Contribution au diagnostic des défaillances affectant les transformateurs de puissance

Abstract

Les transformateurs de puissance sont des composants essentiels des systèmes électriques en raison de leur rôle et de leur prix. Sa panne signifie qu'il sera hors service pendant une longue période et par conséquent causera d'énormes pertes, mais la surveillance de son état et le diagnostic précoce de ses défauts évitent cela. Par conséquent, cette thèse présente deux méthodes originales différentes pour aider à diagnostiquer les défauts des transformateurs de puissance, la première méthode est une approche hybride qui intègre la technologie FRA et l'algorithme d'intelligence artificielle SVM pour détecter le type, l'emplacement et la gravité des défauts. Cette approche a testé son efficacité dans deux cas, théoriquement et pratiquement, dans lesquels nous l'avons initialement testée avec des données représentatives de quatre défauts (AD, CO, VCs, VCg) obtenues par simulation sur un modèle d'enroulement de transformateur. Ensuite, pour une vérification supplémentaire dans la deuxième étape, il a été testé avec des données de défaut réelles (AD, RD, CC) obtenues à partir d'un modèle d'enroulement réel spécialement préparé pour ce travail. Les résultats des deux tests ont prouvé la capacité de la méthode proposée à détecter le type de défaut et à déterminer son emplacement et sa gravité avec une grande précision, même avec des données réelles et le problème de déséquilibre. La deuxième méthode de diagnostic proposée est basée sur une nouvelle idée qui n'a pas été utilisée auparavant dans les transformateurs, et il s'agit d'un système intelligent de surveillance en ligne du mouvement des enroulements du transformateur basé sur des capteurs de distance. De plus, ce système a été testé sur un modèle d'enroulement et les résultats ont montré sa capacité à surveiller les deux défauts d'enroulement (AD, RD) avec une grande précision. Enfin, selon les résultats de ce travail, ces solutions proposées peuvent contribuer efficacement au développement de techniques de diagnostic des défauts dans les transformateurs de puissance, ainsi qu'à l'élargissement de l'application de l'apprentissage automatique dans les transformations de puissance