ALGORITHME INTELLIGENT POUR LOCALISATION DES DEFAUTS DANS LES RESEAUX ELECTRIQUES

Abstract

Dans cette étude, nous avons montré l’intérêt d’appliquer les réseaux de neurones artificiels pour la localisation des défauts de courts-circuits pouvant apparaître dans un réseau d’énergie électrique. Les réseaux de neurones artificiels peuvent jouer un rôle très important pour localiser un défaut du point de vue rapidité d’exécution ainsi que de la précision de réponse. Ceci est un atout intéressant pour l’opérateur dans un centre de répartition, car cela lui permet d’agir vite en fonction du problème posé. Au préalable, un état de l’art des différentes méthodes de localisation des défauts a été présenté afin de développer un outil de calcul fiable de la distance de défaut, basée sur l’approche des phaseurs. Ces derniers seront déterminés par la méthode des moindres carrés. La génération d’un ensemble de données pour le réseau de neurones a ensuite été effectuée par cette dernière, et ceci pour différents points de fonctionnement et plusieurs types de défauts survenant dans un réseau électrique. L’application du ce réseau de neurones avec l’algorithme de rétropropagation pour son apprentissage ne satisfait pas sa capacité de généralisation.. Les résultats obtenus montrent que les distances estimées par l’association des réseaux de neurones artificiels est presque identiques aux valeurs réelles. Il reste toutefois certaines exceptions constatés lors des phases de généralisation et correspondant à la localisation de défaut pour les distances non considérées pendant la phase d’apprentissage. Pour ces cas, et afin d’améliorer les performances du réseau de neurones proposé, nous pouvons envisager : - Une augmentation de la dimension de l’ensemble d’apprentissage - Une spécialisation des réseaux de neurones artificiels, pour chaque type et distance de défaut est recommandée. - Une architecture en parallèle pourra ensuite être élaborée afin d’alimenter un autre réseau de neurones à apprentissage non supervisé de type Kohonen pour améliorer les performances de discrimination du réseau de neurones généralisé. Ce travail peut ainsi être suivi d’une étude d’identification des défauts de courtscircuits ainsi que l’implantation des ces techniques proposées dans un relais numérique pour une application en temps réel.أظهرنا في هذه الدراسة الاهتمام بتطبيق الشبكات العصبية اصطناعي لتحديد أخطاء الدائرة القصيرة التي قد تظهر في الشبكة من الطاقة الكهربائية. يمكن للشبكات العصبية الاصطناعية أن تلعب دورًا مهمًا جدًا في التوطين خلل من ناحية سرعة التنفيذ وكذلك دقة الاستجابة. هذا هو أحد الأصول المثيرة للاهتمام بالنسبة للمشغل في مركز الإرسال، لأنه يسمح له بالتصرف بسرعة اعتمادا على المشكلة المطروحة. مسبقًا، تم تنفيذ أحدث الأساليب المختلفة لتحديد موقع الخطأ. تم تقديمها من أجل تطوير أداة موثوقة لحساب مسافة الخطأ، بناءً على النهج المرحلي. وسيتم تحديد هذه بطريقة المربعات الصغرى. ثم تم تنفيذ إنشاء مجموعة بيانات للشبكة العصبية بواسطة هذا الأخير، وذلك لنقاط التشغيل المختلفة وعدة أنواع الأعطال التي تحدث في الشبكة الكهربائية. تطبيق هذه الشبكة العصبية مع خوارزمية الانتشار العكسي تعلمه لا يرضي قدرته على التعميم. وتظهر النتائج المتحصل عليها أن المسافات المقدرة بربط الشبكات من الخلايا العصبية الاصطناعية تكاد تكون مطابقة للقيم الحقيقية. ومع ذلك، لا تزال هناك بعض المؤكد الاستثناءات التي تمت ملاحظتها خلال مراحل التعميم والمتوافقة مع موقع الافتراضي للمسافات التي لم تؤخذ في الاعتبار خلال مرحلة التعلم. بالنسبة لهذه الحالات، ومن أجل تحسين أداء الشبكة العصبية المقترحة، قمنا يمكن اعتباره: - زيادة في حجم مجموعة التعلم - تخصص الشبكات العصبية الاصطناعية لكل نوع ومسافتها يوصى بالافتراضي. - يمكن بعد ذلك تطوير بنية متوازية من أجل تشغيل أخرى Kohonen نوع شبكة التعلم العصبية غير الخاضعة للرقابة لتحسين أداء التمييز للشبكة العصبية المعممة. وبالتالي يمكن أن يتبع هذا العمل دراسة لتحديد أخطاء الدائرة القصيرة. فضلا عن تنفيذ هذه التقنيات المقترحة في التتابع الرقمي ل تطبيق في الوقت الحقيقي.