Vous êtes sur la page 1sur 115

République Algérienne Démocratique et Populaire

Ministère de l’Enseignement Supérieur et la Recherche Scientifique


Université des Sciences et de la Technologie d’Oran
Faculté de génie électrique
Département d’électrotechnique

Mémoire pour l’obtention du diplôme de

MAGISTERE EN ELECTROTECHNIQUE
Option : Fiabilité des systèmes électro-énergétiques
Présenté par :
KAHAL HOUSSEYN

Intitulé du mémoire :

Réseaux Bayésiens Dynamiques: Application


aux réseaux électriques

Soutenu devant le jury composé de :

Mr. T. BOUTHIBA Professeur U.S.T. Oran Président


Mr. L. MESREF Maître de Conférences U.S.T. Oran Encadreur

Mr. M. REZOUGA Maître de Conférences U.S.T. Oran Co-Encadreur


Mr. L. KOTNI Maître de Conférences U.S.T. Oran Examinateur
Mr. A. HAMID Professeur U.S.T. Oran Examinateur
Nomenclature
Nomenclature

BN Bayesian Network
DBN Dynamic Bayesian Network
DAG Directed Acyclic Graphs
CPD Conditional Distribution Probability
JPD Joint Probability Distribution
SDF Sureté De Fonctionnement
R(t) Fiabilité
F(t) Probabilité de défaillance
D(t) Disponibilité
A(t) Availability
λ(t) Taux de défaillance
µ(t) taux de réparation
M(t) Maintenabilité
MTBF Mean time between failure
MTTR Mean time to failure
BDF Bloc diagramme de fiabilité
E(t) Espérance mathématique
IACM Interrupteur Aérien à Commande Manuel
IACT Interrupteur Aérien à Creux de Tension
LOLP Loss Of Load Probability
FOR Forced Outage Rate
SAIFI System Average Interruption Frequency Index
CAIFI Customer Average Interruption Frequency Index
SAIDI System Average Interruption Duration Index
CAIDI Customer Average Interruption Duration Index
ASAI Average service availability index
G Graph
HMM Hidden Markov Model
P(x) Probabilité de x
P(x/y) Probabilité conditionnelle de x sachant y
P(x,y) Probabilité jointe
MCMC Markov Chain Monte Carlo
EM Expectation Maximization
LDS Linaire Dynamic System
RUL Remaining Useful Life
2TBN 2Time-Slice Bayésien Network
CHMM Coupled Hidden Markov Model
FHMM Factorial Hidden Markov Model
MTA Ligne Moyenne Tension Aérien
MTS Cable Moyenne Tension Souterrain
ACC Poste ACC
MAC Poste maconné
BE Boite Extrimité
Ar Arrivé
TR Transformateur
Dép Départ
Cons Consommateurs
ConsACC Consommateurs issu des postes ACC
Nomenclature

ConsMAC Consommateurs issu des postes MAC


TEC Temps Equivalent de Coupure
TI Temps d’interruption
Sais Saison
Humi Humidité
Oura Orage
Temp Température
Sommaire
Sommaire
Introduction générale…………………………………………………………. 01
Chapitre I : Notions de fiabilité
I.1. Introduction………………………………………………………………….. 03
I.2. Terminologie de la Sureté de fonctionnement……………………………….. 03
I.2.1. Fiabilité……………………………………………………………. 04
I.2.1.1. La fiabilité opérationnelle…………………………………….. 04
I.2.1.1. La fiabilité prévisionnelle……………………………………. 04
I.2.2. Maintenabilité……………………………………………………… 05
I.2.3. Disponibilité……………………………………………………….. 06
I.2.4. Sécurité……………………………………………………………. 06
I.3. Etude de la fiabilité………………………………………………………… 06
I.3.1. Quelques définition………………………………………………… 07
I.3.1.1. Défaut………………………………………………………… 07
I.3.1.2. Défaillance………………………………………………….. 07
I.3.1.3. Panne…………………………………………………………. 07
I.3.2. Taux de défaillance λ(t)……………………………………………. 07
I.3.3. Taux de réparation µ(t)…………………………………………… 08
I.3.3. MTBF (Mean Time Between Failure)……………………………… 08
I.3.4. MTTF (Mean Time To Failure)…………………………………….. 08
I.3.5. MUT……………………………………………………………….. 08
I.3.6. MTTR……………………………………………………………… 09
I.3.7. Courbe de baignoire……………………….………………………. 09
I.4. Les Modèles pour le calcul de la fiabilité……………………………….. 10
I.4.1. Modèle combinatoire……………………………………………… 10
I.4.2. Modèle Markovien…………………………………………………. 11
I.4.3. Modèle basé sur les réseaux de pétri………………………..…... 11
I.5. Méthodes d’évaluation de la fiabilité…………………………………… 12
I.5.1. Arbre de défaillance…………….…………………………………. 12
I.5.2. Bloc-diagramme de Fiabilité………………….…………………… 13
I.6. Différents lois utilisé dans le calcule de la fiabilité…………………………. 14
I.6.1. Lois binomiale…………………………………………………….. 14
I.6.2. Lois de Poisson…………………………………………………… 15
I.6.3. Lois de survie……………………………………………………. 15
I.6.4. Lois Weibull………………………………………………………. 16
I.6.5. Lois Exponentielle……………………………………………….. 17
I.6.6. Lois Normale (Laplace-gausse)………………………………… 19
I.6.7. Lois Log-Normale………………………………………………….. 19
I.6.8. Lois Gamma (loi d’Erlang)………………………………………. 19
I.7. Banque de donnée de fiabilité et taux de défaillance…………………….. 20
I.7.1. Cas de composant électronique…..…………………………….. 20
I.7.2. Cas de composant non électronique……………………………. 21
I.8. Conclusion…………………………………………………………………. 21
Chapitre II : Fiabilité des réseaux électriques
II.1. Introduction…………………………………………………………………. 22
II.2. Constituants d’un réseau électrique……………………………………… 22
II.2.1. Centrales électriques…………………………………..………….. 23
II.2.2. Les lignes électriques………………………………………………. 23
II.2.3. Les transformateurs de puissance………………………………….. 24
II.2.4. Les postes électriques……………………………………………… 24
Sommaire
II.2.5. Appareillage d’un réseau électrique………………………………. 25
II.2.5.1. Jeu de barres…………………………………………………. 25
II.2.5.2. Sectionneur…………………………………………………… 25
II.2.5.3. Disjoncteur…………………………………………………… 25
II.2.5.4. Appareillage de coupure des circuits………………………… 25
II.3. Défaillance survenue dans un réseau électrique…………………………. 26
II.4. Etude de la fiabilité des réseaux électriques………………………………. 26
II.4.1. Fiabilité de la production…………………………………………… 27
II.4.2. Fiabilité des réseaux de distribution……………………………….. 28
II.4.3. Fiabilité de l’ensemble : production, transport et distribution……… 29
II.5. Calcule de la fiabilité des réseaux électriques…………………………… 30
II.5.1. Les techniques analytiques…………………………………………. 30
II.5.2. Simulations (Monte-Carlo)………………………………………… 31
II.6. Comment peut-on accroître la fiabilité d’un réseau électrique?.................. 31
II.7. Conclusion…………………………….…………………………………….. 32
Chapitre III : Réseaux Bayésiens
III.1. Introduction………………………………………………………………. 33
III.2. La représentation graphique des réseaux Bayésiens……………………….. 33
III.2.1. Théorie des graphes………………………………………………… 33
III.2.1.1. Définition d’un graphe……………………………..……………... 33
III.2.1.2. Arête et Arc…………………………………………………...…... 34
III.2.1.3. Les graphes orientés………………………………………………. 34
III.2.1.4. Les graphes non orientés………………………………………….. 34
III.2.1.5. Notions de parents et d’enfant……………………………………. 34
III.2.1.6. Chemins orientés………………………………………………….. 35
III.2.1.6.1. Chemin simple………………………………………………. 35
III.2.1.6.2. Chemin élémentaire…………………………………………. 35
III.2.1.6.3. Circuit……………………………………………………….. 35
III.3. Représentation probabiliste……………………………………..…….…… 36
III.3.1. Espace de probabilité……………………………………………...... 36
III.3.2. Variable aléatoire…………………………………………..……….. 36
III.3.3. Définition des probabilités………………………………………….. 36
III.3.4. Théorème de Bayes………………………………………………...... 37
III.3.5. Définition de Réseau Bayésien……………………………..……… 38
III.3.6. Propriétés des Réseaux Bayésiens………………………………… 38
III.3.6.1. Indépendance conditionnelle ………………………………….. 38
III.3.6.2. Factorisation de la loi joint ……………………………………. 39
III.4. Mise en place d’un réseau bayésien……………………………………….. 39
III.4.1. Construire la structure du graphe…………………………………… 40
III.4.2. Evaluation des probabilités……………………….……………….. 40
III.5. Inférence bayésienne……………………………………….……….……. 42
III.5.1. Principales méthodes d’inférence complète existantes……………. 42
III.5.1.1. Polyarbres ………………………………………………..….. 43
III.5.1.2. Algorithme “loop cutset conditioning”……….…………….. 43
III.5.1.3. Algorithme LS ….………………………………………….. 43
III.5.1.4. Algorithme d’élimination de variables …………………..….. 44
III.5.2. Les méthodes d’inférence approximatives ………………………………... 44
III.6. Apprentissage dans les réseaux bayésiens …………..……………….…………… 44
III.6.1. Apprentissage de structure…………………………………………………. 45
III.6.2. Apprentissage de paramètre………………………………………………… 45
Sommaire
III.7. Réseaux bayésiens avec des variables continus …………………………………... 45
III.8. Modélisation d’un petit réseau électrique ………………………..……………….. 46
III.9. Réseaux Bayésiens Dynamiques (D.B.Ns) ………………………….……………. 53
III.8.1. Représentations des DBNs …………………………………………………. 54
III.8.2. Inférence dans les DBNs …………………………………………………… 55
III.8.3. Quelques structures classiques …………………………………………….. 57
III.10. Exemple d’un système de distribution de fluide……………………………… 58
III.11. Conclusion ………………………………………………………………………. 64
Chapitre IV : Modélisation d’un réseau électrique par un Réseau Bayésien
Dynamique
IV.1.Introduction………………………………………………………………………... 65
IV.2.Description du réseau de distribution étudie………………………………………. 65
IV.2.1.Réseaux HTA aériens………………………………………………............. 66
IV.2.1.1.Dorsale………………………………………………………........... 66
IV.2.1.2.Dérivation……………………………………………………………. 66
IV.2.1.3.Sous dérivation……………………………………………………… 66
IV.2.2.Réseaux HTA souterrains…………………………………………………… 67
IV.2.2.1.Structure maillée…………………………………………………….. 67
IV.2.2.2.Structure à artère source à source…………………………………… 67
IV.2.3.Réseaux mixtes………………………………………………………............ 68
IV.2.4.Longueur du réseau…………………………………………………............ 68
IV.2.5.Chute de tension dans les lignes MTA et câbles MTS……………………… 69
IV.2.6.Poste HTA/BT………………………………………………………………. 69
IV.2.6.1.Poste ACC…………………………………………………………… 69
IV.2.6.2.Poste maçonné……………………………………………….............. 69
IV.2.6.3.Nombre de poste HTA/BT alimenté…………………………. …….. 70
IV.3.Structure du réseau étudie….……………………………………………………… 71
IV.3.1.Données et historiques des pannes………………………………………….. 72
IV.3.2.Calcule des indices de fiabilité……………………………………………… 73
IV.3.3. Détermination des paramètres de la loi de WEIBULL ……………………. 74
IV.4. Modélisation par un Réseau Bayésien …………………………………………… 76
IV.4.1.Structure du RB………………………………………………………... 76
IV.4.2.Paramètres du RB……………………………………………………… 77
IV.4.3.Inférence dans ce RB…………………………………………………... 78
IV.5.Modélisation des variables climatiques…………………………………………… 79
IV.5.1.Paramètres du RB…………………………………………………………… 80
IV.5.2. Intégration des paramètres climatiques……………………………………. 81
IV.5.3.Inférence dans ce RB………………………………………………………... 82
IV.5.4. Exploitation de ce RB………………………………………………………. 82
IV.6.Modélisation de la dynamique du réseau………………………………………….. 83
IV.6.1.Historique de la puissance appelée………………………………………….. 83
IV.6.2.Prévision de charges (2009/2018)………………………………………….. 83
IV.6.3.Réseau Bayésien modélisant l’augmentation de la charge………………….. 84
IV.6.4. Satisfaction des consommateurs……………………………………………. 89
IV.7.Conclusion…………………………………………………………………………. 90
Conclusion générale…..………………………………………………………………... 91
Références bibliographiques
Annexes
Introduction générale
Introduction générale

L’économie de marché, dont les entreprises industrielles souffrent de la


concurrence rude, exige une haute disponibilité des systèmes de production et des produits
à haute qualité. Cette disponibilité ne peut être assurée qu’à travers, un contrôle du
système, une surveillance permanente et une estimation de la fiabilité de l’ensemble des
composants du système.

L’étude de cette fiabilité ne peut se faire qu’en utilisant des méthodes de


modélisation; on cite à titre d’exemple le modele combinatoire, Markoviens ou encore des
modèles plus performants basés sur des réseaux tels que les Réseaux de Pétri et Réseaux
Bayésiens (RB).

La méthode utilisant les RB est une Technique mathématique combinant les


statistiques et l’intelligence artificielle [J.B].

les RB permettent d'analyser de grandes quantités de données pour en extraire des


connaissances utiles à la prise de décision, contrôler ou prévoir le comportement d'un
système, diagnostiquer les causes d'un phénomène, etc. [S.V].

Les RB sont utilisés dans de nombreux domaines: santé et environnement


(localisation de gènes, diagnostic, gestion des ressources naturelles) [P.N], industrie et
transports (contrôle d'automates et de véhicules), informatique et réseaux (agents
intelligents), marketing (data-mining, gestion de la relation client) [S.V], management
(aide à la décision, analyse financière, gestion des risques) [P.N].

Les RB sont également utilisés pour traiter les problèmes d'analyse de données,
d'aide à la décision, de gestion des connaissances, de diagnostic ou de contrôle de
systèmes.

Dans ce mémoire de magister, nous appliquerons l’extension de ces modèles de


RB, en l’occurrence les Réseaux Bayésiens Dynamiques (RBD) à l’étude de la fiabilité
d’un réseau électrique.
Introduction générale

Le mémoire contient quatre chapitres. Le premier chapitre constitue un rappel des


définitions élémentaires de la fiabilité des systèmes. Le deuxième chapitre traite de
l’application de ces notions de fiabilité aux réseaux électriques. On montrera comment
calculer la fiabilité des réseaux électriques de production, de transport et de distribution.

Dans la troisième partie on rappellera les notions et définitions des RB et


particulièrement leur extension dynamique.

Finalement, dans la dernière partie, nous appliquerons la méthode des réseaux


Bayésiens dynamiques à l’étude de la fiabilité d’un réseau de distribution d’énergie
électrique.
Chapitre I

Notions de fiabilité
Chapitre I : Notions de fiabilité

I.1. Introduction :
Le concept de fiabilité est de plus en plus utilisé dans le monde scientifique et
technique [J.B]. Il est souvent utilisé pour évaluer la durée de vie d’un composant, d’un
système simple ou complexe. Un exemple concret d’un système complexe est un réseau
électrique. Ce dernier est considéré comme un système à haute disponibilité [M.R] car la
durée moyenne des coupures de service éprouvée par consommateur n’est que de quelques
heures par année.

En fonction de la complexité du système, on peut diviser les méthodes de calcul de


fiabilité en méthodes qui donnent des résultats exacts et des méthodes qui donnent des
résultats approchés [Y.B]. D’autre part, il faut bien sûr être vigilant à ne pas réduire trop
rapidement un problème de fiabilité à des calculs bruts de probabilité et de statistique et de
se rappeler en permanence que ces nombres en question traduisent une réalité physique et
technologique vaste et complexe [J.V].

Dans cette première partie, nous présentons tout d’abord la notion de sûreté de
fonctionnement, ensuite nous allons voir les différentes méthodes existantes dans la
littérature pour mesurer ou estimer la fiabilité.

I.2. Terminologie de la Sureté de fonctionnement :

La fiabilité est une des composantes de la sûreté de fonctionnement. Elle peut être
définie comme “la science des défaillances” [J.V]. La sureté de fonctionnement
«Dependability » est l’ensemble des aptitudes d’un bien qui lui permettent de remplir sa
fonction au moment voulu pendant la durée prévue, sans dommage pour lui même et son
environnement.
On peut définir quatre grandeurs:

1. la fiabilité « reliability » qui mesure la continuité de service;


2. la maintenabilité « maintainability » qui est l'aptitude aux réparations et aux
évolutions;
3. la disponibilité « availability » qui est le fait d'être prêt à l'utilisation ;
4. la sécurité « safety » qui est l'absence de conséquences catastrophiques pour
l'environnement.

3
Chapitre I : Notions de fiabilité

La relation entre ces derniers peut être représentée dans la figure au dessous :

Fonctionnement

Début Remise

1er Défaillance D’intervention En marche 2er Défaillance

Bon Attente Réparation Bon

Fonctionnement (1) Fonctionnement

Temps

Fiabilité Indisponibilité Disponibilité

Figure 1-1: Notion de SDF en fonction du temps.

Avec (1) Temps de détection de la panne, puis temps de réparation de l’intervenant.

Le développement d'un système sûr de fonctionnement repose sur l'utilisation


combinée de plusieurs moyens :
1. la prévention des fautes qui sert à empêcher l'occurrence ou l'introduction de
fautes;
2. la tolérance aux fautes qui sert à fournir un service même en présence de fautes;
3. l’élimination des fautes qui sert à réduire le nombre et la sévérité des fautes;
4. la prévision des fautes qui sert à estimer la présence, le taux futur et les
conséquences possibles des fautes.

I.2.1. Fiabilité :

Le terme « Fiabilité », est un néologisme introduit dans les années 60 pour traduire
le terme Anglo-Saxon « Reliability » [A.P, M.G]. Selon la Commission Electrotechnique
International (C.E.I), la fiabilité est définie comme « l’aptitude d’un dispositif à accomplir
une fonction requise, dans des conditions données, pendant une durée donnée ».
L’évaluation ou le calcul de la fiabilité d’un composant ou système peut s’effectuer dans
différents stades, allons de la conception (prédire la fiabilité pour répondre à un cahier des

4
Chapitre I : Notions de fiabilité

charges), passant par la fabrication et terminant par l’exploitation de ce composant ou


système.

De manière globale, la fiabilité d’un système est liée à ses caractéristiques


intrinsèques, au mode d’utilisation et à son environnement. De cet aspect global, il est
possible de définir deux types de fiabilité :

I.2.1.1. La fiabilité opérationnelle :


Elle résulte de l’observation et de l’analyse du comportement d’un certain nombre de
dispositifs identiques, en conditions de fonctionnement réelles. En d’autres termes, il s’agit
d’un traitement statistique d’un retour d’expérience. La probabilité moyenne issue de ce retour
d’expérience n’a de sens qu’en considérant un nombre important de dispositifs. La fiabilité
opérationnelle est donc définie par :

′ é é à ′ ′ ′
= ′ é [ , ]
(I.1)

Le système est supposé être sans défaillance à t = 0, on parle alors de système “cohérent”.

I.2.1.2. La fiabilité prévisionnelle :


Elle estime la fiabilité future d’un système à partir de considérations sur la
conception du système et la fiabilité opérationnelle (supposée connue) de ses composants.
Cette estimation repose très souvent sur l’évaluation du “taux de défaillance” probable et
du “temps moyen de non défaillance”.

Mathématiquement la fiabilité nommée R(t) [A.P, M.G] d’un système S est donnée
comme suit:

= é ! ! "é# ! $% [0, ] (I.2)

On notera F(t), la fonction définie par F(t) = 1 - R(t) ; c’est la probabilité


complémentaire (ou événement contraire). Donc F(t) est la probabilité de défaillance à
l’instant t. Cette fonction est caractérisée par un taux de défaillance λ(t) (inverse du temps
moyen de bon fonctionnement MTBF) [B.Z].

5
Chapitre I : Notions de fiabilité

I.2.2. Maintenabilité:

La maintenabilité est la probabilité pour qu’une opération donnée de maintenance


active puisse être effectuée pendant un intervalle de temps donnée [t1, t2], [E.C], [W.G] :

' = {) *$ é+, ,$ é- é $% ′ ! , . , [0, ]/ (I.3)

Cette fonction est caractérisée par un taux de réparation µ(t), (inverse du temps moyen de
réparation MTTR)

I.2.3. Disponibilité :

La disponibilité est la probabilité pour qu’une entité soit en état d’accomplir une
fonction requise dans des conditions données à instant t, en supposant que la fourniture des
moyens extérieurs nécessaires est assurée. On la note D(t) ou A(t). C’est la traduction du
nom anglais : Availability [B.Z].

0 = { *$ ,+, ! ! "é# ! à ′ !$ ! 1/ (I.4)

Le fonctionnement à l’instant t ne nécessite pas forcément le fonctionnement sur


[0, t], pour un système réparable ; c’est là que se situe la différence fondamentale avec la
fiabilité.

I.2.4. Sécurité :

La sécurité est l'aptitude d'une entité à ne pas conduire à des accidents


inacceptables. Plus précisément, la sécurité est l'aptitude d'un produit à respecter, pendant
toutes les phases de vie, un niveau acceptable de risques d'accident susceptible de causer
une agression du personnel ou une dégradation majeure du produit ou de son
environnement.

I.3. Etude de la fiabilité :

Avant d’entamer l’étude et l’évaluation de la fiabilité, il est nécessaire de rappeler


quelques définitions, tels que taux de défaillance, MTBF et MTTF…etc.

6
Chapitre I : Notions de fiabilité

I.3.1. Quelques définitions :

Dans un premier temps, on va donner quelques définitions afin de comprendre


comment calculer la fiabilité.

I.3.1.1. Défaut :

Un défaut est tout écart entre la caractéristique observée sur le dispositif et la


caractéristique de référence lorsque celui-ci est en dehors des spécifications requises.

I.3.1.2. Défaillance :

D’après la norme AFNOR 60010X : une défaillance est l’altération ou la cessation


de l’aptitude d’un ensemble à accomplir sa ou ses fonctions requises avec les performances
définies dans les spécifications techniques [AFNOR].

I.3.1.3. Panne :

Une panne est l’inaptitude d’un dispositif à accomplir une fonction requise. Dés
l’apparition d’une défaillance, caractérisée par la cessation du dispositif à accomplir sa
fonction, le dispositif sera déclaré en panne. Par conséquent, une panne résulte toujours
d’une défaillance.

Les pannes sont classifiées d’une façon similaire aux défaillances. Cependant il
existe une classification particulière aux pannes : panne intermittente et panne fugitive.

I.3.2. Taux de défaillance λ(t) :

Le taux de défaillance d’un composant est une fonction du temps. Il donne une
fréquence d’occurrence instantanée de défaillance pour un intervalle de temps très court.
Cette fréquence d’occurrence instantanée augmente généralement avec le temps [Y.B].

La probabilité pour qu’un système défaille à un instant donné t peut être représentée par la
loi exponentielle. Le taux de défaillance de chaque composant est représenté par une
constante strictement positive λ(t) = λ pour tout t >0 :

= 1 − , 4λ5 (I.5)

7
Chapitre I : Notions de fiabilité

I.3.2. Taux de réparation µ(t) :

Le taux de réparation s’obtient par la relation suivante :

7
6 = 899: (I.6)

Le taux de réparation indique l’aptitude d’un bien à être dépanné et/ou réparé. Dans le cas
ou il est constant la fonction de maintenabilité est :

' = 1 − , 4; (I.7)

I.3.3. MTBF (Mean Time between Failures):

Représente le temps moyen entre deux défaillances, il est calculé en inversant le


taux de défaillance λ :

7
'<=> = λ (I.8)

Il est aussi appelé « indicateur de fiabilité », puisque il donne l’image de la qualité


du comportement des systèmes [B.Z]

I.3.4. MTTF (Mean Time to Failure):

C’est le temps moyen de fonctionnement jusqu’à l’occurrence de la première défaillance :

'<<> = ? "

(I.9)

I.3.5. MUT (Mean Up Time):

Il mesure la moyenne des temps de bon fonctionnement après réparation. On note que :

MTBF=MTTR+MUT (I.10)

D’après cette relation on peut déterminer la disponibilité qu’est égale, à :

'<=> 6
0= =
'<=> + '<< 6+λ

8
Chapitre I : Notions de fiabilité

I.3.6. MTTR (Mean Time to Repair):

Il mesure le temps moyen de réparation. Il est donné par :

7
'<< = ? [1 − ' ]" =

;
(I.11)

I.3.7. Courbe en baignoire :

Lorsque l'on dispose d'un nombre important de composants ou d'équipements


identiques, on peut faire des relevés de la durée de vie moyenne de ces composants.

Au début de la vie du composant, on constate une mortalité assez élevée, le taux de


mortalité décroit assez rapidement lorsque le composant a franchi avec succès les dangers
de sa jeune vie.

Zone 1 Zone 2 Zone 3


Taux de défaillance

t
Temps

Figure 1-2 : Tracé de la courbe en baignoire.

Dans différents domaines, cette "loi" est assez générale. Si on reporte le taux de
mortalité en fonction de l'âge du composant, on obtient une courbe en baignoire. Cette
courbe exprime l’évolution du taux de défaillance tout au long de la durée de vie d’un
composant ou système, elle est composée de trois zones :

Zone 1 : période de défaillance précoce :


C’est la période au début de la vie d’un dispositif commençant à un instant donné et
pendant laquelle le taux de défaillance décroit rapidement en comparaison du taux de

9
Chapitre I : Notions de fiabilité

défaillance de la période suivante. En pratique, cela correspond au « déverminage » pour


les systèmes électroniques, les défaillances qui apparaissent dans cette période sont
appelées des défaillances précoces ou de jeunesse.

Zone 2 : période de défaillance à taux constant :


C’est la période éventuelle de la vie d’un dispositif pendant laquelle les défaillances
apparaissent avec un taux sensiblement constant. En électronique, elle est appelée durée
de vie utile. Les défaillances apparaissent sur cette période de façon aléatoire. Les
défaillances qui apparaissent, dans cette période, sont appelées des défaillances à taux
constant.

Zone 3 : période de défaillance d’usure :


C’est la période éventuelle de la vie d’un dispositif pendant laquelle le taux de
défaillance augmente rapidement en comparaison de la période précédente. Les
défaillances qui apparaissent dans cette période sont appelées des défaillances par usure et
sont liées aux modes de vieillissement des matériaux et de dégradation des dispositifs.

I.4. Les Modèles pour le calcul de la fiabilité :

Pour calculer la fiabilité d’un système on doit en premier lieu définir un modèle. Ce
modèle doit définir les paramètres de performance des composants logiciels et/ou matériels
du système (tels que les taux de défaillance), le niveau et le type de la redondance si elle
existe, ainsi que les hypothèses de défaillance.
Il existe dans la littérature plusieurs modèles de fiabilité. Les modèles les plus
utilisés sont : les modèles combinatoires [A.Aa], les modèles basés sur les chaînes de
Markov [R.A.S, K.S.T], les modèles basés sur les réseaux de Pétri [J.K.M, G.C, K.T].
Nous les présentons dans les paragraphes suivants.

I.4.1. Modèle combinatoire :

Généralement, ces modèles utilisent la théorie des graphes pour représenter


graphiquement (par un graphe orienté) toutes les combinaisons d’événements élémentaires
qui peuvent causer la défaillance d’un système. À chaque nœud son prédécesseur du
graphe, qui représente un événement élémentaire, est associé un ensemble de paramètres

10
Chapitre I : Notions de fiabilité

de performance, telle que la probabilité de son apparition. La fiabilité de ce système est


calculée à partir d’une analyse quantitative de chaque graphe.
Les deux modèles les plus fréquemment utilisés sont le diagramme de blocs et
l’arbre de fautes. Par exemple, l’arbre de fautes est constitué de plusieurs niveaux, où
chaque nœud d’un niveau supérieur représente une combinaison de deux ou plusieurs
événements liés aux nœuds de niveau inférieur. Les feuilles de l’arbre représentent les
événements élémentaires qui peuvent causer la défaillance d’un système et la racine de
l’arbre représente l’événement de défaillance du système. Donc, la probabilité que le
système défaille est la probabilité d’atteindre la racine de l’arbre à partir de ses feuilles.
Les modèles combinatoires sont faciles à comprendre, mais il n’est pas facile de
représenter le comportement non indépendant des événements, au sens probabiliste.

I.4.2. Modèle Markovien :

Les chaînes de Markov permettent de modéliser le comportement dynamique d’un


système par un graphe d’états, qui représente tous les états du système et les transitions
possibles entre ces états. Les transitions sont pondérées par des probabilités suivant des lois
exponentielles. Le calcul de la fiabilité d’un système peut être effectué grâce à des
méthodes de résolution numérique ou par simulation. À la différence des modèles
combinatoires les chaînes de Markov permettent la modélisation des événements non
indépendants et aussi des événements de réparation des composants du système.
Cependant, l’espace d’état peut grossir exponentiellement avec le nombre de composants
d’un système, d’où des problèmes algorithmiques pour calculer la fiabilité.

I.4.3. Modèle basé sur les réseaux de Pétri :

Le comportement dynamique d’un système est ici représenté par un ensemble


d’états, de jetons et de transitions. À la différence des modèles combinatoires, les
transitions peuvent être associées à n’importe quel type de loi probabiliste. Les réseaux de
Pétri peuvent être utilisés pour générer des chaînes de Markov. En plus, ils peuvent être
utilisés facilement pour représenter les caractéristiques des systèmes concurrents, tels que
la synchronisation et le partage des ressources, et aussi pour valider des propriétés d’un
système, telle que l’absence de blocage. Le calcul de la fiabilité est basé sur la simulation
[Y.B]. Le but de la simulation est d’appliquer à un système un ensemble de tests aléatoires,
et d’utiliser ensuite les résultats de ces tests pour calculer la fiabilité de ce système.

11
Chapitre I : Notions de fiabilité

Cependant, la précision de ce calcul dépend du choix de l’ensemble de tests et augmente


avec la durée de la simulation. Or la procédure de production des tests introduit toujours un
biais, qui est difficile à mesurer.

Exemple :

Fail Module A Recover Module A

Figure 1-3 : Exemple d’un réseau de Pétri

I.5. Méthodes d’évaluation de la fiabilité :

Dans la littérature, il existe plusieurs techniques pour évaluer la fiabilité des


systèmes, les techniques les plus utilisées sont:

I.5.1. Arbre de défaillance:

Les arbres de défaillances modélisent l’ensemble des combinaisons d’événements


qui conduisent à un événement redouté. Par définition, L’arbre de défaillance est une
représentation graphique de type arbre généalogique. Il représente une démarche d’analyse
d’événement. L’arbre de défaillance est construit en recherchant l’ensemble des
événements élémentaires ou les combinaisons d’événements, qui conduisent à un
Evénement Redouté (ER).
L’objectif est de suivre une logique déductive en partant d’un Evénement Redouté
pour déterminer de manière exhaustive l’ensemble de ses causes jusqu’aux plus
élémentaires.

12
Chapitre I : Notions de fiabilité

Exemple :

E.R

Débit nul en Débit nul en


aval de V1 aval de V2

!
!

V1 bloquant Débit nul en


le circuit aval de P1

Réservoir
V1 Opérateur P1 en Vide
bloquée défaillant panne
fermée

Figure 1-4 : Exemple d’un arbre de défaillance

I.5.2. Bloc-diagramme de Fiabilité (BDF):

Un BDF est un graphe orienté (N, E), dont chaque sommet de N est un bloc
représentant un composant du système et chaque arc de E est un lien de causalité
(dépendance) entre deux blocs. Dans tout BDF, deux blocs particuliers sont identifiés: ceux
sont sa source S et sa destination D. Un BDF représente un système et il est utilisé pour
calculer la fiabilité : un BDF est opérationnel si et seulement si, il existe au moins un
chemin opérationnel de S à D. Un chemin est opérationnel si et seulement si, tous les blocs
de ce chemin sont opérationnels. La probabilité qu'un bloc soit opérationnel est sa fiabilité.
Par construction, la probabilité qu'un BDF soit opérationnel est donc égale à la fiabilité du
système qu'il représente.
Quand le BDF est construit, on distingue trois types de système : série, parallèle ou série
parallèle (Mixte).

13
Chapitre I : Notions de fiabilité

Composant Composant Composant


A B C

System Série
Série

Composant
D

Composant
E

System Parallèle

Composant
D
Composant Composant
A C
Composant
E

System Mixte

Figure 1-5 : BDF Générique

I.6. Différentes lois utilisées dans le calcul de la fiabilité :

Dans cette partie on présente les principales lois de probabilité utilisées pour le
calcul de la fiabilité d’un système.

I.6.1. Loi binomiale :

Soit une défaillance D avec sa probabilité de survenir P, la probabilité d’apparaitre


k défaillances en N essais est :

A = B = CDE E
1− 4E
(I.12)

14
Chapitre I : Notions de fiabilité

I.6.2. Loi de Poisson :

La probabilité qu’une panne survienne n fois dans le temps t est donnée par :

FλG λ H
!, = (I.13)
!

I.6.3. Loi de survie :

La fiabilité ou la probabilité de survie est donnée comme suit :

D
=D (I.14)

Avec

N(t) : le nombre de survivants à la fin de la période t.

N(0) : le nombre de matériels mis en service.

Le taux de défaillance est

D 47 4D
λ = D 47
(I.15)

Le facteur de fiabilité MTBF est :

D
'<=> = ∑∞
9K7 D = ∑∞K7 (I.16)

15
Chapitre I : Notions de fiabilité

Exemple :

Soit 20 composants identiques mis en service à t = 0, N(0) = 20

Période t Survivants N(t) Probabilité de survie R(t) Taux de défaillance Z(t)


0 20 1 -
1 17 0.85 0.15
2 15 0.75 0.12
3 13 0.65 0.13
4 10 0.5 0.23
5 08 0.4 0.20
6 05 0.25 0.37
7 03 0.15 0.4
8 01 0.05 0.66
9 00 - 1

Tableau 1-1 :exemple d’application

D’après ce tableau le MTBF=4.6

I.6.4. Loi de Weibull :

C’est un modèle particulièrement bien adapté à l’étude statistique des défaillances


[B.Z], Weibull a donné le taux d’avarie Z(t) une formule générale dépendant de trois
paramètres : η, β et γ, la densité de probabilité pour la distribution de Weibull est :

GFP Q
L 4N L47 4M O
# = M O , η (I.17)
η η

La probabilité d’avarie cumulée au temps de 0 à t :

GFP Q
4M O
> =1−, η (I.18)

La fonction de fiabilité est :

GFP Q
4M O
= 1−> =, η (I.19)

Le taux de défaillance est :

16
Chapitre I : Notions de fiabilité

L 4N L47
λ = ηM η
O (I.20)

Et le MTBF :

7
'<=> = Γ M1 @ LO η @ γ (I.21)

Pour la fonction de R(t) on distingue trois allures de graphe :

Figure 1-6 : Différentes formes de R(t).

Courbe 1 : Signifie la présence de défauts de jeunesse ( β<1 ).

Courbe 2 : l’équipement n’est pas encore sujet de vieillissement ( β=1


=1 )..
)

Courbe 3 : Signifie la présence du phénomène d’usure ( β>1 )..

I.6.5. Loi Exponentielle :

On applique la loi exponentielle lors le composant à un taux de défaillance constant.

La fonction de fiabilité est :

, 4λ (I.22)

La probabilité de défaillance est :

> 1 3 , 4λ (I.23)

17
Chapitre I : Notions de fiabilité

Figure 1-7 : Tracé de la fonction F(x).

La densité de probabilité est :

# λ, 4λ (I.24)

Figure 1-8 : Tracé de la fonction f(x).

18
Chapitre I : Notions de fiabilité

Le MTBF est égale à :

7
'<=> (I.25)
λ

I.6.6. Loi Normale (Laplace-Gauss) :

Cette loi est utilisée pour représenter la distribution des durées de vie des dispositifs
en fin de vie (usure) ou le taux de défaillance est croissant.

La fonction de fiabilité est :

F GFV W
7
1 − ?4∞ , WXW " (I.26)
R√TU

Avec m est la moyenne (Espérance mathématique).

Y =+ (I.27)

I.6.7. Loi Log-Normale :

Pour cette loi, le logarithme de la duré de vie suit une distribution normale. Cette loi peut
être utilisée dans les cas ou la distribution des données n’est pas symétrique.

La fonction de fiabilité est :

F ZHFV W
7 7
= 1 − ?4∞ , WXW " (I.28)
R√TU

I.6.8. Lois Gamma (loi d’Erlang) :

Cette distribution dépend de deux paramètres K et λ. Elle est utilisée dans les
paramètres de redondance séquentielle [B.Z] ainsi pour représenter certains phénomènes
de défaillances en chaines.

19
Chapitre I : Notions de fiabilité

La fonction de fiabilité est :

7 E47 4\
1 − Γ [ ?λ λ , " (I.29)

Et l’espérance mathématique :

E
Y = (I.30)
λ

I.7. Banque de données de fiabilité et taux de défaillance :

La fiabilité prévisionnelle permet d'estimer la fiabilité à priori d'un composant, d'un


équipement, d'un système. Pour cela on modélise par des modèles de probabilité
mathématiques et de vieillissement physique le comportement de chaque constituant
élémentaire. Ces modèles ont été établis par retour d'expérience et par la réalisation
d'essais visant à permettre de modéliser le comportement en fiabilité.

I.7.1. Cas de composants électroniques :

Dans le cas de l'électronique, il existe plusieurs recueils de modèles de prédiction


pour les composants élémentaires que sont les résistances, condensateurs, circuits intégrés,
etc. Les référentiels de prévision de fiabilité électronique les plus répandus sont :

• La MIL-HDBK-217F : norme militaire américaine, conçue pour estimer la


fiabilité des équipements.
• Le RDF2000 : recueil de fiabilité construit à partir du retour sur expérience de
France Telecom. Aujourd'hui, ce recueil a été transformé en une norme dénommée
UTE C 80-810.
• FIDES : guide de fiabilité prévisionnelle construit sur la base des recueils
précédemment cités à partir du retour sur expérience d'un consortium d'industriels
français. Aujourd'hui, ce recueil a été transformé en une norme dénommée UTE C
80-811.

Les différents paramètres influençant la fiabilité d'un composant sont dénommés facteurs
et représentés par la lettre grecque π; on citera par exemple le facteur qualité : Πq.

20
Chapitre I : Notions de fiabilité

I.7.2. Cas de composant non électronique :

Pour les composants non électroniques, il existe aussi des recueils permettant l'évaluation
de certains constituants élémentaires (vis, vannes, joints, etc.). On distingue par exemple :

• Le recueil OREDA (Offshore Reliability Data) : recueil de fiabilité construit à


partir du retour sur expérience des sociétés qui exploitent des plates-formes
extracôtières. Les données concernent des matériels industriels, principalement
électromécaniques, liés à l'extraction du pétrole : compresseurs, échangeurs,
groupes électrogènes, vannes diverses, bouilleurs, pompes, évaporateurs, etc.
• Le recueil EIREDA (European Industry Reliability Data Bank) : recueil de
fiabilité construit à partir du retour sur expérience des sociétés européennes,
principalement du secteur de la chimie, concernant des matériels électromécaniques
consommant de l'énergie électrique : ventilateurs, évaporateurs, échangeurs,
pompes, compresseurs.
• Le recueil NPRD-95 (Non electronic Parts Reliability Data) : recueil de fiabilité
construit à partir du retour sur expérience de grands organismes américains tels que
la NASA et la Marine américaine. Les données concernent les composants
mécaniques et électromécaniques employés dans des équipements principalement
militaires.

Les résultats des calculs obtenus par l'intermédiaire de ces recueils, permettent d'estimer le
taux de défaillance de systèmes électroniques ou autres données de base essentielles pour
les analyses de SDF (arbres de défaillances, etc.).

I.8. Conclusion:

On retrouve dans la littérature, la terminologie de sureté de fonctionnement, cette


dernière est définie par ses quatre paramètres ; la fiabilité, la maintenabilité, la disponibilité
et la sécurité. L’évaluation de fiabilité nécessite la connaissance de certains paramètres,
tels que ; MTBF, taux de défaillance et le taux de réparation. Lors de l’évaluation de la
fiabilité, on doit définir un modèle, par exemple un modèle de Markov et sur lequel on
applique une technique d’évaluation.

21
Chapitre II

Fiabilité des réseaux électriques


Chapitre II : Fiabilité des réseaux électriques

II.1. Introduction :
Depuis quelques années, l’évaluation de la fiabilité des réseaux électriques prend de
l’importance chez les ingénieurs et spécialistes. Un nombre considérable d’articles
décrivant les différentes techniques de modélisation des réseaux pour le calcul des indices
de fiabilité sont publiés [R.N.A]. L’intérêt grandissant autour de la fiabilité des réseaux
électriques est également motivé par les résultats de plusieurs analyses statistiques qui
démontrent que la composition des systèmes électriques contribue à hauteur de 80% sur
l’indisponibilité du service électrique chez les consommateurs [P.J.O].
Dans cette partie on présentera les notions de base de la fiabilité des réseaux
électriques. On donnera en premier lieu la structure d’un réseau électrique et on définira
ses principaux composants. On constate que l’étude de la fiabilité d’un réseau électrique
nécessite la connaissance de certains paramètres et indices qui décrivent l’état du réseau.

II.2. Constituants d’un réseau électrique :

L’étude de la fiabilité d’un réseau électrique, peut être effectuée selon plusieurs phases.
Rappelons qu’un réseau électrique est constitué de trois systèmes :

• les organes de production (alternateur)


• les réseaux de transport (lignes aériennes, transformateurs, jeux de barre)
• les réseaux de distribution (les clients finaux)

Production Transport Distribution


Ligne THT
Centrale THT/HTB
Hydraulique

Centrale HTB/HTA
Thermique Clients
HTA

Centrale HTA/BT
Nucléaire
Poste de connexion
Clients
Poste source BT

Figure 2-1 : Schéma d’un ensemble de réseau électrique

22
Chapitre II : Fiabilité des réseaux électriques

Un réseau électrique est un ensemble d'infrastructures permettant d'acheminer


l'énergie électrique des centres de production vers les consommateurs d'électricité. Il est
constitué de lignes électriques exploitées à différents niveaux de tension, connectées entre
elles dans des postes électriques. Les postes électriques permettent de répartir l'électricité
et de la faire passer d'une tension à l'autre grâce aux transformateurs. Un réseau électrique
doit aussi assurer la gestion dynamique de l'ensemble production - transport -
consommation, mettant en œuvre des réglages ayant pour but d'assurer la stabilité de
l'ensemble.

II.2.1. Centrales électriques :

Une centrale électrique est un site industriel qui produit de l’électricité en grande
quantité. Les centrales électriques transforment des sources d’énergie naturelles en énergie
électrique afin d’alimenter en électricité des consommateurs, particuliers ou industriels
relativement lointains de la façon la plus fiable et la plus économique possible. Ces stations
sont conçues de façon à garder le niveau de risque de ne pas répondre à la demande en
dessous d’un certain seuil prédéterminé. Différentes sources d’énergie sont utilisées dans
les centrales de production d’énergie : énergie solaire, fossiles (charbon, pétrole et gaz
naturel), éolienne, énergie hydraulique ou hydro-électrique, nucléaire, etc.

II.2.2. Les lignes électriques :

Les lignes électriques assurent la fonction « transport de l'énergie » sur les


longues distances. Elles sont constituées de 3 phases et chaque phase peut être constituée
d'un faisceau de plusieurs conducteurs (de 1 à 4) espacés de quelques centimètres afin de
limiter l'effet couronne qui entraîne des pertes en lignes, différentes des pertes Joule.
L'ensemble de ces 3 phases électriques constitue un terne.

Un pylône électrique peut supporter plusieurs ternes. Les pylônes sont tous soigneusement
reliés à la terre par un réseau de terre efficace. Les pylônes supportent les conducteurs par
des isolateurs en verre ou en porcelaine qui résistent aux tensions élevées des lignes
électriques. Généralement la longueur d'un isolateur dépend directement de la tension de la
ligne électrique qu'il supporte. Les isolateurs sont toujours munis d'éclateurs qui sont
constitués de deux pointes métalliques se faisant face.

23
Chapitre II : Fiabilité des réseaux électriques

II.2.3. Les transformateurs de puissance :

On trouve sur les réseaux électriques deux types de transformateurs de puissance :

• les autotransformateurs qui n'ont pas d'isolement entre le primaire et le secondaire.


Ils ont un rapport de transformation fixe quand ils sont en service, mais qui peut
être changé si l'autotransformateur est mis hors service.
• les transformateurs avec régleurs en charge sont capables de changer leur rapport
de transformation quand ils sont en service. Ils sont utilisés pour maintenir une
tension constante au secondaire (la tension la plus basse) et jouent un rôle
important dans le maintien de la tension.

Les transformateurs étant des matériels particulièrement coûteux, leur protection est
assurée par différents mécanismes redondants.

II.2.4. Les postes électriques :

Les postes électriques sont les nœuds du réseau électrique. Ce sont les points de connexion
des lignes électriques. Les postes des réseaux électriques peuvent avoir 2 finalités :

• l'interconnexion entre les lignes de même niveau de tension : cela permet de


répartir l'énergie sur les différentes lignes issues du poste ;
• la transformation de l'énergie : les transformateurs permettent de passer d'un niveau
de tension à un autre.

De plus, les postes électriques assurent des fonctions stratégiques :

• Protection du réseau : un système complexe de protection permet qu'un défaut sur


un seul ouvrage n'entraîne pas la mise hors tension de nombreux ouvrages, ce qui
risquerait de mettre une vaste zone hors tension. Cette protection est assurée par des
capteurs qui fournissent une image de la tension et du courant à des relais de
protection, lesquels élaborent des ordres de déclenchement à destination des
disjoncteurs ;
• Exploitation normale du réseau : présence de plusieurs jeux de barre et de
couplage afin de pouvoir prendre différents schéma électriques ;

24
Chapitre II : Fiabilité des réseaux électriques

• Surveillance du réseau : la tension du réseau et l'intensité dans les lignes sont


surveillées dans les postes électriques, via des transformateurs de mesure de tension
et de courant.

II.2.5. Appareillage d’un réseau électrique :

II.2.5.1. Jeu de barres :

Sur le quel se raccorde les départs au moyen d’appareils, assurant la matérialité des
sommets du réseau.

II.2.5.2. Sectionneur :

Le sectionneur ne doit pas être manœuvré qu’en absence de courant (ne possède pas
un pouvoir de coupure). La tâche principale d’un sectionneur est la séparation sur des
parties de l’installation qui ne seront donc plus sous tension et deviendront ainsi
accessibles aux travaux d’entretien.

II.2.5.3. Disjoncteur :

Contrairement à un sectionneur, le disjoncteur est doté d’un pouvoir de coupure qui


lui permettant couper les courants susceptibles, de se développer à leurs emplacements en
fonctionnement normal ou perturbé (court circuit, surcharge).

II.2.5.4. Appareillage de coupure des circuits :

Les appareils les plus importants dans un réseau électrique, sont ceux qui
permettent la coupure et la fermeture du circuit tel que les IACM (Interrupteur Aérien à
Commande Manuel). Ces appareils ont deux états : Ouvert ou Fermé.

• Etat ouvert : doit présenter un espace de coupure suffisant pour résister aux
tensions d’essais alternatives et à celles de choc prévus pour le niveau de tension en
question.
• Etat fermé : doit conduire tous les courants pour lesquels il à été dimensionné, y
compris celui de court circuit, c’est à dire être en mesure de supporter toutes les
charges thermiques et mécaniques correspondantes.

25
Chapitre II : Fiabilité des réseaux électriques

II.3. Défaillance survenue dans un réseau électrique :

Les principales causes des pannes de courant sont les suivantes : arrêts
programmés, perte d’approvisionnement, contact avec un arbre, foudre, défaillance de
l’équipement, intempéries ou erreur humaine. En moyenne, au cours de la période de cinq
ans, environ 75 % de toutes les pannes et de 85 à 90 % de toutes les heures des pannes
subies par les abonnés ont été causées par des troubles du réseau de distribution. Les autres
pannes ont été provoquées par la perte d’approvisionnement, laquelle découle de pannes au
niveau du réseau de production et de transport. Les défauts mentionnés auparavant,
peuvent être divisés en types, selon les origines de ses perturbations :

• Les défauts d’isolement d’origine externes : Ils sont plus dus à des perturbations
naturelles atmosphériques (foudre, tempêtes, brouillard, vent, givre, etc.). par
exemple, dans les régions montagneuses, les réseaux aériens sont beaucoup plus
exposés que d’autres à la foudre dont la protection peut être assurée par des
parafoudres, ou accidentellement comme les amorçages dus aux chutes de branches
ou d’oiseaux, des courts-circuits provoqués par des engins des travaux publiques ou
agricoles, par la pollution, etc.

• Les défauts d’isolement d’origine internes : sont dus à des surtensions de


manœuvre ou des avaries de matériels (lignes, câbles, transformateurs,
disjoncteurs..), dont les causes sont des ruptures mécaniques, le vieillissement des
isolants ou des inopportunités suites à des erreurs humaines (des fautes de
comportement, des fausses manœuvres, des défauts d’entretien, travaux….).

II.4. Etude de la fiabilité des réseaux électriques :

L’industrie de l’électricité a mis au point différentes méthodes pour mesurer la


fiabilité. Par exemple, la fiabilité des centrales peut être évaluée à partir des
renseignements sur leur utilisation réelle au cours d’une période donnée par rapport à leur
capacité maximale (fiabilité d’exploitation) et à partir de renseignements sur les pannes
non programmées. La fiabilité des installations de transport est mesurée au moyen
d’indicateurs tels que la fréquence des pannes de composantes spécifiques (par exemple,
des pannes de transformateurs) et d’indicateurs plus larges comme le rendement aux points
de livraison des réseaux de distribution.
26
Chapitre II : Fiabilité des réseaux électriques

II.4.1. Fiabilité de la production :


Dans ce paragraphe on s’intéresse à l’évaluation de la capacité des centrales
électriques à répondre à la demande. Les faiblesses du système apparaissent quand la
demande est supérieure à l’offre. Ceci se produit dans deux cas : la demande a
soudainement augmenté pour une certaine raison ou une des stations est en panne ou en
période de maintenance, ce qui diminue la capacité.
La fiabilité des centrales d’énergie est déterminée par le paramètre LOLP (Loss Of
Load Probabilité), c’est-à-dire la probabilité que le système ne puisse pas répondre à la
demande pendant un intervalle de temps. En considérant S une variable aléatoire
représentant l’énergie disponible à fournir aux consommateurs et L le besoin quotidien en
énergie que l’on suppose connu, on peut écrire

LOLP = Pr (S < L) (II.1)

Pour estimer le LOLP, la première étape est d’estimer S.


On suppose que toute station peut être dans un des deux états : opérationnel ou hors
service. Soit FOR (Forced Outage Rate) la probabilité qu’une station soit hors service. Le
FOR pourrait être estimé à partir de l’historique de la station. Il y a aussi un FOR théorique
qui est en général supérieur au FOR estimé. On dit alors que la fiabilité est sous-estimée
pour des raisons de sécurité.

Exemple :
Soit un système totalisant 45MW de production, composé des unités suivantes :
(a) 10 MW (FOR = 0.02)
(b) 15 MW (FOR = 0.03)
(c) 20 MW (FOR = 0.05)
Si le système de production précédent alimente une charge L=30 MW, le LOLP
sera simplement la somme des probabilités de voir la production passer sous les 30MW :

27
Chapitre II : Fiabilité des réseaux électriques

Tableau 2-1: Loss Of Load Probability (LOLP)

Le système de production a donc une probabilité de 5% de subir une perte de charge.

II.4.2. Fiabilité des réseaux de distribution :


L’étude de la fiabilité des réseaux de distribution est souvent omise des calculs et
reçoit peu d’attention. Mais, la tendance change, car les distributeurs sont de plus en plus
tenus d’assurer un niveau élevé de qualité de livraison de l’électricité.
L’étude de la fiabilité des réseaux de distribution se concentre surtout sur les
systèmes radiaux. Suivant cette configuration, une charge est alimentée seulement si tous
les composants entre elle et la source sont en opération. Le taux d’indisponibilité du
système λs est donc simplement la somme des taux d’indisponibilité de chaque composant
λi en amont de la charge. À partir de ce constat, plusieurs indices de fiabilité sont calculés
à posteriori à partir de statistiques de pannes, dont [O.N.E]:

• SAIFI (System Average Interruption Frequency Index): C’est l’indice de


fréquence moyenne d’interruption du système. Il s’agit d’un des nombreux
indicateurs de rendement des réseaux de transport et de distribution. Indique le
nombre moyen d’interruptions par client au cours d’une période donnée.

∑ ∑ λ
= ∑
=∑ (II.2)

28
Chapitre II : Fiabilité des réseaux électriques

• CAIFI (Customer Average Interruption Frequency Index): C’est l’indice de


fréquence moyenne d’interruption par client. Indique le nombre moyen
d’interruptions pendant une période donnée.

∑ ∗ é ∑ λ
= ∑ é
= ∑
(II.3)

• SAIDI (System Average Interruption Duration Index): C’est l’indice de duré


moyenne d’interruption du système. Indique le nombre d’heures moyen
d’interruption de service par client.

∑ é ∗ é ∑
= ∑
= ∑
(II.4)

• CAIDI (Customer Average Interruption Duration Index): C’est l’indice de duré


moyenne d’interruption par client. Le CAIDI indique la durée moyenne des
interruptions pendant une période donnée.

∑ é ∗ é ∑
= ∑
= ∑ λ
(II.5)

• ASAI (Average service availability index): c’est l’indice de disponibilité


moyenne du service, il est calculé par la relation suivante :

= (8760 − ⁄60)/8760 (II.6)

II.4.3. Fiabilité de l’ensemble production, transport et distribution:


Pour les systèmes combinant production, transport et/ou distribution, l’approche
traditionnelle préconisée est la méthode de probabilité conditionnelle. L’objectif est donc
d’évaluer la probabilité de subir une perturbation majeure suite à l’indisponibilité d’un ou
plusieurs composants d’un même réseau (production/transport/distribution). De façon plus
générale, si l’occurrence d’un événement A est dépendant de plusieurs évènements Bi
mutuellement exclusif, alors :

'( ) = ∑ '( ⁄( )'(( ) (II.7)

29
Chapitre II : Fiabilité des réseaux électriques

Cette approche s’applique facilement à un système simple radial, mais le nombre de


conditions croit rapidement pour les systèmes maillés. Évaluer la fiabilité des systèmes
maillés, aussi petits soit-ils, suivant l’approche de la probabilité conditionnelle est
complexe et requiert une maîtrise des concepts de base de probabilité et des notions de
fiabilité de réseaux, car le nombre de possibilités à étudier croit exponentiellement avec le
nombre d’équipements composant le réseau.
L’évaluation de la fiabilité des systèmes composites est un problème très complexe,
car plus les réseaux à l’étude sont grands, plus le nombre de possibilités à analyser
augmente. Et, au regard du nombre d’indices qu’il est possible de déterminer, l’étude de la
fiabilité d’un système requiert une connaissance accrue des principes de base de probabilité
et des équations qui définissent ces indices afin d’en faire une bonne interprétation. Il est
nécessaire de comprendre leur signification, leurs limites, ce qu’ils incluent et excluent.

II.5. Calcul de la fiabilité des réseaux électriques :


Les indices de performance en terme de fiabilité des réseaux électriques peuvent être
calculés suivant une multitude de méthodes formant deux groupes bien distincts [P.J.O] :
- Les techniques analytiques;
- Les simulations.

II.5.1. Les techniques analytiques :


Ces méthodes consistent à déduire directement des lois de probabilités de la
fiabilité des composants, la loi de probabilité de la fiabilité du système tout entier. Ce
calcul direct est souvent appliqué avec succès pour l’évaluation de la fiabilité de
production, tandis qu’il est limité aux systèmes de petite taille pour l’évaluation du
transport d’énergie. Il ne permet qu’une représentation très simplifiée des productions
limitées en énergie (production hydraulique par exemple). La loi de probabilité de la
fiabilité du système peut, dans les cas les plus simples (systèmes de petite taille) être
calculée exactement : c’est donc, dans ce cas, une loi discrète. Mais bien souvent, on en
calcule plutôt une approximation continue, en utilisant par exemple la méthode des
cumulant.
D’une manière générale, ces méthodes analytiques ont des très bonnes
performances numériques, mais un domaine d’application limité [J.B].

30
Chapitre II : Fiabilité des réseaux électriques

II.5.2. Simulations (Monte-Carlo) :


L’approche par simulation évalue la fiabilité d’un réseau électrique en simulant son
comportement ainsi que les événements aléatoires qui modifient ce réseau. Cette méthode
traite le problème de calcul de fiabilité comme une longue série d’essais aléatoires sur un
réseau dynamique.
Cette technique permet de prendre en compte une infinité de paramètres inhérents à
la gestion, la composition et l’évolution du réseau électrique. Ces paramètres pourraient
décrire une multitude d’évènements aléatoires ayant une probabilité d’occurrence, telle que
les pannes, les activités d’entretiens, la variation de la charge ou de la production, les
différentes procédures de transfert sur le réseau, etc. En simulant un très grand nombre de
fois le comportement probabiliste du réseau pour une période de temps donnée, il est donc
possible de calculer les indices de fiabilité et d’identifier clairement le type d’anomalies
récurrent sur le réseau et déduire les points faibles du système.

II.6. Comment peut-on accroître la fiabilité d’un réseau électrique?


Pour améliorer la fiabilité, on peut faire appel à diverses technologies et investir
dans l’infrastructure; toutefois, les coûts inhérents doivent être comparés aux avantages
retirés sur le plan de la fiabilité pour déterminer s’ils en valent la peine. Les planificateurs
de réseau ont adopté de façon générale un critère selon lequel on ne devrait pas subir plus
d’un jour de panne par dix ans. Ils font appel à des modèles détaillés de réseau afin
d’établir des scénarios. Les entreprises comparent les coûts de différentes méthodes leur
permettant d’atteindre le niveau de fiabilité requis et choisissent en général la moins
coûteuse. Selon cette approche, adoptée de façon générale pour planifier la fiabilité, on
évalue les marges de réserve d’électricité produite et la réserve en puissance nécessaires
dans les réseaux de transport.

31
Chapitre II : Fiabilité des réseaux électriques

Figure 2-2 : Fonction Coût de fibilité

Une autre façon de déterminer les sommes appropriées à investir dans la fiabilité
est de comparer les coûts occasionnés par les pannes (c’est-à-dire les coûts résultant d’une
fiabilité faible) aux coûts nécessaires pour fournir une plus grande fiabilité. Lorsque la
fiabilité est faible, les pannes d’électricité se font plus fréquentes et les abonnés en
subissent des conséquences plus importantes. Plus on améliore la fiabilité, plus on tire
profit de l’investissement consenti, car les pannes se font moins fréquentes. Selon cette
approche, les planificateurs tentent de déterminer le niveau de fiabilité obtenu en réduisant
les coûts au minimum (figure 2-2). Si l’investissement dans l’infrastructure est moins élevé
que le montant idéal, les coûts liés aux pannes seront plus élevés pour la société que les
épargnes sur l’infrastructure. Si, à l’inverse, l’investissement dans l’infrastructure est plus
élevé que le montant idéal, la société paiera plus pour les infrastructures que les économies
qu’elle aura réalisées sur les pannes.

II.7. Conclusion :
On peut conclure que l’étude de la fiabilité d’un réseau électrique nécessite une
connaissance approfondie sur la structure du réseau étudié, ainsi que les défaillances
associées à chaque composant qui constitue le réseau. Ces défaillances peuvent être
acquises à partir de l’historique des pannes du réseau et qui servent à calculer les indices
de fiabilité et de qualité.

Parmi les méthodes les plus utilisées on trouve la simulation de Monte-Carlo, qui
présente l’avantage d’être rapide et généraliste par rapport aux méthodes analytiques.

32
Chapitre III

Réseaux Bayésiens
Chapitre III : Réseaux Bayésiens

III.1. Introduction :
L’objectif de cette partie est de présenter le principe et les propriétés des Réseaux
Bayésiens (R.B.). Les R.B. sont des cas particuliers des modèles graphiques; ces derniers
se basent sur la théorie des graphes et la théorie des probabilités. En effet, un réseau
bayésien est un graphe orienté acyclique où les variables sont les sommets du graphe.
Dans le jargon de la théorie des réseaux bayésiens, le terme « sommet » est
communément remplacé par le terme « nœud ». Ces réseaux modélisent l’évolution de
l’état d’un composant en fonction des facteurs d’influence, où les arcs du graphe
représentent la probable causalité entre deux variables. Cette probable causalité va être
quantifiée par une probabilité conditionnelle. L’inférence bayésienne s’effectue facilement
et avec un faible coût de calcul grâce à la théorie des graphes.

III.2. La représentation graphique des Réseaux Bayésiens :


La représentation graphique permet de montrer l’influence d’une variable sur une
autre et a un grand avantage de représenter la causalité en reliant la cause à l’effet. Nous
rappelons dans un premier temps les notions de la théorie des graphes.

III.2.1. Théorie des graphes :


La théorie des graphes se donne donc pour objectif d’étudier de manière abstraite
un type de structure d’ensemble qui ne dépend que d’une relation binaire entre ses
éléments.

III.2.1.1. Définition d’un graphe :


Soit V= {v1,…, v2} un ensemble fini non vide. Un graphe G sur V est défini par la
donnée du couple :
G= (V, E) où E ⊂ {(u, v) \\ u, v ∈ V et u ≠ v}

V est alors nommé l’ensemble des nœuds de G.

33
Chapitre III : Réseaux Bayésiens

III.2.1.2. Arête et Arc :


Soit un graphe G = (V, E). Pour tout élément (u, v) ∈ E,
• (u, v) est une arête (noté (u—v)) si et seulement si (v, u) ∈ E,
• (u, v) est un arc (noté (u→ v)) si et seulement si (v, u) ∈ E.
Dans un arc, les deux éléments de V ne jouent pas le même rôle alors que dans une
arête, ces éléments sont symétriques.
Cette notion d’orientation a beaucoup d’importance pour la suite des définitions.
Elle permet la différenciation entre deux sous types principaux de graphes ; orientés et
non-orientés.

III.2.1.3. Les graphes orientés :

Un graphe G= (V, E) est un graphe orienté noté , si et seulement si tous les


éléments de E sont des arcs.
Dans notre cadre de travail, comme nous le verrons plus tard, les nœuds du graphe
orienté représentent les variables statistiques du modèle. Ces variables peuvent être
continues ou discrètes.

III.2.1.4. Les graphes non orientés :


Un graphe G= (V, E), est un graphe non orienté noté G, si et seulement si tous les
éléments de E sont des arêtes. En plus de ses deux types, il y a les graphes mixtes dont les
éléments de E sont des arcs et des arêtes.
Dans notre étude nous nous intéressons à des graphes orientés sans cycle.

III.2.1.5. Notions de parents et d’enfants :


S’il existe un arc partant de u vers v (u→v), alors u s’appelle le parent de v et v
l’enfant de u. On note Pa(v) la suite de parents de v et Ch(u) la suite des enfants de u. Dans
les graphes non orientés, la notation de parents et d’enfants n’existe plus, mais est
remplacée par notation de voisins. Deux nœuds sont dits voisins s’il existe une arête entre
les deux nœuds.

34
Chapitre III : Réseaux Bayésiens

Exemple : soit le graphe orienté suivant,

1 3

2 5

7 4 6

Figure 3-1 : représentation d’un graphe orienté

Avec ;
= 1, … ,7 , 1,2 , 2,4 , 2,6 , 3,2 , 3,5 , 4,1 , 4,7 , 5,6
Pa(2)={1,3}, Pa(6)={2}
Ch(2)={4,6}, Ch(3)={2,5},

III.2.1.6. Chemins orientés :


Dans un graphe orienté = , , un chemin est une séquence d’arcs (ai) i∈ (1,…p)
vérifiant la propriété suivante : l’origine de tout arc ai est l’extrémité de l’arc ai−1 précédant
dans la séquence.

III.2.1.6.1. Chemins simples :


Un chemin simple est un chemin dans lequel aucun arc n’apparaît plus d’une fois.
Dans l’exemple précédent, on a le chemin simple suivant {(3,2), (2,4), (4,7)}.

III.2.1.6.2. Chemins élémentaires :


Un chemin élémentaire est un chemin dans lequel aucun nœud n’apparaît plus
d’une fois. Dans l’exemple précédent, on a le chemin élémentaire suivant {(3,5)}.

III.2.1.6.3. Circuit :
Un circuit est un chemin dont l’extrémité du dernier arc est l’origine du premier.
On prend toujours le même exemple, {(1,2), (2,4), (4,1)} représente un circuit.

35
Chapitre III : Réseaux Bayésiens

Nota : les graphes orientés ne possédant pas de cycles sont appelés DAGs (Directed
Acyclic Graphs).
Les réseaux bayésiens sont représentés par les DAGs.

III.3. Représentation probabiliste :


Cette partie a pour but de montrer l’équivalence entre la représentation graphique et
la représentation probabiliste.

III.3.1. Espace de probabilité :


Soit un graphe causal composé des nœuds (A, B) et qui peuvent prendre chacun la
valeur ‘’Vrai ’’ ou ‘’Faux’’, on définit l’espace probabiliste E constitué des couples
suivants :
E = {(A = V, B = V), (A = V, B = F), (A = F, B = V), (A = F, B = F)}.

Chaque couple est appelé un événement.

III.3.2. Variables aléatoires :


Sur le même exemple, on peut dire que A est une variable aléatoire sur E (défini
auparavant) et qui peut prendre soit la valeur 1 si A est vrai, soit la valeur 0 si A est faux.

III.3.3. Définitions des probabilités :


Pour faire une transposition d’un graphe causal en espace probabilisé, nous devrons
fournir les paramètres suivants ;
• Si A n’a aucune cause directe, nous devrons définir P(A), c’est-à-dire les nombres
P (A = Vrai) et P (A = Faux).
• Si B a une seule cause directe A, nous devrons définir P (B / A), c'est-à-dire quatre
probabilités conditionnelles.
• Si C a deux causes directes A et B, nous devrons définir P (C / A, B).

36
Chapitre III : Réseaux Bayésiens

III.3.4. Théorème de Bayes:


Les réseaux bayésiens s’appuient sur le théorème de Bayes, c’est un résultat de base
en théorie des probabilités,
P ( A, B ) = P ( A / B ) P ( B ) = P ( B / A) P ( A)

P( B / A) P( A)
P( A / B) =
P( B)

Le terme P(A) est la probabilité à priori de A. Elle est « antérieure » au sens qu’elle
précède toute information sur B. P(A) est aussi appelée la probabilité marginale de A. Le
terme P(A | B) est appelée la probabilité à posteriori de A sachant B (ou encore de A
sachant B). Elle est « postérieure », au sens qu’elle dépend directement de B. Le terme
P (B | A), pour un B connu, est appelé la fonction de vraisemblance de A.
On peut représenter la probabilité jointe P (A, B) = P (A / B) P (B) = P (B / A) P(A) par
trois réseaux bayésiens simples donnés dans la figure 3-2 :

A B B

B A A

(a) (b) (c)

P(B/A)P(A) P(A/B)P(B) P(B)P(A)

Figure 3-2 : exemple de graphes pour une inférence bayésienne.

Le premier graphe (a) décompose la probabilité jointe en probabilité à priori et


vraisemblance. Généralement, c’est le point de vue classique, où le paramètre est une cause
du phénomène B, et l’arête représente ici une probable causalité.
Dans le second schéma (b), moins commun, la probabilité jointe est décomposée en
probabilité à priori et en probabilité prédictive.
En fin, le dernier schéma (c) est un exemple d’indépendance entre B et A.

37
Chapitre III : Réseaux Bayésiens

III.3.5. Définition de Réseau Bayésien :


Un réseau bayésien est défini par :
• Une suite de variable, notée V et une suite d’arcs entre les variables, notée E,
• Chaque variable possède un nombre fini d’états exclusifs,
• Les variables et les arcs forment un graphe orienté acyclique, noté G = (V, E),
• A chaque variable Y avec ses parents X1,…,Xn est associée une probabilité
conditionnelle P (Y / X1,…,Xn). Lorsque la variable ne possède pas de parent, la
dernière quantité devient une probabilité marginale P(Y).
La partie graphique du réseau bayésien indique les dépendances (ou indépendances)
entre les variables et donne un outil visuel de représentation des connaissances, outil plus
facilement appréhendable par ses utilisateurs. De plus, l’utilisation de probabilités permet
de prendre en compte l’incertain, en quantifiant les dépendances entre les variables. Ces
deux propriétés ont ainsi été à l’origine des premières dénominations des réseaux
bayésiens, "systèmes experts probabilistes", où le graphe était comparé à l’ensemble de
règles d’un système expert classique et les probabilités conditionnelles présentées comme
une quantification de l’incertitude sur ces règles.

3.6. Propriétés des Réseaux Bayésiens :


Dans cette partie, nous présentons les propriétés des réseaux bayésiens, notamment
la représentions de l’indépendance conditionnelle.

3.6.1. Indépendance conditionnelle :


Soit trois variables aléatoires discrètes, A, avec les modalités (ai), B avec les
modalités (bj), et C avec modalités (ck). On dit que A et C sont conditionnellement
indépendantes sachant B si pour tout i, j, k.

P ( A = ai , C = ck \ B = b j ) = P ( A = ai \ B = b j ) P ( C = ck \ B = b j )

A C

Figure 3-3 : exemple de l’indépendance conditionnelle.

38
Chapitre III : Réseaux Bayésiens

On notera cette indépendance conditionnelle par A ⊥ C / B


L’équation ci-dessus peut être écrite dans le cas où

P (C = ck / B = bj) > 0

P (A = ai / B = bj, C = ck) = P (A = ai / B = bj)

Ce qui ce traduit par le fait que sachant B, l’état de C n’influence en aucun cas
l’état de A. Ces propriétés d’indépendance conditionnelle peuvent être représentées par un
graphe orienté d’indépendance, défini par Whittaker [F.C].

III.3.6.2. Factorisation de la loi jointe :


Le graphe orienté d’indépendance tel qu’il a été défini dans le paragraphe précèdent
possède la propriété de Markov direct, c'est-à-dire que tous les nœuds sont
conditionnellement indépendants à leurs parents. Cette propriété permet d’écrire la
probabilité jointe sous forme récursive appelée factorisation récursive :

,…, = /

Avec Pa(Xi) est la suite des parents de Xi . Pa (Xi) = ø quand Xi est un nœud d’entrée et
donc la probabilité correspondante n’est pas conditionnelle mais marginale(ou à priori).

III.4. Mise en place d’un réseau bayésien :


La mise en place d’un réseau bayésien nécessite deux grandes phases. La première
consiste à construire le graphe, c'est-à-dire identifier les variables du modèle et indiquer les
dépendances et les indépendances conditionnelles entre ces variables. La deuxième phase
consiste à calculer ou évaluer les probabilités nécessaires au calcul de la probabilité jointe
de toutes les variables. Ces deux phases peuvent être effectuées soit par une procédure de
sélection de modèle avec des données de retour d’expérience, soit encore par des avis
d’experts, ou soit par une combinaison des deux.

39
Chapitre III : Réseaux Bayésiens

III.4.1. Construction du graphe :


La méthode utilisée pour le choix des variables explicatives est basée sur la
méthode SERENE [G.C, F.C, A.L, B.R].
La première étape consiste à déterminer les variables du modèle. Ensuite, les experts
doivent donner :
• Le nom de la variable,
• Le label de la variable,
• Son caractère (discret ou continu),
• Dans le cas discret, donner les modalités avec le respect de l’exhaustivité (l’union
de toutes les modalités représente tous les cas possibles) et l’incompatibilité
(l’intersection des modalités est vide).
Dans un souci de simplicité, il est conseillé de choisir des variables discrètes. De plus,
le nombre de modalités ne doit pas être trop élevé, d’une part pour une meilleure
compréhension et d’autre part pour que l’étape d’évaluation des probabilités
conditionnelles ne soit pas infaisable.

III.4.2. Evaluation des probabilités :


On suppose que les probabilités sont déduites par des avis d’experts. Comme nous
l’avons vu dans la première patrie, la probabilité jointe peut s’écrire dans le cas de graphe
orienté acyclique comme le produit des probabilités des variables sachant les parents de
ces variables (factorisation récursive). Ainsi pour chaque nœud, il est nécessaire d’évaluer
la probabilité de ce nœud sachant ses parents. Si la variable est une variable d’entrée, donc
sans parent, alors la probabilité requise est une probabilité à priori. Pour les autres
variables, les probabilités conditionnelles sont requises.

Exemple :
On considère un système de trois composants A, B et C. Les probabilités de panne
des composants A, B et C sont de 15 %, 7 % et 3 %. On suppose que le système a la
structure représentée sur le schéma de la figure 3-4, c’est-à-dire qu’il est en panne si A est
en panne, ou si B et C le sont.

Figure 3-4 : Système de trois composants

40
Chapitre III : Réseaux Bayésiens

1. Représenter à l’aide d’un réseau bayésien les dépendances entre les états des
composants A, B, C et l’état du système.
2. Calculer la probabilité de panne du système.
3. Calculer la probabilité pour que A soit en panne sachant que le système est en
panne.
4. Calculer la probabilité pour qu’aucun composant ne soit en panne.

Solution :
A :V.A représentant l’état du composant A possédant deux modalités : A1 et A2 avec
P(A1) = 0.85 si A fonctionne et P(A2) = 0.15 si A est défaillant.
B : V.A représentant l’état du composant B possédant deux modalités : B1 et B2 avec
P(B1) = 0.93 si B fonctionne et P(B2) = 0.07 si B est défaillant.
C : V.A représentant l’état du composant C possédant deux modalités : C1 et C2 avec
P(C1) = 0.97 si C fonctionne et P(C2) = 0.03 si C est défaillant.
D: V.A représentant l’état de la branche D qui contient B et C possédant deux modalités
D1 et D2.
S : V.A représentant l’état du système possédant deux modalités S1 et S2.

P(B1)=0.93 P(C1)=0.97
P(A1)=0.85
P(A2)=0.15 P(B2)=0.07 P(C2)=0.03

A B C

D
B1 C1 B1 C2 B2 C1 B2 C2

P(D1) 1 1 1 0

P(D2) 0 0 0 1
S

A1D1 A1D2 A2 D1 A2 D2

P(S1) 1 0 0 0

P(S2) 0 1 1 1

Figure 3-5 : RB modélisant un système de trois composants


P (S2) = P (A2) + P (D2) avec P (D2) = P (B2) * P (C2)
41
Chapitre III : Réseaux Bayésiens

P (D2) = 0.07 * 0.03 = 0.0021


P (S2) = 0.15 + 0.0021 = 0.1521
P (A2 / S2) = [P (S2/ A2) * P ( A2 )] / P(S2) = 0.9862

De même
P (D2 / S2) = 0.0138

III.5. Inférence bayésienne :


L'inférence bayésienne est basée sur l'utilisation d'énoncés probabilistes, qui dans le
cas général sont trouvés par des experts étudiant un système qui leurs ait connu. Ces
énoncés doivent être clairs et précis afin d'éviter toute confusion dans les relations de
dépendance qui en découleront. L'inférence bayésienne est particulièrement utile dans les
problèmes d'induction, car se basant sur des cas particuliers et n'a de validité qu'en terme
probabiliste.
Le théorème de Bayes permet d'inverser les probabilités, c'est-à-dire que si l'on
connaît les conséquences d'une cause, l'observation des effets permet de remonter aux
causes, c'est l'effet d'induction « bottom-up ». Sachant aussi qu'une lecture littérale du
théorème de Bayes permet une induction « top-down », c'est à dire à partir des causes en
déduire les conséquences. Mais il existe aussi un troisième type d’induction dit «
explaining away » ou comment réfuter une cause en constant une autre. Autrement dit,
partir d’une conséquence pour remonter aux causes, constater la quelle est vrai et réfuter
les conséquences sous jacentes des autres causes.
L'inférence probabiliste signifie donc le calcul de P (Y | X) où X est un ensemble
d'observations et Y un ensemble de variables décrivant le problème et qui sont jugées
importantes pour la prédiction ou le diagnostic.
Le calcul d’inférence probabiliste étant en général NP-difficile, deux types de méthodes
ont été développés, il y a les approches complètes et approximatives.

III.5.1. Principales méthodes d’inférence complète existantes :


L’inférence probabiliste sur les réseaux bayésiens est une tache intense et difficile ;
Cooper [L.S] montre que ce problème est un NP-difficile, quoique plusieurs recherches
aient été dirigées pour développer des algorithmes efficaces pour ce genre de problèmes
[L.S].

42
Chapitre III : Réseaux Bayésiens

III.5.1.1. Polyarbres :
Pearl a édité dans le début des années 80 un algorithme d’inférence efficace dans
de réseaux simples, dit polyarbres pour le calcul de la distribution marginale d’une
variable. Cet algorithme est exact et a une complexité polynomiale dans le nombre de
nœuds, mais fonctionne seulement pour les polyarbres.

III.5.1.2. Algorithme “loop cutset conditioning”:


Pearl a présenté également un autre algorithme dit “loop cutset conditioning”
d’inférence exacte pour des graphes plus généraux (orientés sans circuits). Cet algorithme
change le réseau en un polyarbre en le restreignant au complémentaire d’un sous-ensemble
choisi de variables aléatoires désigné par le nom “loop cutset”. Le calcul dans le réseau
résultant est effectué par l’algorithme des polyarbres de Pearl et ensuite les résultats des
calculs associés à chaque instanciation dans le “loop cutset” sont combinés en étant
pondérées par la loi restreinte au “loop cutset”. La complexité de l’algorithme augmente
exponentiellement avec la taille du sous-ensemble de variables fixes. Il est ainsi important
de réduire au minimum la taille de ce sous-ensemble de variables de conditionnement.
Malheureusement, le problème de minimisation de cet ensemble est NP-difficile.

III.5.1.3. Algorithme LS :
Lauritzen et Spiegelhalter [L.S] ont présenté un algorithme dit dans la littérature
“algorithme LS” et qui fait usage d’un “arbre de cliques” (les cliques sont des parties
remarquables de l’ensemble des variables aléatoires du réseau. Cet algorithme est une
généralisation de l’algorithme original de Pearl. L’idée de base en est de transformer le
réseau bayésien en un arbre de cliques appelé “arbre de jonction” (en d’autres termes, on
établit entre certaines cliques des liens privilégiés). Associant à ces cliques des fonctions
appelées potentiels, l’algorithme modifie progressivement ces potentiels, en passant d’une
clique à une clique qui lui est liée (ce qu’on appelle “transmission de messages”) de sorte
qu’en fin de son déroulement le potentiel de chaque clique soit la loi conjointe des
variables aléatoires constituant cette clique. L’algorithme de propagation fonctionne
efficacement pour les réseaux clairsemés, mais peut être extrêmement difficile pour les
réseaux denses. Sa complexité est exponentielle par rapport à la taille de la plus grande
clique de l’arbre de jonction.

43
Chapitre III : Réseaux Bayésiens

III.5.1.4. Algorithme d’élimination de variables :


Un autre algorithme est apparu pour la première fois dans Zhang et Poole [L.S].
C’est essentiellement l’algorithme “d’élimination de variables” de Dechter ainsi appelé
parce qu’il élimine par marginalisation (c’est à dire par intégration) les variables les une
après les autres. Un ordre dans lequel les variables doivent être marginalisées est exigé
comme entrée de cet algorithme ; on l’appelle l’ordre d’élimination. Le calcul dépend de
cet ordre. La complexité de l’algorithme d’élimination de variables peut être mesurée par
le nombre d’opérations d’additions et de multiplications numériques qu’il exécute. Trouver
un ordre d’élimination optimal est un problème NP-difficile.

III.5.2. Les méthodes d’inférence approximatives :


Il existe trois approches pour réaliser des inférence approchées, faire comme si le
graphe était un arbre : « loopy belief propagation », Markov Chain Monte Carlo
(échantillonnage de Gibbs), Inférence variationnelle.
Markov Chain Monte Carlo (MCMC) exploite la topologie du réseau et effectue un
échantillonnage de Gibbs sur des sous-ensembles locaux de variables de façon séquentielle
et concurrente.
L’inférence variationnelle est une méthode de plus en plus utilisée. Elle est une
sorte d’adaptation de l’algorithme EM (Expectation-Maximization).

III.6. Apprentissage dans les réseaux bayésiens:

Nous avons montré que la représentation intuitive d’un graphe de causalités pouvait
être rendue quantitative par l’utilisation de probabilités. Ensuite, nous avons montré que les
propriétés du graphe de causalités permettaient de faciliter les calculs (l’inférence) à
l’intérieur de ce graphe et nous avons décrit les principales méthodes d’inférence.
La dernière question qui se pose est : « Où trouver ces probabilités ? » Il est en effet
assez peu réaliste de penser qu’un expert pourra fournir de façon numérique l’ensemble
des paramètres nécessaires à l’inférence dans un graphe. Même si certaines études ont
montré que la sensibilité des conclusions aux paramètres était relativement faible (c’est-à-
dire que l’on a surtout besoin d’ordres de grandeur plutôt que de probabilités réelles) [P.N],
il peut être intéressant dans certains cas de déterminer ces paramètres à partir d’une base
d’exemples.

44
Chapitre III : Réseaux Bayésiens

En effet il y a deux types d’apprentissage [P.L] et [P.N] ; Apprentissage de


structure et apprentissage de paramètre. Dans la suite on va présenter ces deux principales
méthodes, chacune en détail :

III.6.1. Apprentissage de structure :

L’apprentissage consiste à rechercher la structure, qui une fois munie des meilleurs
paramètres, rende compte le mieux possible des données observées.

III.6.2. Apprentissage de paramètre :


La structure d’un réseau (c’est-à-dire le graphe sous-jacent) étant donnée,
rechercher le meilleur jeu de paramètres (c’est-à-dire, rappelons-le, les différentes
probabilités conditionnelles utilisées dans le graphe) pour rendre compte des données
observées.

III.7. Réseaux Bayésiens avec des variables continues :


Toutes nos études sur les RBs effectuées auparavant sont basées sur des variables
discrètes, nous sommes à présent intéressé à utiliser des variables continues. Pour cela il
faut soit :
• Discrétiser les variables ;
• Soit en faisant une hypothèse de forme de distribution (par exemple, gaussienne).
Ainsi, les paramètres à obtenir de l’expert ou à apprendre à partir des données sont
les paramètres de la distribution continue, au lieu d’être les probabilités
individuelles de chaque valeur discrète.

Il faut reconnaître que la plupart des recherches actuelles utilisent plutôt la première option
et négligent complètement le problème des distributions continues de variables.

45
Chapitre III : Réseaux Bayésiens

III.8. Modélisation d’un petit Réseau électrique :


La figure 3-6 représente un réseau électrique constitué d’une zone de
consommation, de deux unités de production G1, G2, et de deux lignes de transport L1, L2.

L1 L2
G1 Consommation G2

Figure 3-6 : Réseau électrique

Les unités de production, d’une puissance de 130MW, sont disponibles 90 % du temps.


La demande dans la zone de consommation dépend de la saison : en moyenne, 150 MW en
hiver, 50 MW en été et 100 MW en printemps-automne, avec un écart-type de 30 MW. En
hiver, chaque ligne est indisponible 1 % du temps (de manière indépendante) à cause de
forts givres.

1- Quel pourcentage du temps la demande peut-elle être satisfaite ?


2- Si la demande n’est pas satisfaite, le problème provient-il plus vraisemblablement
d’une ligne ou d’une unité de production indisponible ?

Solution :
La construction du Réseau Bayésien se fait en trois étapes ; Identification des
variables, définition de la structure du RB et définition de la loi de probabilité conjointe
des variables.

a- Identification des variables :


S : Variable qui représente la « saisons » et prend les modalités hiver (H), été (E), et
printemps-automne (PA).
G1 : Variable représentant la disponibilité du « Générateur 1 », prend les modalités ; oui ou
non.
G2 : Variable représentant la disponibilité du « Générateur 2 », prend les modalités ; oui ou
non.
L1 : Variable représentant la disponibilité de la « Ligne 1 », prend les modalités ; oui ou
non.
L2 : Variable représentant la disponibilité de la « Ligne 2 », prend les modalités ; oui ou
non.

46
Chapitre III : Réseaux Bayésiens

PE1 : Variable représentant le passage de l’énergie du Générateur 1 au consommateur.


PE2 : Variable représentant le passage de l’énergie du Générateur 2 au consommateur.
Cons : Variable qui représente la « Consommation » et prend les modalités satisfait et non
satisfait.

b- Structure de graphe :
Le modèle graphique de ce réseau électrique est représenté sur la figure 3-7 au dessous :

G1 L1 L2 G2

PE1 PE2

Cons

Figure 3-7: RB modélisant le réseau électrique

Cette structure est composée de trois variables d’entrées S, G1 et G2, deux


variables intermédiaires L1 et L2, une variable d’observation. Cette dernière est influencée
par tous les variables composant ce RB

c- Table de probabilité :

1. Probabilités marginales :

P(S=H) =0.25, P(S=E) =0.25, P(S=PA) =0.50


P(G1=Oui) =0.90, P(G1=Non) =0.10, P(G2=Oui) =0.90, P(G2=Non)=0.10

2. Probabilités conditionnels :

P(L1=Oui/S=H) =0.99, P(L1=Non/S=H) =0.01, P(L1=Oui/S=E) =1, P(L1=Oui/S=PA)=1


P(L2=Oui/S=H) =0.99, P(L2=Non/S=H) =0.01, P(L2=Oui/S=E) =1, P(L2=Oui/S=PA)=1

47
Chapitre III : Réseaux Bayésiens

Résultats:
Pour la simulation on a utilisé deux outils de représentation, BNT (Bayes Net
Toolbox) et Hugin lite 7.4.

• Hugin lite :
En premier lieu on va commencer avec Hugin, dont la structure du réseau bayésien
modélisant le réseau électrique est présentée dans la figure 3-8.

Figure 3-8 : Modélisation d’un réseau électrique par Hugin.

Les paramètres du RB sont présentés dans le tableau suivant.

48
Chapitre III : Réseaux Bayésiens

Tableau 3-1 : Paramètres du réseau Bayésien de la figure 3-8.


L’inférence dans ce réseau bayésien donne les résultats suivants :

49
Chapitre III : Réseaux Bayésiens

Tableau 3-2 : Probabilités marginales après l’inférence.

On voit que la consommation est satisfaite à 0.9143.


Si on fixe S=Hiver, on trouve que la consommation est satisfait à 0.7742 :

Tableau 3-3: satisfaction des consommateurs pendant l’hiver.

50
Chapitre III : Réseaux Bayésiens

• Bayes Net Toolbox (BNT) :


Avec le programme rédiger sous MATLAB (le programme est en dessous) on trouve les
résultats suivants :
La structure du graphe est présentée dans la figure 3-9 :

Figure 3-9 : Structure du RB avec BNT

Pour l’inférence dans ce Réseau Bayésien, on a utilisé l’algorithme d’arbre de jonction. On


a obtenu les résultats suivants :

51
Chapitre III : Réseaux Bayésiens

Figure 3-10: Un Histogramme représentant tous les probabilités marginales

PShivers = 0.2500
PG1vrai = 0.9000
PG2vrai = 0.9000
PL1vrai = 0.9975
PL2vrai = 0.9975
PPE1vrai = 0.8978
PPE2vrai = 0.8978
PConsvrai = 0.5391
Si on fixe S=Hiver, on trouve que la consommation est satisfait à 0.8414 :

52
Chapitre III : Réseaux Bayésiens

Figure 3-11: Probabilité que le consommateur soit satisfait sachant que S=Hivers

III.9.. Réseaux Bayésiens Dynamiques :


Les réseaux Bayésiens illustrés jusqu’alors représentaient
représentaient tous une connaissance
statique. Nous illustrons ici la modélisation de systèmes dynamiques (Figure 3-12).
L’intégration de la dimension temporelle s’effectue avec les réseaux bayésiens
dynamiques. Les réseaux bayésiens dynamiques (DBN) sont des modèles
m graphiques
dirigés de processus stochastiques. Ils généralisent les modèles de Markov cachés (HMM)
et les systèmes dynamiques linéaires (LDS) en représentant les états cachés (et observés)
en tant que variables d'états, possédant des interdépendances complexes. La structure
graphique fournit une manière simple de détailler
détailler ces indépendances conditionnelles, et
fournit aussi par conséquent une paramétrisation réduite du modèle.
Notez que "réseau bayésien temporel" serait un meilleur nom que "réseau bayésien
dynamique" [P.L], à partir du moment où nous supposons que la structure
struc du modèle ne
change pas, mais le terme DBN a été choisi. Nous supposons aussi normalement que les
paramètres ne changent pas, c'est-à-dire
c'est dire que le modèle est invariant dans le temps.
Toutefois, nous pouvons toujours ajouter des nœuds cachés supplémentaires
supplément afin de
représenter le régime courant, et de ce fait créer des mélanges de modèles pour prendre en
compte des non-stationnarités
stationnarités périodiques.

53
Chapitre III : Réseaux Bayésiens

RUL, Couts, Décisions


Graphe Causal
Temporel

Système Modèle Réseau Bayésien


dynamique Bond graphe Dynamique Simulation

Génération
de résidus

Données experts
Données
maintenance
Conditions
d’utilisation

Figure 3-12 : modélisation d’un système dynamique

Avec : RUL (Remaining Useful Life): durée de fonctionnement avant défaillance.

III.8.1. Représentions des DBNs:

Les réseaux Bayésiens Dynamiques (DBN) sont un cas particulier des réseaux
Bayésiens classiques, capables de représenter l’évolution des variables dans le temps. Un
DBN est composé d’une suite de tranches de temps, où chaque tranche contient un
ensemble de variables représentant l’état de l’environnement pour ce laps de temps.
Chaque tranche est en soi un réseau Bayésien, et la même structure de réseau est répliquée
au fur et à mesure que le temps avance. La dynamique temporelle de l’environnement
modélisé est représentée par des arcs reliant les différentes tranches entre elles. De plus,
chaque tranche peut contenir des nœuds d’observation qui modélisent les entrées du
modèle sur l’état courant de l’environnement. Ces observations peuvent être bruitées, dans
ce cas, le bruit d’observation est modélisé par la probabilité Pr(Ot|Xt) qui représente la
probabilité d’observer Ot sachant que l’environnement se trouve dans l’état Xt.
Le DBN le plus simple est le HMM qui est formé d’un nœud représentant l’état du
système et un nœud d’observation.

54
Chapitre III : Réseaux Bayésiens

Figure 3-13 : Le DBN le plus simple, le HMM pour 4 tranches de temps.

Dans l’exemple de la Figure 3-13, nous avons déployé la structure pour 4 tranches
de temps. Nous voyons donc que pour un DBN, nous devons spécifier
1) la structure à l’intérieur d’une tranche de temps
2) les liens avec la prochaine tranche
3) les paramètres des deux premières tranches.
La structure et les paramètres sont considérés comme constants et se répètent dans chaque
tranche, mais ceci n’est que le cas général et il existe des DBNs dont la structure change
dans le temps [K.G].
La structure présentée, où l’on ne doit définir que les deux premières tranches est
connue sous le nom de 2Time-Slice Bayésien Network (2TBN).

III.8.2. Inférence dans les DBNs :


Le problème général d’inférence dans un DBN est le calcul de la distribution jointe
des variables cachées en tout moment t, connaissant les observations que nous disposons
jusqu’à ce moment. En d’autres mots, il s’agit de calculer Pr(X (i, t) | y(:, t1 : t2 )) , où X(i,t)
représente la ième variable cachée en t0 et y( :,t1,t2) représente toutes les observations entre t1
et t2. Il existe plusieurs cas d’intérêt particulier comme nous les présentons dans le Tab 06.

55
Chapitre III : Réseaux Bayésiens

Méthode But
Filtring (Filtrage) Pr % /& 1: % ; Méthode on line qui estime l’état courant du
modèle.
Smoothing (Lissage) Pr 1: % /& 1: % ; Méthode off line qui estime tous les états
passés, à partir de toutes les observations jusqu’au temps courant t .
Fixed-Lag Pr % − )% /& 1: % ; Méthode on line qui estime l’état à un
Smoothing certain moment passé (t-dt). Sur base de toutes les observations
jusqu’au temps courant t.
Viterbi max- :. Pr 1: % /& 1: % , Méthode off line qui calcule la
séquence la plus probable des états cachés, toujours à partir des
observations
Prédiction Pr % + )% /& 1: % , Méthode on-line qui extrapole la
distribution probabiliste pour les tranches de temps futures.

Tableau 3-4 : Les principales méthodes d’inférence des DBN.

Figure 3-14 : Représentations des méthodes d’inférence des DBN.

Toutes ces méthodes peuvent être implémentées de plusieurs manières différentes, même
en utilisant des méthodes des réseaux Bayesiens classiques, bien que cette approche soit
extrêmement lente. En général les algorithmes d’inférence dans les DBN sont loin d’être
simples à expliquer, nous ne pouvons que conseiller la visite des sites cités plus haut pour
le lecteur désirant d’en apprendre plus.

56
Chapitre III : Réseaux Bayésiens

III.8.3. Quelques structures classiques :

Mis à part le HMM qui forme la base de presque tous les DBNs, il existe une
multitude d’autres structures de base. A la Figure 3-15 nous présentons une série
d’exemples où les nœuds noircis représentent les nœuds d’observation, tandis que les
blancs, les nœuds cachés. Chaque nœud peut contenir plusieurs variables.

Figure 3-15 : Quelques structures classiques de DBNs.

Récemment, des extensions du HMM avec plusieurs chaînes cachées interagissant entre
elles comme le Coupled Hidden Markov Model (CHMM) et le Factorial Hidden Markov
Model (FHMM) ont été proposées. Dans ces modèles, la taille de l’état de croyance dépend
de manière exponentielle du nombre de chaînes cachées. Si ce nombre est grand, les
problèmes d’inférence et d’estimation de paramètres deviennent intraitables, ce qui rend
nécessaire l’emploi de méthodes approximatives. Le CHMM emploie une approximation
déterministe en ne gardant qu’un nombre fixe de « têtes » (« heads ») avec les plus grandes
probabilités. Les « têtes » sont choisies de manière déterministe plutôt qu’aléatoirement

57
Chapitre III : Réseaux Bayésiens

comme dans les méthodes d’échantillonnage. Le FHMM utilise une approximation


variationnelle de la structure du graphe ayant une forme moins dense et se prêtant à des
méthodes d’inférence classiques.

III.10. Exemple de d’un système de distribution de fluide :


Le réseau présenté ici représente un système de distribution de fluide. Le schéma
suivant présente un système de trois vannes (V1, V2 et V3) qui permettent de contrôler le
passage d’un fluide.

V2

V1

V3

Figure 3-16 : Un système composé de trois vannes.

Dans ce système, une vanne a deux modes de défaillance, et donc trois états possibles :
OK : la vanne fonctionne normalement
RO : la vanne reste toujours ouverte (défaillance)
RC : la vanne reste toujours fermée (défaillance)
Le problème est de prédire si le système reste contrôlable (c'est-à-dire, si on peut toujours
contrôler le passage du fluide ou non dans le système).

III.10.1. Description des variables :


• Vanne 1, Vanne 2 et Vanne 3 représentent l’état des vannes à l’instant t. dits aussi
nœuds temporels pères, ces variables possèdent chacun trois modalités comme il à
été constater auparavant ; OK, RO ou RF.
• Vanne1 t+1, Vanne2 t+1 et Vanne3 t+1 représentent l’état des vannes à l’instant
t+1.
• Reste Ouvert et Reste Fermé permettent de typer la défaillance du système, ces
deux variables ont deux modalités.
• Enfin, « Disponible » détermine si le système est contrôlable ou non, c’est un
variable à deux modalités.

58
Chapitre III : Réseaux Bayésiens

III.10.2. Structure du Réseau Bayésien Dynamique :


Comme il à été énoncé au chapitre 3, un Réseau Bayésien Dynamique est composé
d’un réseau initial, plus un modèle de transition qui décrit la dynamique du système.

V1 t V2 t V3 t V1t+1 V2t+1 V3t+1

RO RF RO RF

Dis Dis
p p

Figure 3-17 : Structure du RBD modélisant le système de distribution de fluide.

III.10.3. Paramètres du RBD :


Avant de donnée les différentes paramètres, il faut rappeler qu’il y à deux types de
probabilités ; marginales (entré) et conditionnelles.

III.10.3.1. Probabilités marginales :


Pour le réseau initial, les trois vannes (V1, V2 et V3) ont une probabilité d’être en
marche qu’est égal à 1.

OK RO RF
V 1t 1 0 0
V 2t 1 0 0
V 3t 1 0 0

Tableau 3-5 : Probabilités marginales des vannes à l’instant t.

59
Chapitre III : Réseaux Bayésiens

III.10.3.2. Probabilités conditionnelles :


On présente dans tableau 3-6 les probabilités conditionnelles de «Disp », « RO »
et « RF ».

Disp
RO RF Oui Non
Oui 0 1
Oui Non 0 1
Oui 0 1
Non Non 1 0
-a-
V1 V2 V3 RO RF
OK Faux Faux
OK RO Faux Faux
RF Faux Faux
OK Faux Faux
OK RO RO Faux Faux
RF Faux Faux
OK Faux Faux
RF RO Faux Faux
RF Faux Vrai
OK Faux Faux
OK RO Vrai Faux
RF Faux Faux
OK Vrai Faux
RO RO Vrai Faux
RF Vrai Faux
OK Faux Faux
RF RO Vrai Faux
RF Faux Vrai
OK Faux Vrai
OK RO Faux Vrai
RF Faux Vrai
OK Faux Vrai
RO RO Faux Vrai
RF Faux Vrai
OK Faux Vrai
RF RO Faux Vrai
RF Faux Vrai
-b-
Tableau 3-6 : Probabilités marginales de «Disp », « RO » et « RF ».

60
Chapitre III : Réseaux Bayésiens

III.10.3.3. Probabilités décrivant le modèle de transition :


La table de probabilités associée au nœud temporel fils décrit la dynamique de la
vanne. Quand la vanne1 est bonne au pas de temps t, il y’a 2% de risque qu’elle reste
ouverte à t+1, et 1% de risque qu’elle reste fermée. Par contre, une fois que la vanne est
défaillante elle reste défaillante.
La vanne 2 est moins fiable que la vanne 1, La vanne 3 est la moins fiable des trois.

V1t+1
t
V1 OK RO RF
OK 0.97 0.02 0.01
RO 0 1 0
RF 0 0 1
-a-

V2t+1
V 2t OK RO RF
OK 0.95 0.03 0.02
RO 0 1 0
RF 0 0 1
-b-
V3t+1
t
V3 OK RO RF
OK 0.93 0.04 0.03
RO 0 1 0
RF 0 0 1
-c-
Tableau 3-7 : Probabilités conditionnelles du model de transition.

Il faut rappeler que la structure du RB ne change pas dans le temps, ainsi les
variables RO, RF et Disp peuvent être regroupé dans la même catégorie.

III.10.4. Inférence dans ce Réseau Bayésien Dynamique :


Après la construction du RBD et l’implémentation des probabilités marginales et
conditionnelles, nous devons exploiter ce réseau en calculant les probabilités marginales de
n’importe variables et dans différents séquence de temps.

61
Chapitre III : Réseaux Bayésiens

III.10.4.1. Estimation des probabilités marginales :


L’algorithme utilisé pour faire l’inférence dans ce Réseau Bayésien est le « HMM ».
Dans un premier lieu on estimé la probabilité pour que le système soit disponible pour
différentes pas de temps ;
t=1 Pdisp=1
t=10 Pdisp=0.6902
t=100 Pdisp=0.0131

Cela nous à permit de tracé la courbe représenté dans la figure 3-18.

Figure 3-18 : Evolution de la probabilité de défaillance des trois vannes V1, V2 et V3.

62
Chapitre III : Réseaux Bayésiens

Figure 3-19 : La probabilité que le système reste ouvert ou fermé en fonction du temps.

Figure 3-20 : Evolution de la disponibilité du système en fonction du temps

On remarque d’après cette figure que la disponibilité du système décroît


progressivement, car la fiabilité des trois vannes se dégrade exponentiellement en fonction
du temps. Après 100 pas de temps on dits que le système est défaillant avec une probabilité
de 0.9869

63
Chapitre III : Réseaux Bayésiens

III.11. Conclusion :
On a vu dans cette partie, que les réseaux bayésiens sont des cas particuliers des
méthodes graphiques. La structure des RB comporte les variables d’entrées, intermédiaires
et d’observation. Chaque variable est caractérisé par sa table de probabilité. Plusieurs
méthodes ont été développées lors de l’inférence dans les réseaux bayésiens. On distingue
les méthodes complètes (correctes), qui permettent de calculer n'importe quelle
probabilité conditionnelle dans un temps proportionnel au nombre de nœuds et les
méthodes approximatives. Ces dernières sont conçues pour éviter le calcul qui croit d’une
manière exponentiel en fonction du nombre de variables. La construction d’un réseau
bayésien se fait en deux étapes. La première étape consiste à construire la structure du
graphe et la deuxième s’attachant à estimer les probabilités correspondantes.
La modélisation des systèmes dynamiques s’effectue avec les réseaux bayésiens
dynamiques, ces derniers sont étudiés au cours de cette partie, tout en présentant son
principe, y a compris la représentation et l’inférence des DBNs.
En dernier temps, on a essayé de modéliser un petit réseau électrique en utilisant et
en comparant deux logiciels de simulation ; HUGIN et BNT, ce dernier présente
l’avantage d’être capable de représenter les Réseaux Bayésiens Dynamiques.

64
Chapitre IV

Modélisation d’un réseau électrique

par un RBD
Chapitre IV : Modélisation d’un réseau électrique par un RBD

IV.1. Introduction :

On a vu dans le deuxième chapitre, l’intérêt d’étudier la fiabilité et la disponibilité


des réseaux électriques et l’importance de définir les consignes d’exploitation et
l’optimisation des stratégies de maintenance.

Les systèmes électriques font l’objet d’étude de la fiabilité et de la sureté de


fonctionnement, qui ont pour objectif de maîtriser l’évolution des réactions des systèmes
électriques face aux différents contraintes, ces derniers peuvent être internes (court-circuit
d’origines divers, augmentation de la charge, …) ou externes (vent violent, foudre, ..).
Notre approche consiste à modéliser les différentes causes probables qui peuvent faire
cesser ou perturber l’alimentation en énergie électrique.

Dans cette partie on s’intéresse à modéliser l’impact des différentes variables sur la
qualité et la continuité de service d’un réseau de distribution d’énergie électrique (réseau
HTB/HTA).

IV.2. Description du réseau de distribution étudié :

Cette étude est faite sur un réseau de distribution HT/MT. Il est menu de deux (02)
arrivées HTB à 60 kV et 08 départs HTA (30kV). Les deux arrivées HTB, sont reliées aux
deux transformateurs HTB/HTA, dont la puissance de chacun est égale à 30 MVA. En plus
de ses deux transformateurs il existe d’autres équipements qui servent à la canalisation de
l’énergie et la protection du poste. La structure du poste de distribution HTB/HTA est
présenté en annexe 3 :

Ce poste comporte 08 départs à 30 kV, chacun alimente des abonnées HTA ou BT, il y
a d’autres ouvrages qui ne figurent pas dans le schéma synoptique présenté en annexe 3, on
peut citer à titre d’exemple les lignes aériennes, câbles souterrains, IACM, Poste HTA/BT,
cellules d’interruption …etc.

65
Chapitre IV : Modélisation d’un réseau électrique par un RBD

IV.2.1.
2.1. Réseaux HTA Aériens :

La structure des réseaux est arborescente à deux ordres de lignes : dorsales et


dérivations. Des sous-dérivations
dérivations seront utilisées pour alimenter des charges isolées ou
pour grouper sous le même interrupteur à commande manuelle un ensemble de poste
HTA/BT.

Figure44-1 : réseau radial de distribution de l’énergie électrique

IV.2.1.1. Dorsale :

Des interrupteurs aériens (manuels ou télécommandés) seront utilisés


utili pour séparer
deux dorsales Bouclables
ouclables ou pour tronçonner le réseau en cas de recherche de défaut.

Des détecteurs aériens de défaut peuvent être installés sur la ligne HTA pour
faciliter la recherche de défaut.

IV.2.1.2. Dérivation :

Des interrupteurs aériens


aériens à ouverture automatique (à fermeture manuelle ou
télécommandée) seront installés en tête de dérivation pour permettre l’élimination de la
dérivation en défaut danss le creux de tension (IACT/IATCT).
(

IV.2.1.3. Sous dérivation :

Les sous dérivations seront équipés, au point de raccordement à la dérivation,


d’interrupteurs à commande manuelle(IACM).
manuelle

66
Chapitre IV : Modélisation d’un réseau électrique par un RBD

IV.2.2.. Réseaux HTA souterrains :

La structure des réseaux souterrains est à un seul ordre de lignes : Les dorsales. Ces
réseaux, de par leur constitution (faible longueur et forte section des conducteurs) sont le
siège de chutes de tension réduites. De ce fait, et tenant compte de l’importance des
incidents (charge coupée et durée d’interruption, plus élevées par rapport au réseau aérien),
il sera prévu une réalimentation soit par les réseaux voisins soit par un câble de secours.

IV.2.2.1. La structure maillée :

Cette structure permet la réalimentation en cas d’indisponibilité d’un tronçon ou


d’un poste HTA/BT, après élimination de l’élément défectueux; mais présente
l’inconvénient de n’utiliser les câbles que partiellement par rapport à leur capacité. Elle
exige de plus, un point commun par paire de câbles et demande une surveillance continue
du réseau, en fonction de l’accroissement de la charge. Cette structure est à abandonner
compte tenu de ces inconvénients.

IV.2.2.2. La structure à artère source à source :

Les câbles sont issus de deux sources distinctes. Cette structure est utilisée dans le
cas des postes HTB/HTA où la puissance ne peut être garantie.. Cette solution limite la
charge à la moitié de la capacité des câbles de distribution.

Figure 4-2: Structure à artère source a source.

67
Chapitre IV : Modélisation d’un réseau électrique par un RBD

IV.2.3. Réseaux mixtes :

Un départ mixte est un départ aéro-souterrain défini par le rapport entre la longueur
de la partie souterraine et la partie aérienne qui doit être comprise entre 25% et 80%,
(25% < Ls/La < 80%).

Un départ aéro-souterrain sera considéré comme départ aérien si le rapport entre la


longueur de la partie souterraine et la longueur de la partie aérienne est inférieur à 25%,
( Ls/La<25%).

Un départ aéro-souterrain est considéré comme un départ souterrain si le rapport


Ls/La est supérieur à 80%.

IV.2.4. Longueur du réseau :

La longueur du réseau y a compris les lignes MTA et câble MTS, égale à 841.94
km, les différents consistances sont données dans le tableau au dessous :

Longueur du réseau (km)


Nom du départ Total ( km)
Aérien Souterrain

Dép 01 7.007 0.030 7.037

Dép 02 4.203 26.917 31.120

Dép 03 103.754 7.866 111.62

Dép 04 48.955 11.124 60.079

Dép 05 392.426 00 392.426

Dép 06 120.012 0.934 120.946

Dép 07 150.028 2.932 152.960

Dép 08 11.539 0.073 11.612

Total 838.033 49.876 887.909

Tableau 4-1 : consistance du réseau.


D’après ces données, on peut dire que ce réseau est rural, puisque 94.18 % des
lignes sont aériens (MTA).

68
Chapitre IV : Modélisation d’un réseau électrique par un RBD

IV.2.5. Chute de tensions dans les lignes MTA et câble MTS :

Le tableau suivant représente les chutes de tensions en aval du poste, on distingue


deux états possibles ; sain ou en cas d’incident :

Sain Incidents
Lignes aériens (MTA) 10% 12%
Câbles souterrains (MTS) 6% 8%

Tableau 4-2 : Chute de tension en aval du poste

IV.2.6. Poste HTA/BT :

Les postes HTA/BT servent à la transformation du niveau de tension (30 kV à


220 V), selon le type d’emplacement et la puissance installée on distingue deux : ACC ou
Maçonnée.

IV.2.6.1. Poste ACC :

Les postes ACC raccordés à un réseau aérien, seront préférentiellement sur poteau,
pour les puissances de transformation inférieures ou égales à 160 KVA. Le transformateur
sera connecté par l’intermédiaire d’un interrupteur manuel (IACM) à la dérivation et par
ponts amovibles à la sous dérivation.

Le nombre maximum de départs basse tension est fixé à 2. Les départs seront
équipés de disjoncteurs à image thermique.

IV.2.6.2. Poste maçonné :

Les postes HTA/BT raccordés à un réseau aérien seront maçonnés pour une
puissance de transformation finale supérieure à 160 kVA.

Pour ce type de poste, le transformateur sera connecté par l’intermédiaire d’un


interrupteur motorisé lorsqu’il s’agira d’un raccordement en simple dérivation ou par deux
interrupteurs pour les doubles alimentations.

Les départs à basse tension au nombre de quatre, seront raccordés à un tableau type
urbain équipé de bloc déclencheur pour une puissance de transformateur inférieure à 400

69
Chapitre IV : Modélisation d’un réseau électrique par un RBD

KVA et d'interrupteur associé aux fusibles à haut pouvoir de coupure (HPC) pour les
autres puissances.

En relation avec la capacité d’évacuation des départs à basse tension et des chutes
de tension admissibles sur ces réseaux, il sera retenu les tailles des transformateurs du
tableau BT ci-dessous :

Type de Type de Nombre de


réseau poste départs puissance des transformateurs (kva)

Aérien Poteau 1 - 2 50 – 100 – 160

Aérien Cabine 4-8 160 – 250 – 400 – 630

Souterrain Cabine 4 – 8 – 12 100-160 – 250 – 400 – 630 - 800 – 1000

Tableau 4-3 : Nature des postes HTA/BT en fonction de la puissance installé.

IV.2.6.3. Nombre de poste HTA/BT alimenté :

Le nombre des postes HTA/BT selon la nature et le type de client est donné dans le
tableau suivant :

Nature du poste Nature de client Puissance


Nom du départ
ACC MAC DP LIV MX PI (KVA) PMD (kw)

Dép 01 0 01 0 1 0 0 5000

Dép 02 0 70 31 23 06 9010 4790

Dép 03 63 39 62 39 01 8425 3403

Dép 04 23 17 27 12 1 3010 1349

Dép 05 247 16 210 51 02 20398 4385

Dép 06 116 02 91 27 0 8800 2450

Dép 07 125 09 78 56 0 8443 8420

Dép 08 02 4 0 06 0 0 2640

Tableau 4-4 : Nombre de poste HTA/BT en marche selon la nature et le type du client.

70
Chapitre IV : Modélisation d’un réseau électrique par un RBD

IV.3. Structure du réseau étudie :

Selon le type du réseau ; aériens ou souterrain, notre réseau de distribution est


e
représenté dans la figure ci--dessous.

Figure 4-3 : Structure du réseau étudié.

On peut voir sur cette figure que notre réseau est équipé de deux transformateurs,
chacun alimente quatre départs. Ces derniers peuvent être aériens (MTA),
TA), souterrain(MTS)
ou mixte (aéro-souterrain).
souterrain). Les départs
départ servent à alimenter des postes HTA/BT, maçonné
ou ACC
CC selon le type du réseau.
réseau D’après ce schéma on peut voir par exemple que le départ
07 peut secourir
courir le départ 02 dans le but d’augmenter la disponibilité et la continuité de
service.

71
Chapitre IV : Modélisation d’un réseau électrique par un RBD

IV.3.1. Données et historique des pannes :

Le réseau électrique est soumis à des perturbations qui peuvent dégrader la qualité
de service, en se basant sur l’historique des pannes enregistrées durant l’année 2009, on va
essayer dans cette partie de citer les différentes causes. On trouve dans le tableau suivant
un résumé des incidents constatés durant l’année 2009.

Siège Cause Nombre Temps d’arrêt (mn)


AMONT Poste Cote GRTE 07 157
HTB/HTA Délestage 03 137

S/TOTAL 10 294
Travaux des tiers 07 220
Fil de fer 01 15
Nid d'oiseau 05 135
Incidents 89
Branche d’arbre 04
Aériens Isolateur casse 01 18
Usure 08 207
Intempérie (atmosphérique) 10 535

Divers 03 57

S/TOTAL 39 1276
Humidité 05 121
Incidents Usure 526
20
souterrain
Atteinte des tiers 09 152
S/TOTAL 34 799
Surcharge 01 12
Coup de foudre 01 63
Poste MT/BT Nid d'oiseau 05 90
Intempérie 01 22
Fusible MT 01 15
Inconnue 01 25
S/TOTAL 10 227

Autres Divers 8 271

S/TOTAL 8 271

TOTAL 101 2926

Tableau 4-5 : Résumé des incidents constater durant l’année 2009.

72
Chapitre IV : Modélisation d’un réseau électrique par un RBD

On trouve dans l’annexe 1 plus de détail y compris la date, l’heure et la durée


d’incidents ainsi que le siège et la cause.

IV.3.2. Calcul des indices de fiabilité :

En se basant sur l’historique des pannes, on calcule les indices de fiabilité de


chaque composant constituant ce réseau :

On rappelle que la disponibilité d’un composant est donnée comme suit :

μ
= =
+ λ+μ

Les taux de défaillance λ(t) et de réparation µ(t) sont calculés comme suit :

λ = 1/MTBF et µ = 1/MTTR

D’après l’historique des pannes donné en annexe 1, on a calculé les indices de


fiabilité et de maintenabilité présentés dans le tableau suivant :

Durée MTBF MTTR


Nombre MUT(h) λ µ D
(mn) (h) (h)
Ligne aérien 39 1276 224,62 0,55 224,07 0,004452 1,833856 0,997578
Câble souterrain 27 647 324,44 0,40 324,05 0,003082 2,503864 0,998771
Boite Extrémité intérieure 5 117 1752,00 0,39 1751,61 0,000571 2,564103 0,999777
Boite Extrémité Extérieure 2 41 4380,00 0,34 4379,66 0,000228 2,926829 0,999922
Poste Maçonné 3 49 2920,00 0,27 2919,73 0,000342 3,673469 0,999907
Poste ACC 7 178 1251,43 0,42 1251,00 0,000799 2,359551 0,999661
Poste HT/MT 10 294 876,00 0,49 875,51 0,001142 2,040816 0,999441
Autres 8 271 1095,00 0,56 1094,44 0,000913 1,771218 0,999485

Tableau 4-6 : Indicateurs de la SDF des composants de réseau.

La disponibilité du système est calculée comme suit :

1 1
= = = 0.994564
1 8.005466 − (8 − 1)
∑ − ( − 1)

73
Chapitre IV : Modélisation d’un réseau électrique par un RBD

IV.3.3. Détermination des paramètres de la loi de WEIBULL :

On choisi la loi de WEIBULL comme une loi de fiabilité pour notre réseau. On a
relevé les temps de bon fonctionnement de notre système a partir de l’annexe 1.

Pour calculer les paramètres de la loi de WEIBULL, on utilise le logiciel Isograph. Les
résultats obtenus sont :

ORh Probabilité cumulative

99,9
99 Weibull 2
paramètres
Médiane
90

70 η: 4017
Estimateur de β: 1,289
50
Êta γ: 0

30
ρ: 0,9736
20
Non-fiabilité (%)

ε: 0,05937

10
B10: 700,8

5 B15: 981
B20: 1255
3
2
P0: 0%

0,5

0,3
0,2

0,1
28 178,4 1137 7245

Temps

Figure 4-4: Représentation sur le papier de WEIBULL.

Les paramètres de la loi de WEIBULL obtenus sont :

η = 4017 ;

β = 1.289 ;

γ = 0.

On calcule le MTBF à partir de la relation I.21, on trouve :

MTBF = 3719.26 h

On prend t = MTBF et on calcule la fiabilité par la relation I.19 :

R ( 3719.26 ) = 0.4043.

L’allure du taux de défaillance et de la densité de probabilité ( Pdf ), sont donnés la


figure suivante :

74
Chapitre IV : Modélisation d’un réseau électrique par un RBD

ORh Taux de défaillance

0,00038052

Weibull 2
paramètres
0,00034247 Médiane

0,00030441 η: 4017
β: 1,289
γ: 0
0,00026636

ρ: 0,9736
Taux de défaillance

0,00022831
ε: 0,05937

0,00019026 B10: 700,8


B15: 981

0,00015221 B20: 1255

P0: 0%
0,00011416

Taux de
distribution
7,6103E-05
Taux régionalisé

3,8052E-05

0
0 724,5 1449 2173,5 2898 3622,5 4347 5071,5 5796 6520,5 7245

Temps

ORh Fonction de densité de probabilité

0,00018338

Weibull 2
paramètres
0,00016504 Médiane

0,0001467 η: 4017
β: 1,289
γ: 0
0,00012837
Fonction de densité (pdf)

ρ: 0,9736
0,00011003
ε: 0,05937

9,169E-05 B10: 700,8


B15: 981

7,3352E-05 B20: 1255

P0: 0%
5,5014E-05

3,6676E-05

1,8338E-05

0
0 724,5 1449 2173,5 2898 3622,5 4347 5071,5 5796 6520,5 7245

Temps

Figure 4-5: Taux de défaillance et densité de probabilité de la loi de WEIBULL.

75
Chapitre IV : Modélisation d’un réseau électrique par un RBD

IV.4.
4. Modélisation par un Réseau Bayésien :
Pour modéliser ce réseau électrique par un RB, on doit en premier lieu définir les
variables aléatoires qui représentent
représente chacun un élément de notre réseau de distribution,
puis définir les arcs qui s’expriment
s’ex par la relation cause à effet. On va essayer en premier
lieu de voir la probabilité pour que le consommateur issu des postes
poste HTA/BT soit
alimenté, à savoir les disponibilités de chaque composant du réseau.

IV.4.1.
4.1. Modélisation de la structure :

Le réseau de distribution de la figure 4-3,


4 est modélisé
isé en premier lieu par Réseau
Bayésien. Ce RB
B est présenté dans la figure 4-6.
4

Figure 4-6
4 : RB modélisant notre réseau de distribution.

76
Chapitre IV : Modélisation d’un réseau électrique par un RBD

IV.4.2.Paramètres de ce RB :
On dispose en Annexe 02, l’historique des pannes avec la durée de chaque
incident, on va l’utiliser pour calculer la disponibilité de chaque composant. Il est à noter
que les variables Ar1 et Ar2 sont considérées comme marginales, à savoir que leur cause
d’indisponibilité n’est pas étudiée.

• Probabilités marginales de Ar1 et Ar2 (les deux arrivées HT à 60 kV) :

Pour le calcul de la disponibilité des arrivés 1 et 2, on doit connaître le nombre et les


durées d’interruption de service durant tout l’année. D’après l’historique d’incidents, on
relève 06 incidents pour l’arrivée 01, et 02 pour l’arrivé 02. Les durées d’interruption sont
150mn et 100mn pour Ar1 et Ar2.

• Probabilité des autres composants :

On procède de la même manière qu’avec les deux arrivées, après calcul on trouve les
paramètres de chaque constituant du réseau et qui sont ensuite présentés dans un tableau :

Ouvrage Incident Arrêt MTBF(h) MTTR(h) MUT Disp λ µ


Ar1 06 150 1460 0,416667 1459,58 0,999715 0.000685 2.4
Ar2 02 100 4380 0,833333 4379,17 0,999810 0.000228 1.2
TR1 00 0 8760 0 8760 1 0.000114 0
TR2 03 137 2920 0.761111 2919.24 0.999739 0.000342 1.31
MTA1 00 0 8760 0 8760 1 0.000114 0
MTA2 07 131 1251.42 0.311905 1251.12 0.999751 0.000799 3.20
MTA3 01 25 3480 0.416667 3479.58 0.999905 0.000228 2.4
MTA4 10 431 876 0.653030 875.35 0.999255 0.001142 1.53
MTA5 06 128 1460 0,355556 1459,64 0,999756 0,000685 2.81
MTA6 14 415 625,71 0,494048 625,22 0,999210 0,001598 2,02
MTA7 0 0 8760 0 8760 1 0,000114 0
MTS1 11 210 796,36 0,318182 796,04 0,999600 0,001256 3,14
MTS2 07 145 1251,43 0,345238 1251,08 0,999724 0,000799 2,89
MTS3 06 198 1460 0,55 1459,45 0,999623 0,000685 1,81
BE 07 158 1251,42 0,376190 1251,05 0,999699 0,000799 2,65
Acc 07 198 1251,42 0,471429 1250,96 0,999623 0,000799 2,12
Mac 03 59 2920 0,327778 2919,67 0,999888 0,000342 3,05

Tableau 4-7 : RB modélisant notre réseau de distribution.

77
Chapitre IV : Modélisation d’un réseau électrique par un RBD

Il est à noter que les tables de probabilités conditionnelles, sont déterminées à la


base de ce tableau.

Par exemple pour TR2 :

TR1
Ar1 Disp Non Disp
Disponible 0.999739 0.000261
Non Disponible 0 1

Tableau 4-8 : Table de probabilité conditionnel du TR2.

IV.4.2.Inférence dans ce RB :
Après la phase de construction du Réseau Bayésien et l’implémentation des tables
de probabilité conditionnelles, on fait l’inférence dans ce RB, ceci va nous permettre
d’exploiter ce dernier. L’algorithme utilisé est « l’Arbre de jonction », les probabilités
marginales obtenues sont celles présenté en Tableau 4-9.

Ar1 Ar2 TR1 TR2 Dép1→4 Dép5→8 MTA1 MTA2 MTA3 MTA4
0.999714 0.999810 0.999714 0.999549 0.999714 0.999549 0.998924 0.999465 0.999454 0.998804
MTA5 MTA6 MTA7 MTS1 MTS2 MTS3 BE1 BE2 BE3 BE4
0.999306 0.999591 0.999714 0.999315 0.998624 0.999165 0.999414 0.999005 0.999164 0.999154
BE5 BE6 BE7 ACC1 ACC2 ACC3 ACC4 ACC5 ACC6
0.998624 0.998504 0.999014 0.998548 0.999088 0.999078 0.998428 0.998929 0.999173
MAC1 MAC2 MAC3 MAC4 ConsACC ConsMAC Cons
0.999302 0.999887 0.999886 0.999887 0.998859 0.999740 0.999524

Tableau 4-9 : Probabilités marginales après l’inférence.

On peut voir à partir de ces résultats que les consommateurs sont alimentés
99.9524% du temps total (8760h), c à d que l’indisponibilité de service est de 0.0476%
(soit 4.16h).

Les coupures pour entretiens et travaux, ne sont pas pris en considération dans cette étude.

78
Chapitre IV : Modélisation d’un réseau électrique par un RBD

On suppose maintenant que les deux transformateurs sont en marche, et ne présente


aucune anomalie, on refait l’inférence, les probabilités obtenues sont celles présentées
présenté dans
le tableau 4-10.

Ar1 Ar2 TR1 TR2 Dép1→4 Dép5→8 MTA1 MTA2 MTA3 MTA4
1 1 1 1 1 1 0.999210 0.999751 0.999905 0.999255
MTA5 MTA6 MTA7 MTS1 MTS2 MTS3 BE1 BE2 BE3 BE4
0.999756 1 1 0.999601 0.998910 0.999450 0.999699 0.999456 0.999450 0.999604
BE5 BE6 BE7 ACC1 ACC2 ACC3 ACC4 ACC5 ACC6
0.998909 0.998954 0.999230 0.998834 0.999374 0.999528 0.998878 0.999380 0.999623
MAC1 MAC2 MAC3 MAC4 ConsACC ConsMAC Cons
0.999587 0.999887 0.999887 0.999887 0.999255 0.999812 0.999675

Tableau 4-10 : Probabilités marginales sachant que TR1et TR2 sont disponibles.

D’après ces résultats, on trouve que l’indisponibilité de service est égale à


0.000325. On trouve donc le temps d’indisponibilité TI :

TI = 0.000325 x 8760 = 2.85 h


Avec : 1 an = 8760 h
IV.5. Modélisation des
es variables climatiques :

Dans le but d’étudier l’impact des variables climatiques sur la fiabilité et la


disponibilité d’un réseau de distribution, on va essayer de modéliser les différents variables
var
climatiques et représenter la relation entre eux. Par exemple, avoir un orage est plus
probable en hivers qu’en été.

Le Réseau Bayésien de la figure 4-6,


4 , présente la relation cause à effet de la saison
sur les différentes variables climatiques, telles
tel que la pluie, orage, brouillard… etc.

Figure 4-7
4 : RB modélisant les variables climatiques

79
Chapitre IV : Modélisation d’un réseau électrique par un RBD

IV.5.1. Paramètres du RB :

Il est à noter que les paramètres de ce RB envisagé par les probabilités marginales
et les tables de probabilités conditionnelles, sont calculés à partir de l’historique météo
durant l’année 2009.

• Probabilités marginales :

La variables saison a quatre modalités à savoir : Hiver, printemps, été et automne,


avec des probabilités d’occurrence égale à 0.25 chacune.

Saison
Hivers Printemps Été Automne
0,25 0,25 0,25 0,25

Tableau 4-11: Probabilité marginale de la saison.

• Tables de probabilités conditionnelles :

On a relevé d’après l’historique météo qu’il y a eu 35 jours de pluie pendant les 91


jours de l’hiver. Donc la probabilité qu’il pleuve durant cette saison est 38.88%. On
procède de la même manière pour les autres variables.

Pluie
Saison oui non
Hivers 38,88% 61,12%
Printemps 21,98% 78,02%
Été 3,29% 96,71%
Automne 18,68% 81,32%
-a-

Orage
Saison oui non
Hivers 5,55% 94,45%
Printemps 16,48% 83,52%
Été 5,49% 94,51%
Automne 7,69% 92,31%
-b-

80
Chapitre IV : Modélisation d’un réseau électrique par un RBD

Humidité
Saison Elevé Moyenne Basse
Hivers 88,89% 11,11% 0
Printemps 60,87% 35,87% 3,26%
Été 26,09% 54,35% 19,56%
Automne 65,93% 24,18% 9,89%
-c-

Tableau 4-12
12: Les Probabilités conditionnelles de pluie, Orage,
et Humidité.

IV.5.2.. Intégration des paramètres climatiques :

Dans le but d’intégrer les paramètres climatiques dans le RB initial, on doit


d définir
la relation cause à effet entre ces paramètres et les éléments du réseau. Après analyse de
l’historique de panne, on trouve qu’une grande partie des incidents au niveau des lignes
MTA sont causés par les vents violents
v et orages,
rages, d’autre part on voit que les avaries des
boites extrémités sont causées
causé dans majorité des cas par l’humidité.

Donc la relation entre les variables climatiques et les composants


compos du réseau de
distribution sera traduite comme suit :

Figure 4-8 : Intégration des variables climatiques dans le RB initial.

81
Chapitre IV : Modélisation d’un réseau électrique par un RBD

IV.5.3. Inférence dans ce RB :

Après simulation, on trouve les résultats suivants :

Ar1 Ar2 TR1 TR2 Dép1→4 Dép5→8 MTA1 MTA2 MTA3 MTA4
0.999714 0.999810 0.999714 0.999549 0.999714 0.999549 0.999583 0.999389 0.999380 0.999347
MTA5 MTA6 MTA7 MTS1 MTS2 MTS3 BE1 BE2 BE3 BE4
0.999306 0.999549 0.999714 0.999315 0.998960 0.998767 0.999091 0.998683 0.998766 0.998757
BE5 BE6 BE7 ACC1 ACC2 ACC3 ACC4 ACC5 ACC6
0.998960 0.998724 0.998692 0.999385 0.999192 0.999182 0.999188 0.999108 0.999351
MAC1 MAC2 MAC3 MAC4 ConsACC ConsMAC Cons
0.99898 0.99988 0.99989 0.999886 0.999220 0.999659 0.999551

Tableau 4-13 : Probabilités marginales en présence des variables climatiques.

IV.5.4. Exploitation de ce RB :

On passe maintenant à une étape essentielle de notre travail, c’est l’utilisation de ce


RB. On suppose que TR2 soit hors service, on trouve comme cause les résultats suivants :

Figure 4-9: Probabilité que les consommateurs ACC et MAC soit alimentés.

Comme montre la figure au dessus, le variable Cons prend la probabilité de 0.7294.


D’après ces résultats on remarque que les consommateurs sont moins alimentés par rapport
au fonctionnement normal du réseau, cela revient à l’interruption de service sur le poste
MAC1 puisqu’il n’est pas securit.

82
Chapitre IV : Modélisation d’un réseau électrique par un RBD

IV.6. Modélisation de la dynamique du système :


Dans le but de modéliser la dynamique du système, on doit connaitre les variables
qui changent au cours de temps. On constate que la puissance appelée augmente chaque
année, cela est prouvé par l’historique de charge.

IV.6.1.Historique de la puissance appelée :

Il est présenté dans le tableau suivant l’historique de la puissance de pointe


enregistré entre les années 2003 et 2008.

2003 2004 2005 2006 2007 2008


Puissance appelée(MVA) 30.7 31.7 31.54 37.25 39.6 44.3
Taux d’évolution(%) 3.25 -0.5 18.1 6.3 11.86

Tableau 4-14 : Historique de la puissance appelée.

Le taux d’évolution en surface et en profondeur est de 4%.

Historique des charges


50

40

30

20

10

0
2 003 2 004 2 005 2 006 2 007 2 008

Figure 4-10 : Tracé de l’historique des charges.

IV.6.2.Prévision de charges (2009/2018) :


Sur la base de l’historique de puissance appelée cité dans le paragraphe précédent, et en
fonction d’autres paramètres, on estime l’évolution de la charge par la pris en compte du :
• Taux d’accroissement de chaque poste.
• Futurs projets.

83
Chapitre IV : Modélisation d’un réseau électrique par un RBD

Année 2008 2009 2010 2011 2012 2013 2014 2015 2016 2017 2018
Charge
44.3 51.6 56.2 60.5 62.5 64.7 66.9 69.1 71.5 74.1 76.7
prévus

Tableau 4-15 : Prévision de la puissance appelée.

On remarque que la charge augmente avec une moyenne de 2.2 MVA chaque
année, donc un taux d’évolution de 4%.

Les prévisions de charge peuvent être présentées dans graphe comme suit :

Privision de la charge
90

80

70

60

50

40

30

20

10

0
2009 2010 2011 2012 2013 2014 2015 2016 2017 2018
Figure 4-11 : Tracé des prévisions de charge.

L’augmentation de la charge sera modélisée dans notre RB. On va la représenter


par une variable discrète et binaire nommée « charge ». Cette variable prend les deux
modalités « régime nominal » et « régime surcharge ».

IV.6.3.Réseau Bayésien modélisant l’augmentation de la charge :


Dans la figure 4-12, on présente la structure du réseau Bayésien qui modélise
l’augmentation de la charge et son impact sur la disponibilité des deux transformateurs
HTB/HTA (60/30kv).

84
Chapitre IV : Modélisation d’un réseau électrique par un RBD

Figure 4-12 : Réseau Bayésien modélisant l’augmentation de la charge.

Il est à noter que le variable « charge » représente la puissance de garantie, elle est
égale à la différence entre la puissance installée
installé (PI) et la puissance appelée
appelé (PA).

PGaranté = PI – PA = 60 - 44.3 = 15.7 MVA

PI : est la somme de puissance des


d deux transformateurs (30 + 30 MVA).
MVA

PA : est la puissance appelée en 2009.

Les paramètres de ce RBD


RB sont constitués de deux parties,, paramètres du réseau
initial et le modèle de transition (d’un pas de temps à l’autre).

• Paramètres du réseau initial :

La disponibilité des transformateurs en fonction


fonction de la charge est une fonction de la
puissance garantie, pour le réseau initial c.-à-d.
c. d. à l’instant 0, la puissance de garantie est
égale à 100%. La disponibilité
disponibilité des deux transformateurs garde la même valeur mentionnée
au tableau 16.. Donc la table de probabilité conditionnelle du premier transformateur est
donnée dans le tableau 4-16
16.

TR1
charge Disp Non Disp
Nominal 0.999739 0.000261
Surcharge 0 1

Tableau 4-16 : Table de probabilité conditionnel de TR1 pour le réseau initial.


initial

• Modèle de transition :

Le modèle de transition
transi est défini en calculant la variation
ation de la puissance de
garantie. Onn sait bien que la puissance appelée
appelé augmente à chaque pas de temps, alors que
la puissance de garantie diminue.
diminue

85
Chapitre IV : Modélisation d’un réseau électrique par un RBD

Maintenant, il faut construire la table de probabilité de la variable « charge » à


l’instant t + 1. Cette variable ne dépend que de sa modalité à l’instant t. On a dit
précédemment que la puissance de garantie est égale à 15.7 MVA et que l’augmentation de
la charge est de 2.2 MVA par an, soit 14%. Donc la PG diminue à 86% de son ancien
valeur.

Dans le modèle de transition qui est défini par le tableau suivant :

Charge à l’instant t+1


Charge à l’instant t Nominal Surcharge
Nominal 0.86 0.14
Surcharge 0 1

Tableau 4-17 : Modèle de transition de notre RB.

La simulation est faite sur 30 pas de temps. Chaque pas représente une année.
L’évolution de la disponibilité des deux transformateurs est représentée sur la figure
suivante :

Figure 4-13 : Disponibilité des transformateurs en fonction de la charge.

La figure au dessus montre l’évolution de la disponibilité de TR1 et TR2 au bout du


temps. Ces résultats donnent une image sur la disponibilité des deux transformateurs en
fonction de la charge. On remarque que la disponibilité de l’ouvrage diminue rapidement,
puisque les transformateurs se chargent de la même manière. Au bout de 20 ans la

86
Chapitre IV : Modélisation d’un réseau électrique par un RBD

disponibilité deviennent mois de 10%, donc notre ouvrage devient incapable d’assurer la
puissance appelée.

L’étude effectuée précédemment, ne reflète pas la réalité, car les deux


transformateurs n’ont pas des charges équivalentes. Le premier est chargé par 26 MVA et
le second par 18.3 MVA.

A la lumière de cette nouvelle, on refait la simulation et on trouve :

Figure 4-14 : Disponibilité de chaque transformateur en fonction de la charge.

La courbe en vert représente l’allure du premier transformateur et celle en bleu


celui du deuxième.

D’après ces résultats le TR2 est plus ou moins disponible que TR1 au bout de 2015,
cela revient à la charge appelée au TR1 qui est supérieur au TR2. Après 20 ans les
transformateurs deviennent fortement chargés, dont la disponibilité qui n’excède les 10%.

87
Chapitre IV : Modélisation d’un réseau électrique par un RBD

Le réseau Bayésien finale est celui présenté dans la figure 4-15.

Figure 4-15
4 : RB modélisant l’augmentation de la charge.

88
Chapitre IV : Modélisation d’un réseau électrique par un RBD

L’augmentation de la charge à un impact direct sur la disponibilité des deux


transformateurs HTB/HTA. Si la charge est supérieure à la puissance installée (PI), on aura
un arrêt des transformateurs qui peut être exprimé par les délestages.

IV.6.4. Satisfaction des consommateurs :

On a relevé après simulation, la courbe de disponibilité des consommateurs issue


des postes ACC et Maçonnés ainsi que l’ensemble. Les résultats sont présentés dans la
figure 4-16.

Figure 4-16: Disponibilité de ConsACC, ConsMAC et Cons.

On remarque d’après ces résultats que les consommateurs deviennent moins


satisfaits tant que la charge augmente. Les consommateurs issus des postes Maçonnés sont
un peu plus alimentés en énergie par rapport aux autres consommateurs, par exemple en
2015, PConsMAC = 53.9% contre PConsACC = 38.5%. Cela revient au fait que les postes
MAC sont alimentés par deux sources en redondances.

89
Chapitre IV : Modélisation d’un réseau électrique par un RBD

IV.7. Conclusion :

L’objectif de cette partie a consisté à modéliser un réseau de distribution d’énergie


électrique. L’estimation des indices de fiabilité et de disponibilité de ce réseau est faite en
intégrant des variables climatiques. Dans notre étude, on a intégré une autre variable, qui
s’exprime par la variation de la charge et une modélisation par RB a été faite. Les résultats
obtenus sont encourageants et on constate qu’on peut utiliser ce RB pour l’estimation de la
disponibilité et pour l’aide au diagnostique.

90
Conclusion générale
Conclusion générale

L’objectif de notre étude consiste à modéliser la fiabilité et la disponibilité d’un


réseau de distribution HTB/HTA. Pour cela, on a utilisé une méthode graphique
probabiliste, en l’occurrence les Réseaux Bayésiens (RB).

Les RB permettent de modéliser les événements incertains, dont la partie graphique


permet de faire une analyse qualitative du système. Les RB ont donc le grand avantage de
représenter la causalité en reliant la cause à l’effet. La partie probabiliste donne une image
quantitative des événements.

Nous avons rappelé dans la première partie les notions de la fiabilité ; cette dernière
n’est qu’un paramètre de la sureté de fonctionnement. L’estimation de la fiabilité et de la
disponibilité des systèmes est caractérisée par un ensemble d’indices : MTBF, MTTR et
MUT. L’ensemble de ces indices est exploité pour définir les paramètres de notre Réseau
Bayésien.

La modélisation par les Réseaux Bayésiens, se fait en deux étapes : la construction


du graphe de causalité et l’intégration des tables de probabilité de chaque variable. Pour
cela, il est nécessaire d’avoir une bonne connaissance sur la structure du système étudié
ainsi que sur les probabilités de défaillance de chaque composant.

L’estimation de la fiabilité d’un réseau de distribution nécessite une analyse de


l’historique des pannes pour en extraire les taux et les indices précédemment décrits. En
plus, on a fait une analyse des données Météo pour avoir une idée sur les causes probables
d’incidents.
Un Réseau Bayésien dynamique, a été utilisé pour modéliser l’évolution de la
puissance demandée. Cette dernière est calculée à la base de l’historique de charge. Les
résultats montrent que cette augmentation a un impact sur la disponibilité des
transformateurs et permet aussi de voir la satisfaction des consommateurs.

En perspectives, pour avoir des résultats plus efficaces, il est nécessaire d’intégrer
d’autres phénomènes à savoir : l’usure, l’effet de la température…etc. L’utilisation de
nouveaux outils en matière logiciels tel que, BaysiaLAB et enfin utiliser l’extension des
Réseaux Bayésiens Dynamiques en MGD (Modèle Graphique de Durée).
Références bibliographiques
Références Bibliographiques

[A.Aa] A. Abdallah. «Extending reliability block diagrams to software architectures».


Research report, Center for Software Engineering, Computer Science Department,
University of Southern California, Los Angeles (CA), USA, 1997.
[AFNOR] AFNOR, « Association française de normalisation ». Groupe AFNOR, Paris,
1991.
[A.R] Alain ROBERT « Qualité de l'électricité dans le marche libéralise », Séminaire
UCL, Université de Liège, 2010.
[B.B] Bruno Bouzy, « Réseaux Bayésiens». Tutorial Slides, 2008.

[B.Z] Boudoukara Zohra, «Méthodologie d’évaluation de maintenance pour les systèmes


de production», Mémoire de magistère, ENSET 2008.

[E.C] Emmanuel CABAN, « Introduction à la conception de la sureté », Cahier technique


Schneider électrique N° 144, édition juin 1999.
[F.C] F. Corset. « Aide a l’optimisation de maintenance a partir de réseaux bayesiens et
fiabilité dans un contexte doublement censure », PhD thesis, Université Joeseph Fourier,
Grenoble, 2003.

[F.V.J, T.D.N] Finn V. Jensen and Thomas D. Nielsen, «Bayesian Networks and Decision
Graphs», Edition Springer 2007.
[G.C, F.C, A.L, B.R] G. Celeux, F. Corset, A. Lannoy, B.Ricard, « Designing a Bayesian
Network for preventive maintenance from Expert Opinions in a Rapid and Reliable
Way », EDF R&D Department MRI 6, 2009

[G.D, JM, M.S, M.B, F.B, S.T] G.Dreyfus, J.Martinez, M.Samuelides, M.B.Gordon,
F.Badran, S.Thiria «Apprentissage statistique», Edition Eyrolles, 3e édition, 2008.

[I.O.A.H] Ibrahim Omar Ali Habibullah, «Power System Generation Reliability», Master
of science, King Fahd University of Petroleum & Minerals, Saudi Arabia 1987.

[J.B] Jacques BATUT, « Fiabilité des réseaux électriques », Cahier / Groupe Réseaux n°9,
pp. 33-42, 1987.
[J.K.M, G.C, K.T] J. K. Muppala, G. Ciardo, and K. Trivedi. «Stochastic reward nets for
reliability prediction». Dept. of Computer Science, The Hong Kong University of Science
and Technology, 1994.
Références Bibliographiques

[J.S] Johan Setréus, «On Reliability Methods Quantifying Risks to Transfer Capability in
Electric Power Transmission Systems», Licentiate Thesis in Electrical Systems Stockholm,
Sweden 2009.

[J.V] Jérôme VALLON, «Introduction à l’étude de la fiabilité des cellules de


commutation à IGBT sous fortes contraintes », thèse doctorat, Institue National
Polytechnique de Toulouse, 2003
[K.B.K, A.E.N] Kevin B.Korb, Ann E.Nicholson, «Bayesian Artificial Intelligence»,
Edition CHAPMAN & HALL/ CRC, 2004.

[K.G] Kosta Gaitanis, «Analyse de comportements par Réseaux Bayesiens Dynamiques»,


Mémoire d’ingéniorat en électrotechnique, Université Catholique de Louvain, 2004.

[K.P.M] Kevin Patrick Murphy, «Dynamic Bayesian Networks: Representation, Inference


and Learning», Doctor Thesis university of California, Berkeley 2002.

[L.J] Lionel Jouffe, «Réseaux Bayésiens dynamiques, Apprentissage de politiques


d'actions»,BayesiaLab SA, 2009.

[L.S] Linda Smail, « Algorithmique pour les Réseaux Bayésiens et leurs Extensions».
Thèse doctorat, Université de Marne-la-Vallée, 2004.
[MIL-HDBK-217F ] MIL-HDBK-217F, « Military handbook reliability prediction of
electronic equipment », Department of Defense Washington, 1991.
[N.D.S] Nozer.D.Singpurwalla « Reliability and Risk A Bayesian Perspective » The
George Washington University, Washington DC, USA, 2006.

[O.N.E] Office National de l’Energie « Aperçu des cadres de gestion de la fiabilité du


service d’électricité au Canada » l’Office national de l’énergie, juin 2004.
[O.P, J.E] Olivier PARENT, Julien EUSTACHE «Les Réseaux Bayésiens A la recherche
de la vérité », Cours Cognition et connaissance - Alain MILLE, Université Claude Bernard
Lyon 1, 2007.
[OREDA] OREDA, «Offshore Reliability Data Handbook», 4eme edition, 1997.
[P.J.O] Philippe junior OSSOUCAH, « Analyse paramétrique des réseaux électriques sur
MATLAB », maîtrise ès-sciences appliquées, Ecole polytechnique de Montréal, 2010.
[P.L] Philippe LERAY, «Réseaux bayésiens : apprentissage et modélisation de systèmes
complexes», Université de Roue UFR des Sciences, 2006.
[P.N] P.Naim « Réseaux Bayesiens », Edition Eyrolles, 3e édition, 2007.
Références Bibliographiques

[R.A.S, K.S.T] R.A. Sahner and K.S. Trivedi. «A hierarchial, combinatorial-Markov


model of solving complex reliability models». In Proceedings of 1986 ACM Fall joint
computer conference, pages 817–825, 1986.
[R.N.A] R. N. Allan et al, « Bibliography on the application of probability methods in
power system reliability evaluation», IEEE Transactions on Power Systems, vol. 14, pp.51-
57, 1999.
[S.M.S, J.P.W, M.G] S.M. Shatz, J.P. Wang, and M. Goto. «Task allocation for
maximizing reliability of distributed computer systems ». In IEEE Trans. Computers,
volume 41, pages 156–168, 1992.
[S.V] Sylvain VERRON, «Diagnostic et surveillance des processus complexes par
Réseaux Bayésiens», Université d’Angres, 2007.

[Y.B] Yasmina BERROU, « Evaluation de la fiabilité des systèmes temps réel distribués
embarqués », Mémoire de Magistére, Universite El Hadj Lakhdhar Batna, 2009.
[W.G] William GOBLE, « Control systems safety evaluation and reliability », The
International Society of Automation (ISA), 2nd edition, 1998.
[W.Z] Wei Zhang, «Reliability Evaluation of Bulk Power Systems using Analytical and
Equivalent Approaches», Thesis university of Saskatchewan, Saskatoon 1998.
Annexes
Annexes

Annexe 1 : Comparaison des Réseaux Bayésiens avec d’autres méthodes

Du point de vue des applications, les avantages et inconvénients des réseaux Bayésiens par
rapport à quelques-unes des techniques concurrentes peuvent se résumer sur le tableau ci-dessus
[P.N]. Nous avons regroupé avantages et inconvénients selon les trois rubriques utilisées
précédemment, l’acquisition, la représentation et l’utilisation des connaissances. La représentation
adoptée est la suivante :

• À chaque ligne correspond une caractéristique, qui peut être un avantage, ou la prise en
compte d’un problème spécifique.

• Si la technique considérée permet de prendre en compte ce problème, ou présente cet


avantage, un signe + est placé dans la case correspondante.

• Un signe ⋆ est placé dans la case de la meilleure technique du point de vue de la


caractéristique considérée.

Analyse de Réseau de Arbre de Système Réseaux


Connaissances
données Neurone décision s experts Bayésiens
Expertise seulement *
Données seulement + * + +
Acquisition

Mixte + + + *
Incrémental + *
Généralisation + * + +
Données incomplètes + + *
Incertitude + *
Représentation

Lisibilité + + *
Facilité + *
Homogénéité *
Requêtes élaborées + + *
Utilisation

Utilité économique + + *
Performances + *

Tableau A-1 : Avantages comparatifs des réseaux bayésiens.


Annexes

Annexe 2 : Historique d’incidents d’un réseau de distribution durant l’année 2009. Lire
sur ce tableau ; La date, l’heur et la duré d’incident. Le départ, le siège et le code de
l’ouvrage. La température(T), l’humidité(H), vitesse du vent(V) et d’autre paramètres
climatiques tel que, pluie, orage ou brouillard.

Date Heur Durée Départ Siège Ouvrage T H V C Cause


02/01/09 12h25 40mn A/M1 Ligne aérien P337 14 E 9 P Autre animaux
03/01/09 16h35 21mn O/S Ligne aérien Tr 188 14 E 26 P Travaux des tiers
10/01/09 04h20 35mn O/R Bte Ext Inter P630 12 E 24 P Humidité
12/01/09 14h00 14mn O/S Ligne aérien Tr 188 12 E 26 P Travaux des tiers
13/01/09 13h00 30mn O/S Ligne aérien Tr 01 15 E 30 P Travaux des tiers
18/01/09 16h00 30mn O/M Ligne aérien Tr 04 14 E 18 Branche d'arbre
23/01/09 15h30 1h40 A/M1 Ligne aérien Tr 93 17 E 44 P Vent violent
23/01/09 20h50 37mn RL Ligne aérien Tr 782 17 E 44 P Usure
23/01/09 21h52 44mn A/M1 Coté Boukadir 17 E 44 P
25/01/09 21h05 20mn RL Ligne aérien Tr 142 16 E 30 P Usure
27/01/09 07h50 25mn RL Bte Ext Inter P1217 15 E 48 Usure
02/02/09 00h53 22mn O/S RAS 20 E 30
02/02/09 23h40 19mn O/M RAS 20 E 30
06/02/09 11h56 28mn O/R Cable MTS Tr 779 11 E 26 Usure
07/02/09 10h40 40mn O/S RAS 12 E 41 P
17/02/09 09h26 18mn O/R Cable MTS Tr 45 15 E 22 Travaux des tiers
17/02/09 23h30 28mn RL RAS 15 E 22
21/02/09 18h50 23mn RL Bte Ext Inter P405 15 E 24 Usure
22/02/09 15h45 18mn RL Cable MTS Tr 267 15 E 18 Usure
04/03/09 21H02 44mn A/M1 Ligne aérien Tr 99 15 E 56 P Intempéries
04/03/09 22h21 39mn A/M1 Ligne aérien Tr 136 15 E 56 P Tempete de vent
06/03/09 19h15 17mn A/M1 Bte Ext Inter P 1267 14 E 56 P,O Usure
06/03/09 19h20 2h26mn O/M RAS 14 E 56 P,O
07/03/09 11h20 33mn A/M1 Ligne aérien Tr 19 E 26
07/03/09 14h10 15mn O/R Cable MTS Tr 786 19 E 26 Usure
10/03/09 02h45 32mn A/M1 Ligne aérien Tr 147 20 E 11 B Tempete de vent
20/03/09 09h50 19mn RL Ligne aérien P105 21 E 13 B Autre animaux
30/03/09 02h05 21mn A/M1 Bte ext ext Tr 178 17 E 26 P Usure
04/04/09 07h30 1h33mn A/M1 Cable MTS Tr 32 18 E 9 Usure
04/04/09 08h12 6mn O/R Cable MTS Tr 104 18 E 9 Travaux des tiers
04/04/09 13h15 15mn O/R Cable MTS Tr 111 18 E 9 Travaux des tiers
07/04/09 11h19 11mn Mz, BCR, RL, O/R TR 01 (60/30kv) 18 E 26 P,O
13/04/09 14h12 7mn Mz, BCR, RL, O/R TR 01 (60/30kv) 19 E 22
15/04/09 22h49 1h03mn O/S poste MT/BT p110 22 E 18 coup de foudre
15/04/09 22h49 6mn Mz, BCR, RL, O/R TR 01 (60/30kv) 22 E 18
16/04/09 18h20 55mn A/M1 Ligne aérien Tr 93 22 E 30 O Tempete de vent
17/04/09 14h13 23mn O/S poste MT/BT P1045 19 E 30 nid d'oiseau
20/04/09 06h53 22mn A/M1 poste MT/BT P121 19 E 17 B,O autre atmospherique
23/04/09 06h20 20mn Mz, BCR, RL, O/R Poste HT/MT TR 01 (60/30kv) 24 E 22
27/04/09 00h47 26mn O/S Ligne aérien Tr 91 20 E 30 P tempete de vent
28/04/09 19h10 18mn Ga poste MT/BT P1207 21 E 37 Autre animaux
04/05/09 10h15 1h30mn O/S Ligne aérien Tr 18 27 M 24 Travaux des tiers
09/05/09 03h20 20mn RL Cable MTS Tr 163 30 E 32 O Travaux des tiers
12/05/09 14h01 21mn A/M1 31 E 33 O
14/05/09 13h55 15mn A/M1 Cable MTS Tr 92 22 E 18 P Usure
14/05/09 15h30 30mn O/S Ligne aérien Tr 18 22 E 18 P Travaux des tiers
20/05/09 15h55 25mn O/M 40 B 26
21/05/09 17h15 20mn A/M1 poste MT/BT P 319 41 B 22 nid d'oiseau
22/05/09 19h08 10mn O/M 41 E 22
Annexes

25/05/09 08h05 15mn O/S poste MT/BT p 1199 28 M 28 nid d'oiseau


26/05/09 19h03 13mn RL, O/R, BCR, A/M poste HT/MT TR 01 (60/30kv) 29 M 28
28/05/09 20h03 7mn O/M, O/S, A/M, GA poste HT/MT TR 01 (60/30kv) 30 M 41
02/06/09 10h02 14 mn A/M1 poste MT/BT p 1169 35 M 24 nid d'oiseau
03/06/09 15h16 16mn RL Cable MTS Tr 1363 34 E 18 Travaux des tiers
07/06/09 03h06 29mn RL Cable MTS Tr 846 28 M 19 Usure
08/06/09 10h32 13mn o/m Cable MTS p 247 31 M 26 Usure
12/06/09 03h15 20mn O/R Cable MTS Tr 55 42 M 22 Usure
12/06/09 15h07 33mn A/M1 Ligne aérien Tr 9 42 M 22 err de concept
13/06/09 10h35 27mn O/M Ligne aérien Tr 07 42 E 26 autre
14/06/09 14h30 12mn O/S Ligne aérien Tr 122 34 B 26 P,O incendie
20/06/09 05h50 35mn O/S Ligne aérien p1199 38 E 37 nid d'oiseau
20/06/09 08h17 19mn A/M2 Cable MTS Tr 179 38 E 37 Usure
21/06/09 09h42 15mn O/R Cable MTS Tr 104 34 E 26 O Travaux des tiers
21/06/09 16h30 25mn A/M1 poste MT/BT P 357 34 E 26 O inconnue
24/06/09 19h45 12mn O/R poste MT/BT P119 37 B 32 surcharge
26/06/09 08h40 24mn RL Cable MTS Tr 163 31 M 32 Travaux des tiers
02/07/09 17h30 20mn A/M1 bte ext ext P571 40 B 30 Usure
04/07/09 06h45 37mn O/R Cable MTS Tr 802 40 B 30 autre
04/07/09 23h05 55mn O/S Cable MTS Tr 104 40 B 30 autre
05/07/09 09h30 15mn RL Ligne aérien P1260 39 B 30 Autre animaux
07/07/09 08h53 24mn RL Cable MTS Tr 163 38 B 26 Travaux des tiers
08/07/09 12h54 55mn RL, BCR, A/M, O/M, O/S TR 2 (60kv) 36 B 26 Délestage
13/07/09 12h54 47mn O/S, A/M, RL, O/M, GA TR 2 (60kv) 42 E 22 Délestage
15/07/09 14h45 35mn O/S, A/M, RL, O/M, GA TR 2 (60kv) 39 B 26 Délestage
22/07/09 11h50 23mn O/S Ligne aérien Tr 06 46 B 26 Branche d'arbre
22/07/09 13h45 11mn O/M Ligne aérien Tr 175 46 B 26 Branche d'arbre
23/07/09 19h56 24mn A/M1 Cable MTS Tr 92 45 M 18 autre
25/07/09 02h35 31mn O/S Ligne aérien p1296 41 B 30 autre
28/07/09 16h37 18mn O/R Cable MTS Tr 15 40 M 18 autre
28/07/09 22h20 20mn O/S Cable MTS Tr 61 40 M 18 autre
01/08/09 18h54 19mn O/R Cable MTS Tr 780 37 E 33 autre
09/08/09 18h31 17mn A/M2 Cable MTS Tr 179 36 M 33 Usure
10/08/09 23h30 28mn O/M Ligne aérien P647 38 M 44 P,O tempete de vent
11/08/09 18h00 30mn O/S Ligne aérien P1296 39 M 52 tempete de vent
12/08/09 17h15 20mn O/M Ligne aérien Tr 04 34 E 26 Usure
17/08/09 14h35 18mn O/S Ligne aérien P300 37 E 30 inconnue
19/09/09 17h20 15mn RL Ligne aérien Tr 108 26 M 33 fil de fer
25/09/09 15h35 19mn O/R Cable MTS Tr 109 30 E 18 autre
28/09/09 07h05 30mn O/S Ligne aérien P1126 23 E 32 P autre atmospherique
01/10/09 08h50 29mn A/M1 Ligne aérien Tr 180 27 M 33 autre
07/10/09 10h30 12mn RL Ligne aérien Tr 395 36 B 22 Travaux des tiers
10/10/09 12h50 14mn RL Cable MTS Tr 599 28 E 33 Travaux des tiers
12/10/09 07h52 26mn A/M1 Ligne aérien Tr 46 29 E 22 Autre animaux
13/10/09 17h17 13mn RL Ligne aérien Tr 782 28 M 41 véhicule
17/10/09 20h28 15mn RL poste MT/BT P258 25 M 22 autre
18/10/09 18h10 12mn O/M Ligne aérien p1197 24 M 30 MVT TERRAIN
22/10/09 18h05 25mn A/M2 Ligne aérien IACM J3308 24 E 96 Usure
17/11/09 10h15 17mn A/M1 bte ext inter P128 28 B 28 Usure
26/11/09 15h30 30mn A/M2 Cable MTS Tr 150 20 M 13 Usure
30/11/09 03h05 25mn O/S Ligne aérien Tr 256 15 E 41 P,O Branche d'arbre
30/11/09 09h17 1h33mn tous poste HT/MT TR 1, TR2 15 E 41 P,O

Tableau A-2 : Historique d’incidents enregistrer durant l’année 2009.


Annexes

Annexe 3 : La structure du poste de distribution HTB/HTA étudie est donné dans la


figure au dessous :

Ar1 Ar2
POSTE
60KV HTB/MTA 60KV

ST1 ST2

SL1 SL2

DL1 DL2

SA1 SA2

SB1

SBB1 SBB2
SNHT1 SNHT2

TR 1 TR 2

SNMT1 SNMT2
STR1 STR2

DA1 DA2

DCP

DD DD DD DD DD DD DD DD DD DD DD DD DD

Rés Dép1 SKID Dép2 Dép3 Dép4 Rés Dép5 Dép6 Dép7 Dép8 Rés Rés

Figure A-1 : Structure d’un réseau de distribution HT/MT ZAOUIA


Annexes

Avec :

• SL1, SL2 : Sectionneurs des lignes 60 kv.


• DL1, DL2 : Disjoncteurs des lignes 60 kv.
• SA1, SA2 : Sectionneurs des Arrivées 60 kv.
• SNHT1, SNHT2 : sectionneurs neutres coté HTB.
• SNMT1, SNMT2 : sectionneurs neutres coté HTA.
• STR1, STR2 : sectionneurs de transformateur.
• DA1, DA2 : Disjoncteurs arrivées 1 et 2.
• DCP : Disjoncteur de couplage.
• DD : Disjoncteur de départ.