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

Résumé

La fiabilité des transformateurs de puissance dépend de manière critique de l’état de leur système d’isolation, en particulier dans les configurations immergées dans l’huile. L’analyse des gaz dissous (Dissolved Gas Analysis – DGA) demeure une technique de diagnostic non intrusive largement acceptée pour détecter les défauts naissants. Toutefois, les méthodes traditionnelles basées sur les rapports de gaz manquent souvent de précision et présentent un potentiel limité pour l’automatisation. Cette thèse propose un cadre intégré de diagnostic multiclasse des défauts, combinant les schémas conventionnels de rapports de gaz avec des algorithmes d’apprentissage automatique supervisé (Machine Learning – ML) afin d’améliorer la précision et l’interprétabilité du diagnostic. Six classificateurs – Random Forest, XGBoost, LightGBM, Support Vector Machine (SVM), K-Nearest Neighbors (KNN) et Naïve Bayes – sont implémentés, optimisés par recherche par grille (grid search), puis évalués selon quatre méthodes DGA établies: Doernenburg, Rogers, IEC et CIGRÉ. Les modèles d’ensemble, en particulier Random Forest et LightGBM, surpassent systématiquement les autres classificateurs, atteignant des performances quasi parfaites et des scores de corrélation élevés. L’étude intègre également des paramètres physico-chimiques et diélectriques tels que la tension interfaciale et le rapport CO₂/CO afin d’améliorer l’identification des signatures de dégradation thermique. En s’appuyant sur des données opérationnelles historiques couvrant plus de 80 ans, cette recherche fournit non seulement des modèles de diagnostic performants, mais offre également une compréhension approfondie du comportement de vieillissement de l’isolation. Le cadre proposé fait progresser le domaine du diagnostic des transformateurs en proposant une approche plus précise, robuste et interprétable pour la surveillance de l’état des actifs et la maintenance prédictive.

The reliability of power transformers is critically dependent on the health of their insulation systems, particularly in oil-immersed configurations. Dissolved Gas Analysis (DGA) remains a widely accepted non-intrusive diagnostic technique for detecting incipient faults, but traditional gas ratio methods often lack precision and automation capabilities. This thesis proposes an integrated multiclass fault diagnosis framework that combines conventional gas ratio schemes with supervised machine learning (ML) algorithms to enhance diagnostic accuracy and interpretability. Six classifiers, which are Random Forest, XGBoost, LightGBM, Support Vector Machine (SVM), K-Nearest Neighbours (KNN), and Naïve Bayes, are implemented and optimized using grid search and evaluated across four established DGA methods, which are Doernenburg, Rogers, IEC, and CIGRÉ. Ensemble models, particularly Random Forest and LightGBM, consistently outperform other classifiers, achieving near-perfect accuracy and strong correlation scores. The study also incorporates physicochemical and dielectric parameters such as interfacial tension and CO₂/CO ratio to enhance the identification of thermal degradation signatures. Using historical operational data spanning more than 80 years, this research not only delivers high-performing diagnostic models but also provides deeper insights into insulation ageing behaviour. The proposed framework advances the field of transformer diagnostics by offering a more accurate, robust, and interpretable approach to asset condition monitoring and predictive maintenance.