| Titre : | Modélisateur d'un isolateur dans les conditions de pollution sous tension alternative 50Hz |
| Auteurs : | Hani Benguesmia, Auteur ; Nassima M'ziou, Directeur de thèse |
| Type de document : | Monographie imprimée |
| Editeur : | Biskra [Algerie] : Université Mohamed Kheider, 2018 |
| Langues: | Anglais |
| Mots-clés: | Isoltaeur1512L,Model circulaire,contournement,courant de fuite,pollution discontinue,haute tension,Intelligences artificielles (LF,RNA),Prediction,Simulation,potentiel électrique,champ électrique,MEF. |
| Résumé : |
RESUME :
Les lignes aériennes de transport et de distribution d'énergie électrique sont exposées à diverses contraintes. Parmi celles-ci, la pollution des isolateurs. La présence de pollution entraine la dégradation des propriétés électriques de l’isolateur des lignes de transport, et favorise l’apparition de l’arc de contournement. Ce travail a été réalisé dans ce cadre, dans un premier temps, nous examinons l’impact de la conductivité ainsi que la répartition de la pollution sur le comportement de l’isolateur capot et tige 1512L, artificiellement pollué. De plus, l'influence de la pollution sur la tension de contournement, le courant de fuite ainsi le déphasage (tension-courant) sont étudiés. Enfin, le comportement du modèle réel et expérimental de l'isolant est étudié. Les résultats obtenus montre que la présence d'une couche de pollution sur la surface d'un isolateur modifie complètement le comportement de l’isolateur de haute tension. Dans un second temps, nous avons proposé un nouveau concept de simulation numérique basé sur la logique floue et les réseaux de neurones artificiels comme deux techniques d’intelligence artificielle pour prédire la tension de contournement, où l’isolateur est soumis à une tension Alternative 50Hz. Les résultats obtenus ont montré la capacité et la facilité d’utiliser la logique floue et les réseaux de neurones artificiels dans de telles études. Dans la dernière étape, la prédiction des performances de l'isolateur réel sous pollution. Pour ce faire, la distribution du potentiel et du champ électrique le long de l'isolateur de haute tension est étudiée à l'aide d'une méthode numérique. Les résultats sont favorable et prometteurs. |
| Sommaire : |
Table of contents
List of Acronyms and Symbols i List of Figures and Tables iv Table of contents viii General introduction 1 Chapter I: Experimental Study I.1. Introduction 7 I.2. General description of real and experimental model 7 I.3. Experimental study 10 I.3.1. Flashover process 10 I.3.1.1. Laboratory observations 12 I.3.1.2. Effect of pollution on the flashover voltage 15 I.3.1.3. Effect of pollution severity on the flashover voltage 16 I.3.2. Leakage current 17 I.3.3. Angle phase (Leakage current_Applied voltage) 26 I.4.Conclusion 28 Chapter II: Prediction of Flashover Voltage Using Fuzzy Logic (FL) II.1. Introduction 30 II.2. Fuzzy Logic (FL) 30 II.3. Fuzzy logic vs. classical logic 31 II.4. Basic concept of fuzzy sets 32 II.4.1. The membership functions 32 II.4.2. Reasoning in Fuzzy Logic 33 II.5. The Fuzzy logic controller 34 II.5.1. The linguistic variables 34 II.5.2. Fuzzification 34 II.5.3. Fuzzy rules 35 I I.5.4. Fuzzy inference 35 II.5.4.1. Mamdani’s fuzzy inference 35 II.5.4.2. Takagi-Sugeno-Kang’s fuzzy inference 36 II.5.5. Defuzzification 36 Table of contents ix II.5.6. The fuzzy knowledge base 37 II.5.7. Diagram of the fuzzy control 37 II.6. Prediction of flashover voltage using Artificial Intelligence (AI) 38 II.6.1. Prediction of the flashover voltage by the Fuzzy Logic (FL) 39 II.6.1.1. The inputs and outputs of the SIF (Fuzzy Inference System) 40 II.6.1.2. The fuzzy characteristics 40 II.6.1.3.The membership functions of the input and output variables 42 II.6.1.4.The fuzzy inference rules 42 II.6.1.5. Fuzzification 44 a. The linguistic variable and the fuzzy interval 45 b. The membership function 45 II.6.2. The fuzzy rules 45 II.6.3. Implementation of the fuzzy inference system 46 II.6.3.1. Implementation of the Fuzzy Inference System "FIS" under MATLAB 47 a. Fuzzification of the input and output variables 48 b. Inference rules 49 c. Defuzzification 49 II.6.3.2. Tests and validation 51 II.7. Conclusion 54 Chapter III: Prediction of Flashover Voltage Using the Artificial Neural Network (ANN) III.1. Introduction 55 III.2. Artificial neural networks 55 III.2.1. Mathematical model of a ''Formal'' or an ''Artificial'' neuron 57 III.2.2. Characteristics of the ANN 58 III.2.2.1. The input layer 58 III.2.2.2. The hidden layer 58 III.2.2.3. The output layer 59 III.2.3. Feed-Forward propagation networks 59 III.2.3.1. Mono-layer perceptron 59 III.2.3.2. Multi-layer Perceptron 60 III.2.4. Learning 61 III.2.4.1. Supervised learning 61 Table of contents x III.2.4.2. Strengthening (The reinforcement) 61 III.2.4.3. Unsupervised (or self-organizing) mode 61 III.2.4.4. Hybrid mode 61 III.2.5. Learning rules 61 III.2.5.1. Error correction rule 62 III.2.5.2. Boltzmann learning 62 III.2.5.3. The Hebbian theory 62 III.2.5.4. Competitive learning rule 62 III.3. The back-propagation algorithm 62 III.4. Validation 63 III.5. The strategy followed in this work 63 III.5.1. Step of neural network design 64 III.5.1.1. Determination of the neural network inputs/outputs 64 III.5.1.2. Elaboration of the network structure 64 III.5.1.3. Network Learning 64 III.5.1.4. Test and validation 65 III.5.2. Implementation and simulation 65 III.5.2.1. Software presentation 65 III.5.2.2. Data normalization 66 III.5.2.3. Data creation 66 III.5.2.4. Performance function 66 III.5.2.5. Levenberg–Marquardt algorithm 67 III.5.2.6. Mean Squared Error (MSE) 67 III.5.3. Application of the ANN in the prediction of the flashover voltage 68 III.5.3.1. Neuron network model (Structure of the elaborated ANN) 68 III.5.3.2. Creation of the network 69 III.5.3.3. Determination of the number of hidden layers, number of neurons per hidden layer and number of iteration 70 III.5.3.4. Implementation of the network 71 III.5.3.5. Choice of the number of neurons per hidden layer/ number of hidden layer and number of iterations 72 Table of contents xi III.5.3.6. Result of the number of number of neurons per hidden layer, hidden layer and that of iterations 73 III.5.3.7. Network performance 74 III.5.3.8. Results and comparison "ANN" & "FL 76 III.6. Discussion of the results obtained 78 III.7. Conclusion 78 Chapter IV: Numerical Simulation IV.1. Introduction 80 IV.2. Modeling on the comsol software 81 IV.3. Method of the simulation 82 IV.4. Mathematical Model 84 IV.5. Results and Discussion 86 IV.5.1. Electric potential distribution 87 IV.5.1.1. Influence of the conductivities 87 IV.5.1.2. Influence of the applied voltage of the line 89 IV.5.2. Electric field distribution 91 IV.5.2.1. Influence of the conductivities 92 IV.5.2.2. Influence of the applied voltage of the line 94 IV.5.3. Influence of the rib width of the insulator 95 IV.5.4. Performance of a destroyed insulator 98 IV.6. Conclusion 99 General Conclusion 101 References 105 |
| Type de document : | Thése doctorat |
Disponibilité (1)
| Cote | Support | Localisation | Statut | Emplacement | |
|---|---|---|---|---|---|
| TH/0909 | Thèse de doctorat | BIB.FAC.ST. | Empruntable | Salle de mémoires et de théses |
Erreur sur le template
