Cet article explore comment l’intelligence artificielle et l’apprentissage automatique peuvent prédire les seuils de coupure dans un transformateur de tension en utilisant un simulateur de circuit pour obtenir des données et construire un classifieur d’apprentissage automatique.
Maintenir un réseau électrique stable nécessite d’anticiper les problèmes potentiels avant qu’ils ne perturbent les opérations. Les transformateurs de tension, essentiels pour fournir des niveaux de tension utilisables aux consommateurs, sont susceptibles de subir des conditions de coupure de tension – une diminution de la tension qui peut affecter les performances des équipements.
Image utilisée avec l’aimable autorisation de Grainger
Le défi : identifier les conditions de coupure de tension
L’exercice en laboratoire s’est concentré sur un transformateur de tension avec une tension d’alimentation du primaire de 120 Vac. La tension primaire a été réduite systématiquement par étapes : initialement de 5 volts puis de 10 volts après avoir atteint 100 Vac. La tension de sortie secondaire a été ajustée en fonction du rapport de transformation 5:1 du transformateur. Développer un modèle pour prédire la tension la plus basse à laquelle le transformateur pourrait fonctionner normalement avant de subir une coupure de tension permettrait une maintenance proactive et éviterait les dommages aux équipements ou les interruptions de service. Un autre résultat de ce modèle d’intelligence artificielle/apprentissage automatique (IA/ML) était un court-circuit partiel par rapport aux enroulements court-circuités d’un transformateur idéal.
Création d’un modèle expérimental de transformateur de tension abaisseur
Un modèle de simulation de circuit a été développé pour capturer les données primaires et secondaires d’un transformateur idéal abaisseur. Le composant électromagnétique sélectionné était un transformateur idéal. La sélection d’un tel composant garantissait que les parasites n’affecteraient pas la tension de sortie secondaire du transformateur, qui serait dégradée ou produirait des comportements harmoniques. La figure 1 illustre le modèle de circuit du transformateur. Une simulation d’analyse transitoire a été exécutée sur le modèle pour obtenir les données de tension primaire et secondaire du transformateur abaisseur.
Figure 1. Modèle de circuit de transformateur idéal de base. Image utilisée avec l’aimable autorisation de Don Wilcher
Un tableau de données a été construit en faisant varier la tension primaire du transformateur et en mesurant sa tension de sortie secondaire à travers la résistance de charge de 10 KΩ. Une plage de tension balayante de 120 Vac (169,71 Vp) à 10 Vac (3,03 Vp) a été réalisée sur le modèle de simulation. Le tableau 1 montre les données collectées à partir du modèle de circuit du transformateur. Le modèle a généré une sinusoïde de deux cycles montrant les tensions primaires et secondaires produites par le modèle de circuit du transformateur.
Tableau 1. Tensions primaires et secondaires collectées et enregistrées à partir du modèle de circuit de transformateur idéal
| Tension alternative (V) | Tension primaire (Vpri) | Tension secondaire (Vsec) |
| 120 | 169,71 | 33,94 |
| 110 | 155,56 | 31,11 |
| 100 | 141,42 | 28,28 |
| 90 | 127,28 | 25,46 |
| 80 | 113,14 | 22,63 |
| 70 | 99,99 | 19,99 |
| 60 | 85,85 | 17,17 |
| 50 | 71,71 | 14,34 |
| 40 | 57,57 | 11,51 |
| 30 | 43,42 | 8,68 |
| 20 | 29,28 | 5,86 |
| 10 | 15,14 | 3,03 |
La figure 2 illustre la sinusoïde de deux cycles produite par le composant électromagnétique à courant alternatif. La sinusoïde bleue est la tension de crête (Vp) de 169,71 appliquée à l’enroulement primaire du transformateur idéal, tandis que l’enroulement secondaire de 33,94 Vp est identifié en rouge.
Figure 2. Une tension sinusoïdale est appliquée à l’enroulement primaire du transformateur idéal. Image utilisée avec l’aimable autorisation de Don Wilcher
L’apprentissage automatique entre en jeu : la puissance des arbres de décision
L’apprentissage automatique offre des outils puissants pour analyser des données complexes et identifier des modèles. Ce projet a utilisé un classifieur d’arbres de décision, un algorithme populaire d’apprentissage supervisé. Un large modèle linguistique (LLM) a été utilisé pour créer le code Python établissant le classifieur d’arbres de décision. Les spécifications des comportements de court-circuit partiel, court-circuit et coupure de tension ont été incluses lors de la session de prompt d’ingénierie. Google Colaboratory a été utilisé pour exécuter le code Python généré par l’IA afin de réduire les ressources de bibliothèque et les dépendances sur un ordinateur portable standard. Une description d’un arbre de décision est fournie ci-dessous.
Voici comment fonctionnent les arbres de décision : imaginez une structure d’arbre ramifié où chaque branche représente une décision basée sur une caractéristique de données spécifique. La tension d’entrée primaire et la tension de sortie secondaire sont des caractéristiques de cet exercice en laboratoire. L’algorithme « apprend » progressivement en divisant les données en fonction de ces caractéristiques, créant des feuilles à l’extrémité de chaque branche qui représentent un résultat spécifique – dans ce cas, « fonctionnement normal » ou « coupure de tension ». Le modèle de classifieur d’arbres de décision observait les enroulements de court-circuit partiel ou court-circuit. Ces conditions pourraient être attribuées au fonctionnement normal ou aux comportements de coupure de tension du transformateur abaisseur.
Formation du modèle : fournir les données
Un ensemble de données contenant des mesures de tension et le statut opérationnel (normal ou coupure de tension) pour divers niveaux de tension d’entrée a été utilisé pour former l’arbre de décision. Le modèle a analysé ces relations, identifiant les modèles qui différencient le fonctionnement normal des conditions de coupure de tension. Le processus de formation implique la division des données en deux ensembles. Un ensemble d’entraînement est utilisé pour construire le modèle ; un ensemble de test évalue ses performances. Le modèle apprend en ajustant de manière itérative ses règles de décision en fonction des données d’entraînement.
Évaluation : tester les compétences du modèle
Une fois formé, le modèle est testé à l’aide des données invisibles dans l’ensemble de test. Cela évalue sa capacité à généraliser les modèles appris et à prédire avec précision les seuils de coupure de tension pour de nouvelles tensions d’entrée qui n’ont pas été rencontrées lors de l’entraînement. Des métriques telles que l’exactitude et la précision sont utilisées pour évaluer les performances du modèle. L’exactitude mesure le taux de réussite global dans la prédiction correcte des conditions de coupure de tension. La précision indique à quelle fréquence une prédiction de coupure de tension est un vrai positif (coupure de tension réelle). La capacité du modèle à identifier les cas réels de coupure de tension dus aux enroulements de transformateur en court-circuit partiel ou court-circuit correspond également à la définition de précision.
Le potentiel de l’IA/ML pour la maintenance prédictive des réseaux électriques
Les résultats de l’arbre de décision du classifieur ont pris en compte les conditions de coupure de tension reçues par les enroulements primaires du transformateur. Le modèle du classifieur a fourni une condition relationnelle de cette coupure de tension avec une tension primaire inférieure ou égale à 107,5 V. Notez qu’une coupure de tension à 10 % de la tension d’alimentation de 120 Vac est de 108. Sur la base de la taille de l’échantillon et du vote majoritaire accompli à l’aide d’un modèle d’apprentissage automatique « DecisionTreeClassifier » et de l’apprentissage supervisé, l’enroulement en court-circuit partiel du transformateur idéal a été le résultat le plus prédictif du classifieur. Sur la base de ce résultat, une coupure de tension pourrait être possible. Cet exercice en laboratoire, utilisé avec l’IA/ML pour la maintenance prédictive, illustre les avantages potentiels de l’analyse dans les applications industrielles et manufacturières. Les résultats du modèle sont présentés dans la figure 3. Une règle de vote majoritaire est utilisée dans un classifieur d’arbres de décision pour prédire le résultat de l’élément de détection de défaillance. Dans cet exercice en laboratoire, la condition de court-circuit partiel est la condition majoritaire du modèle de circuit de transformateur idéal.
Figure 3. Résultats du modèle du classifieur d’arbres de décision. Image utilisée avec l’aimable autorisation de Don Wilcher
Enfin, cet exercice en laboratoire démontre le potentiel de l’IA/ML pour la maintenance prédictive dans les réseaux électriques, contribuant à une infrastructure électrique plus résiliente et plus efficace en prédisant les seuils de coupure de tension dans les transformateurs abaisseurs. À mesure que les recherches progressent, des avancées supplémentaires dans la complexité du modèle, les capacités de surveillance en temps réel et l’intégration avec les systèmes de gestion de réseau existants peuvent libérer tout le potentiel de l’IA pour une alimentation électrique fiable et durable.