Abstract:
Dans le but d’améliorer le taux de classification du pentagone de Duval, des algorithmes SVM-PSO et KNN ont été élaborés pour diagnostiquer l’huile de transformateur. La base de données que nous avons utilisée est formée de celles de CEI TC 10 et CIGRE. Elle comporte 155 échantillons contenant l’analyse des cinq principaux gaz dissous (H2, CH4, C2H2, C2H4 et C2H6). 105 échantillons ont été réservés pour l’apprentissage et 50 pour le test. Inspirés de IEC et IEEE, cinq classes de défauts ont été considérées à savoir PD, D1, D2, T1&T2, et T3. L’algorithme pentagone de Duval-SVM-PSO a été testé par une fonction noyau linéaire, polynomiale, à base radiale et sigmoïde. Différentes stratégies d’apprentissage à savoir « tous ensemble », « un contre ensemble » et « un contre un » ont été considérées. Les paramètres de marge et de conditionnement ont été optimisés par la technique d’optimisation par essaim particulaire (PSO). L’algorithme pentagone de Duval-SVM-PSO offre un taux de réussite de 88% obtenu en utilisant la fonction noyau polynomiale et la stratégie d’apprentissage « un contre un ». Quant à l’algorithme pentagone de Duval-KNN, il a été testé pour trois types de distance à savoir « Euclidienne », « Cityblock » et « Cosine » et pour un nombre de voisins variant entre 1 et 105. Le meilleur taux de réussite de 82% a été trouvé pour une distance « Euclidienne » et un nombre de voisins égal à 7. Finalement, les performances des algorithmes SVM-PSO, KNN et naïve de Bayes ont été testées en variant le type du vecteur d’entrée. Pour cela, cinq types ont été adoptés à savoir, concentration de gaz en ppm, concentration gaz en pourcentage, rapports de Rogers, rapports de Dornenburg et rapports du triangle de Duval. Un taux de réussite de 98% a été obtenu lors de l’utilisation de l’algorithme PSO-SVM en injectant les rapports du triangle de Duval comme vecteur d’entrée contre 92% pour l’algorithme KNN.
