Remerciez-le!

Remerciez @Admin pour avoir partagé cet document gratuitement, de la manière la plus simple, en partageant sur les réseaux sociaux.

République Algérienne Démocratique et Populaire Ministère de l’Enseignement Sup

République Algérienne Démocratique et Populaire Ministère de l’Enseignement Supérieur et de la Recherche Scientifique Ecole Nationale Polytechnique Département d’Electrotechnique Laboratoire de Recherche en Électrotechnique Thèse de Doctorat Présentée par : Youcef BENMAHAMED Master en Électrotechnique de L’ENP Pour l'obtention du titre de Docteur Troisième Cycle (D/LMD) en Électrotechnique Thème Président : Ahmed Zaid Toudert Professeur à l’ENP Rapporteurs : Teguar Madjid Professeur à l’ENP Boubakeur Ahmed Professeur à l’ENP Examinateurs : Mekhaldi Abdelouahab Professeur à l’ENP Moulai Hocine Professeur à l’USTHB M’Ziou Nassima Professeur à l’UMBB Invité : Ouagueni Mourad Ingénieur d’Etudes à CREDEG/Sonelgaz ENP 2019 Application de méthodes intelligentes pour le diagnostic de l’huile de transformateur par analyse des gaz dissous République Algérienne Démocratique et Populaire Ministère de l’Enseignement Supérieur et de la Recherche Scientifique Ecole Nationale Polytechnique Département d’Electrotechnique Laboratoire de Recherche en Électrotechnique Thèse de Doctorat Présentée par : Youcef BENMAHAMED Master en Électrotechnique de l’ENP Pour l'obtention du titre de Docteur Troisième Cycle (D/LMD) en Électrotechnique Thème Président : Ahmed Zaid Toudert Professeur à l’ENP Rapporteurs : Teguar Madjid Professeur à l’ENP Boubakeur Ahmed Professeur à l’ENP Examinateurs : Mekhaldi Abdelouahab Professeur à l’ENP Moulai Hocine Professeur à l’USTHB M’Ziou Nassima Professeur à l’UMBB Invité : Ouagueni Mourad Ingénieur d’Etudes à CREDEG/Sonelgaz ENP 2019 Application de méthodes intelligentes pour le diagnostic de l’huile de transformateur par analyse des gaz dissous ملخص من أجل تحسين معدل تصنيف خماسي دوفال، تم استعمال خوارزميات آلة سند المتجهات (SVM) و ك أقرب الجيران (KNN) لتشخيص زيوت المحوالت الكهربائية. تتكون قاعدة البيانات التي استخدمناها من تلك الموجودة فيCEI TC 10 وCIGRE . وتتضمن155 عينة تحتوي على تحليل ( الغازات الرئيسية الخمسة الناتجة عن انحالل الزيت2 H ، 4 CH ، 2 H 2 C ، 4 H 2 Cو 6 H 2 C ). تم تخصيص105 عينة لمرحلة التدريب و50 ل .الختبار باالعتماد علىCEI وIEEE ، تم تحديد خمس فئات من العيوب للتشخيص وهيPD ، D1 ، D2 ، T1 و2 T ، T3. خوارزمية خماسي دوفال- PSO SVM- تم اختبارها باستعمال دالة نواة الخطية، كثير الحدود. تم النظر في عدة استراتيجيات تعلم: جميعا، واحدة ضد مجموعة واحدة ضد واحد. تم ت( حسين اإلعداداتC ، λ ( ) من خالل تقنية تحسين سرب الجسيماتPSO ). توفر هذه الخوارزمية نسبة نجاح88 باستخدام نواة حلقة كثير الحدود٪ واستراتيجية تعلم واحد ضد واحد. أما بالنسبة لخوارزمية خماسي دوفال- KNN ،، تم اختباره من طرف ثالثة أنواع من مسافة: اإلقليديةCityblock وجيب التمام وعدد الجيران بين1 و105 . وقد وجد أن نسبة النجاح أعلى من82 لمسافة إقليدية وعدد الجيران مساوٍ لـ٪ 7 . وأخيرا، تم اختبار أداء خوارزمياتSVM-PSO وKNN والنظرية االفتراضية الساذجة من خالل تغيير نوع شعاع المدخل. لهذا، تم اعتماد خمسة أنواع وهي: تركيز الغازات الخمس الرئيسية ب جزء في المليون وتركيز الغازات بالنسبة المئوية، ونسب روجرز، ونسب مثلث دوفال ونسب دورنبورغ. تم الحصول على نسبة نجاح98 عند استخدام خوارزمية٪ PSO-SVM عن طريق حقن نسب مثلث د وفال كما ناقالت المدخالت ضد92 ل٪ KNN . :كلمات البحث محول الكهرباء، زيت العزل، التشخيص، تحليل الغازات المذابة، خماسي دوفال، آلة سند المتجهات، ك أقرب الجيران، النظرية Abstract In order to improve the classification rate of the Duval pentagon, SVM and KNN algorithms have been developed to diagnose transformer oil. The database we used is made up of those of IEC TC 10 and CIGRE. It contains 155 samples containing the analysis of the five main dissolved gases (H2, CH4, C2H2, C2H4 and C2H6). 105 samples were reserved for learning and 50 for the test. Inspired by IEC and IEEE, five classes of defects were considered namely PD, D1, D2, T1 & T2, and T3. The pentagon algorithm of Duval-SVM-PSO was tested by kernel function: linear, polynomial, radial basic function and sigmoidal. Different learning strategies: together, one against all and one against one were considered. The parameters (C, λ) have been optimized by the particulate swarm optimization (PSO) technique. This algorithm offers an accuracy rate of 88% obtained using polynomial kernel function and one-against-one learning strategy. As for the pentagon algorithm of Duval-KNN, it was tested for three types of distance namely Euclidian, Cityblock and Cosine and for number of neighbors ranging between 1 and 105. The best accuracy rate of 82% was found for a Euclidean distance and number of neighbors equal to 7. Finally, the performances of the SVM-PSO, KNN and naive Bayes algorithms were tested by varying the type of the input vector. For this, five types were adopted namely, gas concentration in ppm, percentage gas concentration, Rogers ratios, Dornenburg ratios and Duval triangle reports. A success rate of 98% was obtained when using the PSO-SVM algorithm by injecting the Duval triangle reports as an input vector against 92% for the KNN one. Key words: power transformer, insulation oil, diagnostics, dissolved gas analysis, Duval pentagon, Support Vector Machine, k-nearest neighbors, Naive Bayes. Résumé Dans le but d’améliorer le taux de classification du pentagone de Duval, des algorithmes SVM-PSO et KNN ont été élaborés pour diagnostiquer l’huile de transformateur. La base de données que nous avons utilisée est formée de celles de CEI TC 10 et CIGRE. Elle comporte 155 échantillons contenant l’analyse des cinq principaux gaz dissous (H2, CH4, C2H2, C2H4 et C2H6). 105 échantillons ont été réservés pour l’apprentissage et 50 pour le test. Inspirés de IEC et IEEE, cinq classes de défauts ont été considérées à savoir PD, D1, D2, T1&T2, et T3. L’algorithme pentagone de Duval-SVM-PSO a été testé par une fonction noyau linéaire, polynomiale, à base radiale et sigmoïde. Différentes stratégies d’apprentissage à savoir « tous ensemble », « un contre ensemble » et « un contre un » ont été considérées. Les paramètres de marge et de conditionnement ont été optimisés par la technique d’optimisation par essaim particulaire (PSO). L’algorithme pentagone de Duval-SVM-PSO offre un taux de réussite de 88% obtenu en utilisant la fonction noyau polynomiale et la stratégie d’apprentissage « un contre un ». Quant à l’algorithme pentagone de Duval-KNN, il a été testé pour trois types de distance à savoir « Euclidienne », « Cityblock » et « Cosine » et pour un nombre de voisins variant entre 1 et 105. Le meilleur taux de réussite de 82% a été trouvé pour une distance « Euclidienne » et un nombre de voisins égal à 7. Finalement, les performances des algorithmes SVM-PSO, KNN et naïve de Bayes ont été testées en variant le type du vecteur d’entrée. Pour cela, cinq types ont été adoptés à savoir, concentration de gaz en ppm, concentration gaz en pourcentage, rapports de Rogers, rapports de Dornenburg et rapports du triangle de Duval. Un taux de réussite de 98% a été obtenu lors de l’utilisation de l’algorithme PSO-SVM en injectant les rapports du triangle de Duval comme vecteur d’entrée contre 92% pour l’algorithme KNN. Mots clés : transformateur de puissance, huile d’isolement, diagnostic, analyse des gaz dissous pentagone de Duval, Machines à Vecteurs Supports (SVM), k-plus proches voisins (KNN), naïve Bayes. Remerciements Avant tout, je remercie Allah, de m’avoir donné la force d’aller jusqu’au bout. je tiens à remercier Messieurs Madjid Teguar et Ahmed Boubakeur, Professeurs à l’Ecole Nationale Polytechnique, pour avoir accepté de diriger et de suivre ce travail avec disponibilité, patience et bienveillance. Je suis très honorée que Monsieur Toudert Ahmed Zaid Professeur à l’Ecole Nationale Polytechnique, ait accepté de présider le jury de soutenance de cette thèse. Aussi, je tiens à remercier Monsieur Abdelouahab Mekhaldi, Professeur à l’Ecole Nationale Polytechnique, Monsieur Hocine Moulai, Professeur à l’Université des Sciences et de la Technologie Houari Boumediene, et Madame Nassima M’Ziou Professeur à l’Université de M’hamed Bougara de Boumerdès, d’avoir accepté d’examiner mes travaux. Je tiens aussi à remercier également Monsieur Mourad Ouagueni, Ingénieur d’Etudes au CREDEG/Sonelgaz d’avoir accepté d’être membre invité dans le jury de soutenance. Je tiens aussi à remercier tous les enseignants ayant contribué à ma formation et ce depuis le tronc commun jusqu’à la dernière année de graduation. Dédicaces Je dédie ce modeste travail, A mes très chers parents, pour leur soutien et la patience dont ils ont fait preuve durant toutes les années de ma formation ; A ma grande famille ; Ainsi qu’à tous les électrotechniciens de ma promotion 2014 ; A tous ceux qui m’aiment et qui me souhaite le bonheur ; Youcef Table des matières Résumé Liste des Figures Liste des Tableaux Introduction Générale …………………………………………………………………………………………… 10 Chapitre I Huiles Isolantes pour Transformateurs I.1 Introduction ……………………………………………………………………………………………….…. 14 I.2 Les transformateurs de puissances …………………………………………………………………………... 14 I.2.1 Système d’isolation solide utilisé dans les transformateurs ………………………………………….. 16 I.2.2 Système d’isolation liquide utilisé dans les transformateurs ……………………………………….… 16 I.2.3 Les causes de vieillissements des huiles …………………………………………………………….…. 17 I.3 Catégories d’huile et liquides isolants …………………………………………………………………….… 17 I.3.1 Les hydrocarbures halogénés ou PCB ………………………………………………………………… 18 I.3.2 Les esters organiques (esters du pentaérythritol) ……………………………………………………… 19 I.3.3 les huiles végétales (esters naturels) …………………………………………………………………... 19 I.3.4 Les huiles silicones ………………………………………………………………………………….… 20 I.3.5 Les huiles minérales …………………………………………………………………………………… 20 1. Structure paraffinique (Cp) ……………………………………………………………………….… 21 2. Structure naphténique (Cn)………………………………………………………………………….. 21 3. Structure aromatique (Ca) …………………………………………………………………………. 21 I.4 Les propriétés des huiles …………………………………………………………………………………... . 22 I.4.1 Les propriétés électriques ……………………………………………………………………………… 22 1. La rigidité diélectrique et tension de claquage uploads/Science et Technologie/ youcef-benmahamed.pdf