- Projets de recherche : /fr/recherche-appliquee/instituts/energy/projets-de-recherche/
- Infrastructure : /fr/recherche-appliquee/instituts/energy/infrastructure/
- Equipe : /fr/recherche-appliquee/instituts/energy/equipe/
- Agenda : /fr/recherche-appliquee/instituts/energy/agenda/
- Actualité : /fr/recherche-appliquee/instituts/energy/actualite/
- Projets de recherche : /fr/recherche-appliquee/instituts/energy/projets-de-recherche/
- Infrastructure : /fr/recherche-appliquee/instituts/energy/infrastructure/
- Equipe : /fr/recherche-appliquee/instituts/energy/equipe/
- Agenda : /fr/recherche-appliquee/instituts/energy/agenda/
- Actualité : /fr/recherche-appliquee/instituts/energy/actualite/
DigitalHT
![](/media/j3bng2oj/digitalht.jpg?width=765&height=450&v=1da6e16614e2ca0)
En bref
Réseaux électriques et thermiques
Fonds HES-SO
HEIG-VD/IICT, HEIG-VD/IESE, FR - EIA - Institut iCoSys
Dominique Rolle
Répertoire des compétences
janvier 2023 - juillet 2024
Monitoring des Transformateurs de Puissance dans un Objectif de Maintenance Prédictive
Le réseau électrique Suisse a un degré de fiabilité élevé, notamment grâce à la robustesse des composants HT (haute tension).
Le coût des composants est élevé, il faut donc maximiser leur durée de vie. Cette dernière dépend de leur design, mais également des sollicitations auxquelles ils seront confrontés.
Le réseau électrique se transforme à cause de l'injection décentralisée. Ceci implique des changements de la dynamique du réseau et des sollicitations sur les composants autres que celles pour lesquelles ils ont été dimensionnés, avec comme conséquence une possible diminution de leur durée de vie. Par exemple pour les transformateurs de puissance (TrP), les profils de charge du réseau seront nettement plus dynamiques et comportent de plus grandes variations.
Il existe des techniques (diagnostic et monitoring) qui permettent d'évaluer l'état d'un composant, mais elles nécessitent des coûts d'investissement élevés et une grande expertise. Les modèles de vieillissement existants, qui pourraient potentiellement éviter les problèmes du diagnostic et monitoring actifs, sont en général trop simples et inexacts, ou alors trop complexes et difficilement paramétrables. De plus, la durée de vie d'un composant HT étant de plusieurs dizaines d'années, il est impossible de valider un modèle en effectuant des tests de vieillissement à l'échelle 1:1.
L'objectif visé par ce projet est de développer une technique de monitoring intelligente et économique pour optimiser la maintenance et les coûts d'exploitation, et prolonger la durée de vie des composants, avec comme conséquence une qualité de service améliorée. La solution détectera des anomalies à partir de données de capteurs installés sur un TrP isolé et refroidi à l'huile minérale. Cette détection d'anomalies basées sur le `machine learning' devrait idéalement fonctionner sur un système embarqué à proximité du TrP.
Notre priorité est de se concentrer sur les TrPs qui sont les composants les plus chers et critiques du réseau. Cependant, la solution pourra être appliquée à d'autres types de composants.
Pour atteindre notre objectif, il est nécessaire de disposer de données réelles. Si celles-ci sont difficiles, à obtenir en quantité suffisante, des données simulées basées sur l'expérience viendront les compléter.
Concernant les données réelles, un système robuste et économique pour l'acquisition des grandeurs mesurables est en phase finale de réalisation : une infrastructure de mesure innovante a été développée par une entreprise partenaire (Gradesens) qui mesure des valeurs de température et de puissance, mais aussi des grandeurs non standards telles que le spectre vibratoire du TrP et du changeur de prises (tap changer). Un pilote est en cours d'installation sur un TrP d'une autre entreprise partenaire avec potentiellement plus de TrPs qui vont suivre. Ces données seront ainsi disponibles au début du projet.
Vu le nombre de données limitées et que les TrPs pilotes vont présenter peu d'anomalies, nous allons développer un `digital twin'. Ceci nous permet de créer à la fois des données pour valider notre approche avec des anomalies simulées, mais aussi pour faire un pré-entrainement sur ces données, suivi par un `transfer learning' vers les données réelles. Des méthodes standards pour la détection d'anomalies vont être appliquées, notamment des approches de modélisation de l'état normal du TrP. Ainsi, nous pouvons détecter si les mesures provenant du TrP réel dérivent de ce que notre modèle prédit et ainsi détecter des anomalies.