Diagnostic de l’huile de transformateurs de puissance par analyse de gaz dissous utilisant un classificateur SVM multicouche

Abstract

Ce travail vise à exploiter la capacité des algorithmes de l’apprentissage automatique basé sur la technique de la machine à vecteur de support de diagnostiquer l’huile de transformateur de puissance. Pour cela, un classificateur multicouche basé sur le modèle SVM est élaboré sous environnement MATLAB. En premier lieu, un modèle SVM est entraîné pour séparer les défauts des transformateurs en deux classes : électrique ou thermique. Dans ce modèle, les paramètres sont optimisés en implémentant un algorithme PSO. Ensuite, nous étudions l'effet de plusieurs facteurs sur la précision du modèle, à savoir le nombre d’itérations, le nombre d’exécutions, le nombre de données d'entraînement, la nature de vecteur d’entrée (concentration des gaz dissous en ppm ou bien en pourcentage). En exploitant les résultats obtenus pour le premier modèle, nous construisons le modèle SVM multicouche (cinq couches) qui est capable de séparer chacune des six défauts. Chaque couche (modèle SVM) permet de distinguer deux classes de défauts. Pour la validité du modèle multicouche proposé, nous le testons pour un ensemble de données contenant 120, divisée en plusieurs scénarios, à savoir 30/90, 40/80, 60/60 et 90/30 pour l'entraînement et le test. Les résultats obtenus consistant en le taux d’exactitude sont calculés et comparés avec succès devant la méthode de triangle et celle de pentagone de Duval.