⚡ electrical engineering

Quantification and Regulation of Energy Reserves for Distributed Frequency and Voltage Control of Grid-Forming Inverters

Cet article propose un cadre de quantification des réserves d'énergie pour les onduleurs formant le réseau et un contrôleur DAPI modifié afin d'améliorer la régulation de la fréquence et de la tension ainsi que le partage de puissance dans les microgrids, tout en établissant des liens entre les niveaux de contrôle secondaire et tertiaire.

Auteurs originaux : Ahmed Saad Al-Karsani, Maryam Khanbaghi

Publié 2026-04-17

📖 4 min de lecture☕ Lecture pause café

CC BY 4.0

Auteurs originaux : Ahmed Saad Al-Karsani, Maryam Khanbaghi

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

🌍 Le Contexte : Un Réseau Électrique en Évolution

Imaginez le réseau électrique traditionnel comme un géant solitaire (une grande centrale nucléaire ou à charbon) qui envoie de l'électricité vers des milliers de maisons. C'est simple, mais rigide.

Aujourd'hui, avec le solaire et l'éolien, nous avons des Micro-réseaux (de petits réseaux locaux autonomes). C'est comme passer d'un seul géant à une ville de petits artisans (des panneaux solaires sur les toits, des batteries de voitures électriques, etc.). Ces artisans peuvent travailler ensemble, mais ils sont plus fragiles et réagissent vite aux changements.

⚡ Le Problème : Le "Vol" d'Énergie Involontaire

Dans ces petits réseaux, pour maintenir la fréquence (le rythme de l'électricité) et la tension (la pression de l'électricité) stables, les batteries (BESS) doivent constamment ajuster leur puissance.

Le papier décrit un problème invisible : le déséquilibre involontaire.

L'analogie du porteur de charges :
Imaginez trois porteurs (les batteries) qui doivent transporter une charge lourde ensemble. Ils s'organisent pour partager le poids. Mais à cause de la forme du chemin (le réseau électrique) et de la façon dont ils marchent, l'un d'eux se fatigue beaucoup plus que les deux autres, même s'ils ont la même force au départ.

Dans le monde réel, cela signifie qu'une batterie se vide trop vite pendant que les autres sont encore pleines. C'est comme si l'un des porteurs avait "volé" de l'énergie aux autres sans le vouloir. À long terme, cette batterie vide ne pourra plus aider le réseau en cas de besoin urgent.

💡 La Solution : Une "Caisse Commune" Intelligente

Les auteurs proposent une nouvelle méthode pour gérer ces batteries. Ils ne veulent plus seulement partager la puissance (qui donne combien d'électricité à l'instant T), mais aussi l'énergie (la fatigue accumulée).

Ils introduisent deux concepts clés :

La "Réserve d'Énergie" (Energy Reserves) :
Au lieu de juste regarder combien de batterie il reste (le niveau d'essence), ils calculent combien de "travail" chaque batterie a déjà fait ou a encore à faire. C'est comme si chaque porteur avait un carnet où il note sa fatigue.
Le "Consensus" (L'accord entre voisins) :
Les batteries communiquent entre elles (comme des voisins qui se parlent par la fenêtre). Elles utilisent un algorithme spécial (appelé DAPI) pour se dire : "Hé, toi tu as trop travaillé, je vais prendre un peu plus de charge pour que tu puisses te reposer."

L'analogie du jeu de plateau :
Imaginez un jeu où chaque joueur doit garder son plateau de jeu à la même hauteur. Si un joueur baisse son plateau, les autres doivent ajuster. Dans l'ancien système, certains joueurs finissaient avec le plateau tout en bas (batterie vide) et d'autres tout en haut (batterie pleine).

Avec la nouvelle méthode, les joueurs se parlent en permanence. Si l'un commence à descendre trop vite, les autres ajustent leur stratégie pour que tout le monde descende à la même vitesse. Ainsi, personne ne s'épuise avant les autres.

🛠️ Comment ça marche concrètement ?

Les chercheurs ont créé un "contrôleur" (un cerveau numérique) qui fait deux choses :

Il surveille la fréquence et la tension (comme un chef d'orchestre qui garde le tempo).
Il ajoute une règle de justice : il s'assure que la "fatigue" (l'énergie utilisée) est répartie équitablement entre toutes les batteries, même si elles ne sont pas toutes identiques.

Ils ont testé cela sur un simulateur informatique très précis (comme un simulateur de vol pour les pilotes) et même avec de vrais petits ordinateurs connectés (Arduino) pour voir si ça marchait dans la réalité.

🏆 Le Résultat

Grâce à cette méthode :

Stabilité : Le réseau reste stable (pas de coupures).
Équité : Aucune batterie ne s'épuise prématurément. Elles vieillissent toutes en même temps.
Résilience : Le réseau est prêt à affronter des pannes ou des pics de consommation, car toutes les batteries ont encore de l'énergie en réserve.

En résumé

Ce papier propose de transformer la gestion des batteries d'un système où chacun se débrouille seul (ce qui crée des inégalités) vers un système où l'équipe se coordonne pour partager équitablement l'effort. C'est comme passer d'une course individuelle où le plus fort gagne, à un relais où l'équipe gagne ensemble en s'assurant que personne ne s'épuise avant la ligne d'arrivée.

1. Problématique

L'intégration croissante des Sources d'Énergie Renouvelable (RES) et des Ressources Énergétiques Distribuées (DER) transforme les réseaux électriques en systèmes distribués composés de Microgrids (MG) et de Réseaux de Microgrids (NMG). Ces systèmes reposent souvent sur des onduleurs de type « Grid-Forming » (GFM) basés sur des systèmes de stockage d'énergie par batterie (BESS).

Le défi principal identifié par les auteurs réside dans la gestion hiérarchique de ces systèmes :

Contrôle primaire et secondaire : Les stratégies de contrôle distribuées actuelles (comme le contrôle DAPI - Distributed-Averaging Proportional-Integral) assurent le partage de la puissance et la régulation de la fréquence/tension. Cependant, elles entraînent souvent des échanges d'énergie involontaires (inadvertent energy exchanges) entre les onduleurs en raison des variations de charge et de la topologie du réseau.
Conséquences : Ces échanges déséquilibrés entraînent une décharge ou une charge inégale des batteries, érodant leurs réserves d'énergie sans compensation immédiate.
Lacune de la littérature : Bien que des travaux existent sur l'équilibrage de l'état de charge (SoC), peu d'études relient ce processus à la gestion des réserves énergétiques au niveau tertiaire (gestion des ressources et adéquation locale). Il manque un cadre pour quantifier et réguler ces réserves d'énergie en temps réel pour garantir une équité à long terme entre les onduleurs.

2. Méthodologie

Les auteurs proposent un cadre de contrôle hiérarchique intégrant la quantification et la régulation des réserves d'énergie.

A. Modélisation

Utilisation d'un modèle moyen (average-based model) pour les onduleurs GFM basés sur des BESS, incluant des contrôleurs de courant et de tension internes.
Prise en compte de deux types de contrôleurs primaires : le contrôle par droop classique et le contrôle par Machine Synchrone Virtuelle (VSM).
Le système est testé sur un microgrid topologiquement basé sur le réseau de distribution IEEE 13 bus.

B. Formulation des Réserves d'Énergie

Les auteurs redéfinissent les réserves d'énergie comme la capacité inutilisée par rapport à un point de consigne, en tenant compte des échanges involontaires :

Énergie active ( $E_i$ ) : Définie comme la capacité totale moins l'intégrale du déséquilibre de puissance active ( $\Delta P$ ) par rapport à la consigne.
Énergie réactive ( $F_i$ ) : Définie de manière similaire pour la puissance réactive, liée à la marge de capacité réactive (headroom) plutôt qu'au SoC direct.
L'objectif est de compenser ces déséquilibres avant qu'ils ne nécessitent une intervention lourde au niveau tertiaire.

C. Stratégie de Contrôle : DAPI Modifié

Pour réguler ces réserves, les auteurs proposent une modification du contrôleur DAPI existant :

Ajout de termes de consensus : Des termes supplémentaires sont intégrés dans les dynamiques de fréquence et de tension.
- Pour la fréquence : Un terme de consensus basé sur la différence de déséquilibre d'énergie active ( $\Delta E$ ) entre les onduleurs.
- Pour la tension : Un terme de consensus basé sur la différence de déséquilibre d'énergie réactive ( $\Delta F$ ).
Fonctionnement : Ces termes forcent les onduleurs à converger vers un état où leurs réserves d'énergie de régulation sont égales, assurant ainsi un partage équitable de l'effort de régulation (partage de l'énergie déchargée/chargée).

D. Analyse de Stabilité

Une analyse de stabilité en petit signal (modal) est réalisée pour le système composite (incluant les dynamiques de fréquence, tension et énergie).

En utilisant la décomposition de l'espace d'état en termes d'accord (agreement) et de désaccord (disagreement), les auteurs démontrent que le système est stable sous certaines conditions (gains de consensus et constantes de temps appropriées) en utilisant le critère de Routh-Hurwitz.

3. Contributions Clés

Cadre de quantification des réserves : Proposition d'une méthode pour quantifier les réserves d'énergie actives et réatives en temps réel pour les onduleurs GFM, reliant directement le contrôle secondaire aux besoins de réserve tertiaire.
Algorithme de contrôle distribué : Développement d'un contrôleur DAPI modifié avec consensus d'énergie de régulation, permettant de partager équitablement l'énergie consommée pour la régulation de fréquence et de tension.
Validation expérimentale et simulation :
- Simulation complète dans MATLAB/Simulink sur un réseau IEEE 13 bus.
- Validation par boucle matérielle (CHIL - Controller Hardware-In-the-Loop) utilisant des microcontrôleurs Arduino et un banc d'essai OPAL-RT, confirmant la faisabilité en temps réel.

4. Résultats

Les simulations couvrent trois scénarios principaux :

Scénario 1 (Onduleurs Droop) : Avec partage d'énergie active. Le schéma proposé maintient la régulation de fréquence et le partage de puissance tout en égalisant les réserves d'énergie active, contrairement au contrôle DAPI de base qui laisse des déséquilibres persistants.
Scénario 2 (Onduleurs VSM) : Avec partage d'énergie réactive. Le schéma permet de maintenir des réserves d'énergie réactive constantes, bien qu'il existe un compromis entre la régulation de tension, le partage de puissance réactive et le consensus d'énergie. Un compromis acceptable est trouvé pour la régulation de tension.
Scénario 3 (Systèmes Hétérogènes) : Mélange d'onduleurs Droop et VSM avec des capacités différentes. Le schéma démontre sa robustesse en assurant un partage équitable de l'énergie active et réactive même avec des onduleurs de capacités et de dynamiques différentes.

Observations : Le schéma proposé réussit à éliminer les échanges d'énergie involontaires à long terme. Cependant, l'introduction d'une nouvelle boucle intégrale peut induire de légères oscillations transitoires (« hunting »), nécessitant un réglage prudent des gains de consensus.

5. Signification et Impact

Cette recherche est significative car elle comble un vide critique entre le contrôle de fréquence/tension rapide (secondaire) et la gestion des ressources énergétiques à long terme (tertiaire).

Équité et Durabilité : En garantissant que tous les onduleurs BESS partagent équitablement l'effort de régulation, la durée de vie des batteries est préservée et le risque de décharge profonde inégale est réduit.
Adéquation des Ressources : La quantification des réserves permet une meilleure planification au niveau tertiaire, assurant que le microgrid dispose toujours de la « marge » (headroom) nécessaire pour répondre aux futures perturbations.
Évolutivité : La validation sur des systèmes hétérogènes et via CHIL suggère que cette approche est prête pour une application réelle dans des réseaux de microgrids complexes, facilitant la transition vers des réseaux électriques plus décentralisés et résilients.