Schéma de codage multi-modèle pour la compression de signaux électriques

Multiple-Model Coding Scheme for Electrical Signal Compression

• Auteur / Autrice : Corentin Presvôts
• Direction : Michel Kieffer, Thibault Prevost, Patrick Panciatici
• Type : Thèse de doctorat
• Discipline(s) : Sciences des réseaux, de l'information et de la communication
• Date : Soutenance le 16/01/2025
• Etablissement(s) : université Paris-Saclay
• Ecole(s) doctorale(s) : École doctorale Sciences et technologies de l'information et de la communication (Orsay, Essonne ; 2015-....)
• Partenaire(s) de recherche : Laboratoire : Laboratoire des signaux et systèmes (Gif-sur-Yvette, Essonne ; 1974-....) - Réseau de transport d'électricité - Électricité de France Transport
• Partenaire(s) de recherche : Référent : Université Paris-Saclay. Faculté des sciences d’Orsay (Essonne ; 2020-....)
• Partenaire(s) de recherche : graduate school : Université Paris-Saclay. Graduate School Informatique et sciences du numérique (2020-….)
• Jury : Président / Présidente : Marc Petit
• Jury : Examinateurs / Examinatrices : Francisco Assis De Oliveira Nascimento, Mario Paolone, Elsa Dupraz, Aline Roumy
• Jury : Rapporteurs / Rapporteuses : Francisco Assis De Oliveira Nascimento, Mario Paolone

Mots clés

Mots clés contrôlés

Compression de données

Électricité

Optimisation convexe

Séries chronologiques

Mots clés libres

Compression

Faible latence

Codage multi-Modèle

Optimisation débit-Distorsion

Signaux électriques

Valeurs échantillonnées

Compression

Low latency

Multiple-Model coding

Rate-Distortion optimisation

Electrical signal

Sampled values

Résumé

L'intégration des sources d'énergie renouvelables dans le réseau électrique introduit une dynamique plus complexe, nécessitant un contrôle plus efficace et à faible latence. Ce contrôle exige la transmission de gros volumes de données des sous-stations aux centres de contrôle supérieurs. Pour répondre aux contraintes de débit du réseau, il est crucial de développer des techniques de compression efficaces, adaptées aux caractéristiques spécifiques des signaux électriques. Actuellement, les Phasor Measurement Units (PMUs) sont les dispositifs les plus couramment utilisés pour acquérir et compresser ces signaux. Cependant, les PMUs ne peuvent pas représenter avec précision les transitoires rapides. Dans la première partie de cette thèse, une méthode de compression utilisant des réseaux de neurones, basée sur des Auto-encodeurs variationnels (VAEs), est décrite. Cette méthode, initialement développée pour la compression d'images, est adaptée dans cette thèse à la compression des échantillons de signaux électriques. Le principe repose sur l'optimisation de l'étape de transformation en minimisant un compromis débit-distorsion sur un ensemble de signaux électriques d'entraînement. Cette méthode permet d'optimiser l'ensemble de la chaîne de compression en tenant compte de la quantification et du codage entropique, offrant ainsi de meilleures performances en moyenne que les méthodes classiques non entraînables, utilisant par exemple une transformée en cosinus discrètes (DCT) ou une transformée en ondelettes discrètes (DWT).La seconde partie décrit un schéma de codage multi-modèles (MMC) proposé pour la compression des échantillons de signaux électriques. Pour réduire la latence, l'approche MMC opère sur des fenêtres d'environ une période électrique (de l'ordre de la latence des PMUs), contenant donc un nombre limité d'échantillons. Dans un premier étage de compression, plusieurs modèles paramétriques de signaux sont comparés (modèles sinusoïdaux, polynomiaux ou encore prédictifs) pour obtenir une représentation grossière du signal électrique. Dans un deuxième étage, plusieurs techniques de codage par transformation sont utilisées pour compresser le résidu de reconstruction du premier étage. Les transformations utilisées sont, la DCT, la DWT et les VAEs mentionnés précédemment. Les paramètres du modèle sont quantifiés et l'allocation du budget de débit entre les deux étages est optimisée en fonction d'un débit cible. Néanmoins, imposer une contrainte de budget entraîne des variations dans la qualité de reconstruction des signaux échantillonnés, ce qui peut ne pas répondre aux exigences strictes de qualité de reconstruction imposées par les utilisateurs finaux.Une troisième partie vise donc à déterminer le budget de bits minimum nécessaire pour respecter une contrainte de distorsion maximale imposée. Le degré de liberté supplémentaire, offert par le choix du budget total, augmente la complexité de l'approche MMC par rapport à sa variante à débit fixe et peut être incompatible avec les contraintes de temps réel. Deux méthodes distinctes sont proposées pour la sélection du modèle et l'allocation des bits entre les deux étages. La première méthode repose sur une recherche exhaustive pour déterminer le nombre de bits à allouer aux deux étages de compression. La seconde méthode utilise une recherche par section dorée. Le coût de calcul de ces deux approches est encore réduit en amont grâce à une estimation préalable du meilleur modèle et de l'allocation optimale du budget de bits entre les deux étages, de manière à satisfaire la contrainte de distorsion. Cette estimation s'appuie sur des modèles débit-distorsion.

The integration of renewable energy sources into the electrical grid introduces more complex dynamics, requiring more efficient and low-latency control. This control demands the transmission of large volumes of data from substations to higher-level control centers. To address network bandwidth constraints, it is essential to develop efficient compression techniques tailored to the specific characteristics of electrical signals. Currently, Phasor Measurement Units (PMUs) are the most commonly used devices for acquiring and compressing these signals. However, PMU cannot accurately represent fast transients. In the first part of this thesis, a compression method using neural networks, based on Variational Autoencoders (VAEs), is described. Initially developed for image compression, this method is adapted in this work to the compression of sampled electrical signals. The principle relies on optimizing the transformation step by minimizing a Rate-Distortion (RD) trade-off over a training set of electrical signals. This method enables the optimization of the entire compression pipeline by accounting for quantization and entropy coding, thus providing better average performance compared to classical non-trainable methods, such as the Discrete Cosine Transform (DCT) or the discrete wavelet transform Discrete Wavelet Transform (DWT). The second part describes a proposed multi-model coding scheme for the compression of sampled electrical signals. To reduce latency, the Multiple Model Compression (MMC) approach operates on windows of approximately one electrical period (on the order of glspl{pmu} latency), thus containing a limited number of samples. In the first compression stage, several parametric signal models (sinusoidal, polynomial, and predictive models) are compared to obtain a coarse representation of the electrical signal. In the second stage, several transform coding techniques are used to compress the reconstruction residual from the first stage. The transformations used include the DCT, DWT, and the previously mentioned VAEs. The model parameters are quantized, and the bit budget allocation between the two stages is optimized based on a target rate. However, imposing a rate constraint introduces variations in the reconstruction quality of the sampled signals, which may not meet the strict quality requirements imposed by end users. The third part of this thesis aims to determine the minimum bit budget required to satisfy a maximum distortion constraint. The additional degree of freedom provided by the choice of the total bit budget increases the complexity of the MMC approach compared to its fixed-rate variant and may be incompatible with real-time constraints. Two distinct methods are proposed for model selection and bit allocation between the two stages. The first method relies on an exhaustive search to determine the number of bits to allocate to both compression stages. The second method uses a golden-section search. The computational cost of these two approaches is further reduced by a preliminary estimation of the best model and the optimal bit allocation between the two stages to meet the distortion constraint. This estimation is based on RD models.