Commade tolerente aux defaux avencee d une convertissaire electrique multuciellelaireD UNE TURBINE

Abstract

Le domaine de la production d'électricité à partir de sources renouvelables est en développement remarquable, et les systèmes éoliens, de leur côté, suivent cette tendance et ont connu un développement révolutionnaire ces dernières années. Comme tous les systèmes industriels, les éoliennes subissent souvent des dysfonctionnements qui entraînent des dysfonctionnements ou des dommages affectant leurs bons fonctionnements. Dans ce travail, un schéma de diagnostic prédictif basé sur une technique d'apprentissage automatique intégrant un mécanisme de détection de dérive est utilisé afin d'effectuer un diagnostic précoce des défauts de blocage des interrupteurs des convertisseurs multicellulaires de la turbine éolienne. Des échantillons de données qui ne représentent que des conditions de fonctionnement normales sont utilisés. Afin de l'adapter à une situation où les données sur les comportements défectueux ne sont pas disponibles. Un indice de santé qui mesure la différence entre les conditions de fonctionnement normales et actuelles a été établie pour détecter la dérive (dégradation) au stade précoce. Lorsqu'une dégradation (défaut) est détectée, l'isolation est obtenue en tenant compte de la dynamique séparée des interrupteurs. Les caractéristiques liées à ces derniers sont extraites afin de construire un espace de caractéristiques qui permet de séparer l'inconduite (région ou classe) des différents commutateurs. Au final une nouvelle structure permettant l’intégration d’une commande tolérante aux défauts est proposée. Les résultats expérimentaux sont obtenus à l'aide d'un standard qui représente le véritable fonctionnement d'un transducteur multicellulaire sur MATLAB / Simulink et est en accord avec l'efficacité et la robustesse de l'approche proposée.

The field of electricity production using renewable sources is in a remarkable development, and wind energy systems, on their part, follow this trend and have witnessed a revolutionary development in recent years. Like all industrial systems, wind turbines often experience malfunctions that result in malfunction or damage that affects their proper performance. This study proposes a scheme based on the use of unsupervised machine learning approach and a drift detection mechanism in order to perform an early fault diagnosis of simple and multiple stuck-opened/stuck-closed switches in multicellular converters. Only the data samples representing the normal operation conditions are used in order to be adapted to the case where no data is available about faulty behaviors. A health indicator measuring the dissimilarity between normal and current operation conditions is built in order to detect a drift (degradations) in early stage. When a degradation (fault) is detected, the isolation is achieved by taking into account the discrete dynamics of switches. The features related to the latter are extracted in order to build a feature space allowing to separate the faulty behavior (zone or class) of the different switches. Finally, a new structure of power converter able to configure the control algorithm is proposed. The experimental results are obtained using a Benchmark representing the real operation of a multicellular converter on MATLAB /Simulink approves the efficiency and robustness of the proposed approach.