Modélisation prédictive et diagnostic du diélectrique d’un transformateur de puissance

Abstract

Dans ce travail, nous avons appliqué les techniques de l’intelligence artificielle pour le diagnostic diélectrique du papier Kraft imprégné dans l’huile Luminol et utilisé comme isolant solide dans les transformateurs de puissance. Des études récentes montrent qu’l existe une forte corrélation entre la dépolymérisation de la cellulose et la perte des propriétés mécaniques du papier Kraft. Sur la base de ces études, nous avons développé deux approches neuronales (ANN) de type perceptron multicouches (MLP) afin de prédire la résistance à la traction de ce type de papier. La première approche consiste à modéliser et prédire le degré de polymérisation (DPv) en fonction de trois paramètres de vieillissement : le temps de vieillissement, la température d’opération et par rapport à la concentration du composé chimique 2-furfural dans l’huile du transformateur. Tandis que la deuxième approche consiste à modéliser et prédire l’indice de traction (Tidx) en fonction du DPv. Les résultats de simulation ont été satisfaisants et acceptables. En comparant les résultats réels de mesure et les résultats estimées par les deux approches neuronales, nous avons remarqué une bonne adaptation et une précision élevée pour les deux modèles ce qui confirme la grande capacité d’apprentissage des réseaux de neurones artificiels d’une part et l’importance d’appliquer l’intelligence artificielle dans le domaine de prédiction et du diagnostic d’une autre part. Diagnostic du papier Kraft montre que la perte des propriétés mécaniques dépendue à la dépolymérisation de la cellulose. Cette dernière est soumise à un vieillissement accéléré dans l’huile du transformateur à partir de 170 °C.