Introduction générale

La conception des techniques de protection de haute performance est sujette à un

développement significatif à l’intérieur de la communauté académique et dans l’industrie. Les
désagréments causés par les défauts électriques dans les lignes de transmission ont amenés à
cet état de fait.
Ces techniques ont pour rôles essentiels la détection et l’élimination de tous types de
défauts.

Différentes approches pour la détection et classification des défauts ont été proposées dans
la littérature. Dans presque toutes ces techniques de protection, des données de courant et de
tension sont utilisées aux stations-relais pour détecter et identifier le défaut.

La technique la plus utilisée est basée sur l’estimation des phaseurs du signal fondamental
après la survenance du défaut

Des techniques de protection basées sur des algorithmes intelligents comme la logique
floue, réseau de neurones artificiel (ANN), et neuro-floue, promettent des alternatives aux
techniques conventionnelles [1].

Dans ce travail nous proposons une application des réseaux de neurones artificiels pour la
détection et la classification des défauts. Il comprend quatre chapitres distincts.

Dans le premier nous définissant les défauts et spécifiant leurs conséquences.

Dans le second nous parlerons du relais de protection et les différents algorithmes de
détection qui lui sont associé, ce qui nous permettra de mieux comprendre les chapitres
essentiels, le 3ème et 4ème, qui portent respectivement sur la détection et classification de
défaut par des algorithmes intelligents, et le test de leurs performances.
 Plan

 Les défauts électriques et leurs Conséquences

 Protection numérique et Algorithmes de détection

 Applications des algorithmes intelligents.

 Tests des performances du RN

Objectif

 Conception d'un détecteur et classificateur de défaut (DCD)

Les défauts électriques

Un défaut est caractérisé par un phénomène non conforme au fonctionnement normal du
réseau et pouvant, dans certains cas, conduire à un échauffement électrique de celui-ci et la
mise en danger de son environnement.

Source
i Z=R+jwL

Défaut
u
 On distingue deux catégories de défaut :

 Circuit ouvert: C'est un défaut pour qui les impédances de chacune des trois
phases n'est pas égal, habituellement causé par l'interruption d'une ou deux phases

 Court circuit :
C'est une connexion anormal (y compris un arc) d'impédance relativement faible, qu'elle soit
accidentelle ou intentionnelle, entre deux points de potentiel différent.

On distingue les courts circuits suivants :

• Monophasé : entre une phase et la terre.
• Biphasé : entre deux phases avec ou sans mise à la terre.
• Triphasé : entre les trois phases avec ou sans mise à la terre.

Un CC s'accompagne généralement d'une chute de tension et d'une

augmentation du courant
 |Va| (ur) en situation de défaut |Ia| (ur) en situation de défaut
1.5 4

3
1

0.5
1

temps (ms) temps (ms)

0 0
0 10 20 30 40 50 60 70 80 0 20 40 60 80

De plus a la terre engendre un courant et une tension Homopolaire

défaut
Tension Homopolaire Vo en situation de défaut Courant Homop. Io en situation de défaut
0.12
1

0.1

0.8

0.08

0.6
0.06

0.04
0.4

0.02

0.2
temps (ms)

0 20 40 60 80
temps (ms)

0 20 40 60 80
 Conséquences des défauts
Les conséquences causées par un défaut électriques dépendent fortement de l’amplitude
du courant de défaut qui, à son tour dépend du type de défaut, son emplacement, l'effet de la
terre, et la résistance du défaut.
Les conséquences d’un défaut peuvent être divisées en deux parties:
- Une partie causée par le début ou démarrage du défaut (défaillance de l’isolement).
- Une autre qui dépend de la durée du défaut.
Les conséquences liées au démarrage du défaut ne peuvent pas être réduites avec une
détection rapide du défaut, alors que la partie dépendante de la durée du défaut peut l’être.

6
coura nt ( ur)

Ia1
4 Ib2
Ic3
2

-2

-4

-6
0 50 100 150 200
te mps ( ms)

I.5.1 Conséquences mécaniques

I.5.2 Les contraintes thermiques

I.5.3 Création d’un arc électrique

Protection numérique
Transmission
Mesures
Relais ou microprocesseur
La protection des réseaux électriques au niveau local ou à partir d’une centrale de

Evaluation
mesure ou de contrôle, est en général constituée par une chaîne de réglage classique agissant

par tout ou rien

Transmission

Commande

Exécution
  Relais de protection
Un relais numérique est un appareil qui reçoit une ou plusieurs informations à caractère
analogique (meures de courant, de tension…etc.) et transmet un ordre binaire (fermeture ou
ouverture d’un circuit de command ) lorsque les informations reçues atteignent des valeurs
supérieures (ou inférieures ) à certaines limites fixées d’avance.

Détection des défauts

La détection des défauts vise à assurer un fonctionnement acceptable en tout temps afin :

• Éviter les instabilités et les arrêts non planifiés.

• Augmenter la disponibilité des alternateurs.
• Éviter les détériorations de l’équipement.

• Assurer la qualité de l’alimentation électrique.

 Étapes de la détection du défaut

• Détection du défaut : Déterminer la présence d’une variation sur le système.
• Isolation du défaut : Déterminer la localisation du défaut sur le système.
• Identification du défaut : Déterminer l’ampleur du défaut .

Algorithmes de détection

Les algorithmes de détection de défaut dans les relais numériques de protection ont eux un
intérêt académique et industriel depuis les années 1970. Tôt, les Spécialistes étaient contraints
par les performances des ordinateurs disponibles à cette époque, de mettre en œuvre des
algorithmes accélérés.

Plusieurs algorithmes sont utilisés pour la détection on cite:

Algorithme de la forme d'onde

Algorithme utilisant deux échantillons
La méthode de Fourier
La méthode des moindres carrés
 Applications des algorithmes
intelligents
Définition (introduction)
Un algorithme intelligent est une partie des sciences de calcul qui étudie comment les
pensées et les actions des êtres humains peuvent être imitées par les machines. Sont inclues
dans ce vaste domaine des algorithmes intelligents aussi bien les calculs numériques, non
numériques et symboliques.

Trois familles majeures des techniques des algorithmes intelligents sont appliquées dans
les systèmes de protection modernes à savoir:

Système expert SE
ce systèmes contient une base d'expérience qui prend la forme de règles, écrites on
utilisant les syntaxes: Si... alors... (Base d'expérience)
une base de donnée qui inclut les « FAITS » qui, généralement décrivent le domaine et
l'état du problème à résoudre
Un outil d'inférence générique est utilisés pour déduire de nouveaux « FAITS » qui
mettent en place d'autres « REGLES »
Ce processus continu jusqu'à ce que la base de données est saturée et une conclusion a été
atteinte
A ce jour aucune application de la technique SE n'est employée dans un relais de
protection comme un outil qui prend des décisions en temps réel.
 Base
D'expérience

Outil Solutio
D'inférence n
Base
de Donnée
III.1.2 La logique floue :
La logique floue est une technique pour le traitement de connaissances imprécises et
incertaines. Elle permet de prendre en considération des variables linguistiques dont les
valeurs sont des mots ou expressions du langage naturel, telles que grand, petit, lent, rapide,
etc.
La logique floue dont les variables peuvent prendre n’importe qu’elle valeur entre 0 et 1,
permet de tenir compte de cette réalité. En logique floue, une proposition pourra à la fois être
vraie et fausse, tout comme un élément pourra appartenir à un ensemble et à son contraire.

Réseaux de neurones artificiels

Les réseaux de neurones artificiels sont des éléments de traitement hautement interconnecté.
Avec un apprentissage vigoureux et des possibilités de généralisation, ils ont l’habilité
d’apprendre des données d’entrées-sorties basées sur des modèles d’entraînement, sans
considérer un modèle mathématique exact.

Détecteur et Classificateur de défauts (DCD)

basé sur les réseaux de neurones artificiels
proposé
  Constitution du détecteur et classificateur de défaut (DCD)
Le Détecteur et Classificateur de Défaut (DCD) proposé et schématisé dans la
figure12 est composé de quatre réseaux de neurones artificiels (ANNs) indépendants
ANNL1, ANNL2 et ANNL3, pour chaque phase (L1, L2 et L3) et un dernier ANNE pour
détecter la présence de la terre .
Les sorties des DDPs (A, B et C) et du DDT (G) sont utilisés pour réaliser
simultanément, la détection et la classification du défaut via des circuits logiques.
Procédé de génération de la base de données

Le procédé de génération de la base de données pour l'entraînement et le test des

ANNs.
Les signaux venant des sources de courant et de tension sont traités pour simuler un
processus d’échantillonnage de 1 kHz par le convertisseur Analogique-Numérique (ADC),
qui correspond a un temps de d’échantillonnage de 1ms.

Ces signaux peuvent contenir, en plus du fondamental à 50 Hz, des fréquences de quelques
dizaines de kHz sous des conditions de défaut. Il sont éliminé par l’utilisation d’un anti-
repliement, ainsi qu’un filtre passe-bas.

Les amplitudes des signaux sont obtenue par l'utilisation d'une transformée de Fourier directe
(DFT) L’entraînement du réseau de neurones est effectué à l’aide d'une fenêtre de quatre
amplitudes consécutives du signal fondamental pour chaque signal du courant et tension.

Disjoncteur Ligne

L2
L3
Tensions

ANNL1
|I1|
Courants
A
|U1|

|I2| ANNL2 Détection de défaut

par circuit logique
BA
DD
|U2|

Filtre Echantil-lonnage DFT Fenêtre ANNL3

Anti-repliement (ADC) (d'une période) de 4 amplitudes |I3|
Classifica-tion
|U3| CA par des circuits
logiques
CD
ANNE
|Io|

|Uo|
G

Figure 12 : Structure du réseau de neurones détecteur et classificateur de défaut (DCD).

  Entrées et sorties du réseau de neurones (figure)

. Les figures 13 et 14 montrent le déplacement de la fenêtre de données des quatre

échantillons consécutifs du courant et de la tension utilisés comme entrées des ANNs,
respectivement.

5
|I|
i(t)
4

0
fenètre de données
-1
temps (ms)
-2
20 30 40 50 60 70

fenètre de données
1.5
|V|
v(t)
1

0.5

-0.5

-1
temps (ms)
-1.5
20 30 40 50 60 70

La sortie du réseau de neurones est désignée par :

1 : pour indiquer la présence de défaut.
0 : pour indiquer l’absence de défaut.

Le tableau suivant représente les différents cas de figures des sorties des ANN

Sortie des
Type ANNs A B C G
de défaut

L1-E 1 0 0 1
L2-E 0 1 0 1
L3-E 0 0 1 1
L1-L2 1 1 0 0
L2-L3 0 1 1 0
L1-L3 1 0 1 0
L1-L2-E 1 1 0 1
L2-L3-E 0 1 1 1
L1- L3-E 1 0 1 1
L1-L2-L3 1 1 1 0

Le processus de du RN suit les étapes suivantes :

Pour obtenir un bon modèle du réseau de neurones, il est vital de l’entraîner et de le
tester correctement.

III.2.2.7 Implémentation du détecteur de défaut (DD) :

L'implémentation du Détecteur de Défaut (DD) est obtenue en assemblant les sorties
des ANNL1, ANNL2, ANNL3 et ANNE (A, B, C et G) à travers des portes logiques "OR.
Le défaut est très rapidement détecter du fait de la fonction logique "OR".

A
1 : Défaut.
Entrées

B
OR Sortie
C 0 : Pas défaut.
E

III.2.2.8 Implémentation du classificateur de défaut :

Dans ce cas les sorties des ANNL1, ANNL2, ANNL3 et ANNE (A, B, C et E) sont assemblés à
travers des portes logiques "AND" figure 19
.

III.2.2.9 Performances du détecteur et classificateur de défaut :

III.[Link] Performance d'un réseau de neurones :

Les critères pour évaluer les performances d'un ANN sont :

 La stabilité des valeurs de sortie du réseau de neurones dans l'état normal et sous
conditions de défaut.

 Le temps de réponse minime qui est la différence entre la valeur du temps actuel et la
valeur du temps désiré.

 Les capacités de la généralisation.

 Performances du détecteur et classificateur de défaut

Le critère utilisé pour l'évaluation des performances de détection est le temps de
réponse du détecteur trd qui est la différence entre le temps de détection du défaut obtenu t do et
le temps de la survenance du défaut tf.

t r d = tod - tf
Le temps de la réponse du classificateur de défaut trc qui représente la différence
entre le temps obtenu de la classification de défaut toc et le temps de la survenance réel tf, est
utilisé comme un critère pour évaluer la performance de la fonction de classification.
t r c = toc - tf

Tests des performances du DCD

Système étudié
Pour élaborer le DCD et évaluer ces performances, une ligne de transmission de 400 kV
s’étendant de 100 km entre deux sources est considérée dans cette étude, comme le montre la
figure (1).

Figure 1. Système simulé

Ainsi, plusieurs configurations de réseaux de neurones artificiels en été entraînées puis

testées afin d’établir un réseau approprié avec des performances satisfaisantes.

1 20o pu 0.9 0o pu
Disjoncteur

~
400 kV, 100 km
~
Défaut
G2
G1 9 GVA
(10 GVA)

Type de
DCD défaut

Choix du réseau de neurones:

Différentes structures d'ANNs (nombre de couches cachées et nombre de neurones dans
chaque couches) avec différents paramètres (fonction de transfère, paramètre d’apprentissage)
ont été évaluée afin d’optimiser l’architecture du réseau de neurones dans le but d'obtenir les
meilleurs résultats.
Avec un apprentissage supervisé, chaque réseau de neurones est entraîné avec
différents modèles d’entrée, correspondant à tous les types de défaut pour différents
emplacement Lf, différentes résistances de défaut Rf et différents niveaux de charge.

Après une série d’entraînements et de tests, il en découle qu’une architecture à trois

couches conduit aux meilleurs performances pour les ANNs de phases et celui de la terre.
|Ia| (n-3)
|Io|
|Ia| (n-2)
(n-3)
|Io|
|Ia| (n-1)
(n-2)
|Io| (n-
|Ia| (n)
1)
|Io|
Sortie A
|Ua| (n-3) (n) Sort
|Uo|
|Ua| (n-2)
1 : Défaut de phase
(n-3) ie G
0 : Pas de défaut
|Uo| 1 : Défaut à
|Ua| (n-1)
(n-2)
|Uo| la terre
|Ua| (n)
(n-1)
|Uo|
0 : Pas de
(n) défaut

Avec une erreur quadratique de 1.54 10-3, le réseau avec huit neurones dans la couche
cachée donne la plus faible erreur, il est de ce fait sélectionné pour cette application.
En utilisant huit neurones dans la couche cachée pour le ANNE, le système converge
après 50 "épochs" seulement, avec une erreur quadratique de 1.02 10-3
La structure des détecteurs de défaut (phases et terre) proposé est exposée dans le tableau

Nombre de neurones
ANNs Entrées Couche Couche Couche de
d'entrer cacher sortie
ANNL1 |I1|, |U1| 8 8 1
ANNL2 |I2|, |U2| 8 8 1
ANNL3 |I3|, |U3| 8 8 1
ANNE |Io|, |Uo| 8 8 1
Tests et réponses des ANNs

Après entraînement, le détecteur de défaut a été testé avec une multitude de nouvelles
conditions de défaut et pour différentes données du système d'énergie simulé et pour chaque
type de défaut.
Ces figures montre les sorties du DD pour différents types et condition de défauts.
de défaut phase B
Sortie ANN2

temps(ms)
40 60 80
de défaut a la terre
Sortie ANNE

temps(ms)
40 60 80

de défaut phase B
Sortie ANN2

temps(ms)
40 60 80
n de défaut a la terre
Sortie ANNE

temps(ms)
40 60 80

Détection de défaut phase A Détection de défaut phase B

1
Sortie ANN2

0.5
Sortie ANN1

1
0
0.5
-0.5
temps (ms) temps(ms)
-1 0
0 20 40 60 80 0 20 40 60 80
Détection de défaut phase C Détection de défaut a la terre
1
Sortie ANN3

0.5
Sortie ANNE

1
0
0.5
-0.5
temps(ms) temps(ms)
-1 0
0 20 40 60 80 0 20 40 60 80

Détection de défaut phase A Détection de défaut phase B

1
Sortie ANN2

0.5
Sortie ANN1

1
0
0.5
-0.5
temps (ms) temps(ms)
0 -1
0 20 40 60 80 0 20 40 60 80
Détection de défaut phase C Détection de défaut a la terre
1
Sortie ANN3

0.5
Sortie ANNE

1
0
0.5
-0.5
temps(ms) temps(ms)
0 -1
0 20 40 60 80 0 20 40 60 80

Les résultats démontrent la capacité des ANNs de produire une réponse correcte dans tous
les testes de simulation. Les résultats montrent aussi la stabilité des différentes sorties des
ANNs sous des conditions normales et une convergence rapide à la valeur attendue (c à d 1)
sous des conditions de défaut. Ceci confirme clairement l'efficacité du détecteur de
défaut proposé.
Les figures suivantes illustrent les courants et tensions de défaut des phases A et C
et le courant et la tension homopolaire ainsi que le courant et la tension de la phase B
légèrement perturbé par un défaut L1-L3-E, et les sorties des quatre ANNs, respectivement.

0.2 ANNs, respectivement.

|Vo| (pu)

|Ia| (pu)

|Ib| (pu)
|Vc|(pu) 0.16 4
0.8 8
0.12 3
0.6
6
0.08 2
0.4
4 1
0.2 0.04
temps (ms) temps (ms) 2 0
00 20 40 60 80 00 20 40 60 80 temps (ms)
temps (ms)
-1
00 2 4 6 8 0 2 4 6 8
0 0 0 0 0 0 0 0
3
|Ic| (pu)

2.5
|Io| (pu)

|Vb| (pu)

8 1
2 |Va| (pu) 2
0.8
6
1.5
0.6 1
4
1 0.4
0
2 0.2
0.5
temps (ms) temps (ms)
temps (ms) temps (ms) 00 20 40 60 80 -10 20 40 60 80
00 20 40 60 80 00 20 40 60 80
1

1 0.5

0
1 1 0.5
-0.5
temps temps
-1
0.5 0.5 0 20 40 60 80 0 20 40 60 80

temps temps
0 20 4 6 8 0 2 4 60 80
Les résultats des tests montrent que dans les cas de
0 0 0 0 0
défaut simulés, il y a une très rapide transition des
sorties des ANNs car la fenêtre de données se déplace de l'état pré-défaut à l'état de défaut
avec une pas de 1 ms.

Tableau 4: Nombre de défauts détectés (en %) en fonction de trd sous différents types de défaut.

trd (ms)
Type de défaut
mpt bpt bp tp, tpt Total (%)
1 95.55 100 64.44 100 90
2 4.45 0 17.78 0 5.56
3 0 0 17.78 0 4.44

On peut constater que la valeur minimale et maximale de t rd est 1 ms et 3 ms,

respectivement.. Tout les défauts testés (100%) sont détectés dans un temps inférieur a 3 ms
(90% de tous les cas de défaut est détecté dans un temps inférieur à 1 ms).

Performance du classificateur de défaut

Ces figure montre les sorties du CD pour différents type et condition de défauts.

Classification de Défaut

0.5

L1.L2.L3
L1.L3
0 L2.L3
L1.L2
0 L1.L3.E
ut
éfa
L2.L3.E
20
ed
L1.L2.E
temp
s (m
40 L3-E
L2-E p ed
s) L1-E y T
60
80

Classification de Défaut

0.5

L1.L2.L3
L1.L3
0 L2.L3
L1.L2
0 L1.L3.E
20 L2.L3.E
L1.L2.E
40 L3-E
L 2-E
60 L1-E

80
 Classification de Défaut

0.5

L1.L2.L3
L1.L3
0 L2.L3
L1.L2
0 L1.L3.E
20
L2.L3.E ut
L1.L2.E éfa
40 L3-E ed
temp L2-E ed
p
Ty
60 L1-E
s (m
s)
80

Classification de Défaut

0.5

L1.L2.L3
L1.L3
0 L2.L3
L1.L2
0 L1.L3.E
t
fau
L2.L3.E
20 L1.L2.E dé
L3-E de
temp 40 L2-E pe
s (m 60 L1-E Ty
s)
80

Les résultats de la classification montrent que dans les cas de défaut présentés, il y a une très
rapide transition dans les sorties du CD, cela est dû aux déplacements de la fenêtre de données
de l'état pré-défaut à celle du défaut avec un pas de 1 ms. Ceci confirme clairement l'efficacité
du classificateur de défaut proposé.

Tableau 5: Nombre de défauts classés (en %) en fonction de trc sous différents types de
défaut.

trd (ms)
Type de défaut
mpt bpt bp tp, tpt Total (%)
1 39.33 42.23 42.23 43.48 41.82
2 20.69 15.55 13.33 0 12.39
3 8.88 6.66 4.44 17.39 9.34
4 13.33 17.78 15.56 21,74 17.10
5 11.11 11.11 11.11 13.04 11.59
6 2.22 6.67 13.33 4.35 6.64
7 4.44 0 0 0 1.12
 On peut voir que la valeur minimale et maximale de t rc est 1 ms et 7 ms, respectivement.
(obtenu dans le cas de défauts mpt, 1.12 % de tous les défauts) lequel représente un bon temps
pour la classification de défaut (80.65 % de tous les cas de défaut sont classés dans un temps
de inférieur à 5 ms).

Conclusion Générale