Identification and Characterization of Power Quality Disturbances affecting MV Distribution Networks

La reconnaissance des perturbations survenant sur les réseaux HTA est une problématique essentielle pour les clients industriels comme pour le gestionnaire du réseau. Ces travaux de thèse ont permis de développer un système d’identification automatique. Il s’appuie sur des méthodes de segmentation qui décomposent de manière précise et efficace les régimes transitoires et permanents des perturbations. Elles utilisent des filtres de types Kalman linéaire ou anti-harmoniques pour extraire les régimes transitoires. La prise en compte des variations harmoniques et de la présence de transitoires proches se fait à l’aide de seuils adaptatifs. Des méthodes de correction du retard a posteriori permettent d’améliorer la précision de la décomposition. Des indicateurs adaptés à la dynamique des régimes de fonctionnement analysés sont utilisés pour caractériser les perturbations. Peu sensibles aux erreurs de segmentation et aux perturbations harmoniques, ils permettent une description fiable des phases des perturbations. Deux types de systèmes de décision ont également été étudiés : des systèmes experts et des classifieurs SVM. Ces systèmes ont été mis au point à partir d’une large base de perturbations simulées. Leurs performances ont été évaluées sur une base de perturbations réelles : ils déterminent efficacement le type et la direction des perturbations observées (taux de reconnaissance moyen > 98%).The recognition of disturbances affecting MV networks is essential to industrials and distribution system operators. The aim of this thesis work is to design a near real-time automatic system able to detect and identify disturbances from their waveforms. Segmentation methods split the disturbed waveforms into transient and steady-state intervals. They use Kalman filters or anti-harmonic filters to extract the transient intervals. Adaptive thresholding methods increase the detection capacity while a posterior delay compensation methods improve the accuracy of the decomposition. Indicators adapted to the disturbance dynamic are used to characterize its steady-state and transient phases. They are robust to segmentation inaccuracies as well as to steady-state disturbances such as harmonics. Two distinct decision systems are also studied: expert recognition systems and SVM classifiers. During the learning stage, a large simulated event database is used to train both systems. Their performances are evaluated on real events: the type and direction of the measured disturbances are determined with a recognition rate over 98%