Maintenance Des Transformateurs De Puissance Par L’analyse De L’huile - Apport De L’intelligence Artificielle

Résumé: Vu les faiblesses présentées par les huiles minérales, de nouveaux liquides isolants commencent à être une alternative des huiles minérales dans les transformateurs. Dans cette étude, les essais sur les esters synthétiques et les esters naturels montrent leurs grandes performances, et pour la raison de sa grande stabilité sous les différentes contraintes, électriques, thermiques, et même sous des contraintes multiples, l’accent est mis sur l’ester naturel qui présente la tendance au gazage la plus faible que celle de tous les autres types d’huile. En plus des techniques traditionnelles, trois nouvelles techniques de diagnostic issues des normes ASTM ont été utilisées : le test de stabilité qui permet de simuler le comportement sous champ électrique d’une huile, la spectrophotométrie UV/Visible qui permet de mesurer la quantité des produits de décomposition dissous dans l’huile ; et la turbidité qui mesure la pureté d’une huile neuve ou usagée. Une modélisation mathématique du phénomène de vieillissement électrique est présentée, pour prédire le facteur de dissipation diélectrique et la tendance au gazage sous un champ électrique d’une huile minérale et d’un ester naturel. Cette modélisation utilise les paramètres de dégradation qui ont la plus forte corrélation comme des paramètres de régression. Il ressort de cette étude que les trois paramètres (DDP, Turbidité, Pression de gaz dans la cellule de décharge) sont suffisants pour prédire le facteur de dissipation diélectrique, ce qui justifie l’importance de ces nouvelles méthodes. Il a été remarqué aussi, que chaque type de fluide a son modèle et son comportement. Cette différence est attribuée à la compostions chimique qui affecte le comportement de l’huile. L’utilisation des méthodes d’intelligence artificielle: réseaux de neurones et le system ANFIS, pour la prédiction du facteur de dissipation diélectrique et de la tendance au gazage de l’huile minérale et de l’ester naturel, montre que l’apprentissage sur un modèle mathématique prédéterminé, donne des résultats meilleurs que celui entrainé directement à partir des valeurs mesurées. Ce qui permet de conclure que la régression faite par les deux techniques intelligentes, n’est pas toujours convenable, l’exécution prend un temps plus lent, avec une erreur plus élevée.

Publié dans la revue: