Le travail de cette thèse avait pour objectif de contribuer à apporter de solutions au problème de surveillance des transformateurs par le biais des analyses de l'huile. La méthodologie et les résultats présentés s'appuient sur des cas concrets de transformateurs expertisés et des analyses d'huile réalisées en laboratoire. Les règles de diagnostic pour les grandeurs physico-chimiques ont été établies pour chaque équipement électrique et pour chaque type de fluide. Ces règles ont montré l'importance des paramètres liés à l'échantillonnage, à la méthode d'analyse et à la conception du transformateur et notamment l'importance du régleur en charge. Un lien entre analyse, défaut et origine du défaut a été établi et constitue la base de l'outil de diagnostic proposé. Ainsi l'outil identifie, à l'aide des analyses physico-chimiques réalisées sur le fluide, des défauts possibles et propose des origines de panne du transformateur. Finalement, une piste de pronostic d'état est abordée afin de développer le diagnostic. / The scope of this thesis was designed to contribute to solving the transformer monitoring problem of monitoring of transformers by analyses oil. The methodology and the results presented are based on concrete cases of assessed de-tanked transformers and oil analysis laboratory. The rules of diagnosis for physicochemical quantities have been established for each electrical equipment and for each type of fluid. These rules showed the importance of the sampling parameters, the method of analysis and the design of the transformer and especially the significance of the on load tap changer. A link between analysis, defect and origin of the defect was established which is the basis of the proposed diagnosis tool. Thanks to the chemical analyses, this tool enables to identify potential defects in the transformer and reveals some origins of failures.

Cette thèse de doctorat traite des méthodes d’évaluation de l’état des transformateurs de puissance à huile. Elle apporte une approche particulière de mise en oeuvre des méthodes de classification dans la fouille de données. Elle propose une stratégie qui met en oeuvre deux nouveaux indicateurs de santé de l’huile construit à partir d’un système neuro flou ANFIS (Adaptative Neuro-Fuzzy Inference System) et un classifieur ou prédicteur de défaut construit à partir des méthodes de classification supervisée, notamment le classifieur Bayésien naïf. Un organigramme simple et efficace d’évaluation de l’état des transformateurs y est proposé. Il permet de faire une analyse rapide des paramètres issus des analyses physico-chimiques de l’huile et de des gaz dissous. Une exploitation des méthodes de classification non supervisée, notamment les méthodes de k-moyennes et C-moyennes flous a permis de reconstruire les périodes de fonctionnement d’un transformateur marquées par des défauts particuliers. Il a aussi été démontré comment ces méthodes peuvent servir d’outil d’aide à l’organisation de la maintenance d’un groupe de transformateurs à partir des données d’analyses d’huile disponibles. / This PhD thesis deals the assessment method of the state of power transformers filled with oil. It brings a new approach by implementing classification methods and data mining dedicated to transformer maintenance. It proposes a strategy based on two new oil health indicators built from an adaptive Neuro-Fuzzy Inference System (ANFIS). Two classifiers were built on a labeled learning database. The Naive Bayes classifier was retained for the detection of fault from gases dissolved in oil. A simple and efficient flowchart for evaluating the condition of transformers is proposed. It allows a quick analysis of the parameters resulting from physicochemical analyzes of oil and dissolved gases. Using unsupervised classification techniques through the methods of kmeans and fuzzy C-means allowed to reconstruct operating periods of a transformer, with some particular faults. It has also been demonstrated how these methods can be used as tool to help the maintenance of a group of transformers from available oil analysis data.