Integration des donnees manquantes en vue de la prédiction des événements de givre et de verglas

Plusieurs événements historiques révèlent les menaces perpétuelles causés à notre environnement par les phénomènes météorologiques ou climatologiques. On peut évoquer par exemples les cyclones, les tornades et les tempêtes de verglas. En portant notre attention sur les accumulations givrantes ; on constate que les régions froides comme le Canada, la Sibérie, la Norvège, la France et la Chine sont les plus concernées par ces phénomènes. Au Québec particulièrement, les tempêtes de verglas et de givre imposent des pressions énormes sur un vaste réseau de transport électrique. En effet, il y a plus de 140 000 km de lignes électriques aériennes et la sévérité des dommages d’équipements causés par ces phénomènes à chaque saison hivernale est loin d’être négligeable.

Face à cette situation, La Chaire industrielle sur le givrage atmosphérique des équipements des réseaux électriques (CIGELE), en partenariat avec Hydro-Québec depuis 1997, a comme objectif principal de trouver des nouvelles techniques pour rendre plus robuste la résistance des réseaux électriques face aux accumulations givrantes. Pour atteindre ce but, le programme de recherche de la CIGELE est constitué de plusieurs orientations d’études dont le Traitement des données provenant des sites naturels et modélisations probabilistes en est une. Il y a aussi le Développement de méthodes de prévention des accumulations de glace et de neige.

Le présent ouvrage touche notamment ces deux axes de recherche en se penchant sur les données de givrage fournies par Hydro-Québec ainsi qu’en développant un modèle de prédiction des tempêtes ou événements de givre et de verglas.

Plusieurs études ont précédé celle-ci et elles ont permis l’exploration de la discipline reliée au phénomène de givrage. Des vulgarisations scientifiques et des éclaircissements sur la compréhension des événements de givre et de verglas sont les premiers résultats tangibles de ces études. D’ailleurs, celles-ci ont permis l’obtention de résultats encourageant et prometteur. En dépit de tout, aucun modèle réaliste n’existe jusqu’à présent pour prédire quand et où s’abattra une tempête de verglas et de givre, d’où l’initiative de pousser plus loin la quête des connaissances dans ce domaine. En premier lieu, nous désirons décortiquer les informations cachées derrières les données de givrage, ce qui nous permettra de saisir plus clairement ces phénomènes. En second lieu, nous voulons approfondir la méthodologie concernant la modélisation et la simulation des événements de givre et de verglas en tenant compte des caractéristiques de ces données.

Les ouvrages soumis à des conditions climatiques hivernales sont susceptibles de recevoir une accumulation de glace pouvant nuire à leur intégrité ou à leur fonctionnement. Ce phénomène provoque souvent des perturbations mécaniques et/ou électriques au réseau de transport électrique d’Hydro-Québec.

L’étude des phénomènes de glace atmosphérique cherche à développer une connaissance qui permettrait de prévoir et d’estimer les dangers d’un événement afin de prendre les mesures appropriées pour y faire face [5] [11] [20]. Grâce à Sa base de données SYGIVRE, il est possible d’extraire et d’étudier les historiques passés des événements de givre et de verglas à chaque station. En effet, SYGIVRE est un système informatisé de gestion d’informations d’Hydro-Québec sur les givrages atmosphériques [14] [17] [40]. Mis en place depuis 1992, des données météorologiques et climatologiques y sont recueillies par une trentaine de stations de mesures couvrant l’ensemble de la province du Québec.

Études des données de givrage

Le point de départ remonte au début des années 1980 alors qu’on assiste à la mise au point et à l’amélioration des appareils de mesure pour les données des accumulations givrantes. Grâce à ces études [5] [16] [32], deux appareils sont disponibles actuellement pour évaluer périodiquement les taux d’accretion de givre et de verglas. Le premier appareil, appelé glacimètre (Passive Ice Meter), est de type passif et manuel, tandis que le second, appelé givromètre (Icing Rate Meter), est automatisé. Quoique le glacimètre soit encore utilisé de nos jours, on reconnaît qu’il est moins performant que le givromètre. Le réseau de transport d’Hydro-Québec utilise toujours ces appareils pour le suivi en temps réel des événements de givre et de verglas à travers le Québec.

En ce qui concerne les analyses des aspects spatiaux et temporels des données mesurées sur les sites naturels, nous pouvons constater que plusieurs chercheurs se sont penchés sur différents problèmes relatifs au givrage atmosphérique : En 1992, Laflamme démontre dans son ouvrage qu’il est important d’étudier les événements de givrage atmosphérique en tant que distributions temporelles et spatiales afin de connaître les régions à risques [20]. En 1996, Elfashny et al. font des analyses statistiques sur les données issues de la base de données PIM [24]. Ces dernières couvrent 21 ans d’observations sur 180 stations de mesure. Les variables étudiées sont la vitesse du vent et le taux d’accrétion des accumulations givrantes. Les résultats de cette recherche indiquent que le type de distribution le mieux approprié pour estimer le taux d’accrétion est le «Log Pearson Type III». En ce qui concerne la vitesse du vent, plusieurs distributions ont été proposées : «Extreme Type I, Extreme Type II, Rayieigh, 3-p Lognormal, Log Pearson Tye III».

Dans la même optique, Chouinard et al. [7] ont fait une recherche en 1998, sur le type de distribution statistique applicable concernant l’épaisseur de la glace autour des câbles des lignes de transmission de l’énergie électrique. Par la suite, ils ont construit une carte des régions à risque en fonction de l’intensité des événements de givrage atmosphérique.

Plus tard, Druez et al. ont effectué une classification des tempêtes de glace atmosphériques enregistrées sur des lignes expérimentales au Mont Valin [10] [11], au cours des saisons 1986-1998. Tous les événements ont été classifies en deux catégories : soit le givrage en nuage et les précipitations froides. Cette répartition des tempêtes a permis d’évaluer les charges maximales sur les différents câbles. Il a été conclu que 51.2 % des tempêtes étaient des événements de givre.

Les travaux évoqués ci haut emploient principalement des approches statistiques pour analyser et modéliser les données de givrages atmosphériques. Bien que le domaine de l’intelligence artificielle a été introduit depuis les années 1950, il a fallu attendre le milieu des années 1990 pour que Ohta et al., du Japon, aient l’idée de développer la première application des modèles de réseaux de neurones pour la prédiction des événements de givre et de verglas [33]. Ce modèle estime l’éventualité d’un désastre avec 3 à 24 heures d’avance en requérant les données des dernières 24 heures. Ses variables d’entrée sont la température, le taux de précipitation et la vitesse du vent. Les résultats de cette recherche indiquaient que ce modèle était assez performant en considérant un seuil de prédiction égal à trois heures.

Suivant la même idée, McComber et al. ont exploré en 1998 l’approche neuronale pour prédire le taux d’accrétion des accumulations givrantes sur le site de Mont-Bélair [29]. Les variables d’entrée de ce modèle sont la température, le taux de précipitation, le nombre de signaux de givromètre et la vitesse normale du vent. Les résultats de cette recherche ont démontré que la technique utilisant des neurones donne des résultats assez impressionnants. Il a été noté également que des améliorations sont encore à découvrir et à réaliser. La comparaison des taux de prédiction obtenus par leur modèle de réseau de neurones par rapport à la méthode de régressions multiples montrait que ces deux modèles sont assez compétitifs. Les réseaux de neurones sont cependant plus adéquats en termes de temps de développement et de modélisation.

Historique des travaux précédents 

D’après le survol de la littérature sur les études des données de givrage, nous avons réalisé que bon nombre de projets ont été menés dans les années 1990. Malgré tout, ceci n’a pas atténué la nécessité grandissante des besoins d’acquérir davantage d’investigations sur les phénomènes de givrage atmosphérique. C’est la principale raison de la naissance de la Chaire industrielle sur le givrage atmosphérique des équipements des réseaux électriques (CIGELE) en 1997.

Table des matières

INTRODUCTION
1.1 Problématique
1.2 Objectifs
1.2.1 Objectif principal
1.2.2 Objectifs spécifiques
1.3 Méthodologie
REVUE DE LITTÉRATURE
2.1 Études des données de givrage
2.2 Historique des travaux précédents
2.3 Insertion de la présente étude
MODÉLISATION DE LA BASE DE DONNÉES SYGIVRE
3.1 Description de la base de données SYGIVRE
3.1.1 Stations de mesure
3.1.2 Givromètre
3.2 Sélection des variables de givrage étudiées
3.2.1 Variables mesurées
3.2.1.1 Température de l’air
3.2.1.2 Signal du givromètre
3.2.1.3 Autres variables
3.2.2 Variables calculées
3.2.2.1 Taux d’accrétion
3.2.2.2 Poids d’accumulation
3.2.3 Sélection des variables étudiées
3.3 Identification des événements élémentaires de givre et de verglas
3.3.1 Caractéristiques générales du givre et du verglas
3.3.2 Définition d’un événement élémentaire de givre et de verglas
3.3.3 Procédure d’identification des événements élémentaires de givre et de verglas
3.4 Identification des types d’accumulation de givre et de verglas
3.5 Estimation des taux horaires d’accrétion de givre et de verglas
3.6 Estimation des poids d’accumulation
3.7 Identification des tempêtes de givre et de verglas
3.7.1 Définition d’une tempête de givre et de verglas
3.7.2 Procédures d’indentification des tempêtes de givre et de verglas
3.7.2.1 Considération des temps de latence
3.7.2.2 Considération des types d’événements élémentaires
3.7.2.3 Considération des sévérités des événements élémentaires
3.7.3 Algorithme général
3.8 Regroupement des stations de mesure
3.9 Résumé
DÉVELOPPEMENT DU MODÈLE DE PRÉDICTION
4.1 Les réseaux de neurones multicouches
4.1.1 Principes de base
4.1.2 Techniques d’optimisation
4.2 Architecture générale du modèle de prédiction
4.3 Les données d’apprentissage du modèle de prédiction
4.4 Apprentissage du modèle de réseau de neurones
4.5 Les paramètres d’apprentissage des réseaux de neurones
4.6 Les fonctions de performances
4.6.1 Somme quadratique des erreurs
4.6.2 Pouvoir prédictif d’un modèle
4.7 Génération de données d’apprentissage virtuelles
4.7.1 Simulation des états des stations
4.7.2 Simulation des températures de l’air
4.7.3 Simulation des taux de précipitations
4.7.4 Simulation des taux d’accrétion horaires
4.7.5 Calculs des poids d’accumulation de givre et de verglas
4.8 Résumé
CONCLUSION

Cours gratuitTélécharger le document complet

Télécharger aussi :

Laisser un commentaire

Votre adresse e-mail ne sera pas publiée. Les champs obligatoires sont indiqués avec *