⚡ electrical engineering

Human-on-the-loop Resilient Control of InverterBased Resources Under Actuator Degradation

Cet article propose une architecture de commande résiliente avec l'humain dans la boucle pour les ressources fondées sur l'onduleur, qui intègre le jugement supervisoire humain avec un nouveau contrôleur adaptatif $\mu$ -mod et de nouvelles métriques (GRC et CPD) afin de gérer efficacement la dégradation des actionneurs, de prévenir l'instabilité et de surpasser les stratégies conventionnelles de commande adaptative et de tolérance aux pannes.

Auteurs originaux : Majid Dehghani, Taha Saeed Khan, Hamidreza Nazaripouya

Publié 2026-07-23

📖 8 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Majid Dehghani, Taha Saeed Khan, Hamidreza Nazaripouya

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 gigantesque système nerveux invisible qui alimente notre monde moderne, envoyant de l'énergie des panneaux solaires et des éoliennes vers nos maisons et nos écoles. Pendant longtemps, ce système reposait sur des machines massives et lourdes, comme les centrales électriques traditionnelles. Mais aujourd'hui, nous remplaçons ces machines lourdes par des ressources à base d'onduleurs (IBR) élégantes, rapides et intelligentes — imaginez-les comme les nouveaux neurones numériques à haute vitesse du système nerveux. Ce sont les dispositifs situés à l'intérieur de votre toit solaire ou de votre batterie domestique qui transforment l'énergie stockée en électricité pour le réseau. Le grand défi auquel les scientifiques sont confrontés est de savoir ce qui se passe lorsque ces neurones numériques tombent malades ou sont endommagés. Si l'onduleur d'un panneau solaire commence à faiblir, ou si une cyberattaque affaiblit sa capacité à injecter de la puissance, la tension de tout le quartier peut vaciller, les lumières peuvent scintiller et le système pourrait s'effondrer. Pour résoudre cela, les ingénieurs essaient généralement de construire des robots qui détectent automatiquement la maladie et la réparent instantanément. Mais ces robots peuvent être trop rigides ; ils pourraient paniquer et s'arrêter, ou essayer de réparer un problème qu'ils ne comprennent pas totalement, aggravant ainsi la situation.

Ce document présente une idée ingénieuse : au lieu de compter uniquement sur un robot, plaçons un humain dans la boucle. Les auteurs, Majid Dehghani, Taha Saeed Khan et Hamidreza Nazaripouya, proposent un système de contrôle dit « Humain dans la boucle » (Human-on-the-Loop ou HOTL). Imaginez cela comme un jeu vidéo où une IA joue la partie, mais où un joueur humain regarde l'écran et peut appuyer sur un bouton spécial pour changer les règles si les choses deviennent bizarres. Dans leur système, un contrôleur informatique gère les calculs à la fraction de seconde pour maintenir la tension stable, mais un superviseur humain observe la situation globale. Si l'onduleur commence à se dégrader (s'affaiblir), l'humain peut intervenir pour dire à l'ordinateur : « Hé, nous perdons de la puissance, soyons un peu moins parfaits en ce moment pour ne pas épuiser complètement la batterie. » Le document utilise des simulations pour montrer que cette alliance entre le jugement humain et la vitesse informatique maintient la stabilité du réseau même lorsque l'équipement est défaillant, alors que les anciennes méthodes entièrement automatisées échouent souvent ou manquent de puissance.

Le Problème : Quand les « Muscles » du Réseau s'affaiblissent

Imaginez que votre bras est l'onduleur, et l'électricité qu'il pousse est le poids que vous soulevez. Normalement, votre bras est fort et peut soulever exactement ce dont vous avez besoin. Mais que se passe-t-il si votre bras est blessé et ne peut soulever que la moitié du poids ? Si vous essayez de soulever le même poids lourd malgré tout, votre bras pourrait se bloquer, ou vous pourriez laisser tomber le poids entièrement. Dans le monde des réseaux électriques, la « dégradation de l'actionneur » est comme ce bras blessé. Cela se produit lorsque les onduleurs perdent leur capacité à générer de la puissance en raison de dommages physiques, de cyberattaques ou simplement de l'usure.

Les solutions de l'ancienne école tentent de gérer cela de deux manières, et les deux présentent des défauts. La première est le « Contrôle Tolérant aux Fautes » (FTC). C'est comme un robot qui possède une liste de contrôle de chaque blessure possible. S'il voit un symptôme, il cherche la blessure correspondante et passe à une correction préprogrammée. Le problème ? Si la blessure est étrange, nouvelle ou si elle survient progressivement (comme un affaiblissement graduel), le robot pourrait ne pas la reconnaître, ou pourrait essayer de la corriger de manière trop agressive, provoquant un crash. La seconde approche est le « Contrôle Adaptatif », où le système apprend sur le vif. Mais si le système pense qu'il peut encore soulever tout le poids alors qu'il ne le peut plus réellement, il risque de pousser trop fort, entraînant une perte de contrôle ou une « dérive de paramètre », où le système devient confus et instable.

La Nouvelle Idée : Un Coach Humain avec un « Curseur de Résilience »

Les auteurs proposent un système où un opérateur humain agit comme un coach, assis sur le bord de piste du contrôleur automatisé. Il ne s'agit pas pour l'humain de faire les calculs ; l'ordinateur effectue toujours le gros du travail. Au lieu de cela, l'humain apporte une « conscience de la situation ». Il observe les données et dit : « D'accord, l'onduleur est 50 % plus faible que d'habitude. Ajustons notre stratégie. »

Pour faire fonctionner cela, le document introduit deux outils spéciaux :

Capacité de Réserve de Génération (GRC) : Considérez cela comme votre « compte d'épargne d'urgence » de puissance. C'est la puissance supplémentaire que l'onduleur pourrait utiliser si une nouvelle urgence survenait. L'objectif est de garder ce compte plein.
Dégradation de Performance Contrôlée (CPD) : C'est l'« erreur acceptable ». Parfois, pour sauvegarder le compte d'épargne d'urgence, vous devez accepter que la tension ne soit pas parfaitement stable. C'est comme décider de conduire un peu plus lentement pour économiser de l'essence pour un voyage plus long.

L'opérateur humain utilise un bouton spécial appelé $\mu$ (mu) pour équilibrer ces deux éléments. Si l'opérateur tourne $\mu$ vers le haut, le système devient très conservateur. Il conserve une énorme marge de sécurité (GRC élevée) mais accepte que la tension puisse osciller un peu plus (CPD plus élevée). S'il le tourne vers le bas, le système tente d'être parfait (CPD faible) mais risque de manquer de réserve de puissance.

Comment cela fonctionne en pratique

Le document a testé cette idée en utilisant une simulation informatique d'un onduleur connecté au réseau. Ils ont créé un scénario où l'onduleur est devenu « malade » en deux étapes :

À 100 secondes : L'onduleur a perdu 50 % de sa capacité de puissance.
À 150 secondes : Il a perdu 25 % supplémentaires, le rendant très faible.
À 200 secondes : Une pointe soudaine de demande (une perturbation de charge) a frappé le système.

Dans la simulation, l'opérateur humain surveillait l'écran. Lorsque la première perte de 50 % s'est produite, l'opérateur a ajusté le système pour gérer la baisse. Mais quand le second impact est survenu à 150 secondes, l'opérateur a réalisé que la situation devenait dangereuse. Il a tourné le bouton $\mu$ jusqu'à 10. Cela a dit à l'ordinateur : « Arrête d'essayer d'être parfait. Sois prudent. Garde une grande réserve de puissance pour que nous ne crash pas. »

Le résultat ? Le système a accepté une lecture de tension légèrement moins parfaite (la CPD) mais a réussi à maintenir les lumières allumées et la tension dans des limites sûres. L'onduleur n'a jamais manqué de puissance et ne s'est pas retrouvé dans un état de « saturation » (où il essaie de pousser plus qu'il ne peut et échoue).

Qu'est-il arrivé aux anciennes méthodes ?

Les chercheurs ont comparé leur nouveau système Human-on-the-Loop à un système standard de « Contrôle Tolérant aux Fautes » (FTC).

Le système FTC : Lorsque la première perte de 50 % s'est produite, le FTC s'en est bien sorti. Mais quand le second impact est survenu à 150 secondes, le FTC s'est bloqué. Il a tenté de maintenir une tension parfaite, mais comme il n'avait plus assez de « muscles », il a échoué. Au moment où la pointe de charge a frappé à 200 secondes, la tension est descendue en dessous de 0,9 (un niveau dangereux), et le système n'a pas pu récupérer.
Le système HOTL : Parce que l'opérateur humain avait augmenté le curseur de sécurité ( $\mu$ ), le système a accepté gracieusement une légère baisse de performance. Il a préservé sa capacité de réserve, permettant de gérer la pointe de charge finale sans s'effondrer. La tension est restée dans la plage de fonctionnement sécurisée.

En résumé

Ce document ne prétend pas avoir résolu tous les problèmes du monde, ni affirme que ce système est déjà parfait dans la vie réelle. Les résultats sont entièrement basés sur des simulations — des modèles informatiques de la façon dont le système se comporterait. Cependant, ces simulations suggèrent que l'ajout d'un superviseur humain à la boucle crée un réseau beaucoup plus résilient.

Le point clé est que, parfois, la meilleure façon de gérer une crise n'est pas d'avoir un robot qui ne fait jamais d'erreur, mais d'avoir un robot qui sait quand demander conseil à un humain. En laissant un humain décider de la part de « perfection » à sacrifier en échange de la « sécurité », le système peut survivre à des dommages sévères qui mettraient hors service les méthodes automatisées plus anciennes. Les auteurs prouvent mathématiquement que cette approche est stable et que le jugement de l'humain aide directement le système à éviter l'épuisement de sa puissance. C'est un rappel que, dans un monde complexe et à enjeux élevés, la combinaison de la sagesse humaine et de la vitesse des machines pourrait être la défense la plus solide de toutes.

Résumé Technique : Contrôle Résilient avec Humain dans la Boucle des Ressources Basées sur l'Onduleur sous Dégradation d'Actionneur

Énoncé du Problème
Les réseaux de distribution électrique modernes sont de plus en plus dominés par les ressources basées sur l'onduleur (IBR - Inverter-Based Resources), telles que le solaire photovoltaïque et le stockage par batterie, qui assurent une régulation de tension et un support de puissance réactive critiques. Cependant, ces systèmes font face à des défis de résilience importants lorsqu'ils opèrent sous une dégradation des actionneurs causée par des défauts physiques, des attaques cyber-physiques ou des conditions environnementales. Les stratégies de contrôle conventionnelles présentent des limitations notables dans ce contexte :

Contrôle Tolérant aux Fautes Actif (FTC) : Repose sur une détection et une isolation des fautes (FDI) rapides et précises. Il est vulnérable aux erreurs de diagnostic de dégradations naissantes ou ambiguës et échoue souvent lorsque les fautes sortent des ensembles prédéfinis.
FTC Passif : Tend vers un fonctionnement excessivement conservateur, sacrifiant potentiellement des performances inutilement.
Contrôle Adaptatif : Suppose généralement une autorité de commande suffisante. Lorsque la dégradation de l'actionneur érode cette autorité, les lois adaptatives peuvent interpréter erronément les erreurs de poursuite, entraînant une dérive des paramètres, une perte de performance ou une instabilité.

Les méthodes existantes traitent généralement la résilience comme un processus entièrement automatisé, manquant du jugement contextuel requis pour reconnaître des comportements subtils hors-normes ou pour ajuster les objectifs de mission lorsque la dégradation dépasse les ensembles de fautes modélisés. De plus, elles manquent d'un mécanisme systématique pour équilibrer la préservation de la capacité de réserve de l'onduleur et la performance de contrôle lors d'un fonctionnement dégradé.

Méthodologie
L'article propose une architecture de contrôle résilient de type Humain dans la Boucle (HOTL - Human-on-the-Loop) qui intègre un contrôleur adaptatif non linéaire rapide avec une couche de prise de décision humaine supervisée. Le cadre est conçu pour les onduleurs connectés au réseau et opère via les mécanismes suivants :

Hiérarchie à deux couches :
- Couche de Contrôle Adaptatif : Intégrée dans le système de gestion des ressources énergétiques distribuées (DERMS), cette couche assure le contrôle en temps réel des injections de puissance active et réactive. Elle utilise une loi de contrôle adaptative $\mu$ -mod combinée à un modèle de référence en boucle fermée (CRM). Cette couche gère la dynamique rapide, les incertitudes de modèle et les contraintes de saturation.
- Couche de Supervision Humaine : L'opérateur effectue des tâches cognitives de haut niveau, incluant l'évaluation de la sévérité de la dégradation, l'estimation de la matrice de dégradation ( $\hat{\Lambda}$ ) et le réglage d'un paramètre de résilience ( $\mu$ ). L'évaluation de l'opérateur est pondérée par un facteur de confiance ( $\eta$ ) basé sur son expérience et sa fiabilité historique.
Métriques de Résilience :
Le cadre introduit deux métriques quantitatives pour guider la prise de décision :
- Capacité de Réserve de Génération (GRC - Generation Reserve Capacity) : Quantifie la capacité résiduelle de l'onduleur disponible pour de futures contingencies.
- Dégradation de la Performance Contrôlée (CPD - Controlled Performance Degradation) : Représente la réduction tolérable de la performance (par exemple, la précision de la poursuite de la tension).
  L'opérateur ajuste le paramètre $\mu$ pour arbitrer entre la précision de poursuite immédiate (faible CPD) et la préparation opérationnelle à long terme (haute GRC). Un $\mu$ plus grand entraîne un contrôle plus conservateur, préservant la capacité de réserve mais permettant des écarts de poursuite plus importants.
Loi de Contrôle et Stabilité :
Le contrôleur adaptatif $\mu$ -mod proposé ajuste dynamiquement le comportement du modèle de référence pour tenir compte de la capacité réduite. Il inclut une limite de saturation virtuelle afin de garantir que le signal de commande reste dans une zone tampon de sécurité en dessous des limites physiques. L'article fournit une analyse de stabilité rigoureuse utilisant la théorie de Lyapunov, prouvant que sous la loi de contrôle proposée, tous les signaux en boucle fermée restent bornés et que l'erreur de poursuite de l'état converge asymptotiquement vers zéro, même en présence de dégradation de l'actionneur et d'écarts d'estimation.

Contributions Clés
L'article présente quatre contributions principales :

Architecture Novatrice : Un cadre de contrôle HOTL qui intègre la conscience situationnelle de l'opérateur avec le contrôle adaptatif de l'onduleur, permettant une prise de décision coordonnée sous dégradation d'actionneur.
Métriques Quantitatives : L'introduction de la GRC et de la CPD pour caractériser la relation entre la capacité de réserve, la performance et la survie du système.
Loi Adaptative $\mu$ -mod : Une loi de contrôle avec un comportement de modèle de référence dynamiquement ajustable qui permet une déviation progressive des objectifs nominaux tout en garantissant la stabilité.
Preuve de Stabilité : Une preuve mathématique rigoureuse démontrant que le système en boucle fermée reste stable et borné, avec une convergence asymptotique des erreurs de poursuite, même sous des conditions dégradées.

Résultats de Simulation
L'approche a été validée par des simulations d'un onduleur connecté au réseau soumis à des événements de dégradation d'actionneur séquentiels (perte de 50 % à $t=100$ s, suivie d'une perte supplémentaire de 25 % à $t=150$ s) et une perturbation de charge à $t=200$ s.

Performance HOTL : Le contrôleur proposé a réussi à maintenir la régulation de tension dans des limites acceptables. En permettant à l'opérateur d'augmenter $\mu$ de 1,2 à 10 lors de l'observation d'un stress accru, le système a priorisé la préservation de la réserve. Cela a empêché la saturation de l'actionneur et a permis à l'onduleur de compenser la perturbation de charge suivante, maintenant ainsi l'opérabilité du système.
Comparaison FTC : Un contrôleur tolérant aux fautes (FTC) conventionnel a maintenu la stabilité lors du premier événement de dégradation, mais a échoué à récupérer les niveaux de tension après la seconde dégradation et la perturbation de charge. Le FTC a présenté une adaptabilité limitée, entraînant des chutes de tension en dessous de 0,9 p.u. et une perte de contrôlabilité due à l'épuisement de la capacité de réserve.

Signification
L'article affirme que l'architecture HOTL proposée comble les lacunes critiques des stratégies de contrôle résilient existantes en intégrant explicitement l'intelligence de supervision humaine. Contrairement aux méthodes entièrement automatisées qui reposent sur des ensembles de fautes prédéfinis, ce cadre permet aux opérateurs de valider ou de supplanter les paramètres de contrôle et d'ajuster les objectifs opérationnels lorsque les conditions dépassent les espaces de fautes modélisés. En équilibrant la GRC et la CPD via le paramètre ajustable $\mu$ , le système empêche la saturation de l'actionneur et préserve la capacité de réserve, atteignant une régulation de tension et une résilience du système supérieures aux méthodes adaptatives et FTC conventionnelles. Les résultats confirment que la prise de décision coordonnée humain-automatisation est essentielle pour maintenir la sécurité des réseaux de distribution sous des contingences sévères.

Le Problème : Quand les « Muscles » du Réseau s'affaiblissent

La Nouvelle Idée : Un Coach Humain avec un « Curseur de Résilience »

Comment cela fonctionne en pratique

Qu'est-il arrivé aux anciennes méthodes ?

En résumé

Articles similaires