RÉSUMÉ
Le Changeur de Prise en Charge (CPEC) opère des commutations pour assurer le bon fonctionnement du transformateur de puissance. Toutefois, ces commutations entrainent l’apparition d’arcs électriques dégradant l’huile diélectrique du CPEC par
la formation de gaz dissous inflammables. La fiabilité du diagnostic de l’huile est enjeu capital pour garantir l’intégrité du transformateur. Ainsi, l’objectif de ce travail est de développer un modèle de l’intelligence artificielle (IA) pour améliorer le
diagnostic des huiles isolantes. Dans cette étude, un modèle de Réseau de Neurones Artificiels (RNA) est développé en utilisant des données de gaz dissous disponibles dans des bases de données internationales. La performance du RNA a ensuite été
comparée à celle des méthodes traditionnelles d’analyse des huiles notamment le triangle de Duval et la norme IEEE std C57.139, en utilisant des huiles de CPEC prélevées sur sites après trois (3) ans de service à la Compagnie Ivoirienne
d’Electricité (CIE). Les résultats ont montré des performances comparables entre l’IA et la méthode de Duval pour d’identification des défauts dans l’huile du CPEC. Les défauts thermiques sévères (T3) sont plus fréquents dans l’huile du CPEC avec un taux d’apparition de 50% contre 30% pour les décharges de faible intensité (D1). Les défauts T3 augmentent la température de l’huile au-delà de 700 °C, causant son oxydation et la perte des propriétés diélectriques. Ce qui constitue un risque majeur d’avaries du transformateur de puissance.
Mots-clés : Intelligence artificielle, Huile minérale, Changeur de prise en charge, Transformateur de puissance, Côte d’Ivoire
ABSTRACT
The On-Load Tap Changer (OLTC) operates switching taps to ensure the proper operation of the power transformer. However, these switching operations cause the formation of electric arcs, which degrade the OLTC’s dielectric oil through the
formation of flammable dissolved gases. The reliability of oil diagnostics is critical to ensuring transformer integrity. Therefore, the objective of this work is to develop artificial intelligence (AI) model to improve insulating oil diagnostics. In this study,
an Artificial Neural Network (ANN) model was developed using dissolved gas data available in international databases. The performance of the ANN was then compared to traditional oil analysis methods, including the Duval triangle and IEEE
std C57.139, using OLTC oils sampled on-site after three (3) years of service at the Ivorian Electricity Company (CIE). The results showed comparable performances between AI and Duval method for identifying defects in OLTC oil. Severe thermal
defects (T3) are more frequent in OLTC oil with an occurrence rate of 50% compared to 30% for low intensity discharges (D1). T3 defects increase the oil temperature beyond 700 °C, causing its oxidation and loss of dielectric properties. This constitutes a major risk of damage to the power transformer.
Keywords: Artificial intelligence, Mineral oil, On-load tap changer, Power transformer, Côte d’Ivoire
