Risk-Based Dynamic Thermal Rating in Distribution Transformers via Probabilistic Forecasting

Cet article propose un cadre probabiliste utilisant la régression par quantiles pour prédire dynamiquement les paramètres de protection thermique des transformateurs de distribution, permettant d'augmenter la capacité de 10 à 12 % tout en gérant les risques de surchauffe grâce à des prévisions adaptatives.

L'essentiel

Voici une explication simple et imagée de cette recherche scientifique, traduite en français pour un public général.

🌡️ Le Transformateur : Le "Cœur" qui a peur de la chaleur

Imaginez que les transformateurs électriques qui alimentent nos quartiers (les gros boîtiers gris sur les poteaux ou dans les sous-stations) sont comme des cœurs humains.

• Quand ils travaillent fort (quand tout le monde allume ses appareils en hiver), ils chauffent.
• S'ils chauffent trop, ils s'abîment, comme un cœur qui fait un infarctus.

Actuellement, pour protéger ces "cœurs", les gestionnaires de réseau utilisent des gardiens très stricts (des fusibles ou des disjoncteurs). Ces gardiens ont une règle simple : "Si le courant dépasse X, on coupe tout, point final."
C'est très sûr, mais c'est aussi très conservateur. C'est comme si un gardien de sécurité vous interdisait de marcher vite, même s'il fait grand soleil et que vous êtes en pleine forme, juste parce qu'il a peur que vous ne vous évanouissiez. Résultat : on gaspille de la capacité, et on ne peut pas brancher plus de voitures électriques ou de pompes à chaleur, même si le transformateur pourrait les supporter.

🚀 La Solution : Un Gardien "Intelligent" et Prévoyant

Les chercheurs de l'Université de Newcastle proposent de remplacer ce gardien rigide par un gardien intelligent qui utilise la météo et l'histoire pour prendre des décisions.

Leur idée s'appelle le Classement Thermique Dynamique (DTR). Au lieu de dire "Jamais plus de X", ils disent : "Aujourd'hui, il fait froid et la demande est prévisible, donc on peut monter un peu la vitesse sans danger."

Mais comment savoir combien on peut monter la vitesse sans risquer l'accident ? C'est là que l'astuce de l'article intervient.

🔮 La Méthode : La "Boule de Cristal" Probabiliste

Au lieu de prédire exactement combien d'électricité sera consommée (ce qui est très difficile et souvent faux), les chercheurs ont inventé une méthode plus maline : ils prédisent directement le "niveau de confiance" du gardien.

Voici l'analogie pour comprendre :

1. L'approche ancienne (La recette de cuisine) :
   Imaginez que vous voulez savoir si vous pouvez manger un gros gâteau.

   • Méthode A (L'ancienne) : Vous essayez de prédire exactement combien de calories vous allez manger demain, puis vous calculez si cela vous fera grossir, puis vous décidez si vous pouvez manger le gâteau. Si votre prédiction de calories est fausse, tout le calcul s'effondre. C'est ce que font les méthodes actuelles : elles font trop de calculs intermédiaires, ce qui crée des erreurs.

2. L'approche nouvelle (Le "Niveau de Risque") :
   Les chercheurs disent : "Oubliez les calories exactes. Regardez simplement la météo et l'historique de ce transformateur, et dites-nous directement : 'Quel est le niveau de risque si on mange ce gâteau ?'"
   Ils utilisent une balle de cristal probabiliste. Au lieu de donner un seul chiffre, ils disent : "Si on augmente la limite de 10%, il y a 95% de chances que tout aille bien, et 5% de chances que ça chauffe un peu."

🎯 Le Secret : Le "Bouton de Risque"

C'est la partie la plus géniale. Le système permet au gestionnaire du réseau de choisir son appétit pour le risque, comme on règle le volume d'une radio.

• Mode "Super Sécuritaire" (2e percentile) : On règle le bouton pour être ultra-prudent. On accepte très peu de risque de surchauffe. Résultat : on gagne quand même 10% de capacité supplémentaire par rapport à l'ancienne méthode, sans danger.
• Mode "Audacieux" (95e percentile) : On accepte un peu plus de risque. On gagne encore plus de capacité, mais on surveille de plus près.

C'est comme conduire une voiture :

• En mode "Sécurité", vous roulez à 50 km/h même si la route est libre.
• Avec ce nouveau système, vous pouvez choisir de rouler à 70 km/h si vous savez qu'il y a 95% de chances de ne pas avoir d'accident, ou à 100 km/h si vous êtes prêt à prendre un petit risque.

📊 Les Résultats : Plus de Puissance, Moins de Panique

En testant cette méthode sur 644 transformateurs au Royaume-Uni, les chercheurs ont découvert que :

1. Gains immédiats : On peut utiliser 10 à 12% de capacité en plus sans acheter de nouveaux transformateurs (ce qui est très cher et prend des années à installer).
2. Fiabilité : Même si la météo prévue n'est pas parfaite (ce qui arrive souvent), le système reste fiable. Si le gestionnaire choisit un niveau de risque bas (par exemple, 5%), le transformateur ne surchauffera effectivement que dans 5% des cas.
3. Simplicité : La méthode directe (prédire le risque directement) est beaucoup plus précise que l'ancienne méthode qui tentait de prédire chaque détail de la consommation électrique.

💡 En Résumé

Cette recherche propose de passer d'une protection rigide (comme un mur de béton) à une protection intelligente et flexible (comme un pare-brise qui s'adapte à la pluie).

Grâce à cette "balle de cristal" mathématique, les gestionnaires de réseau peuvent :

• Éviter de construire des milliers de nouveaux transformateurs coûteux.
• Accueillir plus d'électricité verte (voitures électriques, chauffage) sans faire fondre les câbles.
• Prendre des décisions claires en choisissant eux-mêmes le niveau de risque qu'ils acceptent, comme un capitaine de navire qui choisit sa vitesse en fonction de la tempête prévue.

C'est une façon intelligente de faire plus avec ce que l'on a déjà, en utilisant la prévision pour remplacer la peur.

Résumé technique

Voici un résumé technique détaillé de l'article « Risk-Based Dynamic Thermal Rating in Distribution Transformers via Probabilistic Forecasting » (Évaluation thermique dynamique basée sur les risques dans les transformateurs de distribution via des prévisions probabilistes).

1. Problématique et Contexte

Les transformateurs de distribution basse tension (BT) font face à une croissance accélérée de la demande, estimée à une augmentation de 50 à 100 % d'ici 2050. Parallèlement, les délais de livraison et les coûts de remplacement augmentent, rendant le renouvellement du parc matériel difficile.

Le problème central réside dans l'utilisation des dispositifs de protection (PD) actuels, qui sont statiques et conservateurs. Ces dispositifs limitent la capacité disponible des transformateurs en se basant sur des seuils fixes, même lorsque les conditions thermiques réelles permettraient une charge plus élevée. Bien que l'Évaluation Thermique Dynamique (DTR) soit étudiée pour les réseaux haute tension, elle est rarement appliquée aux transformateurs BT en raison du manque de surveillance et de la simplicité des protections.

L'objectif est de permettre aux Gestionnaires de Réseau de Distribution (GRD) d'ajuster dynamiquement les seuils de déclenchement des relais numériques (via un facteur d'échelle $k$) pour maximiser la capacité de charge tout en contrôlant strictement le risque de surchauffe des points chauds (hotspots).

2. Méthodologie Proposée

L'article propose un cadre probabiliste pour prédire directement le facteur d'échelle optimal pour le jour suivant, évitant ainsi les erreurs de propagation inhérentes aux approches multi-étapes.

A. Modélisation Thermique et de Protection

• Modèle Thermique : Utilisation du modèle thermique IEEE pour estimer la température du point chaud ($\theta_H$) en fonction de la température ambiante, de la montée en température de l'huile et de la charge. Le modèle prend en compte le déséquilibre des phases, crucial pour les transformateurs BT.
• Seuil de Risque : Une température de point chaud de 140°C est définie comme limite critique (au-delà de laquelle la résistance diélectrique de l'isolation est compromise).
• Calcul Rétrospectif : Pour chaque jour et chaque transformateur, un algorithme de recherche itérative calcule le facteur d'échelle optimal ($k$) qui maximise la charge sans dépasser 140°C, en utilisant les données historiques de charge et de température. Ce $k$ optimal sert d'étiquette (label) pour l'apprentissage.

B. Approche de Prévision Probabiliste

Au lieu de prédire la charge puis de calculer le facteur d'échelle (approche multi-étape), l'auteur propose une prédiction directe du facteur d'échelle.

1. Clustering (Regroupement) : Pour pallier le manque de données par transformateur individuel et éviter le surapprentissage, les transformateurs sont regroupés en clusters basés sur leurs métadonnées et leurs profils de charge historiques. L'algorithme K-means est utilisé après prétraitement (régression ridge ou normalisation) et réduction de dimensionnalité (ACP).
2. Ingénierie des Caractéristiques (Feature Engineering) : Les entrées incluent les charges moyennes par phase (pic et hors-pic), les métriques de déséquilibre, les facteurs d'échelle optimaux passés, les données calendaires (jour, vacances) et la température ambiante.
3. Modèle de Régression Quantile : Un modèle LightGBM est entraîné pour chaque cluster et pour différents percentiles (de 2% à 95%). Cela permet de générer une distribution de probabilité du facteur d'échelle futur.
4. Gestion du Risque : Le GRD choisit un percentile spécifique (ex: 5%) pour définir le seuil de déclenchement. Ce percentile correspond directement à la probabilité de dépassement de la température limite (ex: 5% de risque de dépassement).

3. Contributions Clés

• Méthodologie de Prédiction Directe : Contrairement aux méthodes existantes qui prédisent la charge puis en déduisent les réglages, cette approche prédit directement le facteur d'échelle optimal, éliminant ainsi l'accumulation d'erreurs de prévision.
• Cadre Basé sur le Risque : La méthode permet aux opérateurs de contrôler explicitement le compromis entre gain de capacité et risque de surchauffe via le choix du percentile de prédiction.
• Scalabilité via Clustering : L'utilisation du clustering permet d'entraîner des modèles robustes sur un parc de transformateurs hétérogène avec des données limitées par unité.
• Validation de la Calibration : La méthode démontre une excellente calibration probabiliste, où le pourcentage de jours où la température réelle dépasse la limite correspond au percentile choisi.

4. Résultats et Performances

L'étude a été validée sur un parc de 644 transformateurs de distribution au Royaume-Uni (puissances de 25 à 1000 kVA) sur une période de 183 jours (hiver 2024/25).

• Gain de Capacité : Par rapport à un facteur d'échelle fixe conservateur (1.05), l'approche proposée permet un gain de capacité supplémentaire de 10 à 12 %.
• Précision du Risque :
  • Avec un percentile de prédiction de 2%, le risque de dépassement de 140°C est de 2,0 %, avec un gain de capacité moyen de 1,127 p.u.
  • Même avec des erreurs de prévision de température réalistes (écart-type de 1,12°C), le modèle reste robuste.
• Comparaison des Méthodes :
  • L'approche directe atteint un taux de couverture (calibration) moyen de 90 % pour l'intervalle de prédiction.
  • L'approche multi-étape (prédiction de charge -> calcul du facteur) échoue avec un taux de couverture de seulement 17 %, en raison de la propagation des erreurs et de l'incapacité à capturer les interactions entre phases.
• Robustesse : L'analyse de sensibilité montre que les erreurs de prévision de température ont un impact limité sur le facteur d'échelle, et que le choix d'un percentile plus bas permet d'absorber cette incertitude.

5. Signification et Conclusion

Ce travail comble un vide dans la littérature en proposant une méthode évolutive et probabiliste pour l'optimisation des réglages de protection des transformateurs BT.

• Opérationnel : Il offre aux GRD un outil pratique pour automatiser la gestion des actifs, permettant d'exploiter pleinement la capacité thermique disponible sans compromettre la sécurité.
• Flexibilité : La méthode s'adapte à l'appétence au risque de chaque opérateur (choix du percentile).
• Faisabilité : L'implémentation est rendue possible par le déploiement croissant de relais numériques modifiables, qui peuvent être installés sans modifications majeures des sous-stations.

En conclusion, la prédiction directe probabiliste des facteurs d'échelle permet une gestion de la DTR consciente du risque, offrant une solution viable pour répondre à la demande croissante sans investissement massif dans de nouveaux actifs.