OMICRON Magazine

Augmentez la pertinence de vos données de test. L’apprentissage automatique favorise la précision et révèle les écarts potentiels dans les résultats de test à un stade précoce. Avez-vous déjà remis en cause la qualité de vos données de test ? Chacun d’entre nous sait que la fiabilité des données est un outil essentiel pour notre travail quotidien. Un test effectué correctement, les données de test qui en résultent et l’évaluation précise des résultats de test sont notamment essentiels pour une évaluation fiable de l’état des équipements. Pour ne citer qu’un exemple : l’analyse de la réponse au balayage en fréquence (SFRA) est une méthode puissante et sensible pour vérifier l’intégrité mécanique et électrique d’un transformateur de puissance. De légers écarts entre le test initial et la mesure suivante peuvent conduire à une conclusion erronée sur l’état d’un équipement. Il est donc crucial de valider les données dès le départ. DES DONNÉES DE MEILLEURE QUALITÉ GRÂCE À L’INTELLIGENCE ARTIFICIELLE Qu’est-ce qui nous pousse à douter de la qualité des données de mesure ? C’est une bonne question car il existe suffisamment de valeurs de référence auxquelles les résultats des tests peuvent être comparés, comme les données du Cigre, des résultats de tests initiaux ou réalisés sur des appareils identiques. Toutefois, la transition énergétique qui ne cesse de s’accélérer a un impact important sur l’infrastructure existante du réseau électrique. L’énergie électrique se décentralise grâce aux sources d’énergie renouvelables. Ainsi, le nombre de sources d’énergie et de points de connexion augmente. Les grandes charges inductives ou capacitives du réseau électrique sont remplacées par de nouvelles charges régulées. Par conséquent, le risque d’effets dangereux tels que les courtscircuits, les harmoniques et les transitoires sur le réseau électrique augmente. En raison de ces nouvelles contraintes sur les équipements, il est conseillé de vérifier soigneusement les variations de ces données de mesure. L’illustration montre le processus d’une évaluation fiable et digne de confiance. Couche 3 Données évaluées Couche 2 Données validées Couche 1 Données brute 40

RkJQdWJsaXNoZXIy NTkxNzY=