⚡ electrical engineering

Deep Reinforcement Learning-Based Adaptive Coordination of DC Reactor Fault Current Limiters for Protection of Hybrid AC/DC Microgrids with High Renewable Penetration

Cet article propose un cadre de coordination adaptatif basé sur un réseau Q profond pour les limiteurs de courant de défaut de type réacteur CC qui optimise dynamiquement l'impédance et les séquences de commutation dans les micro-réseaux hybrides CA/CC, surpassant de manière significative les stratégies fixes conventionnelles en matière de réduction du courant de défaut, de restauration de la tension et de sélectivité de la protection sous une forte pénétration des énergies renouvelables.

Auteurs originaux : B. Venkata Ramana¹, Sridhar Savarapu²

Publié 2026-07-14

📖 6 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : B. Venkata Ramana¹, Sridhar Savarapu²

Article original sous licence CC BY 4.0 (https://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 un micro-réseau hybride CA/CC comme une ville technologique et bouillonnante dotée de deux types d'autoroutes électriques : l'une pour le courant alternatif (CA) et l'autre pour le courant continu (CC). Cette ville est alimentée par un mélange de générateurs traditionnels et un flux d'énergies renouvelables comme des éoliennes et des panneaux solaires. Le problème ? Lorsqu'un « accident de la route » (un court-circuit ou un défaut) se produit, les anciens policiers de la circulation (les relais de protection) sont confus. Parce que les sources d'énergie renouvelables sont imprévisibles et peuvent envoyer de l'énergie dans des directions étranges, les anciennes règles pour arrêter l'accident ne fonctionnent plus. Les embouteillages s'aggravent et les mauvaises rues sont fermées.

Pendant longtemps, les ingénieurs ont essayé de remédier à cela avec des « barrières intelligentes » appelées Limiteurs de Courant de Défaut (FCL). Considérez-les comme des ralentisseurs automatiques qui surgissent lorsqu'un accident est détecté pour freiner la poussée d'électricité. Cependant, l'article soutient que l'ancienne façon d'utiliser ces barrières — en les réglant sur une hauteur fixe ou en utilisant des règles simples et pré-écrites — revient à essayer de conduire une voiture de Formule 1 avec une carte de 1990. Cela ne fonctionne tout simplement pas lorsque les conditions de la route changent, par exemple quand la ville passe de sa connexion au réseau principal au mode autonome (mode îloté), ou quand le soleil et le vent changent leur production.

La Grande Idée du Papier : Une IA de Jeu Vidéo pour les Réseaux Électriques

Les auteurs proposent une solution super intelligente : un agent d'Apprentissage par Renforcement Profond (DRL). Si l'ancien système de protection est un livre de règles, ce nouveau système est une IA de jeu vidéo qui apprend en jouant.

Voici comment cela fonctionne dans le monde réel de la simulation :

Le Terrain d'Entraînement : Les chercheurs ont construit un jumeau numérique détaillé de leur micro-réseau hybride dans un programme informatique appelé MATLAB/Simulink. Ils n'ont pas seulement testé cela une fois ; ils ont laissé leur « joueur » IA s'écraser dans le réseau 5 000 fois dans différents scénarios. Ils lui ont tout jeté à la figure : différents types de défauts électriques, différents emplacements et des niveaux variables d'énergie renouvelable (de 20 % à 80 % de la puissance totale).
Le Processus d'Apprentissage : L'IA (spécifiquement un Deep Q-Network, ou DQN) a appris à ajuster les « ralentisseurs » (les réactances CC FCL) en temps réel. Elle a appris que parfois, elle a besoin que la barrière soit très haute pour arrêter une énorme poussée, et d'autres fois, elle doit être plus basse pour maintenir la tension stable afin que les lumières ne vacillent pas. Elle a trouvé l'équilibre parfait en essayant des millions de combinaisons et en obtenant des « points » (récompenses) pour garder le réseau en sécurité et en « perdant des points » (pénalités) lorsque le réseau était confus ou que la tension chutait trop bas.
La Défense en Deux Étapes : Le système dispose d'un plan de réaction en deux étapes.
- Étape 1 (Le Réflexe) : Dès qu'un défaut est détecté (entre 0 et 10 millisecondes), le matériel local intervient automatiquement pour ériger une barrière maximale. C'est un mouvement réflexe rapide qui se produit avant même que l'IA ait fini de réfléchir.
- Étape 2 (Le Cerveau) : Juste une fraction de seconde plus tard (après 10 millisecondes), l'IA prend le relais. Elle observe toute la ville, calcule le réglage exact le plus approprié pour chaque barrière et leur ordonne de s'ajuster. Elle fait cela toutes les 5 millisecondes, affinant constamment la protection à mesure que la situation évolue.

Ce que le Papier Dit qui Fonctionne (et ce qui ne fonctionne pas)

Le papier est très clair sur ce qui ne fonctionne pas. Il exclut explicitement l'idée qu'un réglage unique et fixe des barrières puisse gérer un réseau moderne avec une forte présence d'énergies renouvelables. Il argumente également contre le recours exclusif à des règles pré-calculées qui ne changent pas lorsque le réseau change de mode (comme passer du mode connecté au réseau au mode îloté). Les auteurs montrent que dans leurs simulations, ces méthodes plus anciennes mènent à une « mauvaise coordination », où les mauvais disjoncteurs déclenchent, laissant des parties saines de la ville dans le noir alors que le défaut persiste.

En revanche, l'approche pilotée par l'IA a montré des résultats remarquables dans leurs simulations :

Zéro Confusion : Dans 20 scénarios de test différents, le système d'IA a enregistré zéro événement de mauvaise coordination. L'ancien système fixe en avait 3, et une autre méthode adaptative en avait 2.
Meilleure Tension : Lorsqu'un défaut se produisait, l'IA maintenait la tension à 0,87 pu (par unité), alors que la meilleure méthode précédente n'arrivait qu'à 0,50 pu. Cela signifie que les lumières restaient beaucoup plus brillantes et l'équipement plus sûr.
Réponse Plus Rapide : L'IA a aidé à éliminer les défauts plus rapidement, avec un temps de fonctionnement du relais primaire de 312 ms, contre 400 ms pour le système fixe.
Réduction du Courant : Elle a réussi à réduire le courant de défaut de crête au point de connexion principal à 1,98 kA, soit une réduction de 47,9 % par rapport à l'absence de limiteur.

À quel point sommes-nous sûrs ?

Il est important de noter que ces chiffres impressionnants proviennent de simulations. Les auteurs ont testé leurs travaux dans un modèle informatique, et non sur un réseau électrique physique dans le monde réel pour l'instant. Ils sont très confiants dans les mathématiques et la logique, montrant que l'IA a appris à gérer aussi bien les défauts triphasés que les défauts entre phase et terre, même lorsque la pénétration des énergies renouvelables atteignait 70 %.

Le papier conclut que, bien qu'il s'agisse d'une étape majeure, la prochaine étape consiste à prouver que cela fonctionne sur du matériel réel. Les auteurs prévoient de tester cela sur un système « hardware-in-the-loop » (où l'IA contrôle un simulateur en temps réel connecté à des équipements physiques) et de voir comment il gère les délais de communication ou les cyberattaques. Mais pour l'instant, dans le monde numérique de leurs simulations, cet « agent de circulation » IA a appris à garder la ville hybride sûre, rapide et stable d'une manière que les anciens livres de règles ne pourraient jamais atteindre.

Résumé technique : Coordination adaptative basée sur l'apprentissage par renforcement profond des limiteurs de courant de défaut à réactance DC pour les micro-réseaux hybrides AC/DC

Énoncé du problème
L'intégration croissante des sources d'énergie renouvelables (SER) et de la production distribuée (PD) dans les micro-réseaux hybrides AC/DC a fondamentalement modifié les caractéristiques des courants de défaut, introduisant des flux de puissance bidirectionnels et des profils d'impédance dynamiques. Ces changements perturbent gravement les schémas de coordination de protection conventionnels, particulièrement pour les relais de surintensité directionnels (DOCR) et les relais de distance. L'« effet d'apport » (infeed effect) provenant des unités de PD provoque souvent des erreurs de fonctionnement des relais (sur-extension ou sous-extension), entraînant des échecs de coordination. Bien que les limiteurs de courant de défaut (FCL), spécifiquement les FCL à réactance DC (DCR-FCL), offrent une solution matérielle en limitant les courants de défaut, les stratégies de coordination existantes reposent sur des seuils d'impédance fixes ou des techniques d'optimisation hors ligne (algorithmes génétiques, optimisation par essaim de particules). Ces approches statiques ne parviennent pas à s'adapter aux changements rapides et stochastiques de la topologie du micro-réseau, aux transitions d'îlotage et aux niveaux variables de pénétration des SER, rendant les réglages précalculés sous-optimaux ou invalides dans des scénarios en temps réel.

Méthodologie
L'article propose un cadre d'apprentissage par renforcement profond (DRL) utilisant un agent de réseau Q profond (DQN) pour parvenir à une coordination adaptative des DCR-FCL. La méthodologie est structurée comme suit :

Modélisation du système : Un système de test de micro-réseau hybride AC/DC est modélisé dans MATLAB/Simulink, comprenant un sous-réseau AC de 11 kV et un sous-réseau DC de 800 V interconnectés par un convertisseur de liaison bidirectionnel. Le système comprend des éoliennes, des unités PV, des batteries de stockage et des générateurs diesel. Des unités DCR-FCL sont placées stratégiquement au point de couplage commun (PCC), aux terminaux de PD et sur des sections de lignes critiques.
Formulation du DRL (MDP) : Le problème de coordination est formulé comme un processus de décision de Markov (MDP) :
- Espace d'états ( $S$ ) : Comprend les tensions de bus, les courants de ligne, les courants de PD, l'emplacement du défaut estimé, le type de défaut, la production totale des SER et le mode de fonctionnement (connecté au réseau ou en mode îloté).
- Espace d'actions ( $A$ ) : Cycles de service discrets ( $D \in \{0, 0,1, \dots, 1,0\}$ ) pour les commutateurs IGBT au sein de chaque unité DCR-FCL, qui contrôlent directement l'impédance de limitation effective ( $Z_{FCL}$ ).
- Fonction de récompense ( $R$ ) : Une somme pondérée de récompenses pour maintenir les courants de ligne dans les limites, maintenir la stabilité de la tension des bus (0,85–1,05 pu), assurer la coordination correcte des relais primaire/secours et maintenir la sélectivité (isoler uniquement la zone de défaut).
Schéma de coordination à deux étapes :
- Étape I (Réponse autonome locale) : Lors de la détection d'un défaut (0–10 ms), les contrôleurs locaux engagent immédiatement l'impédance de limitation maximale pour supprimer les pics initiaux de courant de défaut, indépendamment de la latence de communication.
- Étape II (Coordination globale par DRL) : Après la fenêtre initiale, un centre de prise de décision central (DMC) hébergeant l'agent DQN entraîné reçoit l'état complet du système via une couche IoT. L'agent calcule les cycles de service optimaux pour tous les FCL et met simultanément à jour les réglages des DOCR afin d'assurer une optimisation de la coordination de la protection (OPC). Ce processus se répète toutes les 5 ms.
Entraînement : L'agent DQN est entraîné sur 5 000 épisodes dans un environnement stochastique couvrant divers types de défauts (monophasé, biphasé, biphasé-terre, triphasé), localisations, résistances et niveaux de pénétration des SER (20–80 %).

Principales contributions
L'article revendique les contributions spécifiques suivantes :

Première application du DRL aux DCR-FCL : Il présente la première application des réseaux Q profonds à la coordination adaptative des limiteurs de courant à réactance DC dans les micro-réseaux hybrides AC/DC, allant au-delà de l'optimisation statique.
Cadre unifié à deux étapes : Il intègre le contrôle de l'impédance du FCL directement avec l'optimisation des réglages des DOCR, créant un cadre unifié qui équilibre dynamiquement la suppression du courant de défaut, le support de tension et l'intégrité de la coordination des relais.
Extension aux topologies hybrides : L'architecture étend les concepts de coordination multi-FCL précédents (originellement pour les systèmes AC radiaux) aux micro-réseaux hybrides AC/DC complexes, en incorporant la dynamique du convertisseur de liaison et les caractéristiques de défaut du côté DC.
Benchmark complet : L'étude fournit un benchmark de performance unifié en comparant le schéma DRL proposé aux stratégies de FCL fixes et aux schémas de l'impédance virtuelle adaptative (VI-FCL) à travers divers scénarios de défaut et niveaux de pénétration des SER.

Résultats
Les résultats de simulation démontrent que l'approche proposée basée sur le DRL surpasse de manière significative les stratégies conventionnelles et les stratégies à règles adaptatives :

Coordination des relais : Le schéma DRL a atteint zéro événement de mauvaise coordination sur 20 cas de test, alors que les schémas FCL fixes et VI-FCL adaptatifs ont subi respectivement 3 et 2 événements de mauvaise coordination.
Réduction du courant de défaut : Le schéma DRL a réduit le pic de courant de défaut au PCC de 47,9 % (à 1,98 kA), surpassant légèrement les schémas fixes (44,7 %) et VI adaptatifs (47,4 %).
Stabilité de la tension : Pendant les défauts, le schéma DRL a maintenu une tension de bus minimale de 0,87 pu, une amélioration marquée par rapport aux 0,50 pu obtenus par la meilleure approche antérieure. Cela indique une capacité supérieure à équilibrer la limitation du courant et le support de tension.
Vitesse : Le temps de fonctionnement du relais primaire a été réduit à 312 ms sous le schéma DRL, contre 400 ms pour les FCL fixes, permettant un dégagement de défaut plus rapide.
Adaptabilité : L'agent s'est adapté avec succès au fonctionnement en mode îloté et à une forte pénétration des SER (70 %) sans réentraînement, là où les schémas statiques ont échoué ou ont peu performé dans ces conditions dynamiques.
Faisabilité en temps réel : Le temps de calcul pour l'inférence DQN a été mesuré à 0,8 ms, ce qui est bien en dessous de l'intervalle de décision de 5 ms, confirmant l'applicabilité en temps réel.

Signification et Revendications
Les auteurs positionnent ce travail comme l'aboutissement d'un programme de recherche qui a systématiquement fait progresser la technologie FCL, passant des applications à dispositif unique vers une coordination intelligente pilotée par l'IA en temps réel. L'article affirme que le cadre proposé répond à la limitation fondamentale des stratégies de protection existantes : leur incapacité à s'adapter aux conditions de fonctionnement dynamiques et incertaines des micro-réseaux modernes. En exploitant le DRL, le système peut percevoir l'état complet du réseau et apprendre des politiques optimales qui optimisent simultanément la suppression du courant de défaut, la restauration de la tension et l'intégrité de la coordination des relais. Les auteurs affirment que cette approche offre une solution complète pour la protection des micro-réseaux hybrides AC/DC à haute pénétration d'énergies renouvelables, constituant une étape importante vers la fiabilité de la protection des réseaux intelligents.

Les travaux futurs identifiés par les auteurs incluent la validation par boucle matérielle dans la boucle (HIL), l'extension au DRL multi-agents pour des réseaux plus vastes, l'analyse de la robustesse face aux délais de communication et aux cybermenaces, ainsi que l'étude du RL basé sur des modèles pour réduire les besoins en données d'entraînement.

Articles similaires