Nouvelle approche basée sur un RNA pour la détection et la classification des défauts dans des lignes de transport compensées par TCSC intégrant des parcs éoliens à GDAF utilisant la TSO

Pourquoi maintenir le9clairage devient plus difficile

c0 mesure que0 davantage de9lectricite9 provient des parcs e9oliens, notre re9seau devient plus propre mais aussi plus complexe e0 prote9ger. Les dispositifs qui augmentent la capacite9 des lignes de transport et les ge9ne9rateurs spe9ciaux utilise9s dans les parcs e9oliens modernes peuvent modifier le0 quoi ressemblent les de9fauts e0 destination des relais de protection. Cette e9tude propose une nouvelle fae7on de repe9rer et de classer rapidement et de manie8re fiable ces de9fauts, aidant e0 pre9venir les pannes et les dommages e9quipements dans un re9seau riche en e9nergies renouvelables.

Puissance e9olienne et mate9riel intelligent sur la ligne

Le travail se concentre sur de longues lignes haute tension qui transportent le0 la fois la puissance de9un parc e9olien et sont e9quipe9es de9un dispositif se9rie appelé condensateur se9rie contrf4le9 par thyristor. Ce dispositif permet aux exploitants de0 ajuster la capacite9 de transmission en modifiant son impe9dance effective. Paralle8lement, le parc utilise un type de ge9ne9rateur qui offre un contrf4le fin de la puissance mais produit des courants de de9faut diffe9rents de ceux des centrales traditionnelles. Ensemble, ces caracte9ristiques rendent les de9fauts sur la ligne plus difficiles e0 reconnaeetre avec des me9thodes de protection classiques qui supposent un comportement plus stable et pre9visible.

Pourquoi les anciens de9tecteurs peinent

La protection nume9rique traditionnelle s'appuie souvent sur des outils qui de9composent les signaux en bandes de fre9quence, comme la transforme9e en ondelettes discre8tes. Dans la pratique, ces me9thodes peuvent eatre fragiles. Leur performance de9pend de choix comme la fre9quence d'e9chantillonnage et le nombre de niveaux, et elles sont sensibles e0 l'instant du cycle de tension of9 le de9faut commence. Dans un syste8me of9 la vitesse du vent change, of9 le condensateur se9rie est ajuste9 en permanence, et of9 des commutations ou du bruit perturbent les signaux, ces de9tecteurs peuvent mal estimer quelle phase est de9fectueuse ou meame manquer un e9ve9nement dangereux. De nombreux sche9mas existants exigent aussi des mesures aux deux bouts de la ligne et un lien de communication, augmentant le cofbt et la complexite9.

Une nouvelle fae7on d'e9couter le re9seau

Les auteurs proposent une approche diffe9rente qui n'e9coute que les courants triphase9s et le courant de terre en un point unique du cf4te9 re9seau. Ils appliquent un outil de traitement du signal appele9 transforme9e de scattering wavelet, qui construit une description e0 plusieurs couches de la fae7on dont la forme d'onde du courant e9volue dans le temps et la fre9quence. Contrairement aux me9thodes anciennes, ses caracte9ristiques sont conçues pour eatre stables lors de de9calages temporels, et robustes au bruit et aux petites distorsions. c0 partir des nombreuses sorties du scattering, la me9thode se9lectionne un ensemble compact des valeurs les plus informatives, re9duisant fortement la quantite9 de donne9es tout en conservant les motifs-cle9s qui re9ve8lent le type de de9faut survenu.

Apprendre e0 un re9seau neuronal e0 nommer le de9faut

Ces caracte9ristiques distille9es sont ensuite injecte9es dans un re9seau neuronal feed-forward qui a e9te9 entraine9 e0 reconnaitre dix types de de9fauts courants, y compris diffe9rentes combinaisons de phases et de9fauts e0 la terre. Pour valider l'ide9e, les chercheurs ont construit un mode8le informatique de9taille9 d'une ligne de 100 kilome8tres sous 120 kilovolts avec un parc e9olien et un condensateur se9rie re9alistes, et simule9 plus de trois mille cas de de9fauts. Ils ont fait varier la position du de9faut, la re9sistance, l'angle d'amore7age, la vitesse du vent et le niveau de compensation, puis ont teste9 le re9seau entraine9 sur des centaines de nouveaux cas, incluant des commutations, des mesures bruite9es et des de9fauts tre8s faibles produisant de faibles courants.

Performance du nouveau sche9ma

Compare9 e0 des me9thodes plus conventionnelles qui utilisent des coefficients d'ondelettes comme caractéristiques, la diffe9rence est nette. Les sche9mas anciens atteignaient au mieux environ 98 % de re9ussite pour de9cider simplement qu'un de9faut existe, et tombaient e0 approximativement la moitie9 de ce taux lorsqu'il s'agissait d'identifier le type exact de de9faut. En revanche, les caracte9ristiques base9es sur le scattering ont permis au re9seau neuronal d'atteindre une pre9cision parfaite pour la de9tection et la classification dans tous les sce9narios de test. La me9thode a aussi distingue9 clairement les de9fauts re9els des e9ve9nements inoffensifs tels que des variations de charge ou des commutations de condensateur, et elle est reste9e fiable meame lorsque les transformateurs de courant e9taient sature9s ou qu'un fort bruit e9tait ajoute9.

Ce que cela signifie pour les re9seaux e0 venir

Pour les non-spe9cialistes, le message essentiel est que l'e9tude propose une oreille plus intelligente pour le re9seau, capable de repe9rer le signal de trouble dans un environnement bruyant et charge9 par les renouvelables. En combinant une manie8re robuste de de9crire les formes d'onde de courant et un re9seau neuronal entraine9, la me9thode fournit des de9cisions rapides et pre9cises sur les de9fauts en n'utilisant que des mesures prises en un seul point. Cela pourrait aider les gestionnaires de re9seau e0 prote9ger des corridors de transport complexes qui inte8grent e0 la fois des dispositifs de compensation avance9s et de grands parcs e9oliens, facilitant le maintien de l'e9clairage e0 mesure que la transition e9nerge9tique s'acce9le8re.

Citation: Oda, E.S., Habib, A.M.M., Elnaghi, B.E. et al. A novel ANN-based approach for fault detection and classification in modern TCSC-compensated transmission lines integrated with DFIG-based wind farms utilizing WST. Sci Rep 16, 15707 (2026). https://doi.org/10.1038/s41598-026-51960-7

Mots-clés: protection des syste8mes électriques, inte9gration des parcs e9oliens, de9fauts de lignes de transport, classifieur par re9seau neuronal, transforme9e de scattering wavelet