Mise à jour automatique de la base de données et du modèle de

est : une fois le modèle établi et qu’on observe des changements de routine dans les états du réseau, faut-il procéder ou non à un réapprentissage du RF ? Dans une certaine mesure, on peut dire qu’il est nécessaire de le faire. Quoique le RF soit robuste et qu’il soit conçu pour extraire sur un large éventail de conditions du réseau l’information « essentielle » quant à son état ; comme toute méthode inductive, les résultats de prédiction sont garantis pour des dynamiques assez proches de celles manipulées dans la phase d’apprentissage. Tandis que le nombre d'états possibles du réseau est infini, la dynamique du réseau est limitée à un nombre fini de groupes de caractéristiques tels que l'instabilité rapide, l’instabilité lente, l’instabilité de tension, etc…

101

Il est donc possible d'améliorer la qualité du RF en disposant de contrôles périodiques ou après des changements majeurs sur le réseau. Ces contrôles ne devraient pas être trop différents de ce qui est fait aujourd'hui pour les systèmes de protection spéciaux (Special Protection Systems, SPS) critiques dont les paramètres sont mis à jour sur une base de secondes ou de minutes selon les états du réseau (Trudel, Gingras et Pierre, 2005). Ces deux travaux (Sun et al., 2007) – (Alcheikh-Hamoud et al., 2009) donnent des techniques de mise à jour des données sur une base horaire pour la prédiction avec les DT. Compte tenu de la performance remarquable des prédicteurs proposés dans cette thèse, on soumet à la Figure 6.7 un nouveau dispositif pour mettre à jour le modèle de prédiction sur une base périodique en s’alimentant de nouvelles dynamiques du réseau. Ces dernières vont enrichir la base de données et rendre notre dispositif adaptatif.

102

Avec ce nouvel outil adaptatif de mise à jour du modèle de prédiction, l’état du réseau va être déterminé par une double vérification. La première étape revient à soumettre l’événement en question à un modèle découlant d’un RF initial. Cette base de données étant la plus dense, le RF est plus approprié pour produire un modèle de prédiction car les arbres élagués construits dans l’apprentissage sont décorrélés. Ainsi, on maximise la diminution de la variance, ce qui implique une réduction des erreurs. Le RF dans ce contexte-ci tient compte d’une configuration globale du réseau avec le maximum de cas possibles (par exemple, un apprentissage des données recueillies sur plusieurs années).

Avec l’acquisition de nouvelles données des PMUs, sur une base régulière (par exemple, semaine et/ou mois), on peut réaliser un deuxième modèle de prédiction à l’aide d’un boosting pour évaluer l’état du réseau. On privilégie un boosting à ce stade car on sait que la base de données à étudier est d’une dimension moindre et de plus, que le boosting ne se concentre que sur les apprenants faibles. Dans le contexte des DT, il s’agit d’arbres peu profonds ; à noter qu’on se limite à 100 arbres. Le boosting amoindrit donc l'erreur principalement en réduisant le biais. On se sert d’un premier jeu de données pour entraîner ce second modèle noté . Comme sortie de , on stocke les poids des arbres dans la prise de décision ainsi que les erreurs associées à chacun de ces poids. On définit un indicateur Ω tel qu’énoncé dans l’équation (6.23) :

Ω =∑_∑ (6.23)

Cet indicateur a pour rôle essentiel de signaler si le modèle de boosting utilisé pour la prédiction doit être mis à jour ou non. Quand un nouveau jeu de données ′ provenant des PMUs rentre, on déduit l’indicateur Ω′ correspondant au modèle ′. Si Ω′ est plus petit que Ω, on conserve le modèle ′ comme deuxième modèle de prédiction ; sinon on garde le modèle

103

6.5 Conclusion

Dans ce chapitre, on présente le nouveau concept de centre de puissance pour l’étude de l’instabilité. Ce concept a les mêmes fondements théoriques que le COI mais présente l’avantage de prendre en compte les valeurs de puissance effectives du réseau déduites des mesures des PMUs. Pour chaque région cohérente du réseau, on définit un COP de vitesse et un angle équivalent, à partir desquels résultent deux indices et participant à la détection de l’instabilité. Au regard du COP de vitesse, le réseau est instable si pour deux régions quelconques on observe une déviation entre les COP correspondants. Quant aux indices, leur tendance à diverger confirme que le réseau est instable. On décrit également la méthodologie utilisée pour prouver que les prédicteurs proposés dans le cadre de cette thèse sont performants. Les étapes menant jusqu’à la formation du RF et de l’exécution du modèle de prédiction sont développées. Tous les scénarios pris en compte sont détaillés ainsi que la méthode de la fenêtre glissante exploitée en opposition au snapshot largement utilisé dans la littérature. Pour considérer les mises à jour des données, on propose aussi un nouveau dispositif couplant un RF à un boosting pour la prédiction de l’état du réseau en temps réel. Somme toute, l'originalité du travail est dans les variables utilisées comme prédicteurs. Le concept de COP utilisé dans notre approche permet avec un nombre limité de prédicteurs de dissocier les cas stables des cas instables en tout temps avec l’aide de la fenêtre glissante.