Diagnostic des transformateurs de puissance par la méthode d'analyse des gas dissous : application des reseaux de neurones

Abstract

Le Transformateur de puissance est l’élément le plus critique dans le Système de transport d’électricité. Sa fiabilité n'affecte pas uniquement la disponibilité en énergie électrique, mais aussi conduit à des pénalités technico-économiques, très lourdes en conséquences (techniques, financières, commerciales, environnementales) ; d’où la nécessité de détecter et d’identifier dès les premiers stades les défauts latents pour une éventuelle action préventive. L'analyse des gaz dissous (AGD, en anglais Dissolved Gases Analysis) est l'une des techniques les plus efficaces pour surveiller l'état des transformateurs. Elle permet à travers la nature et la concentration des gaz d’identifier l’existence du défaut latent ou le mode de défaillance touchant le ransformateur par un simple prélèvement. Les quantités d’informations, leur complexité, l’existence simultanée de plusieurs défauts, l’absence d’équations qui les régissent, imposent le recours à des systèmes plus performants de diagnostic tels que les techniques d’intelligences artificielles (réseaux de neurones RNA, systèmes experts, systèmes flous, techniques baysiennes, ….). Dans ce travail, fruit d’une étroite collaboration avec Sonelgaz-GRTE de SETIF, nous présentons une étude menée dans le but de la surveillance des transformateurs en service par la détection et l’identification des défauts en se basant sur les techniques d’AGD utilisées dans les normes (IEEE; ICE;…) et une technique moderne (RNA) qui nous avons développé via des programmes utilisant le MATLAB. La comparaison des résultats obtenus est faite par rapport à un logiciel DELTA X utilisé dans les laboratoires de SONELGAZ-GRTE ou les données de part et d’autres sont examinées pour voir les convergences établies . Cette banque de données des diagnostics faite sur le parc des transformateurs de la région de SETIF, nous a permis de voir la sensibilité de notre programme et le niveau de sa reproductibilité.