RÉSUMÉ
Cette étude a pour objectif de développer un modèle d’Intelligence Artificielle (IA) basé sur les Réseaux de Neurones Artificiels (RNA) afin d’améliorer la détection des défauts du transformateur de puissance, à partir des analyses des gaz dissous dans son huile isolante. Le transformateur de puissance est un composant fondamental des systèmes de transport d’énergie, assurant la stabilité des tensions nécessaires au bon fonctionnement du réseau électrique. En service, il est soumis à diverses conditions d’exploitation qui dégradent le système d’isolation et affectent sa performance. L’analyse des gaz dissous dans l’huile isolante par la norme CEI (Commission Électrotechnique Internationale), la méthode de Rogers et le triangle de Duval est couramment utilisée pour le diagnostic précoce de la dégradation de l’huile du transformateur de puissance. Toutefois, ces méthodes traditionnelles basées sur des rapports de concentrations des gaz clés, montrent des limites.
Les réseaux de neurones multicouche feed forward sont flexibles et peuvent être entraînés pour modéliser des relations non linéaires entre les variables d’entrée (concentrations de gaz dissous) et les résultats (état des huiles). Nous avons alors
développé, en utilisant une base de données internationale, un RNA composé de trois couches cachées, contenant respectivement 10, 20 et 10 neurones. Le modèle a atteint un score de performance F1 de 97% dans la détection des défauts des huiles. L’efficacité du modèle a été démontrée par la comparaison aux méthodes traditionnelles d’analyse des huiles. En effet, le RNA avec un taux de diagnostic de 97,92% s’est avéré plus performant dans le diagnostic des défauts des huiles du
transformateur de puissance.
Mots-clés : Intelligence artificielle, réseau de neurones artificiels, huile isolante, gaz dissous, transformateur de puissance
ABSTRACT
The objective of this study is to develop an Artificial Intelligence (AI) model based on Artificial Neural Networks (ANN) in order to improve the detection of oil degradation in power transformers, by dissolved gases analysis. The power
transformer is a fundamental component of energy transmission systems, ensuring the stability of voltages necessary for the proper functioning of the electrical network. In service, it is subject to various operating conditions which degrade the
insulation system and affect its performance. IEC (International Electrotechnical Commission) standard, Rogers method and Duval triangle are commonly used methods for early diagnosis of power transformer oil degradation by dissolved gases
analysis. However, these traditional methods based on concentration ratios of key gases, show limitations in detecting defects.
Multilayer feed forward neural networks are flexible and can be trained to model nonlinear links between input variables (dissolved gases concentrations) and outcomes (oil conditions). We then developed an ANN, using an international
database, composed of three hidden layers, containing 10, 20 and 10 neurons respectively. The model achieved a performance rate F1 of 97% in detecting oil defects. The model efficiency was demonstrated through comparison with traditional
oil analysis methods. ANN with a diagnostic rate of 97.92% proved to be more efficient in the diagnosis of power transformer oil defects.
Keywords : Artificial Intelligence, artificial neural network, insulating oil, dissolved gas, power transformer
