Supervision et prédiction des défauts des transformateurs électriques en utilisant les techniques de machine learning

RÉSUMÉ Ce rapport présente en détail le mémoire de recherche intitulé "Supervision et prédiction des défauts des transformateurs électriques via les techniques de Machine Learning". L'ambition de ce travail est de déployer une stratégie innovante fondée sur l'apprentissage automatique pour anticiper les pannes des transformateurs électriques, garantissant ainsi leur optimal fonctionnement. Dans le cadre de cette recherche, notre approche s'est articulée autour de deux axes principaux. D'un côté, nous avons exploité des séries de données issues de simulations obtenues grâce à un modèle électrique que nous avons conçu, afin de modéliser les fluctuations de courant et de tension des transformateurs. Ces données de simulation ont été essentiel non seulement pour anticiper les pannes potentielles, mais également pour déterminer l'emplacement des irrégularités au sein des transformateurs. De l'autre côté, nous avons bénéficié de données réelles issues d'indicateurs de suivi mis à notre disposition, ce qui a ajouté une dimension pratique et concrète à notre recherche. Ces données, nous ont permis d'aborder la prédiction des défaillances des transformateurs sous un angle novateur. L'utilisation de techniques avancées d'apprentissage automatique et d'apprentissage en profondeur pour analyser ces ensembles de données s'est révélée cruciale pour prédire avec précision les défauts et les anomalies dans les transformateurs électriques. Pour cette recherche, nous avons recours à Matlab/Simulink pour élaborer un modèle électrique fidèle des transformateurs. Par ailleurs, l’implémentation des modèles d'apprentissage automatique s'est appuyée sur l'utilisation de Python, un langage largement privilégié dans le domaine de la science des données. ABSTRACT This document elaborates on the research thesis titled "Machine Learning Approaches for Monitoring and Predicting Faults in Electrical Transformers." The core objective of this study is to leverage Machine Learning for early detection and prediction of faults within electrical transformers, ensuring their efficient functioning. Our research methodology is bifurcated into two distinct segments. Initially, we utilized simulated datasets derived from an electrical model we developed, aiming to replicate the current and voltage variations observed in transformers. These simulations were pivotal for forecasting failures and pinpointing anomalies' locations. Furthermore, we incorporated actual operational data, gathered from monitoring systems, into our analysis, thereby grounding our investigation in real-world scenarios. This integration of simulated and empirical data facilitated a novel perspective on fault prediction in transformers. The employment of sophisticated machine learning and deep learning methodologies to dissect these datasets was instrumental in accurately identifying electrical system faults. To construct a detailed electrical model of the transformers, we employed Matlab/Simulink. Additionally, the development of our machine learning models was conducted using Python, the preferred programming language in data science, enhancing our data analysis capabilities and enabling the selection of appropriate learning algorithms tailored to our research requirements.

Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.