Soutenance mémoire
Logique floue
La logique floue est une extension de la logique booléenne et constitue une généralisation de la théorie des ensembles classiques se fondant sur le « principe du tiers-exclus ». En introduisant la notion de degré dans la vérification d’une condition, permettant ainsi à une condition d’être dans un autre état que vrai ou faux, la logique floue confère une flexibilité très appréciable aux raisonnements qui l’utilisent, ce qui rend possible la prise en compte des imprécisions et des incertitudes (Yager et Zadeh, 2012). L’application de la théorie des ensembles flous dans l’évaluation de la stabilité transitoire a été rapportée pour la première fois dans cette publication (Souflis, Machias et Papadias, 1989). Les points d’opération du réseau sont classés dans l’un des six états suivants : très instable, instable critique, instable, très stable, stable critique, stable. Ils sont représentés à l’aide des valeurs d’appartenance floue dans un système de reconnaissance des formes floues.
La méthode développée est applicable à tout réseau indépendamment de sa taille, de sa configuration, de la répartition de charge ou de sa topologie (Machias, 1989). Une approche similaire utilisant un indice d’instabilité en fonction de l’angle de rotor du générateur et de l’accélération, est proposée pour l’identification des machines instables dans les systèmes électriques multi-machines (Machias et Souflis, 1990). Ces publications (Kamwa, Pradhan et Joós, 2007) – (Kamwa et al., 2009a) recourant aux données des synchrophaseurs, démontrent l’applicabilité de l’algorithme de logique floue (Fuzzy C-medoid, FCMdd) sur les réseaux électriques (grands réseaux et réseaux tests) et sa capacité de partitionner convenablement la base de données. Il est aussi prouvé que les indices de degré de sévérité des contingences basés sur ces méthodes fonctionnent très bien pour des configurations et des profils de charges variés du réseau.
On retient aussi le réseau de fonction radiale basé sur la logique floue. Son algorithme d’apprentissage avec des entrées simples fonction d’angles de rotor du générateur après un défaut mesuré par les synchrophaseurs peut être facilement implémenté (Liu et al., 1999c). Une autre méthode s’intéresse aux trajectoires de l’angle du rotor juste après le défaut. À partir de simulations hors-ligne, l’état du réseau et le comportement des angles du rotor sont enregistrés sous différentes perturbations. La distance euclidienne entre les trajectoires de mesure d’angle de rotor en temps réel et de la trajectoire stockée dans la base de données est calculée (Liu, Jiang et Cao, 2008).
Les trajectoires d’angle de rotor sont prédites à l’aide d’une expression modifiée provenant de l’apprentissage du réseau (Liu et Lin, 2000). À titre d’exemple concret, une méthode de prédiction de la stabilité transitoire se référant au réseau flou « hyper rectangulaire composite » de neurones (Fuzzy Hyper-Rectangular Composite Neural Network, FHRCNN) est proposée dans (Liu et al., 1999c). On utilise les données collectées à l’effacement du défaut. Il s’agit de trois valeurs consécutives de l’angle de chaque machine. Il est calculé par la suite deux vitesses et une accélération, ce qui fait un total de 6 prédicteurs (entrées) par générateur. Le critère d’instabilité utilisée consiste à déterminer si la différence entre les deux angles des machines est supérieure ou non à ߨradians dans la première seconde après l’effacement. L’écart de ߨradians est utilisé à titre illustratif mais il doit être calculé comme il dépend fortement des caractéristiques du réseau en présence.
Apprentissage automatique (Machine learning)
L’apprentissage automatique, champ de l’intelligence artificielle, regroupe trois grandes classes : l’apprentissage supervisé ou non supervisé (supervised or non-supervised learning), les réseaux de neurones artificiels (Artificial Neural Networks, ANN) et la reconnaissance des formes (Recognition Pattern). Les trois familles d’approches visent à extraire l’information essentielle contenue dans un ensemble de cas pré-analysés lors d’une phase d’apprentissage (Alpaydin, 2014). Des recherches récentes portant sur les arbres de décision (DT) (Rahmatian et al., 2017) – (Rovnyak et al., 1994b), les ANNs (Chih-Wen et al., 1999) – (Bahbah et Girgis, 2004), la théorie de l’apprentissage statistique (Li et Cao, 2005) – (Kamwa, Grondin et Loud, 2001a) et les machines à vecteurs de support avec des classificateurs ajoutés (SVM) (Moulin et al., 2004) – (Sharma et Tyagi, 2013) montrent que les techniques d’apprentissage supervisé sont des approches prometteuses pour l’analyse et la prédiction de la stabilité transitoire des réseaux électriques (Sobajic et Pao, 1989) – (Gomez et al., 2011).
Plusieurs techniques de prédiction de l’instabilité faisant appel aux ANNs sont traitées dans la littérature. Une première approche d’estimation de l’angle du rotor à partir des PMU en utilisant les réseaux de neurones artificiels (Del Angel, Glavic et Wehenkel, 2003) et (Del Angel et al., 2007) consiste à modéliser de manière détaillée la dynamique du réseau et des dispositifs d’acquisition des données. On utilise ensuite un simulateur hors ligne pour générer un ensemble de trajectoires du système représentatif du comportement du réseau avant, pendant et après défaut. La base de données ainsi créée doit être suffisamment grande pour tenir compte d’un large éventail de possibilités. Finalement, on se sert de l’apprentissage supervisé automatique pour former un modèle de boîte noire sous la forme d’un perceptron multicouche (MLP) pour estimer des valeurs moyennes d’angles de rotor basées sur les données des synchrophaseurs.
Les SVMs représentent des méthodes d’apprentissage émergentes qui résolvent théoriquement certains inconvénients des ANNs. Ces dernières sont surtout performantes dans la reconnaissance des formes. Une méthode de classification simple et rapide pour l’évaluation de la stabilité est présentée dans cette dernière référence (Kalyani et Swarup, 2011). Un autre classificateur est fait dans (Moulin et al., 2004) et sa performance est comparée à un perceptron multicouche (MLP). Une méthode de classification proposée dans (Rajapakse et al., 2010a) se basant sur la variation de la tension et des trajectoires d’angle du rotor préalablement simulées permet de prédire l’état de stabilité transitoire. Les tensions mesurées sont comparées avec des modèles pour évaluer la concordance entre les variations de tension mesurées et celles des bases de données. Les valeurs de similarité sont entrées au SVM formés pour faire le classement. D’autres méthodes de classification utilisant les synchrophaseurs existent également (Gomez et al., 2011). Les arbres de décision utilisent un grand nombre de points de fonctionnement du réseau avec leurs critères de stabilité pour créer un modèle de prédiction de la stabilité transitoire (Li et al., 2014) – (Wehenkel et al., 1994).
L’apprentissage est fait hors-ligne mais le modèle fonctionne en ligne (Rovnyak et al., 1994a). Ces méthodes sont amplement débattues dans les chapitres suivants. La plupart des méthodes d’apprentissage automatique actuelles présentent de grands avantages mais connaissent quelques inconvénients inhérents limitant ainsi l’application pratique de l’évaluation de la stabilité transitoire. En effet, les ANNs ont une grande capacité de généralisation avec une rapidité d’exécution (AL-Masri et al., 2013) ; mais ils ont des problèmes de «surapprentissage» (Moulin et al., 2004). Les SVM rencontrent des difficultés dans la sélection des paramètres de prédiction à cause de leur incapacité à considérer pleinement les études spécifiques du réseau (topologie, niveau de charge, les différents états de fonctionnement) utilisées dans la pratique (Vapnik, 2000).
|
Table des matières
INTRODUCTION
CHAPITRE 1 CONTEXTE DE L’ÉTUDE
1.1 Motivations de la thèse
1.2 Problématique de la recherche
1.2.1 Objectifs de la thèse
1.2.2 Méthodologie
1.2.3 Contribution de la thèse à l’avancement des connaissances scientifiques et/ou technologiques
1.2.4 Originalité du travail
CHAPITRE 2 REVUE DE LITTÉRATURE
2.1 Introduction
2.2 Méthodes de prédiction de la stabilité transitoire
2.2.1 Méthodes temporelles liées aux méthodes d’intégration numériques
2.2.2 Méthodes directes
2.2.3 Méthodes modernes
2.3 Revue critique de la littérature
2.4 Conclusion
CHAPITRE 3 ÉTUDE DE LA STABILITÉ
3.1 Introduction
3.2 Définition et classification de la stabilité sur les réseaux électriques
3.2.1 Classification de la stabilité des réseaux électriques
3.2.2 Relation entre fiabilité, sécurité et stabilité des réseaux électriques
3.3 Fondements théoriques de la stabilité des réseaux électriques
3.3.1 Définition mathématique de la stabilité d’un système dynamique
3.3.2 Stabilité des réseaux électriques
3.4 Modèle mathématique lié à l’étude de la stabilité transitoire
3.5 Modes d’opération des réseaux électriques
3.6 Conclusion
CHAPITRE 4 VUE D’ENSEMBLE DES SYNCROPHASEURS
4.1 Introduction
4.2 Mesure des synchrophaseurs
4.3 Réseau de communication et placement des PMUs
4.4 Applications des mesures synchrophasées dans les réseaux électriques
4.5 PMU vs SCADA
4.6 Conclusion
CHAPITRE 5 FORAGE DE DONNÉES : FORÊT ALÉATOIRE D’ARBRES DE DÉCISION ET BOOSTING
5.1 Introduction
5.2 Techniques inductives versus transductives
5.3 Arbres de décision
5.3.1 Principe des arbres de décision
5.3.2 Critère de segmentation
5.3.3 Taille des arbres, surapprentissage, élagage
5.4 Forage de données : Forêt aléatoire d’arbres de décision, Random Forest (RF)
5.4.1 Principe général du Random Forest
5.4.2 Prédiction d’un RF
5.4.3 Évaluation de la performance des RF
5.5 Forage de données : Boosting
5.6 Description du logiciel R
5.7 Conclusion
CHAPITRE 6 FONDEMENTS THÉORIQUES DE LA MÉTHODOLOGIE PROPOSÉE
6.1 Introduction
6.2 Concept du centre de puissance (Center of Power, COP)
6.2.1 Principes théoriques
6.2.2 Définition des nouveaux indices basés sur le COP et les mesures des synchrophaseurs
6.3 Pourquoi utiliser le centre de puissance ?
6.4 Description de la nouvelle méthodologie de prédiction en temps réel
6.4.1 Méthodologie globale de prédiction
6.4.2 Approche de la fenêtre glissante (sliding window) versus snapshot
6.4.3 Mise à jour automatique de la base de données et du modèle de prédiction
6.5 Conclusion
CHAPITRE 7 RÉSULTATS ET VALIDATION
7.1 Introduction
7.2 Présentation des cas étudiés et formation de la base des données
7.3 Comportement des indices proposés
7.4 Analyse de l’importance et de l’efficacité des prédicteurs
7.5 Évaluation de la performance out-of-bag des forêts aléatoires
7.6 Évaluation de la performance du modèle de prédiction
7.7 Mise à jour automatique du modèle de prédiction
7.8 Discussion des résultats
CONCLUSION
RECOMMANDATIONS
CARACTÉRISTIQUES DES RÉSEAUX ÉLECTRIQUES TEST KUNDUR TWO-AREA ET NEW ENGLAND
CARACTÉRISTIQUES DU RÉSEAU ÉLECTRIQUE SIMPLIFIED 14-GENERATORS AUSTRALIAN TEST SYSTEM
EXEMPLES D’APPLICATIONS DES ARBRES DE DÉCISION ET DE LA FORÊT ALÉATOIRE D’ARBRE DE DÉCISION
BIBLIOGRAPHIE
Télécharger le rapport complet
