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

Résumé

Récemment, des systèmes avancés de reconnaissance et de prise de décision incorporant des éléments de logique floue et de réseaux de neurones artificiels ont été appliqués avec succès à l'identification, la commande et la protection des réseaux électriques. Le principal objectif de cette thèse consiste à explorer la capacité de systèmes neuro-flous, qui sont une combinaison des systèmes à réseaux de neurones et à logique floue, pour l'identification d'un transformateur triphasé, en vue de développer un modèle non-linéaire permettant de mieux protéger le transformateur contre les défauts internes.

Deux modèles, l'un direct et l'autre indirect, sont développés afin de prédire les courants secondaires en fonction des courants primaires et réciproquement. Un algorithme hybride d'apprentissage est utilisé pour entraîner les modèles. Celui-ci procède en deux étapes; premièrement, dans la passe en sens direct (des entrées vers les sorties) il impose des paramètres des prémisses et emploie l'estimateur aux moindres carrés pour ajuster les paramètres des conclusions. Ensuite, procédant en sens rétrograde (des sorties vers les entrées), il fixe les paramètres des conclusions et emploie un algorithme du gradient pour ajuster les paramètres des prémisses, de manière à minimiser l'erreur total des modèles.

Plusieurs fichiers de données d'apprentissage sont utilisés, afin de refléter toutes les conditions d'exploitation possibles: nominales, surcharges permanentes et transitoires, défauts externes et courants d'appel lors de la mise sous tension. Cependant, ces fichiers d'apprentissage n'incluent aucune donnée de défaut interne.

Au terme de l'apprentissage, plusieurs nouveaux fichiers de données sont utilisés pour valider les modèles neuro-flous. On peut ainsi vérifier leur généralisation sur des données qu'ils n'ont pas vues durant leur entraînement. Au total, les modèles neuro-flous démontrent une bonne aptitude à prédire le comportement d'un transformateur de puissance de façon précise sous des conditions nominales, avec des erreurs de modèle direct et indirect relativement faibles. Cependant, ces erreurs augmentent substantiellement lors d'un défaut interne, ce qui permet de déterminer rapidement l'occurrence d'un tel défaut.