Taxinomie en temps réel des défauts de court-circuit dans les réseaux électriques maillées

Mbakob Ndagoua, Polster Kader (2025). Taxinomie en temps réel des défauts de court-circuit dans les réseaux électriques maillées. (Mémoire de maîtrise). Université du Québec en Abitibi-Témiscamingue. Depositum. https://depositum.uqat.ca/id/eprint/1895

Prévisualisation

PDF Télécharger (8MB) | Prévisualisation

Résumé

RÉSUMÉ

Ces dernières années, la surveillance et la protection en temps réel des systèmes électriques à grande échelle sont devenues un défi majeur en raison de l’intégration accrue des sources d’énergie renouvelables et de la complexité croissante des réseaux électriques modernes. Cette complexité, bien qu’innovante, les rend vulnérables à divers défauts, notamment les courts-circuits, qui représentent environ 90 % des contingences et figurent parmi les plus fréquents et les plus dommageables. Par conséquent, une gestion efficace de ces défauts nécessite une détection rapide, une localisation précise et une classification fiable.

Dans ce cadre, notre recherche propose une méthodologie performante pour l’analyse en temps réel des défauts de court-circuit dans les réseaux électriques maillés. Un autoencodeur Long Short-Term Memory (LSTM) est utilisé pour détecter en temps réel les anomalies dans les signaux de tension et de courant triphasés mesurés sur différentes lignes du réseau. Un modèle de réseaux LSTM a été adapté pour classer avec précision, en temps réel, les défauts détectés selon leur nature. Enfin, des méthodes basées sur les réseaux de neurones profonds et sur la triangulation ont été appliquées pour la localisation précise de ces défauts. L’ensemble de ces approches a été testé sur un réseau électrique maillé IEEE 9-bus modélisé sous MATLAB/Simulink. Les résultats obtenus démontrent une excellente performance du système en termes de rapidité, de précision et de robustesse, y compris dans des scénarios complexes impliquant des défauts multiples et simultanés sur plusieurs lignes du réseau.

ABSTRACT

In recent years, real-time monitoring and protection of large-scale power systems have become a major challenge due to the increased integration of renewable energy sources and the growing complexity of modern power networks. This complexity, while innovative, makes them vulnerable to various faults, particularly short-circuits, which account for about 90% of contingencies and rank among the most frequent and damaging. Consequently, effective management of these faults requires rapid detection, accurate localization, and reliable classification.

In this context, our research proposes an efficient methodology for real-time analysis of short-circuit faults in meshed power networks. A Long Short-Term Memory (LSTM) autoencoder is employed to detect anomalies in real time from three-phase voltage and current signals measured on different network lines. An LSTM-based model has been adapted to accurately classify the detected faults in real time according to their type. Finally, methods based on deep neural networks and triangulation have been applied for precise fault localization. All these approaches were tested on an IEEE 9-bus meshed power system modeled in MATLAB/Simulink. The results demonstrate excellent system performance in terms of speed, accuracy, and robustness, including in complex scenarios involving multiple simultaneous faults on several network lines.

Type de document:	Thèse ou mémoires (Mémoire de maîtrise)
Directeur ou directrice de recherche:	Slaoui Hasnaoui, Fouad
Mots-clés libres:	réseaux électriques maillés, défaut de courts-circuits, défaut multilignes, analyse en temps réel, autoencodeur LSTM, triangulation, réseau de neurones profond, meshed power networks, short-circuit faults, multi-line default, real-time analysis, LSTM autoencoder, triangulation, deep neural network
Divisions:	Génie > Maîtrise en ingénierie
Date de dépôt:	08 oct. 2026 13:33
Dernière modification:	08 oct. 2026 13:33
URI:	https://depositum.uqat.ca/id/eprint/1895

Gestion Actions (Identification requise)

Dernière vérification avant le dépôt