Etude d’un isolateur à haute tension par l’intelligence artificielle

Abstract

Danscetteétude,notreobjectifestdeprédirelatensiondecontournement(Uc)d'unisolateurdehautetensioncontaminédemanièreartificielleenutilisantdestechniquesd'intelligenceartificielle(IA).Pouratteindrecetobjectif,destestspratiquesontétéréaliséssurunisolateurdetype175CTVenappliquantdifférentesquantitésdepollutionartificiellesousformedesolutionsaline,cequiapermisdeconstituerunebasededonnéespourl'élaborationdesmodèlesd'IA.

LabasededonnéescollectéecomprendlesvaleursdeUcassociéesàdifférentesquantitésdepollutionartificielledanschaquezonedel'isolateur,ainsiqueleurconductivité.Parlasuite,plusieursapprochesd'intelligenceartificielleontétéutiliséespourestimerdeUc.Cesapprochescomprennentl'utilisationderéseauxdeneuronesartificiels(ANN),desystèmesd'inférencefloue(FIS)etdedeuxapprocheshybridesprédictives:lesystèmed'inférenceneuro--floueadaptatif(ANFIS)etuneapprochecombinantlesréseauxdeneuronesavecdestechniquesd'optimisationtellesquelesessaimsdeparticules(PSO)etlarechercheducoucou(CS). Lesrésultatsobtenusàpartirdesdifférentesméthodesd'intelligenceartificielleontdémontréleurefficacitédanslaprédictiondeUc.Lescritèresdevalidationtelsquel'erreurabsoluemoyenneenpourcentage(MAPE),laracinecarréedel'erreurquadratiquemoyenne(RMSE)etlecoefficientdedétermination(R2)ontétéutiliséspourévaluerlesperformancesdesméthodesd'IA.Cesméthodesoffrentdesavantagessignificatifsentermesd'efficacitéetdefiabilitéparrapportauxméthodestraditionnellesbaséessurlestestspratiques.

Inthisstudy,ourobjectiveistopredicttheflashovervoltage(Uc)ofanartificiallycontaminatedhigh-voltageinsulatorusingartificialintelligence(AI)techniques.Toachievethisgoal,practicaltestswereconductedona175CTVtypeinsulatorbyapplyingdifferentamountsofartificialpollutionintheformofsalinesolution,whichresultedinadatabaseforthedevelopmentofAImodels. ThecollecteddatabaseincludesUcvaluesassociatedwithdifferentamountsofartificialpollutionineachzoneoftheinsulator,aswellastheirconductivity.Subsequently,severalAIapproacheswereemployedtoestimateUc.Theseapproachesincludetheuseofartificialneuralnetworks(ANN),fuzzyinferencesystems(FIS),andtwopredictivehybridapproaches:adaptiveneuro-fuzzyinferencesystem(ANFIS)andanapproachcombiningneuralnetworkswithoptimizationtechniquessuchasparticleswarmoptimization(PSO)andcuckoosearch(CS). TheresultsobtainedfromthedifferentAImethodsdemonstratedtheireffectivenessinpredictingUc.Validationcriteriasuchasmeanabsolutepercentageerror(MAPE),rootmeansquareerror(RMSE),andcoefficientofdetermination(R2)wereusedtoevaluatetheperformanceoftheAImethods.Thesemethodsoffersignificantadvantagesintermsofefficiencyandreliabilitycomparedtotraditionalmethodsbasedonpracticaltests.