WO2024018119A1 - Procede, dispositif, appareillage de detection d'un defaut d'arc electrique - Google Patents

Procede, dispositif, appareillage de detection d'un defaut d'arc electrique Download PDF

Info

Publication number
WO2024018119A1
WO2024018119A1 PCT/FR2022/000064 FR2022000064W WO2024018119A1 WO 2024018119 A1 WO2024018119 A1 WO 2024018119A1 FR 2022000064 W FR2022000064 W FR 2022000064W WO 2024018119 A1 WO2024018119 A1 WO 2024018119A1
Authority
WO
WIPO (PCT)
Prior art keywords
artificial neural
neural network
arc fault
current
detecting
Prior art date
Application number
PCT/FR2022/000064
Other languages
English (en)
Inventor
Nicolas Britsch
Hien Duc VU
Original Assignee
Hager-Electro Sas
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Hager-Electro Sas filed Critical Hager-Electro Sas
Priority to PCT/FR2022/000064 priority Critical patent/WO2024018119A1/fr
Publication of WO2024018119A1 publication Critical patent/WO2024018119A1/fr

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/12—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R19/00—Arrangements for measuring currents or voltages or for indicating presence or sign thereof
    • G01R19/25—Arrangements for measuring currents or voltages or for indicating presence or sign thereof using digital measurement techniques
    • G01R19/2506—Arrangements for conditioning or analysing measured signals, e.g. for indicating peak values ; Details concerning sampling, digitizing or waveform capturing
    • G01R19/2509—Details concerning sampling, digitizing or waveform capturing

Definitions

  • the present invention relates to the field of methods for detecting an electric arc fault, the field of devices for detecting an electric arc fault and the field of electrical equipment for detecting an arc fault. electric arc.
  • the convolutional neural network includes at least four convolutional layers followed by three fully connected layers.
  • One of the disadvantages of this solution is that it is expensive to implement all the necessary calculations due to the required calculation unit and the consumption of energy and space.
  • the model is implemented in a Raspberry Pi 3B nanocomputer (Quad-Core 1.2GHz Broadcom BCM2837 64bit CPU, 1 GB RAM) for classification accuracy.
  • the proposed ArcNet solution has an average execution time of 31 milliseconds/sample of one cycle at a sampling rate of 10 kiloHertz.
  • this solution requires a complete cycle for detection, which implies a delay of 20 milliseconds for triggering and imposes a suboptimal temporal resolution.
  • the arc fault detection standard EN 62606 dictates the tripping time requirements which are described in part below. For a tripping time resolution of 20 milliseconds, in the case of a nominal current of 10 Amps/16 Amps, the solution triggers at 240/140 milliseconds instead of 250/150 milliseconds. Thus, an opportunity to acquire more information before confirming or rejecting arc fault detection is lost. Using the raw current database, experimental results indicate that the ArcNet solution can achieve a maximum arc detection accuracy of 99.47% at a sampling rate of 10 kiloHertz.
  • Publication WO2021136053A1 discloses a method, a device and an apparatus for fault arc identification and a storage medium.
  • the method comprises: performing sampling on a target arc at a high frequency, and obtaining a high-frequency sampling signal S11; preprocessing the high frequency sampling signal and obtaining a processed sampling signal S12; performing feature extraction on the processed sampling signal, and obtaining a target arc feature S13; and inputting the target arc characteristic into a neural network model, obtaining a target output result, and determining, according to the target output result, whether the target arc is an S14 fault arc.
  • Performing sampling on a target arc at a high frequency can obtain more arc features from the target arc.
  • a neural network model has favorable data classification ability, using a neural network model to make a determination with respect to the target arc can improve the accuracy and reliability of 'an arc fault detection result.
  • publication US2019199080A1 discloses an arc fault detection system which comprises a high frequency detector module structured to detect a first power spectral content having a frequency in a first frequency range, a certain number of switches arc fault circuit each having separable contacts, a low frequency detector module structured to detect a second spectral content power content having a frequency in a second frequency range, a control unit structured to control the separable contacts so that 'they open, and an arc fault detection unit structured to detect an arc fault based on the first and second detected spectral contents of the power and to cause the control unit to control the opening separable contacts in response to arc fault detection.
  • a communication bus ensures communication between the high detector frequency and arc fault circuit interrupters and the first frequency range includes frequencies which are higher than the frequencies of the second frequency range.
  • Spectral content can be divided into high frequency spectral content either above about 1 Megahertz and low frequency spectral content either below about 1 Megahertz.
  • This solution relies solely on the spectral content for detection and is therefore sensitive to a disturbance at the given frequency band, close to the chosen frequency.
  • the arc fault detection unit does not combine the high and low frequency spectral content, but rather analyzes the low frequency spectral content and on the basis of the analysis of the low frequency spectral content and the indication that an arcing fault is potentially present derived from the high frequency spectral content, ultimately determines whether an arcing fault is present.
  • the solution uses stacked information and sequential verification rather than a true combination strategy. The invention only works with a fixed signal acquisition platform, any hardware change could require a complete overhaul of the detection algorithm.
  • the present invention aims to overcome at least one of these drawbacks and propose a solution using an efficient and inexpensive artificial neural network.
  • the invention relates to a method for detecting an electric arc fault comprising:
  • an input step into an artificial neural network during which a set of input data from at least the extraction step is entered into an artificial neural network to determine at least one set of output data
  • a decision step during which said set of output data is processed to decide whether an arc fault is present or not
  • the detection method is characterized in that it further comprises:
  • a step of calculating the effective value of the current which is prior to the step of entering into an artificial neural network, during which an effective value of the current is calculated from the current signal acquired over an interval of given time, preferably equal to 10 milliseconds, and in that
  • said a set of input data is entered, depending on the current range in which the effective value of the current is found, into a neural network artificial neurons chosen at least from two artificial neural networks each associated respectively with a predetermined current range,
  • said at least two artificial neural networks are trained beforehand from arc fault characteristics included in their respective current range.
  • the invention further relates to a device for detecting an electric arc fault comprising at least one module for detecting an electric arc fault, said detection module is characterized in that it is configured to implement the method of detecting an electric arc fault according to the invention.
  • the invention further relates to electrical equipment for detecting electric arc faults comprising at least:
  • an electrical line comprising a pair of contacts
  • said electrical arc fault detection equipment is characterized in that it comprises the detection device according to the invention.
  • the invention further relates to a computer program comprising instructions which, when the program is executed by a computer, lead the computer to implement the method of detecting an electric arc fault according to the invention.
  • the invention further relates to a computer-readable medium, on which the computer program according to the invention is recorded.
  • Figure 1 represents a schematic view of an artificial neural network according to the invention
  • Figure 2 represents a schematic view of the method of detecting an electric arc fault according to the invention
  • Figure 3 represents a summary table of the performances of the method for detecting an electric arc fault
  • Figure 4 represents a curve of the statistical model.
  • a method for detecting an electric arc fault comprises:
  • an input step in an artificial neural network during which a set of input data (11, I2, I3, I4..., 1316) resulting at least from the extraction step is entered into an artificial neural network to determine at least one set of output data (O),
  • a decision step during which said set of output data (O) is processed to decide whether an arc fault is present or not.
  • the detection method is characterized in that it further comprises: [0035] a step of calculating the effective value of the current (RMS) which is prior to the step of entering into an artificial neural network, during which an effective value of the current is calculated from the acquired current signal over a given time interval, preferably equal to 10 milliseconds, and in that
  • said a set of input data is entered, as a function of the current range in which the effective value of the current is found, into a neural network artificial neural networks chosen at least from two artificial neural networks (ANN1, ANN2, ANN3..., ANNn) each associated respectively with a predetermined current range (P1, P2, P3..., Pn),
  • said at least two artificial neural networks (ANN1, ANN2, ANN3..., ANNn) are trained beforehand from arc fault characteristics included in their respective current range (P1, P2 , P3... , Pn).
  • the present invention proposes to use several artificial neural networks (ANN1, ANN2, ANN3..., ANNn) which each correspond to a predetermined current range (P1, P2, P3..., Pn) to adapt to different arc fault characteristics depending on the current range (P1, P2, P3..., Pn).
  • ANN1, ANN2, ANN3..., ANNn artificial neural networks
  • the effective value of the current is used over a given time interval preferably equal to 10 milliseconds or half a cycle to determine which of the artificial neural networks (ANN1, ANN2, ANN3. .. , ANNn) must be used.
  • a single artificial neural network (ANN1, ANN2, ANN3..., ANNn) operates during this given time interval. Due to the presence of at least two artificial neural networks (ANN1, ANN2, ANN3..., ANNn), the solution offers a principle of multiple classification in place of a monolithic classification known from the prior art.
  • the at least two artificial neural networks (ANN1, ANN2, ANN3..., ANNn) each corresponding to a current range (P1, P2, P3..., Pn) were driven upstream to adapt to different arc fault characteristics associated with each current range (P1, P2, P3..., Pn).
  • Figure 3 illustrates that the performances obtained thanks to the method according to the invention are better due to the multiple classification and therefore the presence of at least two artificial neural networks (ANN1, ANN2, ANN3..., ANNn) comparatively. to a process using monolithic classification.
  • this division is based on the experimental results and is strongly linked to the hardware part and in particular to the current measuring device used which will be described later.
  • the solution uses a set of arc fault characteristics rather than the raw current signal. For this reason, the process uses an extraction step. First, it may be necessary to select which arc fault features will be used and then a set of arc fault features are extracted in the extraction step. This way of proceeding makes learning at a later stage less subject to noisy or irrelevant inputs, helps artificial neural networks learn transparently and with more common sense, and simplifies network architecture. of artificial neurons (ANN1, ANN2, ANN3..., ANNn). As a result, detection performance is improved because this process is more sensitive and more effective against unwanted triggering. Furthermore, computer development time is reduced compared to an algorithmic model coded by a human. Development time is days instead of weeks. This method can also be implemented in an inexpensive processor.
  • the reception step, the extraction step, the step of calculating the effective value of the current, the step of entering into an artificial neural network and the decision step are repeated at the given time interval preferably equal to 10 milliseconds.
  • the proposed solution preferably enters input data every given time interval, preferably every half-cycle, which sets a trigger time resolution of 10 milliseconds.
  • said artificial neural network is chosen from a first artificial neural network (ANN1) associated with a first current range (P1), preferably between 0 Amps and 10 Amps, and a second artificial neural network (ANN2) associated with a second current range (P2), preferably between 10 Amps and 40 Amps, the first current range (P1) and the second current range (P2) being disjoint.
  • this solution uses two artificial neural networks (ANN1, ANN2) associated respectively with the first current range P1 corresponding to so-called low currents of between 0 Amperes and 10 Amperes and with the second current range P2 corresponding to so-called strong currents of between 10 Amps and 40 Amps.
  • ANN1, ANN2 two artificial neural networks
  • the performances obtained are better with this solution using two artificial neural networks (ANN1, ANN2) compared to a method using monolithic classification with a single artificial neural network (ANN), known from the prior art.
  • said artificial neural network is chosen from a first artificial neural network (ANN1) associated with a first current range (P1), preferably between 0 Amps and 10 Amps, a second artificial neural network (ANN2) associated with a second current range (P2), preferably between 10 Amps and 20 Amps, and a third neural network artificial (ANN3) associated with a third current range (P3), preferably between 20 Amps and 40 Amps, the first current range (P1), the second current range (P2) and the third current range (P3) being disjoint.
  • ANN1 artificial neural network
  • P1 first current range
  • P2 second artificial neural network
  • P2 second current range
  • P3 a third neural network artificial
  • the effective value of the current (RMS) belongs to the first current range (P1) then the set of data input (11, I2, I3, I4..., 1316) is entered into the first artificial neural network (ANN1) or if the effective value of the current (RMS) belongs to the second current range (P2) then the input data set (11, I2, I3, I4., 1316) is input to the second artificial neural network (ANN2) or whether the effective current value (RMS) belongs to the third current range ( P3) then the input data set (11, I2, I3, I4..., 1316) is entered into the third artificial neural network (ANN3).
  • this solution uses three artificial neural networks (ANN1, ANN2, ANN3) associated respectively with the first current range P1 corresponding to so-called low currents of between 0 Amperes and 10 Amperes, with the second current range P2 and the third current range P3 corresponding to so-called high currents of between 10 Amps and 20 Amps and between 20 Amps and 40 Amps.
  • ANN1, ANN2, ANN3 three artificial neural networks
  • the performances obtained are better with this solution using three artificial neural networks (ANN1, ANN2, ANN3) compared to a method using monolithic classification with a single artificial neural network (ANN), known from the prior art or two artificial neural networks (ANN1, ANN2) according to the invention.
  • the method of detecting an electric arc fault further comprises a normalization step (N1, N2..., Nn) prior to the input step, during which said set of arc fault characteristics is normalized to form a set of normalized input data and in that during the input step into an artificial neural network, the set of input data (11, I2, I3, I4..., 1316) corresponds to the normalized input data set.
  • the objective of the normalization illustrated in Figure 2 is to convert the floating point variables of the arc fault characteristics into integers between 0 and 1.
  • Min-max normalization is preferably used, due to the different values of the arc fault characteristic in each database and each normalization step (N1, N2..., Nn) is unique.
  • said set of output data (O) is processed statistically by a sequential test of the probability ratio (SD) to decide whether an arc fault is present or not.
  • SD probability ratio
  • a binary output variable is determined based on the conclusion of absence or presence of an electric arc fault.
  • This binary output variable can constitute a control signal (SC) of electrical equipment according to the invention described below.
  • each artificial neural network (ANN1, ANN2, ANN3..., ANNn) preferably comprises three layers (L1, L2, L3).
  • the set of input data (11, I2, I3, I4..., 1316) preferably includes 316 variables.
  • the artificial neural network includes around 9000 coefficients and calculates around 9000 multiplied accumulation operations over the given time interval.
  • the output layer (LS) preferably includes a neuron that has a sigmoid or softmax activation function.
  • the first three layers (L1, L2, L3) can use a sigmoid or rectified linear unit as the activation function.
  • the binary cross entropy loss is preferably used as the cost function.
  • the stochastic gradient of the algorithm is used, and the Classical accelerated gradient Momentum and Nesterov are preferably applied during the learning process.
  • regularization techniques such as early stopping, ridge regression, lasso or similar can be used.
  • the acquired current signal received during the reception step can also be preprocessed before the extraction step during a preprocessing step to determine the arc fault characteristics.
  • this preprocessing step comprises at least one frequency analysis and one waveform analysis and one sampling.
  • the invention further relates to a device for detecting an electric arc fault comprising at least one module for detecting an electric arc fault.
  • said detection module is characterized in that it is configured to implement the method for detecting an electric arc fault according to the invention and as described previously.
  • the method for detecting an electric arc fault according to the invention can be implemented in a device for detecting an electric arc fault (not shown) according to the invention and thus be present in the form of a functional brick which can be added for example to electrical equipment (not shown).
  • the module for detecting an electric arc fault may comprise an electronic card comprising a processor configured to implement the method for detecting an electric arc fault according to the 'invention.
  • the processor consists of an ARM cortex m4-64 Megahertz processor. This type of processor has the advantage of being inexpensive and therefore capable of being integrated into an industrializable solution. When the method of detecting an electric arc fault is implemented with this type of processor, 30 percent of the processor's calculation time is used.
  • the detection module may further comprise at least one filter for carrying out the frequency analysis in the preprocessing step.
  • the detection module comprises three bandpass filters at 20 kiloHertz, 30 kiloHertz and 50 kiloHertz.
  • the detection module may further comprise at least one integrator to carry out the analysis of the waveform in the preprocessing step.
  • the invention further relates to electrical equipment for detecting electric arc faults comprising at least:
  • an electrical line comprising a pair of separable contacts
  • said electrical arc fault detection equipment is characterized in that it comprises the detection device according to the invention and as described previously.
  • the device for detecting an electric arc fault according to the invention can be part of electrical equipment for detecting an electric arc fault and thus integrate a function of electric arc fault detection.
  • the current measuring device can measure the current signal of the power line to be protected. If an arc fault is detected by the detection module implementing the method according to the invention, a control signal for opening the contacts can in response be sent to the control module which will control the opening of the contacts in response. separable.
  • the electrical equipment for detecting an electric arc fault can also perform a protection function against short-circuit type faults and/or against overcurrent type faults and/or against differential faults.
  • the electrical equipment for detecting an electric arc fault may consist of a molded case circuit breaker of the MCB-AFDD type or of a molded case differential circuit breaker of the RCBO-AFDD type.
  • the current measuring device is a current sensor, for example a current transformer.
  • the invention further relates to a computer program comprising instructions which, when the program is executed by a computer, lead the computer to implement the method of detecting an electric arc fault according to the invention and as described above.
  • the invention further relates to a computer-readable medium, on which the computer program according to the invention and as described above is recorded.
  • the computer-readable medium may be a chip, a hard disk or the like. These examples are not limiting.

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Emergency Protection Circuit Devices (AREA)

Abstract

L'invention concerne un procédé de détection d'un défaut d'arc électrique comportant : - une étape de calcul de la valeur efficace du courant (RMS) laquelle est antérieure à une étape d'entrée dans un réseau de neurones artificiels, lors de laquelle une valeur efficace du courant est calculée à partir du signal de courant acquis sur un intervalle de temps donné, de préférence égal à 10 millisecondes, lors de ladite étape d'entrée dans un réseau de neurones artificiels, ledit un ensemble de données d'entrée est entré, en fonction de la plage de courant dans laquelle se trouve la valeur efficace du courant, dans un réseau de neurones artificiels choisi au moins parmi deux réseaux de neurones artificiels (ANN1, ANN2, ANN3..., ANNn) associés respectivement chacun à une plage de courant prédéterminée (P1, P2, P3..., Pn), lesdits au moins deux réseaux de neurones artificiels (ANN1, ANN2, ANN3..., ANNn) sont entraînés préalablement à partir de caractéristiques de défaut d'arc compris dans leur plage de courant respective (P1, P2, P3..., Pn).

Description

Titre de l'invention : Procédé, dispositif, appareillage de détection d’un défaut d’arc électrique
[0001] La présente invention concerne le domaine des procédés de détection d’un défaut d’arc électrique, le domaine des dispositifs de détection d’un défaut d’arc électrique et le domaine des appareillages électriques de détection d’un défaut d’arc électrique.
[0002] L’on connaît déjà de la publication IEEE - Research paper 2021 : Y. Wang, L. Hou, K. C. Paul, Y. Ban, C. Chen and T. Zhao, "ArcNet : Series AC Arc Fault Detection Based on Raw Current and Convolutional Neural Network," in IEEE Transactions on Industrial Informatics, vol. 18, no. 1 , pp. 77-86, Jan. 2022, doi : 10.1109/TII.2021 .3069849, une solution de détection de défaut d’arc électrique dite ArcNet qui utilise directement le signal de courant brut mesuré sans prétraitement comme entrée d’un réseau neuronal convolutif. Cela implique qu’un modèle profond et compliqué doit être utilisé afin d’obtenir de bonnes performances de détection. En effet, le réseau neuronal convolutif comprend au moins quatre couches convolutives suivies par trois couches totalement connectées. L’un des désavantages de cette solution est qu’il est coûteux de mettre en œuvre tous les calculs nécessaires du fait de l’unité de calcul requise et de la consommation d’énergie et d’espace. En effet, le modèle est implémenté dans un nano-ordinateur Raspberry Pi 3B (Quad-Core 1.2GHz Broadcom BCM2837 64bit CPU, 1 GB RAM) pour la précision de la classification. La solution ArcNet proposée présente une durée d’exécution moyenne de 31 millisecondes/échantillon d’un cycle à une fréquence d’échantillonnage de 10 kiloHertz. Par ailleurs, cette solution nécessite un cycle complet pour la détection, ce qui implique un délai de 20 millisecondes pour le déclenchement et impose une résolution temporelle sous-optimale. Plus précisément, la norme de détection des défauts d’arc électrique EN 62606 dicte les exigences de temps de déclenchement qui sont en partie décrites ci-après. Pour une résolution de temps de déclenchement de 20 millisecondes, dans le cas d’un courant nominal de 10 Ampères/ 16 Ampères, la solution se déclenche plutôt à 240/140 millisecondes au lieu de 250/150 millisecondes. Ainsi, une occasion d’acquérir plus d’informations avant de confirmer ou de refuser la détection de défaut d’arc est perdue. En utilisant la base de données du courant brut, les résultats expérimentaux indiquent que la solution ArcNet peut atteindre une précision de détection d’arc maximale de 99,47 % à une fréquence d’échantillonnage de 10 kiloHertz.
[0003] La publication WO2021136053A1 divulgue un procédé, un dispositif et un appareil d'identification d'arc de défaut et un support de stockage. Le procédé comprend : la réalisation d'un échantillonnage sur un arc cible à une fréquence élevée, et l'obtention d'un signal d'échantillonnage à haute fréquence S11 ; prétraiter le signal d'échantillonnage haute fréquence et obtenir un signal d'échantillonnage traité S12; effectuer une extraction de caractéristiques sur le signal d'échantillonnage traité, et obtenir une caractéristique d'arc cible S13; et entrer la caractéristique d'arc cible dans un modèle de réseau neuronal, obtenir un résultat de sortie cible et déterminer, selon le résultat de sortie cible, si l'arc cible est un arc de défaut S14. L'exécution d'un échantillonnage sur un arc cible à une fréquence élevée peut obtenir davantage de caractéristiques d'arc à partir de l'arc cible. De plus, étant donné qu'un modèle de réseau neuronal a une capacité de classification de données favorable, l'utilisation d'un modèle de réseau neuronal pour effectuer une détermination par rapport à l'arc cible peut améliorer la précision et la fiabilité d'un résultat de détection d'arc de défaut.
[0004] Enfin, la publication US2019199080A1 divulgue un système de détection de défaut d'arc qui comprend un module détecteur haute fréquence structuré pour détecter un premier contenu spectral de puissance ayant une fréquence dans une première plage de fréquences, un certain nombre d'interrupteurs de circuit de défaut d'arc ayant chacun des contacts séparables, un module détecteur basse fréquence structuré pour détecter un deuxième contenu spectral contenu de puissance ayant une fréquence dans une seconde gamme de fréquences, une unité de commande structurée pour commander les contacts séparables pour qu'ils s'ouvrent, et une unité de détection de défaut d'arc structurée pour détecter un défaut d'arc sur la base des premier et second contenus spectraux détectés de la puissance et pour amener l'unité de commande à commander l'ouverture des contacts séparables en réponse à la détection du défaut d'arc. Un bus de communication assure la communication entre le détecteur haute fréquence et les interrupteurs de circuit de défaut d'arc et la première gamme de fréquences comprend des fréquences qui sont supérieures aux fréquences de la seconde gamme de fréquences. Le contenu spectral peut être divisé en contenu spectral à haute fréquence soit au-dessus d’environ 1 Mégahertz et en contenu spectral à basse fréquence, soit en dessous d’environ 1 Mégahertz. Cette solution repose uniquement sur le contenu spectral pour la détection et est donc sensible à une perturbation au niveau de la bande de fréquences donnée, proche de la fréquence choisie. Dans cette solution, l’unité de détection de défaut d’arc ne combine pas le contenu spectral haute et basse fréquences, mais analyse plutôt le contenu spectral basse fréquence et sur la base de l’analyse du contenu spectral basse fréquence et de l’indication qu’un défaut d’arc est potentiellement présent dérivé du contenu spectral haute fréquence, détermine finalement si un défaut d’arc est présent. La solution utilise des informations empilées et une vérification séquentielle plutôt qu’une véritable stratégie de combinaison. L’invention ne fonctionne qu’avec une plate-forme fixe d’acquisition de signaux, tout changement de matériel pourrait nécessiter une révision complète de l’algorithme de détection.
[0005] La présente invention a pour but de pallier au moins l’un de ces inconvénients et proposer une solution utilisant un réseau de neurones artificiels performant et peu coûteux.
[0006] A cet effet l’invention concerne un procédé de détection d’un défaut d’arc électrique comportant :
[0007] une étape de réception, lors de laquelle au moins un signal de courant acquis est réceptionné,
[0008] une étape d’extraction, lors de laquelle un ensemble de caractéristiques de défaut d’arc est extrait à partir des caractéristiques de défaut d’arc issues du signal de courant acquis,
[0009] une étape d’entrée dans un réseau de neurones artificiels, lors de laquelle un ensemble de données d’entrée issu au moins de l’étape d’extraction est entré dans un réseau de neurones artificiels pour déterminer au moins un ensemble de données de sortie, [0010] une étape de décision, lors de laquelle ledit ensemble de données de sortie est traité pour décider si un défaut d’arc est présent ou non,
[0011] le procédé de détection est caractérisé en ce qu’il comprend en outre :
[0012] une étape de calcul de la valeur efficace du courant laquelle est antérieure à l’étape d’entrée dans un réseau de neurones artificiels, lors de laquelle une valeur efficace du courant est calculée à partir du signal de courant acquis sur un intervalle de temps donné, de préférence égal à 10 millisecondes, et en ce que
[0013] lors de ladite étape d’entrée dans un réseau de neurones artificiels, ledit un ensemble de données d’entrée est entré, en fonction de la plage de courant dans laquelle se trouve la valeur efficace du courant, dans un réseau de neurones artificiels choisi au moins parmi deux réseaux de neurones artificiels associés respectivement chacun à une plage de courant prédéterminée,
[0014] et en ce que lesdits au moins deux réseaux de neurones artificiels sont entraînés préalablement à partir de caractéristiques de défaut d’arc compris dans leur plage de courant respective.
[0015] L’invention concerne en outre un dispositif de détection d’un défaut d’arc électrique comprenant au moins un module de détection d’un défaut d’arc électrique, ledit module de détection est caractérisé en ce qu’il est configuré pour mettre en œuvre le procédé de détection d’un défaut d’arc électrique selon l’invention.
[0016] L’invention concerne en outre un appareillage électrique de détection de défaut d’arc électrique comprenant au moins :
[0017] une ligne électrique comportant une paire de contacts,
[0018] un dispositif de mesure du courant,
[0019] un dispositif de détection d’un défaut d’arc électrique,
[0020] un module de commande de l’ouverture de la paire de contacts,
[0021] ledit appareillage électrique de détection de défaut d’arc est caractérisé en ce qu’il comprend le dispositif de détection selon l’invention.
[0022] L’invention concerne en outre un programme d’ordinateur comprenant des instructions qui, lorsque le programme est exécuté par un ordinateur, conduisent l'ordinateur à mettre en œuvre le procédé de détection d’un défaut d’arc électrique selon l’invention.
[0023] L’invention concerne en outre un support lisible par ordinateur, sur lequel est enregistré le programme d'ordinateur selon l’invention.
[0024] L'invention sera mieux comprise, grâce à la description ci-après, qui se rapporte à plusieurs modes de réalisation préférés, donnés à titre d'exemples non limitatifs, et expliqués avec référence aux dessins schématiques annexés, dans lesquels :
[0025] [Fig. 1] la figure 1 représente une vue schématique d’un réseau de neurones artificiels selon l’invention,
[0026] [Fig. 2] la figure 2 représente une vue schématique du procédé de détection d’un défaut d’arc électrique selon l’invention,
[0027] [Fig. 3] la figure 3 représente un tableau récapitulatif des performances du procédé de détection d’un défaut d’arc électrique, et
[0028] [Fig. 4] la figure 4 représente une courbe du modèle statistique.
[0029] Un procédé de détection d’un défaut d’arc électrique comporte :
[0030] une étape de réception, lors de laquelle au moins un signal de courant acquis est réceptionné,
[0031] une étape d’extraction, lors de laquelle un ensemble de caractéristiques de défaut d’arc est extrait à partir des caractéristiques de défaut d’arc issues du signal de courant acquis,
[0032] une étape d’entrée dans un réseau de neurones artificiels, lors de laquelle un ensemble de données d’entrée (11 , I2, I3, I4... , 1316) issu au moins de l’étape d’extraction est entré dans un réseau de neurones artificiels pour déterminer au moins un ensemble de données de sortie (O),
[0033] une étape de décision, lors de laquelle ledit ensemble de données de sortie (O) est traité pour décider si un défaut d’arc est présent ou non.
[0034] Conformément à l’invention et comme l’illustre la figure 2, le procédé de détection est caractérisé en ce qu’il comprend en outre : [0035] une étape de calcul de la valeur efficace du courant (RMS) laquelle est antérieure à l’étape d’entrée dans un réseau de neurones artificiels, lors de laquelle une valeur efficace du courant est calculée à partir du signal de courant acquis sur un intervalle de temps donné, de préférence égal à 10 millisecondes, et en ce que
[0036] lors de ladite étape d’entrée dans un réseau de neurones artificiels, ledit un ensemble de données d’entrée est entré, en fonction de la plage de courant dans laquelle se trouve la valeur efficace du courant, dans un réseau de neurones artificiels choisi au moins parmi deux réseaux de neurones artificiels (ANN1 , ANN2, ANN3... , ANNn) associés respectivement chacun à une plage de courant prédéterminée (P1 , P2, P3... , Pn),
[0037] et en ce que lesdits au moins deux réseaux de neurones artificiels (ANN1 , ANN2, ANN3... , ANNn) sont entraînés préalablement à partir de caractéristiques de défaut d’arc compris dans leur plage de courant respective (P1 , P2, P3... , Pn).
[0038] Avantageusement, étant donné que les caractéristiques de défaut d’arc électrique varient en fonction du taux de courant du circuit et de la charge, les arcs électriques à courant nominal élevé sont plus dangereux, évoluent plus rapidement avec le temps et ont des caractéristiques plus distinctes que les arcs électriques à faible courant nominal. Partant de ce constat, la présente invention propose d’utiliser plusieurs réseaux de neurones artificiels (ANN1 , ANN2, ANN3... , ANNn) qui correspondent chacun à une plage de courant prédéterminée (P1 , P2, P3... , Pn) pour s’adapter à différentes caractéristiques de défaut d’arc en fonction de la plage de courant (P1 , P2, P3... , Pn). Comme l’illustre la figure 2, la valeur efficace du courant (RMS) est utilisée sur un intervalle de temps donné de préférence égale à 10 millisecondes soit un demi- cycle pour déterminer lequel des réseaux de neurones artificiels (ANN1 , ANN2, ANN3... , ANNn) doit être utilisé. Un seul réseau de neurones artificiels (ANN1 , ANN2, ANN3... , ANNn) fonctionne pendant cet intervalle de temps donné. Du fait la présence d’au moins deux réseaux de neurones artificiels (ANN1 , ANN2, ANN3... , ANNn), la solution propose un principe de classification multiple à la place d’une classification monolithique connue de l’art antérieur. Les au moins deux réseaux de neurones artificiels (ANN1 , ANN2, ANN3... , ANNn) correspondant chacun à une plage de courant (P1 , P2, P3... , Pn) ont été entraînés en amont pour s’adapter à différentes caractéristiques de défaut d’arc associées à chaque plage de courant (P1 , P2, P3... , Pn). La figure 3 illustre que les performances obtenues grâce au procédé selon l’invention sont meilleures du fait de la classification multiple et donc de la présence d’au moins deux réseaux de neurones artificiels (ANN1 , ANN2, ANN3... , ANNn) comparativement à un procédé utilisant une classification monolithique. Il existe de nombreuses façons de découper la plage de courant totale, qui de préférence est comprise entre 0 Ampère et 40 Ampères, en plusieurs plages de courant (P1 , P2, P3... , Pn), plusieurs exemples sont détaillés ci-après. De préférence, ce découpage est basé sur les résultats expérimentaux et est fortement lié à la partie matérielle et notamment au dispositif de mesure du courant employé qui sera décrit ultérieurement. La solution selon l’invention utilise un ensemble de caractéristiques de défaut d’arc plutôt que le signal de courant brut. Pour cette raison, le procédé utilise une étape d’extraction. Tout d’abord, il peut être nécessaire de sélectionner quelles caractéristiques de défaut d’arc seront utilisées puis un ensemble de caractéristiques de défaut d’arc sont extraites lors de l’étape d’extraction. Cette façon de procéder permet de rendre l’apprentissage à un stade ultérieur moins sujet à des entrées bruyantes ou non pertinentes, d’aider les réseaux de neurones artificiels à apprendre avec transparence et avec plus de bon sens et de simplifier l’architecture des réseaux de neurones artificiels (ANN1 , ANN2, ANN3... , ANNn). Il en résulte que la performance de la détection est améliorée car ce procédé est plus sensible et plus efficace contre les déclenchements intempestifs. Par ailleurs, le temps de développement informatique est réduit comparativement à un modèle algorithmique codé par un humain. Le temps de développement est de quelques jours au lieu de semaines. Ce procédé peut par ailleurs être implémenté dans un processeur peu coûteux.
[0039] De préférence, l’étape de réception, l’étape d’extraction, l’étape de calcul de la valeur efficace du courant, l’étape de d’entrée dans un réseau de neurones artificiels et l’étape de décision sont réitérées à l’intervalle de temps donné de préférence égal à 10 millisecondes.
[0040] La solution proposée entre de préférence des données d’entrée tous les intervalles de temps donnés de préférence tous les demi-cycles, ce qui fixe une résolution de temps de déclenchement de 10 millisecondes. [0041] De préférence et selon une première possibilité, lors de ladite une étape d’entrée dans un réseau de neurones artificiels, ledit réseau de neurones artificiels est choisi parmi un premier réseau de neurones artificiels (ANN1) associé à une première plage de courant (P1 ), de préférence comprise entre 0 Ampère et 10 Ampères, et un deuxième réseau de neurones artificiels (ANN2) associé à une deuxième plage de courant (P2), de préférence comprise entre 10 Ampères et 40 Ampères, la première plage de courant (P1 ) et la deuxième plage de courant (P2) étant disjointes.
[0042] Dans ce cas et de préférence, lors de ladite étape d’entrée dans un réseau de neurones artificiels, si la valeur efficace du courant (RMS) appartient à la première plage de courant (P1) alors ledit ensemble de données d’entrée (11 , I2, I3, I4. , 1316) est entré dans le premier réseau de neurones artificiels (ANN1) ou si la valeur efficace du courant (RMS) appartient à la deuxième plage de courant (P2) alors ledit ensemble de données d’entrée (11 , I2, I3, I4... , 1316) est entré dans le deuxième réseau de neurones artificiels (ANN2).
[0043] Avantageusement, cette solution utilise deux réseaux de neurones artificiels (ANN1 , ANN2) associés respectivement à la première plage de courant P1 correspondant à des courants dits faibles compris entre 0 Ampère et 10 Ampères et à la deuxième plage de courant P2 correspondant à des courants dits forts compris entre 10 Ampères et 40 Ampères. Comme l’illustre la figure 3, les performances obtenues sont meilleures avec cette solution utilisant deux réseaux de neurones artificiels (ANN1 , ANN2) comparativement à un procédé utilisant une classification monolithique avec un seul réseau de neurones artificiels (ANN), connu de l’art antérieur.
[0044] De préférence et selon une deuxième possibilité, lors de l’étape d’entrée dans un réseau de neurones artificiels, ledit réseau de neurones artificiels est choisi parmi un premier réseau de neurones artificiels (ANN1 ) associé à une première plage de courant (P1), de préférence comprise entre 0 Ampère et 10 Ampères, un deuxième réseau de neurones artificiels (ANN2) associé à une deuxième plage de courant (P2), de préférence comprise entre 10 Ampères et 20 Ampères, et un troisième réseau de neurones artificiels (ANN3) associé à une troisième plage de courant (P3), de préférence comprise entre 20 Ampères et 40 Ampères, la première plage de courant (P1 ), la deuxième plage de courant (P2) et la troisième plage de courant (P3) étant disjointes.
[0045] Dans ce cas et de préférence, lors de l’étape d’entrée dans un réseau de neurones artificiels, si la valeur efficace du courant (RMS) appartient à la première plage de courant (P1 ) alors l’ensemble de données d’entrée (11 , I2, I3, I4... , 1316) est entré dans le premier réseau de neurones artificiels (ANN1 ) ou si la valeur efficace du courant (RMS) appartient à la deuxième plage de courant (P2) alors l’ensemble de données d’entrée (11 , I2, I3, I4. , 1316) est entré dans le deuxième réseau de neurones artificiels (ANN2) ou si la valeur efficace du courant (RMS) appartient à la troisième plage de courant (P3) alors l’ensemble de données d’entrée (11 , I2, I3, I4... , 1316) est entré dans le troisième réseau de neurones artificiels (ANN3).
[0046] Avantageusement, cette solution utilise trois réseaux de neurones artificiels (ANN1 , ANN2, ANN3) associés respectivement à la première plage de courant P1 correspondant à des courants dits faibles compris entre 0 Ampère et 10 Ampères, à la deuxième plage de courant P2 et la troisième plage de courant P3 correspondant à des courants dits forts compris entre 10 Ampères et 20 Ampères et entre 20 Ampères et 40 Ampères. Comme l’illustre la figure 3, les performances obtenues sont meilleures avec cette solution utilisant trois réseaux de neurones artificiels (ANN1 , ANN2, ANN3) comparativement à un procédé utilisant une classification monolithique avec un seul réseau de neurones artificiels (ANN), connu de l’art antérieur ou deux réseaux de neurones artificiels (ANN1 , ANN2) selon l’invention.
[0047] De préférence, le procédé de détection d’un défaut d’arc électrique comprend en outre un étape de normalisation (N1 , N2... , Nn) préalable à l’étape d’entrée, lors de laquelle ledit ensemble de caractéristiques de défaut d’arc est normalisé pour former un ensemble de données d’entrée normalisées et en ce que lors de l’étape d’entrée dans un réseau de neurones artificiels, l’ensemble de données d’entrée (11 , I2, I3, I4... , 1316) correspond à l’ensemble de données d’entrée normalisées. [0048] L’objectif de la normalisation illustrée à la figure 2 est de convertir les variables en virgule flottante des caractéristiques de défaut d’arc en nombre entier compris entre en 0 et 1.
[0049] La normalisation min-max est de préférence utilisée, en raison des différentes valeurs de la caractéristique de défaut d’arc dans chaque base de données et chaque étape de normalisation (N1 , N2... , Nn) est unique.
[0050] De préférence, lors de l’étape de décision, ledit ensemble de données de sortie (O) est traité statistiquement par un test séquentiel du rapport des probabilités (SD) pour décider si un défaut d’arc est présent ou non.
[0051] Cette décision statistique qui est illustrée aux figures 3 et 4 permet de prendre autant d’informations que possible avant la prise de décision lors de l’étape de décision. Cette façon de procéder permet d’optimiser le temps de détection et de minimiser les déclenchements intempestifs liés à l’absence d’arc sporadique dangereux.
[0052] A l’issue de l’étape de décision et comme l’illustre la figure 2, une variable de sortie binaire est déterminée en fonction de la conclusion d’absence ou de présence de défaut d’arc électrique. Cette variable de sortie binaire peut constituer un signal de commande (SC) d’un appareillage électrique selon l’invention décrit ci-après.
[0053] De préférence et comme l’illustre la figure 1 , chaque réseau de neurones artificiels (ANN1 , ANN2, ANN3... , ANNn) comprend de préférence trois couches (L1 , L2, L3). L’ensemble des données d’entrée (11 , I2, I3, I4... , 1316) comprend de préférence 316 variables. Le réseau de neurones artificiels comprend environ 9000 coefficients et calcule environ 9000 opérations d’accumulation multipliée sur l’intervalle de temps donné.
[0054] Un réseau neuronal classique de type complètement connecté est de préférence utilisé. La couche de sortie (LS) comprend de préférence un neurone qui a une fonction d'activation sigmoïde ou softmax. Les trois premières couches (L1 , L2, L3) peuvent utiliser une unité linéaire sigmoïde ou rectifiée comme fonction d'activation. Pour le processus d'apprentissage, la perte d'entropie croisée binaire est de préférence utilisée comme fonction de coût. Pour minimiser la fonction de coût, le gradient stochastique de l'algorithme est utilisé, et le gradient accéléré classique Momentum et Nesterov sont de préférence appliqués pendant le processus de l’apprentissage. Selon la convergence du réseau neuronal, des techniques de régularisation telles que l'arrêt précoce, la régression ridge, lasso ou similaires peuvent être utilisées.
[0055] Le signal de courant acquis réceptionné lors de l’étape de réception peut également être prétraité avant l’étape d’extraction lors d’une étape de prétraitement pour déterminer les caractéristiques de défaut d’arc.
[0056] De préférence, cette étape de prétraitement comprend au moins une analyse en fréquence et une analyse de la forme d’onde et un échantillonnage.
[0057] En effet, de préférence seule une sélection des caractéristiques de défaut d’arc issue de l’étape de prétraitement forme ledit ensemble de caractéristiques de défaut d’arc.
[0058] L’invention concerne en outre un dispositif de détection d’un défaut d’arc électrique comprenant au moins un module de détection d’un défaut d’arc électrique. Conformément à l’invention, ledit module de détection est caractérisé en ce qu’il est configuré pour mettre en œuvre le procédé de détection d’un défaut d’arc électrique selon l’invention et tel que décrit précédemment.
[0059] Avantageusement, le procédé de détection d’un défaut d’arc électrique selon l’invention peut être mis en œuvre dans un dispositif de détection d’un défaut d’arc électrique (non représenté) selon l’invention et ainsi se présenter sous la forme d’une brique fonctionnelle pouvant être ajoutée par exemple à un appareillage électrique (non représenté).
[0060] De préférence selon un exemple non représenté, le module de détection d’un défaut d’arc électrique peut comprendre une carte électronique comportant un processeur configuré pour mettre en œuvre le procédé de détection d’un défaut d’arc électrique selon l’invention. Par exemple, le processeur consiste en un processeur ARM cortex m4-64 Mégahertz. Ce type de processeur présente l’avantage d’être peu coûteux et donc apte à être intégré dans une solution industrialisable. Lorsque le procédé de détection d’un défaut d’arc électrique est mis en œuvre avec ce type de processeur 30 pourcents du temps de calcul du processeur est utilisé. [0061] Le module de détection peut comprendre en outre au moins un filtre pour effectuer l’analyse en fréquence dans l’étape de prétraitement. De préférence, le module de détection comprend trois filtres passe bande à 20 kiloHertz, 30 kiloHertz et 50 kiloHertz.
[0062] Le module de détection peut comprendre en outre au moins un intégrateur pour effectuer l’analyse de la forme d’onde dans l’étape de prétraitement.
[0063] L’invention concerne en outre un appareillage électrique de détection de défaut d’arc électrique comprenant au moins :
[0064] une ligne électrique comportant une paire de contacts séparables,
[0065] un dispositif de mesure du courant,
[0066] un dispositif de détection d’un défaut d’arc électrique,
[0067] un module de commande de l’ouverture de la paire de contacts séparables.
[0068] Conformément à l’invention, ledit appareillage électrique de détection de défaut d’arc est caractérisé en ce qu’il comprend le dispositif de détection selon l’invention et tel que décrit précédemment.
[0069] Avantageusement et selon un exemple non représenté, le dispositif de détection d’un défaut d’arc électrique selon l’invention peut faire partie d’un appareillage électrique de détection de défaut d’un arc électrique et ainsi intégrer une fonction de détection de défaut d’arc électrique. Ainsi, le dispositif de mesure de courant peut mesurer le signal de courant de la ligne électrique à protéger. Si un défaut d’arc est détecté par le module de détection mettant en œuvre le procédé selon l’invention, un signal de commande d’ouverture des contacts peut en réponse être envoyé au module de commande qui commandera en réponse l’ouverture des contacts séparables.
[0070] L’appareillage électrique de détection de défaut d’un arc électrique peut en outre réaliser une fonction de protection contre les défauts de type courts-circuits et/ou contre les défauts de type surintensités et/ou contre les défauts différentiels. Dans ce cas, l’appareillage électrique de détection de défaut d’un arc électrique peut consister en un disjoncteur à boîtier moulé du type MCB-AFDD ou en un disjoncteur différentiel à boîtier moulé du type RCBO-AFDD. [0071] De préférence, le dispositif de mesure de courant est un capteur de courant par exemple un transformateur de courant.
[0072] L’invention concerne en outre un programme d’ordinateur comprenant des instructions qui, lorsque le programme est exécuté par un ordinateur, conduisent l'ordinateur à mettre en œuvre le procédé de détection d’un défaut d’arc électrique selon l’invention et tel que décrit précédemment.
[0073] On entend par ordinateur tout système de traitement de l'information programmable.
[0074] L’invention concerne en outre un support lisible par ordinateur, sur lequel est enregistré le programme d'ordinateur selon l’invention et tel que décrit précédemment.
[0075] Le support lisible par ordinateur peut être une puce, un disque dur ou similaire. Ces exemples ne sont pas limitatifs.
[0076] Bien entendu, l'invention n'est pas limitée aux modes de réalisation décrits et représentés aux dessins annexés. Des modifications restent possibles, notamment du point de vue de la constitution des divers éléments ou par substitution d'équivalents techniques, sans sortir pour autant du domaine de protection de l'invention.

Claims

Revendications
[Revendication 1 ] Procédé de détection d’un défaut d’arc électrique comportant :
- une étape de réception, lors de laquelle au moins un signal de courant acquis est réceptionné,
- une étape d’extraction, lors de laquelle un ensemble de caractéristiques de défaut d’arc est extrait à partir des caractéristiques de défaut d’arc issues du signal de courant acquis,
- une étape d’entrée dans un réseau de neurones artificiels, lors de laquelle un ensemble de données d’entrée (11 , I2, I3, I4... , 1316) issu au moins de l’étape d’extraction est entré dans un réseau de neurones artificiels pour déterminer au moins un ensemble de données de sortie (O),
- une étape de décision, lors de laquelle ledit ensemble de données de sortie (O) est traité pour décider si un défaut d’arc est présent ou non, le procédé de détection est caractérisé en ce qu’il comprend en outre :
- une étape de calcul de la valeur efficace du courant (RMS) laquelle est antérieure à l’étape d’entrée dans un réseau de neurones artificiels, lors de laquelle une valeur efficace du courant est calculée à partir du signal de courant acquis sur un intervalle de temps donné, de préférence égal à
10 millisecondes, et en ce que lors de ladite étape d’entrée dans un réseau de neurones artificiels, ledit un ensemble de données d’entrée est entré, en fonction de la plage de courant dans laquelle se trouve la valeur efficace du courant, dans un réseau de neurones artificiels choisi au moins parmi deux réseaux de neurones artificiels (ANN1 , ANN2, ANN3... , ANNn) associés respectivement chacun à une plage de courant prédéterminée (P1 , P2, P3... , Pn), et en ce que lesdits au moins deux réseaux de neurones artificiels (ANN1 , ANN2, ANN3... , ANNn) sont entraînés préalablement à partir de caractéristiques de défaut d’arc compris dans leur plage de courant respective (P1 , P2, P3... , Pn).
[Revendication 2] Procédé de détection d’un défaut d’arc électrique selon la revendication 1 , caractérisé en ce que l’étape de réception, l’étape d’extraction, l’étape de calcul de la valeur efficace du courant, l’étape de d’entrée dans un réseau de neurones artificiels et l’étape de décision sont réitérées à l’intervalle de temps donné de préférence égale à 10 millisecondes.
[Revendication 3] Procédé de détection d’un défaut d’arc électrique selon l’une quelconque des revendications 1 à 2, caractérisé en ce que lors de ladite une étape d’entrée dans un réseau de neurones artificiels, ledit réseau de neurones artificiels est choisi parmi un premier réseau de neurones artificiels (ANN1 ) associé à une première plage de courant (P1 ), de préférence comprise entre 0 Ampère et 10 Ampères, et un deuxième réseau de neurones artificiels (ANN2) associé à une deuxième plage de courant (P2), de préférence comprise entre 10 Ampères et 40 Ampères, la première plage de courant (P1 ) et la deuxième plage de courant (P2) étant disjointes.
[Revendication 4] Procédé de détection d’un défaut d’arc électrique selon la revendication 3, caractérisé en ce que lors de ladite étape d’entrée dans un réseau de neurones artificiels, si la valeur efficace du courant (RMS) appartient à la première plage de courant (P1 ) alors ledit ensemble de données d’entrée (11 , I2, I3, I4... , 1316) est entré dans le premier réseau de neurones artificiels (ANN1 ) ou si la valeur efficace du courant (RMS) appartient à la deuxième plage de courant (P2) alors ledit ensemble de données d’entrée (11 , I2, I3, I4... , 1316) est entré dans le deuxième réseau de neurones artificiels (ANN2).
[Revendication 5] Procédé de détection d’un défaut d’arc électrique selon l’une quelconque des revendications 1 à 2, caractérisé en ce que lors de l’étape d’entrée dans un réseau de neurones artificiels, ledit réseau de neurones artificiels est choisi parmi un premier réseau de neurones artificiels (ANN1) associé à une première plage de courant (P1), de préférence comprise entre 0 Ampère et 10 Ampères, un deuxième réseau de neurones artificiels (ANN2) associé à une deuxième plage de courant (P2), de préférence comprise entre 10 Ampères et 20 Ampères, et un troisième réseau de neurones artificiels (ANN3) associé à une troisième plage de courant (P3), de préférence comprise entre 20 Ampères et 40 Ampères, la première plage de courant (P1 ), la deuxième plage de courant (P2) et la troisième plage de courant (P3) étant disjointes.
[Revendication 6] Procédé de détection d’un défaut d’arc électrique selon la revendication 5, caractérisé en ce que lors de l’étape d’entrée dans un réseau de neurones artificiels, si la valeur efficace du courant (RMS) appartient à la première plage de courant (P1 ) alors l’ensemble de données d’entrée (11 , I2, I3, I4... , 1316) est entré dans le premier réseau de neurones artificiels (ANN1 ) ou si la valeur efficace du courant (RMS) appartient à la deuxième plage de courant (P2) alors l’ensemble de données d’entrée (11 , I2, I3, I4... , 1316) est entré dans le deuxième réseau de neurones artificiels (ANN2) ou si la valeur efficace du courant (RMS) appartient à la troisième plage de courant (P3) alors l’ensemble de données d’entrée (11 , I2, I3, I4... , 1316) est entré dans le troisième réseau de neurones artificiels (ANN3).
[Revendication 7] Procédé de détection d’un défaut d’arc électrique selon l’une quelconque des revendications 1 à 6, caractérisé en ce que la valeur efficace du courant (RMS) correspond à la moyenne quadratique du signal de courant acquis sur ledit intervalle de temps donné de préférence égale à 10 millisecondes.
[Revendication 8] Procédé de détection d’un défaut d’arc électrique selon l’une quelconque des revendications 1 à 7, caractérisé en ce qu’il comprend en outre un étape de normalisation (N1 , N2... , Nn) préalable à l’étape d’entrée, lors de laquelle ledit ensemble de caractéristiques de défaut d’arc est normalisé pour former un ensemble de données d’entrée normalisées et en ce que lors de l’étape d’entrée dans un réseau de neurones artificiels, l’ensemble de données d’entrée (11 , I2, I3, I4... , 1316) correspond à l’ensemble de données d’entrée normalisées.
[Revendication 9] Procédé de détection d’un défaut d’arc électrique selon l’une quelconque des revendications 1 à 8, caractérisé en ce que lors de l’étape de décision, ledit ensemble de données de sortie (O) est traité statistiquement par un test séquentiel du rapport des probabilités (SD) pour décider si un défaut d’arc est présent ou non.
[Revendication 10] Dispositif de détection d’un défaut d’arc électrique comprenant au moins un module de détection d’un défaut d’arc électrique, ledit module de détection est caractérisé en ce qu’il est configuré pour mettre en œuvre le procédé de détection d’un défaut d’arc électrique selon l’une quelconque des revendications 1 à 9.
[Revendication 11] Appareillage électrique de détection de défaut d’arc électrique comprenant au moins :
- une ligne électrique comportant une paire de contacts,
- un dispositif de mesure du courant,
- un dispositif de détection d’un défaut d’arc électrique,
- un module de commande de l’ouverture de la paire de contacts, ledit appareillage électrique de détection de défaut d’arc est caractérisé en ce qu’il comprend le dispositif de détection selon la revendication 10.
[Revendication 12] Programme d’ordinateur comprenant des instructions qui, lorsque le programme est exécuté par un ordinateur, conduisent l'ordinateur à mettre en œuvre le procédé de détection d’un défaut d’arc électrique selon l’une quelconque des revendications 1 à 9.
[Revendication 13] Support lisible par ordinateur, sur lequel est enregistré le programme d'ordinateur selon la revendication 12.
PCT/FR2022/000064 2022-07-19 2022-07-19 Procede, dispositif, appareillage de detection d'un defaut d'arc electrique WO2024018119A1 (fr)

Priority Applications (1)

Application Number Priority Date Filing Date Title
PCT/FR2022/000064 WO2024018119A1 (fr) 2022-07-19 2022-07-19 Procede, dispositif, appareillage de detection d'un defaut d'arc electrique

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/FR2022/000064 WO2024018119A1 (fr) 2022-07-19 2022-07-19 Procede, dispositif, appareillage de detection d'un defaut d'arc electrique

Publications (1)

Publication Number Publication Date
WO2024018119A1 true WO2024018119A1 (fr) 2024-01-25

Family

ID=83004590

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/FR2022/000064 WO2024018119A1 (fr) 2022-07-19 2022-07-19 Procede, dispositif, appareillage de detection d'un defaut d'arc electrique

Country Status (1)

Country Link
WO (1) WO2024018119A1 (fr)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20050016740A (ko) * 2005-01-27 2005-02-21 서효성 이상신호를 이용한 전력용 설비의 위험상태 진단방법
US20190199080A1 (en) 2017-12-21 2019-06-27 Eaton Corporation Arc fault detection system
CN111458599A (zh) * 2020-04-16 2020-07-28 福州大学 基于一维卷积神经网络的串联电弧故障检测方法
WO2021136053A1 (fr) 2020-01-02 2021-07-08 青岛鼎信通讯股份有限公司 Procédé, dispositif et appareil d'identification d'arc électrique, et support d'enregistrement

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20050016740A (ko) * 2005-01-27 2005-02-21 서효성 이상신호를 이용한 전력용 설비의 위험상태 진단방법
US20190199080A1 (en) 2017-12-21 2019-06-27 Eaton Corporation Arc fault detection system
WO2021136053A1 (fr) 2020-01-02 2021-07-08 青岛鼎信通讯股份有限公司 Procédé, dispositif et appareil d'identification d'arc électrique, et support d'enregistrement
EP4024063A1 (fr) * 2020-01-02 2022-07-06 Qingdao Topscomm Communication Co., Ltd Procédé, dispositif et appareil d'identification d'arc électrique, et support d'enregistrement
CN111458599A (zh) * 2020-04-16 2020-07-28 福州大学 基于一维卷积神经网络的串联电弧故障检测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
WANG YAO ET AL: "ArcNet: Series AC Arc Fault Detection Based on Raw Current and Convolutional Neural Network", IEEE TRANSACTIONS ON INDUSTRIAL INFORMATICS, IEEE SERVICE CENTER, NEW YORK, NY, US, vol. 18, no. 1, 31 March 2021 (2021-03-31), pages 77 - 86, XP011881115, ISSN: 1551-3203, [retrieved on 20211004], DOI: 10.1109/TII.2021.3069849 *
Y. WANGL. HOUK. C. PAULY. BANC. CHENT. ZHAO: "ArcNet : Series AC Arc Fault Détection Based on Raw Current and Convolutional Neural Network", IEEE TRANSACTIONS ON INDUSTRIAL INFORMATICS, vol. 18, no. 1, January 2022 (2022-01-01), pages 77 - 86, XP011881115, DOI: 10.1109/TII.2021.3069849

Similar Documents

Publication Publication Date Title
EP1815260B1 (fr) Procédé et dispositif de détection d'un phénomène d'arc électrique sur au moins un câble électrique
EP2959304A1 (fr) Procede et dispositif de detection d'arc electrique dans une installation photovoltaïque
EP2484011B1 (fr) Dispositif de traitement d'un signal delivré par un detecteur de rayonnement
EP2959303B1 (fr) Procede et dispositif de detection d'arc electrique dans une installation photovoltaique
EP3187842B1 (fr) Procédé pour détecter un arc électrique par analyse de sa signature acoustique
FR2983968A1 (fr) Procede et dispositif de detection d'arc electrique dans une installation photovoltaique
EP3039439B1 (fr) Detection d'arcs electriques dans les installations photovoltaïques
EP3264116B1 (fr) Dispositif de détection d'un arc électrique à partir de sa signature acoustique
EP2729822A1 (fr) Detection d'arcs electriques dans les installations photovoltaïques
EP2816363B1 (fr) Procédé et dispositif de détection d'arc électrique
EP0813282B1 (fr) Appareil de détection de défaut d'isolement d'un dispositif branché dans un réseau de distribution ou de transport d'énergie électrique et procédé de détection correspondant
EP3384592B1 (fr) Procede et dispositif de detection d'un arc electrique dans une installation photovoltaïque
WO2024018119A1 (fr) Procede, dispositif, appareillage de detection d'un defaut d'arc electrique
EP2966461A1 (fr) Procédé et dispositif de détection d'arcs électriques pour installations électriques à source de courant continu
EP3063548B1 (fr) Procede de detection de decharge partielle dans un poste electrique haute tension isole au gaz
EP3723003A1 (fr) Carte à puce comportant un capteur d'empreintes digitales
WO2014198847A1 (fr) Dispositif de décision prévu pour décider si une surface est un tissu vivant ou non
EP3232212A1 (fr) Système et procédé de détection d'un arc électrique
FR2724231A1 (fr) Voie d'acquisition d'une impulsion en tension, procede et systeme de mesure de decharges partielles pourvu d'une telle voie
EP4170363A1 (fr) Procédé de classification de décharge partielle dans un conducteur électrique d'un appareil électrique de moyenne tension
FR3009766A1 (fr) Procede, dispositif et programme d'ordinateur pour la commande d'un disjoncteur mecatronique

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 22757614

Country of ref document: EP

Kind code of ref document: A1