Comprendre la qualité de l'énergie et ses paramètres

La qualité de l'énergie (QP) est un terme large qui décrit la façon dont la tension et le courant fournis correspondent à une forme d'onde sinusoïdale idéale à la fréquence et à l'amplitude nominales. Dans les réseaux électriques modernes, les écarts par rapport à cet idéal – comme les sags de tension, les houles, les harmoniques, les transitoires, les fléchettes et les variations de fréquence – peuvent se traduire par des défaillances coûteuses de l'équipement, des temps d'arrêt de production et des corruptions de données.

La prolifération des charges non linéaires – entraînements de fréquence variables, redresseurs, éclairage à DEL, alimentations non interruptibles et chargeurs électriques – injecte des courants harmoniques qui faussent les formes d'onde de tension. Parallèlement, les sources d'énergie renouvelables telles que les photovoltaïques solaires et les éoliennes injectent de l'énergie intermittente, créant des fluctuations rapides de tension.

Le rôle du traitement numérique des signaux dans l'analyse de la qualité de l'alimentation

Le traitement numérique des signaux (DSP) fournit le cadre mathématique permettant de convertir les échantillons de tension brute et de courant en informations actionnables.Les signaux analogiques des transformateurs potentiels et courants sont échantillonnés à des taux suffisamment élevés pour capter les événements transitoires (habituellement 256 à 512 échantillons par cycle pour les systèmes 50/60 Hz).Une fois numérisés, les algorithmes DSP extraient des caractéristiques telles que l'ampleur, la phase, le contenu de fréquence et le temps d'occurrence.

Les moniteurs PQ modernes intègrent des processeurs de signal numérique dédiés ou des tableaux de portiques programmables sur le terrain pour exécuter ces algorithmes avec une faible latence. Le choix de la technique DSP affecte directement la précision de l'analyse harmonique, la capacité de distinguer la fréquence de puissance des interharmoniques, et la sensibilité aux transitoires à courte durée de vie ne pouvant durer que microsecondes.

Principales techniques de surveillance de la qualité de l'alimentation

Fourier Transform et la transformée rapide de Fourier (FFT)

La transformée de Fourier Discret (DFT) décompose un signal échantillonné en fréquences sinusoïdales constituantes. La transformation de Fourier Rapide (FFT) est une mise en œuvre efficace qui réduit la complexité de calcul de O(N2) à O(N log N), rendant l'analyse harmonique en temps réel possible. Dans les applications PQ, FFT est l'outil standard pour calculer le spectre harmonique jusqu'au 50e ou même au 100e ordre, calculer la distorsion harmonique totale (THD), la distorsion harmonique individuelle (IHD) et les composants interharmoniques.

Cependant, la FFT suppose un signal périodique et une longueur fixe de fenêtre égale à un nombre entier de cycles (généralement 10 ou 12 cycles pour les systèmes 50/60 Hz). Les événements non stationnaires tels que les houles, les houles ou les transitoires impulsifs violent cette hypothèse, causant des fuites spectrales et une mauvaise localisation du temps. Pour atténuer cette situation, une fonction de fenêtre (p. ex. Hanning, Hamming ou Blackman) est appliquée avant la transformation, mais cela réduit la résolution de fréquence et ébranle l'énergie des événements courts dans plusieurs bacs. Malgré ces limitations, la FFT demeure la technique DSP la plus largement utilisée dans les compteurs PQ et les analyseurs d'énergie en raison de sa vitesse, de sa simplicité et de sa mise en œuvre normalisée dans la CEI 61000‐4‐7.

Un perfectionnement est la transformation de Fourier à Court Temps (STFT), qui applique la FFT à de petites fenêtres recoupantes du signal, produisant un spectrogramme qui montre comment le contenu de fréquence change au fil du temps. La STFT échange la résolution de temps et de fréquence selon la longueur de la fenêtre : une fenêtre plus courte capture l'apparition transitoire avec précision mais élargit les bacs de fréquence; une fenêtre plus longue améliore la discrimination de fréquence mais brouille le moment de l'événement.

Transformer l'ondelette

La conversion de la vitesse d'onde dépasse la résolution temps-fréquence fixe de la STFT en utilisant une fenêtre évolutive (la -mère , qui est dilatée et déplacée à travers le signal. Les basses fréquences sont analysées avec une large fenêtre (bonne résolution fréquence, mauvaise résolution temps), tandis que les hautes fréquences sont analysées avec une fenêtre étroite (bonne résolution temps, mauvaise résolution fréquence).Cette capacité multi-résolution rend les vagues particulièrement efficaces pour détecter les transitoires de courte durée, tels que le changement de condensateur, les impulsions éclairs et les impulsions de décharge partielle, qui sont souvent enfouies dans l'arrière-plan de la fréquence de puissance.

Dans le cadre de la surveillance PQ, la transformation discrete en ondelettes (DWT) est couramment mise en œuvre avec des ondulateurs comme les daubechies (p. ex. db4, db8) ou les Symlets. La DWT décompose le signal en coefficients d'approximation et de détail à plusieurs échelles. Les coefficients de détail capturent les composants haute fréquence – exactement là où apparaissent des transitoires – tandis que les coefficients d'approximation contiennent les fondamentaux et les harmoniques basse fréquence.

Une application pratique est la détection et la classification des inclinaisons de tension (sags) causées par les courts circuits. L'analyse des vagues peut identifier les temps de début et de fin d'une sag en une milliseconde, ce qui est bien supérieur au suivi RMS basé sur FFT qui nécessite généralement une fenêtre de cycle complet. De plus, les vagues peuvent estimer le contenu de fréquence du transitoire pendant le sag, aidant à l'analyse racine-cause. Cependant, la charge computationnelle est plus élevée que FFT, et le choix de la mère ondulatrice et de la profondeur de décomposition influence significativement les performances.

Filtrage adaptatif

Dans le cadre de la surveillance PQ, des filtres adaptatifs sont utilisés pour extraire le composant fondamental, annuler les harmoniques ou supprimer le bruit sans connaissance préalable de l'interférence. La structure la plus courante est l'annulateur adaptatif du bruit, où un signal de référence (par exemple, la tension d'alimentation) est corrélé avec l'interférence pour le soustraire du courant mesuré.

L'algorithme des moindres carrés moyens (LMS) et sa variante normalisée (NLMS) sont populaires en raison de leur faible coût de calcul et de leur stabilité. Pour les applications PQ, un filtre adaptatif encoche à la fréquence fondamentale peut suivre les variations de fréquence lentes (par exemple, pendant l'îlot de génération distribuée) et produire une onde sinusale propre pour une analyse plus approfondie.

Un défi est la vitesse de convergence : des perturbations qui changent rapidement peuvent nécessiter des algorithmes plus sophistiqués comme les moindres carrés récursifs (RLS), qui convergent plus rapidement mais exigent plus de mémoire et de puissance de calcul.

Autres méthodes notables du PSD

Hilbert Transformer et Signal analytique

La transformation Hilbert génère un signal analytique à partir duquel l'amplitude, la phase et la fréquence instantanées peuvent être dérivées. En PQ, elle est utilisée pour détecter et caractériser les sags, les houles et les flickers de tension. L'écart instantané de phase par rapport à la fréquence de puissance nominale peut révéler des excursions de fréquence à court terme et le déplacement angulaire causé par des défauts.

Filtre Kalman

Les filtres Kalman étendus (EKF) et les filtres Kalman non parfumés (UKF) peuvent suivre les harmoniques de temps avec une grande précision, même en présence de bruit de mesure. Parce que le filtre fonctionne échantillon par échantillon, il offre une excellente réponse dynamique, utile pour les transitoires rapides et les déviations de fréquence. Le principal inconvénient est la nécessité de modéliser la dynamique du signal, qui nécessite l'accord des matrices de covariance; un filtre Kalman mal réglé peut diverger ou produire des estimations biaisées.

Analyse comparative des méthodes de surveillance PQ du PSP

Le choix de la bonne technique de PSD dépend du type de perturbation, de la résolution du temps et de la fréquence requis, des ressources informatiques et de la conformité aux normes existantes. Le tableau ci-dessous résume les compromis clés (présenté comme texte puisque c'est un article HTML).

  • FFT / STFT: Meilleur pour les harmoniques et les interharmoniques à l'état d'équilibre (par CEI 61000‐4‐7). Faible pour la détection transitoire. Faible coût de calcul.
  • Wavelet Transform[: Excellent pour détecter les transitoires de courte durée, les pics et les oscillations. Charge moyenne à élevée de calcul. Nécessite une sélection experte de la marque mère.
  • Filtrage adaptatif: Idéal pour l'annulation du bruit en ligne et le suivi fondamental. La vitesse de convergence peut être un problème. Utilisé dans le contrôle de filtre de puissance active.
  • Hilbert Transform[: Utile pour l'extraction instantanée d'amplitude/fréquence. Meilleur pour la mesure de profondeur de scintillement et de sag. Filtrage de bande nécessaire pour les signaux multicomposants.
  • Kalman Filtration[: Haute précision pour les harmoniques et la fréquence variables dans le temps. Plus grande complexité et effort d'accordage. Convient pour les applications critiques où la précision justifie les frais généraux.

En pratique, de nombreux analyseurs commerciaux de PQ combinent plusieurs techniques : un détecteur de bord d'onde déclenche l'enregistrement des événements, tandis que FFT calcule les valeurs RMS harmoniques sur la portion à l'état stationnaire.

Applications pratiques dans l'industrie et les services publics

Conformité harmonique et conception du filtre

Les installations industrielles à gros disques à fréquence variable ou les fours à arc doivent respecter les limites IEEE 519 de tension et d'harmoniques de courant. Les analyseurs harmoniques DSP fournissent les données de spectre nécessaires à la conception de filtres harmoniques passifs ou actifs. Par exemple, une aciérie peut installer une combinaison d'un filtre passif 5ème et 7ème harmonique et d'un filtre actif accordé par un contrôleur DSP adaptatif.

Intégration des énergies renouvelables

Les convertisseurs d'onduleurs solaires et d'éoliennes doivent respecter les codes du réseau qui spécifient les émissions harmoniques maximales et les fluctuations de tension (flicker). Les techniques DSP sont utilisées pour surveiller la qualité de l'énergie au point de couplage commun et pour ajuster les modes de commutation de l'onduleur par l'intermédiaire d'algorithmes de contrôle.

Climatisation du centre de données

Les moniteurs PQ à l'entrée du service principal et aux unités de distribution de puissance au niveau du rack (PDU) utilisent le DSP pour détecter les sags qui pourraient faire du voyage sur les serveurs. La détection rapide d'ondelet peut déclencher un transfert automatique vers la sauvegarde de la batterie dans moins d'un cycle AC, empêchant ainsi la perte de données.

Entretien prédictif des biens électriques

En analysant la signature harmonique et l'activité transitoire, les algorithmes DSP peuvent identifier les défauts naissants des transformateurs, des commutateurs et des câbles. Par exemple, un troisième composant harmonique croissant peut indiquer une saturation du noyau; les éclatements récurrents à haute fréquence peuvent suggérer des décharges partielles.

Défis et orientations futures

Volume de données et traitement des bords

L'échantillonnage continu à 512 échantillons par cycle génère des téraoctets de données par an pour une seule sous-station. La transmission de tous les échantillons bruts à un serveur cloud est peu pratique. Edge DSP – traitement des données à l'intérieur du moniteur ou d'une passerelle locale – est de plus en plus adoptée.

Intégration avec le Machine Learning

Les fonctions classiques du DSP (bobins FFT, coefficients d'ondelet, phase instantanée) servent d'entrée aux classificateurs d'apprentissage automatique qui reconnaissent automatiquement les types de perturbations, comme le changement de condensateur ou le démarrage par éclair. Les réseaux neuronaux convolutionnels (CNN) appliqués aux images spectrogrammes ont atteint plus de 95 % de la précision de classification sur les ensembles de données standard PQ (p. ex., les signaux d'essai basés sur l'IEEE 1159).

Normalisation et interopérabilité

Bien que l'IEEE 1159 définisse les catégories de perturbations, il n'existe pas de norme universelle pour la manière dont les algorithmes DSP devraient être mis en œuvre pour les détecter. Différents fabricants peuvent classer le même sag différemment en fonction de leurs règles de fenêtre ou de leurs paramètres de seuil.

Boucles de contrôle en temps réel

Certaines applications, comme la compensation de série ou les restaurateurs de tension dynamique, exigent des sorties DSP pour se réalimenter dans le circuit électrique en microsecondes. Le filtrage par Wavelet et Kalman doit être mis en œuvre avec une latence déterministe.

Conclusion

Le traitement numérique des signaux constitue l'épine dorsale analytique de la surveillance moderne de la qualité de l'énergie. La FFT, la transformation des ondulations, le filtrage adaptatif et les estimateurs avancés de l'espace d'état apportent chacun des capacités distinctes qui s'attaquent à différentes facettes du problème PQ, de la mesure harmonique à l'état stable à la capture transitoire de sous-milisec. À mesure que les grilles deviennent plus distribuées et non linéaires, la demande de DSP précis et en temps réel ne fera qu'augmenter.

L'évolution future de la technologie de mesure permettra probablement une intégration plus poussée du DSP avec l'apprentissage automatique, le calcul de bord et les plateformes de mesure normalisées. La sélection de la méthode appropriée – ou la combinaison de méthodes – reste une décision d'ingénierie critique qui équilibre la précision, la vitesse, le coût de calcul et les exigences réglementaires.