doc num

REPUBLIQUE ALGERIENNE DEMOCRATIQUE ET POPULAIRE
Ministère de l’Enseignement Supérieur et de la
Recherche Scientifique
Université des Sciences et de la Technologie d’Oran
Université Amar Thelidji de Laghouat
Faculté de Génie Electrique
Faculté
des
sciences et sciences de l’ingénieur
Département d’Electrotechnique
Départeme
nt de Génie Electrique
Ecole
Doctorale
en
Génie Electrique
MEMOIR
E
En vue de l’obtention du diplôme de
Magister en Electrotechnique
Option
:
Haute t
ension et Environnement
Présenté par
:
Riad Lakhdar KHERFANE
Thème
:
Soutenue publiquement le
:
04
-
10
-
2011
devant la commission d’examen composée de
:
Président
:
-
Mr FLAZI
Samir
Prof
USTO
MB
-
ORAN
Rapporteur
:
-
Mr
ZEGNINI
Boubakeur
M .C/A
Université
de
Laghouat
Examinateurs
:
-
Mr HADI Hocine Prof USTOMB
-
ORAN
-
Mr MAHI Djillali Prof USTO
MB
-
ORAN
-
Mr BOUTHIBA Tahar Prof USTOMB
-
ORAN
Exploration de différentes techniques de l'intelligence
artificielle pour la prédiction du
contournement électrique
des isolateurs haute tension dan
s leur environnement réel

Abstract:
High voltage insulators form an essential part of the high voltage electric power transmission systems.Any failure in the
satisfactory performance of high voltage insulators will result in considerable loss of
capital, as there are numerous indu
stries that
depend upon the availability of an uninterrupted power
supply. The importance of the research on insulator pollution has been
increased considerably with
the rise of the voltage of transmission lines. In order to determine the flashover behavio
r of polluted high
voltage insulators and to identify to physical mechanisms that govern this phenomenon, the researchers
have been brought to
establish a modeling.
A
rtificial intelligent techniques
have been used by various
researches for modeling and pre
dictions in the field
of energy engineering systems.
The phenomenon of flashover in polluted insulators has not yet been described
accurately through a mathematical model. The
main difficulty lies in the definition of the constants
of the arc, which is for
med in the dry bands when the voltage exceeds its critical
value.
First
t
his work
present a
n
optimisation method based on genetic algorithms for the determination of the
arc constants, using
experimental results from artificially polluted insulators.
T
he
well known
model of Obenhaus for pollution flashover is used. This
model results in a system of equations
which cannot be solved with conventional arithmetic methods. The application of genetic
algorithms enables the definition of the arc constants, result
ing also in the calculation of the critical
conditions at the beginning of the
pollution flashover mechanism. In this way a mathematical
model is established, which simulates accurately the experimental results.
Second
t
his work attempts to apply an artifi
cial neural network in order to estimate the critical flashover voltage on polluted
insulators. The artificial
neural network uses as input variables the following characteristics of the insulator: diameter, height,
creepage distance, form factor and equiv
alent
salt deposit density, and estimates the critical flashover voltage. The data used to train
the network and test its performance is derived from
experimental measurements and a mathematical model.
Keywords:
High voltage insulators; Polluted insulator
s; Critical flashover voltage;
G
enetic algorithms
;
Artificial neural network
.
Résumé:
Les isolateurs HT constituent une partie essentielle des systèmes de transport de l’énergie électrique. Tout échec dans la
performance de ces isolateurs mène à des pert
es économiques considérables, à cause du nombre d’industries qui dépendent de la
disponibilité d’une source d’énergie sans interruption.
L’importance des investigations sur les isolateurs HT a augmenté avec l’augmentation de la tension des lignes de transp
ort.
Dans le but de déterminer le comportement du contournement des isolateurs pollués et d’identifier le mécanisme physique qui
gouverne ce phénomène, les chercheurs ont essayé de le modéliser par plusieurs méthodes, notamment les techniques de
l’intellig
ence artificielle.
Les modèles mathématiques existants ne décrivent pas précisément le phénomène du contournement des isolateurs pollués
et la principale cause reste la définition des constantes de l’arc qui apparait au niveau des zones sèches, lorsque la
tension dépasse
la valeur critique.
Premièrement ce travail présente une méthode d’optimisation basée sur l
es
algorithme
s
génétique
s
(AG) pour la
détermination des constantes de l’arc, en utilisant des résultats expérimentaux sur des isolateurs pollués art
ificiellement. Pour cela
on a utilisé le modèle le plus connu d’Obenaus du contournement de la pollution. L’application de l’AG a permit de définir les
constantes de l’arc d’où l’établissement d’un modèle qui simule avec grande précision les résultats expé
rimentaux.
Deuxièmement ce travail essaye d’appliquer un réseau de neurones artificiel (RNA) dans l’ordre d’estimer la tension critique
du contournement d’un isolateur pollué. Le RNA utilise comme variables d’entrées les caractéristiques de l’isolateur (Di
amètre,
Hauteur, Longueur de la ligne de fuite, Facteur de forme, DDSE (Densité de Dépôt en Sels Equivalente)) et estime la tension critique
de contournement. La base de données utilisée pour l’apprentissage du RNA et le test de ces performances dérivent d
es mesures
expérimentales et du modèle mathématique.
Mots clés
:
Isolateur haute tension, Isolateur pollué, Tension critique du contournement, Algorithme
s
génétique
s
,
Réseau
x
de neurones artificiel
s.
ﺺﺨﻠﻣ
:
ارﺪﺼﻣ ﺐﻠﻄﺘﺗ ﻲﺘﻟا تﺎﻋﺎﻨﺼﻟا ﻦﻣ ﺪﯾاﺰﺘﻤﻟا دﺪﻌﻟا ﺐﺒﺴﺑ ةﺮﺒﺘﻌﻣ ﺔﯾدﺎﻣ ﺮﺋﺎﺴﺧ ﻰﻟإ يدﺆﯾ لزاﻮﻌﻟا هﺬھ ﻲﻓ ﻞﻠﺧ ﻞﻛ و ،ﺔﯿﺋﺎﺑﺮﮭﻜﻟا ﺔﻗﺎﻄﻟا ﻞﻘﻧ ﺔﻤﻈﻧأ ﻦﻣ ﺔﻤﮭﻣ ﺔﻧﻮﻜﻣ ﺔﯿﻟﺎﻌﻟا تاﺮﺗﻮﺘﻟا لزاﻮﻋ ﻞﺜﻤﺗ
عﺎﻄﻘﻧا نوﺪﺑ ﺔﯿﺋﺎﺑﺮﮭﻜﻟا ﺔﻗﺎﻄﻠﻟ
.
ﺋﺎﺑﺮﮭﻜﻟا ﺔﻗﺎﻄﻟا ﻞﻘﻧ ﺔﻤﻈﻧأ ﻲﻓ تاﺮﺗﻮﺘﻟا ﻢﯿﻗ ةدﺎﯾز
ﺔﯿﻟﺎﻌﻟا تاﺮﺗﻮﺘﻟا لزاﻮﻋ ﻰﻠﻋ ﺔﯾرﺎﺠﻟا ثﺎﺤﺑﻷا ﺔﯿﻤھأ ﻦﻣ داز ﺔﯿ
.
تﺎﻣﺰﯿﻧﺎﻜﯿﻤﻟا و كﻮﻠﺳ حﺮﺸﻟ جذﻮﻤﻧ دﺎﺠﯾإ ﺔﻟوﺎﺤﻣ ﻰﻠﻋ نﻮﺜﺣﺎﺒﻟا ﺐﺼﻧﺎﻓ
ﻲﻋﺎﻨﻄﺻﻻا ءﺎﻛﺬﻟا ،لﺎﺠﻤﻟا اﺬھ ﻲﻓ ﺔﻠﻤﻌﺘﺴﻤﻟا تﺎﯿﻨﻘﺘﻟا ﻦﯿﺑ ﻦﻣ و لزاﻮﻌﻟا ﻲﻓ فﺎﻔﺘﻟﻻا ةﺮھﺎﻈﻟ ﺔﯿﺋﺎﯾﺰﯿﻔﻟا
.
ﻻ ﺎﯿﻟﺎﺣ ةدﻮﺟﻮﻤﻟا ﺔﯿﺿﺎﯾﺮﻟا جذﺎﻤﻨﻟا
ﺔﺟﺮﺤﻟا ﺔﻤﯿﻘﻟا ﻰﻟإ ﺮﺗﻮﺘﻟا ﻞﺼﯾ ﺎﻣﺪﻨﻋ ﺔﻓﺎﺠﻟا ﻖﻃﺎﻨﻤﻟا ﻲﻓ ﺮﮭﻈﯾ يﺬﻟا ﻲﺋﺎﺑﺮﮭﻜﻟا سﻮﻘﻟا ﺎﺘﺑﺎﺛ ﻒﯾﺮﻌﺗ ﻮھ ﻚﻟذ ﻲﻓ ﺐﺒﺴﻟا و فﺎﻔﺘﻟﻻا ةﺮھﺎﻇ ﺔﻗﺪﺑ ﻲﻛﺎﺤﺗ
.
ﯿﻗ لﺎﻤﻌﺘﺳﺎﺑ ﻲﺋﺎﺑﺮﮭﻜﻟا سﻮﻘﻟا ﺎﺘﺑﺎﺛ ﺪﯾﺪﺤﺗ ﻞﺟأ ﻦﻣ ﺔﯿﻨﯿﺠﻟا تﺎﯿﻣزراﻮﺨﻟا ﻰﻠﻋ ﺪﻤﺘﻌﺗ ﻦﯿﺴﺤﺗ ﺔﻘﯾﺮﻃ ﻞﻤﻌﻟا اﺬھ مﺪﻘﯾ ﻻوأ
ﺎﯿﻌﯿﺒﻃ ﺔﺛﻮﻠﻣ لزاﻮﻋ ﻰﻠﻋ تﺬﺧأ ﺔﯿﺒﯾﺮﺠﺗ ﻢ
.
جذﻮﻤﻧ ﺎﻨﻠﻤﻌﺘﺳا اﺬھ ﻞﺟأ ﻦﻣ
ﻻﺎﻤﻌﺘﺳا ﺮﺜﻛﻷا جذﻮﻤﻨﻟا ﻮھ و ﺔﺛﻮﻠﻣ ﺔﻘﻄﻨﻣ ﻰﻠﻋ فﺎﻔﺘﻟﻼﻟ سوﺎﻨﺑوا
.
ﺔﯿﺒﯾﺮﺠﺘﻟا ﺞﺋﺎﺘﻨﻟا ةﺮﯿﺒﻛ ﺔﻗﺪﺑ ﻲﻛﺎﺤﯾ جذﻮﻤﻧ ﻰﻠﻋ لﻮﺼﺤﻟا ﺔﻤﺛ ﻦﻣ و سﻮﻘﻟا ﺎﺘﺑﺎﺛ ﺪﯾﺪﺤﺘﺑ ﺢﻤﺳ ﺎﻤﻣ
.
ﻟا ﺔﻜﺒﺷ ﻖﯿﺒﻄﺗ ﻞﻤﻌﻟا اﺬھ ﻲﻓ ﺎﻨﻟوﺎﺣ ﺎﯿﻧﺎﺛ
ثﻮﻠﻣ لزﺎﻌﻟ فﺎﻔﺘﻟﻼﻟ جﺮﺤﻟا ﺮﺗﻮﺘﻟا ﺮﯾﺪﻘﺗ ﻞﺟأ ﻦﻣ ﺔﯿﻋﺎﻨﺼﻟا ﺔﯿﺒﺼﻌﻟا ﺎﯾﻼﺨ
.
لزﺎﻌﻟا ﺺﺋﺎﺼﺧ لﻮﺧﺪﻟا تاﺮﯿﻐﺘﻤﻛ ﺔﻜﺒﺸﻟا ﻞﻤﻌﺘﺴﺗ
)
،عﺎﻔﺗرﻻا ،ﺮﻄﻘﻟا
،ﻞﻜﺸﻟا ﻞﻣﺎﻋ ،بﺮﺴﺘﻟا ﻂﺧ لﻮﻃ
DDSE
)
حﻼﻣﻷا ﺐﺳﺮﺘﻟ ﺔﺌﻓﺎﻜﻤﻟا ﺔﻓﺎﺜﻜﻟا
((
فﺎﻔﺘﻟﻼﻟ جﺮﺤﻟا ﺮﺗﻮﺘﻟا رﺪﻘﺗ و ،
.
ﺘﻟ ،ﺔﻠﻤﻌﺘﺴﻤﻟا تﺎﻧﺎﯿﺒﻟا ةﺪﻋﺎﻗ
ﻲﺿﺎﯾﺮﻟا جذﻮﻤﻨﻟا ﻦﻣ و ﺔﯿﺒﯾﺮﺠﺗ تﺎﺳﺎﯿﻗ ﻦﻣ تﺬﺧأ ،ﺎﮭﻠﻤﻋ رﺎﺒﺘﺧا و ﺔﻜﺒﺸﻟا ﺐﯾرﺪ
.
ﺔﯿﺣﺎﺘﻔﻤﻟا تﺎﻤﻠﻜﻟا
:
ﺔﯿﻋﺎﻨﺼﻟا ﺔﯿﺒﺼﻌﻟا ﺎﯾﻼﺨﻟا ﺔﻜﺒﺷ ،ﺔﯿﻨﯿﺠﻟا تﺎﯿﻣزراﻮﺨﻟا ،فﺎﻔﺘﻟﻼﻟ جﺮﺤﻟا ﺮﺗﻮﺘﻟا ،ثﻮﻠﻣ لزﺎﻋ ،ﻲﻟﺎﻋ ﺮﺗﻮﺗ لزﺎﻋ
.

4
Sommaire
Introduction générale
…
………………………..
………………………………………
.
Chapitre I
:
Le phénomène du contournement
…
……………………….
………………
I.1
-
Introduction
…………………………………………………
……………………...
I.2
-
La décharge électrique dans les gaz
…………………………
……………………..
I.1.2
-
Définition
………………………
………………………………………….
I.2.2
-
L
es
types de décharges électriques
………………………………………..
I.2.3
-
Les mécanisme
s
du claquage
……………………………………………...
I.2.3.1
-
Mécanisme de Townsend
……
……………………………………
I.2.3.2
-
Le mécanisme de streamer
………………………………………..
I.2.4
-
La décharge surfaciq
ue
……………………………………………………
I.2.4.1
-
Définition
…………………………………………………………
I.2.4.2
-
Mécanisme du contournement de la surface
……………………..
I.3
-
Contournement des isolateurs pollués
……………………………………………..
I.3.1
-
Processus de contournement des surfaces polluées
………………………
I.
3.2
-
Le mécanisme de contournement des isolateurs pollués
………………….
I.3.3
-
Paramètres d’influence
……………………………………………………
I.3.3.1
-
Influence de la longueur de la ligne de fuite
……………………..
I.3.3.2
-
Influence du diamètre
…………………………………………….
I.3.3.3
-
Influence de
la forme de l’isolateur
……………………………..
I.3.3.4
-
Influence de la DDSE
…………………………………………...
I.4
-
Conclusion
…………………………………………………………………………
Chapitre II
: Algorithme
s
génétique
s
…
…..
……………………………………………
II.1
-
Introduction
……………………………………………………………………….
II.2
-
Algorit
hmes évolutionnaires
……………………………………………………...
II.3
-
Algorithmes génétiques
………………
…………………………………………...
II.3.1
-
Théorie des algorithmes génétiques AG
…………………………………
11
14
15
15
15
15
16
16
18
21
21
21
22
22
23
29
29
29
33
34
36
37
38
39
40
41

5
II.3.2
-
Princi
pe de fonctionnement des algorithmes génétiques AG
……………
II.3.3
-
Les caractéristiques des algorithmes génétiques
………………………...
II.3.3.1
-
Codage
………
…………………………………………………..
II.3.3.2
-
Espace de recherche des solutions
……
…………………………
II.3.3.3
-
Fonction d'évaluatio
n (fitness) et le hasard
……
………………..
II.3.4
-
Opérateurs génétiques
……
………………………………………………
II.3.4.1
-
Opérateur de sélection
……
……………………………………..
II.3.4.2
-
Opérateur de croisement ou Crossover
……
…………………….
II.3.4.3
-
Opérateur de mutation
……
……………………………………..
II.3.4.
4
-
Opérateur de remplacement
……
………………………………..
II.3.5
-
Critères de convergence
……
…………………………………………….
II.3.6
-
Avantages et inconvénients des algorithmes génétiques
………………...
II.3.6.1
-
Avantages des AG
……
…………………………………………
II.3.6.2
-
Inconvenient des AG
……
…………………
……………………
II.4
-
Conclusion
………………………………………………………………
…...
.......
Chapitre III
: Réseau
x
de neurones
…………………………………………
……...
......
III.1
-
Introduction
……………………………………………………………
……
…...
II
I.1.1
-
Modèle du neurone formel
……
………………………………………...
III
-
2 Réseaux de neurones
supervises
……………………………………...
…......
........
III
-
2.1 Mémoire associative linéaire
……
……………………………………….
III.2.1.1
-
Apprentissage
……
……………………………………………..
III.2.2
-
Réseaux de Hopfield
……
……………………………………………….
III.2.2.1
-
Dynamique du réseau
……
……………………………………..
III.2.2.
2
-
Evolution de l'énergie
……
……………………………………..
III.2.2.3
-
Application au cas des MA
……
……………………………….
III.2.3
-
Limitations des MA
……
………………………………………………..
III.2.4
-
Perceptron
……………………
………………………………………….
III.2.5
-
Adaline
…
…
…………………………………………………………….
41
43
43
45
46
47
47
49
52
53
54
55
55
55
56
57
58
59
61
61
61
62
63
64
64
65
66
66

6
III.2.6
-
Limitations
……
…………………………………………………………
III.2.7
-
Rétropropagation du gradient
……
……………………………………...
III.2.7.1
-
Une couche
……
………………………………………………..
III.2.7.2
-
Deux couches
……
…………………………
…………………..
III.2.7.2.1
-
Remarques sur l'utilisation de la rétropropagation
…….
III.3
-
Réseaux de neurones non
-
supervises
………………………………
…...…
…….
III.3.1
-
Winner Take All (WTA)
……
…………………………………………..
III.3.2
-
Carte de Kohonen
……
………………………………………………….
III
-
4. Conclus
ion
……………………
………………………………………………….
Chapitre IV
: Applications, résultats et discussions
…………………………
……
……
IV.1
-
Introduction
……………………
………………………………………………...
IV.2
-
Procédures expérimentales et collection de données
…………………
……
……
IV.3
-
L
es a
lgorithme
s
génétique
s
…………
……………………………………
...
……
IV.3.1
-
Model mathématique
……………………………………………
………
IV.3.2
-
Détermination des constantes de l’arc «
A
» et «
n
»
……
……………...
IV.3.3
-
Application à l’estimation de la tension de contournement
……
……….
IV.3.4
-
Application et résultats
…
……………….……
…………………………
IV.3.4.1
-
Validation
……
…………………………………………………
IV.4
-
Réseaux de neurones
………………………………………………….........
........
IV.4
-
1 L’algorithme RNA
(algorithme réseaux de neurones)
……
…………….
IV.4.2
-
Réseau de neurones artificiel
……………………………………………
IV.4.3
-
Applicat
ion des RNA pour l’estimation de la tension de contournement
.
IV.5
-
Conclusion
…………………………………………………………………
…….
Conclusion générale
………………………………………………………………
……
Bibliographie
……………………………………………………………………...
........
67
67
67
68
70
71
71
73
76
77
78
79
80
81
83
84
86
88
90
90
92
94
101
102
105