⚡ electrical engineering

PowerSINDy: Identifying Nonlinear Time-Dependent Dynamics in Power Grid Frequency

Cet article présente PowerSINDy, un cadre qui identifie avec succès des dynamiques non linéaires et dépendantes du temps dans des données réelles de fréquence de réseau électrique en Europe continentale et en Corée du Sud, tout en évaluant des stratégies de régression favorisant la parcimonie pour déterminer que LASSO atteint l'erreur la plus faible et que STLSQ offre le meilleur équilibre entre précision et stabilité.

Auteurs originaux : Xinyi Wen, Xiao Li, Leonardo Rydin Gorjão, Veit Hagenmeyer, Benjamin Schäfer

Publié 2026-05-05

📖 6 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Xinyi Wen, Xiao Li, Leonardo Rydin Gorjão, Veit Hagenmeyer, Benjamin Schäfer

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

Imaginez le réseau électrique comme un orchestre géant et complexe. La « fréquence » de l'électricité (généralement 50 ou 60 battements par seconde) est le tempo du chef d'orchestre. Si le tempo reste régulier, la musique sonne parfaite. Si elle s'accélère ou ralentit, cela signifie que les musiciens (les générateurs d'électricité) et le public (les personnes utilisant l'électricité) ne sont pas parfaitement synchronisés.

Pendant longtemps, les scientifiques ont tenté de noter la « partition » (les équations mathématiques) de cet orchestre en utilisant des règles simples. Mais les réseaux électriques modernes sont désordonnés. Ils intègrent l'énergie éolienne et solaire, qui va et vient, et réagissent de manière complexe et non linéaire. Les anciennes règles simples ne capturent pas l'image complète.

Cet article présente un nouvel outil appelé PowerSINDy pour déterminer la véritable « partition » simplement en écoutant l'enregistrement de l'orchestre, sans avoir besoin de connaître à l'avance les détails de chaque instrument.

Voici comment ils ont procédé, expliqué simplement :

1. Le Défi : Un Enregistrement Bruyant

Imaginez essayer de transcrire une chanson à partir d'un enregistrement comportant des craquements, du bruit du vent et des conversations en arrière-plan. Si vous essayez de noter les notes immédiatement, vous vous tromperez.

La Solution de l'Article : Avant de tenter de trouver les règles, ils ont utilisé un « casque à réduction de bruit » (un filtre mathématique appelé filtre gaussien) pour nettoyer les données. Ils ont testé différents niveaux de nettoyage pour trouver le « point idéal » où le bruit avait disparu, mais où le rythme réel de la musique restait clair. Ils ont constaté que lisser les données sur une fenêtre de 60 secondes fonctionnait le mieux.

2. Le Travail de Détective : PowerSINDy

Une fois les données nettoyées, ils ont utilisé une méthode appelée SINDy (Identification Sparse des Dynamiques Non Linéaires).

L'Analogie : Imaginez que vous avez une immense boîte à outils remplie de toutes les formes mathématiques possibles que vous pourriez utiliser pour construire un modèle (lignes droites, courbes, vagues, carrés, cubes, etc.).
L'Objectif : Vous voulez construire un modèle qui prédit le comportement du réseau, mais vous souhaitez utiliser le moins d'outils possible. Vous ne voulez pas un modèle qui utilise 1 000 outils pour expliquer un simple balancement ; vous voulez les 3 ou 4 outils qui comptent vraiment. C'est ce qu'on appelle la « parcimonie ».
La Mise à Niveau : Les auteurs ont réalisé que les outils standards (seulement des lignes droites et des courbes simples) ne suffisaient pas pour les réseaux électriques. Ainsi, ils ont ajouté des termes de Fourier (des ondes mathématiques) à la boîte à outils. Cela leur a permis de capturer les « oscillations » et les ondulations naturelles de la fréquence du réseau que les courbes simples manquent.

3. Les Trois Juges (Optimiseurs)

Pour décider quels outils garder et lesquels jeter, ils ont utilisé trois « juges » différents (stratégies mathématiques) pour sélectionner le meilleur modèle. Ils ont testé ces juges sur des données réelles provenant de deux « orchestres » différents :

Europe Continentale (CE) : Un réseau massif et interconnecté avec une énorme inertie (comme un gigantesque volant d'inertie lourd).
Corée du Sud (SK) : Un réseau plus petit, plus compact et géré de manière centralisée.

Les trois juges étaient :

LASSO : Le « Tireur d'Élite de Précision ». Il élimine agressivement tout ce qui n'est pas absolument nécessaire.
STLSQ : La « Main Stable ». Il adopte une approche étape par étape, vérifiant et revérifiant pour s'assurer que le modèle ne s'effondre pas.
SR3 : Le « Penseur Flexible ». Il tente de trouver un équilibre entre l'ajustement parfait aux données et le maintien de la simplicité du modèle, mais il peut être un peu capricieux.

4. Les Résultats : Qui a Gagné ?

L'article a mené des milliers de tests pour déterminer quel juge produisait la « partition » la plus précise et la plus stable.

Le Vainqueur de la Précision (LASSO) : LASSO a constamment trouvé les équations les plus précises. Il a produit les taux d'erreur les plus bas, ce qui signifie que le modèle qu'il a construit correspondait mieux aux données réelles que les autres. Il était particulièrement efficace pour trouver les interactions complexes et non linéaires (comme la façon dont deux parties différentes du réseau s'influencent mutuellement).
Le Vainqueur de la Stabilité (STLSQ) : Bien que LASSO fût le plus précis, STLSQ était le plus fiable. Il produisait rarement des modèles qui « plantent » ou deviennent fous lors de la simulation du futur. Il offrait le meilleur équilibre entre précision et sécurité.
La Carte Blanche (SR3) : Ce juge était inconstant. Parfois, il s'en sortait bien, mais il était très sensible à la façon dont il était configuré. Il avait tendance à garder trop d'outils dans la boîte à outils, rendant les modèles plus complexes et plus difficiles à comprendre.

5. Qu'Ont-ils Appris ?

Plus grand n'est pas toujours mieux : Lorsqu'ils ont essayé de rendre les modèles super complexes (en utilisant des équations cubiques), les modèles sont devenus instables et ont commencé à « diverger » (sortir des rails).
Les ondes comptent : L'ajout de termes ondulatoires (Fourier) a aidé les modèles à gérer les oscillations naturelles du réseau sans rendre les mathématiques trop désordonnées.
Le « Secret » : Dans les meilleurs modèles, ils ont constaté que des interactions spécifiques entre l'angle du réseau et sa vitesse (appelées mathématiquement $\theta\omega$ et $\theta\omega^2$ ) étaient cruciales. Ce sont les règles cachées qui maintiennent le réseau stable.

La Conclusion

L'article montre qu'en nettoyant soigneusement les données et en utilisant le bon « détective » mathématique (spécifiquement LASSO pour la précision ou STLSQ pour la stabilité), nous pouvons découvrir les lois cachées et non linéaires qui régissent le comportement des réseaux électriques. Cela nous aide à mieux comprendre le réseau que ne l'ont jamais fait les anciens modèles simplifiés, en utilisant des données réelles provenant d'Europe et de Corée du Sud.

Résumé technique : PowerSINDy pour la dynamique de fréquence des réseaux électriques

Énoncé du problème
Le fonctionnement stable des réseaux électriques modernes repose fortement sur la caractérisation précise de la dynamique de fréquence du réseau, qui reflète l'équilibre entre la production et la demande. Les approches de modélisation traditionnelles, telles que l'équation de balancement agrégée, reposent souvent sur des hypothèses linéaires et des paramètres physiques simplifiés qui sont insuffisants pour capturer les comportements complexes, non linéaires et dépendants du temps introduits par une forte pénétration des énergies renouvelables et des fluctuations stochastiques. Bien que les méthodes d'identification de système comme l'identification parcimonieuse des dynamiques non linéaires (SINDy) offrent une alternative basée sur les données pour découvrir les équations gouvernantes, leur application aux données réelles des réseaux électriques reste limitée. Les études existantes se sont largement concentrées sur des données synthétiques, laissant des questions ouvertes concernant la performance de SINDy sur des ensembles de données empiriques bruyants et complexes, ainsi que les compromis entre différentes stratégies de régression favorisant la parcimonie.

Méthodologie : Le cadre PowerSINDy
Les auteurs proposent PowerSINDy, un cadre adapté pour identifier les dynamiques non linéaires et dépendantes du temps dans les données de fréquence des systèmes électriques. La méthodologie comprend trois étapes principales :

Prétraitement et lissage des données :
Des données de fréquence haute résolution (résolution de 1 seconde) provenant de deux réseaux synchrones distincts — le réseau de l'Europe continentale (CE) (50 Hz) et le réseau de la Corée du Sud (SK) (60 Hz) — ont été analysées. Pour isoler les dynamiques déterministes du bruit stochastique, un filtre gaussien a été appliqué. Le paramètre de lissage optimal ( $\sigma$ ) a été déterminé en minimisant l'erreur quadratique moyenne (RMSE) entre les trajectoires simulées par SINDy et les données empiriques originales. L'étude a identifié $\sigma = 60$ (une fenêtre de 60 secondes) comme le compromis optimal entre la suppression du bruit et la préservation des caractéristiques.
Construction de la bibliothèque de candidats :
Contrairement aux implémentations SINDy standard qui reposent uniquement sur des polynômes, PowerSINDy étend la bibliothèque de fonctions candidates pour mieux représenter la dynamique des réseaux électriques. La bibliothèque comprend :
- Termes polynomiaux : Jusqu'aux ordres quadratique ( $p2$ ) et cubique ( $p3$ ) pour capturer les couplages non linéaires.
- Termes de Fourier : Fonctions sinus et cosinus du premier ordre ( $p2f1$ ) pour représenter les comportements oscillatoires inhérents aux réseaux synchrones.
- Termes dépendants du temps : Inclusion explicite du temps ( $T$ ) et de termes d'interaction impliquant le temps pour tenir compte des signaux déterministes pilotés par les courbes de charge et les programmes de production.
Stratégies de régression parcimonieuse :
Le cadre compare trois stratégies d'optimisation distinctes pour résoudre le problème de régression parcimonieuse $\dot{X} = \Theta(X)\Xi$ :
- Moindres carrés seuillés séquentiellement (STLSQ) : Résout itérativement les moindres carrés et seuille les petits coefficients.
- LASSO (Least Absolute Shrinkage and Selection Operator) : Utilise une pénalité $L1$ pour réduire les coefficients à zéro.
- Régression régularisée relâchée parcimonieuse (SR3) : Introduit une variable auxiliaire et un paramètre de relâchement pour séparer l'ajustement des données de l'application de la parcimonie, testé avec les normes $L0$ , $L1$ et $L2$ .

Résultats clés
L'étude a évalué le cadre sur des trajectoires de 15 minutes provenant des ensembles de données CE et SK, en comparant la précision du modèle (RMSE stable), les fractions de stabilité (pourcentage de trajectoires non divergentes) et la complexité structurelle (nombre de caractéristiques actives).

Performance des optimiseurs :
- LASSO a constamment atteint le RMSE stable le plus bas sur toutes les configurations. Pour l'ensemble de données CE avec des polynômes cubiques ( $p3$ ), LASSO a atteint un RMSE minimum de 0,0101. Il a également produit les modèles les plus parcimonieux, en particulier dans les configurations d'ordre inférieur.
- STLSQ a démontré la stabilité la plus élevée, avec des fractions de stabilité dépassant fréquemment 0,79 dans les configurations quadratiques ( $p2$ ). Il offrait le meilleur équilibre entre précision et fiabilité, bien qu'avec un RMSE légèrement supérieur à celui de LASSO.
- SR3 a présenté la variabilité la plus élevée et une sensibilité aux hyperparamètres et aux caractéristiques des ensembles de données. Notamment, les normes $L0$ et $L1$ dans SR3 ont produit des résultats presque indiscernables en termes de RMSE et de stabilité. Les performances de SR3 se sont dégradées de manière significative dans les configurations cubiques ( $p3$ ), en particulier pour l'ensemble de données SK, où les fractions de stabilité sont tombées en dessous de 0,52.
Complexité du modèle et choix de la bibliothèque :
- Les modèles quadratiques ( $p2$ ) ont fourni des solutions stables avec un faible RMSE (~0,016) sur les deux ensembles de données.
- Les modèles cubiques ( $p3$ ) ont amélioré la précision pour l'ensemble de données CE (RMSE 0,0101) mais ont réduit la stabilité, entraînant une divergence plus rapide des trajectoires.
- Les modèles augmentés par Fourier ( $p2f1$ ) ont offert un juste milieu, maintenant des performances robustes (RMSE ~0,016) et une stabilité sur les deux ensembles de données sans l'instabilité associée aux polynômes d'ordre supérieur.
- Analyse des caractéristiques : LASSO a constamment imposé les représentations les plus parcimonieuses (environ 6 caractéristiques actives pour $p2$ ), tandis que SR3 tendait à sélectionner des modèles plus denses (environ 14 caractéristiques actives pour $p3$ ).
Différences entre ensembles de données :
Le réseau CE, caractérisé par une forte inertie et une interconnectivité élevée, a généralement produit un RMSE plus faible et des fractions de stabilité plus élevées que le réseau SK, qui présente une inertie plus faible et une topologie plus compacte. Cela suggère que les caractéristiques intrinsèques des données influencent la récupérabilité du modèle davantage que l'instabilité algorithmique.

Importance et affirmations
L'article affirme que PowerSINDy identifie avec succès les équations gouvernantes pour des données de fréquence de réseaux électriques complexes et réels, surmontant les limites des modèles linéaires traditionnels. L'étude démontre que :

L'identification basée sur les données peut surpasser les bases de référence d'intégration stochastique (Euler–Maruyama), atteignant des valeurs de RMSE plus faibles (par exemple, 0,0101 contre 0,0282 pour la référence CE).
Le choix de l'optimiseur est critique : LASSO est supérieur pour la précision et la parcimonie, tandis que STLSQ est préféré pour la stabilité dans les configurations complexes.
La conception de la bibliothèque est importante : L'inclusion de termes de Fourier permet une représentation robuste des dynamiques oscillatoires sans les risques de surajustement associés aux polynômes d'ordre élevé.
Insight physique : Les modèles identifiés soulignent l'importance d'interactions non linéaires spécifiques (par exemple, $\theta\omega$ et $\theta\omega^2$ ) pour capturer la dynamique du système, fournissant des insights interprétables sur les mécanismes à l'origine du comportement de la fréquence du réseau.

Les auteurs concluent que, bien que le cadre soit prometteur, le compromis entre l'expressivité du modèle (termes d'ordre supérieur) et la stabilité reste un défi clé. Des travaux futurs sont suggérés pour explorer des paramètres variant dans le temps, des formulations adaptatives pour la surveillance en temps réel et l'intégration de priors physiques pour créer des modèles hybrides.