Developing neural network models to predict ice accretion type and rate on overhead transmission lines = Développement de réseaux de neurone[s] pour la prédiction du type et du taux de glace accumulée sur les lignes aériennes de transport d'énergie électrique

Un grand nombre de lignes aériennes de transport d'énergie électrique sont exposées à la glace atmosphérique dans les régions nordiques éloignées. Des modèles appropriés pour estimer les quantités de glaces sur les lignes de transport s'avèrent très précieux pour aboutir à la conception d'équipement fiable capable d'opérer dans cet environnement. Pour les compagnies d "électricité, les prédictions de charge de glace peuvent aider à déterminer les impacts opérationnels sur leur équipement, de sorte que des dommages sérieux puissent être évités. La présente recherche, effectuée dans le cadre des travaux de la Chaire industrielle CRSNG/HYDRO-QUÉBEC/UQAC sur le givrage atmosphérique des équipements des réseaux électriques (CIGELE), se concentre sur : (i) le développement des modèles pour prédire le type de glace accumulé sur les structures exposées et (ii) le développement des modèles empiriques pour prédire le taux d'augmentation de glace sur des lignes de transport. Dans le but de réaliser une classification de type de glace en utilisant les réseaux de neurones, un ensemble de données a été créé en se basant sur des fonctions extraites à partir de la référence de la Commission Électrotechnique Internationale (CEI) qui relie le type de glace aux variables de la température et de la vitesse de vent. Le réseau Perceptron multicouches (MLP) a été utilisé et différentes caractéristiques ont été examinées afin de trouver l'architecture optimale. Ce modèle initial de deux entrées a été amélioré en ajoutant un troisième paramètre qui est la taille des gouttelettes. Les modèles développés donnent un taux de reconnaissance de 100% avec les données d'entraînement et plus de 99% avec les données de test. Les résultats obtenus sont prometteurs et prouvent que les modèles basés sur les réseaux de neurones peuvent être une bonne alternative pour la classification de type de glace à condition que les fonctions utilisées pour générer les données d'entraînement soient assez précises. Dans la deuxième partie de cette étude, trois modèles ont été développés afin de prédire le taux d'augmentation de glace sur les lignes de transport dans des situations correspondantes. Les données utilisées pour entraîner les réseaux de neurones proviennent du site du Mont Bélair qui fait partie du système de surveillance en temps réel SYGIVRE d'Hydro-Québec. Le premier modèle neural a été entraîné avec les données des trois phases d'un événement de givrage, soit la phase d'accrétion, la phase d