Évaluation par réseau de neurones artificiels de l'effet de givrage et de vent sur les lignes de transmission

Dans les régions nordiques, les tempêtes hivernales provoquent d'importantes accumulations de glace sur les lignes de transmission, constituant l'une des principales causes de pannes de courant. Ces phénomènes entraînent également des pertes économiques majeures et posent des risques considérables pour les infrastructures et la sécurité publique. Ce mémoire vise à mettre en lumière l’originalité de l’approche proposée, qui repose sur l’utilisation de réseaux de neurones artificiels pour prédire l’effet combiné de l’accumulation de glace et du vent sur les lignes électriques. Présenté sous forme de mémoire par articles, ce travail compile les méthodes et résultats obtenus, publiés dans deux articles scientifiques de journaux. Le premier article : il introduit un réseau de neurones à propagation avant (FFNN) conçu pour prédire le rapport glace-liquide (ILR) à partir des données environnementales du Système d'Observation de Surface Automatisé (ASOS). Ce modèle a été optimisé grâce à plusieurs algorithmes métaheuristiques, notamment l’optimisation par essaim de particules (PSO), l’optimiseur de loup gris (GWO), l’algorithme d’optimisation des baleines (WOA) et l’optimiseur de moisissure visqueuse (SMO). Une analyse de sensibilité, basée sur l’indice de Sobol via une expansion en chaos polynomial, a permis d’identifier les paramètres environnementaux les plus influents sur l'ILR : précipitations, température, température du point de rosée et vitesse du vent. Ce modèle optimisé s’est avéré supérieur à l’algorithme de descente de gradient stochastique (SGD). Une fois l’ILR prédit, l’épaisseur de glace peut être calculée en le multipliant par la profondeur des précipitations liquides. Le deuxième article : il se concentre sur la cartographie des risques liés à l’accumulation de glace, en exploitant des données de mesures directes provenant du réseau de glacimètres d'Hydro-Québec. Les épaisseurs maximales annuelles de glace sont ajustées à des distributions de probabilité pour estimer les valeurs de retour sur 10, 30 et 50 ans. Ces données ont ensuite été interpolées en utilisant deux techniques : la pondération inverse de la distance (IDWI) et le krigeage ordinaire (OK), permettant de comparer l’efficacité de ces méthodes. En parallèle, les risques de galop sont évalués en appliquant le cadre d’ingénierie des glaces basé sur la performance (PBIE), produisant ainsi des cartes de risque de galop pour différentes périodes de retour. Ces deux articles ont abouti au développement d’un modèle de prédiction précis de l’épaisseur de glace, ainsi qu’au développement de cartes de risques d’accumulation de glace et de galop. Ces outils offrent des évaluations fiables pour une gestion optimisée des infrastructures au Québec, tout en atténuant les impacts des conditions climatiques extrêmes. In northern regions, winter storms cause significant ice accumulation on transmission lines, which is one of the leading causes of power outages. These events also result in substantial economic losses and pose serious risks to infrastructure and public safety. This thesis aims to emphasize the originality of the proposed approach, which involves the use of artificial neural networks to predict the combined effects of ice accumulation and wind on power lines. Presented as a thesis by articles, this work compiles the methods and results obtained, published in two scientific journal articles. The first article: it introduces a feedforward neural network (FFNN) designed to predict the ice-to-liquid ratio (ILR) using environmental data from the Automated Surface Observing System (ASOS). The model was optimized using several metaheuristic algorithms, including Particle Swarm Optimization (PSO), Grey Wolf Optimizer (GWO), Whale Optimization Algorithm (WOA), and Slime Mould Optimizer (SMO). A sensitivity analysis, based on the Sobol index via polynomial chaos expansion, identified the most influential environmental parameters on ILR: precipitation, temperature, dew point temperature, and wind speed. The optimized model demonstrated superior performance compared to the stochastic gradient descent (SGD) algorithm. Once the ILR is predicted, the ice thickness can be calculated by multiplying it by the depth of liquid precipitation. The second article: it focuses on mapping risks related to ice accumulation using direct measurement data from Hydro-Québec’s network of ice gauges. Maximum annual ice thicknesses were fitted to probability distributions to estimate return values for 10, 30, and 50 years. These values were then interpolated using two techniques: Inverse Distance Weighted Interpolation (IDWI) and Ordinary Kriging (OK), enabling a comparative evaluation of their effectiveness. Additionally, galloping risks were assessed using the performance-based ice engineering (PBIE) framework, resulting in galloping risk maps for different return periods. These two articles contributed to the development of a precise prediction model for ice thickness and the creation of risk maps for ice accumulation and galloping. These tools provide reliable evaluations to support optimized infrastructure management in Québec, while reducing the impacts of extreme weather conditions.

Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.