Quand la vie ne tient qu`à un fil

Quand la vie ne tient
qu’à un fil
Détecter les défauts à forte impédance
provoqués par les fils électriques tombés à terre
James Stoupis, Mohamed Maharsi, Reynaldo Nuqui, Steven A. Kunsman, Ratan Das
Avec plus d’un million et demi de km de lignes électriques aériennes qui quadrillent le pays, les Etats-Unis
sont particulièrement sensibles aux risques que représentent les conducteurs tombés à terre. Traversant
différentes zones climatiques et topographiques, ces lignes sont soumises à un large éventail de
situations normales et anormales. Un incident grave peut provoquer la chute brutale des conducteurs sur
le sol et présenter ainsi un danger pour l’homme et l’environnement s’ils restent alimentés.
Les ingénieurs des compagnies d’électricité doivent pouvoir rapidement détecter et réparer une ligne qui
traîne au sol. Toutefois, pour ce faire, ils doivent d’abord identifier et analyser avec précision les défauts
provoqués au moment du contact des conducteurs avec le sol. Malheureusement, un problème se pose si
un défaut à forte impédance (FI) survient. En effet, en cas de chute de la ligne sur un sol en terre ou en
asphalte, ou encore sur un feuillage, le courant de défaut est tellement faible que les protections
traditionnelles sont incapables de le détecter.
Un relais récemment développé par ABB résout ce problème au moyen d’algorithmes de détection.
Chaque algorithme peut déclencher le relais de manière indépendante, mais il est également possible de
faire en sorte que le déclenchement dépende de plusieurs types de signaux de défaut.
28
Revue ABB
1/2004
a chute ou la rupture de conducteurs
peut constituer un danger pour la
sécurité des personnes. Tout contact
avec les lignes qui restent sous tension
est susceptible de provoquer des blessures graves, voire mortelles. Les arcs électriques peuvent également être à l’origine
d’incendies. De surcroît, si le conducteur
défectueux est détecté par un relais et
que celui-ci déclenche un disjoncteur
dans un poste électrique, l’alimentation
de services publics vitaux peut être coupée compromettant le fonctionnement
d’hôpitaux, d’aéroports et de systèmes
de gestion du trafic. Ce sont les effets
potentiellement dévastateurs des lignes
tombées à terre qui expliquent les efforts
mis en œuvre par les compagnies d’électricité au cours des ans pour trouver une
méthode fiable de détection.
Des compromis pas toujours
satisfaisants
Un défaut à forte impédance survient
lorsqu’un conducteur alimenté entre
accidentellement en contact avec une
surface quelconque : route, trottoir, branche d’arbre, etc. Toutes ces surfaces ont
en commun de réduire la circulation de
courant vers l’endroit du défaut à un
niveau qui ne peut être détecté en toute
fiabilité par les protections classiques
contre les surintensités. Les courants de
défaut à forte impédance (FI) types sur
un réseau de distribution vont de 0 A
dans le cas d’un contact avec l’asphalte
et le sable sec à 50 A avec l’herbe humide ou 75 A avec le béton armé.
La nature des défauts FI a été étudiée
en détail depuis le début des années 70
dans l’espoir de trouver une méthode
efficace pour détecter ces perturbations.
Les chercheurs et ingénieurs chargés de
la protection des réseaux ont examiné
et testé plusieurs solutions, un certain
nombre de techniques différentes ayant
été développées au fil des ans. Le problème, cependant, est que les défauts FI
ont tendance à présenter non seulement
de faibles courants de défaut, mais également un comportement aléatoire avec
des fluctuations instables et importantes
du niveau du courant. Les signaux de
défaut sont également riches en harmoniques et comportent des composantes
haute fréquence 1 . La plupart des tra-
vaux de recherche sur les défauts FI
se sont focalisés sur le développement
de détecteurs de défaut sensibles mais
fiables. Les méthodes développées exploitent, entre autres, les composantes
séquentielles, les réseaux neuronaux,
des stratégies de communication et/ou
l’analyse d’harmoniques.
Problème supplémentaire, tous les défauts FI ne peuvent être détectés, quelle
que soit la méthode utilisée. Par exemple, si un conducteur près de l’extrémité
d’une ligne tombe au sol, très peu de
courant de défaut circule et la charge
perdue est très faible, compliquant la
détection de l’événement. Bref, il est
pratiquement impossible de détecter
tous les défauts FI et d’atteindre un haut
degré de sécurité contre les déclenchements intempestifs (ces derniers surviennent lorsque le relais pense qu’un
défaut FI existe, alors qu’il est provoqué
en réalité par une perturbation de type
différent quelque part dans le système).
De même, alors que les stratégies de
communication sont extrêmement utiles
pour détecter la perte de potentiel dans
une ligne de distribution, elles tendent à
être uniquement intéressantes en termes
de coût. Au vu de tous ces problèmes, il
semblait quasiment impossible par le
2
Forme d’onde type du courant
de défaut à forte impédance
1
6
4
2
I [A]
L
0
-2
-4
-6
0.415
0.425
0.435
0.445 0.455
t [s]
passé de concevoir un système parfait
de détection des défauts FI.
L’ingénieur en charge de la protection
des réseaux doit peser le pour et le
contre lorsqu’il s’agit de réaliser le
meilleur compromis pour la détection
des défauts FI. Il peut ne pas être judicieux, par exemple, de déclencher immédiatement le circuit car l’impact de
l’arrêt des feux de circulation, ascenseurs, systèmes de chauffage, équipements d’urgence, etc., doit être pris en
compte. Au lieu de cela, l’ingénieur
peut décider de signaler une alarme.
Dans ce cas, la population est avertie
Algorithme de réseau neuronal
Input layer
Hidden layer
Sliding window
.
NN
Input
processing
.
.
Output
.
.
.
Revue ABB
1/2004
29
3
Algorithme d’ondelettes mis en œuvre par ABB dans un relais de distribution pour détecter les défauts à forte impédance
Wavelet decomposition
Input signal
Approximations and details
600
400
400
200
200
0
0
-200
-200
-400
-600
-400
0
0.02
0.04
0.06
0.08
0
0.02
0.04
0.06
0.08
0
0.02
0.04
0.06
0.08
6
4
2
0
Approximation-1
Detail-1
-2
-4
-6
Approximation-2
Detail-2
HIF
Output
detection algorithm
20
10
0
-10
Approximation-3
-20
Detail-3
0
0.02
0.04
0.06
0.08
0
0.02
0.04
0.06
0.08
60
40
20
.
.
.
0
-20
-40
-60
du danger et le personnel d’astreinte est
envoyé pour localiser la ligne tombée à
terre. Si, par ailleurs, la méthode de
détection permet de faire la distinction
entre les défauts FI sur une ligne principale et ceux sur une ligne secondaire, la
compagnie d’électricité peut décider un
déclenchement lorsque la ligne principale est affectée, mais uniquement une
alarme si le défaut se situe sur une ligne
secondaire. Le choix – déclenchement
ou alarme – dépendra des conséquences dans chaque cas.
Algorithmes de détection
Les fabricants de relais ont développé,
30
Revue ABB
1/2004
par le passé, plusieurs détecteurs de
défauts FI, mais avec un succès mitigé.
Les produits basés sur des stratégies de
communication se sont avérés trop
coûteux alors que ceux basés sur des
algorithmes de détection avec relais
n’ont pas tenu leurs promesses. Plus
récemment, des travaux réalisés sur la
détection des défauts FI par l’université
américaine Lafayette College1) ont dé-
1)
Les travaux de développement des algorithmes
de détection des défauts FI au Lafayette College
furent menés sous la direction du Prof. Ismail
Jouny.
bouché sur de nouveaux algorithmes
dans le domaine de l’intelligence artificielle : réseaux neuronaux, ondelettes et
statistiques d’ordre supérieur. Ceux-ci
furent également testés ultérieurement
sous MATLAB.
Algorithme de réseau neuronal
L’algorithme de réseau neuronal développé pour la détection de défauts FI est
un réseau à deux couches 2 , entraîné
par rétropropagation avec une vitesse
d’apprentissage adaptative. Les données
d’apprentissage du réseau étaient issues
de tests réalisés au Lafayette College.
Après emploi d’un filtre passe-bas, une
fenêtre à trois cycles de données fut
ramenée à l’unité avant d’être utilisée
comme entrée. Les sorties ciblées pour
l’apprentissage furent mise à « 1 » en présence de défauts FI et à « 0 » en l’absence
de défauts FI.
Algorithme d’ondelettes
L’algorithme d’ondelettes est basé sur
une analyse multirésolution des charges
de courant enregistrées par une transformée en ondelettes discrète 3 . Cet
algorithme fournit une description des
charges de courant lorsqu’elles évoluent
dans le temps sur différentes échelles,
avec les grandes échelles associées aux
composantes basse fréquence et les
petites échelles aux composantes haute
fréquence. La transformée en ondelettes
décompose le signal courant en petites
ondelettes repérées temps/fréquence
qui sont toutes des répliques à l’échelle
et dilatées de la même ondelette mère.
Algorithme de statistiques d’ordre
supérieur
L’algorithme de statistiques d’ordre supérieur est basé sur les spectres d’ordre
supérieur, à savoir le bispectre et le
trispectre, qui sont par définition des
transformées de Fourier bidimensionnelle et tridimensionnelle, avec cumulants des ordres trois et quatre. Cet algorithme est influencé par la non-stationnarité des courants de défaut FI, leurs
dissymétries (plus spécifiquement aux
hautes fréquences) ainsi que leur nonnormalité ou absence de ressemblance
au bruit blanc. Le détecteur a été développé pour qu’une décision de détection soit prise en utilisant uniquement
les statistiques d’ordre deux des valeurs
de courant ou en utilisant les statistiques des ordres trois et quatre des
valeurs de courant à une étape supplémentaire. Ici, la question est la suivante :
disposant d’un ensemble de données et
d’un taux fixe de fausses alarmes (ou
probabilité d’une erreur de détection),
quelle est la décision de détection réalisable en supposant l’accès aux statis-
tiques d’ordres deux,
trois et quatre ?
Près de 100 %
des défauts
à forte impédance
détectés
ABB collabora avec
l’équipe du Lafayette
College lors des essais et de la mise en
œuvre des algorithmes de détection
développés. Mais
avant de pouvoir
implémenter un des
algorithmes dans un
relais de protection
de réseau de distribution, il fallait déterminer le taux optimal d’échantillonnage
et la taille optimale de la fenêtre pour
l’analyse des données. On détermina
qu’une fenêtre de quelques secondes
permettait une bonne détection des défauts FI et que celle-ci était efficace avec
un taux d’échantillonnage de 32 échantillons par cycle. La décision fut donc
prise de mettre en œuvre les algorithmes
d’ondelettes et de statistiques dans le
nouveau relais de protection de réseau
de distribution ABB qui présentait justement le taux d’échantillonnage requis.
Il était également impératif de disposer
de nouvelles données collectées sur le
terrain pour tester les algorithmes. ABB
obtint de l’Association canadienne de
l’électricité (ACE) des données sur les
signaux des défauts FI et les courants
de charge, de même que des résultats
d’essais avec des conducteurs tombés
sur différents types de surface. Ces données ont permis à ABB d’optimiser les
algorithmes de détection de ces perturbations.
de détection des défauts FI avec le relais en utilisant ces données approche
les 100 %, avec un taux de fausses
alarmes d’environ 8 %.
Vote de confiance
La conception du nouveau relais de
distribution permet la mise en œuvre
ultérieure du réseau neuronal comme
troisième algorithme, fonctionnant soit
comme un mécanisme de détection indépendant, soit comme une configuration de « vote ». Cette spécificité est un
différentiateur marketing important, tout
particulièrement aux Etats-Unis où une
telle protection offre un fort potentiel et
où les avantages que peuvent en tirer
les compagnies d’électricité sont les plus
significatifs.
Les résultats des essais réalisés avec les
nouvelles données montrent que les
algorithmes fonctionnent efficacement
avec un bon niveau de fiabilité. Le taux
James Stoupis
Mohamed Maharsi
Reynaldo Nuqui
ABB Inc.
Raleigh, NC (USA)
Steven A. Kunsman
Ratan Das
ABB Inc.
Allenton, PA (USA)
[email protected]
Bibliographie
[1] Downed power lines: Why they can’t always be detected. IEEE Power Engineering Society, New York, Feb 1989.
[2] B. M. Aucoin, R. H. Jones : High impedance fault detection implementation issues. IEEE Trans on Power Delivery, vol 11, no 1, Jan 1996, 139–148.
[3] I. Jouny, S. Kaprielian : High impedance fault detection. Lafayette College, Electrical Engineering Department.
Revue ABB
1/2004
31