On Approximating the Dynamic Response of Synchronous Generators via Operator Learning: A Step Towards Building Deep Operator-based Power Grid Simulators

Ce document propose un cadre de réseau d'opérateurs profonds (DeepONet), amélioré par l'apprentissage résiduel et une stratégie d'agrégation de données, pour approximer et simuler avec précision la réponse transitoire dynamique des génératrices synchrones en vue de leur intégration dans des simulateurs de réseaux électriques.

L'essentiel

Imaginez le réseau électrique comme un orchestre massif et complexe. Dans cet orchestre, les génératrices synchrones (les grosses machines qui tournent pour créer de l'électricité) sont les chefs d'orchestre. Pour que la musique continue de jouer de manière fluide, surtout lorsqu'un « bruit » ou une perturbation soudaine survient (comme une tempête ou une ligne rompue), les ingénieurs doivent prédire exactement comment ces musiciens vont réagir dans les quelques secondes à venir.

Traditionnellement, prédire cette réaction revient à essayer de calculer la trajectoire de chaque particule d'un ouragan à l'aide d'un supercalculateur. C'est incroyablement précis, mais cela prend tellement de temps et de puissance de calcul que c'est souvent trop lent pour une prise de décision en temps réel.

Ce document propose une nouvelle façon de faire cette prédiction en utilisant un type d'intelligence artificielle appelé Apprentissage d'Opérateur Profond (DeepONet). Voici comment l'approche des auteurs fonctionne, décomposée en concepts simples :

1. Le « Prédicteur Intelligent » (DeepONet)

Au lieu d'essayer de résoudre les équations physiques complexes à partir de zéro à chaque fois, les auteurs ont entraîné une IA spéciale pour agir comme un lecteur de partitions musicales.

• L'ancienne méthode : Si vous demandez à l'IA : « Que se passe-t-il ensuite ? », elle doit généralement voir l'intégralité de la partition future pour deviner la note suivante. Cela ne fonctionne pas bien pour la prédiction en temps réel car vous ne connaissez pas encore le futur.
• La nouvelle méthode : Les auteurs ont construit un prédicteur « local ». Imaginez un musicien qui n'a besoin d'entendre que les dernières notes et le rythme actuel pour prédire parfaitement les prochaines secondes de la mélodie. Cette IA observe l'état actuel de la génératrice et les signaux électriques immédiats qu'elle reçoit, puis prédit l'état futur sur une courte fenêtre de temps. Elle n'a pas besoin de tout le futur ; elle a juste besoin du « présent » et d'un peu de « ce qui vient de se passer ».

2. L'« Étape Récursive » (La réaction en chaîne)

Puisque l'IA ne prédit qu'une courte fenêtre de temps (comme 5 secondes), comment prédire une heure entière ?

• L'analogie : Pensez à traverser une rivière en sautant de pierre en pierre. L'IA prédit la pierre suivante (les 5 prochaines secondes). Une fois qu'elle a atterri sur cette nouvelle position, elle traite ce nouvel endroit comme le point de départ et prédit les 5 secondes suivantes. Elle continue ainsi, en sautant vers l'avant, pour simuler un long voyage.
• L'innovation : Les auteurs ont conçu un système qui effectue ce saut de manière automatique et efficace, garantissant que les « étapes » restent précises sans que les erreurs ne s'accumulent et ne fassent tomber la simulation dans l'eau.

3. Le « Coach Hybride » (Residual DeepONet)

Parfois, nous disposons déjà d'un manuel rudimentaire ou d'un modèle de manuel simplifié expliquant comment la génératrice fonctionne, mais il n'est pas parfait.

• L'analogie : Imaginez que vous apprenez à faire du vélo. Vous avez un manuel (le modèle mathématique) qui vous explique comment garder l'équilibre, mais il est un peu obsolète. Au lieu d'ignorer le manuel, vous engagez un coach (l'IA) dont le seul travail est de dire ce que le manuel a mal compris.
• Comment ça marche : Le système exécute d'abord le manuel rudimentaire. Ensuite, l'IA calcule l'« erreur » (le résidu) entre ce que le manuel prédisait qu'il se passerait et ce qui s'est réellement passé. La prédiction finale est le pari du Manuel plus la correction de l'IA. Cela permet au système d'utiliser les connaissances d'ingénierie existantes tout en apprenant les détails complexes du monde réel à partir des données.

4. La « Séance d'Entraînement » (Algorithme DAgger)

Un problème courant avec l'IA est qu'elle est entraînée sur un ensemble spécifique d'exemples, mais lorsqu'elle est confrontée au monde réel, elle rencontre des situations qu'elle n'a jamais vues. Cela provoque des erreurs, qui entraînent d'autres erreurs, et finit par causer son échec.

• L'analogie : Imaginez un élève pilote qui n'a pratiqué que par temps clair. S'il est soudainement envoyé dans une tempête, il pourrait paniquer.
• La solution : Les auteurs ont utilisé une stratégie appelée DAgger (Data Aggregation). C'est comme un simulateur de vol qui dit : « D'accord, tu as piloté l'avion et tu t'es retrouvé dans un endroit étrange que tu n'avais pas prévu. Prenons cet endroit étrange, simulons ce qui aurait dû se passer là, et ajoutons cela à ton manuel d'entraînement. »
• L'IA lance une simulation, voit où elle dévie de sa trajectoire, collecte ces nouvelles « données de dérive », et se réentraîne sur celles-ci. Elle répète cette boucle, s'enseignant ainsi elle-même comment gérer les situations spécifiques qu'elle est la plus susceptible de rencontrer dans le monde réel.

Les Résultats

Les auteurs ont testé cela sur un modèle de génératrice connectée à un « bus infini » (une représentation simplifiée d'un réseau électrique massif).

• Précision : Leurs modèles d'IA ont été capables de prédire le comportement de la génératrice avec une précision extrêmement élevée (souvent moins de 1 % d'erreur), même lorsque le réseau subissait des défauts ou des perturbations soudaines.
• Vitesse et Efficacité : En utilisant l'approche du « Coach Hybride », ils ont obtenu des résultats encore meilleurs avec moins de données. En utilisant l'approche de la « Séance d'Entraînement » (DAgger), ils ont assuré que l'IA ne serait pas confuse face à des scénarios nouveaux et complexes.

En résumé : Le document présente une nouvelle façon, plus intelligente, de simuler les génératrices de puissance. Au lieu de forcer le calcul de mathématiques complexes, ils ont construit une IA capable d'apprendre à « lire la musique » du réseau, de corriger ses propres erreurs grâce aux connaissances physiques existantes, et de s'entraîner sur les scénarios spécifiques qu'elle est la plus susceptible de rencontrer, ce qui en fait un outil puissant pour construire des simulateurs de réseaux électriques plus rapides et plus fiables.

Résumé technique

Résumé Technique : Approximation de la réponse dynamique des générateurs synchrones via l'apprentissage d'opérateurs

Énoncé du Problème
L'article traite des défis computationnels associés à la simulation de la réponse dynamique des générateurs synchrones (GS) au sein des réseaux électriques. Les schémas de simulation numérique traditionnels, tels que les approches à solution partitionnée ou l'intégration implicite, imposent souvent des coûts de calcul élevés, particulièrement lorsqu'un grand nombre de simulations directes est requis pour des tâches de contrôle et d'optimisation dans les futurs réseaux intelligents. Bien que l'apprentissage profond offre des alternatives potentielles, les méthodes existantes peinent souvent à se généraliser à des conditions de fonctionnement non vues, nécessitent de grands ensembles de données pour éviter le surapprentissage, et ne parviennent pas à rendre compte de la nature de dimension infinie des opérateurs de solution qui régissent ces systèmes dynamiques. De plus, les modèles purement fondés sur les données peuvent manquer de la cohérence physique fournie par des décennies de modélisation mathématique établie dans la communauté des systèmes de puissance.

Méthodologie
Les auteurs proposent un cadre d'apprentissage d'opérateurs basé sur les réseaux d'opérateurs profonds (DeepONet) pour approximer l'opérateur de solution des GS interagissant avec un réseau électrique ou un simulateur numérique. La méthodologie est structurée en trois composantes principales :

1. DeepONet piloté par les données : Les auteurs conçoivent un DeepONet pour approximer l'opérateur de solution locale d'un GS sur un intervalle de temps arbitraire $[t_n, t_n + h_n]$. Contrairement aux applications précédentes de DeepONet qui nécessitent la trajectoire entière comme entrée, ce cadre accepte l'état actuel $x(t_n)$, une séquence discrétisée de variables d'interaction (par exemple, les courants statoriques et les tensions de borne) $\tilde{y}_m^n$, et un pas de temps de prédiction flexible $h_n$. Le réseau se compose d'un Réseau Branche (traitant l'état et les variables d'interaction) et d'un Réseau Tronc (traitant le pas de temps), produisant l'état futur via une combinaison linéaire de coefficients entraînables et de fonctions de base. Cette approximation locale est ensuite employée de manière récursive pour simuler la réponse du générateur sur un horizon à long terme.

2. DeepONet résiduel : Pour incorporer les connaissances mathématiques existantes, les auteurs proposent un schéma d'apprentissage résiduel. Au lieu d'apprendre l'opérateur de solution complet, le réseau apprend le « résidu » ou la correction d'erreur entre l'opérateur de solution réel et un opérateur approximatif dérivé d'un modèle mathématique connu (par exemple, une équation différentielle-algébrique simplifiée ou un réseau de neurones informé par la physique). La prédiction finale est la somme de la sortie du modèle approximatif et de la correction du DeepONet résiduel. L'article fournit une estimation théorique de l'erreur cumulative pour ce schéma, attribuant l'accumulation d'erreurs à la fois à l'approximation des entrées et aux erreurs d'approximation du réseau de neurones.

3. Stratégie d'agrégation de données (DAgger) : Pour atténuer la dérive de distribution et l'accumulation d'erreurs lorsque le DeepONet interagit avec un simulateur, les auteurs introduisent un algorithme DAgger. Cette stratégie itérative entraîne le DeepONet sur un ensemble de données initial, puis utilise le modèle entraîné pour effectuer des simulations et collecter de nouvelles données d'entrée qu'il est susceptible de rencontrer lors de l'interaction. Ces nouvelles données sont étiquetées à l'aide de l'opérateur de solution réel et agrégées avec l'ensemble de données d'entraînement original pour un affinement. Ce processus est répété pour garantir que le modèle se généralise à la distribution spécifique des états qu'il rencontrera lors de simulations interactives.

Contributions Clés

• Apprentissage d'opérateurs pour les réseaux électriques : L'article présente la première application de DeepONet pour approximer l'opérateur de solution de composants dynamiques de réseaux électriques, traitant spécifiquement la nature de dimension infinie du problème et le besoin de prédictions récursives à plusieurs étapes.
• Schéma numérique récursif : Un nouveau schéma numérique est développé qui utilise de manière récursive le DeepONet entraîné pour simuler les réponses des générateurs sur des horizons de temps courts à moyens avec des pas de temps arbitraires.
• Modélisation hybride : L'introduction d'un cadre de DeepONet résiduel qui combine efficacement l'apprentissage fondé sur les données avec des modèles mathématiques établis, permettant au système de tirer parti des connaissances physiques préalables tout en corrigeant les inexactitudes du modèle.
• Analyse d'erreur : Des bornes théoriques sont dérivées pour le schéma d'erreur cumulative du DeepONet résiduel, distinguant les erreurs provenant de la discrétisation des entrées et de l'approximation par le réseau de neurones.
• DAgger pour la simulation interactive : Un algorithme d'agrégation de données est proposé pour affiner les DeepONets en utilisant des données d'entraînement agrégées, spécifiquement conçu pour réduire la propagation des erreurs lorsque le modèle interagit avec d'autres composants du réseau dans un simulateur.

Résultats Expérimentaux
Les cadres proposés ont été validés à l'aide d'un modèle de générateur à deux axes interagissant avec un jeu infini, simulé via le Power Systems Toolbox (PST).

• Entraînement supervisé : Dans les expériences d'entraînement supervisé, le DeepONet résiduel a surpassé à la fois le DeepONet purement fondé sur les données et un réseau de neurones entièrement connecté (FNN) standard. Le DeepONet résiduel a obtenu des erreurs relatives L2 moyennes systématiquement inférieures à 1 % pour les états du générateur et les entrées du réseau, tandis que le FNN présentait une accumulation d'erreurs significative (erreurs moyennes allant jusqu'à 37,8 %). Le DeepONet fondé sur les données maintenait des erreurs inférieures à 5 %.
• Analyse de sensibilité : L'étude a démontré qu'augmenter le nombre d'échantillons d'entraînement réduisait l'accumulation d'erreurs pour les deux cadres, le DeepONet résiduel montrant systématiquement une meilleure généralisation et une accumulation d'erreurs plus faible, quelle que soit la taille du jeu de données.
• Performance de DAgger : Lorsqu'il a été entraîné avec des données limitées (100 échantillons) et affiné à l'aide de l'algorithme DAgger, le DeepONet résiduel a réussi à se généraliser à des trajectoires de perturbations non vues. L'erreur relative L2 moyenne pour tous les états et les entrées du réseau est restée inférieure à 0,01 %, indiquant que la stratégie DAgager a efficacement atténué la dérive de distribution et la propagation des erreurs.

Signification et Revendications
L'article affirme que le cadre DeepONet proposé offre une voie viable vers la construction de simulateurs de réseaux électriques et de jumeaux numériques basés sur des opérateurs profonds. En approximant l'opérateur de solution plutôt que simplement l'état suivant, le cadre permet une flexibilité du pas de temps et une interaction avec les simulateurs de réseau. Les auteurs soulignent que l'approche résiduelle permet l'intégration de décennies d'expertise en modélisation de systèmes de puissance, améliorant la généralisation même avec des données limitées. De plus, la stratégie DAgger répond à un défi critique du déploiement de l'apprentissage automatique dans des environnements interactifs : l'accumulation d'erreurs dues à la dérive de distribution. Les auteurs positionnent ce travail comme une étape vers des simulateurs composables et à grande échelle, capables d'optimiser et de contrôler les futurs réseaux intelligents à forte pénétration des énergies renouvelables, tout en notant que les travaux futurs se concentreront sur le calibrage en ligne, l'apprentissage fédéré respectueux de la vie privée et l'extension à de grands réseaux.