Détection en temps réel de l'instabilité transitoire des réseaux électriques avec les mesures synchronisées de phaseurs

Résumé

Les synchrophaseurs également appelés Phasor Measurement Units, couplés d'un système GPS, permettent de mesurer la phase du courant plus de 30 fois par seconde, soit une fréquence 120 fois plus grande que celle des systèmes actuels. Ils donnent la possibilité de cartographier en temps réel les phases du réseau électrique ; ce qui de toute évidence, facilite leur contrôle, leur surveillance, leur compréhension et leur gestion optimale. Les applications des synchrophaseurs incluent le contrôle étendu, la validation du modèle système, la détermination des marges de stabilité, l’optimisation de la charge pour un système stable, la détection d'îlotage, l’enregistrement des perturbations à l'échelle du réseau et la visualisation de la réaction dynamique du réseau. Avec cette technologie en vogue, les opérateurs de réseaux disposent d’une quantité d’informations très importante à manipuler. La présente thèse a pour objectif de proposer aux opérateurs de réseaux électriques une démarche systématique qui permet de prédire l’instabilité des réseaux électriques en temps réel en extrayant les signatures cachées dans la masse de données fournies par les synchrophaseurs. Étant donné que le forage de données dispose d’un ensemble d'algorithmes conduisant à la construction des modèles, on exploite dans ce travail la forêt aléatoire d’arbres de décision et le boosting. Ces algorithmes vont chercher un maximum de connaissances dissimulées dans les données. On propose un nouveau concept pour l’étude de l’instabilité : le Centre de Puissance (COP). Cette notion est une extension du centre d’inertie et de l’approche de mesure de zone étendue et de système de contrôle de tension. Elle prend en compte les valeurs de puissances effectives du réseau déduites des mesures des synchrophaseurs. À chaque région du réseau, on associe un centre de puissance de vitesse. On constate une instabilité dans le cas où le COP de vitesse de deux régions quelconques ne cesse de s’éloigner. On a aussi proposé deux indices de détection de l’instabilité se basant sur les COP de vitesse et les mesures des synchrophaseurs. La divergence de ces indices confirme que le réseau a perdu son synchronisme. Contrairement au snapshot largement utilisé dans la littérature, on propose dans cette thèse d’utiliser une fenêtre glissante lors de l’analyse de l’instabilité. Cette dernière a comme avantages de favoriser une prise de décision en tout temps sans un détecteur de défaut au préalable et de mettre à jour la base de données sur l’état du réseau avec l’arrivée de nouvelles données sans perdre les informations contenues dans les données précédentes. Pour évaluer l’importance des prédicteurs proposés dans la construction des modèles de forêt aléatoire et de boosting, on considère trois scénarios. Dans le premier, on retient comme prédicteurs les variables découlant du COP, les indices proposés et toutes les variables mesurées et estimées. On constate qu’une plus grande importance relative est accordée aux prédicteurs directement liés au COP et aux mesures synchrophasées dans la construction des modèles de prédiction de l’instabilité en temps réel. Dans le deuxième scénario, l’emphase est mise uniquement sur les prédicteurs proposés et les mesures synchrophasées. Il résulte que les écarts entre l’exactitude, la fiabilité et la sécurité des modèles de prédiction obtenus dans les deux scénarios sont très faibles. De plus, les taux de mauvaise classification et de fausse alarme se rapprochent. On en déduit que les prédicteurs proposés constituent un bon compromis entre la faible perte de précision du modèle et la diminution de la taille de la base de données sur laquelle l’apprentissage est effectué. Le troisième scénario permet de généraliser et de démontrer que les prédicteurs proposés ne dépendent pas du réseau. Finalement, on propose une nouvelle approche adaptative de mise à jour du modèle de prédiction. L’état du réseau est déterminé par une double vérification : une première se reposant sur le modèle de la forêt aléatoire initialement construit et la seconde se basant sur un boosting. À chaque boosting construit, on attribue un indicateur qui dépend du poids de chacun des arbres du modèle et des erreurs y relatives. Lors de la mise à jour, cet indicateur est comparé au précédent et autorise ou non l’adoption du nouveau modèle de prédiction pour les événements futurs.

Date	26 avr. 2017
langue originale	Français
Établissement diplômant	École de technologie supérieure
Superviseur	Louis-A. Dessaint (Directeur(-trice))