Modélisation des réseaux électriques de basse tension à partir d’une grande masse de données : applications de méthodes d’apprentissage automatique pour la surveillance du réseau dans des conditions atmosphériques variables et de vieillissement

Data-based investigations of Low Voltage Distribution Systems : Machine Learning Applications for the monitoring of the network under ageing and variable atmospheric conditions

• Auteur / Autrice : Egnonnumi Codjo
• Direction : Bruno Francois, François Vallée
• Type : Thèse de doctorat
• Discipline(s) : Génie Electrique
• Date : Soutenance le 24/11/2022
• Etablissement(s) : Centrale Lille Institut en cotutelle avec Université de Mons
• Ecole(s) doctorale(s) : École doctorale Sciences de l’ingénierie et des systèmes (Lille)
• Partenaire(s) de recherche : Laboratoire : Laboratoire d'électrotechnique et d'électronique de puissance (L2EP) - Laboratoire d’Électrotechnique et d’Électronique de Puissance - ULR 2697 / L2EP
• Jury : Président / Présidente : Jacques Lobry
• Jury : Examinateurs / Examinatrices : Corinne Alonso, Emmanuel De Jaeger, Bashir Bakhshideh Zad
• Jury : Rapporteurs / Rapporteuses : Jean-Paul Gaubert, Manuela Sechilariu

Mots clés

Mots clés contrôlés

Détérioration

Câbles électriques

Systèmes photovoltaïques

Isolants électriques

Compteurs électriques intelligents

Monte-Carlo, Méthode de

Apprentissage supervisé (intelligence artificielle)

Basse tension

Réseaux électriques (énergie)

Mots clés libres

Réseaux de distribution basse tension

Méthodes d'apprentissage automatique supervisées

Dégradation de l'état du câble

Compteurs communicants

Scénarios de Monte Carlos

Evaluation de l'état des câbles

Low voltage distribution networks

Supervised Machine Learning methods

Cable condition degradation

Smart meter

Monte Carlos scenarios

Cables conditions assessmenT

Résumé

Cette thèse explore des applications potentielles des données énergétiques mesurées par les compteurs communiquant des réseaux électriques de basse tension (BT). A partir de ces données, un algorithme heuristique permet de proposer une architecture équivalente du réseau électrique et d’identifier ses impédances par une minimisation optimale des erreurs de modélisation. Le modèle obtenu est utilisé pour étudier l’impact de la variation et de l’augmentation de la température ambiante sur le fonctionnement du réseau électrique. Les variations de la demande des charges électriques, des générateurs PV, de la température ambiante augmentent le courant de fuite à travers l'isolation du câble et accélère le vieillissement de l’infrastructure. Des analyses d'impacts sont menées pour caractériser et modéliser la dégradation de l'isolation des câbles en se basant uniquement sur les données issues des compteurs « intelligents ». Etant donné que des modèles mathématiques satisfaisants basés sur la physique ne sont pas développables, plusieurs méthodes d'apprentissage automatique supervisé sont appliquées pour évaluer l'état de dégradation des câbles. Des cas d’études sont analysés pour comparer la précision des méthodes d’apprentissage pour différent scenarii de dégradations. Les outils proposés offrent des perspectives prometteuses pour l'identification précoce des défauts dans les câbles BT en utilisant des mesures issues des compteurs combinés à des approches d’apprentissage et des calculs de flux de puissances utilisant des simulations de scénarios de Monte Carlo pour calculer les tensions

This thesis explores potential applications of energy data measured by smart meters in low voltage (LV) electrical networks. From these data, a heuristic algorithm makes it possible to propose an equivalent architecture of the network and to identify its impedances by an optimal minimization of modeling errors. The model obtained is used to study the impact of the variations and increase of the ambient temperature on the operation of the electrical network. Variations from load demands, PV generations, the ambient temperature and working environment conditions increase the leakage current through the cable insulation and so accelerate the ageing of the infrastructure. Some impacts analysis are carried out to characterize and model the cables insulation degradation, based only on the measurement data from smart meters. Since satisfactory mathematical models based on the physics cannot be developed for the application, several supervised machine learning methods are applied to access the condition of the electrical system. Case studies are analyzed to compare the accuracy of learning methods for different degradation scenarios. The proposed frameworks offer promising perspectives for the early identification of LV cable conditions by using SM measurements combined to ML approaches, Load Flow computations and Monte Carlo using scenario simulations to calculate the network voltages