Contribution à l'amélioration de l'interprétation des techniques de diagnostic des transformateurs de puissance par spectroscopie diélectrique
Bibliographic record
Abstract
Les transformateurs de puissance sont les équipements les plus importants et les plus coûteux utilisés dans le transport et la distribution de l'énergie électrique. Malgré de grands progrès dans la conception des équipements de puissance ces dernières années, le maillon faible de la chaîne reste encore le système d'isolation. Lorsque les transformateurs de puissance tombent en panne, la défaillance est généralement due à un défaut d'isolement. Les défaillances imprévues provoquent d'importantes perturbations des systèmes d'exploitation. Ce qui entraîne des pannes subites et des problèmes de livraison d'énergie. Une fiabilité extrême est exigée de la distribution dans la mesure où en cas de panne, ils conduisent inévitablement à des coûts de réparation élevés, les temps d'arrêt à long et éventuels risques de sécurité du personnel. De plus, les aspects environnementaux tels que les dommages indirects, les incendies et la pollution sont à haut risques. \n \nLes besoins croissants en outils appropriés pour le diagnostique de l'isolation des systèmes de puissance, de manière non destructive et fiable, ont conduit au développement d'outils de diagnostic tels que la mesure dans le domaine des fréquences (FDS), au cours de ces dernières années. Cette technique s'est révélée être sensible à l'humidité et l'isolation du vieillissement, c'est-à-dire qu'avec cette technique, il est difficile de prédire l'état réel de l'isolation solide d'un transformateur de puissance et partant d'estimer sa durée de vie résiduelle. Le présent projet de recherche vise à améliorer cette situation. \n \nÀ ce titre, l'objectif principal visé est la séparation de l'effet de l'humidité et du vieillissement sur l'isolation solide des transformateurs de puissance à partir des mesures diélectriques réalisés dans le domaine fréquentiel. À cet objectif principal, a été ajouté un objectif secondaire relatif à la transformation des mesures effectuées dans le domaine temporel en fréquentiel. Le but ultime est de réduire considérablement le temps des tests effectués par la technique FDS. \n \nPour mener à bien cette étude, nous avons essayé de reproduire les conditions d'utilisation du papier dans les transformateurs en effectuant des vieillissements accélérés sur des échantillons de papiers imprégnés d'huile dans un four à convection à 115°C pendant des durées de 250, 500, 750 et 1000 heures. L'analyse des résultats, a permis de constater qu'il est possible de trouver une corrélation entre le degré de polymérisation (DP) qui indique l'état de dégradation réel du papier et les mesures du facteur de dissipation (tanô) indiquant l'état global de l'isolation des transformateurs de puissance. En effet, l'analyse des résultats a permis de montrer qu'il est possible de séparer l'effet du vieillissement et de l'humidité de l'isolation solide pour des teneurs en humidité inférieurs ou égales à 2%, en analysant les valeurs du facteur de dissipation aux basses fréquences de l mHz à 0,l mHz. \n \nAfin de faciliter et surtout d'automatiser l'analyse des données relatives aux mesures effectuées dans le domaine fréquentiel par le IDA 200, nous avons utilisé les réseaux de neurones en tant qu'outil d'aide à la prise de décision qui permettra d'obtenir rapidement les résultats concernant l'état de l'isolation solide (papier). Ainsi, après le prétraitement réalisé par l'analyse statistique, puis l'apprentissage et la validation du traitement d'un réseau de neurones, nous avons pu obtenir en sortie les informations concernant le classement des données des mesures en fonction de l'humidité et du vieillissement/Cette analyse, réalisée par l'utilisation des réseaux de neurones a également permis d'obtenir la séparation de l'humidité et du vieillissement pour des taux d'humidité inférieurs à 2%. \n \nConcernant le deuxième objectif, nous avons montré qu'il est possible de réduire le temps des mesures effectuées dans le domaine fréquentiel, en effectuant les mesures dans le domaine temporel par la mesure des courants de polarisation et de dépolarisation (PDC) convertis dans le domaine fréquentiel en utilisant la méthode de la décomposition en somme de fonctions exponentielles. Par cette technique, nous avons réduit le temps des tests de 15 heures à environ 2 heures 30 minutes.
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.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.004 | 0.004 |
| Meta-epidemiology (narrow) | 0.002 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.002 |
| Bibliometrics | 0.003 | 0.001 |
| Science and technology studies | 0.001 | 0.002 |
| Scholarly communication | 0.006 | 0.005 |
| Open science | 0.003 | 0.003 |
| Research integrity | 0.003 | 0.003 |
| Insufficient payload (model declined to judge) | 0.007 | 0.003 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".