[논문 리뷰] Verification and Validation of Physics-Informed Surrogate Component Models for Dynamic Power-System Simulation

Petros Ellinas, Indrajit Chaudhuri외 2명|arXiv (Cornell University)|2026. 03. 18.

Model Reduction and Neural Networks인용 수 0

한 줄 요약

논문은 미분대수 시스템 다이내믹 시뮬레이터에 내재된 물리정보 기반 대체 부품 모델의 시뮬레이터 수준 검증 및 검증 프레임워크를 수립하고, 인터페이스 오차를 시스템 민감도와 연결하는 유한- horizon 경계(bound)를 도출하며, synchronouse-machine 모델에 대한 물리정보 기반 신경망 대체 모델로 이를 시연한다.

ABSTRACT

Physics-informed machine learning surrogates are increasingly explored to accelerate dynamic simulation of generators, converters, and other power grid components. The key question, however, is not only whether a surrogate matches a stand-alone component model on average, but whether it remains accurate after insertion into a differential-algebraic simulator, where the surrogate outputs enter the algebraic equations coupling the component to the rest of the system. This paper formulates that in-simulator use as a verification and validation (V\&V) problem. A finite-horizon bound is derived that links allowable component-output error to algebraic-coupling sensitivity, dynamic error amplification, and the simulation horizon. Two complementary settings are then studied: model-based verification against a reference component solver, and data-based validation through conformal calibration of the component-output variables exchanged with the simulator. The framework is general, but the case study focuses on physics-informed neural-network surrogates of second-, fourth-, and sixth-order synchronous-machine models. Results show that good stand-alone surrogate accuracy does not by itself guarantee accurate in-simulator behavior, that the largest discrepancies concentrate in stressed operating regions, and that small equation residuals do not necessarily imply small state-trajectory errors.

연구 동기 및 목표

• 동적 구성요소를 대체물로 교체할 때 DAE 기반 전력계 시뮬레이터 내부에서 시뮬레이터 수준의 정확성에 대한 필요성을 제시한다.
• 대수-결합 민감도와 동적 오차 증폭과 연계된 허용 가능한 구성요소-출력 오차를 인증하기 위한 유한-수평 경계를 도출한다.
• 구분 가능한 최악의 경우 탐색과 적합한 보정(conformal calibration)을 결합한 검증 및 검증 방법론을 제공한다.
• 2차, 4차, 6차 동기발전기 모델의 물리정보 기반 신경망 대체물에 프레임워크를 시연한다.

제안 방법

• 대체물을 미분-대수 전력계 모델에 삽입하고 시뮬레이터와 교환되는 인터페이스 변수들을 정의한다.
• 대수 맵의 Lipschitz 상수와 동적 시스템의 리스크를 이용해 인터페이스-오차 경계로부터 시뮬레이터 수준의 오류를 인증하는 유한-수평 경계를 도출한다.
• 모델 기반 검증을 위한 미분가능한 최악의 경우 탐색(gradient-based)과 데이터 기반 인터페이스 변수 검증을 위한 conformal calibration을 사용한다.
• 프레임워크를 SM2, SM4, SM6 동기발전기 모델의 PIML 대체물에 적용하고 가장 큰 오차가 발생하는 위치를 분석한다.

실험 결과

연구 질문

• RQ1 인터페이스 변수에 대한 경계가 주어졌을 때 대체물 구성요소 모델이 시뮬레이터 내부 사용에 대해 충분히 정확한가?
• RQ2 대수 커플링 민감도와 동적 증폭이 대체물의 시뮬레이터 수준 오차에 어떤 영향을 미치는가?
• RQ3 검증(model-based)과 검증(data-based)을 함께 사용하여 DAE 전력계 시뮬레이터에서 대체물의 배치를 인증할 수 있는가?
• RQ4 스트레스 작동 영역과 서로 다른 기계 차수 모델에서 물리정보 기반 대체물의 실패 모드는 무엇인가?

주요 결과

• 허용 가능한 구성요소-출력 오차를 커플링 민감도, 동적 증폭 및 horizon과 연결하는 유한-수평 수용 경계가 도출된다.
• 독립적으로 좋은 대체물 정확도가 시뮬레이션에서의 정확한 동작을 보장하지 않는다.
• 가장 큰 차이는 스트레스 작동 영역과 작동 영역 경계 근처에 집중된다.
• 잔차 방정식의 만족 여부가 시뮬레이션에서의 상태 궤적 오차를 항상 작게 만든다는 보장은 없다.
• 적합한 conformal calibration을 이용한 인터페이스 변수 검증은 시뮬레이터 관련 오류를 한정하고 Theorem 1과 연계될 수 있다.