Méthode de prédiction des tendances pour la détérioration des mesures des transformateurs de tension capacitif basée sur un modèle gaussien double–fusion KAN

Pourquoi il est important de surveiller les « thermomètres » du réseau

Les réseaux électriques modernes s’appuient sur des appareils spéciaux qui abaissent des tensions extrêmement élevées à des niveaux sûrs afin qu’elles puissent être mesurées et facturées. Parmi eux, les transformateurs de tension capacitif (TTC ou CVT en anglais) sont les éléments essentiels des lignes à haute tension. Avec les années de service, cependant, leurs mesures peuvent dériver en silence, un peu comme une balance de salle de bain qui se dérègle lentement. Cet article présente une nouvelle méthode pour juger en continu de la fiabilité des mesures d’un CVT et pour prévoir quand sa précision va chuter, aidant ainsi les opérateurs du réseau à planifier la maintenance avant que des erreurs n’entraînent des litiges coûteux ou des problèmes de stabilité.

Comment ces surveillants de tension perdent progressivement de leur précision

Les CVT utilisent des empilements de condensateurs et un transformateur pour ramener des centaines de kilovolts à des signaux que les compteurs et les systèmes de protection peuvent traiter. Leur avantage est d’être compacts, relativement peu coûteux et bien adaptés aux très hautes tensions. Mais leurs composants internes ne sont pas figés : les variations de température, le vieillissement de l’isolant et les charges changeantes déplacent tous les composants internes loin de leurs valeurs idéales. Quand cela se produit, le rapport entre la tension réelle du réseau et la sortie basse tension rapportée dérive. Si l’erreur de rapport dépasse une tolérance étroite, les mesures ne reflètent plus la réalité, compromettant les échanges d’énergie, l’analyse des défauts et les schémas de protection automatique.

Pourquoi les contrôles traditionnels ne suffisent pas

Aujourd’hui, de nombreuses entreprises énergétiques s’appuient encore sur des vérifications périodiques hors service. Des équipements de référence lourds sont apportés dans une sous‑station, des lignes sont brièvement mises hors service et chaque CVT est testé par rapport à une norme. En théorie cela devrait se faire tous les quelques années ; en pratique, c’est souvent retardé par des conflits d’organisation et la logistique du transport d’instruments encombrants. Pendant ce temps, les flux de données en direct du réseau sont bruyants et influencés par des conditions d’exploitation en perpétuel changement, rendant difficile l’observation d’une dérive lente par l’œil nu ou par des statistiques simples. Les approches antérieures basées sur des modèles de circuit détaillés ou l’apprentissage automatique générique ont souvent échoué, soit parce qu’elles nécessitaient des paramètres internes précis, soit parce qu’elles étaient perturbées par les fluctuations et les jeux de données limités.

Un score d’état unique pour chaque transformateur

Pour clarifier ce fouillis, les auteurs compressent d’abord le signal de tension brut de chaque CVT en un score de performance compact qu’ils appellent l’État de Performance (SOP). Ils appliquent une transformée en ondelettes, un outil mathématique qui sépare un signal en tendances lentes et en oscillations rapides. En se concentrant sur la plus grande composante basse fréquence et en la comparant à une référence provenant d’un CVT sain, ils obtiennent un nombre unique qui décroît régulièrement à mesure que l’appareil se détériore. Dans des essais en laboratoire où l’équipe a délibérément augmenté l’erreur de rapport d’une phase tout en maintenant les autres proches de la normale, la courbe SOP a chuté de manière régulière avec l’augmentation de l’erreur, montrant que cet indice suit la dégradation à long terme tout en filtrant une grande partie du bruit aléatoire.

Séparer la dérive lisse du bruit

Même ce score de santé n’est pas parfaitement lisse : les conditions du réseau et les imperfections de mesure ajoutent encore des bosses et des ondulations. Les chercheurs appliquent donc une seconde méthode de décomposition qui sépare la courbe SOP en une « ossature » à évolution lente et en un ensemble de composantes petites et hachées. L’ossature capture la marche générale descendante de la précision, tandis que les éléments fluctuants décrivent les hauts et les bas à court terme. Cette séparation permet à l’équipe d’adapter des outils de prédiction différents à des comportements distincts au lieu de forcer un seul modèle à tout gérer en même temps.

Deux outils intelligents qui travaillent ensemble

Pour l’ossature lisse, les auteurs utilisent un modèle gaussien double — une courbe flexible construite à partir de la somme de deux profils en cloche — pour suivre les changements subtils de la dérive du CVT au fil du temps, en particulier lorsque le schéma n’est pas purement linéaire. Pour les composantes instables, ils emploient un type de réseau neuronal récent appelé réseau Kolmogorov–Arnold (KAN). Contrairement aux modèles profonds classiques, le KAN utilise des segments de courbe ajustables comme blocs de construction, ce qui l’aide à apprendre des motifs complexes à partir d’exemples relativement peu nombreux sans surapprentissage. Entraînée sur des expériences de dégradation soigneusement conçues utilisant un système d’essai en ligne triphasé, l’approche fusionnée reconstruit les valeurs futures du SOP en additionnant l’ossature gaussienne double et les fluctuations prédites par le KAN.

Ce que cela signifie pour un réseau plus intelligent

Lors d’essais comparatifs, la fusion du modèle gaussien double et du KAN a systématiquement prédit l’état des CVT plus précisément que les réseaux neuronaux classiques et d’autres techniques d’apprentissage automatique. Les erreurs entre les valeurs SOP prédites et réelles étaient faibles, et la méthode saisissait à la fois la glissade à long terme de la précision et les ondulations à plus petite échelle. Pour les opérateurs de réseau, cela se traduit par un indicateur d’alerte précoce : au lieu d’attendre une coupure planifiée ou un litige de facturation révélant qu’un transformateur a dérivé, ils pourraient surveiller les tendances du SOP en temps réel et programmer la maintenance lorsqu’un dispositif est clairement sur une trajectoire descendante. À mesure que les systèmes électriques deviennent plus automatisés et pilotés par les données, une telle surveillance intelligente des instruments de mesure du réseau est une étape clé vers une infrastructure fiable et capable de conscience de son propre état.

Citation: Du, B., Diao, Y., Zhou, F. et al. Trend prediction method for capacitive voltage transformer measurement deterioration based on double Gaussian model-KAN fusion. Sci Rep 16, 11785 (2026). https://doi.org/10.1038/s41598-026-35455-z

Mots-clés: transformateur de tension capacitif, surveillance d’état, maintenance prédictive, prévision de séries temporelles, comptage du réseau électrique