mesures non-intrusives pour l’amélioration des smart grid ... · • elle est jugée par la...

+

_

09/11/2016

Université Djillali Liabes de Sidi Bel Abbès

Mesures Non-Intrusives pour l’Amélioration des Smart Grid et la Réduction des Consommations

Laboratoire Modélisation, Intelligence, Processus et Systèmes Université de Haute Alsace, France

[email protected]

Contexte

• Evolution de la structure classique des réseaux électriques. • Introduction d'importantes perturbations altérant la qualité de l'énergie électrique. • Insuffisance de méthodes de contrôle/commande classiques.

Problématique

• Réduire les consommations énergétiques tout en garantissant une bonne qualité du signal électrique.

• Gestion plus intelligente et autonome du réseau électrique s'impose. • Mesurer, avec précision et en temps réel, les différents paramètres liés à la qualité

de l'énergie. • Utilisation des méthodes modernes de contrôle/commande.

Défis

2/50

Signaux stationnaires Signaux non-stationnaires

Adaline Transformée en S

Fréquence Harmoniques Déséquilibre

Variation électriques Evènements électriques Évènements biologiques

Transitoires Changement niveau

ECG

Identification des caractéristiques contenues dans les signaux

Activités à l’université Projet de recherche Perspectives de recherche

Plan

3/50

Pourquoi l’Analyse par l’Adaline (ADAptive LInear NEuron) ?

• Appliqué avec succès dans beaucoup de domaines. • Architecture simple. • Possibilité d’introduire des connaissances a priori.

Algorithme d’apprentissage

erreur e(k)

Σ

w0(k)

w1(k)

w5(k)

+

- yest(t)

1

y(t)

cos tω

cos5 tω

Représentation fréquentielle

Analyse des signaux stationnaires

• Chercher des formes linéairement séparables pour les signaux à traiter.

Contribution :

w0(t) y(t) w1(t) w2(t) = + + cos tω sin tω

4/50

Signaux stationnaires





ECG


Analyse des signaux

Signaux non-stationnaires

5/50

Qualité de l’énergie électrique

• Elle est jugée par la qualité des signaux de la tension et du courant. • La qualité est évaluée par la mesure des perturbations.

Nombre d’articles ou apparait le terme ≪ power quality ≫ Source : Web of Knowledge

Analyse des signaux stationnaires (Variations électriques)

6/50

0.1 0.11 0.12 0.13 0.14 0.15 0.16 -300 -200 -100

0 100 200 300

0.1 0.11 0.12 0.13 0.14 0.15 0.16 -300 -200 -100

0 100 200 300

Gestion et qualité de l’énergie


Fréquence Harmoniques Déséquilibre 7/50

Identification des harmoniques

[ ]1 1 22,...,

( )

11 12( )

( ) cos ( ) sicos( n ( )) sin( )f

h

I tn n

n N

I t

i t I n t I nI tI t t ω ωω ω=

= + ++ ∑

6,12,1811 1

,

cos( ) cos( )( )N

nn np n tp

ptp

p

t p nω ω− +=

= + −∑

6,12,111

8,1sin( ) si( ) n( )

N

nn

nq n t q n tqq

q

q t ω ω=

− += − + +∑

Le fondamental est lié à des composantes alternatives

Le fondamental est lié à des composantes continues


Espace des courants (méthode directe)

Espace des puissances (Méthode PIRI)

8/50

PIRI (Puissances Instantanées Réelle et Imaginaire)



+-

bloc 1

bloc 2

bloc 3

-

1+

-

1+

- …

+

calcul des courants

calcul des harmoniques

et/oudu réactifs

vαvβ

1dv

2dv

3dv

1ci

2ci

3ci

p

qcos N tω

p

q

p

q

1refi

2refi

3refi

p

q e

~

~

e∑

∑

calcul des puissances

instantanées

,α βet cos N tω

sin N tω

… sin N tω

Besoin du système directe des tensions

9/50

0.1 0.11 0.12 0.13 0.14 0.15 0.16

-200

0

200

ic (A

)

0.1 0.11 0.12 0.13 0.14 0.15 0.16

-200

0

200

is (A

)

0.1 0.11 0.12 0.13 0.14 0.15 0.16 -400

-200

0

200

400

is (A

)

temps (s)

Courant coté charge

méthode classique

méthode neuronale

5 7 11 13 17 19 23 0

5

10

15

20

25

Ih/I1

(%)

ic

5 7 11 13 17 19 23 0

5

10

15

20

25

Ih/I1

(%)

is, méthode classique is, méthode neuronale

THD = 26,5%

THD = 8,6%

THD = 1,6%

Décomposition spectrale



Comparaison PIRI et filtre passe bas

10/50

méthodes d’identification

identification individuelle de l’harmonique N

poids coût

tri-mono 2

PIRI 4

Courant Diph. 2

PIRI modifiée 12

Courants actifs 8

Compo. Inv. 8



Comparatif des méthodes d’identification

11/50

Les variations pour l’identification et la commande des systèmes électriques


12/50

Rc

Rc

Rc

Lc

Lc

Lc

charge non linéaire

Rc

Lc

inji

refi

1,2,3dv

si ic

cV

1,2,3ic1,2,3vc

identification des harmoniques et de la puissance réactive

commande del’onduleur

signal triangulaire

onduleur de tensin

filtre de sortie

identification des composantes symétriques

iden

tific

atio

n de

s pe

rtur

batio

ns é

lect

rique

s

source triphasée

Filtrage actif parallèle


Fréquence

Harmoniques

Déséquilibre

13/50

Filtrage actif parallèle


Plateformes expérimentales

INSA, Strasbourg

MIPS, Mulhouse

14/50



15/50

Commande du moteur synchrone par les courants de référence


Commande auto adaptative

MSAP

Onduleur

Mesure du couple

Couple de référence

θ

+

-

+

- PI

ξ

Adaline

Fref

Référence triphasée PI

Référence triphasée

Courants de compensation Conditions normales Phase déconnectée

1 2 3, ,ref ref refi i i− − −

1 2 3, ,i i i

Sin (p. θ-2π/3)

Sin (p. θ+2π/3)

Sin (p. θ)

Adaline

Fref

1refi −

2refi −

3refi −

16/50



17/50

Identification des défauts sur les lignes HT


Protection des lignes HT par les relais

Le courant de défaut peut être modélisé par la somme de trois termes

[ ]11 12 1 22,..., ( )( )

( )

( ) cos( ) sin( ) cos ( ) sin ( ) sin( )trf

h

R tL

cc n nn N i ti t

i t

i t I t I t I n t I n t I eω ω ω ω α ϕ−

=

= + − + + −∑

• Adaptative

• Détection du défaut monophasé uniquement (le plus répondu)

• Tenir compte du transitoire pour les autres types de défauts

• Vers les méthodes temps-fréquence

relais de protection

Détection dans le repère triphasé (méthode directe)

18/50

Identification des défauts sur les lignes HT


Détection dans le repère des puissances (Méthode PIRI modifiée)

• Complète (tous les défauts) • Adaptative

• Coûteuse Estimation des angles de phase 19/50



20/50



TH1 TH2

20Ω 1.2 mH 20Ω

1.2 mHIL

0 à 2319 A

L=18.3 mH

C1 312 μF

IC 1882 A

16 kV

A

B

Regulateur de tension

Unité de distribution

La PLL et le générateur

d’impulsions

B

Ligne à 735 kVSource de

tension programmable

Charge 200 mW

S L

S C

CL

SL SC

CL

SL

SC

C

LA

B

C

A

B

C16 kV

Mesure de tension

+

-Vref

primaire

Boucle de commande du SVC entre A et B

Secondaire

TH3

312 μFC2

IC 1882 A

312 μFC2

IC 1882 A

20Ω1.2 mH

TH4

α et nTSC

Vmes

SVC

Circuit de puissance

Boucle de commande

La susceptance B B

Transformateur

21/50



• Identification de la MAS • A l’arrêt • En fonctionnement

• Synchronisation avec le réseau 22/50

Identification et commande de la machine asynchrone


( ) ( ) ( )0 0-1 -1emk A T k B kΩ = + Ω

1. Equation mécanique Uc

isa

Ω

Onduleur à IGBT

Z-1

Z-1

Σ Ωest

w2

w1

MAS

+ -

e

Bloc MLI

Irm_ref Tem_ref

Capteur de vitesse

calcul f

isb isc

Commande à flux rotorique orienté

1 1( ) cos sint A t B tω ωΩ = +

1 max2 2

2 1 2

2

1

emw Tf

w w wwJ fwω

=+

= −

Uc

isa

Ω

Onduleur à IGBT

Σ Ωest

w2

w1

MAS

+ -

e

Bloc MLI

Irm_ref Tem_ref calcul f

J

isb isc

sinωt

cosωt Commande à flux rotorique orienté

Capteur de vitesse

2. Expression de la réponse harmonique de la vitesse mécanique

L’Adaline pour l’identification des paramètres mécaniques de la MAS

1

2

1

1-

-ln

e

wfw

TJ f

w

= =

Deux méthodes d’identification :

J

J : moment d’inertie f : coefficient de frottement visqueux le couple de référence doit être sinusoïdale

23/50

Identification et commande de la machine asynchrone


Commande en puissance de la MADA

Conv. à IGBT

MADA 3kW

Système de Batteries

Signaux de commande Qs-ref

Ωm

Udc +

-

Contrôle des courants

rotoriques

Réseau Electrique

vabc-s

iab-s iab-r

vabcr-ref Ps-ref

MCC 3kW

Filtr

e R

,L

Conv. à IGBT

PLL

Vqs sθ

Banc d’essai d’identification de la MADA Banc d’essai du redresseur triphasé

Identification des paramètres du filtre cote alternatif du redresseur MLI

Fréquence

24/50






ECG


Plan


25/50

Fréquence (Hz) Fréquence (Hz)

Temps (s) Temps (s)

Limitation de la Transformée de Fourier

Les méthodes temps-fréquence

Analyse des signaux non-stationnaires

Chirps lineaires (modulation linéaire de fréquence) :

La TF intègre toutes les composantes fréquentielles contenues dans le signal, mais sans aucune information sur la localisation dans le temps

Limitation de l’Adaline

• Nécessité des connaissances a priori sur le signal • Moins efficace pour des signaux non-périodiques

Même spectre fréquentiel

26/50

• Rajout d’une fenêtre glissante à la TF. • Hypothèse de stationnarité locale sur la durée de la fenêtre.

Transformée de Fourier à Court Terme (TFCT)

0 0.02 0.04 0.06 0.08 0.1 0.12 -2 -1.5

-1 -0.5

0 0.5

1 1.5

2



( ) ( ) ( )* 2, j ftxSTFT f x t h t e dtπτ τ

+∞−

−∞

= −∫

• Résolution temps-fréquence fixe en raison de la taille fixe de la fenêtre d’analyse.

• Compromis à trouver entre la résolution temporelle et la résolution fréquentielle.

( ) ( ) 2j ftxTF f x t e dtπ

+∞−

−∞

= ∫

27/50

• Elle peut être vue comme une extension de la TFCT. • Elle possède une fenêtre d’analyse variable, appelée ondelette.

Transformée en Ondelettes (TO)

0 0.02 0.04 0.06 0.08 0.1 0.12 -2 -1.5

-1 -0.5

0 0.5

1 1.5

2



• Non conservation de l’information de phase (temps-échelle). • Faible résolution dans les hautes fréquences. • Sensibilité au bruit.

( ) ( ) ( )*,, aW a x t t dtττ

+∞

−∞

= Φ∫ ( ),1

att

aaττ− Φ = Φ

avec

facteur d’échelle

facteur de translation

28/50

• Elle peut être vue comme une TFCT à fenêtre d’analyse variable ou comme une TO avec une information de phase.

• Analyse multi-résolution. • La fenêtre varie en fonction de la fréquence.

Temps (s)

Am

plitu

de n

orm

alis

ée

Transformée de Stockwell (Transformée en S)



2( , ) ( ) ( , ) jftx fS f x t w t e dtπτ τ

+∞ −

−∞= −∫

La transformée de Stockwell avec une fenêtre Gaussienne :

dépendance de f 22 ( )1( , )

( ) 2

tfw t f e

fσ

σ π

−

=

La fenêtre Gaussienne :

( )f

f ασ =La transformée en S peut souffrir d’une mauvaise concentration de l’énergie dans les hautes fréquences

Coefficient de dispersion :

29/50

Amélioration de la concentration de l’énergie de la Transformée en S

• La fenêtre d’analyse ne doit recouvrir que la durée exacte de chaque fréquence. • La fenêtre doit, en plus de f, évoluer en fonction de la nature du signal.



Nouveau coefficient de dispersion :

( )( )

2 2

2( )

2( , , )2

p

t f

mf k

p

fw t f e

mf k

τ

τ γπ

− −

+− =

+

( )pmf kff

σ +=

On obtient ainsi la fenêtre Gaussienne modifiée :

( )ffασ =

Générer les valeurs m, p et k par l’algorithme

génétique

Calculer la gaussienne avec les paramètres

optimisés

Calculer la transformée en S modifiée

x(t)

La nouvelle fenêtre est plus flexible et a une meilleure résolution progressive

Optimisation des paramètres

Optimisation des paramètres par l’Adaline 30/50

Amélioration de la concentration de l’énergie de la Transformée en S



Représentation temps-fréquence de trois signaux analytiques :

Transformée en S classique

Transformée en S modifiée

Quatre transitoires de courtes durées

variation de fréquence rapide et des

composantes croisées

fréquence sinusoïdale modulée et deux Chirps linéaires

31/50






ECG


Plan


32/50



33/50

• La Transformée en S calcule le spectre local du signal. • L’ESS (Énergie de Shannon de la transformée en S) extrait l’enveloppe du signal

La Transformée en S combinée à l’énergie de Shannon

Détection des changements de niveaux (contours)

Analyse des signaux non-stationnaires (évènements électriques)

Calcul de la transformée en S du

signal

x(t) Calcul de l’énergie de Shannon du spectre local

Extraction de l’enveloppe

détection

La stratégie adoptée pour l’identification des changements d’amplitude et de fréquence :

34/50

Comparaison de la transformée en S et de la TO

Détection des changements de niveaux


Tension sinusoïdal Courant avec des harmoniques Tension contenant du bruit

TS TS TS

TO TO TO

MIPS, Mulhouse

35/50

Procédure du système de détection et de classification des équipements

Identification non intrusive des appareils électriques


• Les algorithmes sont comparés en permanence avec l’approche de référence de Hart.

36/50

Procédure du système de détection et de classification des équipements



Emplacement du système de mesures Éléments du système de mesure Université de Furtwangen

37/50

THart

TANN

Approche Delta pour la puissance instantanée



chauffe-eau

grille-pain

réfrigérateur

ΔP

ΔT

lampe

lampe

sèche-cheveux

P(t-ΔT)

P(t)

Temps (s)

Évènement « mise en marche » du réfrigérateur. Comparaison Delta-

RN et Hart

38/50

Processus pour l’efficacité énergétique



MIPS-AEMO 39/50






ECG


Plan


40/50

• Rapprochement de thématique au sein du MIPS. • La détection du battement cardiaque est comparable à la détection de ruptures

dans les signaux électriques.

Pourquoi les signaux ECG ?

Analyse de l’ElectroCardioGramme (ECG)

Analyse des signaux non-stationnaires (évènements biologiques)

Dérivations précordiales

L’activité électrique du cœur (ECG) est enregistrée par des électrodes placées à des endroits bien définis selon un système de dérivations.

0 0.5 1 1.5 2 2.5-0.5

0

0.5

1

Temps (s)

Am

plitu

de(m

V)

RR RR

SQ

PTT

L’ECG est une suite d’ondes répétitives : P, QRS et T. Le complexe QRS est couramment appelé: Battement cardiaque

Allure d’un ECG normal

80 ms

41/50

Détection des complexes QRS par la transformée en S



Validation sur la base de données d’arythmie « MIT-BIH » • ECG d’un patient, caractérisé par la présence de

sévères bruits musculaires (difficile à détecter) • Les artefacts musculaires sont décalés vers les

hautes fréquences

ECG

TS

ESS

• ECG d’un patient, contenant l’arythmie extrasystolique et de grandes ondes T.

• Les ondes P et T appartiennent à la bande de fréquence [0 − 5] Hz (isoler QRS).

42/50

SVM pour la classificaion



H1 H2

H3

Rechercher le meilleur hyperplan Car il en existe une infinité.

L’hyperplan optimal est celui pour lequel La marge serait maximale.

illustration des objectifs du SVM :

43/50

SVM optimisé pour la classification



• Résout le problème des données non-linéairement séparables. • Projette les données dans un espace augmenté. • Classifie avec une option de rejet :

• S’abstient de classer des exemples ambigus (ceux dont la probabilité d’appartenance à une classe est autour de 0.5).

• Tient compte des coûts de la classification.

Hyperplan optimal

f−

f+

f f− +>En pratique

Classification sans coût Classification avec coût

La zone de rejet est plus grande

Algorithme d’optimisation avec option de

rejet

44/50

45/50

Conclusion

• La mesures et l’analyse dans les Smart Grids restent un domaine vaste et très

ouvert. • Le déploiement des smart grids pour les systèmes d’électricité a augmenté la

recherche interdisciplinaire. • Les techniques de contrôle-commande modernes ont un rôle très important à

jouer. • La démarche doit être pragmatique et adaptée aux évolutions techniques et

économiques.

• Capteurs intelligents • Autoconsommation

Conclusion

46/50

Merci pour votre attention

47/50

mesures non-intrusives pour l’amélioration des smart grid ... · • elle est jugée par la...

Documents