PhD report
Topic : Electrical engineering
Back -
Retour
Soutenance : 24 novembre 2022
ECOLE CENTRALE DE LILLE, France
Université de Mons, Belgique
Egnonnumi Lorraine CODJO
Data-based investigations of Low Voltage Distribution Systems:
Machine Learning Applications for the monitoring of the network under ageing and variable atmospheric conditions
Modelisation des reseaux electriques de basse tension partir d une grande masse de donnees :
Applications de me thodes d apprentissage automatique pour la
surveillance du reseau dans des conditions atmospheriques variables et
de vieillissement
President :
Jacques LOBRY, Professeur, Université de Mons, Belgique
Rapporteurs :
Jean Paul GAUBERT, Professeur des Universités, Université de Poitiers
Manuela SECHILARIU, Professeur des Universités, Université de Technologies de Compiègne
Examinateur :
Emmanuel DE JAEGER, Professeur, Université Catholique de Louvain
Corine ALONSO, Professeur des Universités, Université de Toulouse
Bashir BAKHSHIDEH ZAD, Senior Researcher , Université de Mons, Belgique
Encadrants:
François VALLEE, , Professeur, Université de Mons, Belgique
Bruno FRANCOIS, Professeur des Universités, Centrale Lille, L2EP
Proclamation des résultats
Abstract:
This thesis explores potential applications of energy data measured by
smart meters in low voltage (LV) electrical networks. From these data, a
heuristic algorithm makes it possible to propose an equivalent
architecture of the network and to identify its impedances by an optimal
minimization of modeling errors. The model obtained is used to study
the impact of the variations and increase of the ambient temperature on
the operation of the electrical network. Variations from load demands,
PV generations, the ambient temperature and working environment
conditions increase the leakage current through the cable insulation and
so accelerate the ageing of the infrastructure. Some impacts analysis
are carried out to characterize and model the cables insulation
degradation, based only on the measurement data from smart meters. Since
satisfactory mathematical models based on the physics cannot be
developed for the application, several supervised machine learning
methods are applied to access the condition of the electrical system.
Case studies are analyzed to compare the accuracy of learning methods
for different degradation scenarios. The proposed frameworks offer
promising perspectives for the early identification of LV cable
conditions by using SM measurements combined to ML approaches, Load Flow
computations and Monte Carlo using scenario simulations to calculate
the network voltages.
Résumé:
Ce projet de recherche explore des approches scientifiques pour la
modélisation des réseaux de distribution électrique à partir des données
énergétiques mesurées par les compteurs communiquant. Ces compteurs ont
été initialement déployés pour permettre la mise en place de tarifs
dynamiques et ainsi une participation active des consommateurs sur le
marché de l’électricité. Dans ces travaux de recherche, on explore la
possibilité d’augmenter l’observabilité sur le fonctionnement du réseau
et de déterminer l’état de dégradation physique des lignes et câbles
électriques. En exploitant les données mesurées, une méthode heuristique
permet de retrouver une architecture du réseau satisfaisant les points
de fonctionnement mesurés. Les impédances entre nœuds sont ensuite
identifiées. A partir de l’analyse statistique de ces impédances au
cours d’une année, l’impact de la température extérieure sur les lignes
et câbles du réseau est analysé ainsi que l’impact sur le plan de
tension. Les données sont ensuite utilisées pour investiguer l’influence
de la dégradation des isolants sur les variations de tensions aux
différents nœuds du réseau. Plusieurs techniques d’intelligence
artificielle, Machine Learning sont évalués et comparées pour détecter
préventivement ces défauts dans les câbles Basse Tension. Pour les
réseaux de distribution, les méthodes et outils développés dans cette
thèse peuvent aider à maintenir leur fonctionnement, élargir leur
capacité d’hébergement (augmentation de la demande pour les ménages,
nouveaux consommateurs et sources renouvelables) et permettre la
planification rentable des opérations de maintenances.
Contenu :
General introduction
Chapter 1: Context and new challenges in LV networks
Chapter 2: Data based analysis of the resistance variability distribution in LV networks
Chapter 3 : Impact analysis of line degradations on LV network voltages
Chapter 4: Design of a Machine Learning-based classification tool for detecting electrical Low Voltage cables degradation
Chapter 5: Cable condition assessment and prediction strategies
Recommendations and General Conclusion
download
the thesus
download the presentation
>
Publications:
Journals
[J1]
Egnonnumi Lorraine Codjo,Bashir Bakhshideh Zad, Jean-François Toubeau, Bruno François and François Vallée
“Machine Learning-Based Classification of Electrical Low Voltage Cable Degradation",
MDPI Energies, 05/2021
International conferences
[C1]
CODJO Egnonnumi Lorraine, VALLEE François, FRANCOIS Bruno
"Impact of the line resistance statistical distribution on a Probabilistic Load Flow computation
",
6th IEEE International Energy Conference (ENERGYCon). 28 Sept.-1 Oct. 2020. Gammarth, Tunisia
[C2]
CODJO Egnonnumi Lorraine, BAKHSHIDEH ZAD Bashir, VALLEE François, FRANCOIS Bruno,
"
Analysis of Low-Voltage Network Sensitivity to Voltage Variations Due to the Insulation Wear
",
55th International Universities Power Engineering Conference (UPEC). 1-4 Sept. 2020. Turin, Italy., 09/2020,