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

Résumé

Un grand nombre de lignes aériennes de transport d'énergie électrique sont exposées à la glace atmosphérique dans les régions nordiques éloignées. Des modèles appropriés pour estimer les quantités de glaces sur les lignes de transport s'avèrent très précieux pour aboutir à la conception d'équipement fiable capable d'opérer dans cet environnement. Pour les compagnies d "électricité, les prédictions de charge de glace peuvent aider à déterminer les impacts opérationnels sur leur équipement, de sorte que des dommages sérieux puissent être évités.

La présente recherche, effectuée dans le cadre des travaux de la Chaire industrielle CRSNG/HYDRO-QUÉBEC/UQAC sur le givrage atmosphérique des équipements des réseaux électriques (CIGELE), se concentre sur : (i) le développement des modèles pour prédire le type de glace accumulé sur les structures exposées et (ii) le développement des modèles empiriques pour prédire le taux d'augmentation de glace sur des lignes de transport.

Dans le but de réaliser une classification de type de glace en utilisant les réseaux de neurones, un ensemble de données a été créé en se basant sur des fonctions extraites à partir de la référence de la Commission Électrotechnique Internationale (CEI) qui relie le type de glace aux variables de la température et de la vitesse de vent. Le réseau Perceptron multicouches (MLP) a été utilisé et différentes caractéristiques ont été examinées afin de trouver l'architecture optimale. Ce modèle initial de deux entrées a été amélioré en ajoutant un troisième paramètre qui est la taille des gouttelettes. Les modèles développés donnent un taux de reconnaissance de 100% avec les données d'entraînement et plus de 99% avec les données de test. Les résultats obtenus sont prometteurs et prouvent que les modèles basés sur les réseaux de neurones peuvent être une bonne alternative pour la classification de type de glace à condition que les fonctions utilisées pour générer les données d'entraînement soient assez précises.

Dans la deuxième partie de cette étude, trois modèles ont été développés afin de prédire le taux d'augmentation de glace sur les lignes de transport dans des situations correspondantes. Les données utilisées pour entraîner les réseaux de neurones proviennent du site du Mont Bélair qui fait partie du système de surveillance en temps réel SYGIVRE d'Hydro-Québec. Le premier modèle neural a été entraîné avec les données des trois phases d'un événement de givrage, soit la phase d'accrétion, la phase de persistance et la phase de délestage. Le deuxième modèle a été développé pour le givrage humide et a été entraîné avec les trois phases des événements produits pendant les précipitations. Finalement, le troisième modèle développé a été entraîné avec seulement la phase d'accrétion d'un événement de givrage. Pour établir ces modèles, quatre architectures de réseaux de neurones comprenant MLP avec une couche cachée, MLP avec deux couches cachées, le réseau récurrent Elman et Jordan ainsi que deux cents différentes configurations pour chaque architecture ont été examinées et comparées. En outre, pour chaque configuration, deux styles d'entraînement soit par batch ou incrémental ont été examinés. Le nombre d'entrées prises des incréments de temps antérieurs, est un autre paramètre qui a été étudié afin de déterminer la conception optimale.

Comme conclusion générale, le réseau récurrent Jordan avec un délai de trois unités était la meilleure architecture et ceci pour les trois modèles. Les caractéristiques et l'avantage principaux de cette architecture donnant les meilleurs résultats, c'est qu'elle utilise les quantités de glace estimée dans le passé pour estimer celle en cours. Donc, le réseau en question se caractérise par une boucle récurrente. Dans le cas de la comparaison entre l'efficacité de ces trois modèles prédictifs, on a observé que le modèle développé en se servant des données les plus homogènes, c'est-à-dire seulement les données de la phase d'accrétion de glace, est le meilleur parmi ces trois modèles puisqu'il peut généraliser et estimer étroitement les charges de glace extrême. La performance des modèles développés démontre que les modèles établis avec l'architecture Jordan de réseaux de neurones peuvent apporter une contribution importante dans le développement des modèles empiriques précis pour estimer les charges de glace des lignes de transport d'énergie, à condition qu'un nombre raisonnable de données d'entraînement soit utilisé et que les données allant aux réseaux soient soigneusement choisies.