These Assem THABET 2012 PDF

Estimation de l
etat pour la surveillance des syst`

emes de
grandes dimensions. Application aux r eseaux
electriques
Assem Thabet
To cite this version:

Assem Thabet. Estimation de letat pour la surveillance des systèmes de grandes dimensions.
Application aux reseaux electriques. Automatique / Robotique. Ecole Nationale dIngenieurs
de Gabès, 2012. Francais. <tel-00715651>
HAL Id: tel-00715651

https://tel.archives-ouvertes.fr/tel-00715651
Submitted on 9 Jul 2012
HAL is a multi-disciplinary open access Larchive ouverte pluridisciplinaire HAL, est

archive for the deposit and dissemination of sci- destinee au depot et à la diffusion de documents
entific research documents, whether they are pub- scientifiques de niveau recherche, publies ou non,
lished or not. The documents may come from emanant des etablissements denseignement et de
teaching and research institutions in France or recherche francais ou etrangers, des laboratoires
abroad, or from public or private research centers. publics ou prives.
THESE
Prsente
de lEcole Nationale Des Ingnieurs de Gabs
en vue dobtention de
DOCTORAT
en gnie lectrique par
ASSEM THABET
Estimation de ltat pour la surveillance des systmes
de grandes dimensions. Application aux rseaux
lectriques.
Soutenue le 14 Mars 2012 devant le jury compos de
Ridha BENABDENNOUR (Professeur, Universit de Gabs) Prsident
Lasad SBITA (Matre de Confrence, Universit de Gabs) Rapporteurs
Moez FEKI (Matre de Confrence, Universit de Sousse)
Mohamed BOUTAYEB (Professeur, Universit de Nancy) Examinateur
M.N ABDELKRIM (Professeur, Universit de Gabs) Examinateur
Gaetan DIDIER (Matre de Confrence, Universit de Nancy) Examinateur
ii
DEDICACES
En tmoignage damour et daffection

Je ddie ce travail
A mes parents
En signe de reconnaissance pour leurs sacrifices
A mes frres et ma fiance Aicha
En connaissance de leur soutien moral continu
Et tous mes amis
quils trouvent dans ce travail le tmoignage damour sincre, dune estime profonde et
dune reconnaissance ternelle.
REMERCIEMENTS
Les travaux de recherche prsents dans ce mmoire ont t mens lunit de Re-
cherche Modlisation, Analyses et Commande des Systmes (MACS) dirige par Mon-
sieur le Professeur Mohamed Naceur ABDELKRIM que je remercie pour la confiance
quil ma tmoign en maccueillant dans son quipe de recherche.
Je tiens remercier les membres du jury de thse :

Monsieur Ridha BENABDENNOUR, Professeur lUniversit de Gabs et Directeur
de lunit de recherche CONPRI, davoir accept de prsider ce jury de thse.
Monsieur Lasad SBITA, Matre de Confrences lUniversit de Gabs, et Mon-

sieur Moez FKIH, Matre de Confrences lUniversit de Sousse, pour avoir accept
de juger et denrichir ce travail en tant que rapporteurs.
Toute ma reconnaissance et ma gratitude vont mes directeurs de thse :

Monsieur Mohamed BOUTAYEB, Professeur luniversit de Nancy, et Monsieur Gae-
tan DIDIER, Matre de Confrences lUniversit de Nancy, pour avoir diriger cette
thse et surtout cette thmatique passionnante. La pertinence de leurs remarques, de
leurs conseils, des changes que nous avons pu avoir, a clair mon chemin durant ces
trois ans de thse. Je les remercies galement pour leurs grandes qualits humaines.
Monsieur Mohamed Naceur ABDELKRIM, professeur lUniversit de Gabs, et Mon-
sieur Said CHNIBA, Matre Assistant lUniversit de Gabs, pour avoir encadr ce tra-
vail de thse. Je les remercies entre autres pour toute la rigueur quils ont apport, pour
leurs conseils, pour lenthousiasme insatiable dont ils font preuve pour la recherche.
Je remercie lensemble de mes collgues au MACS et lInstitut Suprieur des Sys-

tmes Industriels de Gabs (ISSIG), surtout : Rym, Ahmed, Anis, Messaoud, Habib,
Monia, Asma, Majdi, Abdalah, .. pour leur soutien et leurs conseils. Je noublie pas
mes amis lquipe de Longwy, notamment Lama, Mohamed, Ali, Arnaud, Bertrand,
v
Adrien, Asma, Zarrougui et Ibrahima...pour leur soutien et leurs conseils. Je remercie

particulirement Monsieur Kamel ABDERAHIM, Michel ZASADZINSKI et Hugues
RAFARALAHY pour leurs aides.
Une dernire pense mue pour ma famille, en particulier mes parents qui me vouent une
confiance inconditionnelle et qui mont toujours soutenus dans mes projets. Mes derniers
mots iront mes frres Khaled et Touhami et ma fiance Aicha qui mont accompagn
pendant cette thse.
TABLE DES MATIRES
REMERCIEMENTS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . iv
TABLE DES MATIRES . . . . . . . . . . . . . . . . . . . . . . . . . . . . vi
LISTE DES TABLEAUX . . . . . . . . . . . . . . . . . . . . . . . . . . . . . ix
LISTE DES FIGURES . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . x
LISTE DES ANNEXES . . . . . . . . . . . . . . . . . . . . . . . . . . . . . xiii
1: CHAPITRE 1 : LES ASPECTS STATIQUES

ET DYNAMIQUES DANS LES RSEAUX
LECTRIQUES . . . . . . . . . . . . . . . . . . . 1
1.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.2 Modlisation des lements constituants le rseau . . . . . . . . . . . . 1
1.2.1 Modle de la ligne . . . . . . . . . . . . . . . . . . . . . . . . 2
1.2.2 Modle du transformateur . . . . . . . . . . . . . . . . . . . . 3
1.3 Matrice dadmittance nodale . . . . . . . . . . . . . . . . . . . . . . . 5
1.4 Aspect Statique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.4.1 Notion de flux de puissance . . . . . . . . . . . . . . . . . . . 6
1.4.2 Notion destimation dtat . . . . . . . . . . . . . . . . . . . . 14
1.5 Mode Dynamique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
1.5.1 Modle A . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
1.5.2 Modle B . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
1.5.3 Modle C . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
1.5.4 Diagramme de simulation dynamique . . . . . . . . . . . . . . 30
1.5.5 Exemple de simulation . . . . . . . . . . . . . . . . . . . . . . 31
1.6 Analyse de Stabilit . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
1.6.1 Stabilit des mthodes de calcul de flux de puissance . . . . . . 34
vii
1.6.2 Stabilit des mthodes destimation dtat . . . . . . . . . . . . 35

1.6.3 Exemple dapplication . . . . . . . . . . . . . . . . . . . . . . 35
1.7 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
2: CHAPITRE 2 : TAT DE LART SUR LES

OBSERVATEURS DTAT NON LINAIRES 38
2.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
2.2 Observabilit des systmes non linaires . . . . . . . . . . . . . . . . . 38
2.2.1 Cas des systmes continus . . . . . . . . . . . . . . . . . . . . 39
2.2.2 Cas des systmes discrets . . . . . . . . . . . . . . . . . . . . . 41
2.3 Estimation dtat : les diffrents types dobservateurs . . . . . . . . . . 43
2.3.1 Filtre de Kalman Etendu . . . . . . . . . . . . . . . . . . . . . 44
2.3.2 Observateur de Thau . . . . . . . . . . . . . . . . . . . . . . . 45
2.3.3 Observateur sous forme canonique . . . . . . . . . . . . . . . . 48
2.3.4 Observateur Grand Gain . . . . . . . . . . . . . . . . . . . . 51
2.3.5 Observateur entre inconnue . . . . . . . . . . . . . . . . . . 58
2.3.6 Approche LMI . . . . . . . . . . . . . . . . . . . . . . . . . . 60
2.4 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 63
3: CHAPITRE 3 : ESTIMATION DTAT

ET DIAGNOSTIC DES RSEAUX LEC-
TRIQUES HT . . . . . . . . . . . . . . . . . . . . . 65
3.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65
3.2 Modlisation dynamique du rseau . . . . . . . . . . . . . . . . . . . . 65
3.2.1 Transformation du modle dynamique du rseau . . . . . . . . 65
3.2.2 Rsultats de simulation du modle dynamique . . . . . . . . . . 68
3.3 Synthse de Filtre pour lestimation dtat dynamique des rseaux lec-
triques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 73
3.3.1 Estimateur de Kalman Etendu (E.K.E) . . . . . . . . . . . . . . 74
3.3.2 Filtre de Kalman Etendu avec fentre de mesure glissante (F.K.E-
MH) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 75
viii
3.3.3 Analyse de la convergence . . . . . . . . . . . . . . . . . . . . 79

3.3.4 Rsultats de Simulation pour lestimation dtat . . . . . . . . . 83
3.4 Diagnostic des rseaux lectriques . . . . . . . . . . . . . . . . . . . . 92
3.4.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . 92
3.4.2 Mthodes de Diagnostic . . . . . . . . . . . . . . . . . . . . . 92
3.4.3 Rsultats de Simulation pour la dtection des dfauts . . . . . . 95
3.4.4 Localisation et Estimation des dfauts dans les rseaux lectriques100
3.5 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 119
4: CHAPITRE 4 : APPLICATION SUR UN

RSEAU TEST 5 NOEUDS . . . . . . . . . . 120
4.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 120
4.2 Prsentation du rseau . . . . . . . . . . . . . . . . . . . . . . . . . . 120
4.3 Modle dynamique du rseau . . . . . . . . . . . . . . . . . . . . . . . 121
4.4 Estimation dtat . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 123
4.5 Dtection, Localisation et Estimation des dfauts . . . . . . . . . . . . 127
4.5.1 Dtection et Localisation . . . . . . . . . . . . . . . . . . . . . 127
4.5.2 Estimation des dfauts . . . . . . . . . . . . . . . . . . . . . . 131
4.6 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 133
BIBLIOGRAPHIE . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 137
Annexe 147
I.1 Rseau test 3 noeuds . . . . . . . . . . . . . . . . . . . . . . . . . . . xviii
I.2 Rseau test 13 noeuds . . . . . . . . . . . . . . . . . . . . . . . . . . . xix
RSUM . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . xxi
LISTE DES TABLEAUX
1.I Type des noeuds dans un rseau lectrique . . . . . . . . . . . . . 7

1.II Comparaison des Performances des mthodes destimation dtat 25
1.III Valeurs des grandeurs , d et g des phases et leur influence sur les
tensions nodales . . . . . . . . . . . . . . . . . . . . . . . . . . 36
1.IV Valeurs des grandeurs , d et g des tensions et leur influence sur
les phases . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
1.V Valeurs des grandeurs , d et g des tensions nodales et des phases
estimes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
3.I erreur relative (%) et temps de calcul . . . . . . . . . . . . . . . . 72

3.II erreur relative (%) et temps de calcul avec des valeurs initiales
alatoires . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 90
3.III convergence (%) avec des valeurs initiales alatoires . . . . . . . 91
3.IV Erreur relative (%) avec valeurs initiales alatoires . . . . . . . . 92
3.V Taux (%) de dtection des dfauts . . . . . . . . . . . . . . . . . 99
3.VI convergence (%) avec des valeurs initiales alatoires . . . . . . . 107
3.VII erreur relative (%) avec variation alatoire de ltat initial . . . . . 118
4.I Caractristiques des liaisons lectriques entre noeuds . . . . . . . 121

4.II Caractristiques des Puissances et des Tensions des noeuds . . . . 121
I.I Tableau de Puissances . . . . . . . . . . . . . . . . . . . . . . . xx

I.II Donnes des Lignes . . . . . . . . . . . . . . . . . . . . . . . . xx
LISTE DES FIGURES
1.1 Topologies des rseaux lectriques . . . . . . . . . . . . . . . . . 2

1.2 Modle en dune ligne lectrique . . . . . . . . . . . . . . . . 3
1.3 Schma quivalent dun transformateur : Modle en . . . . . . 4
1.4 Calcul de V2 (KV) . . . . . . . . . . . . . . . . . . . . . . . . . 12
1.5 Calcul de P2 (MW) . . . . . . . . . . . . . . . . . . . . . . . . 12
1.6 Calcul de Q2 (MVAR) . . . . . . . . . . . . . . . . . . . . . . 13
1.7 Variation du temps de calcul (s) . . . . . . . . . . . . . . . . . . 13
1.8 Evolution de V1 avec AMC, MLS et FDE . . . . . . . . . . . . . 23
1.9 Evolution de V1 avec MS2 (nMS2 = 1, 4) . . . . . . . . . . . . . . 24
1.10 Schma de principe du diagramme de simulation dynamique . . . 31
1.11 Rseau test 5 noeuds . . . . . . . . . . . . . . . . . . . . . . . . 31
1.12 Evolution de langle de rotation mcanique 2 au noeud gnra-
teur 2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
1.13 Variation de la tension nodale V3 au noeud charge 3 . . . . . . . . 33
1.14 Variation de lcart de puissance active au noeud charge 3 P3 . . 33
2.1 Evolution de la sortie y = sin(x) . . . . . . . . . . . . . . . . . . 47

2.2 Diagramme fonctionnel dun observateur grand gain . . . . . . 52
3.1 Evolution de det(gxa ) en OM et DM . . . . . . . . . . . . . . . . 70

3.2 Evolution de la vitesse angulaire mcanique du noeud gnrateur
3 (x2 (k)) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 70
3.3 Evolution de la tension nodale au noeud charge 2 (x4 (k)) . . . . . 71
3.4 Evolution de la tension au noeud 1 :V1 (k) . . . . . . . . . . . . . 73
(k4,k)
3.5 Evolution du rang de la matrice dobservabilit : rang(O3noeuds ) . 83
3.6 Evolution de lerreur destimation . . . . . . . . . . . . . . . . . 84
3.7 Evolution de la tension nodale estime au noeud 2 : V2 (k) = x4 (k) 85
3.8 Evolution de 3 (k) = x2 (k) au noeud 3 . . . . . . . . . . . . . . 85
3.9 Evolution de la tension nodale estime au noeud 2 : V2 (k) = x4 (k) 86
xi
(k13,k)
3.10 Evolution du rang de la matrice dobservabilit : rang(O13noeuds ) 87
3.11 Evolution de (V1 (k) V1 (k)) avec OM et DM . . . . . . . . .
relle
88
3.12 Evolution de T1 and T2 + T3 dans OM . . . . . . . . . . . . . . . 89
3.13 Variation de kxrel xk
avec OM . . . . . . . . . . . . . . . . . . 90
3.14 Variation de kxrel xk
avec DM . . . . . . . . . . . . . . . . . . 91
3.15 Evolution de V2 (k) . . . . . . . . . . . . . . . . . . . . . . . . . 96
3.16 Evolution de V2 (k) . . . . . . . . . . . . . . . . . . . . . . . . . 97
3.17 Variation de residu rk . . . . . . . . . . . . . . . . . . . . . . . . 97
3.18 Variation de rsidu rk . . . . . . . . . . . . . . . . . . . . . . . . 98
3.19 Schma de principe de FDI . . . . . . . . . . . . . . . . . . . . . 104
3.20 Evolution de r(k) par le F.K.E-MH . . . . . . . . . . . . . . . . 108
3.21 Evolution des rsidus par les U.I.E.K.Fs . . . . . . . . . . . . . 108
3.24 Evolution de r(k) par E.K.F-MH . . . . . . . . . . . . . . . . . 110
3.25 Evolution des rsidus par U.I.E.K.Fs . . . . . . . . . . . . . . . 110
(k4,k)
3.28 Evolution du rang de la matrice dobservabilit : rang(O3noeuds ) . 114
3.29 Evolution de kxrel xa k avec lE.K.F . . . . . . . . . . . . . . . 115
3.30 Evolution de kxrel xa k avec le F.K.E-MH . . . . . . . . . . . . 115
3.31 Evolution de (k) (cas 1) . . . . . . . . . . . . . . . . . . . . . . 116
3.32 Evolution de (k) (cas 2) . . . . . . . . . . . . . . . . . . . . . 117
3.33 Evolution de (k) (cas 3) . . . . . . . . . . . . . . . . . . . . . 118
4.1 Rseau Test 5 Noeuds . . . . . . . . . . . . . . . . . . . . . . . 120

4.2 Schma Simulink du rseau test 5 noeuds . . . . . . . . . . . . . 123
4.3 Evolution de la puisance de sortie estime (P2,3 avec OM et DM) . 124
4.4 Evolution de P2,3 utilisant les modles OM et DM . . . . . . . . 125
4.5 Evolution de lerreur destimation . . . . . . . . . . . . . . . . . 125
xii
4.6 Evolution de 4 . . . . . . . . . . . . . . . . . . . . . . . . . . 126

4.7 Evolution des residus gnrs par le F.K.E, lE.K.E et le F.K.E-
M.H . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 128
4.8 Evolution du residu gnr par le F.K.E-M.H (1er dfaut) . . . . 129
4.9 Evolution des rsidus gnrs par les U.I.E.K.Fs . . . . . . . . . 130
4.10 Evolution du rsidu gnr par le F.K.E-M.H . . . . . . . . . . . 130
4.11 Evolution des rsidus gnrs par les U.I.E.K.Fs . . . . . . . . . 131
4.12 Evolution de (k) gnrs par lE.K.E et le F.K.E-MH . . . . . . 132
4.13 Evolution de (k) gnr par le F.K.E-MH . . . . . . . . . . . . 133
I.1 Schma du rseau test 3 noeuds . . . . . . . . . . . . . . . . . . xviii

I.2 Schma du rseau test 13 noeuds . . . . . . . . . . . . . . . . . . xix
LISTE DES ANNEXES
I: Annexe 1 . . . . . . . . . . . . . . . . . . . . . . . . . . .xviii
LISTE DES ACRONYMES
FP Flux de puissance (en anglais Load Flow)

OLF Optimal Load Flow (Flux de puissance Optimale)
PL Programmation Linaire
DAE Equations Algbro-Diffrentielles
ODE Equations Diffrentielles Ordinaires
LMI Ingalit Matricielle Linaire
OM Modle Ordinaire
DM Modle Dcoupl
F.K.E Filtre de Kalman Etendu
E.K.E Estimateur de Kalman Etendu
F.K.E-MH Filtre de Kalman Etendu avec fentre de mesures glissante
U.I.E.K.F Filtre de Kalman Etendu entres inconnues
U.I.K.F Filtre de Kalman entres inconnues
INTRODUCTION
En automatique moderne, lanalyse et le contrle/diagnostic/surveillance/commande
du comportement dynamique dun procd rel sont souvent fonds sur lutilisation de
modles de nature non linaire. La non linarit est due soit la complexit des phno-
mnes dcrits, soit la nature des bouclages utiliss. En effet, et mme si on se contente
dun modle linaire, le respect de certaines contraintes pratiques (saturation, hystr-
sis,...) mne des systmes boucls qui sont non linaires. Actuellement, dans la lit-
trature, plusieurs classes de systmes ont t tudies : les systmes bilinaires, les
systmes paramtres variant par rapport au temps(LPV), les systmes homognes, etc.
Aprs la phase de modlisation/identification, ltape destimation de ltat du systme
est fondamentale pour le diagnostic et la surveillance. En effet, ltat du systme nest
pas toujours compltement accessible et ceci est d essentiellement deux raisons.
Dune part, en raison des contraintes technologiques, dont on ne dispose pas toujours de
capteurs pour mesurer certaines grandeurs physiques. Dautre part, pour des contraintes
conomiques, dont on cherche minimiser le cot en saffranchissant de certains cap-
teurs. Lestimation de la partie non mesure de ltat seffectue travers un observateur.
Au cours des dernires dcennies, le problme de la synthse des observateurs a suscit
lintrt de beaucoup de chercheurs et a fait lobjet dun grand nombre de travaux. La
synthse des observateurs dpend essentiellement de la classe de systmes considre
(systmes bilinaires, systmes singuliers, LPV,etc.) et du type de lobservateur (obser-
vateurs dordre plein, observateurs fonctionnels, filtre de Kalman, etc.) selon lobjectif
recherch.
Ce travail de thse est une contribution au problme destimation dtat et de diag-

nostic des systmes complexes qui se traduit par les rseaux lectriques et par suite la
synthse dobservateurs ou filtre dont lobjectif est double : thorique et applicatif.
En effet, malgr une littrature abondante concernant la thorie de lestimation linaire,
on trouve peu de rsultats concernant les systmes non linaires de grandes dimensions.
Ces derniers, travers des problmatiques telles que lanalyse et la synthse des r-
xvi
seaux de communication, des rseaux lectriques, des rseaux de transports de matire

ou des systmes nergtiques, sont devenues une proccupation majeure et un des axes
de recherche les plus explors. Un des objectifs de ce travail est de faire la modlisa-
tion, lanalyse et la synthse destimateurs dtat afin de surveiller le comportement des
rseaux lectriques. En effet, il est trs difficile, voir impossible, (pour des raisons dac-
cessibilit, techniques et/ou de cot) de mesurer le nombre excessif des variables dtat
dans un systme de grandes dimensions. Il est donc important de dvelopper des cap-
teurs logiciels pouvant produire une estimation fiable des variables ncessaires pour le
diagnostic mais galement pour la commande.
Premirement, nous proposons des gnralisations de certains rsultats, caractre
thorique, de la littrature de deux aspects fondamentaux dun rseau lectrique : sta-
tique / algbriques (flux de puissance et estimation dtat) et celui dynamique, tout en
tablissant dans un premier temps des extensions et des modifications des mthodes uti-
lises, en se basant sur la minimisation de temps de calcul, et dans un deuxime temps
un nouveau modle dynamique se basant sur les techniques de transformations des sys-
tmes algbro-diffrentiels non linaires des systmes dquations diffrentielles non
linaires ordinaire en vrifiant la proprit dindex 1.
Deuximement, et en se basant sur les rsultats caractre thorique, nous dve-

loppons des nouvelles techniques de filtrage pour estimer les diffrentes grandeurs phy-
siques du rseau lectriques en vue du diagnostic ou de la commande. Il sagit en particu-
lier de diagnostiquer, localiser gographiquement et estimer quelques dfauts critiques ;
tel que le court-circuit, perte de puissance dalternateur et la coupure des lignes de trans-
port et qui sont des sources de dysfonctionnement pour le rseau avec une application
pour la validation des techniques dveloppes.
Notre travail est organis de la faon suivante :

Dans le premier chapitre, on aborde le problme de modlisation des rseaux lec-
triques. On prsente les deux aspects de base des rseaux : Statique et Dynamique. La
notion Statique (ou algbrique) se base sur deux problmatiques, qui sont le calcul de
xvii
rpartition de charges (ou load flow) et lestimation dtat statique. Laspect dynamique
se base sur une modlisation travers les quations algbro-diffrentielles non linaires
tout en validant les mthodes et les techniques dj utilises ainsi que des versions mo-
difies quon a dveloppes.
Le chapitre 2 introduit le problme destimation dtat et donne par suite un tat de

lart sur lestimation dtat des systmes non-linaires suivant une reprsentation dtat
spcifiques. Ainsi, des mthodes concernant lobservabilit des systmes non-linaires
sont exposes.
Le chapitre 3 est ddi adopter un modle dynamique propos des rseaux lec-
triques en se basant sur des techniques des transformations et principalement la proprit
dindex 1. Par suite la synthse dun filtre pour lestimation dtat, et dans ce sens nous
prsentons un nouveau filtre de kalman en se basant sur lajout dune fentre des mesures
glissante pour la dtection et lestimation avec une autre version entres inconnues pour
la localisation gographique des dfauts tout en tudiant la convergence et la stabilit lo-
cale.
Dans le chapitre 4, on propose une application des mthodes, techniques et al-

gorithmes dvelopps sur un rseau Test 5 noeuds tout en utilisant lenvironnement
Simulink et la bibliothque SimPowerSystems de MAT LABr pour prouver la faisabi-
lit des mthodes tudies pour une application temps rel en utilisant surtout les cartes
DSP.
1
CHAPITRE 1 : LES ASPECTS STATIQUES ET

DYNAMIQUES DANS LES RSEAUX LECTRIQUES
1.1 Introduction
Certains auteurs qualifient le rseau lectrique comme tant le circuit le plus grand ja-
mais invent par lhomme. Un circuit dont les lments (centrales, lignes,...jusquaux ap-
pareils les plus lmentaires de consommation dnergie lectrique) se situent et stendent
lchelle de continents entiers [1]. Cest cette tendue, en effet, qui pose la difficult de
pouvoir prvoir le comportement et tudier le fonctionnement dune machine aussi gi-
gantesque et comment lexploiter dans les conditions les plus optimales ? Cest pourquoi
il est vite apparu indispensable de dvelopper des modles du systme en question. Mo-
dles ncessairement rduit qui soient fidles au comportement, statique et dynamique,
du rseau rel afin de permettre son tude et son exploitation.
Dans ce chapitre, on prsente, en effet, ces deux aspects. On donnera un aperu sur le
calcul de rpartition de charge et lestimation dtat pour le comportement statique et
un aperu sur la modlisation sous forme des quations algbro-diffrentielles pour le
comportement dynamique du rseau. La formulation de ces aspects en modles math-
matiques permet leur comprhension et leur rsolution dune faon simple. Il est vident
que ces aspects dpendent du modle global tabli qui, lui mme, dpend du modle
lmentaire de chaque lment constituant le rseau.
1.2 Modlisation des lements constituants le rseau
Dans ce paragraphe on se limite la prsentation du modle de la ligne et du trans-

formateur car ces sont les lments essentiels du rseau et qui posent le plus de difficult.
En effet, cest eux qui assurent la liaison de tous les lments du rseau et par lesquels
transite la totalit de lnergie lectrique.
Cette modlisation, souvent prise en fonctionnement triphas symtrique, repose sur plu-
2
sieurs hypothses :
Tous les lments sont triphass et quilibrs.
Les influences entre les diffrents lments ne sont pas prises en compte.
Ainsi le modle du rseau triphas se rduit un modle monophas quivalent. Les

lignes lectriques sont reprsentes par des quadriples quivalents constantes concen-
tres. Les transformateurs du rseau sont modliss par leur schma quivalent mono-
phas.
Deux topologies du rseaux sont alors utiliss (Figure 1.1) :
Fig. 1.1: Topologies des rseaux lectriques
La topologie en boucle est la plus utilise car la topologie radiale pose le problme de
continuit dalimentation dnergie en cas de dfaillance (coupure de la ligne).
1.2.1 Modle de la ligne
Dans la littrature le modle souvent voqu (entre deux noeuds i et j) est celui dun
quadriple en (Figure 1.2), ayant comme lments une impdance srie ou longitudi-
nale (zi j ) et une admittance en drivation ou transversale (yi j ) [1] :
0
3
Fig. 1.2: Modle en dune ligne lectrique
Lexpression complexe de limpdance srie est donne par lquation suivante :
zi j = ri j + jxi j
avec :
1 ri j x
ij
zi j = yi j = ri2j +xi2j
j r2 +x 2 = gi j + jbi j
ij ij
gi j0 + jbi j0
yi j = 2
0
O :
ri j est la rsistance srie quivalente de la ligne.
xi j est la ractance inductive quivalente de la ligne.
gi j0 conductance transversale quivalente de la ligne ct noeud i.
bi j0 suceptance capacitive de la ligne ct noeud i.
1.2.2 Modle du transformateur
Le modle souvent utilis du transformateur entre les noeuds i et j est donn dans
un systme normalis (systme "per unit"). La figure 1.3 suivante donne le schma de ce
modle :
4
Fig. 1.3: Schma quivalent dun transformateur : Modle en
Avec :
yi j = yt Ni j
yi j
Y i0 = yt (1 Ni j ) + 2
0 (1.1)
y
2 i j0
Y j0 = yt Ni j (Ni j 1) + Ni j 2
O :
vccVni2
zt est limpdance quivalente srie donne par zt = rt + jxt (avec |zt | = 100Sn ) et
1
yt = zt ladmittance srie ;
V2
rt : rsistance quivalente du transformateur donne par rt = Pc Sni2 103 ;
n
p
xt : ractance inductive quivalente du transformateur donne par xt = zt2 rt2 ;
vcc : tension de court-circuit en p.u ;
Sn : puissance apparente nominale du transformateur ;
Vni : tension simple nominale du transformateur ;
Pc : pertes actives de puissance dans les enroulements du transformateur ;
i0 Sn
yi j0 : ladmittance en drivation donne par yi j = gi j0 + jbi j0 avec : bi j0 = 100V 2
0 ni
3
et gi j0 = Pf 10V 2 ;
ni
i0 : courant de magntisation vide du transformateur en p.u ;
Pf : pertes actives vide du transformateur ;

5
Ni j = VVij : le rapport nominale de transformation.
Cette tape de modlisation de la ligne et ses lments est essentielle pour le calcul
des quations principales du rseau particulirement la matrice dadmittance nodale.
1.3 Matrice dadmittance nodale
Cette matrice est llment de base pour ltude des diffrents aspects lis au fonc-
tionnement du rseau lectrique. Cest lexpression :
[Y nn ][V n ] = [I n ] (1.2)
o :
n est le nombre des noeuds du rseau ;
[I n ] est le vecteur courants dans les noeuds ;
[V n ] est le vecteur tensions nodales ;
[Y nn ] est la matrice dadmittance nodales ayant comme termes :
Y ii = nj=1 (yi j + yi j ) = Gii + jBii

0 (1.3)
Y i j = y ji = Gi j + jBi j
Les rgles gnrales dcriture directe de la matrice [Y nn ] sont :
Y ii est ladmittance propre associe au noeud i. Elle est gale la somme des
admittances des branches incidentes ce noeud.
Y i j est ladmittance de transfert associe aux noeuds i et j. Elle est gale lad-
mittance de la branche qui joint ces deux noeuds change de signe.
Aprs la prsentation des modles et de la matrice de ladmittance nodale du rseau, il

devient accessible de prsenter le fonctionnement de ce dernier dans ses aspects statique
et dynamique.
6
1.4 Aspect Statique
Dans cet aspect deux modes fondamentaux sont voquer :
Calcul de rpartition de charge (communment appele "flux de puissance" ou en

anglais "Load Flow").
Estimation dtat statique.
1.4.1 Notion de flux de puissance
Une prsentation de cette notion de flux de puissance [2] dans ces aspects mathma-
tiques, algorithmiques [1] [3] et de simulation sont donnes dans ce paragraphe. Ceci
est directement li au topologie du rseau et au nombre de noeuds qui le constitue. Un
exemple dapplication sur un rseau test trois noeuds selon la standard IEEE sera pr-
sent.
1.4.1.1 Notion de Noeuds
La gestion du rseau lectrique par lutilisation de son schma quivalent en passe

ncessairement par la gestion du flux de puissance transitant par les noeuds. Ces derniers
sont llment de dpart de chaque tude du rseau.
Ltat lectrique dun noeud est caractris par 4 variables : Tension et Phase (Vi , i )
et les puissances active et ractive (Pi , Qi ). Selon le type de noeud, deux variables sont
donnes, les deux autres restent dterminer [1]. On dfinit alors deux types de noeuds :
Noeuds charges : (Noeud PQ) : Noeud pour lequel les puissances active et rac-
tive (P, Q) sont toujours donnes. La tension en module et en phase (V, ) sont
calculer.
Noeuds gnrateur :(Noeud PV ) : Noeud pour lequel la puissance active et le

module de tension sont donnes. La puissance ractive et la phase (Q, ) sont
dterminer.
7
Dautres combinaisons sont possibles. On voque les noeuds bilan et les noeuds tension
contrle. Le tableau 1.I suivant prsente lensemble des noeuds pouvant tre utilises
dans un rseau lectrique. Rappelons que lusage des grandeurs nodales impose un signe
Grandeurs connues Grandeurs calculer

Noeud bilan |V |, = 0 P, Q
Noeuds charges P, Q |V |,
Noeuds gnrateurs |V |, P ,Q
Noeuds tension contrle |V |, P, Q , Ni j
Tab. 1.I: Type des noeuds dans un rseau lectrique
positif pour les puissances actives des gnrateurs et ngatif pour les charges.
Le traitement mathmatique pour un rseau lectrique de N-noeuds passe par ltablis-
sement de 2N quations algbriques.
1.4.1.2 Aspects mathmatiques
Selon le modle donn par la figure 1.2 du paragraphe Modle de la ligne on peut
crire :
V i = Vi e ji
(1.4)
V j = V j e j j
avec tant le dphasage entre la tension et le courant dans le noeud.

Les expressions des puissances active Pi j et ractive Qi j de transit en i sur une liaison
i j sont donnes par les relations ci-dessous [4] [5] :
Pi j = Vi2 Gi j +ViV j [Gi j cos(i j ) + Bi j sin(i j )]

(1.5)
Qi j = Vi2 Bi j ViV j [Gi j sin(i j ) Bi j cos(i j )]
De mme les expressions des puissances nodales active Pi et ractive Qi sont les sui-
vantes :
Pi = Vi nj=1 V j [Gi j cos(i j ) + Bi j sin(i j )]
(1.6)
Qi = Vi nj=1 V j [Gi j sin(i j ) Bi j cos(i j )]
8
La puissance dans un noeud i doit vrifier lexpression suivante :
Pi Pi j = 0
j(i)
O (i) est le sous-ensemble des noeuds raccords au noeud i.

De mme pour la puissance ractive :
Qi Qi j = 0
j(i)
1.4.1.3 Mthode de Newton-Raphson
La mthode de Newton-Raphson est la plus utilise pour la rsolution dun systme

de 2N quations tablit pour le rseau. Dans le cas dun systme dquations non li-
naires, on peut appliquer la mthode de Newton-Raphson de la faon suivante [6]. Soit
le systme rsoudre (n = 2N) :

f1 (x1 , . . . , xn ) = Y1

... (1.7)

fn (x1 , . . . , xn ) = Yn

Le principe de cette mthode consiste supposer qu partir dun ensemble de valeurs

initiales x10 , . . . , xn0 , on cherche les variations dx1 , . . . , dxn qui satisfont les relations du
systme ci dessus. Lapplication de la formule de Taylor permet de simplifier les expres-
sions obtenues en permettant dcrire la forme matricielle suivante :
[ f (X 0 + dX)] = [ f (X 0 )] + [J(X 0 )][dX] = [Y ] (1.8)
O : [J] = [ xfij ]; i, j = 1, . . . , n est la matrice Jacobienne.

Pour un rseau o en supposant Pi et Qi sont connues, on calcul les carts Vi et i
permettant dannuler les carts des puissances active et ractive.
9
Soient :
Pi
Piimp Pi = nj=1 ( V j
V j + Pij j )
(1.9)
Qimp
i Qi = nj=1 ( VQji V j + Q
j j )
i
Vi
Le temps de calcul peut tre rduit si on exprime les inconnues par i et Vi .
Les expressions des drives partielles se dduisent immdiatement des relations (1.10)
suivantes :
Pi
i = Hii = Qi BiiVi
Pi
j = Hi j = ViV j [Gi j sin(i j ) Bi j cos(i j )]
Pi
Vi Vi = Nii = GiiVi + Pi
Pi
V j V j = Ni j = ViV j [Gi j cos(i j ) + Bi j sin(i j )]
Qi
(1.10)
i = Jii = Pi GiiVi
Qi
j = Ji j = Ni j
Qi
Vi Vi = Lii = Qi BiiVi
Qi
V j V j = Li j = Hi j
Ce qui donne le systme matriciel suivant :

P J1 J2
= (1.11)
V
Q J3 J4 V
Avec :
Pi Pi Qi Qi
[J1 ] = ; [J2 ] = V j ; [J3 ] = ; [J4 ] = Vj (1.12)
j Vj j Vj
o : i, j = 1, 2, ..., N
Lalgorithme est resoulu en suivant ces tapes :
1. Calcul des puissances nodales Pi , Qi et par la suite Pi , Qi daprs lquation

(1.9).
2. Calcul de la matrice jacobienne J (quation 1.11) .
Vi
3. Dtermination de i et Vi .
10
4. Mise jour des phases ( i+1 ) et des tensions nodales (V i+1 ) par :
V (i+1) = V (i) + V (i)

(i+1) = (i) + (i)
5. Vrification de la condition de convergence de cet algorithme aboutissant P(i) , Q(i)

, Sinon retour ltape 1.
1.4.1.4 Mthodes Dcouples
Lobjectif de cette mthode tant le mme que la mthode prcdente, celle ci a

lavantage de rduire le temps de calcul [7] mais linconvnient quelle ne soit applicable
pour les rseaux hautes tension.
Dans un rseau haute tension, il est connue que les phases rgissent essentiellement la
circulation des puissances actives et que les modules des tensions nodales sont principa-
lement dpendants de la circulation des puissances ractives. Dans ces conditions, ceci
conduit lannulation des sous matrices [J2 ] et [J3 ] dans le systme 1.11, ce qui permet
lobtention de deux systmes dont la dimension de la matrice inverser est quatre fois
plus petite :
[ ] = [J1 ]1 [P]
V (1.13)
1
V = [J4 ] [Q]
Pour encore rduire davantage le temps de calcul, notamment dans ltude rpte de
scurit N 1 (perte dun lment de production ou de transmission), une mthode dite
"rapide" est propose [1]. Les lments des matrices [J1 ] et [J4 ], dans ce cas sont simpli-
fis en ngligeant les parties relles des admittances des lignes en assimilant le sinus de
la diffrence des phases entre noeuds zro et la diffrence dangle de cosinus lunit,
ce qui permet dcrire :

[ ] = [B ]1 P
V
(1.14)
[V ] = [B ]1 Q
V
11

o : Bi j = Bi j (suceptance de la ligne i j) si i 6= j et Bii = Nj=1 Bi j

et, Bi j = Bi j si i 6= j et Bii = Nj=1 Bi j + 2Bsii (Bsii tant la suceptance shunt au noeud
i).

Les matrices [B ] et [B ] sont relles et symtriques.
1.4.1.5 Exemple de simulation 1
Une application des mthodes dcrites prcdemment sur un rseau test 3 noeuds
suivant le standard IEEE (voir annexe I) est prsente dans cet exemple. Le rseau test
est compos de 2 noeuds gnrateurs. Le noeud 1 est pris comme noeud de rfrence et
le noeud 2 comme noeud charge.
La formulation mathmatique de cet exemple avec la mthode de Newton-Raphson (N-
R) est alors :
P2 H22 N22 H23 2
Q2 = J22 L22 J23 . V2

V2
P3 H32 N32 H33 3
Pour la mthode dcouple ordinaire (M-D), on extrait directement les valeurs de J1 et

J4 du jacoben form par la mthode de Newton.
Pour la mthode dcouple rapide (M-D-R) on procde la formulation suivante :

P2
B B
V2 = 22 23
. 2
P3
V3 B 32 B 33 3
h i
Q2
V2 = B 22 .V2
Avec : B 22 = 9.80198, B 23 = B 32 = 5.4455, B 33 = 12.25247 et B 22 = Im(Y22 ) =

0.043049.
On choisit les valeurs initiales suivantes pour les tensions nodales et les phases :
(0) (0) (0) (0)
V1 = 230KV , 1 = 0, V2 = 220KV , 2 = 0, et V3 = 228KV , 3 = 0 ; et on applique
les algorithmes jusqu ce que P(i) , Q(i) = 0.05.
Dans ce qui suit, on prsente quelques courbes montrant lvolution du calcul et la rapi-
12
dit de convergence obtenues par lutilisation des algorithmes prsents ci-dessus pour
quelques grandeurs : V2 (Figure 1.4), P2 (Figure 1.5) et Q2 (Figure 1.6). La Figure
1.7 donne la variation de temps de calcul pour les mthodes de rsolution utilises. Dans
toutes les figures (k) prsente le nombre des itrations.
220
MDR
MD
219 NR
218
Tension nodale U2 (kV)
217
216
215
214
213
0 2 4 6 8 10 12 14 16
Itrations (k)
Fig. 1.4: Calcul de V2 (KV)
50
MDR
50 MD
P (MW)
NR
2
100
150
200
0 5 10 15
Itrations (k)
Fig. 1.5: Calcul de P2 (MW)

13
5 NR
MD
10 MDR
Q (MVAR)
15
2 20
25
30
35
40
45
0 5 10 15
Itrations(k)
Fig. 1.6: Calcul de Q2 (MVAR)
4
x 10
4
MDR
MD
3.5 NR
3
Temps de Calcul (s)
2.5
1.5
0.5
0 5 10 15
Itrations (k)
Fig. 1.7: Variation du temps de calcul (s)
Nous constatons que les trois mthodes de calcul convergent vers des valeurs stables au
bout de trois itrations environ. Cependant, elles diffrent quand la rapidit de calcul.
En effet, la courbe 1.7 montre lavantage de lutilisation de lalgorithme dcoupl-rapide
(M-D-R) dont la dure est de moiti du temps compar la mthode N-R.
14
1.4.2 Notion destimation dtat
1.4.2.1 Introduction
Dans les centres modernes de conduite des rseaux lectriques les fonctions de scu-
rit, sous forme de programmes excuts en temps rel, sont destins aider loprateur
maintenir le systme dans un tat de fonctionnement normal quelque soient les pertur-
bations.
Disposer dun historique rcent de ltat du rseau et de ses diffrents paramtres
de contrle facilite cette tche. Un modle destimation dtat joue alors un rle central
essentiel permettant de fournir une " image instantane " fiable, cohrente et complte de
la valeur de toutes ces paramtres. Dans le cas o cest la tension nodale et sa phase qui
sont les paramtres estimer, lestimateur dtat cherche les valeurs qui correspondent
au mieux avec les valeurs mesures et disponibles un instant donn.
1.4.2.2 Procdure
On procde souvent en trois tapes :
On considre le modle de travail qui est gnralement le modle monophas.
Ltat du rseau, dont le nombre de noeuds N est fix par le modle, est com-
pltement dfini par le vecteur dtat [x] form par les modules et les phases des
tensions nodales :
[x] = [V1 ,V2 , 2 ,V3 , ...,VN , N ]T . Le noeud 1 dans ce cas est considr comme
noeud bilan.
On cherche le vecteur [x] qui soit le plus fiable possible en dpit des erreurs qui
entachent les mesures et les donnes partir desquelles il a t estim.
Diffrentes mthodes destimation dtat sont utilises. On cite particulirement les tech-
nique des moindres carrs pondrs complte [8] [5], les techniques se basant sur les
puissances de transits en ligne [9] et les algorithmes dcoupls [10] [11].
15
1.4.2.3 Modle mathmatique
Soit n le nombre de composants du vecteur dtat et soit m > n le nombre des com-
posants du vecteur de mesure [z].
Considrons que chacune des i mesures (i : 1...m) est entache derreur i . Ceci nous
permet dcrire :
zi = zi,e + i (1.15)
O : zi est la valeur mesure ; zi,e : valeur exacte, mais inconnue, de la grandeur mesure ;
i : lerreur de mesure qui peut tre positive ou ngative.
Hypothses :
- En notant E esprance mathmatique, on suppose que lerreur i a une valeur
moyenne nulle et un cart-type i tel que E(i ) = 0 et E( 2 i ) = 2 i .
- On admettra quil ny a pas de corrlation entre les erreurs, donc E(i j ) = 0
pour i 6= j ( j : 1...m).
Modlisation :
En exprimant zi sous forme matricielle, nous obtenons :
[z] = [ f [x]] + [ ] (1.16)

2

.....

z1 f1 [x] x1
N
O : [z] = ...... ; [ f [x]] =
; [x] = .... =
.........

V1

zm fm [x] xn

.....

VN

1 2 ...........

et : E[ ] = [0]; E[[ ][ ]T ] = [R] =
.................. , [R] tant la matrice diago-

...............m 2
nale de covariance des mesures.

16
1.4.2.4 Algorithme de moindres carrs (A.M.C)
Ltat vritable [x] est toujours inconnu. A partir des valeurs mesures [z], on cherche
une estimation [x]
de ltat du rseau tel que les fonctions [ f ([x])]
sajustent au mieux
avec les valeurs de [z]. Pour chacune des variables xi il faut disposer dau moins une
mesure indpendante. Il est souhaitable dobtenir un tat estim [x]
qui prsente une
probabilit maximale de concidence avec ltat vrai [x]. On cherche donc maximiser
la probabilit permettant daboutir [ f ([x])] = [ f ([x])]
ou aussi minimiser :
m m
J([x]) T [R]1 [[z] [ f ([x])]]
2 /i 2 = [[z] [ f ([x])]]
= Wi i = [zi fi ([x])] (1.17)
i=1 i=1
Wi tant les coefficients de pondration et [R]1 = [W ] (W tant la matrice de lensemble

des valeurs Wi ).
La minimisation de lexpression (1.17) est une estimation au sens des moindres carrs
pondrs (Weighted Least Squares ou WLS). On minimise la somme des carts entre
les valeurs mesures et valeurs calcules en pondrant chacun des termes par la variance
de la mesure correspondante. Ltat estim par cette mthode possde les proprits
statistiques suivantes :
Il nest pas biais : E([x] [x])

= [0].
Il possde la variance minimale :

E[([x] [x])([x]
T ] < E[([x] [x ])([x] [x ])T ], [x ] 6= [x]
[x])
Un estimateur possdant ces proprits est qualifi doptimal. La minimisation de J([x])

se traduit encore par :
J([x])

x1
J([x])

x J(x) |x=x =
x2

(1.18)
...........
17
donc [x]
satisfait les conditions doptimalit :

z1 f 1 (x)

T 1

x J(x) |x=x [R] z2 f2 (x) = 0
= 2 [H(x)] (1.19)

............

Avec H(x) la matrice jacobienne donne par :

f1 f1 f1
x1 x2 .... xn

H(x) =
....... .......... ....... .........
(1.20)
fm fm fm
x x .... xn
1 2
Le systme dquations non linaires (1.19) est rsolu de manire classique par la m-
thode de Newton-Raphson et est linaris par un dveloppement en srie de Taylor au
voisinage dune solution initiale du vecteur dtat [8]. On dduit ensuite lapproximation
litration suivante par (schma itratif) :
T 1 T
[xk+1 ] = [xk ] + [[H(xk )] [R]1 [H(xk )]] [H(xk )] [R]1 [[z] [ f (xk )]] (1.21)
La rsolution de lquation ci-dessus est lie lexistance de linverse de matrice de gain

T
[[H(xk )] [R]1 [H(xk )]] = [Gk ] et que m > 2N 1.
1.4.2.5 Algorithmes Simplifis matrice constante
Cette mthode est une variante de la mthode A.M.C expose ci-dessus. Elle est
applique surtout lorsque lobservation de ltat estim est peu loigne de ltat initial.
Par consquent les lments des matrices jacobienne et de gain, varient trs peu dune
itration lautre. Deux mthodes de traitement existent [1] :
1. La premire mthode (M.S.1), calcule la matrice jacobienne chaque itration

mais conserve la matrice de gain constante aprs la premire ou deuxime itra-
tion :
T
[Gk ][[xk+1 ] [xk ]] = [H(xk )] [R]1 [[z] [ f (xk )]] (1.22)
18
T
O : [Gk ][xk ] = [H(xk )] [R]1 [[z] [ f (xk )]] , avec [Gk ] constante. Lavantage de
cette mthode est de rduire le temps de calcul de la matrice de gain.
2. La seconde mthode (M.S.2), suppose que les deux matrices, jacobienne et de

gain, restent constantes partir dune itration n. Ds que k > n (k nombre dit-
rations), on aura :
[Gn ][xk ] = [H(xn )]T [R]1 [[z] [ f (xk )]] (1.23)
avec : [[H(xn )]T [R]1 [H(xn )]] = [Gn ].

Cette mthode est particulirement utile si n = 1 et Vi = V j = 1 et i = j = 0.
1.4.2.6 Algorithmes Dcoupls
Ces algorithmes, comme dans le cas de calcul de rpartition des charges, repose
sur le dcouplage actif/ractif donc phase/module de tension. Ce type destimateur [10]
convient essentiellement aux rseaux dont les branches prsentent un rapport X/R lev.
En premier
lieu, onrcrit
le vecteur de mesures et dtat comme suit :
[zP ] [ ]
[z] = ; [x] = Les dcompositions correspondantes de [H] et [G] sont :
[zQ ] [U]

[HP ] [HPV ]
[H([U], [ ])] = (1.24)
[HQ ] [HQV ]

[G ] [GV ]
[G([U], [ ])] = (1.25)
[GV ] [GVV ]
Lquation de la mthode de base :
[G([U], [ ])][x] = [r] (1.26)

19

[ ] [RP ] 0 [r ]
Avec : [G] = [H]T [R]1 [H] ; [x] = ;[R] = ; et [r] = =
[U] 0 [RQ ] [rV ]
[H]T [R]1 [[z] [ f (x)]] devient avec ce dcouplage :
[G ][ ] = [r ] (1.27)
[GVV ][V ] = [rV ] (1.28)
En gnral, on rsout dabord lquation (1.27) pour introduire les phases amliores
dans lquation (1.28).
Pour ce type de dcouplage, [HPV ] 0 et [HQ ] 0, les matrices de gain sont les sui-
vantes :
[G ] = [HP ]T [RP ]1 [HP ] (1.29)
[GVV ] = [HQV ]T [RQ ]1 [HQV ] (1.30)
1.4.2.7 Algorithme Dcoupl Rapide (Fast Decoupled Estimator F.D.E)
La mthodologie propose [9] est base sur les mesures des puissances actives et r-
actives qui transitent dans les lignes et des tensions. Les mesures de ces puissances sont
combins en utilisant des facteurs de multiplication qui permettent de dcoupler lqua-
tion de base en deux quations simplifiant ainsi la rsolution. Les matrices Jacobiennes
rsultantes sont constantes et sont calcules seulement une fois au dbut du processus
itratif [12].
La procdure de cette mthode repose sur la connaissance des puissances actives et rac-
tives dans une ligne l situe entre les noeuds i et j. Ces puissances sont donnes par les
quations (1.5). Elles peuvent tre combines pour former deux ensembles de mesures,
rels g et imaginaires f , en utilisant les facteurs i j et i j comme suit :
gi j = i j Pi j + i j Qi j
(1.31)
fi j = i j Pi j + i j Qi j
20
Les quations (1.5) et (1.31) sont linarises autour dun point de fonctionnement dfini.
Nous obtenons alors :
K N g
= (1.32)
M L V f
o :
gi j = (i j Pm i j + i j Qm i j )/ViV j

(i j Pm i j + i j Qm i j )/V j (1.33)
fi j =
V m
Avec :
Pimj , Qm m
i j et V : les diffrences entre les valeurs mesures et calcules.
g g f f
K= , N= V , M= et L = V sont les drivs partielles des fonctions g et
f.
Ltat estim est finallement donn par :
LT R j 1 L [V ] = LT R j 1 [ f ]

(1.34)
K T R p 1 K [ ] = K T R p 1 [g ]

avec : [g ] = [g] [N] [V ].

Les facteurs de multiplication sont choisis de manire ce que i j = Bi j et i j = Gi j .
1.4.2.8 Mthode des Mdianes (Least Median of Squares L.M.S)
Cette mthode [5]) se base sur la minimisation du critre suivant :
2

= median (zi fi ([x]))
J([x]) (1.35)
21
Nous avons propos une version modifie de cette mthode [13] (M.L.M.S) qui repose
sur la minimisation de critre :
2

(zi fi ([x]))
= median
J([x]) (1.36)
i2
ceci conduit la minimisation de lexpression :

n o
T 1
min median([z h(x)] R [z h(x)]) (1.37)
x
La solution est obtenue en rsolvant itrativement le problme de programmation linaire

donn par lquation ci-dessus permettant davoir x suffisamment faible. Dautres m-
thodes destimation dtat sont proposes par la littrature tel que : la mthode WLS
modifie [14], les mthodes se basant sur les rseaux de neurones [15], la mthode non
gaussienne [16]. Dans ce que nous avons expos ci-dessus, on sest limit aux mthodes
de base et aux mthodes les plus actuelles.
1.4.2.9 Observabilit pour lestimation dtat
La vrification de lobservabilit du systme, est la premire tape raliser avant

lapplication de lestimateur. On procde de la manire suivante :
En disposant de m mesures (m > 2N 1) auxquelles sont associes m quations,

lestimateur doit rsoudre un systme de m quations 2N 1 inconnues. Ceci
nest possible que si la matrice jacobienne du systme est de rang 2N 1. Dans ce
cas le rseau est observable.
Si le rseau est observable lestimateur doit tre capable de dtecter les mesures
errones. On dfinit alors un coefficient dit de redondance globale donn par le
m m
rapport du nombre de mesures au nombre de variables dtat soit : = n = 2N1 .
Dans la pratique on considre quune redondance comprise entre 1,5 et 2,5 est
suffisante pour un bon fonctionnement de lalgorithme.
22
Dans la littrature plusieurs mthodes de base sont proposes pour la vrification de

lobservabilit. Nous prsentons dans ce qui suit deux de ces mthodes.
1. Analyse par le rang de la matrice Jacobienne :

Lalgorithme itratif (1.21) exige que la matrice [G] soit rgulire. Si de plus la
matrice [R] est diagonale dfinie positive et rgulire, (alors la matrice jacobienne
[H] est de rang complet), un rseau de N noeuds (dont le vecteur dtat [x] est de
dimension 2N 1) est dit algbriquement observable si le rang de [H] est 2N
1 pour tout x. Un rseau sera donc observable si les n colonnes de la matrice
jacobienne [H] sont linairement indpendantes.
2. Analyse dobservabilit par la topologie :

La dfinition la plus utilise pour lobservabilit dun rseau est base sur la ver-
sion dcouple de lestimation par moindres carrs [17]. Dans cette hypothse, les
diffrentes mesures sont lies aux inconnues par lquation suivante :

[zP ] [HP ] [0] [X ] [P ]
= . + (1.38)
[zQ ] [0] [HQV ] [XV ] [Q ]
Pour ce type de reprsentation, le rseau est algbriquement observable si :
rang[HP ] = N 1
(1.39)
rang[HQV ] = N
Le problme du rang revient un problme de connectivit : Un rseau est observable

du point de vue phases si tous les noeuds sont relis par des mesures de puissance active
de sorte que toutes les phases pourront tre calcules ds quun noeud de rfrence sera
fix.
Dautres mthodes danalyse dobservabilit sont aussi proposes dans la littrature
comme : lobservabilit par PMU (Phasor Measurement Units) [18], Observabilit par
signaux sinusodaux [19],...
23
1.4.2.10 Exemple de simulation 2
Afin de montrer les performances de chacune des mthodes exposes ci-dessus, nous
prsentons un exemple de traitement de deux rseaux test IEEE 3 et 13 noeuds (voir
annexe I).
Rseau test 3 noeuds :

Nous prsentons dans la figure 1.8 la variation de la tension nodale estime (V1 ) au
noeud 1 par les mthodes A.M.C, MLS, FDE. La figure 1.9 prsente lvolution
de la mme variable par la mthode MS2 en modifiant les valeurs de nMS2 :
250
240
tension nodale estime au noeud 1
230
220
A.M.C
210 MLS
FDE
200
190
180
170
160
150
1 2 3 4 5 6 7 8 9 10 11
Iterations (k)
Fig. 1.8: Evolution de V1 avec AMC, MLS et FDE

24
300
MS2 (n=1)
MS2 (n=4)
250
200
U1 (KV) estime
150
100
50
0
0 50 100 150 200 250
Iterations (k)
Fig. 1.9: Evolution de V1 avec MS2 (nMS2 = 1, 4)
Daprs la figure 1.8, les trois mthodes convergent vers la valeur relle. Cepen-
dant, la mthode FDE converge dans 2 itrations seulement alors que les mthodes
A.M.C et MLS convergent au bout de 4 itrations. Dou lintrt de lutilisation
de la mthode FDE.
Dans la figure 1.9, nous remarquons que la variation de nMS2 de 1 4, le nombre
ditrations jusqu la convergence est rduit, do lintrt de la dtermination
dune valeur optimale de nMS2 .
Rseau test 13 noeuds :

Le nombre de noeuds tant augment, le systme devient plus complexe et le trai-
tement plus lourd. En fonction des mthodes utilises, le nombre ditrations de-
vient plus important avec des temps de calcul ncessairement diffrents. Nous
prsentons dans le tableau (1.II) les rsultats obtenues des performances des m-
thodes destimation dtat utilises :
Nous constatons que la mthode F.D.E converge en un minimum de nombre dit-
rations avec un minimum de temps de calcul. Ceci confirme la validit de cette
mthode quelque soit le nombre de noeuds.
Un autre terme trs intressant lors de choix des mthodes destimation est la va-
riation (choix) des valeurs initiales des tats (vecteur dinitiation). En effet, mme
25
Mthode Itrations CPU time

A.M.C 15 0.3438 (s)
M.S.2 avec (n = 1) 270 0.6406 (s)
M.S.2 avec (n = 4) 19 0.31094 (s)
M.L.M.S 4 0.0313 (s)
F.D.E 2 0.00617 (s)
Tab. 1.II: Comparaison des Performances des mthodes destimation dtat
en variant ce vecteur dtat initiale (avec des valeurs acceptables de lordre de

15%), les algorithmes doivent converger toujours vers la bonne solution. Ceci
met en vidence la robustesse de la mthode ou lalgorithme choisie.
1.5 Mode Dynamique
Le comportement dynamique dun rseau lectrique peut tre modlis avec une
combinaison dquations diffrentielles non-linaires et dquations algbriques non-
linaires [20], [5]. Les quations diffrentielles non-linaires correspondent la dyna-
mique non-linaire des gnrateurs et les quations algbriques non-linaires corres-
pondent aux contraintes algbriques des noeuds charges du rseau.
Si le rseau est un point dquilibre, en ngligeant les quations diffrentielles non-
linaires, on se trouve dans le cas dtude du flux de puissance et le calcul se concentre
sur la recherche de la solution itrative des quations algbriques non-linaires.
Pour lanalyse de la stabilit, le rseau tant toujours suppos en quilibre, les quations
diffrentielles non-linaires sont seules considrer. Les quations algbriques sont sup-
poses satisfaites.
Que le rseau soit en quilibre ou non, son modle sous forme DAE inclut les deux en-
sembles dquations diffrentielles et algbriques. La forme gnrale du modle dans ce
cas est donne par :
xd (t) = F(xd (t), xa (t), u(t))
0= g(xd (t), xa (t)) (1.40)
y(t) = h(xd (t), xa (t))
26
xd (t) Rnd , xa (t) Rna sont respectivement les variables dtats dynamiques et alg-
briques, F(.) Rnd une fonction reprsentant les quations diffrentielles non linaires,
g(.) Rna rpresente les contraintes (quations) algbriques non linaire, u(t) R p la
commande et y(t) Rm la sortie du systme.
Les modles dynamiques existants traits sous forme de D.A.E, subissent, souvent, des
transformations :
Soit pour les simplifier et les linariser [21].
Soit pour les rendre sous forme dun systme singulier non linaire en insrant des
hypothses simplificatrices sur la variation des phases ou des tensions [22]. Ceci
fait disparaitre certains paramtres (surtout les paramtres algbriques).
Nous prsentons dans ce qui suit des nouveaux modles (DAE) [5] prenant en compte
toutes les variables rgissant le comportement dun rseau lectrique quelque soit la
nature des gnrateurs et des charges.
Cette reprsentation [5] prend en compte les variables et les paramtres internes de la
source (alternateur) ainsi que les quations algbriques dfinies prcdemment dans le
calcul de bilan de puissance. Nous commenons cette reprsentation par la modlisation
dynamique des diffrentes composantes du rseau.
Soient : ng le nombre des gnrateurs ; nld nombre des charges dynamiques et nls nombre
des charges statiques.
Modle de la source (sans lexcitateur) :

Le comportement du gnrateur, dans le domaine lectromcanique peut tre mo-
dlis en utilisant lquation classique doscillation [23],[24]. Cette quation mo-
dlise la dynamique du rotor du gnrateur en particulier la diffrence entre le
couple mcanique et le couple lectromagntique. Lexpression de lquation, en
supposant que langle de rotation mcanique est gale langle de rotation lec-
trique du gnrateur, tant :
i = i
PGi ( , ,V )
(1.41)
i + D
M +
i
M = PMi
M
27
i est la vitesse angulaire mcanique ; D est la constante damortissement du g-

nrateur ; M est la constante dinertie ; PMi est la puissance mcanique dentre ;
V est la tension nodale et PGi est la puissance lectrique du gnrateur donne par
lexpression :
N
PGi = |Vi| V j [Gi j cos(i j ) + Bi j sin(i j )]
j=1
o :i = 1, . . . , ng et N le nombre totale des noeuds du rseau.
Modle de lexcitateur :
Le modle non linaire de base de lexcitateur utilis dans la littrature est le sui-
vant [24] [5] :
1 Xd Vi (Xd X d ) cos(i i ) EF

E qi + [ E qi ]= i (1.42)
T do X d Xd T do
E qi est la f.e.m transitoire (proportionnelle au flux de lenroulement dexcitation) ;

T do est la constante de temps de lenroulement de lexcitation ;Xd est la ractance
synchrone longitudinale ; X d est la ractance transitoire longitudinale ; Vi est la
tension nodale et EFi est la f.e.m (proportionnelle la tension dexcitation et gn-
ralement prise comme constante).
Modle de la charge :
1. Cas dune charge statique :

Les charges statiques du systme sont modlises en utilisant les quations
algbriques non linaires bases sur les puissances actives (Pj ) et ractives
(Q j ) consommes chacun des noeuds charge du rseau. Soient les qua-
tions :
Pj Pj ( , ,V ) = 0
(1.43)
Q j Q j ( , ,V ) = 0
avec j = ng + 1, . . . , ng + nls
2. Cas dune charge dynamique :

28
Les quations du modle employ pour reprsenter les charges dynamiques

sont lies la frquence ( travers la puissance active) et la tension ( travers
la puissance ractive)[25]. Les expressions de ces quations sont donnes
par :
l + 1 Pl ( , ,V ) = 1 Pl
l l (1.44)
vl + v1l Ql ( , ,V ) = v1l Ql
O : vl et l sont respectivement les coefficients de dpendance de la tension

et de la frquence et Pl et Ql sont les puissances actives et ractives donnes
par lquation (1.43).
Modle de la sortie mesure :

On suppose que toutes les quations de mesure (h(.)) sont les puissances actives
de transit des endroits choisis dans le rseau et qui sont donnes par :
h( , ,V ) = Pcd (1.45)
c, d : 1...N.
Pcd est la puissance de transit entre les noeuds c et d considre comme la sortie
du systme.
Aprs la modlisation de chacun des lments du rseau, nous prsentons dans ce

qui suit les 3 types A,B,C du modle dynamique [5].
1.5.1 Modle A
Cest le modle qui met en vidence la dynamique du rotor et des charges statiques :
fi I : i i = 0
PGi (x)
fi II : i + D
M + M =
i PMi
M
g j II : Pj Pj (x) = 0 (1.46)
g j III : Q j Q j (x) = 0
hq : Pcd
29
Avec : i : 1...ng 1; j : ng + 1....ng + nls

Ce mme modle peut tre reprsent sous la forme suivante :
x, ) = u
F(x,
(1.47)
p = h(x, )
PMi
O : u = M , = {Y bus} , F(.) = [ fi , g j ]T et x = [ , , ,V ]T
1.5.2 Modle B
Ce modle met en vidence la dynamique du rotor et de lexcitateur avec des charges

statiques :
fi I : i i = 0
PEi (x)
fi II : i + DM + M = M
i PMi
V (X X ) cos(i i ) EFi
fi III : E qi + T1 [ XXd E qi i d dX ]= T do
do d d
g j I : Pi Pi (x) = 0 (1.48)
g j II : Pj Pj (x) = 0
hq : Pcd
Avec :i : 1...ng 1; j : ng + 1....ng + nls ; c, d : 1...N et :
V 2 i sin[2(i i )(X di Xqi )] E qiVi

PEi = + sin(i i )
2 X di
De mme, ce modle peut tre mis sous la forme donne par 1.47 avec :
PMi EFi
u={ , }, = {Y bus} , F(.) = [ fi , gi , g j ]T
M T do
30
1.5.3 Modle C
Ce modle inclut la dynamique du rotor avec des charges statiques et dynamiques :
fi I : i i = 0
PGi (x)
fi II : i + DM + M = M
i PMi
flI : l + 1 Pl (x) = 1 Pl
l l
fII : vl + 1 Ql (x) = 1 Ql
l vl vl
(1.49)
g j II : Pj Pj (x) = 0
hq : Pcd
O : i : 1...ng 1; l : ng + 1....ng + nld ; j : ng + nld + 1....nld + ng + nls ; c, d : 1...N. De la

mme faon que dans les modles A et B, ce modle peut tre mis sous la forme donne
par 1.47 avec :
PMi Pl Ql
u={ , , }, = {Y bus} , F(.) = [ fi , fl , g j ]T
M l vl
1.5.4 Diagramme de simulation dynamique
On propose dans cette section un simple diagramme de simulation des rseaux lec-
triques dynamiques (Figure 1.10) sous lenvironnement SIMULINK de MAT LABr ba-
se sur le modle (1.40).
Pour la rsolution des quations diffrentielles on utilise un bloc dintgration associ
une fonction Non Linaire Fd (xd (t), xa (t), u(t)).
Pour la rsolution des quations algbriques on fait appel un bloc de rsolution des
contraintes algbriques.
Le schma de principe du diagramme de simulation est donn par la figure suivante :
31
Fig. 1.10: Schma de principe du diagramme de simulation dynamique
1.5.5 Exemple de simulation
Nous traitons dans cette exemple le rseau test 5 noeuds dont le schma est le suivant
[26] :
Fig. 1.11: Rseau test 5 noeuds
Le vecteur dtat est : x = [2 , 2 , 3 ,V3 , 4 ,V4 , 5 ,V5 ], en prenant le noeud North[1]

32
comme noeud bilan, le modle dynamique de ce dernier est donn par :
f I : x1 = x2
f II : x2 + DM2 x22 + PG2 (x1 ,x3 ,xM4 ,x2 5 ,x6 ,x7 ,x8 ) = PMM22

P3 P3 (x1 , x3 , x4 , x5 , x6 ) = 0
gI : P4 P4 (x1 , x3 , x4 , x5 , x6 , x7 , x8 ) = 0

P5 P5 (x1 , x5 , x6 , x7 , x8 ) = 0

Q3 Q3 (x1 , x3 , x4 , x5 , x6 ) = 0
gII : Q4 Q4 (x1 , x3 , x4 , x5 , x6 , x7 , x8 ) = 0

Q5 Q5 (x1 , x5 , x6 , x7 , x8 ) = 0

Les mesures peuvent tre des puissances nodales, des puissances de transit, des tensions ;
...
Nous prsentons dans ce qui suit les courbes dvolution de quelques grandeurs du r-
seau. Notant que les diffrentes grandeurs (puissance et paramtres des lignes se trouve
dans [26]) sont donnes en valeurs rduites.
La figure suivante (1.12) prsente lvolution de langle de rotation mcanique au noeud
gnrateur 2 :
0.3
angle de rotation mcanique au noeud 2
0.2
0.1
0.1
0.2
0.3
0.4
0 50 100 150 200 250
temps(ms)
Fig. 1.12: Evolution de langle de rotation mcanique 2 au noeud gnrateur 2

33
La figure (1.13) ci-dessous reprsente lvolution de la tension nodale au noeud charge

3:
1.025
tension nodale au noeud charge 3
1.02
1.015
1.01
0 50 100 150 200 250
temps (ms)
Fig. 1.13: Variation de la tension nodale V3 au noeud charge 3
Pour vrifier que le point de fonctionnement est toujours le mme que celui du mode
statique (vrification des contraintes algbriques), nous prsentons dans la figure (1.14)
suivante lvolution de lcart de puissance active P3 au noeud charge 3 :
12
x 10
12
10
cart de puissance active au noeud 3
4
0 50 100 150 200 250
temps (ms)
Fig. 1.14: Variation de lcart de puissance active au noeud charge 3 P3

34
On constate bien que P3 converge vers zro. Le point de fonctionnement reste alors
le mme. Ceci peut tre galement vrifi en comparant les valeurs obtenues par la si-
mulation du modle dynamique aux valeurs trouves par calcul de rpartition de charge
(pour les variables algbriques). Les valeurs tant gales, le point de fonctionnement
reste le mme.
1.6 Analyse de Stabilit
Nous prsentons dans cette section une mthode danalyse de stabilit dans le calcul
du flux de puissance ("la plus petite valeur singulire (ppvs)") avec une extension pour
lestimation dtat statique [27]. Nous ne traitons que laspect statique des rseaux [28].
Partant de la dfinition annonant quun rseau dnergie, dans des conditions dex-
ploitation donnes, soumis une perturbation donne, est dit stable si les valeurs de la
tension/phase un de ses noeuds se rapprochent des valeurs dquilibre avant pertur-
bation [1], ltat perturb se situe dans la rgion dattraction de lquilibre stable aprs
perturbation. Linstabilit dangle/tension peut provoquer un effondrement des tensions
conduisant linstabilit de lensemble du rseau.
En partant aussi de lhypothse quaux points critiques de fonctionnement la matrice Ja-
cobienne sannule, on cherche dterminer la distance entre le point de fonctionnement
et la frontire contenant les points critiques de stabilit. On utilise alors la mthode ppvs
de la matrice jacobienne pour lanalyse de stabilit.
1.6.1 Stabilit des mthodes de calcul de flux de puissance
Ltude de stabilit repose sur les deux points suivants :
- Si dim(J) = n donc [J] = [G][][D]T avec [] = diag(1 , . . . , n ), par suite si n = 0

donc J est singulire alors la ppvs de la matrice Jacobienne peut constituer un
indicateur de la limite de stabilit statique.
- Le vecteur singulier droit (dn ) qui correspond n indique la sensibilit des tensions
et des angles (le noeud le moins stable correspond la plus grande valeur de la
35
composante de (dn ) et le plus stable la plus petite) et le vecteur singulier gauche

(gn ) indique les directions le plus sensibles dans le comportement du systme
tudi soumis des variations P, Q [29].
- Lanalyse de la matrice Jacobienne peut tre rduite par lanalyse des matrices rduites
seulement. Soit :
P JP JPV
=
V
Q JQ JQV V
En adoptant les simplifications utilises pour le mode dcoupl, lanalyse de sta-

bilit des angles se traduit par ltude de la matrice JP et celui des tensions par la
matrice rduite JR = JQV JQ .JP 1 .JPV . On aperoit bien que linstabilit des
angles engendre une instabilit des tensions.
- La ppvs devient alors un indicateur de la proximit dinstabilit de tension/angle.
1.6.2 Stabilit des mthodes destimation dtat
Le mme principe des mthodes de calcul que celui de flux de puissance est appliqu
sur les mthodes destimation dtat statique. La dcomposition en valeur singulire
du Jacobienne H(xk ) est applique pour la rsolution de lquation dobservateur. Pour
lanalyse de stabilit deux approches peuvent tre utilises : soit la dcomposition de
H(xk ) soit la dcomposition de [H(xk ).H(xk )T ].
1.6.3 Exemple dapplication
Dans ce qui suit nous prsentons une analyse de stabilit du rseau test de 13 noeuds
avec la dcomposition de [H(xk ).H(xk )T ] en SVD pour lestimation dtat et la matrice
Jacobienne J pour la rpartition de charge.
1.6.3.1 Rpartition de charge
Nous commenons par ltude de la stabilit des phases et leur influence sur les
tensions (tab 1.III). Aprs la dcomposition en svd de J, nous remarquons que la
36
plus grande valeur de dn correspond la variable 2 puis 1 et la plus faible valeur

est celle de 13 . Le tableau suivant illustre les variations des grandeurs dcrites ci-
dessus aprs ajout de perturbation de 4% sur 2 entre les itrations 7 et 9 (avec
SP : Sans Perturbation et AP : Avec Perturbation).
Soient T : Taux de variation des phases et TV : Taux de variation des tensions.
phase iSP diSP gSP

i iAP diAP gAP
i T TV
2 6.8778 0.4736 -0.4686 7.102 0.5674 -0.5023 6.43 0.05
1 5.6148 0.0915 -0.0856 6.4208 0.1006 -0.0973 5.75 0
13 0.4188 0.0161 0.00111 0.4206 0.0169 0.0021 0.1485 0
Tab. 1.III: Valeurs des grandeurs , d et g des phases et leur influence sur les tensions nodales
Il est claire, daprs le tableau ci-dessus, que le noeud 2 est le moins stable dans le rseau.
Ces composantes , d et g sont les plus leves.
Nous prsentons dans ce qui suit une tude de stabilit des tensions (variation de
+4%) et leur influence sur les phases. Aprs dcomposition de J en SVD, les
valeurs des grandeurs de dn sont donnes par le tableau suivant (tab 1.IV) :
tension iSP diSP gSP

i iAP diAP gAP
i TV T
V1 6.2194 -0.0206 0.0515 6.5623 -0.0244 0.0592 0.018 -2.2
V3 4.7079 -0.0197 0.0243 4.9108 -0.0203 0.0262 0.00001 -1.28
V13 0.0872 -0.0001 0.0001 0.0878 -0.0001 0.0001 0 -0.04
Tab. 1.IV: Valeurs des grandeurs , d et g des tensions et leur influence sur les phases
Une augmentation de lordre de perturbation (jusquau 28%) ne modifie pas le rsultat

et la mthode utilise peut toujours indiquer les noeuds les moins stables.
1.6.3.2 Estimation dtat
Nous tudions dans cette partie la stabilit des grandeurs estimes.

Aprs dcomposition en svd de [H(xk ).H(xk )T ] , nous remarquons que la plus grande
valeur de dn correspond la variable 1 puis V12 et la plus faible valeur correspond
37
la variable V13 . Le tableau (tab 1.V) suivant illustre les variations des grandeurs dcrites
ci-dessus aprs ajout de perturbation de 5% sur 1 et sur la 1re composante de vecteur
de mesure (P121 qui est lie directement la variable V12 ) entre les itrations 15 et 17.
Soient T1 : Taux de variation avec perturbation sur ltat et T2 : Taux de variation avec
perturbation sur la mesure. De mme, laugmentation de lordre de perturbation sur les
iSP diSP gSP

i iAP diAP gAP
i T1 T2
1 4.8576 -0.4778 0.4542 6.285 -0.6131 0.5974 -1.44 -2.21
V12 3.8439 -0.146 0.1166 5.4536 -0.4846 0.1446 -0.02 -0.36
V13 0.0003 -0.0002 0.0073 0.0003 -0.0006 0.0086 0 -0.21
Tab. 1.V: Valeurs des grandeurs , d et g des tensions nodales et des phases estimes
tats et les mesures (jusquau 22%) montre toujours que la mthode utilise peut indiquer
les noeuds les moins stables.
1.7 Conclusion
Nous avons prsent dans ce premier chapitre des notions fondamentales sur les
comportements en mode statique et dynamique des rseaux lectriques. Une tude du
mode statique, o intervient le calcul de rpartition de charge et destimation dtat,
ainsi quune analyse de stabilit ont t effectues. Des exemples de simulation et dap-
plication ont t raliss sur des rseaux test selon le standard IEEE.
Nous avons signal que les mthodes de calcul de flux de puissance et destimation
dtat se classent selon un critre majeur et trs important dans limplmentation qui est
le temps de calcul.
Nous avons tudi le mode dynamique en prsentant les modles dynamiques non li-
naires qui prennent en compte tous les modes de fonctionnements des rseaux lec-
triques. Un exemple dapplication et de mise en oeuvre du modle dynamique bas sur
un diagramme de simulation sous MAT LAB a t propos.
Comme dans le mode statique tudi dans ce chapitre, il est de grand intrt de procder
lestimation dtats dynamique du rseau o les observateurs dtat non linaire jouent
un rle important et cest lobjectif du chapitre suivant.
2
CHAPITRE 2 : TAT DE LART SUR LES

OBSERVATEURS DTAT NON LINAIRES
2.1 Introduction
Le but de ce chapitre est de prsenter dune part quelques rappels ncessaires pour
lobservabilit des systmes non linaires, et dautre part un tat de lart sur les observa-
teurs fin de choisir un estimateur pour les rseaux lectriques.
La premire partie, assez gnrale, est consacre rappeler quelques dfinitions et condi-
tions dobservabilit des systmes non linaires temps continu et discret. Nous prsen-
terons les conditions ncessaires et suffisantes garantissant lobservabilit.
La deuxime partie pose le problme de lestimation de ltat des systmes non linaires.
Il sagit de prsenter les diffrents types dobservateurs pour les systmes non linaires
et de prsenter une liste de techniques existantes destimation de ltat non linaire. A
ce titre, nous prsenterons successivement, les approches bases sur une linarisation
du modle au tour dun point de fonctionnement, lobservateur de Thau, les approches
fondes sur une transformation non-linaire ou sous forme canonique, les observateurs
grand gain, les observateurs entres inconnues et lapproche LMI. Cette liste, loin
dtre exhaustive, prsente les principales approches quon peut trouver dans la littra-
ture.
2.2 Observabilit des systmes non linaires
Dans cette partie, nous allons prsenter quelques dfinitions et des conditions pour
ltude dobservabilit des systmes non linaires. On sintressera au deux aspects des
systmes temps continu et discret.
39
2.2.1 Cas des systmes continus
Soit la reprsentation des systmes non linaires suivante :
= f (x(t), u(t))
x(t)
(2.1)
y(t) = h(x(t))
o : x(t) R , u(t) R et y(t) Rp . Dans ce qui suit nous allons prsenter des condi-
tions gomtriques et analytiques pour lobservabilit dans le cas continu et discret base
sur les travaux de [30], [31], [32] et [33].
2.2.1.1 Conditions gomtriques dObservabilit
Le systme non linaire considr est celui de 2.1 et soit U[0,t] (t, x0 ) la solution
linstant t du systme 2.1 soumis la commande U[0,t] .
Dfinition 1 :(Indiscernabilit) : Soit y0u (t) et y1u (t) , (t 0), deux signaux de
sortie gnrs par lapplication du signal dentre u(t), (t 0), au systme 2.1
avec les conditions initiales x0 et x1 , respectivement. On dit que x0 et x1 sont
indiscernable ssi :
y0u (t) = y1u (t); t 0
pour tout entre u. Dans le cas contraire, on dit que x0 et x1 sont discernables.
Dfinition 2 :(Observabilit) : Le systme 2.1 est dit observable en x0 si x0 est

discernable de tout x R . En outre, le systme 2.1 est observable si x0 R ,
x0 est discernable.
Dfinition 3 :(Espace dobservabilit) : lespace dobservation pour le systme

2.1 est dfinie comme la plus petite espace vectorielle relle (not par O(h)) de
C fonctions contenant les composants de h et en utilisant les drivs de Lie dans
la direction de fu := f (., u). (aussi pour tout O(h); L f O(h) avec L fu =

x f (x, u)).
40
Dfinition 4 :(Observabilit par analyse de rang) : le systme 2.1 satisfait la

condition dobservabilit par lanalyse du rang si :
x, dim dO(h)|x = n
ou dO(h)|x est lensemble de d (x) avec O(h).
Une des mthodes les plus utilises dans lanalyse dobservabilit au sens du rang est
celle qui se base sur les Crochets de Lie (ou drivs de Lie) que nous prsentons dans ce
qui suit :
2.2.1.2 Crochet de Lie
Soit la reprsentation des systmes non linaires suivante :
= f (x(t), u(t)) = f (x(t)) + g(x(t))u(t)

x(t)
(2.2)
y(t) = h(x(t))
Une des mthodes dtude dobservabilit du systme 2.2 est celle de lutilisation des
drivs de Lie, dans ce qui suit nous prsentons cette approche [34].
La drive de Lie dune fonction h dans la direction de f est :
n
h
L f h = h f = fi (2.3)
i=1 xi

f1 f1

f f
2 h h 2
avec : f = . Il faut noter que L f h = x1 .. .. xn
. est un sca-
... ...

fn fn
laire.
Conventions :
L0f h = h
41
h h 1
L1f (h) = x f et L2f (h) = x [L f (h)] f , ....
On dfinie par suite la matrice G, tel que (pour le cas ou h = [h1 , .., h p ]) :

L0f h1 ... L0f h p

G=
... ... ...
(2.4)
Ln1 n1
f h1 ... L f h p
Maintenant, on dfinie la matrice dobservabilit O qui est le gradient de G :

dL0f h1 ... dL0f h p

O=
... ... ...
(2.5)
dLn1 n1
f h1 ... dL f h p
La matrice O doit tre de plein rang n pour que le systme soit observable. Ainsi quun
autre indice dobservabilit (Indobs ) peut donner et dune faon claire le conditionnement
du systme ainsi quune ide sur lobservabilit de chacun des tats par la dcomposition
en valeur singulire de la matrice O tel que : Indobs (xi ) = i (OOT ) avec i est la valeur
singulire de ltat correspondant.
2.2.1.3 Conditions Analytiques dObservabilit
Dfinition 5 :(Entre universelle) : une entre est universelle pour le systme 2.1
si :

x0 6= x0 , 0 : h( ( , x0 )) 6= h( ( , x0 ))
Dfinition 6 :(Observabilit Uniforme) : un systme est uniformment obser-

vable (UO) si chaque entre est universelle.
2.2.2 Cas des systmes discrets
Le concept dobservabilit cit prcdemment peut tre tendu directement la

classe des systmes temps discret. Diffrents types de dfinitions ont t abords dans
42
[35]. Nous allons tendre les proprits prsents par [36], [37] au cas continu pour le
mode discret, soit le modle suivant :
xk+1 = f (xk , uk )
(2.6)
yk = h(xk )
o :xk Rn , uk = [u1k , . . . , umk ]T Rm et yk R p . Pour tout entre uk Rm constante :

fu (xk ) = f (xk , uk ) est un champ de vecteur C sur Rn et les hi , i = 1, . . . , p composantes
de h sont des fonctions C de Rn sur R.
Soit U[0,k1] (k, 0, x0 ) la solution linstant k du systme 2.6 soumis la commande
U[0,k1] et issue de la condition initiale linstant k = 0.
Dfinition 7 :(Indiscrenabilit) : Deux tats distincts x0 , x0 Rn sont dit discer-

nables si, pour tout k N et toute squence dentres admissibles U[0,k1] , les
trajectoires h(U[0,k1] (k, 0, x0 )) et h(U[0,k1] (k, 0, x0 )) sont diffrentes sur leur do-
maine de dfinition commun. Dans ce cas, on dit que U[0,k1] distingue les points
x0 et x0 . Le systme non linaire 2.6 est dit observable en x0 Rn , si lensemble
des tats indiscernables de x0 ne contient que x0 .
Dfinition 8 :(Observabilit uniforme) : Le systme 2.6 est dit N-uniformment

observable en x0 Rn si, pour tout x0 Rn , tout k = 0, . . . , N et toute squence
dentre admissible U[0,k1] , il existe un entier N [n 1, ] et une fonction :
R+ R+ tel que :
N
kh(U[0,k1] (k, 0, x0)) h(U[0,k1] (k, 0, x0))k kx0 x0k (2.7)
k=0
o la fonction est continue, croissante avec (0) = 0.

Le systme 2.6 est N-uniformment observable sil lest pour tout xk Rn
Dfinition 9 :(Observabilit au sens du rang) : Le systme 2.6 est dit observable

au sens du rang en x0 Rn si :
dim dO(h)(x0 ) = n
43
o dO(h)(x0 ) est lespace dobservabilit. Cet espace dobservabilit est dfini

dune faon numrique dans les travaux de [38] et [39].
2.3 Estimation dtat : les diffrents types dobservateurs
Comme la plupart des processus physiques sont dcrits par des modles mathma-
tiques non linaires, il est ncessaire de dvelopper des nouvelles mthodes pour la re-
construction de ltat afin daugmenter les performances des lois de commande pour
couvrir lensemble de la plage de fonctionnement. La synthse dobservateur dtat des
systmes non linaires est naturellement plus difficile que celle des systmes linaires. A
notre connaissance il nexiste pas, lheure actuelle, des mthodes universelles pour la
synthse de ces observateurs. En gnral, on distingue trois approches pour la synthse
dobservateurs.
1. Les mthodes fondes sur une transformation non linaire, base sur lalgbre de
Lie, permettent de mettre le systme sous une forme canonique quasi-linaire.
Lobjectif est de trouver un changement de coordonnes, afin que la dynamique
de lerreur destimation devienne linaire. Une telle transformation tant faite, les
techniques dobservation des systmes linaires peuvent tre utilises pour esti-
mer ltat du systme transform, et donc ltat du systme original en utilisant
le changement de coordonnes inverse. Des conditions ncessaires et suffisantes
pour un systme non linaire transform sous une forme canonique ont t tablies
dans [40] et [41].
2. Des mthodes sont bases sur une linarisation du modle autour dun point de
fonctionnement. Cest par exemple le cas du filtre de Kalman tendu et de lob-
servateur de Luenberger tendu. Malgr la restriction la convergence locale de
cette mthode, elle est largement utilise dans la pratique et donne gnralement
des bons rsultats.
3. Observateurs grand gain : Un observateur de type grand gain est synthtis pour
une classe de systmes non-linaires uniformment observables [42]. Le principe
44
repose sur lintroduction dun gain dobservation qui dpend dun paramtre .
Le nom "grand gain" est d au fait que le gain de lobservateur est suffisamment
grand pour affaiblir la non-linarit du systme. Notons cependant quavec lob-
servateur grand gain, le choix dun paramtre suffisamment grand assure une
convergence sre et rapide, avec en contre partie une grande sensibilit au bruit
dobservation.
Dautres types dobservateurs ont t proposs rcemment. Citons dabord lobservateur

de Luenberger gnralis [43] qui consiste ajouter lobservateur de Luenberger un
deuxime gain lintrieur de la partie non linaire du systme. Citons galement les
techniques dobservation bases sur la thorie de la contraction comme outil danalyse
de la convergence entre lobservateur et le modle [44], [45].
Nous allons prsenter dans ce qui suit : le Filtre de Kalman Etendu, Observateur de
Thau et ses gnralisations, lapproche LMI et les observateurs entre inconnues.
2.3.1 Filtre de Kalman Etendu
Le filtre de Kalman tendu [46] est lune des techniques destimation les plus utili-
ses et qui tait largement tudies dans le domaine destimation de ltat des systmes
dynamiques non linaires. Le filtre de Kalman tendu est une extension directe du filtre
de Kalman standard en remplaant les matrices dtat et de sortie du systme linaire par
les jacobennes des non-linarits du systme en question.
Soit le systme non linaire suivant :

x = f (x , u ) + v
t t t t
(2.8)
yt = h(xt , ut ) + wt
45
avec : vt et wt sont respectivement bruit sur le systme et les mesures.

les quations du filtre sont les suivantes :
= f (x(t),
x(t) u(t))R1 (y(t) h(x(t),
u(t)) + PH(x(t), u(t)))
(2.9)
P = F(x(t), u(t))T R1 H(x(t),
u(t))T + Q PH(x(t),
u(t))P + PF(x(t), u(t))P
f h
u(t)) =
ou : F(x(t), x (x, u)|x=x u(t)) =
et H(x(t), x (x, u)|x=x
Pour le cas discret, o le systme est reprsent comme suit :

k+1 = f (xk , uk ) + Gk vk
x
(2.10)
yk = h(xk , uk ) + Dk wk
le E.K.F sexprime comme suit :
xk+1 = xk+1/k + Kk+1 ek+1

Pk+1 = (Ind +na Kk+1 Hk+1 )Pk+1/k
(2.11)
xk+1/k = f(xk )
Pk+1/k = Fk Pk FkT + Qk
avec :
T (H
Kk+1 = Pk+1/k Hk+1 T 1
k+1 Pk+1/k Hk+1 + Rk+1 )
(2.12)
ek+1 = yk+1 h(xk+1/k )
2.3.2 Observateur de Thau
lObservateur de Thau [47] ou appel encore "Observateur de Lipschitz" considre

la forme spciale suivante du systme non linaire :

x = Ax + f (x) + Bu
(2.13)
y = Cx
avec A, B, C et f (.) sont connues et (y, u) sont aussi connues.

Si la paire (A,C) est observable, donc il existe une matrice K tel que les valeurs propres
de A0 = A KC se situent dans le demi-plan gauche. Lobservateur de Thau est dfini
46
alors comme suit :

x = Ax + f (x)
+ Bu + K(y y)

(2.14)
y = Cx
On dfinie ensuite lerreur dobservateur tel que :K(y y)

= KCe avec e = x x.
Lexpression de lquation de lerreur dynamique est :
e = (A KC)e + f (x)
f (x) = A0 e + f (x)
f (x) (2.15)
Soit A0 est stable, donc pour toute matrice Q dfinie positive, il existe une matrice P
dfinie positive et unique tel que lquation de Lyapunov suivante est tabli :
AT0 P + PA0 = 2Q (2.16)
dou, le choix du gain K se base sur le thorme suivant :
Thorme 2.3.1. Si on choisit K tel que A0 peut donn une solution de lquation de
Lyapunov et satisfaisant :
min (Q)
>L (2.17)
kPk
o : L est la constante de Lipschitz vrifiant : k f (x1 ) f (x2 )k < Lkx1 x2 k pour tout x1
et x2 , donc lobservateur de Thau est asymptotiquement stable.
Dmonstration :
On dfinie la fonction candidate de Lyapunov suivante :
V = eT Pe
la drive de V , value tout au long de la solution de lerreur dynamique est :
= eT (AT0 P + PA0 )e + 2eT P[ f (x)

f (x)]
V = eT Pe + eT Pe (2.18)
= 2eT Qe + 2eT P[ f (x)
f (x)]
47
En utilisant la condition de Lipschitz, on a :
2eT Qe + 2LkekkPkkek
V 2min (Q)kek2 + 2LkekkPkkek (2.19)
2[min (Q) LkPk]kek2
min (Q)
Si min (Q) > LkPk (donc kPk > L), V < 0.
e = 0 est un point dquilibre asymptotiquement stable et :
lim e = 0
t
Exemple Numrique :

x1 0 1 x1 0 0
= + + u
x2 0 0 x2 sin(x1 ) 0

x
1
y= 1 1
x2
La constante de Lipschitz pour f (x) = sin(x1 ) est L = 1. La sortie est y = sin(x) est
donne par la figure suivante :
Fig. 2.1: Evolution de la sortie y = sin(x)
min (Q)
On remarque daprs la figure 2.1 que la valeur maximale de kPk est tablie lorsque
48
Q = I, donc nous allons chercher A0 tel que :
AT0 P + PA0 = 2I
1
et kPk > 1 avec :
n
kPk2 = p2i j = tr(PT P)
i, j=1

1 1
2 4 , donc : P = PT > 0 et kPk = 0.68 < 1.
On choisit P =
1 1
4 3

1 0
et soit A0 = , ici nous avons max (P) = 1; 809 > 1 do la condition nest
1 1
pas satisfaite ce qui montre la difficult de cette approche et par suite que cette mthode
nest pas constructive.
Cette approche a t tendue par plusieurs auteurs [48] qui ont simplifi la problme
en remplaant la matrice Q par une matrice identit In . Une mthode base sur des ob-
servateurs exponentiels a t propose par [49]. Par ailleurs, une mthode constructive a
t propose par [50].
2.3.3 Observateur sous forme canonique
Cette approche est fonde sur une transformation non-linaire, base sur lalgbre de
Lie et qui permet de mettre le systme sous une forme canonique [40],[51].
Soit le systme non linaire dcrit par les quations suivantes :

x = f (x)
(2.20)
y = h(x)
Lobservabilit de tel systme non linaires est indpendante de lentre u. f et h sont des
fonctions C , il existe alors une transformation non linaire x = T (z) tel que le systme
49
2.20 peut tre transform sous forme observable suivante :

0 0 ... 0 f0 (zn )
..

1 ... ... . f (z )

z = 1 n
z

.. ..

0 . ... 0

.
(2.21)

0 0 1 0 f (z )

n1 n

y = 0 . . . 0 1 z = zn
Donc, lobservateur a la forme suivante :

0 0 ... 0 f0 (zn )
.

1 . . . . . . .. f (z )

1 n
z =

z K(y y)

.. ..

0 . ... 0
.
(2.22)

0 0 1 0 fn1 (zn )

y = 0 . . . 0 1 z = zn
h i
avec : K = k0 . . . kn1
Lerreur dynamique de lobservateur (e = z z) est :

0 0 ... k1
0 0 ... 0 k0
1 ... ... ..
1 . . . . . . ...

k
.

..

1 ..
e = e . en = . ... e (2.23)

0 ... ... 0 .. 0 .
0 . . . . . . k

n2
0 0 1 0 kn1
0 0 1 kn1
Donc, le polynme caractristique est :
p(s) = k0 + k1 s + . . . + kn1 sn1 + sn (2.24)
Le choix du gain K revient donc que le polynme p(s) soit stable donc e 0.
Le problme maintenant est de trouver une transformation x = T (z) ?
50
On rappelle tout dabord la matrice dobservabilit base sur les drivs de Lie :
h i
= L0f (dh)(x) L1f (dh)(x) ... Ln1
f (dh)(x)
(2.25)
T
la dernire colonne de 1 est z1 , ce qui donne :

T k1 T
= ad f, (2.26)
zk z1
f g
avec : (ad k f , g) = [ f , (ad k1 f , g)] et (ad 1 f , g) = [ f , g] = x g x f.
Exemple Numrique :

x1 x2

x2 = x3 + sin(x1 )

x3 x2 + x3
y = x1
La matrice dobservabilit est la suivante :

L0f (dh)(x) 1 0 0

= 1
L f (dh)(x) = 0 1 0

2
L f (dh)(x) cos(x1) 0 1

0
T

il est facile de dduire que : z1 =
0 , ce qui donne :

0 0 1
T T T T
= [(ad 0 f , ), (ad 1 f , ), (ad 2 f ,

)] = 0 1 1
z z1 z1 z1
1 1 2
51
donc on dduit la transformation tel que :

0 0 1

x=
0 1 1 z

1 1 2
ce qui nous permet dcrire :
1
f1 0 0 1 x2 sin(z3 )

f2 = 0 1 1 x3 + sin(x1 ) = z3 + sin(z3 )

f3 1 1 2 x2 + x3 z3
la nouvelle forme observable est :

z1 0 0 0 sin(z3 )

z = 1 0 0 z + z + sin(z )

2 3 3

z3 0 1 0 z3

y = z3
Lobservateur donc est :

z 1 0 0 0 sin(z3 ) k1

z = 1 0 0
z + z3 + sin(z3 ) k2 (z3 z3 )
2

z3 0 1 0 z3 k3

y = z3
par suite on peut dterminer le polynme caractristique et calculer le gain K.
2.3.4 Observateur Grand Gain
Cet observateur non linaire est propos par J. P.Gauthier, H. Hammouri et S. Oth-
man dans [42], il peut tre considr comme une gnralisation de lobservateur mode
glissant, il ne ncessite pas une linarisation autour dun point de fonctionnement du
systme non linaire et sa convergence est dmontre thoriquement.
52
2.3.4.1 Principe
La structure dun observateur grand gain pour le systme dquations :

= f (x(t), u(t))
x(t)
(2.27)
y(t) = h(x(t))
est prsente sur la figure (2.2).

Syst`
eme
u(t)
x(t) x(t)
h(.) y(t)
f (.)
R
Observateur
+
L
+ x
(t) R
(t)
x
f (.) + h(.)
(t)
x
Fig. 2.2: Diagramme fonctionnel dun observateur grand gain
Cette structure fait apparatre dabord la prsence dun estimateur dtat fonction-
nant en boucle ouverte caractris par la mme dynamique que celle du systme. La
dynamique dsire en boucle ferme par cet observateur est obtenue par lintroduction
dun vecteur (ou matrice dans le cas multi-variable) des gains L. Le vecteur des gains
est choisi pour des valeurs des gains relativement grandes dans le but damortir leffet
dune non linarit non modlise ou de contourner la variation des paramtres internes
des systmes. Do lappellation grand gain pour ce type dobservateurs [52].
Pour un systme non linaire dfini par la relation (2.27), lobservateur grand gain
scrit :
= f (x(t),
x(t) u(t)) + L(y(t) y(t))

= h(x(t))
y(t)
La synthse de lobservateur grand gain ncessite une tude prliminaire du systme

non linaire pour le mettre sous une forme exploitable pour la synthse. Cette forme
53
exige que le systme appartienne la classe des systmes non linaires vrifiant la pro-
prit de lobservabilit uniforme.
2.3.4.2 Etude prliminaire
Pour ce faire, on considre le systme non linaire mono-variable suivant :

z(t) = f (z(t), u(t))
0 : (2.28)
y(t) = h(z(t)
avec :
z1

z2
z(t) = Rn ; u(t) R; y(t) R

..

.

zn
Dans le but de faciliter la reconstruction du vecteur dtat, on procde un change-

ment des coordonnes qui permet dexprimer la sortie mesure du systme en fonction
seulement de la premire composante du vecteur dtat. La construction de la totalit du
vecteur dtat peut tre ralise par des drives successives de la sortie. La reprsenta-
tion rsultante est dite forme canonique dobservabilit uniforme.
Donc, pour obtenir ceci, on pose :
x1 (t) = y(t) = h(z(t))

x2 (t) = x1 (t) = y(t)
= L f h(z(t))
x3 (t) = L2f h(z(t)) (2.29)
..
.
xn (t) = xn1 (t) = Ln1
f h(z(t))
Par le changement des coordonnes considr, la dynamique du systme 0 se rcrit

dans les nouvelles coordonnes comme suit :

= Ax(t) + (x(t), u(t))
x(t)
t : (2.30)
y(t) = Cx(t) = x1 (t)
54
avec :

x1 0 1 0 0
. . .. ..
..
x2 .. . . . . .
n
x(t) = R ;A = ; (x(t), u(t)) =

.. 0

.
1

0

xn 0 0 Lnf h(z(t))
Remarque :
La reprsentation sous la forme canonique dobservabilit exige les conditions suivantes :
1. Le changement des coordonnes, , ralise une bijection afin de pouvoir recons-

truire le vecteur dtat initial, avec est telle que :
: Rn Rn

h(z(t))

L h(z(t))
f
z(t) 7 x(t) = (z(t), u(t)) =

..

.

Ln1
f h(z(t))
2. La sortie y(t) doit tre (n 1) drivable.
Par consquent, lobservation du systme 0 est conditionne par lhypothse globale,

(lhypothse 1), suivante :
Hypothse 1
La fonction (z(t), u(t)) doit tre un diffeomorphisme.
2.3.4.3 Equation de lObservateur
Si le systme 0 vrifie lhypothse (hypothse 1), un observateur relatif au systme

t est de la forme [42],[52] :
= Ax(t)
x(t) u) 1
+ (x, 1 T
S C C(x x) (2.31)
55
avec :
description

h i
= diag 1 1 1 ; 1;
n1
la matrice S est une matrice symtrique dfinie positive, solution de lquation

algbrique de Lyapunov :
S + AT S + SA CT C = 0 (2.32)
La structure de lobservateur ainsi adopte est un observateur grand gain convergence

exponentielle cest dire :
Rn ; , > 0 tel que :
t0 0 tel que t t0 ; x(0)
x(t)k e kx(0)
kx(t) x(0)k
Remarques
Lexpression du vecteur gain, 1 1 T

S C , est obtenue partir de larticle dori-
gine de lobservateur grand gain [42] o Gauthier a nonc le premier observa-
teur grand gain ayant la structure suivante :
1 T
z(t) = Az(t) + (z(t), u(t)) S C C(z(t) z(t))
avec S est la matrice dfinie positive solution de lquation :
S + S A + AT S CT C = 0 (2.33)
Donc, en comparant les deux quations de lobservateur, on peut remarquer que le

vecteur gain de lobservateur grand gain a t dcompos o on a considr :
56
1
S = S

avec S est la solution de lquation (2.33)pour = 1. Ceci peut tre facilement
vrifier.
Dans le thorme prcdent, 1 1 T

S C peut tre remplace par

L1
.
..

Ln n
o L1 , . . . , Ln sont tels que les valeurs propres de la matrice A LC sont parties

relles ngatives.
Dmonstration :
On note par x,
le vecteur derreurs entre les deux vecteurs dtat estim et rel, telle que
x = x(t)
x(t).
On a :
x(t) 1
= Ax(t) 1 T
+ (x(t)u(t))
S C Cx(t) (x(t), u(t))
On peut facilement vrifier que : A1

= A et C = C. En effet, on a :

1 0 0 0 1 0 1 0 0
... .. .. . . . ...
... ..
0 1 . . . .
. 0 .
A1 = . . . . = A

.. . . . . .. .. . .. .. .

. . . 0
. .
1 . 0

1
0 0 n1
0 0 0 0 n1
= x(t),
En posant x(t) alors on obtient :
x(t) S1CT Cx(t)

= Ax(t) + ( (x(t),
u(t)) (x(t), u(t)))
= xT (t)Sx(t),
On dfinit une fonction candidate de Lyapunov V (x,t) sa drive par
57
rapport au temps V (x,t)

peut tre obtenue comme suit :
2xT Sx
V (x,t)
= 2 xT SAx 2 xT CT Cx + 2xT S ( (x,
u) (x, u))
V + xT CT Cx + 2xT S ( (x,
u) (x, u)) 2 xT CT Cx
En utilisant (2.32), la drive V (x,t)

scrit sous la forme suivante :
V + 2 ( 12 xT CT Cx xT CT Cx)
+ 2xT S ( (x,
u) (x, u))
V (x,t)
= (2.34)
V + 2xT S ( (x,
u) (x, u))
Le signe V (x,t)
dpendra de celui de :
xT S ( (x,
u) (x, u))
Si on considre lhypothse (Assumption 2) suivante :
Hypothse
La fonction (x(t), u(t)) est lipschitizienne en x cest dire : c > 0; (m, n) (Rn )2 ; k (m)
(n)k ckm nk.
Pour 1, on dduit :
k ( (x,
u) (x, u))k 0 kxk
(2.35)
o 0 est une constante positive indpendante de . Daprs lingalit (2.35), lingalit

(2.34) devient :
V + 2max (S)kxk
0 kxk

V
( c1 )V
o c1 = 2 0 avec min reprsente la plus petite valeur propre de S. Maintenant, si

min
on prend 0 = max 1, c1 et en remarquant que pour 1 on a

kx(t)k
kz(t)k n1 kx(t)k,
alors, on peut dduire :
58
c1
kx(t)k
n1 e[ (
t]kx(0)k
2
c1
Cest facile de remarquer que = n1 , = 2 . Ce qui prouve la convergence
exponentielle de lobservateur grand gain.
2.3.4.4 Equations de lobservateur dans les coordonnes originales
Puisque est un diffomorphisme, les coordonnes originales z(t) sont obtenues

par :
z(t) = 1 (x(t))
Daprs [53], lobservateur (2.31) scrit dans les coordonns originales z(t) de la faon
suivante :

z(t) = f (z, u) ( (u, z))1 1 1 T
S C Cz(t) (2.36)

avec z(t) est ltat estim et z(t) = z(t) z(t) est lerreur destimation.
Des nombreuses approches proposes dans la littrature utilisent les observateurs grand
gain : on cite [54] qui ont tendu les rsultats prcdents aux observateurs dordre rduit
et [55] qui ont synthtis un observateur grand gain adaptatif pour les systmes non
linaires paramtres inconnus.
2.3.5 Observateur entre inconnue
Peu de travaux ont t raliss pour tendre les mthodes des observateurs des sys-
tmes non linaires aux systmes singuliers qui permettent gnralement de dcrire les
systmes non linaires entres inconnues. Boutayeb et al. [56] ont propos une m-
thode de synthse dobservateur dordre plein pour un systme non linaire singulier.
Les conditions dexistence de lobservateur assurant la stabilit locale y sont donnes.
Cette approche nutilise pas de transformation particulire et gnralise les rsultats pro-
poss dans [57] et [47].
Nous dtaillons dans ce qui suit cette approche.
59
Soit le systme singulier suivant :

= f (x(t))
E x(t)
(2.37)
y(t) = h(x(t))
o : x(t) Rn , y(t) Rm , f une fonction de Rn 7 Rq et E une matrice de Rqn .

On introduit la structure gnrale dobservateur suivante :

z(t) = g(z(t), y(t))
(2.38)
= z(t) + Qy(t)
x(t)
o : z(t) Rn , g : Rn R p 7 Rn et Q Rnp .
Les conditions de convergence de lerreur dobservation e = x x vers zro sont prsen-
tes dans le thorme ci-dessous [56].
Thorme 2.3.2. Soit la classe de systmes 2.37 et lobservateur 2.38. Si les hypothses
suivantes sont vrifies :

E h
rang = n o H =
x (0).
H
f
la paire (PF, H) est dtectable o F = x (0).
Alors lobservateur 2.38 garantit que :
lim (x(t)
x(t)) = 0
t
avec :
g(z, y) = P f (x)
+ L(x,
y)
(2.39)
=0
h(x))
L(x,
Dmonstration:
E
Comme la matrice est de plein rang colonne, il existe une matrice non-singulire
H
60

P Q
telle que :
a b

P Q E In
= (2.40)
a b H 0
Daprs lapproximation locale y = Hx et lexpression PE +QH = In donne par 2.40,on

obtient :
e = z Qy x = z PEx
la dynamique de lerreur a pour expression :
e = z PE x = P f (x)
P f (x) + L(x,
h(x)) = P f (e + x) P f (x) + L(e + x, h(x)) (2.41)
En utilisant 2.40, lquation 2.41 se rcrit :
e = P f (e + x) P f (x) + L(e + x, h(x)) L(e + x, h(x + e)) (2.42)
ou encore :
e = (PF KH)e (2.43)
f h L(e+x,h(x))
avec : F = x (0), H= x (0), K= h(x) |x=0,e=0 . Il apparait maintenant que si la
deuxime condition du thorme est satisfaite, alors on peut trouver une matrice K telle
que le vecteur derreur destimation converge vers zro.
2.3.6 Approche LMI
Malgr lintrt port, durant ces dernires annes, au problme dobservation de

ltat des systmes non linaires, peu dattention a t prte aux systmes temps dis-
cret. Dans cette section, nous abordons le problme de synthse dobservateurs dtat
des systmes non linaires lipschitziens temps discret qui est bas sur la rsolution des
LMIs garantissant la stabilit et la convergence dobservateur [36].
61
Soit le systme suivant :

k+1 = Axk + f (xk , uk )
x
(2.44)
yk = Cxk
o : xk Rn ,uk Rm ,yk R p , A et C sont deux matrices dordre appropri.

f : Rn Rn Rn est lipschitizienne :
k f (x1 , u) f (x2 , u)k kx1 x2 k (2.45)
avec :x1 , x2 Rn , > 0.

Lobservateur de Luenberg scrit :

xk+1 = Ax + f (x , u ) + L(y Cx )
k k k k k
(2.46)
yk = Cxk
Soit lerreur destimation : k = xk xk , en utilisant 2.44 et 2.46 nous avons :
k+1 = (A LC)k + fk (2.47)
avec fk = f (xk , uk ) f (xk , uk ).

Le problme revient dterminer le gain L assurant la convergence asymptotique de
vers 0. La synthse de lobservateur (dtermination du gain) est donne par le thorme
suivant [58] :
Thorme 2.3.3. Lerreur destimation converge asymptotiquement vers lorigine sil

existe deux matrices P = PT > 0 et R de dimensions appropries et un scalaire positif
tel que la LMI suivante soit satisfaite :

P + 2 In AT P CT R AT P CT R

() P In 0 <0 (2.48)

() () P
le gain L est donn par L = P1 RT

62
Dmonstration :
On considre la fonction de Lyapunov quadratique suivante :V (k ) = kT Pk . La variation
de cette fonction est :
V = kT [(A LC)T P(A LC)]k + 2kT (A LC)T P fk + fkT P fk
ou : V = V (k+1 ) V (k )
La fonction de Lyapunov propose garantit la stabilit asymptotique de vers 0, si :
1. V (k ) > 0 pour tout k 6= 0.
2. V < 0 pour toute trajectoire possible de 2.47.
Vrfication des conditions :
1. Pour la premire condition V (k ) > 0, elle est vrifie puisque P est dfinie posi-
tive.
2. V < 0 :
k
Nous avons : V = [kT fkT ] avec :
fk

(A LC)T P(A LC) P (A LC)T P
=
P(A LC) P
Dautre part, daprs la condition de Lipscitz 2.45, nous dduisons : fkT fk <
2 kT k , ce qui est quivalent :

h i 2 In 0 k
= kT fkT 0 (2.49)
0 In fk
63
et comme le scalair est ngatif ou nul, alors :

h i 2 In 0 k
V V = kT fkT
0 In fk
explicitement, on a :

2 In 0 (A LC)T P(A LC) P + 2 In (A LC)T P
= =
0 In P(A LC) P In
Finalement en utilisant le complment de Schur et la notation PL = RT , lingalit

< 0 est quivalente 2.48.
Une amlioration de cette synthse dobservateur est donn par [36], qui se base sur la
dfinition de deux nouvelles fonctions de Lyapunov, dont nous prsentons le thorme
qui fourni des conditions de synthse dobservateur moins restrictive que celui 2.48.
Thorme 2.3.4. converge asymptotiquement vers lorigine, sil existe des scalaires
> 0, > 0 et R et des matrices P = PT > 0, Q = QT et R de dimension appropries
tel que les ingalits suivantes soient satisfaites :
P + Q + (1 + ) 2 In < 0

1+ P 1+ Q AT P CT R AT P CT R
(2.50)

PA RT C P In 0 <0

PA RT C 0 P
2.4 Conclusion
Ce deuxime chapitre prsente des notions fondamentales sur lobservabilit et les

observateurs non linaires. En prenant en considration le rle central jou par les ob-
servateurs non linaires dans la suite de nos travaux de recherche servant de choisir
lune des techniques prsentes pour lestimation dtat des rseaux lectriques (utili-
sation du Filtre de Kalman Etendu). Nous avons tout dabord prsent un tat de lart
64
sur les diffrentes techniques destimation de ltat. Un tat de lart regroupe la plupart
des techniques de conception dobservateurs pour les systmes non linaires temps
continu et discret. Pour cette classe gnrale de systmes, nous avons vu quil nexiste
pas, lheure actuelle, de mthode universelle pour la synthse dobservateurs. Les ap-
proches dveloppes ce jour sont soit une approximation des algorithmes linaires, soit
des algorithmes non linaires spcifiques pour certaines classes de systmes.
3
CHAPITRE 3 : ESTIMATION DTAT ET

DIAGNOSTIC DES RSEAUX LECTRIQUES HT
3.1 Introduction
Dans ce chapitre nous traitons deux problmes : lestimation dtat et le diagnostic

des rseaux lectriques. Lestimation dtat sera assure par lapplication de filtre du
Kalman tendu (utilis comme estimateur E.K.E) sur un modle dynamique transform
des rseaux que nous dtaillerons dans une premire partie. Dans une deuxime partie,
la dtection, la localisation et lestimation des dfauts est assure travers une nouvelle
approche que nous proposons base sur lajout dune fentre des mesures au F.K.E ainsi
quune version amliore avec des entres inconnues pour lisolation et lestimation des
dfauts. Un algorithme regroupant les diffrentes tapes sera propos.
3.2 Modlisation dynamique du rseau
3.2.1 Transformation du modle dynamique du rseau
Dans le chapitre 1, nous avons prsent le modle dynamique dun rseau lectrique
sous forme DAE, dans ce qui suit nous allons proposer quelques transformations afin de
le rendre sous forme ODE de base. La forme gnrale du modle de DAE est donne
comme suit :
xd (t) = F(xd (t), xa (t), u(t))
0= g(xd (t), xa (t)) (3.1)
y(t) = h(xd (t), xa (t))
Avec : xd (t) Rnd , xa (t) Rna sont respectivement les variables dtats dynamiques
et algbriques, F(.) Rnd une fonction reprsentant les quations diffrentielles non
linaires, g(.) Rna reprsente les contraintes (quations) algbriques non linaires,
u(t) R p la commande et y(t) Rm la sortie du systme. Le problme pos par le
66
systme (3.1) est que xa (t) napparat pas explicitement. Pour le faire apparatre, on dif-
frentie les contraintes g(xd (t), xa (t)) par rapport au temps :
0= gxd (xd (t), xa (t))xd (t) + gxa (xd (t), xa (t))xa (t)
(3.2)
0 = gxd (xd (t), xa (t))F(xd (t), xa (t), u(t)) + gxa (xd (t), xa (t))xa (t)
g(xd (t),xa (t)) g(xd (t),xa (t))

Ou gxd (xd (t), xa (t)) = xd (t) et gxa (xd (t), xa (t)) = xa (t) sont deux matrices
dordre appropri.
3.2.1.1 Modle Dynamique Ordinaire (O.M)
Si autour dun point de fonctionnement gxa (xd (t), xa (t)) est inversible [59], alors le
systme algbro-diffrentiel 3.1 peut scrire sous la forme explicite (Modle Ordinaire
O.M) :
xd (t) = F(xd (t), xa (t), u(t))

(3.3)
xa (t) = g1
xa (xd (t), xa (t))gxd (xd (t), xa (t))F(xd (t), xa (t), u(t))
En conclusion, on a diffrenti une fois le systme algbro-diffrentiel 3.1 pour obtenir

un systme explicite : on dit que le systme algbro-diffrentiel est dindice 1 [60]. Une
tude de la nature et de la stabilit de ce type de systme est donne par [61]. Il faut noter
que :

g(xd ,xa ) gxa 1 gxa 2 j1 j2
gxa (xd , xa ) = xa = [J] = (3.4)
gxa 3 gxa 4 j3 j4
o [J] est la matrice Jacobienne utilise dans le calcul du Load Flow.
3.2.1.2 Modle Dynamique Dcoupl (D.M)
Dans le modle dynamique 3.3 la matrice gxa (xd , xa ) est multiplie : par la matrice
gxd (xd , xa ) qui comprend tous les termes manquant des noeuds gnrateurs ainsi que la
fonction F(.) qui contient lexpression des diffrentes puissances des gnrateurs, donc
67
on se retrouve presque dans la mme formation du problme de calcul du load flow avec
toutes les composantes de la matrice Jacobienne, dans cette contribution, nous avons
appliqu un changement sur la matrice gxa (xd , xa ) de faon similaire celui du mode
dcoupl lors du calcul du load flow : faire lHypothse du dcouplage des variables :
" Dans un rseau haute tension, on sait que les phases ragissent essentiellement la
circulation des puissances actives et que les modules des tensions nodales U sont princi-
palement dpendants de la circulation des puissances ractives". Dans ces conditions, on
peut annuler les sous matrices [ j2 ] et [ j3 ] ", [1]. Donc on crit cette matrice, sans perte
de gnralit, sous la forme simplifie suivante (Modle Dcoupl D.M) :

g(xd ,xa )|Dec gxa 1 0 j1 0
gxa (xd , xa )|Dec = xa = [J] = (3.5)
0 gxa 4 0 j4
Pour la suite de la thse, le modle que nous allons considrer (comme modle 3.1
et sans transformations) est sous la forme suivante (Modle qui met en vidence la dy-
namique du rotor et des charges statiques [5]) :

fiI : i + s =0

II s
fi :

i = 2M (PMi PGi ( , ,V ) Di )
gIi : Pj Pj ( , ,V ) (3.6)

gII
i : Qj Q j ( , ,V )

y :
q Pc,d Pc,d ( , ,V )
PMi
Avec i : 1...ng 1; j : ng + 1...ng + nl ; q : 1...m; c, d : 1...N et u = M , = {Ybus },F(.) =
[ fi , g j ]T ou u et Pc,d seront la commande et la sortie dans le modle 1.7.
A noter que les hypothses et les propositions donnes peuvent se gnraliser pour les
autres formes des modles qui prennent en compte dautres caractristiques des charges
[20]et des gnrateurs [5].
68
Finalement le modle complet sous forme O.D.E est le suivant :

xd

x = = f(xd , xa , u)

xa

=
F (x
d d a, x , u)

1
gxa (xd , xa )gxd (xd , xa )F(xd , xa , u) (3.7)

0 g(xd , xa )

d , xa ) =

y = = h(x
y h(xd , xa )

3.2.2 Rsultats de simulation du modle dynamique
Nous allons prsenter dans cette partie les rsultats de simulation des deux modles
dynamiques discrtiss (O.M et D.M) sur les rseaux test IEEE 3 et 13 noeuds. Dans un
premier temps, nous allons prsenter le modle dynamique complet (O.M) du rseau test
3 noeuds ainsi que les transformations et les approximations faites.
Le modle DAE du rseau test 3 noeuds est le suivant :

fI : x1 = x2 s

II s
f : x2 = 2M (PM3 PG3 (x1 , x3 , x4 ) Dx2 )

gI : P2 P2 (x1 , x3 , x4 ) = 0 (3.8)

gII :

Q2 Q2 (x1 , x3 , x4 ) = 0

y :
1 P3,2 (x1 , x3 , x4 )
Avec : PG3 (x1 , x3 , x4 ) est la puissance lectrique du noeud gnrateur 3, P3,2 (x1 , x3 , x4 )
est la puissance qui transite entre les noeuds 3 et 2 et :
x1 = 3 : langle de rotation mcanique du noeud gnrateur 3
x2 = 3 : la vitesse angulaire mcanique du noeud 3
x3 = 2 : la phase du noeud charge 2
x4 = V2 : la tension au noeud 2
tout en notant que x1 , x2 reprsentent les variables dynamiques et x3 ,x4 les variables
algbriques. Donc pour transformer ce systme 3.8 sous forme O.D.E, on fait la trans-
69
formation 3.3 tel que :

P2 (x1 ,x3 ,x4 ) P2 (x1 ,x3 ,x4 )
x3 x4
gxa (xa , xd ) = Q2 (x1 ,x3 ,x4 ) Q2 (x1 ,x3 ,x4 )

x3 x4

P2 (x1 ,x3 ,x4 ) P2 (x1 ,x3 ,x4 )
x1 x2
gxd (xa , xd ) = Q2 (x1 ,x3 ,x4 ) Q2 (x1 ,x3 ,x4 )

x1 x2
On se retrouve avec les mmes expressions que celles calcules pour la dtermination
des lments de la diagonale de la matrice Jacobienne utilise dans le calcul de flux de
puissance flow o les lments de gxa (xa , xd ) :

P2 (x1 ,x3 ,x4 )

x3 = Q2 (x1 , x3 , x4 ) B22 x42
P2 (x1 ,x3 ,x4 )
G22 x4 + P2 (x1x,x4 3 ,x4 )

=

x4
Q2 (x1 ,x3 ,x4 )

x3 = P2 (x1 , x3 , x4 ) G22 x42

Q2 (x1 ,x3 ,x4 ) Q2 (x1 ,x3 ,x4 )

x4 = x4 B22 x4
et gxd (xa , xd ) :

P2 (x1 ,x3 ,x4 )

x1 = x4V3 [G23 sin(x3 x1 ) B23 cos(x3 x1 )]
P2 (x1 ,x3 ,x4 )

=

x2 0
Q2 (x1 ,x3 ,x4 )

x1 = x4V3 [G23 cos(x3 x1 ) + B23 sin(x3 x1 )]

Q2 (x1 ,x3 ,x4 )

x2 = 0
(avec : V3 est la tension impose par le noeud gnrateur 3)
Pour le modle dcoupl (comme celui du calcul du Load Flow) on approxime

P2 (x1 ,x3 ,x4 ) Q2 (x1 ,x3 ,x4 )
dans la matrice gxa (xa , xd ) : x4 x3 0. O g1
xa et gxd sont
calcules numriquement.
70
Dans un premier temps, nous prsentons la variation de det(gxa ) pour les deux modles
(O.M et D.M) :
4
x 10
1.85
DM
OM
1.8
1.75
det(g)
1.7
1.65
1.6
0 1000 2000 3000 4000 5000 6000
Iterations (k)
Fig. 3.1: Evolution de det(gxa ) en OM et DM
La figure 3.1, montre que pour les deux modles la matrice gxa est inversible, donc les
transformations faites sont correctes. Dans un deuxime temps, nous allons prsenter
quelques figures de variation de quelques tats pour le rseau 3 noeuds avec le modle
ordinaire (O.M). On commence par la variation de la vitesse angulaire mcanique du
noeud gnrateur 3 :
500
450
400
350
300
w3
250
200
150
100
50
10 20 30 40 50 60 70 80 90 100
Iterations (k)
Fig. 3.2: Evolution de la vitesse angulaire mcanique du noeud gnrateur 3 (x2 (k))
et lvolution de la tension au noeud charge 2 :

71
213
212
211
U2 (KV) 210
209
208
207
206
10 20 30 40 50 60 70
Iterations (k)
Fig. 3.3: Evolution de la tension nodale au noeud charge 2 (x4 (k))
La figure (3.2) montre bien que la vitesse angulaire du noeud gnrateur 3 converge bien
vers celle lectrique (cas du rseau locale 2 f = 314.159). La figure (3.3) montre la va-
riation de la tension au noeud charge 2 qui converge vers la mme solution trouve dans
le calcul du Load Flow ce qui montre dune faon claire que le modle dynamique uti-
lis converge bien vers les bonnes solutions autour du mme point de fonctionnement.
En conclusion, nous pouvons dire, dune faon concrte, que les valeurs trouves des
diffrents tats de ce rseau sont identiques celles trouves lors du calcul du load flow
(pour les grandeurs du noeud charge 2 et noeud gnrateur 3).
Pour mieux montrer lapport du modle propos (D.M) par rapport lO.M, on prsente
dans le tableau suivant 3.I lvolution de lerreur relative ainsi que le temps de calcul.
Ceci pour 100 simulations en variant les valeurs initiales dune faon alatoire (variation
de 20%). Lerreur relative est donn par lexpression (3.9) o xrel , xOM et xDM repr-
sentent respectivement les tats gnrs par : le diagramme de simulation dynamique
sous Simulink de MAT LAB, le modle OM et DM.
kxrel xOM/DM k
(3.9)
kxrel k
72
Tab. 3.I: erreur relative (%) et temps de calcul

OM DM
Erreur relative 4.133% 2.679%
Temps de Calcul 1.72s 1.24s
On voit bien, daprs la deuxime ligne du Tableau 3.I, que le modle dcoupl propos
converge avec une meilleur prcision par rapport au modle OM. De plus, le rsultat
montre que le temps de calcul est plus faible avec le DM ce qui permet limplmenta-
tion et lapplication en temps rel. Pour le calcul de xa , lexpression mathmatique est
donne par (3.10) pour DM et (3.11) pour lOM.

1
P j Pi 0
xa = = Fd (xd , xa , u) (3.10)
V QV1j Qi 0
Pj Qj
avec Pi = i et Qi = i .

P1
j
Pi T1 (Pi + Qi ) 0
xa = Fd (xd , xa , u) (3.11)
QV1j Qi + T2 + T3 0
ou :
T1 = P1
j
PV j (QV j Q j P1
j
PV j )1
T2 = QV1j Q j P1
j
Pi
T3 = (Ina /2 + QV1j Q j P1
j
PV j )1 QV1j Q j P1
j

PV j QV1j (Q j P1
j
Pi Qi )
P P Q Q
et : = P , V = PV , = Q et V = QV .
On note, en utilisant les quations 3.10 et 3.11, que le DM nglige les termes (T1 , T2
et T3 ) utilises avec lOM (ce qui rduit le temps de calcul). Ces termes ngligs peuvent
mener le systme (dans le rgime transitoire) des valeurs importantes ce qui rduit le
temps de rponse ainsi que la stabilit (ces termes peuvent engendrer des instabilits nu-
mriques). Dans ce qui suit nous prsentons la variation de la tension nodale au noeud
73
1 (V1 (k)) du rseau test 13 noeuds par les deux modles pour voir lintrt du modle
dcoupl propos (avec comme valeur relle ou exacte celle gnre par le diagramme
de simulation donn au Chap. 1).
1000 Valeur relle

220 DM
900 OM
Tension nodale au noeud charge 1 (kV)
210
800
700 200
600
190
500
180
400 100 200 300 400
300
200
100
0
500 1000 1500 2000 2500 3000 3500 4000 4500
Iterations (k)
Fig. 3.4: Evolution de la tension au noeud 1 :V1 (k)
La figure (3.4) montre quavec les deux modles OM et DM on garde les mmes pro-
prits et les tats convergents vers les mmes solutions tout en notant que le modle
dcoupl prsente un gain de temps remarquable (pour le modle OM 1000 itrations
pour atteindre la convergence et 400 pour le modle DM).
Nous notons ici, que lun des principaux critres de choix de modle ou de mthode est
le critre du temps (temps de calcul, CPU time, nombre ditrations pour la convergence)
ainsi que la prcision du modle, ce qui est bien montr par lutilisation de notre modle
dynamique dcoupl propos.
3.3 Synthse de Filtre pour lestimation dtat dynamique des rseaux lectriques
Le principal problme dans le cas du systme associ au rseau lectrique rside dans
le fait que peu de mthodes sont applicables. En effet, les nombreux et forts non linarits
en prsence conduisent gnralement utiliser le Filtre de Kalman Etendu (F.K.E) pour
rsoudre le problme destimation. Nous proposons ici lEstimateur de Kalman Etendu
(E.K.E) et un F.K.E qui prend en compte une fentre de mesures glissante (F.K.E-MH)
74
afin daugmenter la prcision ainsi que la robustesse destimation. Une tude de conver-
gence dE.K.E sera traite avec une extension pour le F.K.E-MH dans la suite.
3.3.1 Estimateur de Kalman Etendu (E.K.E)
Le filtre de Kalman tendu est un estimateur rcursif. Cela signifie que pour estimer
ltat courant, seuls ltat prcdent et les mesures actuelles sont ncessaires. Lhisto-
rique des observations et des estimations nest ainsi pas requis. Dans le filtre de Kalman
tendu (F.K.E) [36], les modles dvolution et dobservation nont pas besoin dtre des
fonctions linaires de ltat mais peuvent la place tre des fonctions diffrentiables.
Notre systme discret considrer (nous utilisons la mthode dEuler avec une priode
dchantillonnage Te , xk+1 = xk + Te f(xk , uk ) pour discrtiser le modle continu (3.7))
est de la forme discrte suivante :

k+1 = f (xk , uk ) + wk
x
(3.12)
yk = h(xk , uk ) + vk
avec : vk et wk sont respectivement bruit sur le systme et les mesures linstant kTe .
La fonction f peut tre utilise pour calculer ltat estim prcdent et, galement, la
fonction h peut tre employe pour calculer lobservation de ltat estim. Cependant,
f et h ne peuvent pas tre appliqus directement au calcul de la covariance : une ma-
trice des drives partielles (la Jacobienne) est calcule chaque instant et value avec
les tats estims courants. Ces matrices peuvent tre employes dans les quations du
filtre de Kalman. Ce processus linarise essentiellement la fonction non linaire autour
de lestimation courante. Ceci donne les quations destimateur de Kalman tendu sui-
vantes :
xk+1 = f (xk , uk ) + Kk ek
Kk = Fk Pk HkT (Hk Pk HkT + Rk )1
(3.13)
Pk+1 = (Fk Kk Hk )Pk FkT + Qk
ek = yk h(xk , uk )
75
(xk +Te f(xk ,uk )) k ,uk )

h(x
ou : Fk = F(xk , uk ) = xk |xk =xk et Hk = H(xk , uk ) = xk |xk =xk .
Dans la littrature, il existe quelques mthodes utilisant le F.K.E sur un systme mod-
lis sous forme D.A.E linaris tel que [62], mais nous allons dans ce qui suit lappliquer
sous sa forme gnrale avec quelques approximations numriques que nous proposons
pour le calcul de la matrice Jacobienne.
Dans un premier temps, il faut noter que suite la difficult (voir impossible) de construire
la matrice Fk suite la transformation des variables algbriques du rseau lectrique,
nous allons faire lapproximation numrique suivante :
(xd +Te Fd (xdk ,xak ,uk ))
(xdk ,xak )

(xk +Te f(xk ,uk ))
Fk = F(xk , uk ) = xk |xk =xk = (xa +Te (g1
xa (xdk ,xak )gxd (xdk ,xak )Fd (xdk ,xak ,uk )))
(xdk ,xak )
(3.14)
Lapproximation numrique faite sur le deuxime terme de Fk ,vue quil est trs difficile
dterminer, est calcul comme suit :
(xa +Te (g1

xa (xdk ,xak )gxd (xdk ,xak )Fd (xdk ,xak ,uk ))) Fd (xdk ,xak ,uk )
(xdk ,xak ) (Ina + Te (g1
xa (xdk , xak )gxd (xdk , xak ) (xdk ,xak ) ))
(3.15)
pour : xdk = xdk ; xak = xak et g1
xa ; gxd sont calcules numriquement.
3.3.2 Filtre de Kalman Etendu avec fentre de mesure glissante (F.K.E-MH)
Nous tudions dans cette partie le Filtre de Kalman Etendu qui prend en compte
une fentre de mesures glissante (F.K.E-MH) afin daugmenter la prcision ainsi que la
robustesse destimation. Nous prsentons dans cette section la synthse de cet estimateur.
Nous considrons le systme 3.12, avec f et h sont continues et drivables, lestimateur
propos est donn par :

yk h(xk )

yk1 h(xk1 )
xk+1 = f (xk ) + Kk (3.16)

..

.

ykM+1 h(xkM+1 )
76
avec : M est la taille de la fentre glissante ; xk+1 est lestim de xk+1 en utilisant les
informations yk , . . . , ykM et Kk est le gain du filtre qui est dtermin de faon quil
minimise la trace de la matrice de covariance de lerreur destimation. Dans ce qui suit
nous calculons les diffrents paramtres du filtre.
Nous dfinissons :
Pkk = E(xk xkT )
(3.17)
xk+1 = xk+1 xk+1
et :
k = E(x xT ), avec j = 1, . . . , M
Pk j k k j
xk j = xk j xk j
Ck = diag[Hk (xk ) . . . Hk (xkM+1 )].
o : xk+1 = xk+1 xk+1 .

Considrant les approximations suivantes :
f (xk ) f (xk ) = Fk xk
(3.18)
h(xk ) h(xk ) = Hk xk
et : E(wk ) = E(vk ) = 0 (avec Fk et Hk sont calculs de la mme faon que dans E.K.E).
k+1 T ) pour obtenir :
Nous pouvons dvelopper Pk+1 = E(xk+1 xk+1
k+1
Pk+1 = Fk Pkk FkT + KkCk PkCkT KkT Fk [Pkk Pkk1 . . . PkkM+1 ]CkT KkT

Pkk

Pk (3.19)
k1 T
KkCk Fk + Kk Rk KkT + Qk

..

.

k
PkM+1
77
Dans lexpression de 3.19, intervient la matrice de covariance derreur destimation

globale Pk . Cette matrice est calcule linstant suivant comme suit :

k+1 k kM+2
Pk+1 Pk+1 . . . Pk+1

Pkk+1

Pk+1 =

(3.20)
.. ..

. .

k+1 kM+2
PkM+2 PkM+2
O dune itration lautre, seule la premire ligne de Pk+1 est inconnue et peut tre
calcule par 3.19 pour le premier lment, les autres sont dfinis par :
ki T
Pk+1 = E(xk+1 xki ) (3.21)
ki k j
T
Nous rappelons ce stade que : Pk j = (Pki ) .

Pkki

ki
ki
Pk1
Pk+1 = Fk Pkki KkCk (3.22)

..

.

ki
PkM+1
Le gain Kk doit tre calcul dune faon minimiser la trace de la matrice de covariance
k+1 T )) :
de lerreur destimation (Pk+1 = E(xk+1 xk+1
k+1
trace(Pk+1 )
=0 (3.23)
Kk
Ainsi, nous obtenons Kk satisfaisant 3.23 :
Kk = Fk [Pkk Pkk1 . . . PkkM+1 ]CkT (Ck PkCkT + Rk )1 (3.24)
Dmonstration :
78
k+1
Dans un premier temps, Pk+1 peut tre exprim sous la forme (3.25) en dfinissant :

vk

vk1
Vk =

..

.

vkM+1

yk h(xk )
"
k+1
n yk1 h(xk1 ) o
Pk+1 =E f (xk , uk ) + wk f (xk ) + Kk

..

.

ykM+1 h(xkM+1 )
(3.25)
yk h(xk )
#
n yk1 h(xk1 ) oT
f (xk , uk ) + wk f (xk ) + Kk

..

.

ykM+1 h(xkM+1 )
donc :

xk xk
" #
k+1
n xk1 on xk1 oT
Pk+1 = E Fk xk +wk KkCk KkVk Fk xk +wk KkCk KkVk

.. ..

.

.

xkM+1 xkM+1
(3.26)
En supposant maintenant quil ny a pas de dpendance entre les bruits et lerreur
h i
1 k
destimation, nous pouvons facilement dduire en posant Pk = Pk Pkk1 kM+1
. . . Pk :
k+1
Pk+1 = Fk Pkk FkT + Qk + KkCk PkCkT KkT Fk Pk1CkT KkT KkCk (Pk1 )T FkT + Kk Rk KkT (3.27)
k+1
ce stade, il nous reste juste de chercher le gain Kk qui minimise la trace de Pk+1 :
k+1
trace(Pk+1 )
=0
Kk
79
ceci nous mne :

2Kk (Rk +Ck PkCkT ) 2Fk Pk1CkT = 0 (3.28)
ou :
Kk = Fk Pk1CkT (Ck PkCkT + Rk )1 (3.29)
Fin dmonstration
Le fait dutiliser une fentre glissante sur les mesures introduit une matrice Pk+1
et ses lments, le calcul de Kk tient alors compte des mesures prcdentes et diffre
en ce sens du F.K.E classique. Linitialisation du filtre est donne par E.K.E dans sa
formulation classique :
P0 = diag[PME.K.E PM1
E.K.E
. . . P0E.K.E ] (3.30)
3.3.3 Analyse de la convergence
Dans cette section, nous prsentons une tude de convergence pour lEstimateur de
Kalman Etendu [63], nous tendrons les rsultats pour le Filtre de Kalman Etendu avec
une fentre de mesure glissante, base sur les travaux de [64], [39] et [38] en incluant une
matrice diagonale inconnue pour la linarisation des erreurs et une fonction de Lyapunov
qui mne rsoudre une LMI qui dpend du choix des matrices Rk et Qk .
Premirement, soit le vecteur derreur dfini comme suit : xk = xk xk
et soit une fonction de Lyapunov candidate :
T 1
Vk+1 = xk+1 Pk+1 xk+1
avec :

xk+1 = k (Fk Kk Hk )xk = k Fk xk

1
Pk+1 = (Fk Pk FkT + Qk )1

k = diag(1k , ..., (nd +na )k )

80
Nous avons :
1
Vk+1 = (k Fk xk )T Pk+1 (k Fk xk )
(3.31)
= xT F T k (Fk Pk F T + Qk )1 k Fk xk
k k k
Une squence dcroissante {Vk }k=1,... nous permet de dire quil existe un scalaire positif
0 < < 1 tel que :
Vk+1 (1 )Vk 0
Ce qui est traduit par la formulation de cette LMI :
FkT k (Fk Pk FkT + Qk )1 k Fk (1 )Pk1 0 (3.32)
Avec le mme raisonnement que celui utilis par [64] nous dterminons les domaines o
(3.32) est satisfaite.
Avec lhypothse suivante :
12
(1 ) (Fk Pk FkT + Qk )

| jk | k = sup j | jk | (3.33)
(FkT ) (Pk ) (Fk )
il est claire que {Vk }k=1,... est une squence dcroissante. Avec et sont respective-
ment la valeur singulire maximale et minimale. Nous dfinissons ds le dbut que la
matrice k est une matrice diagonale, donc nous avons :
(1 ) (Fk Pk FkT +Qk ) (1 ) (Pk1 )

[ (k )]2 (FkT ) (Pk ) (Fk )
(Fk ) ((Fk Pk FkT +Qk )1 ) (Fk )
T (3.34)
par la suite :
(FkT k (Fk Pk FkT + Qk )1 k Fk ) [ (k )]2 (FkT ) ((Fk Pk FkT + Qk )1 ) (Fk ) (1 ) (Pk1 )

(3.35)
Si (3.35) est satisfaite, conscutivement Vk est une squence strictement dcroissante.
Cette dernire quation nous donne une ide sur le choix de Qk et Rk , nous procdons
81
comme suit :
(Fk ) = (Fk Kk Hk ) = (Fk Fk Pk HkT (Hk Pk HkT + Rk )1 Hk )

(3.36)
= [Fk (Ina +nd Pk HkT (Hk Pk HkT + Rk )1 Hk )]
en utilisant : Ak = Pk HkT (Hk Pk HkT + Rk )1 Hk , nous avons donc :
(Fk ) (Fk ) [Ak (A1 1

k + Ina +nd )] (Fk ) (Ak ) (Ak + Ina +nd )
(3.37)
et :
(Ak ) (Pk HkT ) ((Hk Pk HkT + Rk )1 Hk ))
(Pk HkT ) (Hk ) (3.38)
(Pk HkT ) ((Hk Pk HkT + Rk )1 ) (Hk ) (Hk Pk HkT +Rk )
finalement, nous avons :
(Fk ) (Pk HkT ) (Hk ) (A1

k + Ina +nd )
(Fk ) T
(3.39)
(Hk Pk Hk + Rk )
Par exemple nous pouvons choisir Qk suffisamment large et Rk tel que (3.35)est satis-
faite, donc k doit tre large et pas ncessairement trs proche de la matrice identit.
Afin dassurer que limk (xk xk ) = 0 et puisque Vk est une squence strictement d-
croissante avec Pk est une matrice borne , on a donc :
0 xkT xk Vk (1 )kV0
0 limk (xkT xk ) limk (Vk ) V0 limk ((1 )k ) = 0
avec 0 Ind +na Pk1 .
Conscutivement, et toujours avec les mmes tapes que dans [64] et [38], pour que
le F.K.E ,E.K.E et le F.K.E-MH assurent la convergence asymptotique locale, ils doivent
vrifier ce thorme (extension du thorme de [64]) :
Thorme 3.3.1. 1. le systme (3.12) est A-Uniformment et localement observable

au sens du rang, donc il existe k A 1 tel que le rang de la matrice dobserva-
82
bilit est :

HkA+1

H
kA+2 FkA+1

rank(O(k A + 1, k)) = = (nd + na ) (3.40)

....

Hk Fk1 ...FkA+1
dans la pratique, on utilise un test numrique pour le calcul du rang de O(k A +

1, k).
2. Fk , Hk sont des matrices uniformment bornes et Fk1 existe.
3. Les matrices Qk et Rk sont choisies tel que :
(a) Pour le F.K.E :

Qk = eTk ek Ind +na + Ind +na
(3.41)
T + I
Rk = Hk+1 Pk+1/k Hk+1 m
o : doit tre choisies suffisamment large et positive, un scalaire positif

mais de trs petite valeur et et des scalaires positifs fix par lutilisateur.
(b) Pour E.K.E :

(3.42)
Rk = Hk Pk HkT + Im
avec : et doivent tre choisies larges (grande valeur) et positives et et

des scalaires positifs fix par lutilisateur.
(c) Pour F.K.E-MH :
Qk = e fkT e fk Ind +na + Ind +na

(3.43)
Rk = Ck PkCT + IM
k
83

yk h(xk )

yk1 h(xk1 )
avec e fk = et : et sont choisies de petites

..

.

ykM+1 h(xkM+1 )
valeurs et positives et et des scalaires positifs.
3.3.4 Rsultats de Simulation pour lestimation dtat
Nous traitons dans cette partie de simulation les rseaux test 3 et 13 noeuds. La p-
riode dchantillonnage est choisie gale 104 s et les donnes ou le vecteur de mesures
est gnr par le le diagramme de simulation du modle dynamique (propos dans le
premier chapitre, section Aspect dynamique) en utilisant Simulink de MAT LABr . Nous
notons que dans cette partie nous allons appliquer seulement le F.K.E pour lestimation
dtat.
3.3.4.1 Rseau 3 noeuds
Dans un premier temps, et avant lapplication de lEstimateur de Kalman Etendu,

nous devons vrifier le rang de la matrice dobservabilit (c--d lobservabilit de notre
systme) qui est illustr dans cette figure 3.5 avec A = 4 :
4
rank(O)
0
0 1000 2000 3000 4000 5000 6000
Iterations (k)
(k4,k)
Fig. 3.5: Evolution du rang de la matrice dobservabilit : rang(O3noeuds )
84
(k4,k)
Aprs avoir vrifier la condition dobservabilit (rang(O3noeuds ) = 4), nous prsentons
la variation de quelques tats estims. Dans un premier temps, nous avons ajout aux
mesures (puissance de transit P3,2 ) un bruit de faible valeur (de lordre de 5% de la
valeur relle) avec :
QkE.K.F = 0.964I4
RE.K.E
k = 0.021
La figure suivante 3.6 montre la variation de lerreur destimation du rseau test 3

noeuds :
0.6
0.4
0.2
0
e (k)
0.2
0.4
0.6
0.8
0 1000 2000 3000 4000 5000 6000
Iterations (k)
Fig. 3.6: Evolution de lerreur destimation
Il est claire daprs la figure ci-dessus, que les tats estims convergent bien vers ceux
rels puisque ek 0 (faible variation). Nous prsentons maintenant lvolution des tats
estims : tension nodale au noeud charge 2 (x4 (k)) dans la figure 3.7 et la vitesse an-
gulaire mcanique au noeud gnrateur 3 (x2 (k)) dans la figure 3.8 tout en variant la
commande du systme (puissance mcanique au noeud 3) partir de litration 2750 :
85
280
Estime
270 Valeur relle
260
250
240
V2 (kV)
230
220
210
200
190
180
0 500 1000 1500 2000 2500 3000 3500 4000 4500
Iterations(k)
Fig. 3.7: Evolution de la tension nodale estime au noeud 2 : V2 (k) = x4 (k)
500
Estime
450 Valeur relle
400
350
300
w3 (rd)
250
200
150
100
50
0
0 1000 2000 3000 4000 5000 6000
Iterations (k)
Fig. 3.8: Evolution de 3 (k) = x2 (k) au noeud 3
La figure (3.7) montre bien que la tension nodale estime au noeud 2 converge vers la
valeur relle (mme valeur trouve dans le calcul du load flow)) et (3.8) montre que la
vitesse angulaire mcanique au noeud 3 converge bien vers celle lectrique (s = 2 f =
314.1593 avec f = 50Hz), globalement les deux figures donne une ide claire sur la
robustesse et la bonne qualit destimation offerte par F.K.E durant la variation de la
commande (puissance mcanique).
Dans un deuxime temps, on ajoute aux mesures un bruit de grand valeur (de lordre de
86
15% de la mesure relle) et nous prsentons la variation de x4 (k) = V2 dans la figure

3.9 avec les valeurs prcdentes de Qk et Rk (sans correction ou version standard) et ces
nouvelles valeurs (avec correction ou version modifi) :
QkE.K.F = 1010 eTk ek I4 + 103 I4

RkE.K.E = 10Hk Pk HkT + 103
300
216
Avec correction
215 Sans correction
280 Valeur Relle
214
213
260
212
V (kV)
240 211
2
210
800 1000 1200 1400 1600
220
200
180
0 500 1000 1500 2000 2500 3000 3500 4000 4500 5000
Itrations (k)
Fig. 3.9: Evolution de la tension nodale estime au noeud 2 : V2 (k) = x4 (k)
La figure 3.9 montre bien le bon choix des matrices Qk et Rk suivant le thorme, cit
prcdemment, assure la convergence des tats estims vers les bonnes valeurs (valeurs
relles).
3.3.4.2 Rsultats de simulation du rseau test 13 noeuds
Dans cette partie, nous nous intressons lestimation dtat du rseau 13 noeuds en
utilisant les deux modles OM et DM. Le rseau contient :
5 noeuds gnrateurs : 2, 5, 7, 11 et 12 (avec le noeud 12 est pris comme noeud de

rfrence) et 8 noeuds charges : 1, 3, 4, 6, 8, 9, 10 et 13.
Les sorties du systme sont les puissances de transit (P7,6 ) et (P12,1 ) avec un vecteur
87
dtat compos de 24 variables ([x] = [i i j V j ]T avec i = 2, 5, 7, 11 et j =

1, 3, 4, 6, 8, 9, 10, 13).
Dans un premier temps, et de mme que pour le rseau 3 noeuds, nous prsontons la
variation du rang de la matrice dobservabilit dans la figure (3.10).
25
20
15
rank(O)
10
0
0 500 1000 1500 2000 2500 3000
Iterations (k)
(k13,k)
(k13,k)
Aprs la vrification de lobservabilit du rseau, rang(O13noeuds ) = 24, on sintresse
lestimation dtat. De mme les mesures sont gnres par le diagramme de simulation
dynamique (diagramme propos dans le Chapitre 1, section Aspect dynamique) tout en
ajoutant un bruit de faible valeur (de 5% de valeur relle) et avec :
QE.K.F 5
k = 2.753 10 I24
0.015664 0
RE.K.E
k =
0 0.014307
Nous prsentons, avec les deux modles OM et DM, lvolution de V1 (k) V1relle (k) (fi-
gure (3.11)) :
88
800
OM
700 DM
600
500
400
300
200
100
100
200
0 500 1000 1500
Iterations (k)
Fig. 3.11: Evolution de (V1 (k) V1relle (k)) avec OM et DM
Il est clair, daprs la figure 3.11, que ltat estim converge vers celui rel (avec une
petite erreur). En notant quavec le DM, la variation est plus stable dans le rgime transi-
toire suite llimination des termes PV et Q qui sont utiliss avec le modle OM. Ceci
est valid par :
Premirement, la variation de Conditionnement des termes T1 et T2 + T3 dans OM, lors
de linjection dun bruit entre les itrations 2500 et 2510 (remise zro des phases j ).
89
1400
T1
T2+T3
1200
Variation de rcond. T1 et T2+T3

1000
800
600
400
200
0
0 500 1000 1500 2000 2500 3000 3500 4000 4500 5000
Iterations (k)
Fig. 3.12: Evolution de T1 and T2 + T3 dans OM
Le rsultat obtenu la Figure 3.12 montre que, lors des premires itrations (rgime
transitoire), une large valeur de conditionnement des ces termes, ce qui indique que la
matrice est singulire, surtout quand une perturbation est inject. Lexistence dune ma-
trice singulire pourrait conduire le systme diverger.
Deuximent, par :
La variation de V1 (k) avec OM (variation de lordre de 395% de la valeur relle)

et DM (juste une petite variation de 7.42%) .
Le nombre des itrations jusqu la convergence : avec OM aprs 1000 itrations

et seulement 400 itrations avec DM
Concernant le dernier point, il est d au fait quavec le DM, on inverse seulement 2 ma-
trices de dimension 8 8 (chaque matrice est forme par 12 lments) mais avec OM
une matrice de dim 16 16 (matrice forme par 48 lments) pour calculer seulement
gxa (xd , xa )1 .
Troisiment, par lvolution de lerreur relative (en utilisant les mmes conditions quau
Tableau 3.I) avec OM et DM.
90
Tab. 3.II: erreur relative (%) et temps de calcul avec des valeurs initiales alatoires
OM DM
Erreur relative 6.857% 3.819%
Temps de calcul 121.2s 98.016s
Le Tableau 3.II montre que le DM propos converge avec une meilleure prcision quavec
lOM (avec DM 3.819% et OM 6.857%). On note aussi, que le temps de calcul utilis
par DM (98.016s) donne une indication sur la faisabilit ainsi que la possibilit dune
implmentation pratique.
Dans la deuxime simulation, les mesures sont gnres en ajoutant un bruit de grande
variance (15% de la valeur relle). On prsente lvolution de la norme derreur desti-
mation par OM et DM : kxrel xk
(respectivement Fig. 3.13 et Fig. 3.14) avec les valeurs
prcdentes de Qk et Rk (F.K.E Standard) et celles proposes dans le F.K.E modifi :
QkE.K.F = 1010 eTk ek I24 + 103 I24

RE.K.E
k = 10Hk Pk HkT + 103 I2
6
x 10
9
E.K.F Modifi
8 E.K.F Standard
5
||x x ||
e
r
0
0 500 1000 1500 2000 2500 3000 3500 4000 4500 5000
Iterations (k)
Fig. 3.13: Variation de kxrel xk

avec OM
Concernant lvolution de lerreur destimation, les rsultats montrent que le choix pro-
pos des matrices Qk et Rk assure la convergence des tats estims vers les valeurs relles.
Un autre problme, li la stabilit des mthodes utilises pour lestimation de ltat,
91
20000
E.K.F Modifi
18000 E.K.F Standard
16000
14000
12000
||xrxe||
10000
8000
6000
4000
2000
0 500 1000 1500 2000 2500 3000 3500 4000 4500 5000
Itrations (k)
Fig. 3.14: Variation de kxrel xk

avec DM
est le choix des valeurs initiales des diffrents tats. Pour cela on teste la version Stan-
dard et Modifie du F.K.E (respectivement S-F.K.E et M-F.K.E) pour 100 simulations
en variant les valeurs initiales dune manire alatoire (variation de lordre de 20% par
rapport aux valeurs relles) avec OM et DM. Le tableau suivant (3.III) prsente le % de
convergence avec les deux cas suivants (perturbations sur le systme) :
Cas 1 : On ajoute un bruit de faible variance au systme (variation de 5% appli-

que aux termes de la matrice dadmittance nodale Gi j et Bi j ).
Cas 2 : On ajoute un bruit de grande variance au systme (variation de 15%

applique aux termes Gi j et Bi j ).
Tab. 3.III: convergence (%) avec des valeurs initiales alatoires

Estimateur OM(Cas1) DM(Cas1) OM(Cas2) DM(Cas2)
S-F.K.E 47% 52% 45% 48%
M-F.K.E 90% 94% 88% 91%
Dans le cas gnrale, les algorithmes tudis convergent vers les bonnes valeurs seule-
ment lorsquon initialise les tats proches des valeurs relles (les tensions nodales sont
choisies proches des tensions gnrateurs et les phases gales 0). Tableau 3.III montre
bien que le M-F.K.E converge dans la majorit des cas par rapport la version Standard
92
(S-F.K.E) et spcialement avec le DM propos.

On prsente maintenant dans le Tableau 3.IV lerreur relative donn par (3.78) lorsquon
ajoute un bruit de grande variance aux mesures (15% de la valeur relle) avec les
mmes conditions pour les valeurs initiales.
kxrel xOM/DM k
(3.44)
kxrel k
Tab. 3.IV: Erreur relative (%) avec valeurs initiales alatoires

Erreur relative OM DM
S-F.K.E 43.43% 28.73%
M-F.K.E 8.99% 4.86%
Les valeurs obtenues dans le Tableau 3.IV confirment bien que le M-F.K.E amliore la
qualit destimation. De plus, le fait dutiliser le M-F.K.E avec le DM, lerreur relative
est rduite de 5.91 fois par rapport S-F.K.E.
3.4 Diagnostic des rseaux lectriques
3.4.1 Introduction
Dans cette section nous rappelons les mthodes de base utilises pour le diagnostic
avant dentamer la partie de dtection des dfauts dans les rseaux lectriques. En ef-
fet, il existe une littrature abondante traitons le diagnostic des systmes linaires [65],
[66] et [67], [68] ; cependant peu de rsultats concernent les systmes non linaires de
grandes dimensions dont nous citons principalement les travaux de [69], [70], [71] dont
ils exigent dans chacun une reprsentation particulire des systmes non linaires et non
pas sa forme ordinaire.
3.4.2 Mthodes de Diagnostic
Les mthodes de diagnostic des dfaillances utilises dans les diffrents secteurs
industriels sont trs varies. Leur principe gnral consiste confronter les donnes re-
93
leves au cours du fonctionnement rel du systme avec la connaissance que lon a de

son fonctionnement nominal ou de ses fonctionnements dfaillants [72]. La forme, sous
laquelle se prsente la connaissance sur le systme, conditionne les diffrentes mthodes
utilises pour le diagnostic. Elles peuvent tre groupes en trois grandes familles [73],
[74], [75] : les mthodes de diagnostic par modlisation fonctionnelle et matrielle ou
mthodes bases sur le mode de raisonnement (dfinir des liens entre les causes et leurs
effets mesurables), les mthodes de diagnostic par modlisation physique ou mthodes
base modles et enfin les mthodes de diagnostic par analyse des signatures externes
(dans le cas o la modlisation des mcanismes reliant les causes de dfaillances nest
pas techniquement possible : [ reconnaissances des formes, rseau de neurones, systmes
experts]).
Nous nous intressons aux mthodes qui sarticulent sur la modlisation physique qui se
drivent dans deux approches principales qui se basent sur la redondance matrielle et
analytique.
Nous rappelons que lun des objectifs de ce travail est de faire lanalyse et la synthse
destimateurs dtat afin de surveiller le comportement des rseaux lectriques puisquil
est trs difficile voir impossible (pour des raisons daccessibilit, techniques et/ou de
cot) de mesurer le nombre excessif des variables dtat dans un systme de grandes
dimensions. Il est donc important de dvelopper des capteurs logiciels pouvant produire
une estimation fiable des variables ncessaires pour le diagnostic.
Les approches de base utilisant la redondance analytique pour la dtection des dfauts
sont :
Approche base sur les observateurs

La gnration des rsidus laide destimateur dtat consiste reconstruire ltat
et par consquent dduire la sortie estime du processus laide dobservateurs ou
des Filtres en utilisant par exemple lobservateur de Luenberger gnralis ou le
Filtre de Kalman Etendu. On dfinit alors lerreur destimation de sortie comme
rsidu. Un observateur est un modle dynamique construit partir des quations
du modle du systme rel. Il permet destimer un sous-ensemble de grandeurs
gnralement non mesurables. Les observateurs considrent lerreur destimation
94
donne par la diffrence entre la grandeur de sortie du modle et celle du systme

[76],[77].
Approche base sur lespace de parit

Cette mthodologie est essentiellement base sur lhypothse quun dfaut se tra-
duit par la variation de ltat paramtrique du processus. Le suivi de lvolution
de ses paramtres caractristiques est donc un excellent moyen pour raliser sa
surveillance. Le rsidu est cette fois engendr par la diffrence entre les estima-
tions en ligne des paramtres du modle dun procd et les paramtres nominaux
du procd dfinis pour un fonctionnement normal. Cette mthode est trs int-
ressante car le pouvoir explicatif des estimations est trs grand. Dans le cas de
lestimation de paramtres ayant un sens physique, lvolution des estimations
permet dobtenir directement un diagnostic sur lorigine des dfauts. Malheureu-
sement, les conditions destimation des paramtres sont trs contraignantes, et le
retour aux paramtres physiques nest pas toujours possible [78].
Approche base sur lestimation des paramtres
Les mthodes destimation paramtrique supposent lexistence dun modle para-

mtrique dcrivant le comportement du systme, mais il faut que les valeurs de
ces paramtres en fonctionnement nominal soient connues. Elles consistent alors
identifier les paramtres caractrisant le fonctionnement rel, partir de mesures
des entres et des sorties du systme. On dispose ainsi dune estimation des para-
mtres du modle, effectue partir des mesures prises sur le systme et sur leurs
valeurs thoriques. Pour dtecter lapparition de dfaillances dans le systme, il
faut effectuer la comparaison entre les paramtres estims et les paramtres tho-
riques. Comme pour les mthodes de redondance analytique, la thorie de la dci-
sion sert alors dterminer si lcart observ est d des alas normaux du fonc-
tionnement ou des dfaillances. La diffrence entre les mthodes de redondance
analytique et les mthodes destimation paramtrique est quon effectue, pour les
premires, la comparaison entre ltat estim et ltat thorique du systme, alors
95
que pour les secondes, on compare les paramtres estims aux paramtres tho-
riques du systme [79].
Dans la suite de notre thse nous nous intressons au diagnostic des rseaux lectriques
base destimateur ou Observateur (tout en intgrant le filtre de Kalman Etendu [80]).
3.4.3 Rsultats de Simulation pour la dtection des dfauts
Nous traitons dans ce qui suit la dtection des dfauts [81] avec une application sur
le rseau test 3 noeuds. Les rsidus sont gnrs par :
1 Le Filtre de Kalman Etendu (F.K.E)
2 Le Filtre de Kalman Etendu utilis comme estimateur (E.K.E), o on sintresse seule-

ment aux quations destimation et pas dtape de prdiction.
3 La nouvelle version du filtre avec une fentre de mesures glissante (F.K.E-MH)
La dtection est assure par un simple test logique sur les rsidus (comparaison avec 0).
Nous rappelons que le rsidu est gnr comme suit :
Pour le F.K.E : rkF.K.E = yk yek
Pour le E.K.E : rkE.K.E = yk yek
Pour le F.K.E-MH : rkF.K.EMH = ykM+1 yekM+1
Avec yk les mesures relles et yek celles estimes.

Nous prsentons dans un premier temps lvolution de V2 (k) (Figure 3.15) en injectant
un dfaut (dfaut systme) au noeud gnrateur 3 ,PG3 = 0 (perte totale de production
dnergie lectrique) entre les itrations 1550 et 1600 avec un choix standard des ma-
trices Qk et Rk :
QF.K.E
k = QkE.K.E = QF.K.EMH
k = 105 I4
RF.K.E
k = RE.K.E
k = 103 (3.45)
RkF.K.EMH = 103 I4
96
270
FKE
260 EKE
FKEMH
250 Valeur relle
Evolution de V2 (KV)
240
230
220
210
200
190
180
0 500 1000 1500 2000 2500 3000 3500 4000 4500 5000
Iterations (k)
Fig. 3.15: Evolution de V2 (k)
La figure 3.15 montre bien quavec le choix classique (choix standard) des matrices Rk et
Qk les tats estims ne convergent pas vers les valeurs rels, donc le rsidu rsultant est
faux. Nous choisissons dans ce qui suit les valeurs suivantes des matrices de covariance
de bruit sur le systme et les mesures (choix bas sur les rsultats dvelopps dans la
section de lanalyse de convergence) :

QF.K.E
k = 100eTk ek I4 + 50I4

RF.K.E = 10Hk Pk HkT + 1

k

QkE.K.E = 10eTk ek I4 + 5I4

(3.46)

RE.K.E
k = 10Hk Pk HkT + 1

QF.K.EMH = 0.001e fkT e fk I4 + 0.005I4

k

RF.K.EMH = 0.001C P CT + 0.005I

k k k k 4
et nous prsentons de nouveau la variation de V2 (k) :

97
280
207
270
206.5
260
206
250
Evolution de V2 (kV)
205.5
240
205
230
204.5
220 3500 4000 4500
210
200
FKEMH
190 FKE
EKE
180
0 500 1000 1500 2000 2500 3000 3500 4000 4500 5000
Itrations (k)
Fig. 3.16: Evolution de V2 (k)
La figure ci dessus montre, et dune faon claire, que le bon choix des matrices Rk et
Qk que nous proposons assure la convergence des tats estims vers les valeurs relles.
De plus, avec lE.K.E et le F.K.E-MH (dont les courbes sont confondues) convergent
dune faon plus prcise que le F.K.E. Nous prsentons dans ce qui suit la variation du
signal rsiduel en injectant diffrents types des dfauts dans le rseau.
En premier lieu, on injecte le mme dfaut PG3 = 0 entre les itrations 1550 et 1700 et
on observe la variation du rsidu dans la figure suivante :
200
FKE
150 100 EKE
FKEMH
100 0
100
50
Evolution de rk
20 40 60 80 100
0
50 50
100 0
150
50
200
1500 1600 1700 1800
250
0 500 1000 1500 2000 2500 3000 3500 4000 4500 5000
Iterations (k)
Fig. 3.17: Variation de residu rk

98
La figure 3.17 montre que les 3 versions du filtre de kalman assure la dtection de dfaut
par la variation des ces rsidus par rapport 0(rF.K.E 6= 0, rE.K.E 6= 0 et rF.K.EMH 6= 0).
De plus, le rsidu gnr par le F.K.E-MH prsente une indication juste de dfaut que
celui offert par lE.K.E et le F.K.E (la plage de variation de rsidu est limit juste lin-
tervalle dinjection de dfaut et pas en dehors comme indiqu par les rsidus du F.K.E
et E.K.E), et surtout lors des premires itrations qui peut donner naissance une fausse
alarme et par suite une fausse indication du dfaut.
Dans un deuxime lieu, nous nous intressons lvolution du rsidu lors de linjection
des dfauts au rgime transitoire. La figure suivante prsente lvolution du signal rsi-
duel lors de loccurrence dun dfaut (court circuit) entre les itrations 200 et 300 :
200
EKE
150 FKE
FKEMH
100
50
0
Evolution de rk
50
100
150
200
250
300
350
0 100 200 300 400 500 600 700 800 900 1000
Iterations (k)
Fig. 3.18: Variation de rsidu rk
La figure 3.18 montre bien que lvolution de rk donn par le F.K.E-MH est limite dans
sa variation lintervalle de linjection de dfaut, ce qui nest pas offert par le F.K.E et
lE.K.E , ce qui valide bien et dune faon claire la qualit du signal de dfaut offert par
le F.K.E-MH.
Dans un troisime lieu, nous prsentons dans le tableau suivant le taux de dtection des
dfauts par les 3 versions du filtre de kalman avec un choix standard (S) et modifi (M)
des matrices Qk et Rk . Nous proposons de tester les 3 versions sur 100 simulations et
nous considrons pour cela 2 cas :
99
Pour le premier cas, nous appliquons un faible bruit sur les mesures (5% de la
valeur relle) et par la suite nous considrons 2 autres cas : Cas 1.1 pour les dfauts
systmes et Cas1.2 pour les dfauts capteurs.
Pour le deuxime, nous appliquons un bruit de grande valeur sur les mesures
(15% de la valeur relle)et par la suite nous considrons 2 autres cas : Cas 2.1
pour les dfauts systmes et Cas 2.2 pour les dfauts capteurs.
Tab. 3.V: Taux (%) de dtection des dfauts

Cas 1.1 Cas 1.2 Cas 2.1 Cas 2.2
S-F.K.E 51% 50% 44% 41%
M-F.K.E 90% 90% 78% 76%
S-E.K.E 53% 53% 42% 41%
M-E.K.E 92% 90% 83% 83%
S-F.K.E-MH 64% 65% 51% 49%
M-F.K.E-MH 98% 98% 96% 94%
Le tableau 3.V montre quavec lutilisation des versions modifies du filtre de kal-
man on assure une meilleure dtection des diffrentes natures des dfauts (systme et
capteur), ce qui montr par lvolution de taux de convergence lors de lapplication des
matrices Qk et Rk avec le choix propos. En effet, le taux est lev de : 1.76 fois pour
le F.K.E, 1.73 fois pour le E.K.E et 1.88 fois pour le F.K.E-MH. De plus, la version du
filtre avec une fentre des mesures glissante prsente le plus grand taux de dtection par
rapport aux deux autres versions pour les diffrents cas considrs.
Dans cette simulation, les figures (3.17) et (3.18) ainsi que le tableau 3.V montrent que le
meilleur signale rsiduel est celui gnr par le F.K.E-MH en terme de taux de dtection
et aussi sa variation limit juste lintervalle dinjection de dfaut.
La premire tape de dtection dans un schma de diagnostic est assure par la gnra-
tion des rsidus offert par le F.K.E-MH vue sa robustesse. Dans la partie qui suit nous
nous intressons la deuxime tape qui est la localisation et lestimation des dfauts.
100
3.4.4 Localisation et Estimation des dfauts dans les rseaux lectriques
Dans cette partie, on sintresse non pas seulement la dtection (ce qui est t valid
prcdemment) mais aussi la localisation et lestimation des dfauts [82]. Lisolement
des dfauts se traduit par la connaissance, pas seulement la prsence dun dysfonction-
nement suite un dfaut, mais de plus : quel est le noeud en dfaut ?
Le schma le plus adopt dans la littrature (quil soit le cas linaire ou non linaire)
est dappliquer un banc dobservateurs dont chacun est sensible un dfaut bien appro-
pri. Dans la suite, nous proposons un schma FDI qui contient un banc des F.K.E-MH
pour la dtection et lestimation des dfauts ainsi quun banc de filtres de Kalman ten-
dus entres inconnues pour la localisation des noeuds en dfauts.
3.4.4.1 Filtre de Kalman Etendu Entres Inconnues (U.I.E.K.F)
Dans cette partie nous proposons tout dabord le Filtre de Kalman Entres Incon-
nues (U.I.K.F) dans le cas linaire [83] puis on gnralise pour le cas non linaires.
Considrons le systme linaire discret suivant :

k+1 = Fk xk + Bk uk + Ek dk + wk
x
(3.47)
yk+1 = Hk+1 xk+1 + vk+1
avec : xk Rn reprsente le vecteur dtat ; yk Rm le vecteur de sortie ; uk Rr le

vecteur des entres connues ; dk Rq le vecteur des entres inconnues reprsentant les
distributions inconnues ou les incertitudes du modle.
wk et vk sont les bruits sur le systme et les mesure et Fk , Bk , Ek et Hk sont des matrices
connues et dordre appropri. Lquation du filtre, en minimisant la variance derreur,
est :
xk+1 = Fk xk\k + Bk uk + Lk+1 (yk+1 Hk+1 xk+1\k ) (3.48)
101
Dans le U.I.K.F, le gain Lk+1 doit satisfaire la condition de dcouplement suivante (la
mme condition que celle pour les observateurs entres inconnues [79]) :
Lk+1 Hk+1 Ek = Ek (3.49)
daprs [79], lquation 3.49 admet une solution si et seulement si :
rank(Hk+1 Ek ) = rank(Ek ) = q (3.50)
La condition (3.50) signifie que les distributions peuvent tre dcouples si leur dimen-
sion est infrieure celle des mesures. En se basant sur lquation 3.49, le gain optimale
du filtre Lk+1 peut tre obtenu en rsolvant un problme doptimisation avec contraintes.
Dautres formulations [84] ainsi quune version amliore [85] existent.
Dans ce qui suit, nous prsentons une extension de UIKF en sinspirant de F.K.E pour le
cas non linaire [86].
Soit le systme non linaire temps discret avec des distributions inconnues suivant :

k+1 = f (xk , uk ) + E(xk )dk + wk
x
(3.51)
yk+1 = h(xk+1 , uk+1 ) + vk+1
avec : f , h et E sont des fonctions connues. Donc dune faon similaire au F.K.E, on fait
lextension de lU.I.K.F au systme 3.51 comme suit :
xk+1\k = f (xk\k , uk ) (3.52)
Pk+1\k = Fk Pk\k FkT + Qk (3.53)
xk+1\k+1 = f (xk+1\k , uk ) + Lk+1 (yk+1 h(xk+1\k , uk+1 ) (3.54)
Pk+1\k+1 = (I Kk+1 Hk+1 )Pk+1\k + k+1 k+1Vk+1 Tk+1 k+1

T
(3.55)
Avec :
Lk+1 = Kk+1 + k+1 k+1 (3.56)
102
T 1
Kk+1 = Pk+1\k Hk+1Vk+1 (3.57)
k+1 = (I Kk+1 Hk+1 )Ek (3.58)
1
k+1 = [(Hk+1 Ek )T Vk+1 (Hk+1 Ek )]1 (Hk+1 Ek )T Vk+1
1
(3.59)
T
Vk+1 = Hk+1 Pk+1\k Hk+1 + Rk+1 (3.60)
O :
f
Fk = |x ,u (3.61)
x k\k k
h
Hk+1 = |x ,u (3.62)
x k+1\k k+1
Ek = E(xk\k ) (3.63)
En faisant une comparaison au cas linaire, le U.I.E.K.F est diffrent en terme de cal-
cul des matrices Fk et Hk+1 (comme celle du F.K.E) et E(xk ) est substitu par lestim Ek .
Analyse de Convergence de U.I.E.K.F :
Les mmes conditions que nous venons de proposes pour le F.K.E, E.K.E et le
F.K.E-MH, se gnralisent pour lU.I.E.K.F. On pose :

xk\k = xk xk\k

xk+1\k = k Fk xk\k
k+1 ek+1 = Hk+1 xk+1\k (3.64)

k = diag(1k , ..., (nd +na )k )

k+1 = diag(1k+1 , ..., mk+1 )
Ce qui conduit lextension suivante du thorme propos prcdemment :
Thorme 3.4.1. 1. le systme (3.47) est A-Uniformment et localement observable

103
bilit est :

HkA+1

H
kA+2 FkA+1

rank(O(k A + 1, k)) = = (nd + na ) (3.65)

....

Hk Fk1 ...FkA+1

1, k).
2. Fk , Hk sont des matrices uniformment bornes et Fk1 existe.
3. les matrices Qk et Rk sont choisies tel que :
Pour le U.I.E.K.F :

(3.66)
T + I
o : doit tre choisies suffisamment large et positive, un scalaire positif

mais de trs petite valeur et et des scalaires positifs fix par lutilisateur.
Pour les matrices Rk et Qk , leur choix est bas sur la rsolution (ou determination des
conditions satisfaisantes) de :
T
k+1 Nk+1 k+1 <0
avec :
1
k+1 = Vk+1 [k+1 Ind +na ]
N
= k+1 Hk+1 Fk xk\k
k+1
et la vrification de :
rank(Hk+1 Tk ) = rank(Tk ) = q
104
3.4.4.2 Schma FDI
Le schma FDI de principe propos est le suivant (Figure 3.19) :
Fig. 3.19: Schma de principe de FDI
O les F.K.E-MH sont insrs pour la dtection et lestimation des dfauts et un banc
des U.I.E.K.F pour la localisation et lisolement des noeuds en dfauts.
A ce stade on fait lhypothse que pour la dtection du noeud en dfaut, on remplace
dans lquation 3.51 la quantit E(xk )dk par T k ou T est la matrice de distribution
des dfauts (suppose constante et connue) tel que pour le U.I.E.K.F (1) T vaut par
exemple pour le cas du rseau 3 noeuds dont le vecteur dtat est x = [3 , 3 , 2 ,V2 ]T :
T = [ 1 1 0 0 ]T (pour le noeud gnrateur 3)et k est lamplitude ou la valeur du
dfaut.
Puisque chaque noeud est reprsente par deux variables (le noeud gnrateur 3 est pr-
sente par les variables 3 , 3 et le noeud charge 2 par 2 ,V2 . Et par suite on gnralise
105
pour un rseau de n noeuds dont le vecteur dtat est comme suit :
x = [i , i , i ,Vi ]T
et pour localiser les dfauts au noeud i, T est choisie :
Pour les noeuds gnrateurs :
x = [ i i i Vi ]T
(3.67)
T =[ 1 1 0 . . . 0]T
puisque chaque noeud gnrateur est reprsent par : i et i
Pour les noeuds charges :
x = [ i i i Vi ]T
(3.68)
T = [ 0 ...0 1 1]T
puisque chaque noeud charge est reprsent par : i et Vi
Il faut noter quon sintresse la localisation des dfauts dans un noeud bien appro-
pri et pas aux paramtres. De plus, le choix spcifique de T que nous proposons est d
principalement la vrification de la condition : rang(Hk+1 Tk ) = rank(Tk ) = q.
Ensuite, en considrant que ei est le rsidu gnr par le U.I.E.K.F i , le test logique pour
localiser le noeud en dfaut est le suivant :
1. Si kei k > ke j k donc le noeud i est en dfaut.
2. Si kei k < ke j k donc le noeud j est en dfaut.
3. Si kei k = ker k donc cest un dfaut entre les noeuds i et r (avec r prsente les
noeuds en liaison lectrique direct avec le noeud i).
3.4.4.3 Rsultats de Simulation pour la localisation des dfauts
Notre tude est applique sur le rseau test 3 noeuds. On dispose donc, dun seul
F.K.E-MH (puisquon a une seule sortie) de deux tages de U.I.E.K.F et par suite on
106
dfinit :T1 = [ 1 1 0 0 ] pour le noeud 3 et T2 = [ 0 0 1 1 ] pour le noeud 2.

Nous considrons 3 types des dfauts dans cette simulation :
Perte de puissance lectrique dlivr par lalternateur : k2 = PG3 (k) et applique

dans lexpression de x2 (k).
Court-circuit dans le noeud charge 2 : k3 = 0.8V2 (k) appliqu dans lexpression

de x4 (k).
Coupure (perte) de ligne entre les noeuds 3 et 2 : k4 . Ce dfaut est form en

admettant que la partie relle et imaginaire de la matrice dadmittance nodale entre
les noeuds 3 et 2 sont gales 0 (G3,2 = B3,2 = G2,3 = B2,3 = 0 dans les expressions
de x2 (k), x3 (k) et x4 (k)).
Pour simplifier, nous ne considrons aucune autre distribution inconnue (dk = 0 et nous
remplaons Ek dans les quations 3.58, 3.59 et 3.63 par T i ). La localisation sera assure
par la vrification du test logique dj prsent.
En premier lieu on sintresse la stabilit et la convergence des deux version du Filtre
de Kalman (U.I.E.K.F et le F.K.E-MH), pour cela on prend :
QU.I.E.K.F
k = QE.K.FMH
k = 105 I4
RU.I.E.K.E
k = 103 (3.69)
RE.K.FMH
k = 103 I4
en les considrant comme constantes ou sans correction (version standard : S-U.I.E.K.F

/ S-F.K.E-M.H), et les valeurs avec corrections (version modifie : M-U.I.E.K.F / M-
F.K.E-M.H) suivantes :

QU.I.E.K.F
k = 100eTk ek I4 + 0.5I4

RU.I.E.K.F = 0.01Hk Pk HkT + 0.05

k
(3.70)

QF.K.EMH
k = 0.001e fkT e fk I4 + 0.005I4

RF.K.EMH = 0.001C P CT + 0.005I

k k k k 4
107
Ensuite, on fait un test pour 100 simulations, en variant les valeurs initiales (de lordre
de 20% des valeurs finales) et en ajoutant un bruit de grande variance sur les mesures
(20% de la valeur relle). On prsente dans le Tableau 3.VI le taux de convergence des
deux versions des filtres utiliss (Standard et Modifie) :
Tab. 3.VI: convergence (%) avec des valeurs initiales alatoires

Observateur taux de convergence (%)
S-U.I.E.K.F 50%
S-F.K.E-M.H 51%
M-U.I.E.K.F 94%
M-F.K.E-M.H 96%
Il est claire, daprs le tableau 3.VI, que le choix propos des matrices Qk et Rk sui-
vant les conditions prsentes, dans la section Analyse de Convergence, assure bien la
convergence (la version modifie amliore presque 2 fois le taux de convergence que
celle standard). Dans un deuxime lieu, on sintresse la localisation des dfauts sui-
vant le test logique dj prsent tout en injectant un bruit sur les mesures et le systme
de lordre de 5%.
Dans un premier temps, on injecte le deuxime dfaut (k2 ) dans le noeud 3 en posant
PG3 = 0 entre les itrations 1450 et 2150, et on visualise lvolution des diffrents rsi-
dus :
108
35
30
25
Norme(ef)
20
15
10
0
0 500 1000 1500 2000 2500 3000 3500 4000 4500 5000
Iterations (k)
Fig. 3.20: Evolution de r(k) par le F.K.E-MH
600
T2
T1
500
500
400
400
norm(e)
300 300
200
200
100
100 0
1500 1550 1600 1650
0
0 500 1000 1500 2000 2500 3000 3500 4000 4500 5000
Iterations (k)
Fig. 3.21: Evolution des rsidus par les U.I.E.K.Fs
La figure 3.20 montre bien la prsence dun dfaut qui se traduit par la variation du
rsidu (ke f (k + 1)k =
6 0) gnr par le F.K.E-MH. Pour la localisation, la figure et 3.21
montre que le rsidu gnr par le premier U.I.E.K.F avec T 1 est trs suprieur ce-
lui quavec T 2 : keT 1 (k + 1)k keT 2 (k + 1)k, donc le test logique dans ce cas indique
(daprs la condition 1) que le noeud 3 est en dfaut.
Ensuite, le dfaut inject prcdemment (k2 )sera permanent partir de litration 1450,
et on montre de mme la variation de tous les rsidus :
109
10
6
norm(ef) 5
0
0 500 1000 1500 2000 2500 3000 3500 4000 4500 5000
Iterations (k)
4
x 10
4
3.5
15
3 10
5
2.5 0
5
norm(e)
2
2000 3000 4000 5000
1.5
1 T1
T2
0.5
0
0 500 1000 1500 2000 2500 3000 3500 4000 4500 5000
Iterations (k)
De mme, les figures 3.22 et 3.23 montrent bien que le rsidu donn par le F.K.E-
MH indique bien la prsence dun dfaut et que celui fourni par le premier U.I.E.K.F
keT 1 (k + 1)k keT 2 (k + 1)k donne une ide claire que le noeud 3 est toujours en dfaut
en vrifiant de nouveau la premire condition du test logique.
Dans un deuxime temps, on injecte un court-circuit (k3 ) au noeud charge 2 (ce qui est
traduit par une diminution de la valeur de la tension nodale au noeud 2 de lordre de
80%) et on observe lvolution des diffrents rsidus :
110
100
90
80
70
60
Norme(ef)
50
40
30
20
10
0
0 500 1000 1500 2000 2500 3000 3500 4000 4500 5000
Iterations (k)
Fig. 3.24: Evolution de r(k) par E.K.F-MH
150
T2
T1
140
100 120
100
norm(e)
80
60
50
40
20
1350 1400 1450 1500 1550 1600 1650

0
0 500 1000 1500 2000 2500 3000 3500 4000 4500 5000
Iterations (k)
Fig. 3.25: Evolution des rsidus par U.I.E.K.Fs
Les figures 3.24 et 3.25 prsentent dune faon trs claire, que le bloc FDI indique bien
non seulement la prsence dun dfaut mais aussi que cest un dfaut au noeud 2( daprs
la condition 2) puisque la valeur du rsidu relatif au T 2 est largement suprieure celle
relatif au T 1 : keT 2 (k + 1)k keT 1 (k + 1)k.
La dernire tape est dappliquer une coupure de ligne (k4 ) entre les noeuds 3 et 2 de
linstant 2900 3100, afin de vrifier la condition 3 :
111
300
250
200
Norme(ef)
150
100
50
0
0 500 1000 1500 2000 2500 3000 3500 4000 4500 5000
Iterations (k)
300
T1
T2
250 250
200
200
norm(e)
150
150
100
100
50
50
0
2900 2905 2910
0
1000 1500 2000 2500 3000 3500 4000 4500 5000
Iterations (k)
Les figures 3.26 et 3.27 prsentes montrent bien quon a la mme valeur du rsidu
gnr par le premier et le second U.I.E.K.F (dans cette figure les courbes sont confon-
dues), donc on aperoit bien quun dfaut survient entre deux noeuds lectriquement
lis se traduit par une galit des rsidus : keT 2 (k + 1)k = keT 1 (k + 1)k (validation de la
condition 3), do, une autre fois la bonne configuration de notre logique de dcision et
lefficacit du schma FDI propos. La dernire tape restante est celle destimation des
dfauts.
112
3.4.4.4 Estimation de dfauts dans les rseaux lectriques
Pour lestimation des dfauts base sur la connaissance du modle, il existe quelques
travaux dont on cite principalement : observateur mode glissant [87], neuro-floue ap-
proximation [88] ou des observateurs adaptatifs pour le diagnostic des dfauts (A.F.D.O)
[89]. Mais, la plus part des mthodes sont bases sur le Filtre de Kalman [90] [91] [92].
Dans ce qui suit, on se focalise sur lestimation des chutes de tension et celles des courts-
circuits [93]. Soit le modle dynamique suivant :

k+1 = f (xk , uk , k ) + vk
x
(3.71)
yk = h(xk , uk ) + wk
avec k Rn prsente la valeur du dfaut estimer (ki = 1 en mode normale et ki 6= 1

en prsence dun dysfonctionnement). Le modle dynamique augment du rseau lec-
trique avec k est :

k+1 k + Te f1 (k , k , k ,Vk , uk )

k+1

k + Te f2 (k , k , k ,Vk , uk )

a

xk+1 = = + Te f3 ( , , ,V , u ) (3.72)
k+1

k k k k k k
k (Vk + Te f4 (k , k , k ,Vk , uk ))

Vk+1

k+1 k
avec f(xd , xa , u) = [ f1 f2 f3 f4 ] donne par lexpression 3.7 et la matrice Jaco-

bienne augmente est donne par :

Fk Vk + Te f4 (k , k , k ,Vk , uk )
Fka = F a (xka , uk ) = (3.73)
0 In
Aprs cette formulation, on applique une version du Filtre de Kalman Etendu (E.K.E ou
lE.K.F-M.H). Pour lanalyse de convergence, on procde de la mme faon.
Thorme 3.4.2. 1. Le systme (3.47) est A-Uniformment et localement observable

113
bilit est :

HkA+1

H a
kA+2 FkA+1

rank(O(k A + 1, k)) = = (nd + na + n ) (3.74)

....

a ...F a
Hk Fk1 kA+1

1, k).
2. Fka , Hk sont des matrices uniformment bornes et Fka1 existe.
3. Les matrices Qk et Rk sont choisies tel que :
Qk = eTk ek Ind +na +n + Ind +na +n

(3.75)
T + I
o : doit tre choisies suffisamment large et positive, un scalaire positif mais

de trs petite valeur et et des scalaires positifs fix par lutilisateur.
De mme pour le F.K.E-M.H.
3.4.4.5 Rsultats de Simulation pour lEstimation des dfauts
On traite de nouveau le rseau test IEEE 3 noeuds avec lE.K.E et le F.K.E-M.H

(tude comparative). Les mesures sont gnres en ajoutant un bruit de faible valeur
(5% de la valeur relle). De la mme manire que dans les exemples prcdents, la
figure 3.28 montre lvolution du rang de la matrice dobservabilit (calcul numrique
avec A = 4).
114
rang de la matrice dobservabilit

4
0
0 500 1000 1500 2000 2500 3000 3500 4000 4500 5000
Itrations (k)
(k4,k)
(k4,k)
On remarque que rang(O3noeuds ) = 5 ce qui est gale au nombre des tats estimer,
donc lobservabilit de notre systme est vrifie. On sintresse maintenant lestima-
tion des dfauts : chutes des tensions o des courts-circuits sont introduits la tension
nodale au noeud 2.
Dans un premier temps, on sintresse la convergence des deux versions (F.K.E-MH et
lE.K.E). Les mesures sont gnres en ajoutant un bruit de grande valeur (15% de la
valeur relle). On prsente lvolution de la norme derreur destimation par lE.K.E et
le F.K.E-MH avec : kxrel xa k (respectivement figure 3.29 et figure 3.30) avec un choix
classique de Qk et Rk donn par (3.76) (versions Standard) et celui propos dans (3.77)
(versions modifies).
E.K.E = QF.K.EMH = 105 I
Qk 5

k
E.K.E
Rk = 103 (3.76)

RF.K.EMH = 103 I4

k

QkE.K.E = 100eTk ek I5 + 5I5

RE.K.E = 10Hk Pk HkT + 1

k
(3.77)

QkF.K.EMH = 0.1e fkT e fk I5 + 0.05I5

RF.K.EMH = 0.01C P CT + 0.05I

k k k k 4
115
400
ME.K.F
SE.K.F
350
300
250
norm(xrxe)
200
150
100
50
0
0 500 1000 1500 2000 2500 3000 3500 4000 4500 5000
Iterations (k)
Fig. 3.29: Evolution de kxrel xa k avec lE.K.F
450
SE.K.FMH
400 ME.K.FMH
350
300
norm(x x )
e
250
r
200
150
100
50
0
0 500 1000 1500 2000 2500 3000 3500 4000 4500 5000
Iterations (k)
Fig. 3.30: Evolution de kxrel xa k avec le F.K.E-MH
Les rsultats donnes par les figures 3.29 et 3.30 montrent quavec un choix classique (ou
standard) des matrices Rk et Qk , les deux estimateurs ne convergent pas vers les bonnes
valeurs. Cependant, avec les versions modifies, on remarque dune faon trs claire
limportance du choix propos pour ces matrices travers la convergence de lerreur
destimation vers zro. On note aussi que, lors des premires itrations, la variation de
M-F.K.E-MH est trs petite par rapport M-E.K.E. Dans ce qui suit, nous considrons
3 types des dfauts :
116
Un court-circuit au noeud 2 entre les itrations 2500 et 2850 qui introduit une
chute de tension gale 12% de celle nominale (Cas 1).
Un court-circuit au noeud 2 ds litration 2500 qui introduit une chute de tension

gale 35% de celle nominale (Cas 2).
Une baisse de puissance lectrique du gnrateur G3 (PG3 = 0) entre les itrations

1500 et 1800 poursuivit par un court-circuit au noeud 2 ds litration 2500 qui
introduit une chute de tension gale 45% de celle nominale (Cas 3).
Les rsultats concernant le 1er cas sont donns la figure 3.31 avec lutilisation de
lE.K.E et le F.K.E-MH. On remarque quavec un E.K.E, (k) diverge. Concernant les
rsultats avec E.K.F-MH, (k) converge vers la valeur correcte (0.88) sans une fausse
variation lors de linjection du court-circuit. En plus, on peut noter que lors de la sup-
pression du dfaut (k) converge vers sa valeur initiale (valeur sans dfaut (k) = 1).
0.9
0.8
0.7
Evolution de (k)
E.K.E
0.6
E.K.FM.H
0.5
0.4
0.3
0.2
0.1
0
0 500 1000 1500 2000 2500 3000 3500 4000 4500 5000
Itrations (k)
Fig. 3.31: Evolution de (k)

(cas 1)
Pour le 2me cas, lorsquun dfaut plus important est introduit, on peut voir que la varia-
tion de (k), donne la figure 3.32 pour les deux estimateurs, converge vers la vrai va-
leur (0.65) en utilisant le F.K.E-MH propos qui nest pas le cas avec lE.K.E classique.
En outre, au moment ou on injecte le court-circuit (itration 2500), on peut remarquer
que la variation de (k) avec lE.K.E indique une fausse valeur(> 1).
117
1.3
E.K.E
E.K.FM.H
1.2
1.1
Evolution de (k) 0.9
0.8
0.7
0.6
0.5
0 500 1000 1500 2000 2500 3000 3500 4000 4500 5000
Itrations (k)

(cas 2)
Pour le 3me et dernier cas, lvolution de (k) est donne par la figure 3.33. Au moment
dinjection du premier dfaut, on remarque que (k) varie avec une large valeur (130%
de celle relle) avec lE.K.E. Ce nest pas le cas avec le F.K.E-M.H ou la variation de
(k) est limite 14.7% (trs proche de celle relle 16%). Dans un deuxime temps,
et durant loccurrence du deuxime dfaut, on note que le dfaut estim converge bien
vers celui dsir (0.55) avec la version propos du F.K.E-MH contrairement la version
classique dE.K.E qui converge vers (0.63). En le comparant avec la mthode classique
dE.K.E, les rsultats montrent une meilleur qualit destimation des valeurs des dfauts
offert par le F.K.E-MH en termes de convergence (bas sur le choix propos des matrices
Qk et Rk ) et robustesse en prsence des dfauts multiples.
118
2.4
E.K.FM.H
2.2 E.K.E
2
2
1.8 1.5
Evolution de (k)
1.6
1
1.4
1.2 0.5
1500 1600 1700 1800
1
0.8
0.6
0.4
0 500 1000 1500 2000 2500 3000 3500 4000 4500 5000
Itrations

(cas 3)
De mme que pour les autres applications, on prsente dans le Tableau 3.VII des sta-
tistiques concernant lerreur relative donn par lexpression (3.78). On teste de la mme
faon les deux versions Standard et Modifie du lE.K.E et du F.K.E-MH (respective-
ment S-E.K.E, S-F.K.E-MH, M-E.K.E et M-F.K.E-MH) pour 100 simulations en variant
ltat initiale.
kxrel xa k
(3.78)
kxrel k
Tab. 3.VII: erreur relative (%) avec variation alatoire de ltat initial
Estimateur erreur relatif
S-E.K.E 57.432%
S-F.K.E-MH 26.318%
M-E.K.E 31.711%
M-F.K.E-MH 5.822%
Les valeurs obtenues dans le tableau 3.VII confirment que la version propos du filtre de
kalman tendu avec une fentre de mesures amliore clairement la qualit destimation.
En effet, avec S-F.K.E-MH, lerreur relative est rduite de lordre de 2.18 fois par rapport
au S-E.K.E. Concernant le M-F.K.E-MH, la rduction est gale 5.46 fois par rapport
M-E.K.E.
119
3.5 Conclusion
Dans ce chapitre nous avons propos des nouvelles techniques, mthodes et algo-
rithmes pour :
La modlisation, en se basant sur des techniques de transformation (ou de rduc-

tion dindex des systmes algbro-diffrentiels non linaires) pour rendre la repr-
sentation dtat dun rseau lectriques sous forme dquations diffrentielles non
linaires ordinaires et par suite le dveloppement dun nouveau modle dynamique
dcoupl.
Lestimation dtat, en utilisant lestimateur de Kalman tendu comme filtre pour

estimer les tats tout en introduisant des nouvelles approximations numriques
pour le calcul de la matrice Jacobienne suivie par un nouveau thorme pour la
convergence et la stabilit locale tout en minimisant le temps de calcul.
La dtection, localisation et estimation des dfauts, en introduisant un schma

FDI : un filtre de Kalman tendue qui prend en compte une fentre de mesures
glissantes pour assurer la tche de dtection et Estimation des dfauts, et une
combinaison des observateurs entres inconnues pour dvelopper un banc des
U.I.E.K.Fs assurant la localisation.
Les rsultats sont valids par des simulations numriques sur des rseaux test selon le
standard IEEE, de plus ils ont montrs des bonnes performances en termes de conditions
de faisabilit, robustesse et temps de calcul.
Nous nous intressons lapplication des diffrentes techniques et mthodes propo-
ses sur un rseau test 5 noeuds tout en utilisant la bibliothque SimPowerSystems de
MAT LABr pour simuler les rseaux lectriques, dont le but principale est de montrer
lintrt des approches dveloppes et tudier la possibilit et la faisabilit pratique.
4
CHAPITRE 4 : APPLICATION SUR UN RSEAU

TEST 5 NOEUDS
4.1 Introduction
Nous avons expos dans le chapitre 3 les diffrentes mthodes et techniques desti-
mation dtat et de diagnostique pour le rseau lectrique. Dordinaire, dans tout travail
scientifique orient vers des applications technologiques il est ncessaire de valider ces
mthodes et techniques par leurs applications sur des systmes rels ou proches du rel.
Sachant quun rseau lectrique est un systme trs grand et trs compliqu, nous nous
limitons alors lapplication sur un rseau test 5 noeuds et cest lobjectif de ce chapitre.
4.2 Prsentation du rseau
Nous donnons dans ce qui suit le schma de principe du rseau utilis ainsi que ses
caractristiques dresss dans les tableaux 4.I et 4.II. La figure 4.1 suivante reprsente le
schma de principe du rseau test 5 noeuds utilis.
Fig. 4.1: Rseau Test 5 Noeuds

121
Ce rseau comporte 2 noeuds gnrateurs (noeuds 1 et 2) et 3 noeuds charges (noeuds 3,

4 et 5).
Les diffrentes caractristiques du rseau sont les suivantes :
Tab. 4.I: Caractristiques des liaisons lectriques entre noeuds

B
Liaison r + jx 2
1-2 0.02+j0.06 0.03
1-3 0.08+j0.24 0.025
2-3 0.06+j0.18 0.02
2-4 0.06+j0.18 0.02
2-5 0.04+j0.12 0.015
3-4 0.01+j0.03 0.01
4-5 0.08+j0.24 0.025
Toutes les grandeurs sont en valeur rduite (en anglais : per unit (p.u)).
Tab. 4.II: Caractristiques des Puissances et des Tensions des noeuds

Noeud Tension PG QG PL QL
1 1.06 0 0 0 0
2 1.426 40 30 20 10
3 1 0 0 45 15
4 1 0 0 40 5
5 1 0 0 60 10
Les puissances sont en MW /MVAR.
4.3 Modle dynamique du rseau
Le vecteur dtat utilis est : x = [2 , 2 , 3 ,V3 , 4 ,V4 , 5 ,V5 ].

En prenant le noeud [1] comme noeud bilan, le modle dynamique algbro-diffrentiel
122
du rseau sera alors :
f I : x1 = x2
f II : x2 + DM2 x22 + PG2 (x1 ,x3 ,xM4 ,x2 5 ,x6 ,x7 ,x8 ) = PMM22

P3 P3 (x1 , x3 , x4 , x5 , x6 ) = 0
I
g : P4 P4 (x1 , x3 , x4 , x5 , x6 , x7 , x8 ) = 0

P5 P5 (x1 , x5 , x6 , x7 , x8 ) = 0

Q3 Q3 (x1 , x3 , x4 , x5 , x6 ) = 0
gII : Q4 Q4 (x1 , x3 , x4 , x5 , x6 , x7 , x8 ) = 0

Q5 Q5 (x1 , x5 , x6 , x7 , x8 ) = 0

Nous mesurons la puissance de transit entre le noeud 2 et 3 (P2,3 ).

Les rsultats de simulation du modle dynamique ont t dj donns dans le chapitre1.
On ne sintresse dans ce qui suit alors qu lestimation dtat et le diagnostic (d-
tection, localisation et estimation des dfauts) du rseau.
La bibliothque SimPowerSystems est utilise pour la modlisation du rseau en ques-
tion.
Les Fonctions Embedded MATLAB Function, qui sont les seules fonctions pouvant tre
compiles et utilises directement par des cartes DSP, sont utilises pour limplmenta-
tion des observateurs [94].
Le schma Simulink utilis est le suivant :
123
Fig. 4.2: Schma Simulink du rseau test 5 noeuds
4.4 Estimation dtat
Nous prsentons dans ce paragraphe les rsultats de simulation obtenus des deux
modles dynamiques (OM et DM) dvelopps dans le chapitre 3 par lapplication de
lE.K.E et le F.K.E-MH.
124
La figure (4.3) donne lvolution de la puissance de transit estime (considre comme

sortie du systme) entre les noeuds 2 et 3 par lapplication de lE.K.E.
10
8 OM
DM
7
Valeur Relle
8.8
Sortie estime (p.u)
5 8.6
4 8.4 8.8395
3 8.2 8.839
2 8.8385
8
1 8.838
7.8
0 9000 9500 10000 10500
3.3649 3.365 3.3651 3.3652
4
1 x 10
0 0.5 1 1.5 2 2.5 3 3.5 4 4.5 5
Temps x 10
4
Fig. 4.3: Evolution de la puisance de sortie estime (P2,3 avec OM et DM)
On observe que les valeurs de la puissance estime, obtenue par les deux modles,
convergent vers la valeur relle. On constate quavec lutilisation du modle OM, la
sortie estime prsente des pics (zoom 1) contrairement au modle DM qui semble plus
prcis. Les causes des ces pics ont t voques dans le chapitre prcdent (paragraphe
Rsultats de simulation du modle dynamique).
La figure 4.4 prsente les rsultats obtenus par lutilisation de lE.K.E et le F.K.E-MH
(longueur de fentre gale 10) de la puissance estime avec une variation de la charge au
noeud 3 linstant 5s.
125
10
OM(E.K.E)
9 DM(E.K.E)
Valeur relle
8 OM (E.K.FMH)
DM (E.K.FMH)
7
8.8
Sortie estime
6 8.8747
8.7
8.8746
5
8.6 8.8745
4
8.5 8.8744
3 8660 8670 8680 8690 8.8743

8.8742
2
8.8741
1 3.8099 3.81 3.81 3.81 3.81 3.81
4
x 10
0
0 1 2 3 4 5 6 7 8 9 10
Temps 4
x 10
Fig. 4.4: Evolution de P2,3 utilisant les modles OM et DM
Comme pour les rsultats donns par la figure 4.3, la figure 4.4 montre bien lintrt
de lutilisation de F.K.E-MH avec le DM : amlioration de la convergence (mme lors
de la variation de charge), llimination des pics et la rapidit (la sortie estime pour
le F.K.E-MH avec le DM est confondue avec la sortie relle). Ceci offre une meilleure
qualit destimation dont lintrt est vident pour ltude du diagnostic. Lvolution de
lerreur destimation (figure 4.5) valide bien ce rsultat.
0.5
0 4
x 10
0.5
6
1 0.4
4
Erreur destimation
1.5 0.3
2
2 0.2 0
0.1 2
2.5
4 OM (E.K.FM.H)
3 0
OM (E.K.E)
6 DM(E.K.FM.H)
3.5 0.1 DM(E.K.E)
8674 8676 8678 1.1995
1.1996
1.1997
1.1998
1.1999
5
4 x 10
0 2 4 6 8 10 12
Temps x 10
4
Fig. 4.5: Evolution de lerreur destimation
Ces rsultats montre galement que :

126
- Lerreur destimation est nulle et sans variation.
- Lutilisation du DM donne une convergence plus rapide (de lordre de 4 itrations par
rapport lutilisation du OM).
- Amlioration de stabilit.
Lutilisation du modle OM, avec E.K.E ou F.KE-MH, prsente toujours des pics ce qui
constitue un handicap pour ltude de dtection des dfauts.
Les mmes conclusions peuvent re tablies pour ltude dvolution de lun des va-
riables dtat. Nous donnons dans la figure 4.6 un exemple dvolution de la variable de
4 (k) (angle lectrique au noeud charge 4).
0.2
Valeur relle
0 DM(E.K.E)
OM(E.K.E)
DM(E.K.FMH)
0.2 OM(E.K.FMH)
0.4
0.6
4 estime
0.8
0.61
1
1.2 0.62
1.4
0.63
1.6
0.64
1.8 1.115 1.12 1.125 1.13
0 2 4 6 8 10 12 14
5
Temps x 10 4
x 10
Fig. 4.6: Evolution de 4
En conclusion, tous les rsultats prsents ci-dessus indiquent dune faon trs claire
limportance :
De lutilisation du DM en termes de rapidit et stabilit.
De lapplication du F.K.E-MH lestimation dtat des rseaux lectriques en termes

dtude de convergence, de prcision et de stabilit.
127
4.5 Dtection, Localisation et Estimation des dfauts
4.5.1 Dtection et Localisation
4.5.1.1 Dtection des dfauts
On procde, dans ce paragraphe, la validation des algorithmes et du schma FDI

donns dans le chapitre 3.
La dtection des dfauts est assure par un simple test logique des rsidus. Nous consi-
drons les deux cas Standard et Modifi pour vrifier lanalyse de convergence base sur
le choix des matrice de covariance Rk et Qk .
Pour montrer lapport du choix de Rk et Qk , on fait une comparaison des rsidus gnrs
par le F.K.E, lE.K.E et le F.K.E-MH (avec une fentre de 10 mesures) et on considre :
Les versions Standard : (S-F.K.E / S-E.K.E / S-F.K.E-MH)
QE.K.E
k = QF.K.E
k = QF.K.EMH
k = 9.615 105 I8
RE.K.E
k = RF.K.E
k = 2.7 103
RF.K.EMH
k = 2.7 103 I10
Les versions Modifies : (M-F.K.F / M-E.K.E / M-F.K.E-MH)
QE.K.E
k = QF.K.E
k = 100eTk ek I8 + 103 I8
QF.K.EMH
k = 0.1e fkT e fk I8 + 103 I8
RkE.K.E = RF.K.E
k = 10 Hk Pk HkT + 103
RF.K.EMH = 0.01Ck PkCT + 103 I10
k k
Ltablissement dun dfaut (ouverture de ligne entre les noeuds 2 et 3) entre les instants
3s et 3.1s, nous a permis de suivre lvolution des diffrents rsidus. Les rsultats obte-
nus sont donns par la figure 4.7.
128
1 SEKE
MEKF / MEKE
MEKFMH
0.5
SEKFMH
SEKF
0
0.5
0.3
Rsidus 1
0.25
1.5 0.2
0.15
2
0.1
2.5 0.05
0
3
8500 9000 9500 10000 10500 11000
3.5
0.5 1 1.5 2 2.5 3 3.5 4 4.5 5
temps (s) x 10
4
Fig. 4.7: Evolution des residus gnrs par le F.K.E, lE.K.E et le F.K.E-M.H
On remarque, daprs la figure ci-dessus, que seule la version modifie du F.K.E-MH

indique loccurrence dun dfaut sans fausse alarme (que ce soit en rgime transitoire ou
en rgime permanent). Les versions standard du F.K.E et E.K.E, par contre, prsentent
des fausses alarmes lors des premires itrations (zoom : 1s 1.2s).
Les rsultats obtenues montrent bien lintrt de lutilisation du F.K.E-MH et surtout
limportance du choix des matrices Qk et Rk pour assurer la convergence.
4.5.1.2 Localisation des dfauts
Pour ce rseau, on construit un banc compos de 4 Filtres de Kalman Etendu En-

tres Inconnues. Chacun de ses filtres localise les dfauts un noeud appropri. Pour le
bon fonctionnement du schma de localisation nous rajoutons une mesure de puissance
de transit entre les noeuds 4 et 5 (P4,5 ).
Les Filtres sont choisis de la faon suivante :
h i
Pour le noeud gnrateur 2, on considre U.I.E.K.F1 avec T 1 = 1 1 0 0 0 0 0 0
h i
Pour le noeud charge 3, on considre U.I.E.K.F2 avec T 2 = 0 0 1 1 0 0 0 0
h i
129
h i
On considre deux dfauts :
Un premier dfaut consiste une ouverture de ligne au noeud charge 5 entre les
instants 3s et 3.2s conduisant une perte de charge ce noeud PL5 = 0.
Un deuxime dfaut consiste un court-circuit entre les noeuds 2 et 3 entre les

instants 2s et 2.2s.
Lvolution du rsidu gnr par le F.K.E-MH pour le premier dfaut est donn par la
figure 4.8 suivante :
2
Evolution du rsidu
500 1000 1500 2000 2500 3000 3500 4000 4500 5000
Temps
Fig. 4.8: Evolution du residu gnr par le F.K.E-M.H (1er dfaut)
La figure ci-dessus montre bien la prsence dun dfaut (ke f k =

6 0) entre les instants
choisis. La localisation de ce dfaut sera assure par lapplication du test logique sur les
valeurs des diffrents rsidus gnrs par le banc des U.I.E.K.Fs prsent dans le cha-
pitre 3. La figure 4.9 donne lvolution des rsidus.
130
Evolutions des Rsidus

5
UIEKF1
UIEKF2
UIEKF3
10
UIEKF4
15
3010 3020 3030 3040 3050 3060 3070 3080 3090 3100 3110
iterations (k)
Fig. 4.9: Evolution des rsidus gnrs par les U.I.E.K.Fs
La figure 4.9 prsente lvolution des diffrents rsidus. On constate bien que le plus
grand rsidu est celui de U.I.E.K.F4 (keT 4 (k)k) permettant de localiser les dfauts au
noeud charge 5. Le test logique (dans la partie FDI) montre queffectivement le noeud 5
est en dfaut.
Lvolution des rsidus gnrs par le F.K.E-MH et le band de U.I.E.K.F, pour le deuxime
dfaut, est donn par les figures 4.10 et 4.11 suivantes :
3
Varaition du rsidu
3
500 1000 1500 2000 2500 3000
Temps
Fig. 4.10: Evolution du rsidu gnr par le F.K.E-M.H

131
6 4 UIEKF1
UIEKF2
5 UIEKF3
2 UIEKF4
4
0
Variation des rsidus

3
22
1 2000 2020 2040 2060 2080 2100

0
4
800 1000 1200 1400 1600 1800 2000 2200 2400 2600 2800
Temps
Fig. 4.11: Evolution des rsidus gnrs par les U.I.E.K.Fs
La figure (4.10) montre clairement la prsence dun dfaut entre les instants 2s et 2.2s
(ke f k 6= 0). Dont la localisation est facilite par lvolution des rsidus gnrs par le
banc de filtres prsente dans la figure 4.11. On remarque que les rsidus gnrs par
U.I.E.K.F1 et U.I.E.K.F2 sont gaux (keT 2 (k)k = keT 1 (k)k) et suprieur ceux gn-
rs par U.I.E.K.F3 et U.I.E.K.F4 , ce qui montre bien lexistence dun dfaut entre les
noeuds 2 et 3. Ceci est galement vrifi par la validation de la 3me condition du test lo-
gique qui indique bien la prsence dun dfaut entre 2 noeuds lectriquement connects.
4.5.2 Estimation des dfauts
Aprs ltude effectue ci-dessus de la dtection et la localisation des dfauts, on sin-

tresse dans cette partie lestimation de ces dfauts. Pour le type de dfaut choisit, ceci
se traduit par une estimation des chutes de tensions et des tensions des courts-circuits.
On se limitera ceux du noeud charge 3.
Sachant que (k) = V V
V , lvolution, par application dE.K.E et le F.K.E-MH, de (k)

est donne par la figure 4.12.
132
E.K.E
1.2
E.K.FMH
0.8
(k) estime 0.6
0.4
0.2
0.5 1 1.5 2 2.5 3 3.5 4 4.5 5

Temps x 10
4

gnrs par lE.K.E et le F.K.E-MH
En un premier cas, un court-circuit triphas (entre phases) au noeud 3 a t tablit

linstant 3s. Lutilisation de lE.K.E et E.K.F-MH permettent les dductions suivantes :
1 La variation de (k) estime par le F.K.E-MH est plus prcise (instants 0-3s). LE.K.E
donne une valeur estime bien au dessous de la valeur relle malgr labsence du
dfaut.
- En prsence du dfaut, le F.K.E-MH converge dune faon plus claire et plus nette la
valeur relle que lE.K.E.
En un deuxime cas, trois courts-circuits monophass sont tablis de la faon suivante :
D 1 : court circuit entre la phase A et le neutre entre les instants 2s et 2.2s.
D 2 : court circuit entre la phase B et le neutre entre les instants 3s et 3.2s.
D 3 : court circuit entre la phase C et le neutre entre les instants 4s et 4.2s.
LE.K.E ayant montr son imprcision, on se limite la visualisation de lvolution de

(k) en utilisant seulement le F.K.E-MH. La figure 4.13 donne cette volution.
133
1.1
0.9
0.8
(k) estime
0.7
D2
0.6
D3
0.5
D1
0.4
0.3
0.2
0.1
0.5 1 1.5 2 2.5 3 3.5 4 4.5 5
Temps 4
x 10

gnr par le F.K.E-MH
Dans la figure ci-dessus, nous constatons que les courts-circuits provoquent des chutes
de tension diffrentes pour les 3 courts-circuits (D 1 , D 2 et D 3). Cependant, (k)
converge dans les 3 cas. Ceci montre la prcision de lestimation donne par le F.K.E-
MH.
4.6 Conclusion
Une tude de modlisation, destimation dtat, de dtection, localisation et des-

timation de dfauts a t prsente dans ce chapitre. Les techniques et les mthodes
exposs dans le chapitre 3 ont t appliqu sur un rseau test 5 noeuds. Lenvironnement
Simulink et la bibliothque SimPowerSystems de MAT LABr ont t utilises pour la
modlisation et la surveillance du rseau. Les rsultats obtenus montrent la validit et
la faisabilit des techniques proposes ce qui rend favorable une implmentation temps
rel par lutilisation des cartes DSP par exemple.
CONCLUSION
Durant ces travaux de recherche, nous avons tout dabord propos une nouvelle m-
thode de synthse dobservateur dtat des systmes non linaires sous forme DAE. Ce
qui permet, dans un premier temps, damliorer les rsultats disponibles dans la littra-
ture sur lestimation dtat et dans un deuxime temps de concevoir un nouveau schma
robuste pour le diagnostic des rseaux lectriques. Nous avons, en particulier, dvelopp
des techniques spcifiques pour la modlisation dynamique des rseaux lectriques en
sinspirant des algorithmes dcoupls. Enfin, nous avons appliqu les rsultats obtenus
pour lestimation des principales variables du rseau lectrique HT ainsi que sa Super-
vision/Diagnostic.
Afin de situer au mieux notre contribution par rapport aux travaux existants, un tat
de lart a t propos dans le premier chapitre. Nous avons dabord rappel les rsultats
principaux de la thorie concernant les deux aspects fondamentaux des rseaux lec-
triques Algbrique (flux de puissance / Estimation dtat) et Dynamique (les modles
DAEs). Nous avons propos dans ce chapitre quelques extensions dapproches propo-
ses dans la littrature pour mieux amliorer la rapidit (temps de calcul) et la stabilit
ce qui permet leurs faisabilits dans une implmentation pratique.
le chapitre 2 a t consacr ltat de lart (classer et tudier) des approches et des

techniques utilises pour la synthse des observateurs non-linaires. Ce chapitre com-
prend aussi une tude permettant de donner des conditions suffisantes de stabilit, Ob-
servabilit et Commandabilit pour les deux cas des systmes continus et discrets.
Nos contributions ont t proposes dans le troisime chapitre qui sarticule autour de
trois thmes principaux. Dans le premier thme, un nouveau modle dynamique bas sur
les techniques de d-couplement et de transformation des systmes DAEs en ODEs non-
linaires. Lapport de ce modle dynamique en termes de stabilit, convergence et temps
de calcule est prouv par quelques applications sur des rseaux test selon le standard
135
IEEE. Le deuxime thme est consacr lestimation de ltat des rseaux lectriques
HT dcrits par des ODEs non linaires.
Ce problme revt une grande importance dans la pratique. En effet, dans de nom-
breux cas, la linarisation du modle dynamique ou la rduction de lordre du systme
(en considrant quelques tats de valeur fixe) est ncessaire pour raliser des objectifs
destimation ou de diagnostic. Techniquement, le problme est rsolu grce aux transfor-
mations des DAEs en ODEs et par lapplication de lEstimateur de Kalman Etendu avec
une analyse de stabilit et de convergence locale. Une version plus volue et robuste du
Filtre de Kalman Etendu est dcrite dans le thme qui suit.
Le problme de Diagnostic / Supervision est dvelopp dans le troisime thme.
Il sagit dtudier les trois tapes de base pour former un module de diagnostic et qui
sont : la dtection, la localisation et lestimation des dfauts. La premire tape est vali-
de aprs le dveloppement dun nouveau filtre de Kalman Etendu qui prend en compte
une fentre de mesures glissantes (E.K.F-MH) suivie par une tude de convergence lo-
cale. Le nouveau filtre montre une meilleure robustesse pour la dtection des dfauts. La
deuxime tape (ou la localisation) est fonde sur lutilisation dun banc des Filtres de
Kalman Etendu Entres Inconnues. Nous avons dvelopp un schma FDI robuste qui
combine ces derniers avec un E.K.F-MH tout en optant pour un Test logique propos
pour assurer les tches de dtection et de localisation des dfauts dans un rseau lec-
trique HT. La dernire tape est celle destimation des dfauts. Pour ce faire, nous avons
dvelopp un systme augment o les nouvelles variables ajoutes au vecteur dtat
assurent la tche destimation des chutes des tensions et les tensions des courts-circuits.
Les mthodes et les algorithmes dvelopps sont bass sur le filtre de Kalman. Le F.K.E
est adapt pour des applications en temps rel lchelle industrielle avec le dveloppe-
ment des cartes DSP.
Dans le dernier chapitre (chapitre 4), nous avons appliqu les mthodes et les algo-
rithmes destimation et de diagnostic un rseau test 5 noeuds. Ce chapitre prsente des
rsultats de simulation. Dans un premier temps, on rappelle le modle dynamique sous
forme des DAEs non-linaires. La premire application concerne lestimation robuste de
136
ltat du systme avec le modle dynamique ordinaire et celui propos. En exploitant ce

rsultat sur lestimation, on applique le schma FDI en proposant une stratgie permet-
tant de dtecter et estimer les dfauts par le mme E.K.F-MH. Les validations ont t
faites par simulation numrique du modle physique dans lenvironnement Simulink et
la bibliothque SimPowerSystems de MAT LABr pour mieux grer le rseau.
Ce travail ouvre la voie dautres dveloppements, en particulier la recherche de

nouvelles structures dobservateurs permettant lextension de nos rsultats des rseaux
lectriques HT plus larges tout en rduisant le temps de calcul. Une autre alternative
peut tre lexploration de nouvelles stratgies de commande non-linaire fondes sur les
modles issus du rseau lectrique dans le but de concevoir un schma complet pour
une commande tolrante aux dfauts. Enfin, une mise en oeuvre sur processus rel (avec
des cartes DSP) des diffrentes stratgies destimation et de diagnostic permettrait une
validation plus complte de nos travaux.
BIBLIOGRAPHIE
[1] M. Eremia, J. Trecat, and A. Germond. Reseau electriques : Aspects Actuels. Edi-
tura Tehnica, Bucuresti, 2nd edition, 2000.
[2] R.A. Jabr. Optimal power flow using an extended conic quadratic formulation.
IEEE Transactions on Power Systems, 23 :10001008, 2008.
[3] H.D. Chiang. A decoupled load flow method for distribution power networks :
algorithms, analysis and convergence study. International Journal of Electrical
Power and Energy Systems, 13 :130138, 1991.
[4] V.V. Thong, J. Driesen, and R. Belmans. Power quality and voltage stability of dis-
tribution system with distributed energy resources. International Journal of Distri-
buted Energy Resources, 1 :227240, 2005.
[5] C. J. Dafis. An observbility formulation for nonlinear power systems modeled as

differential algebraic systems. PhD thesis, Drexel university, PA, USA, 2005.
[6] Nesmat Abu-Tabak. Stabilit dynamique des systmes lectriques multima-

chines :modlisation, commande, observation et simulation. PhD thesis, Lcole
centrale de LYON, FRANCE, 2008.
[7] Inigo Cobelo. Active control of Distribution Networks. PhD thesis, Faculty of
Engineering and Physical Sciences , University of Manchester. U.K, 2005.
[8] F.C. Schweppe and J. Wildes. Power system static state estimation. IEEE Transac-
tions on Power Apparatus and systems, 89 :130135, 1970.
[9] R. Neela and P. Aravindhababu. A new decoupling strategy for power system state
estimation. International Journal of Electric Power Systems Research, 50 :2047
2051, 2009.
[10] A. Monticelli and A. Garcia. Fast decoupled state estimators. IEEE Transactions
on Power Systems, 5 :556564, 1990.
138
[11] J.J. Allemong, L. Radu, and A.M. Sasson. A fast and reliable state estimation
algorithm for aeps new control center. IEEE Transactions on Power Apparatus
and systems, 4 :933944, 1982.
[12] A. Thabet, M. Boutayeb, G. Didier, S. Chniba, and M.N.Abdelkrim. Power system

static state estimation and stability analysis. In 11th International conference on
Sciences and Techniques of Automatic control and computer engineering, pages
113, December 19-21, Monastir, TUNISIA, 2010.
[13] A. Thabet, S. Chniba, D. Gaetan, M. Boutayeb, and M.N Abdelkrim. Power sys-
tems load flow and state estimation : Modified methods and evaluation of stability
and speeds computing. International Review of Electrical Engineering, 5 :1110
1118, 2010.
[14] M.N. Nursyarizal. Wls modification power systems state estimation embedded
with facts devices. In Proceedings of the International Conference on Electrical
Engineering and Informatics, pages 244248, Institut Teknologi Bandung, Indone-
sia, 2007.
[15] Mahta Boozari. State estimation and Transient stability analysis in power system
using artificial neural networks. PhD thesis, Scholl of Engineering Science, SI-
MON FRASER University, CANADA, 2004.
[16] M. Roberto. Non gaussian state estimation in power systems. In International

Conference on Mathematical and Statistical Modeling, pages 123, Castillo, 2006.
[17] E.D. Crainic, X.D. DO, and D.F. Mukhedkar. Power system observability : guide-
lines for measurement system designer. In IFAC Symp on Power System Modelling
and Control Appl, pages 18, Brussels, 1998.
[18] Jiangnan Peng. Optimal pmu placement for full network observability using tabu
search algorithm. International Journal of Electrical Power and Energy Systems,
28 :223231, 2006.
139
[19] T. Pierre and H. Nicolas. Observability and state estimation of electrical power
networks (sinusoidal signals). Computers and Electrical Engineering, 28 :391
416, 2002.
[20] D. Karlsson and D.J. Hill. Modelling and identification of nonlinear dynamic loads
in power systems. IEEE Transactions on Power Systems, 9 :157166, 1994.
[21] M. A. Pai, P. W. Sauer, B. C. Lesieutre, and R. Adapa. Structural stability in power

systems-effect of load models. IEEE Transactions on Power Systems, 10 :609615,
1995.
[22] Ernst Scholtz. Observer based monitors and distributed wave controllers for elec-
tromechanical disturbances in power systems. PhD thesis, Massachusetts Institute
Technology, USA, 2004.
[23] P.M. Anderson and A.A. Fouad. Power system control and stability. In IEEE Press,
pages , New York, 1994.
[24] P.W. Sauer and M. A. Pai. Power system dynamics and stability. In Prentice Hall,
Upper Saddle River, pages , New Jersey, 1998.
[25] C. O. Nwankpa and R. M. Hassan. A stochastic based voltage collapse indicator.

IEEE Transactions on Power Systems, 8 :11871194, 1993.
[26] Jr William D. Stevenson. 5 bus sample system. 2008.
[27] C. Madtharad, S. Premrudeepreechacharn, and N.R. Watson. Power system state

estimation using singular value decomposition. International Journal of Electric
Power Systems Research, 67 :99107, 2003.
[28] A. Pandian, K. Parthasarathy, D. Thukaram, and S.A. Soman. A numerically stable

decomposition based power system state estimation algorithm. International Jour-
nal of Electrical Power and Energy Systems, 20 :1723, 1998.
[29] P.A. Lof, G. Anderson, and D.J. Hill. Voltage stability indices for stressed power
systems. IEEE Transactions on Power Systems, 8 :326335, 1993.
140
[30] Gildas Besanon. Nonlinear Observers and Application. Springer, Berlin Heidel-
berg New York, 0170-8643 edition, 2007.
[31] R. Herman and J. Krener. Nonlinear controlability and observability. IEEE Tran-
sactions on Automatic Control, 22 :728740, 1977.
[32] E.D Sontag. A concept of local observability. Systems and Control Letters, 5 :41
47, 1984.
[33] J. Marquez. Nonlinear control systems analysis and design. JOHN WILEY and
SONS, INC., Hoboken, New Jersey, edition, 2003.
[34] J. K. Hedrick and A. Girard. Control of nonlinear dynamic systems : Theory and
applications. 2008.
[35] H. Nijmeijer. Observability of autonomous discret-time nonlinear systems : a geo-

metric approach. International Journal Control, 36 :862874, 1982.
[36] Ali Zemouch. Sur lobservation de ltat des systmes dynamiques non linaires.
PhD thesis, Universit Louis Pasteur, Strasbourg I, France, 2007.
[37] B. Boulkroune. Estimation de ltat des systmes non linaires temps discret. Ap-
plication une station dpuration. PhD thesis, Universit Henri Poincar Nancy
1, France, 2008.
[38] Y. Song and J.W. Grizzle. The extended kalman filter as a local asymptotic observer
for nonlinear discrete-time systems. Journal of Mathematical Systems, Estimation
and Control, 5 :5978, 1995.
[39] M. Boutayeb. Identification of nonlinear systems in the presence of unknown but

bounded disturbances. IEEE Transactions on Automatic Control, 45 :15031507,
2000.
[40] A. Krener and A. Isidori. Linearization by output injection and nonlinear observers.
Systems and Control Letters, 3 :4752, 1983.
141
[41] A. Krener and W. Respondek. Nonlinear observer with linearizable error dynamics.
SIAM on Control and Optimization, 23 :197216, 1985.
[42] J. P. Gauthier, H. Hammouri, and S. Othman. A simple observer for nonlinear

systems - application to bioreactors. IEEE Transactions on Automatic Control,
37 :875880, 1992.
[43] M. Arcak and P. Kokotovic. Non linear observers : A circle criterion design and
robustness analysis. Automatica, 12 :19231930, 2001.
[44] J. Jouroy and J.J. Slotine. Methodological remarks on contraction theory. In

Cong. on Desing and Control, pages 25372543, Atlantis, Paradise Island, Ba-
hamas, 2004.
[45] M. Benallouch, E. Laroche, M. Boutayeb, and J.J. Slotine. Methodological remarks

on contraction theory. In Eurpean Control Conference, pages , Kos, Greece, 2007.
[46] R. E. Kalman. A new approach to linear filtering and prediction problems. Trans.
ASME, J. Basic Engineering, 82 :3445, 1960.
[47] F.E. Thau. Observing the state of nonlinear dynamic systems. International Journal
Control, 17 :471479, 1973.
[48] R.V. Patel and M. Toda. Quantitative measures of robustness in multivariable sys-
tems. In Proc. American Control Conference, pages , San.Francisco, USA, 1980.
[49] S.R. Kou, D.L. Elliott, and T.J. Tarn. Exponential observers for nonlinear dynamic
systems. Information and Control, 29 :204216, 1975.
[50] R. Rajamani. Observer for lipschitz nonlinear systems. IEEE Transactions on

Automatic Control, 43 :397401, 1998.
[51] D. Bestle and M. Zeitz. Canonical form observer design for nonlinear time-variable
systems. International Journal Control, 38 :419431, 1983.
142
[52] M. Nadri. Observation et commande des systmes non-linaires et application aux

bioprocds. PhD thesis, Universit Claude Bernard Lyon 1, France, 2001.
[53] M. Farza, M. MSaad, and L. Rossignol. Observer design for a class of mimo
nonlinear systems. Automatica, 40 :135143, 2004.
[54] F. Zhu and Z. Han. A note on observers for lipschitz non linear systems. IEEE
Transactions on Automatic Control, 47 :17511754, 2002.
[55] G. Besanon, Q. Zhang, and H. Hammouri. High-gain observer based state and
parameter estimation in nonlinear systems. pages , Stuttgart,Germany, 2004.
[56] M. Boutayeb and M. Darouach. Observers design for non linear descriptor systems.
In Cong. on Desing and Control, pages 23692374, New Orleans, LA, USA, 1995.
[57] S. Kaprielian and J. Turi. An observer for a nonlinear descriptor system. In Cong.
on Desing and Control, pages 975976, Tucson, Arizona, 1992.
[58] G.I. Bara, A. Zemouche, and M. Boutayeb. Observer synthesis for lipschitz
discrete-time systems. In IEEE International Symposium on Circuits and Systems,
pages , Kobe,Japan, 2005.
[59] B.W. Gordon. Dynamic sliding manifolds for realization of high index differential-
algebraic systems. Asian Journal of Control, 5 :454466, 2003.
[60] T. Wichmann. Simplification of nonlinear dae systems with inex tacking. In Euro-
pean Conference on Circuit Theory and Design, pages 173176, Espoo, Finland,
2001.
[61] D.C. Tarraf and H.H. Asada. On the nature and stability of differential-algebraic
systems. In Proc. American Control Conference, pages 35463551, Anchorage, Al
USA, 2002.
[62] V.M. Becerra, P.D. Roberts, and G.W. Griffiths. Applying the extended kalman
filter to systems described by nonlinear differential-algebraic equations. Control
Engineering Practice, 9 :267281, 2001.
143
[63] L.Z Guo and Q.M Zhu. A fast convergent extended kalman observer for non linear
discrete-time systems. Int. J. Sys. Sci., 33 :10511058, 2002.
[64] M. Boutayeb and C. Aubry. A strong tracking extended kalman observer for non-
linear discrete-time systems. IEEE Transactions on Automatic Control, 44 :1550
1556, 1999.
[65] R. Iserman. Process fault detection based on modeling and estimation methods- a
survey. Autmatica, 20 :387404, 1984.
[66] R. Iserman. Supervision, fault detection and fault diagnosis methods : an introduc-
tion. Control Engineering Practice, 5 :639652, 1997.
[67] R. Iserman. On the applicability of model based fault detection for technical pro-
cesses. In IFAC, pages 195200, Sydney, Australie, 1993.
[68] A. Thabet, R. Hamdaoui, and M. N. Abdelkrim. Fault tolerant control : Application

of gimc structure to a pll identifier module. Int. J. Simulation and Multidisciplinary
Design Optimization, 3 :406410, 2009.
[69] Alexey Shumsky. Robust analytical redundancy relations for fault diagnosis in
nonlinear systems. Asian Journal of Control, 4 :159170, 2002.
[70] D.F.Leite, M.B.Hell, and P.Costa Jr.and F. Gomide. Real-time fault diagnosis of
nonlinear systems. Int. Multidisciplinary J. on Nonlinear Analysis, 71 :26652673,
2009.
[71] X. Zhang, T. Parisini, and M.M. Polycarpou. Sensor bias fault isolation in a class of
nonlinear systems. IEEE Transactions on Automatic Control, 50 :370376, 2005.
[72] J. Stoustrup and H. Niemann. Fault detection for nonlinear systems - a standard
problem approach. In Cong. on Desing and Control, pages 96101, Tampa, Florida,
USA, 1998.
144
[73] Wen Chen. Robust fault diagnosis and compensation in nonlinear systems via
sliding mode and iterative learning observers. PhD thesis, Scholl of Engineering
Science, SIMON FRASER University, CANADA, 2004.
[74] Cdric Join. Diagnostic des systmes non linaires : Contribution aux mthodes de
dcouplage. PhD thesis, Universit Henri Poincar, Nancy, FRANCE, 2004.
[75] V. Venkat, R. Raghunathan, Y. Kewen, and N.K. Surya. A review of process fault
detection and diagnosis. part i : Quantitative model-based methods. Computers and
Chemical Engineering, 27 :293311, 2003.
[76] P.M Frank. Advances in observer-based fault detection. International Journal

Control, 59 :955981, 1994.
[77] B. Jiang, M. Staroswiecki, and C. Cocquempot. Robust observer based fault diag-
nosis for a class of nonlinear systems with uncertainty. In Cong. on Desing and
Control, pages 161166, Orlando, Florida, USA, 2001.
[78] P.M Frank. Analytical and qualitative model-based fault daignosis- a survey and
some new result. European Journal of Control, 2 :628, 1996.
[79] J. Chen and R.J. Patton. Robust model-based fault diagnosis for dynamic systems.
Kulwer Academic Publishers, , edition, 1999.
[80] V. Fathabadi, M. Shahbazian, K. Salahshour, and L. Jargani. Comparison of adap-

tive kalman filter methods in state estimation of a nonlinear system using asyn-
chronous measurements. In Proceedings of the World Congress on Engineering
and Computer Science, pages 18, October 20-22, San Francisco, USA, 2009.
[81] A. Thabet, M. Boutayeb, G. Didier, S. Chniba, and M.N.Abdelkrim. Fault

diagnosis for dynamic power systems. In 8th International Multi-Conference
on Syst.,Signals and Devices, Conference on Systems, Analysis and Automatic
Control, pages 17, Mach 22-25,Sousse, TUNISIA, 2011.
145
[82] A. Thabet, M. Boutayeb, G. Didier, S. Chniba, and M.N. Abdelkrim. Fault de-
tection and isolation for nonlinear dynamic power system. Int. Rev. of Automaic
Control, 4 :610619, 2011.
[83] P. K. Kitandis. Unbaised minimum variance linear state estimation. Autmatica,

23 :775778, 1987.
[84] M. Darouach, M. Zasadzinski, A.B Onana, and S. Nowakowski. Kalman filtering

with unknown inputs via optimal state estimation of singular systems. Int. J. Sys.
Sci., 26 :20152028, 1995.
[85] J.Y Keller, M. Darouach, and L. Caramelle. Kalman filte with unknown inputs and
robust two-stage filter. Int. J. Sys. Sci., 29 :4147, 1998.
[86] L. Lingali, Z. Donghua, W. Youqing, and S. Dehui. Unknow input extended kalman
filter and applications in nonlinear fault diagnosis. Chinese Journal Chem. Eng.,
13 :783790, 2005.
[87] Jiang Bin, Shi Peng, and Mao Zehui. Sliding mode observer-based fault estimation
for nonlinear networked control systems. Circuits, systems, and signal processing,
30 :116, 2011.
[88] Y. Wang, C.W. Chan, K.C. Cheung, and W.C. Chan. Fault estimation for a class of
nonlinear dynamical systems. In Cong. on Desing and Control, pages 31283129,
Phoenix, Arizona USA, 1999.
[89] Ke Zhang, Bin Jiang, and Vincent Cocquempot. Fast adaptive fault estimation
and accommodation for nonlinear time-varying delay systems. Asian Journal of
Control, 11 :643652, 2009.
[90] G. Valverde and V. Terzija. Unscented kalman filter for power system dynamic
state estimation. IET Gener. Transm. Distrib., 5 :2937, 2011.
146
[91] H. K. Kwang, J. G. Lee, and C. G. Park. Adaptive two-stage ekf for ins-gps loosely
coupled system with unknown fault bias. J. of Global Positioning Syst., 5 :6269,
2006.
[92] Chien Shu Hsieh. On the optimality of two-stage kalman filtering for systems with
unknown inputs. Asian Journal of Control, 12 :510523, 2010.
[93] A. Thabet, M. Boutayeb, G. Didier, S. Chniba, and M.N.Abdelkrim. Applying

extended kalman filter with moving horizon to fault estimation in power system.
In 12th International conference on Sciences and Techniques of Automatic control
and computer engineering, pages 608623, December 18-20, Sousse, TUNISIA,
2011.
[94] A. Thabet, M. Boutayeb, and M.N. Abdelkrim. Real time dynamic state estimation
for power system. Int. J. of Computer Applicatons, 38 :1118, 2012.
ANNEXE
I
Annexe 1
I.1 Rseau test 3 noeuds
Le shma du rseau test 3 noeuds est le suivant :
Fig. I.1: Schma du rseau test 3 noeuds
La matrcie dadmittance nodale est la suivante :

0.00819 j0.049099 0.003196 + j0.019272 0.004994 + j0.030112

[YNN ] =
0.003196 + j0.019272 0.007191 j0.043049 0.003993 + j0.02409
0.004994 + j0.030112 0.003993 + j0.02409 0.008989 j0.053952
(I.1)
xix
I.2 Rseau test 13 noeuds
Le schma du rseau est le suivant :
Fig. I.2: Schma du rseau test 13 noeuds
-Le tableau des puissances est donn par :

xx
Tab. I.I: Tableau de Puissances

Noeud Type PG (MW) QG (MVAR) PC (MW) QC (MVAR) U imp (KV)
1 C 0 0 250 155 -
2 G 255 - 0 0 230
3 C 0 0 90 35 -
4 C 0 0 190 130 -
5 G 240 - 0 0 225
6 C 0 0 220 135 -
7 G 240 - 0 0 225
8 C 0 0 60 35 -
9 C 0 0 130 70 -
10 C 0 0 200 140 -
11 G 165 - 0 0 233
12 NE - - 0 0 235
13 C 0 0 150 90 -
et les donnes des lignes :
Tab. I.II: Donnes des Lignes

Noeud i Neoud j R[] X[] Ycap [ S]
1 2 9.9 60.6 416
1 10 5.5 31.5 202
1 12 9.8 62.8 406
2 3 5.3 32.3 222
2 4 7.4 54.2 311
4 5 4 24.2 167
5 6 6.6 41.8 272
6 7 6.65 37.9 243
7 8 4.6 28.3 195
7 9 4 24.2 167
9 10 5.3 32.3 222
10 11 7.9 48.5 333
11 13 5.3 32.3 222
11 12 3.6 22.2 153
12 13 5.3 33.5 230
RSUM
Ce travail traite lestimation de ltat et la surveillance des systmes non linaires

de grandes dimensions avec une application sur des rseaux lectriques. La mod-
lisation dynamique est effectue en utilisant la proprit dindex 1 et les techniques
de dcouplement. Des nouvelles mthodes destimation dtat , bases sur le Filtre
de Kalman Etendu en incluant une fentre de mesures glissante, sont proposes
pour amliorer la robustesse et la prcision. Une nouvelle tude de convergence
au sens de Lyapunov et de conditionnement de la matrice dobservabilit est pro-
pose pour assurer la convergence des observateurs. Une combinaison de Filtre de
kalman Etendu avec fentre de mesures glissantes et la version entres inconnues
est considre pour assurer la tche de surveillance. Lapport en performances des
approches dveloppes est valu par des simulations numriques sur des rseaux
lectriques test selon le standard IEEE.
Mots cls: Systmes non linaires, Rseaux lectriques, Techniques de Dcou-
plement, Diagnostic, Filtre de Kalman, Convergence.
Abstract
This work deals with the state estimation and diagnosis of nonlinear systems with
application to power systems. Dynamic modeling is performed using an index 1
property and decoupling techniques. New methods of state estimation, based on
Extended Kalman Filter including a sliding window of measurements, are propo-
sed to improve the robustness and accuracy. A new convergence study based on
Lyapunov function and conditioning of the observability matrix is proposed to en-
sure the convergence of the observers. A combination of extended Kalman filter
with moving horizon and the version with unknown input is considered to ensure
the monitoring task. Performances of the proposed approaches were evaluated by
numerical simulations of IEEE power system test.
Key words: Non linear systems, Power system, Decoupling techniques, Diag-
nosis, Kalman Filter, Convergence.

These Assem THABET 2012 PDF

Загружено:

Сведения о документе

Оригинальное название

Авторское право

Доступные форматы

Поделиться этим документом

Поделиться или встроить документ

Параметры публикации

Этот документ был вам полезен?

Это неприемлемый материал?

Авторское право:

Доступные форматы

These Assem THABET 2012 PDF

Загружено:

Авторское право:

Доступные форматы

Estimation de l

etat pour la surveillance des syst`

To cite this version:

HAL Id: tel-00715651

HAL is a multi-disciplinary open access Larchive ouverte pluridisciplinaire HAL, est

de lEcole Nationale Des Ingnieurs de Gabs

En tmoignage damour et daffection

Je tiens remercier les membres du jury de thse :

Monsieur Lasad SBITA, Matre de Confrences lUniversit de Gabs, et Mon-

Toute ma reconnaissance et ma gratitude vont mes directeurs de thse :

Je remercie lensemble de mes collgues au MACS et lInstitut Suprieur des Sys-

Adrien, Asma, Zarrougui et Ibrahima...pour leur soutien et leurs conseils. Je remercie

TABLE DES MATIRES . . . . . . . . . . . . . . . . . . . . . . . . . . . . vi

LISTE DES TABLEAUX . . . . . . . . . . . . . . . . . . . . . . . . . . . . . ix

LISTE DES FIGURES . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . x

LISTE DES ANNEXES . . . . . . . . . . . . . . . . . . . . . . . . . . . . . xiii

1: CHAPITRE 1 : LES ASPECTS STATIQUES

1.6.2 Stabilit des mthodes destimation dtat . . . . . . . . . . . . 35

2: CHAPITRE 2 : TAT DE LART SUR LES

3: CHAPITRE 3 : ESTIMATION DTAT

3.3.3 Analyse de la convergence . . . . . . . . . . . . . . . . . . . . 79

4: CHAPITRE 4 : APPLICATION SUR UN

1.I Type des noeuds dans un rseau lectrique . . . . . . . . . . . . . 7

3.I erreur relative (%) et temps de calcul . . . . . . . . . . . . . . . . 72

4.I Caractristiques des liaisons lectriques entre noeuds . . . . . . . 121

I.I Tableau de Puissances . . . . . . . . . . . . . . . . . . . . . . . xx

1.1 Topologies des rseaux lectriques . . . . . . . . . . . . . . . . . 2

2.1 Evolution de la sortie y = sin(x) . . . . . . . . . . . . . . . . . . 47

3.1 Evolution de det(gxa ) en OM et DM . . . . . . . . . . . . . . . . 70

4.1 Rseau Test 5 Noeuds . . . . . . . . . . . . . . . . . . . . . . . 120

4.6 Evolution de 4 . . . . . . . . . . . . . . . . . . . . . . . . . . 126

I.1 Schma du rseau test 3 noeuds . . . . . . . . . . . . . . . . . . xviii

FP Flux de puissance (en anglais Load Flow)

Ce travail de thse est une contribution au problme destimation dtat et de diag-

seaux de communication, des rseaux lectriques, des rseaux de transports de matire

Deuximement, et en se basant sur les rsultats caractre thorique, nous dve-

Notre travail est organis de la faon suivante :

Le chapitre 2 introduit le problme destimation dtat et donne par suite un tat de

Dans le chapitre 4, on propose une application des mthodes, techniques et al-

CHAPITRE 1 : LES ASPECTS STATIQUES ET

1.2 Modlisation des lements constituants le rseau

Dans ce paragraphe on se limite la prsentation du modle de la ligne et du trans-

Tous les lments sont triphass et quilibrs.

Ainsi le modle du rseau triphas se rduit un modle monophas quivalent. Les

Fig. 1.1: Topologies des rseaux lectriques

1.2.1 Modle de la ligne

Fig. 1.2: Modle en dune ligne lectrique

Lexpression complexe de limpdance srie est donne par lquation suivante :

ri j est la rsistance srie quivalente de la ligne.

xi j est la ractance inductive quivalente de la ligne.

gi j0 conductance transversale quivalente de la ligne ct noeud i.

bi j0 suceptance capacitive de la ligne ct noeud i.

1.2.2 Modle du transformateur

Fig. 1.3: Schma quivalent dun transformateur : Modle en

vcc : tension de court-circuit en p.u ;

Sn : puissance apparente nominale du transformateur ;

Vni : tension simple nominale du transformateur ;

Pc : pertes actives de puissance dans les enroulements du transformateur ;

i0 : courant de magntisation vide du transformateur en p.u ;

Pf : pertes actives vide du transformateur ;

Ni j = VVij : le rapport nominale de transformation.

1.3 Matrice dadmittance nodale

n est le nombre des noeuds du rseau ;