Constellation, le dépôt institutionnel de l'Université du Québec à Chicoutimi

Résumé

Le transformateur est un composant critique du système électrique, comprenant diverses parties. Un élément essentiel est le Changeur de Prise en Charge (CPC), qui régule le niveau de tension. Récemment, la gestion des défauts de ce composant est devenue une préoccupation majeure pour prévenir les pannes des transformateurs. Selon la littérature, environ 20 % des défauts de transformateurs sont dus à des défaillances des CPC. Par conséquent, la détection précoce des défauts de ce composant peut prévenir les pannes des transformateurs. Cette thèse vise à utiliser l'analyse des signaux vibro-acoustiques pour surveiller le CPC en temps réel et déclencher une alarme en cas de changements dans les enveloppes des signaux de vibration. Cette technique implique de mesurer les signaux de vibration du CPC à l'aide d'un accéléromètre. De plus, d'autres paramètres, tels que la température (en raison de son impact sur les signaux de vibration), sont également mesurés. Ce système de surveillance a été installé sur trois transformateurs du réseau Hydro-Québec, et les signaux vibro-acoustiques sont surveillés en continu depuis 2016. Il est important de noter que les signaux de vibration sont complexes et contiennent une quantité importante d'informations. L'extraction de l'enveloppe du signal est utilisée pour obtenir l'enveloppe à partir du signal de vibration. Dans cette thèse, la transformée de Hilbert et le filtre passe-bas (LPF) sont appliqués pour extraire l'enveloppe du signal. La température influence les enveloppes des signaux vibro-acoustiques, créant un décalage temporel et d'amplitude entre les enveloppes. Pour comparer les enveloppes des signaux de vibration, la technique de réalignement temporel de premier ordre est appliquée pour supprimer le décalage temporel entre les enveloppes. Pour analyser les enveloppes des signaux vibro-acoustiques mesurés, il est nécessaire d'en extraire des caractéristiques. Cette thèse se concentre sur l'extraction des principaux pics de chaque enveloppe. En fonction de la position du pic principal, plusieurs zones clés sont identifiées dans les enveloppes des signaux. En calculant la distance euclidienne pour chaque zone et chaque pic situé dans chaque enveloppe par rapport à une enveloppe de référence, il devient possible de détecter des changements dans les enveloppes. L'extraction des principaux pics et zones ainsi que le calcul de la distance euclidienne facilitent la détection, l'identification, la localisation et le suivi des changements dans les enveloppes. De plus, les principaux pics et zones présentant des changements au fil du temps sont automatiquement sélectionnés à l'aide de la régression linéaire et du R². Bien que les parties changeantes dans les enveloppes aient été automatiquement détectées, il est difficile de déterminer la date exacte du début des changements. Pour détecter cela, une détection des anomalies doit être appliquée. Dans cette thèse, un autoencodeur convolutionnel profond est utilisé pour identifier les anomalies dans les distances euclidiennes calculées en temps réel à partir des zones des enveloppes. Enfin, trois types d'alarmes, y compris les anomalies négligeables, les changements à long terme et les altérations significatives, sont introduits. En outre, plusieurs paramètres statistiques sont calculés pour chaque zone, et les plus adaptés sont sélectionnés sur la base de la régression linéaire, du R² et de la valeur-p. Il convient de noter que des enveloppes sont également analysées à l'aide d'un autoencodeur variationnel convolutionnel (CVAE), avec les objectifs de visualisation 2D des enveloppes, de génération des enveloppes et de détection des anomalies. Le CVAE compresse les enveloppes en un espace latent bidimensionnel, une représentation de dimension inférieure capturant les caractéristiques essentielles des données. Dans ce contexte, les enveloppes peuvent être affichées sur un graphique bidimensionnel, offrant une visualisation basée sur la température ou les années. De plus, il est possible de générer des enveloppes avec ou sans anomalies à partir de différents points dans l'espace latent. Enfin, les anomalies peuvent être détectées et un seuil optimal est déterminé. Finalement, les méthodologies et les résultats de cette thèse font progresser le domaine de la surveillance des CPC par l'analyse des signaux vibro-acoustiques. Ces réalisations facilitent l'extraction des caractéristiques des enveloppes des signaux de vibration, ainsi que la détection, la localisation et l'identification des changements dans les enveloppes. De plus, l'application de l'apprentissage profond permet la détection précoce des anomalies, la génération des enveloppes et la visualisation 2D des enveloppes. En outre, les changements à long terme et les variations soudaines ont été détectées.

The transformer is a critical component of the electric power system, comprising various parts. The On-Load Tap Changer (OLTC) is an essential component that regulates the voltage level. Recently, addressing the faults of this component has become a major concern to prevent transformer outages. According to the literature, around 20% of transformer faults are due to OLTC failures. Therefore, early detection of faults in this component can prevent transformer failures. This thesis aims to use the technique of vibro-acoustic signal analysis to monitor the OLTC in real time and trigger an alarm in case of changes in vibration signal envelopes. This technique involves measuring vibration signals from the OLTC using an accelerometer. Other parameters, such as temperature (which impacts vibration signals), are also measured. This monitoring system was installed on three transformers in the Hydro-Québec network, and vibro-acoustic signals have been continuously monitored since 2016. Notably, vibration signals are complex and contain a significant amount of information. Signal envelope extraction is used to obtain the envelope from the vibration signal. In this thesis, the Hilbert transform and low-pass filter (LPF) are applied to extract the signal envelope. Temperature influences vibro-acoustic signal envelopes and creates a time and amplitude displacement between envelopes. To compare vibration signal envelopes, the first-order time-realignment technique is applied to remove time displacement between envelopes. To analyze the vibro-acoustic signal envelopes measured, it is necessary to extract features from them. This thesis focuses on extracting the main peaks from each envelope. Based on the position of the main peak, several key zones are identified within the signal envelopes. By calculating the Euclidean distance for each zone and peak located in each envelope relative to a reference envelope, it becomes possible to detect changes in the envelopes. Extracting main peaks and zones and computing the Euclidean distance facilitates the detection, identification, localization, and tracking of changes in the envelopes. Furthermore, the main peaks and zones exhibiting changes over time are automatically selected using linear regression and R2. Although the changing parts in envelopes were automatically detected, it is challenging to pinpoint the exact date when changes began. To detect this, anomaly detection must be applied. In this thesis, a deep convolutional autoencoder is used to identify anomalies in computed Euclidean distances from zones within the envelopes in real time. Finally, three alarms, including ignorable anomalies, long-term changes, and significant alterations, are introduced. Furthermore, several statistical parameters are computed for each zone, and the best-fit statistical parameters are selected based on linear regression, R2, and P-value. It should be noted that the envelopes are also analyzed using a Convolutional Variational Autoencoder (CVAE), with the objectives of 2D visualization of envelopes, generating envelopes, and detecting anomalies. The CVAE compresses the envelopes into a two-dimensional latent space, which is a lower-dimensional representation capturing the essential features of the data. In this regard, envelopes can be displayed on a two-dimensional graph, providing a visualization based on temperature or years. Additionally, it is possible to generate envelopes with or without anomalies from different points in the latent space. Finally, anomalies can be detected, and an optimal threshold is determined. Finally, the methodologies and results from this thesis advance the field of OLTC monitoring through vibro-acoustic analysis. These achievements facilitate the extraction of features from vibration signal envelopes, as well as the detection, localization, and identification of changes in the envelopes. Additionally, the application of deep learning enables the early detection of anomalies, generation of envelopes, and 2D visualization of envelopes. Furthermore, long-term changes and sudden variations have been detected.