Méthode hybride méta-heuristique et d’impédance floue pour une localisation rapide des défauts sur les lignes électriques

Pourquoi il est crucial de localiser les défauts de lignes plus rapidement

Lorsqu’un défaut survient sur une ligne haute tension — à cause d’un orage, d’une défaillance matérielle ou d’une erreur humaine — l’électricité peut être interrompue instantanément pour des milliers de foyers et d’usines. Les réseaux actuels dépendent d’équipes de terrain et de logiciels de centre de contrôle pour repérer le point exact de la panne avant d’engager les réparations, un processus qui peut être lent, incertain et coûteux. Cet article présente une nouvelle méthode pour identifier rapidement et avec une grande précision les problèmes le long de lignes longue distance, en utilisant des mesures intelligentes à une seule extrémité de la ligne et une méthode de recherche inspirée par des oiseaux chasseurs.

Comment les lignes électriques révèlent habituellement leurs problèmes

Lorsqu’un incident se produit sur une ligne de transmission, la « sensation » électrique de la ligne change. Les ingénieurs décrivent cela en termes d’impédance, une grandeur liée à la résistance de la ligne au passage du courant. Les outils traditionnels de localisation de défaut estiment l’emplacement du problème en comparant les tensions et les courants mesurés aux deux extrémités de la ligne puis en résolvant des équations basées sur un modèle détaillé du matériel. Ces méthodes peuvent bien fonctionner, mais elles exigent une connaissance précise des paramètres de la ligne, une synchronisation temporelle exacte entre stations distantes, et elles peinent parfois face à des défauts subtils ou à haute résistance. À mesure que les réseaux intègrent des sources renouvelables et gagnent en complexité, le bruit et l’incertitude dans ces mesures rendent la localisation rapide et fiable des défauts encore plus difficile.

Lire le réseau depuis une seule extrémité

Les auteurs proposent une stratégie différente reposant sur une unité de mesure phasorique (PMU) placée à une seule extrémité de la ligne. Cet appareil échantillonne tensions et courants à grande fréquence et les convertit en phasors — des représentations compactes de l’état électrique du réseau. Lorsqu’un défaut apparaît, les courants et tensions de chaque phase changent brusquement, et avec eux l’impédance apparente vue par la PMU. En n’observant que la façon dont ces grandeurs évoluent au terminal local au fil du temps, le système peut d’abord décider si un défaut s’est produit et quel type il est (monophasé, biphasé ou triphasé, avec ou sans défaut à la terre), puis utiliser cette information pour déduire à quelle distance le défaut se trouve sur la ligne.

Une recherche inspirée des oiseaux pour localiser le défaut

Transformer ces variations brutes en une distance précise n’est pas simple, car la relation entre impédance et position est fortement non linéaire et varie selon le type de défaut. Pour y répondre, les chercheurs construisent deux modèles complémentaires qui apprennent cette relation à partir d’exemples simulés de défauts le long d’une ligne de 200 km sous 220 kV. Un modèle ajuste une courbe flexible d’ordre cinq aux données ; l’autre utilise un système à logique floue qui combine de nombreuses règles simples, chacune décrivant comment certaines plages de valeurs d’impédance correspondent à des distances sur la ligne. Les deux modèles sont entraînés à l’aide du Fire Hawk Optimizer, un algorithme méta-heuristique inspiré d’oiseaux qui propagent de petits feux pour chasser leurs proies puis convergent vers les meilleurs emplacements de chasse. Ici, la « proie » est la combinaison de paramètres de modèle qui minimise l’erreur entre les localisations prédites et les localisations réelles des défauts.

Vitesse, précision et robustesse en conditions réelles

Une fois entraînée, la méthode hybride peut localiser des défauts de différents types et à différentes positions le long de la ligne avec une erreur très faible — en moyenne, environ 0,16 % de la longueur de la ligne pour le modèle flou et moins de 1 % pour le modèle polynomiale. Concrètement, cela représente des erreurs de seulement quelques centaines de mètres sur une ligne de 200 km. L’approche s’avère également résiliente face aux complications courantes des réseaux réels. Les tests montrent qu’elle conserve sa précision même lorsque du bruit de mesure est ajouté, lorsque les propriétés électriques de la ligne sont modifiées, lorsque les charges sur le réseau changent, et lorsque le défaut lui‑même présente une résistance élevée qui affaiblirait les indices diagnostiques habituels. Autre point important : le calcul complet s’achève en moins d’environ 0,16 seconde sur du matériel standard, suffisamment rapide pour des systèmes de protection en temps réel.

Ce que cela signifie pour les réseaux électriques de demain

Pour les non‑spécialistes, l’idée clé est que les auteurs ont développé un moyen permettant à un capteur intelligent unique, placé à une extrémité d’une ligne haute tension, d’agir comme un localisateur expert : repérer non seulement la présence d’un problème mais aussi son emplacement exact, presque instantanément et avec très peu de connaissances préalables sur la ligne. En combinant un signal physiquement significatif (l’impédance), un modèle flexible à base de règles (logique floue) et une stratégie de recherche efficace inspirée de la nature (le Fire Hawk Optimizer), la méthode promet des réparations plus rapides, des coupures moins nombreuses et plus courtes, et des coûts moindres pour les opérateurs. À mesure que les réseaux électriques deviennent plus complexes et plus essentiels, de tels outils intelligents et rapides de localisation des défauts pourraient devenir un élément central pour maintenir l’alimentation.

Citation: Najafzadeh, M., Pouladi, J., Daghigh, A. et al. Hybrid meta heuristic and fuzzy impedance method for fast fault location in power system lines. Sci Rep 16, 8019 (2026). https://doi.org/10.1038/s41598-025-33182-5

Mots-clés: pannes de transmission électrique, unités de mesure phasoriques, logique floue, optimisation métaheuristique, fiabilité du réseau