Contribution to the analysis and understanting of electrical-grid signals with signal processing and machine learning techniques

Ce travail de these propose des approches d’identification et de reconnaissance des harmoniques de courant qui sont basees sur des strategies d’apprentissage automatique. Les approches proposees s’appliquent directement dans les dispositifs d’amelioration de la qualite de l’energie electrique.Des structures neuronales completes, dotees de capacites d’apprentissage automatique, ont ete developpees pour identifier les composantes harmoniques d’un signal sinusoidal au sens large et plus specifiquement d’un courant alternatif perturbe par des charges non lineaires. L’identification des harmoniques a ete realisee avec des reseaux de neurones de type Multi–Layer Perceptron (MLP). Plusieurs schemas d’identification ont ete developpes, ils sont bases sur un reseau MLP compose de neurones lineaire ou sur plusieurs reseaux MLP avec des apprentissages specifiques. Les harmoniques d’un signal perturbe sont identifiees avec leur amplitude et leur phase, elles peuvent servir a generer des courants de compensation pour ameliorer la forme du courant electrique. D’autres approches neuronales a ete developpees pour reconnaitre les charges. Elles consistent en des reseaux MLP ou SVM (Support Vector Machine) et fonctionnent en tant que classificateurs. Leur apprentissage permet a partir des harmoniques de courant de reconnaitre le type de charge non lineaire qui genere des perturbations dans le reseau electrique. Toutes les approches d’identification et de reconnaissance des harmoniques ont ete validees par des tests de simulation a l’aide des donnees experimentales. Des comparaisons avec d’autres methodes ont demontre des performances superieures et une meilleure robustesse.