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

Thèse confidentielle (6 mois)

>



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,