Classification de la saturation des transformateurs de courant (TC) par décomposition empirique en modes (EMD) et vecteur de pertinence (RVM)

Pourquoi c’est important pour maintenir l’électricité

Les réseaux électriques modernes dépendent d’appareils de protection qui doivent décider, en quelques millièmes de seconde, s’il faut déconnecter un équipement lorsqu’un défaut survient. Ces décisions reposent sur des capteurs appelés transformateurs de courant (TC), qui réduisent de fortes intensités pour que l’électronique puisse les mesurer en toute sécurité. Lorsque les TC se « saturent », ils cessent de rapporter le courant réel, et les systèmes de protection peuvent hésiter ou déclencher inutilement — risquant des coupures de courant ou des dommages matériels. Cette étude présente une nouvelle méthode fondée sur les données pour repérer la saturation des TC rapidement et de manière fiable, même dans des conditions de réseau bruitées et en évolution rapide.

La faiblesse cachée d’un capteur critique

Les transformateurs de courant fonctionnent comme des entonnoirs de mesure précis, transformant des milliers d’ampères sur une ligne en un faible signal gérable pour les relais et les compteurs. Mais lors des défauts — par exemple des courts-circuits sur de longues lignes de transmission — le noyau magnétique du TC peut être poussé au-delà de sa zone de confort. Une fois saturé, la forme d’onde de sortie devient déformée et « aplatie », ne reflétant plus fidèlement le courant réel. Les relais de protection qui s’appuient sur ce signal déformé peuvent mal évaluer si un défaut se situe à l’intérieur ou à l’extérieur d’une zone protégée. Les approches antérieures pour détecter la saturation utilisaient généralement des seuils fixes, des pentes de forme d’onde simples ou des modèles de TC spécifiques, et elles peinaient souvent face au bruit, aux charges changeantes et à la saturation subtile et précoce.

Simuler de nombreuses façons dont un réseau peut échouer

Pour tester rigoureusement de nouvelles idées, les auteurs ont construit un modèle informatique détaillé d’un système électrique dans PSCAD, reliant un générateur, une ligne de transmission et des équipements de protection. Ils ont injecté des défauts à de nombreux points différents de la ligne, varié les types de défaut (comme défauts ligne-terre et défauts triphasés), ajusté la résistance du défaut et modifié l’angle d’amorçage du défaut sur la sinusoïde de tension. Ils ont également changé des paramètres spécifiques aux TC comme la charge côté secondaire, le magnétisme résiduel dans le noyau du TC, et le niveau de bruit dans les mesures. En utilisant un modèle d’hystérésis réaliste pour le TC, ils ont généré plus de 200 000 exemples de formes d’onde de courant répartis en trois catégories : pas de saturation, saturation légère et saturation sévère. Cet important jeu de données, soigneusement structuré, a permis de tester la méthode sur des conditions rencontrées en pratique par les ingénieurs de protection.

Décomposer des ondes complexes en éléments plus simples

Le cœur du schéma proposé est une méthode de traitement du signal appelée Décomposition Empirique en Modes (EMD). Plutôt que de supposer que tous les signaux peuvent être décrits par des sinusoïdes fixes, l’EMD décompose de manière adaptative chaque forme d’onde de courant du TC en blocs de construction plus simples appelés fonctions de mode intrinsèques. Ces composantes isolent naturellement les poussées haute fréquence et les changements subtils de forme qui apparaissent quand un TC commence à saturer. À partir de ces composantes, les auteurs calculent un ensemble compact de caractéristiques descriptives : la répartition de l’énergie selon les fréquences, le degré d’aplatissement ou d’asymétrie de l’onde, les sauts de fréquence instantanée, et la dispersion ou l’ordre de l’énergie au fil du temps. Ensemble, ces caractéristiques captent à la fois les signes évidents et les indices cachés de saturation que l’œil humain pourrait manquer.

Laisser un classificateur intelligent trancher

Une fois les caractéristiques extraites, elles sont fournies à un modèle d’apprentissage automatique appelé Vecteur de Pertinence (RVM) et, pour comparaison, à une Machine à Vecteurs de Support (SVM) standard. Les deux classificateurs apprennent à partir de 80 % des cas simulés puis sont testés sur les 20 % restants. Le RVM adopte une approche bayésienne : il écarte automatiquement les caractéristiques peu utiles, ne conservant qu’un petit ensemble de « vecteurs de pertinence » qui comptent le plus pour la décision. Cela aboutit à un modèle compact qui fournit néanmoins des probabilités indiquant si un signal donné est normal, légèrement saturé ou fortement saturé. Les auteurs montrent que les caractéristiques EMD séparent clairement ces trois classes lorsqu’on les visualise, et que le RVM peut prendre une décision en environ 23,5 millisecondes — suffisamment rapide pour devancer largement les temps de décision typiques des relais de 50 à 60 millisecondes.

Quelle est son efficacité et quelles sont les étapes suivantes

Sur des milliers de cas test, les deux classificateurs détectent la saturation des TC avec une très grande précision, mais le RVM obtient systématiquement les meilleurs résultats. Globalement, le RVM classe correctement environ 99,7 % des cas, avec des performances particulièrement fortes en conditions normales et en saturation légère, où les distorsions subtiles sont les plus importantes. Il nécessite beaucoup moins de points d’appui que le SVM, ce qui le rend efficace en calcul et attrayant pour une utilisation en temps réel dans les relais numériques. L’équipe a également construit une installation de laboratoire hardware-in-the-loop pour générer de véritables formes d’onde de TC sous défauts contrôlés, établissant la base pour valider la méthode au-delà des simulations. En termes simples, l’étude montre qu’en combinant une décomposition adaptative du signal avec un modèle d’apprentissage probabiliste et épuré, les opérateurs peuvent détecter tôt et de façon fiable la saturation des TC — aidant les relais de protection à prendre des décisions meilleures et plus rapides et améliorant la résilience globale du réseau électrique.

Citation: Chothani, N., Vyas, P., Sonawane, C. et al. Current transformer (CT) saturation classification using empirical mode decomposition (EMD) and relevance vector machine (RVM). Sci Rep 16, 5754 (2026). https://doi.org/10.1038/s41598-026-35444-2

Mots-clés: saturation du transformateur de courant, protection des réseaux électriques, détection de défaut, décomposition empirique en modes, apprentissage automatique dans les réseaux