La prévision des défaillances dans les systèmes électriques est une pierre angulaire de la fiabilité du réseau moderne et de la continuité opérationnelle.À mesure que les réseaux électriques se complexifient avec la production distribuée, l'intégration renouvelable et le chargement dynamique, la capacité d'anticiper et d'atténuer les défaillances avant qu'elles ne se multiplient est devenue une priorité d'ingénierie critique.Les méthodes traditionnelles de détection des défaillances reposent depuis longtemps sur l'analyse symétrique des composants (SCA), un puissant outil mathématique développé par Charles L. Fortescue en 1918 qui simplifie l'étude des systèmes triphasés déséquilibrés.

Comprendre l'analyse des composants symétriques

L'analyse des composants symétriques est une technique de transformation qui décompose un ensemble déséquilibré de tensions ou de courants en trois ensembles équilibrés : les composants de séquence positive, de séquence négative et de séquence zéro. Cette décomposition est inestimable parce que la plupart des types de défauts sur un système en trois phases créent des conditions déséquilibrées qui sont intrinsèquement difficiles à analyser directement.

Fondations théoriques de SCA

La méthode repose sur le théorème de Fortescue, qui stipule que tout ensemble de trois phaseurs déséquilibrés peut être exprimé comme la somme de trois ensembles symétriques de phaseurs:

  • Les composants de séquence de position[ ont une magnitude égale, sont espacés de 120° et tournent dans la même direction que le système original (dans le sens de la contre-horaire pour la rotation ABC).
  • Les composants de séquence negative ont également une magnitude égale et un espacement de 120°, mais ils tournent dans la direction opposée (dans le sens des aiguilles d'une montre).
  • Les composants de séquence de zero ont une magnitude égale et sont en phase (0° de séparation), tournant ensemble. Ils apparaissent lorsque les courants ou les tensions ont un chemin de retour commun, comme dans les défauts de sol.

La transformation est effectuée à l'aide de la matrice Fortescue (souvent désignée A), ce qui permet aux ingénieurs d'extraire des quantités de séquences de quantités mesurées de phases. Par exemple, une faille de ligne à terre sur la phase A génère un courant de séquence zéro significatif, tandis qu'une faille de ligne à ligne ne produit que des composants de séquence négative et positive.

Application dans la détection des défauts

Les relais de protection et les détecteurs de failles utilisent régulièrement des composants symétriques pour déterminer la nature exacte d'une perturbation. En comparant les grandeurs et les angles de phase des courants et des tensions de séquence, les ingénieurs de protection peuvent classer les types de failles avec une grande confiance. Par exemple, un courant de séquence zéro élevé par rapport à une séquence positive et négative suggère une faille au sol; une séquence négative élevée avec des points de séquence zéro faible à une faille ligne-à-ligne. Les réseaux de séquence permettent également le calcul des courants de faille pour divers scénarios, essentiels pour la fixation des valeurs de prise en charge du relais.

L'apprentissage automatique dans la prévision des fautes

Contrairement aux méthodes fondées sur des règles qui exigent des définitions explicites de seuils, les modèles ML peuvent découvrir des relations complexes non linéaires entre de nombreux paramètres — tension et formes d'onde actuelles, contenu harmonique, température, profils de charge, facteurs environnementaux — qui précèdent les événements de failles. Cette capacité est particulièrement utile pour les défauts naissants qui évoluent lentement, comme les décharges partielles dans les transformateurs ou le suivi sur les isolants, qui ne peuvent pas être capturés par des seuils conventionnels.

Algorithmes d'apprentissage des machines clés pour les pannes du système d'alimentation

On a appliqué divers algorithmes ML à la prédiction des défaillances dans les systèmes d'alimentation, chacun avec des forces et des limitations :

  • Arbres de décision et forêts aléatoires:[ Ces méthodes d'ensemble sont interprétables et robustes à sur-adapter. Elles peuvent gérer des caractéristiques tant catégoriques que numériques et ont été utilisées pour classer les types de défauts en fonction des caractéristiques des composants de séquence.
  • Support Vector Machines (SVM): Les SVM sont efficaces pour les espaces de caractéristiques haute dimension et les petites tailles d'échantillons. Ils ont été utilisés pour distinguer les conditions normales et les conditions pré-faute en utilisant des rapports de composants séquentiels.
  • Réseaux neuraux artificiels (RNA) et apprentissage profond: Les architectures profondes, y compris les réseaux neuronaux convolutionnels (RNC) et les réseaux de mémoire à court terme (LSTM), excellent à saisir les dépendances temporelles dans les données de séries temporelles.
  • Méthodes de boostage gradué (XGBoost, LightGBM):[ Ces modèles atteignent souvent des performances de pointe sur les données tabulaires et ont été appliqués pour prédire les probabilités d'occurrence de défaillances en utilisant 15 à 30 caractéristiques conçues à partir de composants symétriques.

Le pipeline de formation et de validation

Un pipeline typique de prévision de failles basé sur le LM comporte plusieurs étapes :

  1. Collection de données: Les enregistrements historiques des systèmes de contrôle de surveillance et d'acquisition de données (SCADA), des unités de mesure de phasor (PMU), des relais de protection et des enregistreurs numériques de défaillance fournissent des exemples marqués de fonctionnement normal, de conditions prédéfaillances et de défauts réels.
  2. Ingénierie des caractéristiques:[ Des combinaisons algébriques de composants symétriques, comme les rapports de composantes de séquence, les différences d'angle de phase et les sommes cumulatives, sont extraites.
  3. Formation et validation du modèle: Les données sont divisées en ensembles de formation, de validation et de test. L'accordage des paramètres hypermétriques est effectué en utilisant la validation croisée, et les mesures de performance telles que la précision, le rappel, le score F1 et le CRO-AUC sont surveillés.
  4. Déployement et surveillance:[ Le modèle formé est intégré dans un système de surveillance en temps réel où il ingère les données en streaming et produit des scores de probabilité de défaillance.

Pour un examen approfondi des applications de LM dans la protection du système d'alimentation électrique, le lecteur peut se reporter à l'enquête approfondie réalisée par R. L. R. Silva et al. (2020) dans IEEE Access.

Intégration de l'analyse des composants symétriques avec l'apprentissage automatique

L'intégration des SCA et des ML permet de tirer parti de la rigueur mathématique de la décomposition des séquences pour créer des caractéristiques très informatives pour les modèles ML. Plutôt que d'alimenter directement des échantillons de tension et de courant en trois phases brutes dans un réseau neuronal, ce qui nécessiterait des ensembles de données massives et pourrait masquer les signatures de défaillance physique, la première étape de SCA transforme les données en un ensemble compact de quantités de séquences qui sont directement pertinentes pour le comportement des failles.

Extraction de caractéristiques utilisant des composants symétriques

Le processus d'extraction des caractéristiques comprend généralement les étapes suivantes:

  1. Échantillonnage des données en tension triphasée (Va, Vb, Vc) et en courant (Ia, Ib, Ic) à une vitesse appropriée (par exemple 64 échantillons par cycle pour les systèmes 50/60 Hz).
  2. Appliquer la transformation de Fortescue pour calculer les phaseurs de séquence positive (V1, I1), de séquence négative (V2, I2) et de séquence zéro (V0, I0) pour chaque fenêtre temporelle.
  3. Dériver un ensemble de caractéristiques techniques : rapports tels que I2/I1, V0/V1, I0/I1 ; différences d'angle de phase entre les composantes de la séquence ; et grandeurs de quantités de séquences négatives et zéro. Ces caractéristiques sont physiquement interprétables et fortement corrélées avec le début de la faille.
  4. En option, calculer les caractéristiques statistiques (moyenne, écart type, biais) sur les fenêtres coulissantes de quantités de séquence pour saisir les tendances préfaillables.

Architecture modèle pour l'intégration

Une architecture d'intégration commune comprend un pipeline en deux étapes : un module d'extraction de caractéristiques (basé sur l'ASC) alimentant un classificateur ML ou un modèle de régression.

  • Un classificateur binaire pour prédire si une défaillance se produira dans un horizon temporel donné (p. ex., 10 minutes, 1 heure).
  • Un classificateur multi-classeur pour prédire à la fois l'événement et le type de défaillance imminente (p. ex., LG, LL, LLG, trois phases).
  • Un modèle de régression pour estimer le temps restant jusqu'à l'apparition de la défaillance, permettant des actions prioritaires de l'opérateur.

Des recherches récentes menées par G. J. B. de Oliveira et al. (2022) dans Electric Power Systems Research ont démontré qu'un réseau LSTM formé à des caractéristiques de courant à séquence négative et à séquence zéro a permis d'améliorer de 15 % le délai de prévision des défaillances par rapport à l'utilisation des seuls courants de phase brute.

Étude de cas : Prévoir les défaillances de la ligne à la ligne de transmission dans les réseaux de distribution

En formant un ensemble de classificateurs forestiers aléatoires sur des caractéristiques dérivées de la SCA – en particulier le rapport I0/I1 et la différence d'angle entre V0 et V1 – le modèle a pu prédire des défauts naissants avec un temps d'avance moyen de 120 secondes et un taux faussement positif inférieur à 2% (voir S. M. A. K. Azad et al., IEEE Transactions on Power Delivery, 2022). Cet avertissement précoce donne aux opérateurs le temps de reconfigurer le réseau ou de prendre des mesures préventives.

Avantages de l'intégration

Combiner l'analyse symétrique des composants et l'apprentissage automatique offre des avantages quantifiables par rapport à l'une ou l'autre des approches utilisées seule:

  • Renforcer la précision et réduire les fausses alarmes :[ L'interprétation physique des caractéristiques de séquence agit comme un fort précédent, filtre le bruit et les motifs non pertinents.Cela réduit la probabilité que les modèles ML mémorisent des corrélations fallacieuses.
  • Détection plus précoce des défauts naissants: En surveillant les tendances des quantités de séquences négatives et zéro au fil du temps, les modèles ML peuvent détecter les anomalies quelques jours avant qu'une faille ne se développe complètement.
  • Capacité de surveillance en temps réel:[ L'extraction des fonctionnalités SCA est efficace sur le plan informatique – nécessitant souvent moins de 1 000 opérations en point flottant par échantillon – permettant l'intégration dans les microcontrôleurs et les dispositifs de bord.
  • Coûts opérationnels réduits:[ Prévenir les défaillances par la prévision précoce minimise les réparations d'urgence coûteuses, réduit les pénalités de panne du système et prolonge la durée de vie des actifs.
  • Adaptabilité aux conditions changeantes du système:[ Les modèles ML peuvent être réajustés à mesure que de nouvelles données deviennent disponibles, leur permettant de s'adapter aux topologies de grille ou aux modèles de charge sans réingénierie manuelle des paramètres de protection.

Défis et limites actuelles

Malgré sa promesse, l'intégration du SCA et du ML est confrontée à plusieurs défis pratiques qui doivent être relevés pour une adoption industrielle généralisée:

  • Qualité des données et étiquetage:[ Les modèles ML nécessitent des données marquées de haute qualité qui comprennent un nombre suffisant d'événements de défaillance. Cependant, les défauts sont rares dans les systèmes bien entretenus, ce qui entraîne un déséquilibre de classe grave.
  • Les caractéristiques de SCA sont physiquement interprétables, mais les modèles ML eux-mêmes restent souvent des boîtes noires. Dans les infrastructures essentielles, les opérateurs et les régulateurs exigent des prédictions explicables.
  • Les contraintes informatiques au bord :[ Déployer des modèles d'apprentissage profond complexes sur des appareils à ressources limitées comme les dispositifs électroniques intelligents (IED) demeure difficile.
  • Généralisation sur différents réseaux:[ Un modèle formé sur une sous-station donnée peut se comporter mal sur une autre en raison de variations des méthodes de mise à la terre, des caractéristiques de charge et des impédances de défaillance.
  • Vulnérabilités de sécurité : Les systèmes de prédiction basés sur la ML introduisent de nouvelles surfaces d'attaque. Des exemples d'adversaires pourraient potentiellement causer de fausses prédictions, entraînant des opérations inutiles ou ne permettant pas de détecter des défauts réels.

Orientations futures

Plusieurs tendances émergentes façonneront la prochaine génération de systèmes intégrés de prévision des défaillances SCA‐ML :

  • Jumelles numériques et ML à l'information physique :[ En combinant SCA en temps réel avec un jumeau numérique du réseau de puissance, les modèles peuvent intégrer des contraintes physiques et des données de simulation.
  • La collaboration Edge‐cloud: Les extracteurs légers de la fonction SCA sur les périphériques de bord effectueront une détection initiale d'anomalie, tandis que les modèles d'apprentissage profond basés sur le nuage traitent la reconnaissance complexe de motifs multifaçons.
  • I.-A. explicable (XAI) pour les systèmes d'alimentation : La recherche est axée sur le développement de modèles qui non seulement prédisent les défauts, mais aussi produisent les caractéristiques de séquence les plus influentes (p. ex., -fault prédite en raison de la hausse du rapport I0/IP et de l'angle V0 décroissant).
  • Transférer l'apprentissage entre les utilitaires :[ Les modèles de préformation sur de grands ensembles de données publics (p. ex., à partir de dépôts EPRI ou IEEE Open Access) et les ajuster sur les données d'utilité locales pourraient réduire considérablement le fardeau de la collecte des données et accélérer le déploiement.
  • Intégration avec des systèmes de surveillance à grande surface (WAMS):[ Les méthodes SCA‐ML sont étendues pour prédire les défauts en cascade et l'instabilité de tension en analysant les données PMU de plusieurs bus, en utilisant des schémas de propagation de tension à séquence nulle et négative.

En conclusion, la fusion de l'analyse symétrique des composants avec l'apprentissage machine représente un changement de paradigme dans la prédiction de la panne du système de puissance, passant d'une protection réactive à une prévention proactive. En exploitant l'élégance mathématique de la décomposition de Fortescue aux côtés des capacités d'apprentissage adaptative du ML moderne, les ingénieurs peuvent réaliser une prévision sans précédent sur la santé des réseaux électriques.