 39-bar (referenciado de trabalho anterior), observou-se uma aceleração de 10x, embora o presente artigo foque no sistema de 68 barras.

B. Amortecimento de SSO no Sistema IEEE 68-Bar Modificado

Duas soluções foram propostas para amortecer um modo de SSO mal amortecido (4,76 Hz, 0,2% de amortecimento) induzido por IBRs GFL:

Controlador Descentralizado: Um controlador de 5ª ordem projetado usando Otimização por Enxame de Partículas (PSO). Ele utiliza a magnitude da tensão terminal como feedback para modular as referências de corrente reativa. As simulações mostraram amortecimento eficaz do modo de SSO após várias interrupções de linha de transmissão e faltas desequilibradas.
Substituição por GFM: Substituir um IBR GFL por um IBR GFM da mesma potência resultou no desaparecimento completo do modo de SSO mal amortecido, conforme confirmado pela análise de autovalores.

C. Impacto de Cargas de DC de IA

Resposta de Frequência: Simulações de rampas de carga de DC de IA (transicionando entre períodos de computação e repouso) mostraram desvios significativos de frequência, acionando suporte de frequência ancilar, mas não o descarte de carga (load shedding).
Tensão do Eixo: Ao ajustar as oscilações da carga de DC de IA para coincidirem com modos torcionais (ex: ~7,83 Hz), o estudo demonstrou que as tensões no eixo poderiam atingir limites definidos pelo diagrama de Goodman modificado aumentado, potencialmente levando à perda de vida útil por fadiga.
Análise de Sensibilidade: Simulações de Monte Carlo (100 execuções) variando amplitude, frequência e fase das oscilações de carga de IA revelaram que as tensões no eixo são altamente sensíveis a pequenas variações de frequência em relação ao modo torcional.

D. Desempenho Computacional

No sistema IEEE 68-bar modificado (contendo 8 SGs de múltiplas massas, 8 SGs de massa única, 1 GFL, 1 GFM e linhas de transmissão dinâmicas):

O framework DP simulou um cenário de oscilação forçada de 20 segundos de 7 DCs de IA em um tempo médio de 2,5 minutos.
Isso estabelece a escalabilidade do framework para sistemas de grande escala onde simulações EMT seriam computacionalmente proibitivas.

5. Significância e Alegações

Os autores declaram explicitamente que não é alegada novidade em relação ao projeto do controle de amortecimento de SSO ou ao fato geral de que o controle GFM pode remediar problemas de SSO.

A principal significância deste trabalho reside em demonstrar a capacidade do framework baseado em DP para:

Capturar esses fenômenos complexos (SSOs de múltiplas máquinas, faltas desequilibradas e impactos de carga de IA) pela primeira vez em um ambiente unificado, escalável e linearizável.
Permitir a transição de simulações puramente de domínio do tempo (EMT) para análise de domínio da frequência (decomposição de autovalores) para grandes sistemas com IBRs.
Fornecer uma ferramenta prática para analisar a vida útil por fadiga de eixos de turbina-gerador sob as condições de estresse específicas induzidas pelas modernas cargas de centros de dados de IA.

O artigo conclui que o framework proposto consegue preencher a lacuna entre a precisão do EMT e a utilidade analítica dos modelos lineares, oferecendo uma solução escalável para a análise e controle das futuras redes elétricas.