Contribution des techniques intelligentes au diagnostic intdustriel des transformateurs de puissance

Abstract

الملخص(بالعربية):

بالإضافة إلى وظائفها الرئيسية كعازل كهربائي ومبرد، توفر السوائل العازلة أيضًا وسيلة فعالة لمراقبة حالة المعدات الكهربائية.فهي بمثابة وسيط معلومات مهم ( ذاكرة) يمكن ان يعطي لمحة عن اي خلل داخل المعدة الكهربائية . يمكن إجراء مراقبة زيت العزل بطرق مختلفة ، بما في ذلك تحليل الغازات الذائبة (DGA) وجودة الزيت ، وهي الأكثر شهرة واستخدامًا على نطاق واسع. غالباً ما تتعلق المشكلات التي يواجهها الخبراء في المجال بصعوبة تفسير البيانات المقاسة بسبب تعقيد ظاهرة إنتاج الغازات القابلة للاحتراق والعوامل التي تؤثر عليها. الغرض من هذه الرسالة مزدوج: أولا ، محاولة لتفسير الغازات الذائبة باستخدام تقنيات التعلم الآلي التي لديها قدرة ممتازة في تحليل البيانات وصنع القرار. تم اختبار أربعة خوارزميات أساسية للتعلم الآلي (MLP، k-NN، Bayesian Network، J48) وتمت مقارنتها لتصنيف الاعطال من بيانات الغازات الذائبة المحولة إلى ثلاثة أشكال (لوغاريتمي ومعياري ونسب مئوية). ثم تم استخدام ميزة مجموعة او تكامل تقنيات (boosting, bagging) لتحسين أداء الخوارزميات الأساسية المذكورة اعلاه. ثانياً ، تمت دراسة تأثير جودة الزيت ، وهو أحد العوامل التي تسهم في تعقيد إنتاج غازات القابلة للاحتراق من خلال قياس كمية نوعين آخرين من منتجات تدهور العزل ، مثل المنتجات الصلبة القابلة للذوبان والغير قابلة للذوبان في الزيت. الكلمات المفتاحية: محولات القدرة ، الزيوت العازلة ، التشخيص ، تحليل الغازات الذائبة ، التعلم الآلي ، منتجات التحلل.

Résumé (Français) :

Outre que leurs fonctions principales comme isolant électrique et caloporteur, les fluides diélectriques offrent aussi un moyen efficace pour la surveillance de l’état des équipements électriques. Ils représentent un support d’informations important qui peut fournir un aperçu de tout dysfonctionnement d'un équipement. La surveillance au moyen de l’huile peut etre effectuée de diverses manières dont l’analyse des gaz dissous (AGD) et la qualité de l’huile sont les plus connues et les plus utilisées. Les problèmes que rencontrent les experts dans le domaine sont souvent liés à la difficulté de l’interprétation des données mesurées à cause de la complexité du phénomène de production des gaz combustibles et les facteurs qui les influent. L’objectif visé dans cette thèse est double : Dans un premier lieu, une tentative d’interprétation de l’AGD en faisant appel aux techniques d’apprentissage automatique qui ont une capacité excellente en analyse des données et prise de décision. Quatre algorithmes d’apprentissage automatique de base (PMC, k-NN, Réseau Bayésien, J48) ont été testées et comparées pour la classification des défauts à partir des données des gaz dissous transformées en trois formes (logarithmique, Standardisé et pourcentage). Puis l’avantage des techniques ensemblistes (Boosting et Bagging) a été utilisé pour améliorer les performances des algorithmes de base. Deuxièmement, l’influence de la qualité de l’huile qui est l’un des facteurs qui contribue à la complexité de production des gaz combustible a été étudié en quantifiant à coté de l’AGD deux autres types de produit de dégradation tel que les produits solide solubles et insoluble. Mots clés : Transformateurs de puissance, huiles isolantes, diagnostic, Analyse des gaz dissous, Apprentissage automatique, produits de dégradation.

Abstract (anglais): In addition to their main functions as electric insulator and coolant, dielectric fluid is also an effective mean for electrical equipment diagnosis, which is considered as a vital information carrier that provides insight into any malfunctioning of equipment. Oil monitoring can be performed in various ways including the dissolved gas analysis (DGA) and the quality of the oil are the best known and most used. The problems encountered by experts in the field are often related to the difficulty of interpreting the measured data because of the complexity of the phenomenon of production combustible gases and the factors that influence them. The purpose of this thesis is twofold: First, an attempt to interpret DGA by using machine learning techniques that have excellent ability in data analysis and decision making. Four basic machine learning algorithms (MLP, k-NN, Bayesian Network, J48) were tested and compared for fault classification from dissolved gas data transformed into three data forms (logarithmic, Standardized and percentage). Then the advantage of ensemble techniques (Boosting and Bagging) was used to improve the performance of basic algorithms. Secondly, the influence of oil quality, which is one of the factors contributing to the complexity of production of combustible gases, has been studied by quantifying two other types of degradation product, such as soluble and insoluble solid by-products. Key words: Power transformers, insulating oils, diagnostics, dissolved gas analysis, machine learning, degradation by-products.