Chapitre 5 Généralités sur l’identification des systèmes électriques

CHAPITRE 5
Généralités sur l’identification des systèmes électriques

5. Introduction
L'automatique consiste à étudier des systèmes réels de différentes disciplines (électronique,
mécanique, thermique, chimie, écologie,...) en vue de les analyser, les surveiller, les diagnostiquer,
et les commander. Cela nécessite la disponibilité d'un modèle mathématique de ce système réel.
Un système est un objet dans lequel des variables de différents types interagissent et produisent
des signaux observables. Lors que le modèle du système n'est pas connu, il est nécessaire de
procéder à son identification. Ce modèle ne cherche qu'à reproduire “au mieux” un
fonctionnement dynamique dans un contexte donné sans se préoccuper de la signification
physique éventuelle des paramètres dont il dépend.
L'identification consiste à chercher les paramètres de modèles mathématiques d'un système, à
partir de données expérimentales et de connaissances disponibles a priori. Ces paramètres peuvent
avoir une signification physique, comme dans les modèles de connaissance (issus de lois de la
mécanique, de l'électricité, etc...), ou ne pas en avoir, comme c'est le cas pour les modèles de
comportement. Dans les deux cas, ils doivent fournir une approximation fidèle des comportements
du système physique, dans la mesure où leurs paramètres sont ajustés à partir de données
expérimentales. L'objectif cherché est de rendre identiques les réponses du processus et du
modèle, pour des séquences d'entrée données.
Il existe plusieurs méthodes d'identification paramétrique, mais la plupart des méthodes utilisées
sont basées sur le calcul du gradient pour trouver les paramètres cherchés avec une précision
acceptable. Il sera raisonnable d'affirmer que les bonnes valeurs des paramètres cherchés seront
celles qui minimisent le critère quadratique appelé souvent fonction coût. Néanmoins, il n'est pas
toujours possible d'évaluer les gradients lorsque les mesures sont noyées dans le bruit.
L'identification paramétrique est donc une tâche primordiale pour déterminer les valeurs
numériques de paramètres d'un système pour leur utilisation dans la simulation et dans la loi de
commande.

Cours Modélisation et identification des systèmes électriques M1_Com_ELE_2020/2021 1

Chapitre 5 Généralités sur l’identification des systèmes électriques

5.1 Principe de l’identification

L'identification consiste à appliquer ou observer des signaux de perturbation à l'entrée d'un

système (signaux aléatoires) et en analysant la sortie dans le but d'obtenir un modèle purement
mathématique. Les différents paramètres du modèle ne correspondent à aucune réalité physique
dans ce cas. L'identification peut se faire soit dans le temps (espace temporel) ou en fréquence
(espace de Laplace), en évitant les modèles purement théoriques à partir des équations physiques
(en général des équations différentielles), qui sont longues à obtenir et souvent trop complexes
pour un temps de développement donné.

5 2. Les différents types des modèles autorégressifs et linéaires

Le principe d'une identification paramétrique ou non paramétrique est d'extraire un modèle

mathématique à partir d'observations. Le modèle doit permettre de calculer la sortie du procédé et
à n'importe quel instant t si les conditions initiales du système sont connues.

Pour cela on peut se servir des valeurs des entrées aux instants présents et précédents (u(t), u(t-1),
...) et des valeurs précédentes de la sortie (y(t-1), y(t-2), ...) dans le cas d'un modèle régressif.

Il est tout de même important d'avoir des connaissances basiques du système pour choisir un type
de modèle adapté. On trouve ainsi :

Modèles possédant une entrée/une sortie (Single Input/ Single Output SISO) ou plusieurs
entrées et plusieurs sorties (Multiple Input/Multiple Output MIMO).
Modèles linéaires ou modèles non-linéaires (dans ce cas, qu'est-ce qui est non-linéaire et
en fonction de quoi).
Modèles continus ou modèles discrets.
Modèles régressifs ou modèles indépendants : pour un modèle régressif, la sortie à un
instant t, y(t), dépend des instants précédents (y(t-i)).
Modèles stochastiques ou modèles déterministes.

L'identification nécessite alors une structure de modèle connu a priori pour venir identifier dans
cette structure différents paramètres. Le paragraphe suivant précise et décrit les différentes étapes
dans la procédure d‟identification.

5.3 Algorithmes d'identification paramétrique

L'algorithme général d'identification paramétrique comprend six étapes principales, comme il est
illustré dans la figure ci-dessous. Il s‟agit de :

La base de données
Le Choix de la classe du modèle.
l'estimation du modèle.
la sélection d‟ordre.
la validation du modèle.

Cours Modélisation et identification des systèmes électriques M1_Com_ELE_2020/2021 2

Chapitre 5 Généralités sur l’identification des systèmes électriques

et l'extraction des paramètres du modèle.

4.4 Algorithme général de l’identification

Connaissance à priori

Mesures Choix de la structure Critère de sélection

Données

Calcul d‟un modèle

Validation

Modèle final

Fig.1 Algorithme général d'identification des systèmes. Notez que le processus d'identification est un processus
itératif, chaque passage apportant un peu plus de connaissances.

5.4. Modèles paramétriques autorégressifs et linéaires

Il existe plusieurs méthodes d'identification paramétrique, mais la plupart des méthodes utilisées
sont basées sur le calcul du gradient pour trouver les paramètres cherchés avec une précision
acceptable. Il sera raisonnable d'affirmer que les bonnes valeurs des paramètres cherchés seront
celles qui minimisent le critère quadratique appelé souvent fonction coût. Néanmoins, il n'est pas
toujours possible d'évaluer les gradients lorsque les mesures sont noyées dans le bruit.
L'identification paramétrique est donc une tâche primordiale pour déterminer les valeurs
numériques de paramètres d'un système pour leur utilisation dans la simulation et dans la loi de
commande.

5.5. Modèles du processus

Par rapport aux approches non paramétriques, les méthodes paramétriques présentent un avantage
considérable quant au nombre de paramètres à identifier. L'identification des paramètres du
modèle se fait sur base d'un critère d'écart entre des mesures expérimentales provenant du
processus et une simulation des équations constituants le modèle. Pour cela, il faudra choisir au
préalable :

la structure du modèle,
le critère de performance,
l'algorithme d'identification,

Cours Modélisation et identification des systèmes électriques M1_Com_ELE_2020/2021 3

Chapitre 5 Généralités sur l’identification des systèmes électriques

le signal d‟excitation.

Les modèles d'identification utilisent le plus souvent une représentation discrète, bien que les
processus physiques réels soient généralement de nature continue. Ceci résulte du fait que, d'une
part, l'ordinateur qui se charge de l'identification voit un processus discret à travers les
convertisseurs A/N et N/A et que, d'autre part, l'identification des paramètres, la synthèse du
régulateur et la simulation du système sont plus simples sous forme numérique que sous forme
analogique. Le choix de la structure du modèle dépend des hypothèses sur l'ordre du modèle du
processus et la nature du bruit.

5.6 séquences binaires pseudo aléatoires (SBPA)

L'un des moyens de réaliser un signal "aléatoire" est la mise en ouvre de Séquences Binaires
Pseudo Aléatoires (en anglais PRBS : Pseudo Random Binary Sequence) Principe :

Fig.5.2 .Principe de génération de nombre aléatoires fondé sur un registre à décalage

Pour que le système fonctionne, on doit initialiser le registre à n'importe quelle valeur binaire sauf
zéro. Le nombre codé en binaire A = b7b6b5b4b3b2b1b0 est "aléatoire. de la même façon, le bit
b7 semble indépendant de ses valeurs précédentes.
Table 3.1 _ Tableau des bits à utiliser pour obtenir une séquence de longueur maximale

Une séquence sur N bits à une longueur de 2N -1 = L dont 2N-1 „‟1‟‟et 2N-1 -1_0_, sa valeur
moyenne est donc non nulle.

Fig.5.3 diagramme temporel d'une séquence binaire pseudo aléatoire.

Cours Modélisation et identification des systèmes électriques M1_Com_ELE_2020/2021 4

Chapitre 5 Généralités sur l’identification des systèmes électriques

a
E  s(t ) 
L

Pour déterminer la forme du spectre il faut en premier lieu calculer sa fonction d'auto-corrélation,
le spectre étant la transformée de Fourier de la fonction d'auto-corrélation.
Fonction d'auto-corrélation
LT
1
Cxx ( ) 
LT  x( ) x(t   )dt
0
si   T

L 1 
Cxx ( )  a 2 (1  . ) si   T
L T
a2
Cxx ( )  
L

On en déduit le spectre qui est la transformée de Fourier de la fonction d'auto-corrélation.

n
sin 
L  1  n 2
L ) 2  a  ( )
p( f )  a 
L2 
2
 ( 
LT
)(
n L

L
Le spectre de la SBPA représenté sur la figure 3.5 est donc un peigne de Dirac modulé par un
sinus cardinal. On considère que le bruit peut être considéré comme un bruit blanc dans le premier
tiers du premier lobe (_  1/3Te). On remarque donc que :
plus L grand  plus la valeur moyenne est faible
plus L grand  plus de raies, plus proche du bruit blanc

Fig.5.4 Spectre d'une SBPA

Cours Modélisation et identification des systèmes électriques M1_Com_ELE_2020/2021 5

Chapitre 5 Généralités sur l’identification des systèmes électriques

3.2.1 Choix des paramètres d'une SBPA

Il faut donc déterminer a; L et Te "optimum" vis-à-vis du système à identifier. Le premier

compromis concerne L et Te.
Plus la séquence est longue :
Plus il y a d'informations
Plus le transitoire est négligeable
Plus les organes souffrent
Plus les dérives s'accentuent

3.3 Identification basée sur l'erreur de sortie

Le principe de cette méthode d'identification est illustré en figure 5.4. Le modèle est une fonction
de n paramètres  i , i variant de 1 à n. Il s'agit alors de déterminer les paramètres  i tels que le
critère soit minimum. Le critère est en général choisi de la forme J    2

Figure 3.6 Principe d'identification fondée sur l'erreur de sortie.

^
La recherche des paramètres optimaux  i se fait par programmation non linéaire. IL s'agit
d'utiliser un algorithme qui à partir de paramètres non optimaux  i et un critère J donne les
^
paramètres  i i. Ces algorithmes sont nombreux, à titre de d'exemple voici les plus utilisés.
Gradient
Quasi Newton
Nelder et Mead
Algorithmes génétiques
Recuit simulé
Avantages de cette méthode :
 Pas d'hypothèse sur la forme du modèle, il peut en particulier être non linéaire.
 Adapté à la recherche de paramètres physiques si modèle de connaissances (modèle
continu !).
L'inconvénient majeur est qu'aucun de ces algorithmes n'est capable de garantir que le résultat est
réellement l'optimum.

Le tableau suivant présente une synthèse des différents modèles implantés par Matlab pour
l‟identification des systèmes

Cours Modélisation et identification des systèmes électriques M1_Com_ELE_2020/2021 6

Chapitre 5 Généralités sur l’identification des systèmes électriques

Cours Modélisation et identification des systèmes électriques M1_Com_ELE_2020/2021 7