Application de l'intelligence artificielle pour la détection et la localisation des défauts dans les réseaux électriques.

De nos jours, l’énergie électrique présente un bien de première nécessité dont l’humanité ne peut plus s’en passe. Les lignes électriques subissent des défaillances causées par les orages, les tempêtes de verglas, les ouragans et les tornades. Ces derniers peuvent survenir brusquement et mettre en péril la vie et les biens. Ces « tempêtes violentes » peuvent se produire dans toutes les régions, quelle que soit la saison et causent des dommages majeurs. Dans la plupart des cas, les pannes électriques se manifestent par des dommages matériels, qui doivent être réparés avant de remettre la ligne en service. Dans des défaillances pareilles, la restauration de l’électricité n’est pas simple à cause des dégâts provoqués et elle peut être accélérée si l'emplacement du défaut est connu ou peut être estimé avec une précision raisonnable. Par conséquent, la localisation rapide et précise des défauts joue un rôle important dans l'accélération de la restauration du fonctionnement normal du réseau, la réduction des temps d'arrêt et l'amélioration significative de la fiabilité du réseau. Dans le but d’améliorer la qualité de l’énergie distribuée et de garantir la sécurité, la fiabilité et la stabilité du réseau électrique, le problème de détection et de localisation des défauts est abordé dans ce projet de recherche. Dans ce contexte, le projet proposé portera principalement sur la présentation d’une approche rapide, précise et intelligente de détection et de localisation des défauts dans le réseau d’énergie électrique. Au début du travail entamé, une étude préliminaire généralisée sur le réseau d’énergie électrique est présentée. Ainsi, après avoir choisi un premier modèle d’un réseau de transport (IEEE 14-bus), la modélisation de ce dernier est faite par l’intermédiaire du logiciel Matlab. Des mesures des tensions et des courants dans chaque jeu de barre et aux bornes de chaque charge sont effectuées. Différents défauts sont appliqués au réseau. La présence du défaut a engendré des variations des valeurs des courants et des tensions. La collection des données (tension et courant) dans chaque jeu de barre du réseau test avant et après l’application des défauts est effectuée. En sus, dans le but de détecter et de localiser le défaut, plusieurs algorithmes ont été étudiés. En effet, en se basant sur la notion de l’intelligence artificielle, l’intégration des algorithmes intelligents est effectuée à savoir les arbres de décision DT (en anglais ‘Decision Tree’), les machines à vecteur de support SVM (en anglais ‘Support Vector Machines’), et l’apprentissage en profondeur DL (en anglais ‘Deep Learning’). Ces techniques intelligentes sont étudiées, modélisées et appliquées pour la détection et la localisation des défauts dans le réseau électrique de transport IEEE 14-bus. Ensuite, afin de tester les performances de ces algorithmes et de valider le concept, deux autres réseaux standard IEEE sont utilisés à savoir IEEE 9-bus et IEEE 39-bus. Les résultats de simulation de chaque algorithme appliqué à chaque réseau test sont présentés dans cette thèse. L'efficacité de ces approches est testée lors d'une occurrence d’un défaut unique (défaut simple), d'une part, et lorsque de nombreux défauts sont détectés dans différents jeux de barres du réseau de transmission (défaut complexe), d'autre part. Ainsi, une comparaison entre les performances de ces algorithmes du point de vue de la précision et de la rapidité (temps de convergence) est effectuée. Mots-clés : Énergie électrique, réseau de transport, défauts électriques, l’intelligence artificielle, les arbres de décision, les machines à vecteur de support, l’apprentissage en profondeur.

Name thesis:degree_name

Doctorat ès sciences appliquées

Level thesis:degree_level

3e cycle

Discipline thesis:degree_discipline

Faculté d'ingénierie

Grantor dc:publisher

Université de Moncton

Year dc:date.issued

2024

Author dc:creator

• Bouchiba, Nouha

Advisor dc:contributor.advisor

• Kaddouri, Azeddine

• Réseaux électriques (Énergie)
• Intelligence artificielle
• Apprentissage automatique

Statement dc:rights

• Author

Language dc:language.iso

iso639-2b, fre

Dc Identifier Other

umir:3084

OAI identifier oai:identifier

oai:umoncton.scholaris.ca:20.500.14658/8306