École de technologie supérieure
Relais de perte de synchronisme par apprentissage profond
Abstract
dc:descriptionL’objectif de cet exercice est de pouvoir explorer la possibilité d’utiliser l’apprentissage profond pour concevoir un relais de perte de synchronisme. Grâce au simulateur de transitoire électromagnétique EMTP, une série de simulations sont produites et ensuite classées grâce à un algorithme d’apprentissage supervisé de multiples séries temporelles de type « Multivariate Attentional Long Short Term Memory Fully Convolutional Network » (MALSTM-FCNs). Un réseau d’étude est modélisé avec le simulateur EMTP pour représenter une région sous étude. Dans ce réseau, quatre emplacements seront choisis pour prendre des mesures pour le relais de perte de synchronisme. Les mesures comprennent les tensions triphasées temporelles, les courants triphasés temporels ainsi que les puissances actives et réactives triphasées temporelles. Ces mesures sont ensuite importées dans un outil de traitement de grosse matrice nommée MATLAB. Une fois importées dans MATLAB, les données sont séparées par générateur et sont manipulées pour cataloguer les simulations en deux classes selon leur stabilité. Par la suite, pour chaque générateur, une base d’entraînement et de test est construite à partir de ces simulations classées et les cas stables et instables sont distribués de façon aléatoire dans ces deux ensembles. Par la suite l’algorithme d’apprentissage profond MALSTM FCN est employé sur l’ensemble d’entraînement pour permettre à l’algorithme d’apprendre à reconnaître les situations réseaux stables et instables. Enfin la performance de l’algorithme est évaluée sur un ensemble de test pour déterminer sa capacité à généraliser son apprentissage à un ensemble de cas non connus. La nouveauté de l’approche réside dans l’emploi de données brutes non filtrées et d’un petit nombre de variables d’entrée, soit les tensions et courants triphasés temporels ainsi que les puissances actives et réactives temporelles. L’approche est aussi différente des autres méthodes d’apprentissage machine du fait qu’il n’y a pas de «feature Extraction » (extraction d’attributs) qui consiste à faire un traitement sur les données pour extraire de l’information supplémentaire, comme estimer l’état des génératrices.
Degree
thesis:*- Name thesis:degree_name
- Mémoire de maîtrise électronique
- Level thesis:degree_level
- masters
- Grantor dc:publisher
- École de technologie supérieure
- Year dc:date
- 2020
Author and committee
dc:creator, dc:contributor.*- Author dc:creator
-
- Lefebvre, Philippe
Subjects
dc:subject × 1Rights
- Language dc:language
- fr
Identifiers
dc:identifier.*- Identifier
- INSERT-YOUR-LIBRARY-ID-HERE2602