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

Résumé technique : Apprentissage de la physique informée pour une efficacité de données dans la modélisation de la dynamique des formes d'onde synchro des ressources à base d'onduleurs intégrées au réseau

Énoncé du problème
La pénétration croissante des ressources à base d'onduleurs (IBR - Inverter-Based Resources) transforme les réseaux électriques, passant de générateurs synchrones à une génération basée sur l'électronique de puissance. Contrairement aux générateurs traditionnels, les IBR présentent des dynamiques transitoires rapides, pilotées par le contrôle, lors de perturbations du réseau, incluant souvent des transitoires sub-cycliques significatifs. Ces dynamiques sont difficiles à capturer à l'aide des mesures classiques de phase et de SCADA. Bien que les unités de mesure de formes d'onde (WMU - Waveform Measurement Units) fournissent des échantillons de tension et de courant bruts haute résolution et synchronisés dans le temps, l'apprentissage de modèles transitoires précis à partir de ces données reste un défi. Les modèles purement physiques peuvent être coûteux en calcul à des échelles de temps sub-cycliques, tandis que les modèles purement fondés sur les données nécessitent de grands volumes de données de perturbations étiquetées, qui sont rares en raison de la faible fréquence des perturbations du réseau.

Méthodologie
Les auteurs proposent un cadre d'apprentissage automatique informé par la physique (PIML - Physics-Informed Machine Learning) pour estimer les réponses de courant terminales des IBR à l'aide d'un nombre limité de signatures de perturbations. L'approche exploite des mesures de formes d'onde synchronisées dans le temps à deux emplacements : le terminal de l'IBR (mesurant la tension $v_1(t)$ et le courant $i_1(t)$) et le côté réseau de la ligne de connexion (mesurant la tension $v_2(t)$).

Au lieu de modéliser les formes d'onde brutes, la méthode opère sur les formes d'onde différentielles du premier ordre ($\Delta x(t)$), qui isolent les signatures de perturbation transitoires des états stationnaires pré-perturbation. Le cœur de la méthodologie consiste à apprendre une fonction non linéaire inconnue $f(\cdot)$ qui fait correspondre la tension différentielle terminale au courant différentiel terminal ($\Delta i_1 = f(\Delta v_1)$).

Le cadre intègre les lois physiques en imposant la relation de circuit du côté réseau :
$$\Delta v_2(t) = \Delta v_1(t) - R \Delta i_1(t) - L \frac{d\Delta i_1}{dt}$$
où $R$ et $L$ représentent la résistance et l'inductance de la ligne. Le processus d'apprentissage est formulé comme la minimisation d'une fonction de perte combinant :

1. Une perte fondée sur les données : l'erreur quadratique moyenne (MSE) entre les courants différentiels prédits et observés.
2. Une perte informée par la physique : un terme de régularisation qui pénalise les écarts par rapport à l'équation du circuit (2).

Le document traite deux scénarios spécifiques :

• Paramètres connus : $R$ et $L$ sont supposés connus. Le modèle utilise deux réseaux de neurones : l'un pour prédire la réponse de courant et un second pour imposer la contrainte de l'équation du circuit.
• Paramètres inconnus : $R$ et $L$ sont traités comme des scalaires apprenables (contraints à être non négatifs via une activation softplus). Le cadre apprend conjointement la carte de la dynamique transitoire $f(\cdot)$ et les paramètres du circuit ($R$ et $L$) via une optimisation par descente de gradient.

Contributions clés

1. Nouveau cadre PIML : Le document introduit la première application du PIML à l'analyse des formes d'onde synchro pour les IBR. Il intègre les mesures de formes d'onde du côté réseau et les équations de circuit pour contraindre le processus d'apprentissage.
2. Efficacité des données : La méthode proposée réduit considérablement la quantité de données de perturbation étiquetées nécessaires pour obtenir des modèles précis par rapport aux bases de référence purement fondées sur les données.
3. Estimation conjointe des paramètres : Le cadre permet l'estimation simultanée des paramètres de ligne inconnus ($R, L$) parallèlement à la dynamique transitoire de l'IBR, répondant ainsi à une limitation pratique où les paramètres de ligne peuvent être incertains.
4. Robustesse face aux taux d'échantillonnage : La méthode est validée à travers plusieurs taux d'échantillonnage (32, 64 et 128 échantillons par cycle de 60 Hz), démontrant des performances cohérentes même à des résolutions plus faibles.

Résultats expérimentaux
Les auteurs ont évalué l'approche à l'aide d'un ensemble de données de 80 événements de perturbation, faisant varier le nombre d'événements d'entraînement de 3 à 50.

• Performance avec des paramètres connus : Pour tous les taux d'échantillonnage, le modèle PIML a obtenu une MSE de test systématiquement plus faible que la base de référence uniquement basée sur les données. Par exemple, à un taux d'échantillonnage de 128 échantillons/cycle avec seulement 3 événements d'entraînement, le modèle PIML a réduit l'erreur d'environ 58 % par rapport au modèle fondé uniquement sur les données.
• Gains d'efficacité des données : Pour atteindre des niveaux d'erreur comparables, l'approche informée par la physique a nécessité environ 7 à 9 fois moins d'événements d'entraînement que le modèle fondé sur les données lorsque les paramètres étaient connus. Lorsque les paramètres étaient inconnus, le gain d'efficacité était plus faible (environ 2,3x à 5,7x) mais restait significatif.
• Identification des paramètres : Dans le cas des paramètres inconnus, le modèle a réussi à converger vers les valeurs réelles de $R$ (10 $\Omega$) et $L$ (0,2 mH) pendant l'entraînement, comme l'illustrent les graphiques de convergence.
• Faibles taux d'échantillonnage : Le modèle PIML a maintenu des performances robustes et des taux d'erreur plus faibles même au taux d'échantillonnage le plus bas testé (32 échantillons/cycle), là où la base de référence uniquement fondée sur les données a éprouvé des difficultés.

Signification et affirmations
Le document affirme que ce travail comble le fossé entre la modélisation basée sur la physique et la modélisation fondée sur les données pour les IBR. En exploitant les mesures de formes d'onde du côté réseau existantes mais sous-utilisées, le cadre PIML proposé permet une modélisation précise des dynamiques transitoires sub-cycliques rapides des IBR avec nettement moins d'événements de perturbation. Cela est particulièrement significatif pour les applications pratiques où la collecte de grands ensembles de données étiquetées est irréalisable. La capacité d'identifier conjointement les paramètres de circuit renforce davantage l'utilité du cadre dans des contextes réels où les paramètres de ligne sont incertains. Les auteurs concluent que cette approche offre une voie efficace en termes de données pour la modélisation de la dynamique des formes d'onde synchro, des travaux futurs étant prévus pour traiter des topologies de réseau plus complexes, le bruit et les conditions de déséquilibre.