Sectionneur électrique aérien [en cours]

Ce projet a pour objectif d’optimiser le fonctionnement d’un sectionneur aérien haute tension en améliorant le contrôle intelligent de ses opérations d’ouverture et de fermeture, tout en développant des capacités avancées de maintenance prédictive visant à anticiper les défaillances susceptibles d’affecter ce composant critique des réseaux électriques.

Les travaux réalisés du projet de sectionneur électrique aérien se déclinent en plusieurs volets complémentaires, couvrant à la fois la commande intelligente du sectionneur, l’instrumentation, le traitement des données et la prédiction des défaillances:

• Développement d’une stratégie de commande intelligente en boucle fermée, intégrée dans un boîtier de contrôle numérique basé sur des convertisseurs de puissance, et reposant sur une architecture hybride courant/vitesse pilotée par intelligence artificielle. Cette stratégie permet de gérer de façon adaptative et sécuritaire les phases d’ouverture et de fermeture du sectionneur, en tenant compte des conditions électriques et mécaniques en temps réel, tout en réduisant les contraintes transitoires, les pics de courant, les surtensions et les efforts mécaniques sur les composants.
• Instrumentation stratégique du sectionneur, issue d’une analyse AMDEC des composants mécaniques et électriques, afin d’identifier les éléments critiques et de sélectionner les capteurs pertinents (courant, tension, température, vibration, humidité), en tenant compte des contraintes spécifiques aux sectionneurs aériens.
• Mise en place d’une stratégie de collecte, de centralisation et de prétraitement des données, intégrant à la fois les mesures issues des capteurs du sectionneur et celles provenant de systèmes complémentaires, notamment la station météorologique haute performance installée sur le toit du Cégep de Sept-Îles et le dispositif de détection de givre situé à proximité du sectionneur.
• Développement et évaluation d’algorithmes d’intelligence artificielle pour la maintenance prédictive, incluant des techniques de prétraitement des données et des algorithmes de classification (réseaux de neurones, KNN, SVM, forêts aléatoires, arbres de décision), permettant de diagnostiquer et de prédire les modes de défaillance à partir des données historiques et en temps réel.