République Algérienne Démocratique et Populaire

Ministère de l’Enseignement Supérieur et de la Recherche Scientifique

Ecole Nationale Supérieure Polytechnique
Département de Génie Electrique
Laboratoire de Recherche en Electrotechnique

Thèse de Doctorat en Sciences

En Electrotechnique
Option : Réseaux Electriques

Thème :
LES ASPECTS DE LA FIABILITE DES SYSTEMES
ELECTRIQUES :
Analyse des données, Modélisation Semi-Markovienne et
Optimisation de la Maintenance
Soutenue publiquement le 06/07/2009 à l’ENSP par : MEDJOUDJ Rabah

Devant le jury composé de :

Président : A. MEKHALDI, Professeur ENSP d’Alger

Rapporteurs : D. AISSANI, Professeur U.A/MIRA Béjaia
A. BOUBAKEUR, Professeur ENSP d’Alger
Examinateurs :
A. AISSANI, Professeur USTHB Alger
K. BOUKHETALA, Professeur USTHB Alger
L. NEZLI, Maı̂tre de conférences ENSP d’Alger
H. MOULAI, Maı̂tre de conférences USTHB Alger
Invités :
A. BADACHE, Président Directeur Général O.S Sonelgaz
M. AMOROUAYECHE, Dr.Ing O.S Sonelgaz

ENSP B.P 182 EL Harrach 16200 Alger -2009-

  g
é“C
¨A¢®Ë@  @ Yë úΪ‚Ó  ð ø QK YÓ Q¯ñK éJ KAK. QêºË@ HA¾J  . ‚Ë@ éJ ¯ñ
 KñÓ áÓ IK@ñk úΫ èQ¢J‚Ë@
. .
ð èP@X@ , ék  YÒJË@ , HA
.  KAJJ.Ë@ ÉJÊm' Q.JªK . éJ ¯A¿ H@ P @Q¯ ©J’Ë éJ . ƒAJÖÏ @ HAJ KA¾Ó B@ á« éÊÓA  ƒ èQ¢
. éJ KAK. QêºË@ Ñ¢JË@ éJ ¯ñ KñÓ ÕæJ® K á« Aêʒ¯ áºÖß B H@  QÓ ð QK AªÓ á‚jJË@ ð HAJ  ÊÒªË@ ¡J¢m'
   Ì  
ú¯ AîD„®K I J.K @ úæË@ èYK Ym. '@ HAJJ®JË@ Ð@YjJƒ@ ‡K Q£ á« ÉÒªË@ @ Yë ú¯ ÑîE. É®ºJË@ Õç' Y®Ë
Ð@YjJƒAK. ék  YÒJË@ H A‚  @ Y®Ë . PAjÊKñƒ ðQå úΫ hAjJK Aê®J J¢ Õç' Y®Ë ð ø Qk @ HBAm  .×
. . . .
 ð . úÎÒªË@ PñëYJË@ HAJ
@XAJƒ@  Ë@ð HAÓ
 QKA¾JÓ èA«@QÓ ©Ó ¬ñ»PAÓ ÈñJ.K ð i.îDÓ ð ¬ñ»PAÓ H. ñʃ @
Y¯ éJ ÊÒªË@ Q¢JË@ éêk  áÓ HAJ
.  “ñK , éJ ®J ®k  HBAm  Ì éÓY  ®Ö Ï @ HA
 ®J J.¢JË@ l. ' AJK áÓ é«ñÒm × úÍ@
.
  
.ZAK. QêºÊË ¨ PñÓ ø B ÉÔ« é¢k ɾ‚  à @ áºÖß ð H PQK. @
éJ ‚KQË@ HAÒʾË@

. á‚jJË@ ð éKAJ’Ë@ ð , éJ K@ñ‚ªË@ ék  YÒJË@ , éJ ¯ñ
.
 KñÓ áÓ IK@ñmÌ '@ , éJ KAK QêºË@ HA¾J
. . .  . ‚Ë@
Abstract
The control of electrical systems reliability aspects alloys to managers and opera-
tors a comprehensive view on the appropriate tools for adequate decision making to
meet the challenges of both highly technological and vulnerable systems. Data analysis,
modeling, management and operational planning and optimization tasks are inseparable
from the electrical systems reliability assessment. These spots have been supported in
this work by using new techniques that have proven themselves in other areas and have
been successfully applied to the conditions of Sonelgaz. Models using Markov method
and Weibull-Markov approach taking into account failure mechanisms and degradation
process are developped. Based on real cases applications results, recommendations from
a practical point of view have been highlighted and can constitute a plan of action for
any distributor of electricity.
Keywords
Electrical systems, Reliability aspects, Stochastic modeling, Maintenance and Op-
timization.
Résumé
La maitrise des aspects de la fiabilité des systèmes électriques offre aux managers
et aux exploitants une vision globale sur les outils appropriés pour des prises de
décision adéquates pouvant répondre aux défis d’un environnement très technologique
et vulnérable. L’analyse des données, la modélisation, la gestion et la planification en
exploitation et l’optimisation sont des taches indissociables de l’évaluation de la fiabilité
des systèmes électriques. Ces tâches ont été prises en charge dans ce travail en se basant
sur des techniques nouvelles qui ont fait leurs preuves dans d’autres domaines et ont
été appliquées aux conditions de Sonelgaz. La modélisation a été établie en utilisant la
méthode de Markov et l’approche de Weibull-Markov en tenant compte des mécanismes
de défaillance et des processus de dégradation. Sur la base des résultats obtenus sur une
panoplie d’applications réelles, des recommandations pratiques ont été dégagées, pouvant
constituer un plan d’action pour tout distributeur d’énergie électrique.
Mots clés
Réseaux électriques, Aspects de la fiabilité, Modélisation stochastique, Maintenance et
Optimisation.
 TABLE DES MATIÈRES

Notations 1

Introduction Générale 16

1 Hiérarchie des niveaux de tension et mode de défaillance des

équipements électriques 22
1.1 Incidents majeurs (Cas des blackouts) . . . . . . . . . . . . . . . . . . . . . 23
1.1.1 Causes initiales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
1.1.2 Mécanisme des incidents . . . . . . . . . . . . . . . . . . . . . . . . 24
1.2 Grands principes et composantes d’un plan de défense . . . . . . . . . . . . 26
1.3 Pratiques internationales . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
1.3.1 Surcharges, cascades de surcharges . . . . . . . . . . . . . . . . . . 27
1.3.2 Ecroulements de tension . . . . . . . . . . . . . . . . . . . . . . . . 28
1.3.3 Chutes de fréquence . . . . . . . . . . . . . . . . . . . . . . . . . . 28
1.3.4 Ruptures de synchronisme . . . . . . . . . . . . . . . . . . . . . . . 29
1.4 Reprise de service . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
1.5 Evaluation du risque du blackout . . . . . . . . . . . . . . . . . . . . . . . 31
1.6 Réseaux de distribution . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
1.6.1 Présentation des réseaux de distribution . . . . . . . . . . . . . . . 32
1.6.2 Les postes moyenne tension/basse tension (MT/BT) . . . . . . . . 33
1.7 Protection des réseaux de distribution . . . . . . . . . . . . . . . . . . . . . 33
1.8 Présentation des réseaux de distribution étudiés . . . . . . . . . . . . . . . 34
1.8.1 Réseau 10 kV de la ville d’Alger . . . . . . . . . . . . . . . . . . . . 34
1.8.2 Réseau de distribution 30 kV de la ville de Béjaia . . . . . . . . . . 35
1.9 Recherche de défauts . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36

2
 1.9.1 Stratégies de réalimentation . . . . . . . . . . . . . . . . . . . . . . 37
1.9.2 Amélioration de la recherche de défauts . . . . . . . . . . . . . . . . 37

2 Formulations et définitions des fonctions et paramètres utilisés en fiabi-

lité des systèmes 39
2.1 Définitions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
2.1.1 Fonction Densité de Probabilité (PDF) . . . . . . . . . . . . . . . . 40
2.1.2 Fonction de Distribution Cumulée (CFD) . . . . . . . . . . . . . . . 40
2.1.3 Fiabilité . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
2.1.4 Taux de défaillance . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
2.1.5 Fonction taux de défaillance cumulé . . . . . . . . . . . . . . . . . 42
2.1.6 Temps moyens . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
2.2 Maintenabilité . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
2.3 Disponibilité . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
2.4 Maintenance . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
2.5 Classes de distributions continues . . . . . . . . . . . . . . . . . . . . . . . 46
2.5.1 La classe IFR (DFR) . . . . . . . . . . . . . . . . . . . . . . . . . . 47
2.5.2 La classe IFRA (DFRA) . . . . . . . . . . . . . . . . . . . . . . . . 47
2.5.3 La classe NBU (NWU) . . . . . . . . . . . . . . . . . . . . . . . . . 47
2.5.4 La classe DMRL (IMRL) . . . . . . . . . . . . . . . . . . . . . . . . 47
2.5.5 La classe NBUE (NWUE) . . . . . . . . . . . . . . . . . . . . . . . 47
2.5.6 La classe HNBUE (HNWUE) . . . . . . . . . . . . . . . . . . . . . 48
2.6 Classes de distributions discrètes . . . . . . . . . . . . . . . . . . . . . . . 48
2.7 Processus stochastique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
2.7.1 Processus de Markov . . . . . . . . . . . . . . . . . . . . . . . . . . 49
2.7.2 Processus de Poisson . . . . . . . . . . . . . . . . . . . . . . . . . . 50
2.7.3 Modèles de chocs . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50
2.7.4 Modèle de choc cumulatif . . . . . . . . . . . . . . . . . . . . . . . 52
2.7.5 Modèle de choc extrême . . . . . . . . . . . . . . . . . . . . . . . . 52
2.7.6 Modèle δ choc . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53

3 Mécanismes de défaillance et processus de dégradation 54

3.1 Dégradation au niveau des jeux de barres . . . . . . . . . . . . . . . . . . . 54
3.1.1 Contraintes thermiques . . . . . . . . . . . . . . . . . . . . . . . . . 55
3.1.2 Contraintes électromécaniques . . . . . . . . . . . . . . . . . . . . . 56
3.1.3 Contraintes électriques . . . . . . . . . . . . . . . . . . . . . . . . . 58
3.2 Dégradation au niveau des transformateurs . . . . . . . . . . . . . . . . . . 59
 3.2.1 Vieillissement des huiles de transformateur . . . . . . . . . . . . . . 59
3.2.2 Déformation des enroulements . . . . . . . . . . . . . . . . . . . . . 60
3.2.3 La combustion de la résine . . . . . . . . . . . . . . . . . . . . . . . 60
3.3 Dégradation au niveau des équipements de protection . . . . . . . . . . . . 60
3.3.1 Les contacts . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 60
3.3.2 Les diélectriques . . . . . . . . . . . . . . . . . . . . . . . . . . . . 63
3.3.3 La commande . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 64
3.4 Exemples d’application . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 64
3.4.1 Lois non-paramétriques du processus de comptage . . . . . . . . . . 67
3.5 Corrélations entre les modèles de chocs et les modèles de dégradations . . . 70

4 Apport et traitement du retour d’expérience 73

4.1 Constitution de la base de données . . . . . . . . . . . . . . . . . . . . . . 73
4.1.1 Données du retour d’expérience . . . . . . . . . . . . . . . . . . . . 73
4.1.2 Données censurées . . . . . . . . . . . . . . . . . . . . . . . . . . . 74
4.2 Modèles des séries chronologiques . . . . . . . . . . . . . . . . . . . . . . . 75
4.2.1 Définition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 76
4.2.2 Série chronologique stationnaire . . . . . . . . . . . . . . . . . . . . 76
4.3 Modèle de Box et Jenkins . . . . . . . . . . . . . . . . . . . . . . . . . . . 76
4.3.1 Étapes de la méthode de Box et Jenkins . . . . . . . . . . . . . . . 76
4.3.2 Le processus moyenne mobile d’ordre 1 (MA(1)) . . . . . . . . . . . 78
4.3.3 Le processus moyenne mobile d’ordre q . . . . . . . . . . . . . . . . 79
4.3.4 Le processus auto-régressif d’ordre 1(AR(1)) : . . . . . . . . . . . . 79
4.3.5 Processus auto-régressif d’ordre P(AR(P)) . . . . . . . . . . . . . . 80
4.4 Les modèles non stationnaires ARIMA et SARIMA . . . . . . . . . . . . . 80
4.5 Etude de cas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 81
4.5.1 Prévisions des pannes . . . . . . . . . . . . . . . . . . . . . . . . . 81
4.5.2 Prévisions de la demande en énergie . . . . . . . . . . . . . . . . . . 84
4.5.3 Tests sur la validité des coefficients du modèle . . . . . . . . . . . . 85
4.5.4 Test sur les résidus . . . . . . . . . . . . . . . . . . . . . . . . . . . 86
4.6 Evaluation des paramètres des lois de distribution . . . . . . . . . . . . . . 87
4.6.1 Test d’ajustement de Kolmogorov-Smirnov . . . . . . . . . . . . . . 87
4.6.2 Résultats d’ajustement des données . . . . . . . . . . . . . . . . . . 88
4.6.3 Indices de fiabilité des équipements . . . . . . . . . . . . . . . . . . 89
4.6.4 Résultats d’ajustement pour le poste . . . . . . . . . . . . . . . . . 90
4.7 Tests non-paramétriques . . . . . . . . . . . . . . . . . . . . . . . . . . . . 91
4.7.1 Test graphique basé sur la TTT-statistique . . . . . . . . . . . . . . 91
5 Modélisation de la défaillance et de la dégradation par les graphes
d’états 94
5.1 Défaillance aléatoire . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 94
5.1.1 Composant/système à deux états . . . . . . . . . . . . . . . . . . . 95
5.1.2 Système redondant . . . . . . . . . . . . . . . . . . . . . . . . . . . 96
5.1.3 Défaillance aléatoire avec maintenance . . . . . . . . . . . . . . . . 97
5.2 Processus de dégradation . . . . . . . . . . . . . . . . . . . . . . . . . . . . 98
5.2.1 Sans maintenance . . . . . . . . . . . . . . . . . . . . . . . . . . . . 98
5.2.2 Avec maintenance imparfaite . . . . . . . . . . . . . . . . . . . . . 98
5.2.3 Avec les maintenances imparfaite et parfaite . . . . . . . . . . . . . 99
5.3 Modélisation Markovienne . . . . . . . . . . . . . . . . . . . . . . . . . . . 101
5.4 Approche de Weibull-Markov . . . . . . . . . . . . . . . . . . . . . . . . . 102
5.5 Modélisation de Weibull-Markov . . . . . . . . . . . . . . . . . . . . . . . 103
5.5.1 Système de Weibull-Markov . . . . . . . . . . . . . . . . . . . . . . 106
5.6 Exemple d’application . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 106
5.6.1 Application au transformateur . . . . . . . . . . . . . . . . . . . . . 106
5.6.2 Interprétation des résultats . . . . . . . . . . . . . . . . . . . . . . 111

6 Analyse de la défaillance et de la perte de charge 112

6.1 Intérêt des méthodes combinatoires . . . . . . . . . . . . . . . . . . . . . . 112
6.1.1 Méthode de probabilité de perte de charge (LOLP) . . . . . . . . . 113
6.1.2 Méthode de probabilité de perte d’énergie (LOEP) . . . . . . . . . 113
6.2 Calcul des indices de fiabilité LOLP et LOEP . . . . . . . . . . . . . . . . 114
6.2.1 Taux de non-fonctionnement . . . . . . . . . . . . . . . . . . . . . . 114
6.2.2 Calcul des probabilités des états de capacités . . . . . . . . . . . . . 115
6.2.3 Calcul de la probabilité de perte de charge . . . . . . . . . . . . . . 116
6.2.4 Calcul de la probabilité de perte d’énergie . . . . . . . . . . . . . . 117
6.3 Calcul des indices de fiabilité d’un système de distribution . . . . . . . . . 118
6.3.1 Indices de fiabilité d’un point de charge/système . . . . . . . . . . . 118
6.3.2 Indices de fiabilité d’un système à structure bouclée . . . . . . . . . 120
6.4 Intérêt du calcul de répartition de puissance . . . . . . . . . . . . . . . . . 120
6.4.1 Calcul complexe de répartition de puissance en vue de la restructu-
ration du réseau . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 121
6.5 Expression de la fonction coût sans maintenance . . . . . . . . . . . . . . . 122
6.5.1 Les dépenses en investissements . . . . . . . . . . . . . . . . . . . . 122
6.5.2 Les frais d’exploitation . . . . . . . . . . . . . . . . . . . . . . . . . 123
6.5.3 La gêne économique . . . . . . . . . . . . . . . . . . . . . . . . . . 124
 6.6 Critères de décision . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 126
6.6.1 Critère de décision particulier à l’automatisation du réseau . . . . . 126
6.6.2 Application au réseau 10 kV de la ville d’Alger . . . . . . . . . . . . 127

7 Optimisation de la maintenance basée sur la fiabilité-disponibilité 131

7.1 L’OMF en Algérie et dans le monde . . . . . . . . . . . . . . . . . . . . . . 132
7.1.1 Rappel de la méthode . . . . . . . . . . . . . . . . . . . . . . . . . 133
7.1.2 Plans de maintenance . . . . . . . . . . . . . . . . . . . . . . . . . . 135
7.1.3 La réduction des coûts . . . . . . . . . . . . . . . . . . . . . . . . . 135
7.1.4 Organisation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 136
7.2 Optimisation de la maintenance sous contrainte de fiabilité . . . . . . . . . 136
7.2.1 Evaluation des temps de maintenance . . . . . . . . . . . . . . . . . 137
7.2.2 Optimisation de la maintenance . . . . . . . . . . . . . . . . . . . . 137
7.2.3 Variation de la fiabilité après chaque maintenance . . . . . . . . . . 141
7.2.4 Coût de la maintenance . . . . . . . . . . . . . . . . . . . . . . . . 143
7.3 Application au réseau de la ville de Béjaia . . . . . . . . . . . . . . . . . . 144

Conclusion Générale 151

Communications et publications dans le cadre de la thèse 159

 LISTE DES TABLEAUX

4.1 Les prévisions des consommations de pointes mensuelles . . . . . . . . . . 86

4.2 Résultats d’ajustement pour les durées de bon fonctionnement . . . . . . . . . 88
4.3 Résultats d’ajustement pour les durées de coupure . . . . . . . . . . . . . . 88
4.4 Indices de fiabilité des équipements . . . . . . . . . . . . . . . . . . . . . . 89
4.5 Résultats d’ajustement . . . . . . . . . . . . . . . . . . . . . . . . . . . . 90
4.6 Récapitulatif du test graphique . . . . . . . . . . . . . . . . . . . . . . . . 92

5.1 Probabilités des états sans maintenance . . . . . . . . . . . . . . . . . . . . 110

5.2 Probabilités des états avec maintenances . . . . . . . . . . . . . . . . . . . 110

6.1 Taux de non fonctionnement des GTA . . . . . . . . . . . . . . . . . . . . 115

6.2 Probabilités des états i de capacité Ci . . . . . . . . . . . . . . . . . . . . . 115
6.3 Probabilités des états combinés . . . . . . . . . . . . . . . . . . . . . . . . 115
6.4 Calcul de la probabilité des déficiences possibles . . . . . . . . . . . . . . . 117

7.1 Les paramètres des sous-systèmes série . . . . . . . . . . . . . . . . . . . . 144

7.2 Les bénéfices et les actions de maintenance choisies pour chaque sous-système145
7.3 Disponibilité et coûts . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 146
7.4 Les paramètres des sous-systèmes en pont . . . . . . . . . . . . . . . . . . 148
7.5 La disponibilité, les coûts et le programme de maintenance . . . . . . . . . 148

7
 TABLE DES FIGURES

1.1 Organisation d’un réseau électrique . . . . . . . . . . . . . . . . . . . . . . 23

1.2 Schéma d’un poste HT/MT classique (Avec un disjoncteur d’arrivée) . . . 33
1.3 Schéma unifilaire du poste source HT/MT (Amirauté) . . . . . . . . . . . 35
1.4 Organisation des équipements d’un réseau électrique . . . . . . . . . . . . . 36
1.5 Schéma d’un réseau avec des indicateurs de court-circuits . . . . . . . . . 38

2.1 Courbe en baignoire de la fonction taux de défaillance . . . . . . . . . . . 42

2.2 Taux de défaillance cumulé correspondant à DFR, CFR et IFR . . . . . . 43
2.3 Taux de défaillance cumulé correspondant au taux de défaillance de la
courbe en baignoire . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43

3.1 Erosion par l’arc électrique en fonction de l’énergie d’arc . . . . . . . . . . 62

3.2 Influence du diamètre des contacts sur le taux d’érosion. . . . . . . . . . . 63
3.3 Influence du soufflage magnétique sur la perte de masse. . . . . . . . . . . 63
3.4 Diagramme des états de transition d’un système sujet à trois processus de
panne . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 71

4.1 Courbe de prévisions pour les données du réseau 10 kV d’Alger. . . . . . . 83

4.2 Le graphe de la série . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 84
4.3 corrélellogramme et corrélogramme partiel des résidus . . . . . . . . . . . . 86
4.4 Graphe des prévisions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 87
4.5 Graphe des états (fonctionnement, panne, maintenance) . . . . . . . . . . . 90
4.6 Test graphique pour BEE, BEI, TR, câble souterrain, lignes aérienne,
Départ (ville1) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 92

5.1 Modèle de fiabilité d’un système à deux états. . . . . . . . . . . . . . . . . 95

8
5.2 Graphe des états d’un système à 02 composants en parallèle . . . . . . . . 96
5.3 Graphe avec un état intermédiaire. . . . . . . . . . . . . . . . . . . . . . . 97
5.4 Diagramme des états avec le processus de dégradation . . . . . . . . . . . . 98
5.5 Diagramme des états de transitions d’un système réparable avec un pro-
gramme de maintenance préventive. . . . . . . . . . . . . . . . . . . . . . . 98
5.6 Modèle homogène de Markov avec des états de dégradations . . . . . . . . . . 99
5.7 Modèle Weibull-Markov avec des états de dégradation. . . . . . . . . . . . 103
5.8 Premier modèle de dégradation Markovien . . . . . . . . . . . . . . . . . . 107
5.9 Deuxième modèle de dégradation Markovien . . . . . . . . . . . . . . . . . 108
5.10 Modèle de dégradation de Weibull-Markov . . . . . . . . . . . . . . . . . . 109

6.1 Courbe de durée de consommation pour l’évaluation de la LOLP . . . . . . 113

6.2 Courbe de durée de consommation pour l’évaluation de la LOEP . . . . . . 114
6.3 Diagramme des états i de capacités Ci . . . . . . . . . . . . . . . . . . . . . 116
6.4 Diagramme des états combinés. . . . . . . . . . . . . . . . . . . . . . . . . 116
6.5 Consommations de pointe prévues . . . . . . . . . . . . . . . . . . . . . . 116
6.6 Courbe cumulative de durée de charge. . . . . . . . . . . . . . . . . . . . . 117

7.1 Les fonctions d’un contact électrique . . . . . . . . . . . . . . . . . . . . . 133

7.2 Variation du taux de défaillance avec les différentes actions de maintenance 139
7.3 Organigramme de la maintenance préventive basée sur la disponibilité . . . 141
7.4 Variation de la fiabilité avec les différentes actions de maintenance . . . . 143
7.5 Variation de la fiabilité du transformateur . . . . . . . . . . . . . . . . . . 146
7.6 Variation de la fiabilité de la BEI . . . . . . . . . . . . . . . . . . . . . . . 147
7.7 Fiabilité du système . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 147
7.8 Variation de la fiabilité du transformateur1. . . . . . . . . . . . . . . . . . 149
7.9 Variation de la fiabilité du transformateur2. . . . . . . . . . . . . . . . . . 149
7.10 Variation de la fiabilité de la ville 1. . . . . . . . . . . . . . . . . . . . . . 149
7.11 Variation de la fiabilité de zone 1. . . . . . . . . . . . . . . . . . . . . . . 149
7.12 Variation de la fiabilité du système. . . . . . . . . . . . . . . . . . . . . . 149
 N otations Utilisées

F̄ (x) Fiabilité au temps t

F (x) Fonction de répartition de la variable aléatoire X
f (x) Fonction de densité de probabilité de la variable aléatoire X
H(x) Fonction taux de défaillance cumulé de la variable aléatoire X
E(x) Espérance mathématique de la variable aléatoire X
var(x) Variance de la variable aléatoire X
A(x) Fonction disponibilité
Aop Disponibilité opérationnelle
M (t) Densité de probabilité de réparation
g(t) Etat de dégradation, i = 1, 2, 3
λ(t) Taux de défaillance dépendant du temps. Si constant, λ(t)=λ
µ Taux de réparation, inverse de la MTTR. Si constant, µ(t) = µ
η Paramètre d’échelle de la loi de Weibull
β Paramètre de forme de la loi de Weibull
γ Paramètre de position de la loi de Weibull
Dks Statistique empirique du test de Kolmogorov-Smirnov
d(n, 0.05) Quantile tabulé du test de Kolmogorov-Smirnov avec un seuil de signification égal
à 0.05
Γ(.) Fonction Gamma
P̄k Probabilité de survie de l’équipement à k choc
P (i) Probabilité de séjours dans l’état i
E(Di) Temps moyen de séjours dans l’état i
F (i) Fréquence de séjours dans l’état i
π(n) Vecteur des probabilités des états
Tp Temps optimal de maintenance pour le système
fi Fréquence de coupure/défaillance
Ti Durée moyenne de coupure d’un point de charge Lpi
Tα Temps équivalent de remise en service
W ni Energie non distribuée
hf Fréquence de coupure du système
Tc Durée moyenne de coupure d’un système
Hs Durée totale d’interruption par consommateur et par année
Wn Energie non distribuée du système
m1 , m2 Facteurs d’amélioration
Di Etat de dégradation, i = 1, 2, 3
Mi Etat de maintenance, i = 1, 2, 3
MP Maintenance préventive
MC Maintenance curative
1a Maintenance simple
1b Réparation partielle
2p Remplacement
ta Durée de la maintenance préventive
tb Durée de la maintenance curative
tbm Temps moyen de maintenance curative du système
Bik Bénéfice de la maintenance pour chaque sous-système/composant à la j ème étape
Cik Coût de la k ème action de maintenance du ième sous-système/composant
λi,j (t) Taux de défaillance du ième sous-système/composant à la j ème étape
F̄0 Fiabilité initiale
F̄j (t) Fiabilité du système/composant à la j ème étape
F̄0,j (t) Fiabilité initiale du système à la (j)ème étape
F̄0,j−1 (t) Fiabilité initiale du système à la (j − 1)ème étape
F̄f,j−1 (t) Fiabilité finale du système à la (j − 1)ème étape
F̄i,j+1 (t) Fiabilité du ième sous-système/composant à la (j + 1)ème étape
F̄i,j (t) Fiabilité du ième sous-système/composant à la j ème étape
F̄v,j (t) Caractéristique de dégradation de la fiabilité
ti,k,a Temps de la k ème action de maintenance preventive à la j ème étape
gk Coût d’investissement annuel actualisé d’un ouvrage k
g0 Coût d’investissement annuel de plusieurs ouvrages
KI Coût total d’investissement
Pmax Pertes maximales
Kk Coût annuel des pertes
Kv Coût total des pertes
Cd Coût de la défaillance
Cd (t) Coût de la défaillance est le coût de l’énergie non distribuée
Kw Coût total de l’énergie non distribuée
Kg Coût actualisé de la gêne économique
K Coût total actualisé
Gn Gain annuel obtenu par l’optimisation de n indicateurs de défauts
LOLP Probabilité de Perte de Charge (Loss of Load Probability)
LOEP Probabilité de Perte d’Energie (Loss of Energy Probability)
Cap IN Capacité en service
Cap OUT Capacité hors service
IFR Increasing Failure Rate
DFR Decreasing Failure Rate
IFRA Increasing Failure in Average
DFRA Decreasing Failure Rate in Average
IMRL Increasing Mean Residual Life
DMRL Decreasing Mean Residual Life
NBU New Better than Used
NWU New Worse than Used
NBUE New Better than Used in Expectation
NWUE New Worse than Used in Expectation
HNBUE Harmonically New Better than Used in Expectation
HNWUE Harmonically New Worse than Used in Expectation
MUT Mean Up Time, moyenne des temps de fonctionnement
MDT Mean Down Time, moyenne des temps des arrêts
MTBF Mean Time Between Failures, moyenne des temps entre défaillances
MTTR Mean Time To Repair, moyenne des temps de réparation
MRTF Mean Residual Time to Failure
MTTF Mean Time To Failure, Temps moyen de bon fonctionnement
BEE Boite extrémité extérieure
BEI Boite extrémité intérieure
BJ Boite de jonction
TR Transformateur
Ss Sous-système
 REMERCIMENTS
J’ai eu beaucoup de chance et c’est pour moi un privilège d’avoir travaillé
avec le professeur AISSANI Djamil, mon directeur de thèse. Il m’est difficile de trouver les
mots et les expressions adéquates pour le remercier pour sa générosité, son dévouement,
sa présence ininterrompue et ses judicieuses orientations.
Que le professeur BOUBAKEUR Ahmed, mon co-directeur de thèse,
trouve ici l’expression de ma profonde gratitude pour ses encouragements et sa dispo-
nibilité permanente. Je lui exprime ici mes amitiés les plus sincères.
Mes remerciements vont à M r A.MEKHALDI, professeur à l’ENSP pour
l’honneur qu’il me fait en présidant le jury de cette thèse.
Que Messieurs, A.AISSANI, professeur à l’USTHB, K.BOUKHETALA,
professeur à l’USTHB , L.NEZLI, Maı̂tre de Conférences à l’ENSP et H.MOULAI, Maı̂tre
de Conférences à l’USTHB, trouvent ici l’expression de ma gratitude pour l’intérêt qu’ils
ont manifesté à l’égard de mes travaux de recherche en acceptant de les juger.
J’adresse mes vifs remerciments aux cadres supérieurs de Sonelgaz, M me
M.AMOROUAYECHE Dr-Ing Opérateur Système et M r A.BADACHE, Président Direc-
teur Général Opérateur Système, pour avoir rehaussé ma soutenance par leur présence.
Je reconnais avoir effectué mes travaux de recherche dans un environne-
ment chaleureux et convivial, qu’offre le laboratoire Lamos. A cet effet, j’exprime toute
ma gratitude à son personnel administratif et à ses chercheurs et en particulier à M r
S.ADJABI, Maı̂tre de Conférences à l’université A.Mira Béjaia.
Mes remerciements vont à la Sonelgaz (Alger et Béjaia) dont je salue le
professionnalisme des dirigeants et du personnel à tous les niveaux de la hiérarchie. La
contribution de cette entreprise nationale a permis la valorisation des développements
théoriques par des applications.
Grace à la contribution de l’université de Béjaia et aux facilités de prises
en charges, j’ai pu faire valoir mes travaux de recherche dans des conférences internatio-
nales. Que son personnel, à tous les niveaux hiérarchiques, trouve ici l’expression de ma
gratitude.
Je tiens à remercier le staff du département de Génie électrique de L’ENSP
pour m’avoir accompagné durant ces années de préparation de thèse.
Mes remerciements vont à mes collègues et amis enseignants de l’université
de Béjaia qui n’ont cessé de m’encourager par l’expression de leur joie à chaque événement
lié à la progression de cette investigation.
Je me rappelle qu’à mes premiers pas en fiabilité des systèmes électriques,
j’étais encouragé par le professeur A. OUABDESSELAM. Je veux qu’il trouve ici l’ex-
pression de ma plus grande considération.
Je rend hommage à M me F. AISSANI, Maı̂tre de Conférences à l’université
A.Mira Béjaia qui n’a cessé durant tout ce long parcours, de me rappeler mes obligations
quant à l’aboutissement de ces travaux de recherche et pour ses précieux conseils.
Je termine par l’expression de ma gratitude à M elles L. AKLI et Z. BACHI,
Ingénieurs en R.O, pour leur précieuse contribution lors de la rédaction de cette thèse.
A Nassima, ma femme.
A mes enfants
Yasmine, Amine-Allah et Imene-Meryam.
 Introduction Générale

Le réseau électrique à pour rôle de permettre d’assurer un service d’électricité sûr,

fiable, durable et concurrentiel au plan des tarifs. Pour les décisions, le plus grand défi
est de bâtir des infrastructures afin de renouveler le réseau existant, de répondre à la
croissance de la charge et de combler les besoins de la clientèle.
Ces résultats s’apparentent étroitement à ceux d’un exercice stratégique récent au
cours duquel le conseil d’administration de notre Entreprise Nationale SONELGAZ a
déterminé les enjeux les plus puissants de l’industrie et a établi une feuille de route en vue
de les résoudre. Certains domaines prioritaires sont la réglementation, l’environnement,
l’efficacité énergétique, la technologie et la sûreté de fonctionnement.
Dans cette thèse nous nous penchons sur les défis liés aux constituantes de la sûreté
de fonctionnement en termes de fiabilité, de disponibilité de maintenabilité et de sécurité.
Une démarche globale et une approche générale des aspects de la fiabilité allant de
l’analyse des données jusqu’à l’optimisation en passant par la modélisation de la fiabilité
en exploitation des réseaux électriques ont été développées et appliquées aux systèmes
algériens.

Les aspects de la fiabilité revêtent un intérêt primordial de la part de nombreux

acteurs de différents horizons. Ils sont souvent traités sous l’égide d’un groupe de
travail multidisciplinaire [1]. On retrouve, des spécialistes en réseaux électriques (en
allant du design à l’exploitation en passant par la planification), des spécialistes dans le
traitement et l’analyse des données (en allant de leurs collecte jusqu’à l’interprétation
de leurs significations en passant par l’ajustement et la modélisation), des fiabilistes
maitrisant les volets d’analyse, d’engineering et d’optimisation, sans oublier les experts en
exploitation des systèmes. Le jugement des experts est prépondérant dans la validation
des résultats des investigations et dans l’élaboration des éventuelles recommandations

16
relatives à toute action de maintenance, de restructuration ou d’évolution dans les réseaux.

Les travaux de cette thèse obéissent à une organisation structurelle permettant en

une investigation donnée, l’exploitation des résultats de la précédente. Elle permet ainsi
de faire valoir l’approche globale faisant ressortir une cohérence entre les différents volets
traités. Ces travaux sont exposés en trois parties.

Dans les chapitres 1, 2 et 3, constituant la première partie des travaux de cette

thèse, nous développons les théories relatives aux systèmes électriques accompagnées
d’applications à deux réseaux algériens distincts : le réseau 10 kV de la ville d’Alger et le
réseau 30 kV de la ville de Béjaia.
Dans le chapitre 1, un intérêt particulier a été accordé aux incidents majeurs. Il s’agit
des blackouts, événements très redoutés par les compagnies d’électricité vu le préjudice
qu’ils peuvent causés.

Au chapitre 2, sont développés tous les éléments relatifs aux mesures de fiabilité, en
termes de distributions de probabilités, de paramètres et d’indices de fiabilité.
Au chapitre 3, et en vue de la maı̂trise des phénomènes de dégradation, une approche
sur les mécanismes de défaillance des systèmes électriques a été développée et où les
composants ont été traités individuellement.

La deuxième partie de notre thèse, englobe les chapitres 4 et 5. Les travaux relatifs
au traitement de données, à l’analyse fiabiliste et à l’établissement des prévisions sont
regroupés au chapitre 4. La modélisation Markovienne et l’approche de Weibull-Markov
ont fait l’objet du chapitre 5.

La troisième partie est consacrée à l’analyse de la défaillance et à l’optimisation.

Dans le chapitre 6, on retrouve les volets connus des systèmes électriques, à savoir, la
planification et l’exploitation. Quant au chapitre 7 deux approches distinctes y sont
développées relativement à la l’optimisation de la maintenance.

Position des travaux de thèse par rapport à la recherche actuelle.

1ère Partie

Chapitre 1
 Durant cette dernière décennie, plusieurs réseaux à travers le monde ont connu
des incidents majeurs laissant dans le noir des centaines de millions d’habitants. On
peut citer, les blackouts du nord de l’Amérique [2][3], du Brésil, d’Italie et d’Algérie
durant l’année 2003 [4]. Ces événements nous interpellent sur la nécessité d’une meilleure
compréhension des causes et l’obligation d’une réflexion profonde à une stratégie de
sauvegarde des équilibres entre la production et la consommation et la prévention de
ces événements redoutés. Plusieurs publications ont traité les blackouts, soit pour des
prévisions [5], soit pour constituer un plan de défense déterministe. Dans notre travail,
nous avons initié une approche probabiliste pouvant conduire à la prévention basée sur
un modèle de probabilité de perte de charge.

Relativement à la hiérarchie des niveaux de tension, les réseaux de distribution

requièrent un intérêt particulier, vu que plus de 90% des incidents enregistrés par les
consommateurs ont leur origine dans cette partie des réseaux [6][7]. L’une des opérations
les plus importantes dans l’exploitation de cette partie des réseaux est la recherche
de défauts. Cette opération a toujours constituée un défi pour son exécution et aussi
pour son amélioration. Elle est étroitement liée aux préjudices moral et financier causés
pour toute entreprise d’électricité. Ces détails ont été bien développés dans la référence [8].

Chapitre 2

En vue de modélisation, d’ajustement et d’analyse, les paramètres des fonctions de

distribution de probabilités et des indices de fiabilité doivent être définis et connus.
Deux types de distribution sont souvent utilisées en fiabilité des systèmes électriques,
à savoir : la loi exponentielle et la loi de Weibull. La première est basée sur plusieurs
hypothèses simplificatrices et conduit à l’introduction de la méthode de Markov dans
la modélisation stochastique. Dans plusieurs cas d’études, les résultats sont jugés trop
éloignés de la réalité [9][10]. La deuxième loi considérée est celle de Weibull, jugée flexible
et générale. Elle constitue une alternative et est liée directement à une nouvelle approche,
qui est celle de Weibull-Markov [11][12][13].
Un rappel sur les indices classiques est donné quant à l’évaluation de la fiabilité en
terme de valeurs moyennes [13] [14].
Le test de Kolmogorov-Smirnov a été aussi introduit pour juger la validité d’accepta-
tion ou de rejet d’une distribution lors du processus d’ajustement [14].
 Chapitre 3

D’une manière générale, que ce soit pour les systèmes de production, de transport
ou de distribution, dans la théorie, on retrouve la représentation binaire (fonctionne-
ment/panne) des diagrammes de fiabilité [15][16]. Dans certaines publications récentes,
des chercheurs ont évoqué les systèmes multi-états mettant en évidence la présence d’états
intermédiaires entre le fonctionnement et la panne finale [17][18]. Ces états constituent
la dégradation. Dans ce chapitre il est fait état des mécanismes de défaillance et des
différents types de dégradations pouvant se manifester sur les équipements électriques.
L’idée principale de cette investigation a été introduite par Pierrat dans la référence [9].
Elle a été bien développée dans cette thèse premièrement dans ce chapitre, traitant des
phénomènes physiques puis reprise dans la 2ème partie pour la modélisation stochastique.

2ème Partie
Chapitre 4

Dans ce chapitre, est effectuée l’analyse des données dont les objectifs majeurs sont
l’évaluation des paramètres des lois de distributions et le calcul des indices de fiabilité
en termes de valeurs moyennes des nombres de coupures et de leurs durées d’une part et
l’élaboration des modèles de prévisions d’autre part [19].
Des travaux récemment publiés [10][20] modélisent les données suivant la loi expo-
nentielle. Les résultats obtenus attestent que cette dernière n’est pas à 100% adéquate,
car elle ne prend pas en considération tout le cycle de vie de l’équipement. Les travaux
que nous avons réalisés à ce sujet, confirment cette tendance, car l’ajustement des
paramètres par la loi de Weibull a été confirmé par le non rejet en se basant sur le test de
Kolmogorov-Smirnov [13]. Les données de pannes concernent un éventail de composants,
à savoir : les transformateurs, des boites d’extrémités intérieures et extérieures, les lignes
aériennes, les câbles souterrains et les boites de jonctions.

Relativement aux réseaux électriques, le volet des prévisions traite souvent celles de
la charge et de la production [21]. Plusieurs méthodes ont été développées et parmi elles,
nous citons les séries chronologiques. Ces dernières années, ces séries ont été adaptées aux
phénomènes de blackouts [5] [22]. Dans la référence [8], les modèles de Box et Jenkins
ont été introduits dans la modélisation des fréquences de pannes, de leurs durées et de
l’énergie non distribuée. Dans notre thèse, des modèles de prévision sont actualisés et
spécifiés pour différents composants du systèmes. Les modèles ARIMA ont été retenus.
Ils confirment la croissance des taux de panne et renseignent sur le type de dégradation
vieillissante des équipements.

L’analyse des données a révélé la difficulté du domaine ; à savoir : la constitution de

la base de données au niveau des entreprises, leur exploitation et l’interprétation des
modèles quant à leur signification pratique.

Certaines recommandations ont été énumérées permettant de mieux maı̂triser la

collecte, l’ordonnancement et l’exploitation [8][23].

Chapitre 5
La notion de modélisation stochastique a été largement développée et constitue un
passage incontournable dans l’évaluation des performances des systèmes.
Les constituantes de la sûreté de fonctionnement sont souvent modélisées en considérant
trois aspects différents selon l’interdépendance des événements, à savoir : les arbres de
défaillances, les réseaux de Pétri et les graphes des états. Dans cette thèse sont développés
les graphes des états exprimant la dépendance partielle des évènements. Les systèmes ou
composants sont considérés comme des entités multi-états. La modélisation Markovienne
est largement développée. La proposition d’une alternative à cette méthode en terme
de l’approche de Weibull-Markov initialement introduite par J-Van Castaren [12][11] et
citée par Pivatolo [24], et une comparaison des résultats des applications ont été établies
et synthétisées dans la référence [13].

3ème Partie
Chapitre 6
L’analyse de la défaillance fait l’objet de ce chapitre. En premier lieu, le problème est
traité relativement aux systèmes de production ; il s’agit de déterminer la probabilité
de perte de charge et la probabilité de perte d’énergie. Une application a été faite à la
centrale hydraulique de Darguina [21]. En deuxième lieu, nous considérons les systèmes
de distribution. Dans cette partie des réseaux, l’optimisation est traitée en vue de
l’amélioration de la fiabilité exprimée en termes d’objectifs à attendre. Cette amélioration
fait appel à des notions de planification, à savoir le calcul de répartition de puissance,
la restructuration des réseaux et les actions techniques et organisationnelles relevant du
domaine d’exploitation [6] [25] . Afin d’assurer une balance économique entre le niveau
de fiabilité désiré et les investissements à consentir, une fonction coût déjà développée
dans [26] a été actualisée, elle fait ressortir les coûts d’investissement, les coûts de la
défaillance et les coûts des pertes. Un aperçu a été donnée sur les critères de décisions.
Cette investigation a été soldée par une application à un réseau algérien (réseau 10 kV
de la ville d’Alger).

Chapitre 7

Ce chapitre est exclusivement dédié à l’optimisation de la maintenance. Dans une

première partie nous développons la RCM qui a fait l’objet de plusieurs travaux de
recherche ces dernières années [1][27][18]. Notre apport dans cette thèse est l’expression
de son applicabilité au cas algérien afin de répondre à certains questionnements posés
par des responsables de SONELGAZ. Il à été montré que la prise en charge de cette
notion est assurée par un groupe de travail multidisciplinaire. Dans la deuxième partie
est développée une théorie de maintenance préventive afin d’améliorer la fiabilité des
systèmes. Cette amélioration est apparente compte tenu des résultats obtenues.
Par le passé, Tsai et al [27] ont développé cette théorie pour un système mécatronique de
structure série. Dans cette thèse nous l’avons appliqué avec succès à des systèmes plus
complexes que sont les réseaux électriques. En plus des systèmes séries, cette application
a été effectuée sur des systèmes complexes (configuration en pont) et sur un cas réel
(réseau 30 kV de la ville de Béjaia). Ce chapitre est perçu comme le point de convergence
de toutes les théories développées à travers les différents chapitres de la thèse.
Des recommandations d’un point de vue pratique ont été énumérées et concernent les
mesures techniques et organisationnelles permettant d’assurer un meilleur niveau de
fiabilité et de répondre aux exigences des standards internationaux en terme de qualité
et de sécurité et surtout de sauvegarde de l’intégrité des systèmes.

Les travaux de cette thèse ont permis l’aboutissement au fil des années d’une ving-
taine de projets d’ingénieurs aux départements d’Electrotechnique et de Recherche
Opérationnelle de l’Université de Béjaia. Ils ont été inscris dans les objectifs de 04 pro-
jets de recherche finalisés au niveau du laboratoire LAMOS. Les résultats sont soldés par
plus 07 communications internationales, de 03 communications au niveau local et une
publication internationale dans IMechE, part O :Journal of Risk and Reliability.
 CHAPITRE 1
Hiérarchie des niveaux de tension et
mode de défaillance des équipements
électriques

Introduction
Un réseau électrique est constitué d’un ensemble d’équipements destiné à la produc-
tion, au transport, à la distribution et à l’utilisation de l’énergie électrique. A la figure
(1.1), nous illustrons l’organisation d’un réseau électrique. Trois niveaux de tension sont à
distinguer et constituent une hiérarchie générale mettant en évidence la partie production,
la partie transport et enfin la partie distribution.
La partie production est développée afin d’introduire le concept de la probabilité de perte
de charge et l’élaboration des modèles de séries chronologiques pour les prévisions de
charges. La partie transport est introduite pour exprimer la problématique et les effets des
incidents majeurs en terme de blackouts. Quant à la partie distribution, elle a un intérêt
majeur vu sa contribution dans la disponibilité et la qualité de service aux consomma-
teurs. D’un point de vu statistique, cette partie des réseaux électriques est à l’origine de
plus de 90% des interruptions. Par rapport aux réseaux de distribution qui englobe les
niveaux moyenne tension (MT) et basse tension (BT), les volets relatifs aux équipements,
aux protections et la recherche de défauts sont traités. De multiples modèles relatifs au
traitement et à l’apport du retour d’expérience, à l’analyse de fiabilité en exploitation, à
la maintenance, et enfin à l’optimisation sont élaborés et discutés tout au long de cette
investigation.

22
 Fig. 1.1 – Organisation d’un réseau électrique

1.1 Incidents majeurs (Cas des blackouts)

Ces incidents majeurs, affectent l’alimentation des clients à une échelle régionale ou
nationale. Ils se caractérisent par leur étendue géographique, leur profondeur en terme de
clientèle non alimentée et leur durée. Or, plus la panne est profonde et étendue, plus la re-
prise de service risque d’être longue. Pour cette raison, ces incidents sont particulièrement
redoutés. Les conséquences d’un blackout sont graves :
– d’une part, en raison de la dépendance croissante de notre société vis-à-vis de
l’électricité et, par conséquent, de sa sensibilité aux grandes pannes (conséquences
économiques, désorganisation de la vie, influence des médias) ;
– d’autre part, pour des raisons évidentes de sécurité d’alimentation de clients sen-
sibles, comme les hôpitaux par exemple.

1.1.1 Causes initiales

Le blackout résulte de la conjonction de facteurs aggravants et d’un aléa initiateur. En
analysant l’historique des blackouts, on constate que l’élément déclencheur de l’incident
est soit la perte d’un élément de production, soit la perte d’un élément de transport.
Nous retiendrons principalement les facteurs aggravants suivants :
– Perturbation climatique importante.
– Défaillances de protections, d’automates et de régulations.
– Circonstances particulières d’exploitation.
– Défaillances humaines.
L’aléa initiateur de l’incident majeur va causer des perturbations telles que le dis-
patcher n’aura pas le temps de reconstituer le réseau. A partir de cet instant, un seul
aléa supplémentaire va provoquer soit un dépassement de la capacité de transport d’un
ouvrage, soit une perte de stabilité d’un ou plusieurs groupes.

1.1.2 Mécanisme des incidents

A partir de l’aléa initiateur, les incidents majeurs sont la conséquence d’un mécanisme
de dégradation en chaı̂ne du réseau électrique.
A la suite de l’occurrence d’un aléa initiateur, certains ouvrages de production ou
de transport passent dans un état de fonctionnement inadmissible. Il est nécessaire de
déconnecter automatiquement ces éléments du réseau pour éviter leur dégradation par-
tielle, ou totale
Ces premiers déclenchements peuvent conduire au déclenchement d’autres ouvrages
du fait de facteurs aggravants ou de certaines défaillances dans le réglage des protections.
D’autres ouvrages peuvent alors passer dans des états inadmissibles et déclenchent à leur
tour.
Lors de l’écroulement du réseau, on trouve des compositions de quatre types de
phénomènes qui peuvent se ranger en deux classes :
– les phénomènes d’écroulement à dynamique lente : les cascades de surcharges et les
écroulements de tension ;
– les phénomènes d’écroulement à dynamique rapide : les chutes de fréquence et les
rupture de synchronisme.

Cascade de surcharges

Lors d’incident sérieux, à cause du phénomène de report de charge sur les autres ou-
vrages, il peut apparaı̂tre sur le réseau une cascade de surcharges : étant obligé d’éliminer
la première surcharge, on peut causer des surcharges sur d’autres ouvrages, pouvant aussi
conduire à leur déclenchement.
La dynamique du phénomène est cadencée par la temporisation de déclenchements
successifs des lignes, de l’ordre de la dizaine de minutes au début de l’écroulement et de
l’ordre de la dizaine de secondes quand l’affaiblissement du réseau conduit à des surcharges
importantes.
Une cascade de surcharges peut conduire à :
– Une écroulement de tension ;
– Une perte régionale de synchronisme ;
– La mise en réseaux séparés suite à la perte de toutes les lignes d’interconnexion.
 Différents moyens pour lever les surcharges sont disponibles, mais ils doivent être mis
en oeuvre assez rapidement.
– Parades topologiques ;
– Démarrage de groupes hydrauliques ou thermiques ;
– Délestage de charges.
Les deux premières solutions permettent de maintenir l’alimentation de la clientèle.
La dernière solution, qui ne le permet pas, est utilisée en dernier recours.

Ecroulement de tension

La tenue de tension des réseaux de distribution, c’est-à-dire au plus proche du client,

est assurée par l’intermédiaire de régleurs en charge équipant les transformateurs installés
entre différents niveaux de tension.
Les aléas, comme la perte d’une interconnexion ou le déclenchement d’un groupe de
production, conduisent à une chute de la tension sur le réseau de transport, qui entraı̂ne
une baisse de tension sur les réseaux de répartition et de distribution.
En modifiant leur rapport de transformation, les régleurs en charge augmentent le
niveau de tension des réseaux de répartition et de distribution, au détriment de la tension
du réseau de transport. Si un équilibre est possible avant le passage du point critique, les
régleurs trouvent leurs point d’équilibre. Sinon, les régleurs vont passer des prises pour
tenir la tension des réseaux de niveau de tension inférieure, dégradant encore plus la
tension du réseau de transport, sans pour autant parvenir à remonter la tension en aval.
C’est à partir de ce moment que le régleur en charge, prévu pour régler la tension, va
être le moteur de l’écroulement de tension. De plus, la baisse de tension, lorsqu’elle atteint
un certain seuil, entraı̂ne le déclenchement de groupes de production, protégés contre les
tensions basses. La tension au droit de ces groupes n’est donc plus tenue, ce qui aggrave
encore l’écroulement de tension et favorise sa propagation au reste du réseau.
L’écroulement de tension conduit alors à des cascades de surcharges, du fait de l’aug-
mentation des transits d’énergie réactive, et à des pertes de synchronisme, car le réseau
est beaucoup moins stable à tension basse.
Les solutions curatives face aux écroulements de tension sont :
– l’augmentation de la consigne de production réactive des groupes ;
– la diminution de la tension de consigne des régleurs en charge,
– le blocage des régleurs en charge pour éviter l’effet ” boule de neige ” ;
– en dernier recours, le délestage d’une partie de la charge.
Chute de fréquence

La fréquence sur le réseau résulte de l’équilibre entre production et consommation. Elle

peut diminuer à la suite d’une augmentation de la consommation ou lorsque le volume de
la production vis-à-vis de la demande est insuffisant.
Les opérateurs du réseau utilisent la réserve primaire pour faire face à chaque instant
à un aléa qui mettrait en cause le maintien de la fréquence. Si la réserve primaire est
insuffisante, la fréquence ne pourra pas être ramenée dans une plage de fonctionnement
correcte.
L’écroulement de fréquence sera d’autant plus rapide que le déséquilibre entre pro-
duction et consommation sera important. La dynamique généralement observée d’un
écroulement de fréquence est de l’ordre de la seconde. L’écroulement peut être accéléré
par le déclenchement en cascade des groupes de production, dès que la fréquence est située
hors de la plage de fonctionnement autorisée ; le déclenchement d’un groupe de production
aggrave le déficit de production et fait chuter encore plus la fréquence.

Rupture de synchronisme

En régime normal, chaque groupe de production fonctionne en synchronisme avec

l’ensemble des autres groupes. Il se peut cependant que, suite à un incident, un ou plu-
sieurs groupes d’une région perdent le synchronisme par rapport au réseau, c’est-à-dire
fonctionnent à des fréquences très différentes des autres groupes.
Toute action tendant à affaiblir les liens entre cette région et le reste du réseau peut
conduire à l’apparition d’une rupture de synchronisme. L’apparition de court-circuits
dans cette région faiblement interconnectée peut aussi être à l’origine d’une rupture de
synchronisme. Les conséquences d’un tel incident sont :
– le fonctionnement en réseaux séparés, à la suite de l’ı̂lotage de la zone hors synchro-
nisme, par action des protections de distance ou protections spécialisées ;
– la mise hors tension du réseau dans son ensemble si la rupture de synchronisme est
mal isolée et, éventuellement, de la zone hors synchronisme à la suite de l’ı̂lotage.

1.2 Grands principes et composantes d’un plan de

défense
Un plan de défense a pour objectifs de :
– détecter que le réseau électrique est dans un état dégradé ;
– prendre les mesures curatives adaptées afin de stopper l’extension des incidents et
leurs propagations au reste du réseau électrique ;
 – permettre un retour rapide à une situation saine du réseau ;
– prévoir des remises sous-tension des groupes hydrauliques ;
– favoriser, en dernier ressort, la reconstitution ultérieure du système.
Le plan de défense est constitué de deux lignes dont le domaine d’action n’est pas pris
en compte par les règles de planification et d’exploitation.
a)Première ligne de défense
Elle est composée d’un certain nombre de mesures prises par les opérateurs du réseau
électrique dans les centres de conduite lors d’incidents, quand la dynamique du phénomène
le permet : les incidents concernés sont les cascades de surcharges et les écroulements de
tension. Ces actions d’urgence permettent de rétablir au plus tôt le réseau dans une
situation viable. Elles sont données ci-dessous :
– l’action sur les consignes de production active et réactive des groupes de production ;
– l’action sur les régleurs en charge, soit par un blocage manuel, soit par la diminution
de la tension de consigne, pour diminuer les appels de puissances active et réactive
sur le réseau de transport et stopper les éventuels écroulements de tension ;
– en dernier recours, le délestage manuel d’une partie de la consommation.
b)Seconde ligne de défense
Elle est constituée d’un ensemble de protections spécifiques à actions automatiques ins-
tallées sur le réseau électrique. Elles permettent de lutter contre les incidents majeurs à
dynamique rapide, telles que les chutes de fréquence ou les ruptures de synchronisme.

1.3 Pratiques internationales

Nous présentons ici les pratiques utilisées dans les différentes compagnies électriques.
Les barrières de défense utilisées sont de deux types, en accord avec la philosophie de
chaque compagnie électrique en matière de défense, selon qu’elle tienne à se protéger d’un
phénomène d’écroulement ou d’un incident en particulier.

1.3.1 Surcharges, cascades de surcharges

La protection des lignes contre les surcharges ne relève pas d’une approche par
phénomène dans le cas de réseaux maillés. En effet, on ne sait pas évaluer, à l’aide
d’une grandeur classique de réseau, un risque de surcharge. Il faut citer, dans cette
problématique, les réseaux français et japonais, qui font partie des très rares réseaux
à être équipés de protections contre les surcharges de lignes. En France, toutes les lignes
du réseau de transport en sont équipées ; au Japon, seules les lignes des axes principaux
le sont. Soulignons qu’il s’agit bien d’une protection de l’ouvrage lui-même, et que son
fonctionnement ne résout pas a priori les problèmes qui pourraient apparaı̂tre sur le réseau.
La protection des zones les plus contraignantes est quant à elle réalisée à l’aide d’auto-
mates de types SPS (Spécial Protection Schème), pour résoudre les problèmes rencontrés
par le réseau.
Les principales actions peuvent être :
– délestage de consommation en cas de surcharge sur certaines lignes (système des
sections critiques utilisé en Italie) ;
– déclenchement de moyens de protection proches pour lever les contraintes de sur-
charge sur des interconnexions importantes (automates de la Vallée du Rhône, au-
tomate de St-Vulbas, en France) ;
– voir les deux actions conjuguées : déclenchement de production ou de charge en cas
de surcharge sur les lignes d’évacuation des centrales, comme au Canada.

1.3.2 Ecroulements de tension

Deux mesures sont utilisées par les pays qui ont le souci de minimiser la gêne de leurs
clients et font office de formes ” douces ” de délestage de consommation :
– le blocage automatique des régleurs en charge se généralise (Canada, Finlande,
France) ; cela permet d’enrayer le processus d’écroulement ;
– la baisse de 5 % sur la tension de consigne des transformateurs MT aide au
rétablissement d’une situation de réseau correct car elle limite les appels d’énergie
réactive sur les réseaux de transport ou de répartition.
Enfin, en dernier recours, on peut utiliser le délestage automatique sur critères de
tension, notamment au Canada. L’un des soucis majeurs est la tenue de la tension. Cette
mesure n’est pas automatique en France, mais laissée à l’appréciation et au soin du dis-
patcher.

1.3.3 Chutes de fréquence

Face à un écroulement de fréquence, le délestage fréquencemétrique a pour but de
rétablir l’équilibre en adaptant la consommation à la production disponible. Le délestage
est opéré sélectivement, principalement sur les départs de distribution, sur critères de
fréquence et/ou de sa dérivée.
Le critère de fréquence est une mesure qui est pratiquée dans la plupart des compa-
gnies. Par contre, selon les problèmes rencontrés, les seuils de délestage, en nombre, en
valeur et en volume différent :
– le volume de délestage peut aller de 20% à 60% de la consommation globale ;
– le nombre de seuils peut aller de quatre à une vingtaine.
 Quel que soit le réglage des seuils de délestage, il est important de ne pas temporiser
l’action de délestage. En effet, le phénomène d’écroulement de fréquence étant très rapide,
on risquerait alors d’être obligé de solliciter des seuils de délestage non nécessaires, donc
de couper inutilement de la clientèle.
Pour EDF, les seuils de délestage sont fixés comme suit :
– 49 Hz, 15 % de la consommation totale,
– 48,5 Hz, 15% de la consommation totale,
– 48 Hz, 15% de la consommation totale,
– 47,5 Hz, 15% de la consommation totale.
La tendance observée est de ne pas effectuer de delestage, c’est-à-dire de reconnexion
automatique de charge, sur critère de fréquence, afin de maı̂triser la fréquence au moment
du delestage : avoir une fréquence correcte ne garanti pas que l’on dispose des réserves
suffisantes.
On peut noter que certains pays adoptent également un critère de dérivée de fréquence
avec des objectifs bien déterminés :
– ajustement du délestage à effectuer au pourcentage près (en Italie, par exemple) ;
– rétablissement plus rapide de l’équilibre production/consommation en délestant,
en une fois, l’équivalent du déficit de la zone de la puissance concernée (en Italie
également).

1.3.4 Ruptures de synchronisme

En France, EDF a retenu une action systématique, rapide et contrôlée contre ce
phénomène (utilisation de relais spécifiques sur le réseau), allant de pair avec le verrouillage
des protections de distance équipant les ouvrages de transport (antipompage). C’est-à-
dire que le fonctionnement de ces protections est bloqué afin d’éviter leur déclenchement
anarchique lors des régimes de rupture de synchronisme, empêchant ainsi une séparation
non maı̂trisée et non sélective de zones du réseau.
D’autres compagnies, comme au Japon, ont une approche mixte et installent des dis-
positifs spécifiques aux points névralgiques de leur système (lieu d’interconnexion entre
grandes zones du système), voire SPS (Spécial Protection Scheme) qui agissent sur re-
connaissance d’évènements particuliers entraı̂nant la perte de synchronisme à un endroit
bien identifié. Il existe :
– des SPS préventifs : au Japon, certains systèmes basés sur les mesures de phase anti-
cipent les ruptures de synchronisme, en séparant le système en fonction de l’équilibre
production/consommation, voire en délestant de la consommation ;
– des SPS curatifs : ces systèmes séparent le réseau en deux selon une frontière
 prédéterminée, délestant de la consommation ou de la production pour rétablir
l’équilibre.
En revanche, les 10 à 20 % des compagnies qui ont une approche globale vis-à-vis de
ce phénomène adoptent le raisonnement suivant.
La rupture de synchronisme n’affecte pas généralement un groupe isolé, mais un ou
plusieurs sites de production. L’ensemble des groupes de production de ces sites, qui
tournent à une vitesse identique, mais différente de celle du reste du réseau, constitue une
” zone électriquement homogène ”. Déclencher les groupes affectés n’est pas la meilleure
solution, car :
– il n’existe pas de critères locaux sûrs, permettant de reconnaı̂tre le phénomène
groupe par groupe ;
– l’action serait trop grave pour le reste du système, vu le fort déficit de production
généré.
C’est pourquoi ces compagnies préfèrent, au niveau du réseau, séparer l’ensemble de
la zone affectée du reste du système. Ces compagnies mettent en œuvre des protec-
tions spécifiques (out-of-step relays) pour lutter contre ce phénomène et n’utilisent les
protections des groupes qu’en secours au cas où les premières n’auraient pas correcte-
ment fonctionné. Ces protections spécifiques fonctionnent sur la base de critères divers et
généralement propres aux compagnies. Il existe de relais sur critères d’impédance appa-
rente, de phase de la tension et de battements de tension pour déclencher au bout d’un
nombre de battements prédéfinis assurant le meilleur compromis entre la rapidité et la
sélectivité.

1.4 Reprise de service

La reprise de service ne fait pas partie d’un plan de défense. Mais ces deux concepts
sont fortement liés, puisque l’un des objectifs du plan de défense est de réduire le temps
de retour à un service normal. On évoquera donc dans ce paragraphe les étapes de la
reprise de service.
– a) Première étape
C’est la réalisation d’un bilan du réseau :
– se rendre compte de la profondeur et de l’étendue géographique de l’incident ;
– se rendre compte des groupes, des ouvrages de transport qui sont encore dispo-
nibles.
– b) Deuxième étape
Si le réseau est complètement hors tension, il faudra, donc identifier les moyens de
production permettant de remettre certaines parties du réseau sous-tension. En effet,
 certains groupes ont besoin d’un apport de tension extérieur pour se reconnecter au
réseau.
– c) Troisième étape
Elle consiste en une remise sous-tension progressive des ouvrages du réseau
de transport, en évitant toute surtension et les phénomènes délicats comme la
férrorésonance, tout en vérifiant, en permanence, que la reprise de service se fait
en toute sécurité (gestion des surcharges, tenue de tension) pour éviter tout nouvel
écroulement.

1.5 Evaluation du risque du blackout

En se basent sur l’historique du blackout survenu sur le réseau algérien le 03 Février
2003, on constate que le déficit de puissance de 350 MW dans la production nationale
était la cause principale du déclenchement de la panne.
Vu le manque de réserve de puissance dans le réseau électrique algérien et la non
réalisation de nouvelles centrales depuis l’événement, l’incapacité de l’interconnexion
avec le Maroc (réglage automatique à 300 MW), une éventuelle perte d’une puissance
équivalente pourrait alors provoquer la panne de nouveau.
Pour le travail qui suit, on a pris alors la puissance seuil (350 MW) comme une variante
et on a calculé les probabilités de panne des différentes combinaisons de perte de groupes
qui conduisent à la perte de cette puissance de seuil.
L’application de la loi binomiale pour le calcul de la probabilité de défaillance des
centrales de production d’énergie du réseau électrique d’Algérie nous a donné les résultats
présentés dans le tableau suivant :

Exemple d’application

Pk = CNk .pk .q N −k (Loi binomiale) ;

Pk : probabilité de perte de k groupes ;
N : nombre de groupes de la centrale ;
k : nombre de groupes hors service ;
p : probabilité de non fonctionnement de chaque groupe ;
q : probabilité de fonctionnement.
Pour le calcul qui suit, on a pris p = 0.02 ce qui donne q=0.98
Centrale de Hamma 2
2 groupes de 209 MW
Puissance installée = 2.209 = 418 MW > 350 MW
 P2 = C22 .p2 .q 2−2 = (0.02)2 = 0.0004 (probabilité de perte de deux groupes)
P1 = C21 .p1 .q 1 = 2.0.02.0.98 = 0.0392 (probabilité de perte d’un groupe)
Centrale de Hamma 2 (2x209MW)
Nombre de Autres groupes perdus Puissance Probabilité de panne
groupes perdus perdue (MW)
Deux groupes
de Hamma 2 418 0.0004
Un goupe de Marsat 405 0.00361
Un goupe de Marsat 405 0.002258
Centrale de Skikda 471 0.00001568
Deux groupes de M’sila 2 409 0.00004609
Un groupe Deux groupes de Tiaret 2 409 0.000004609
Centrale de Hassi- 409 0.00001568
Messaoud nord 2
Centrale de Tilghemt 409 0.00001568
Probabilité totale 0.006365739

1.6 Réseaux de distribution

Le domaine des réseaux de distribution s’étend depuis les postes sources alimentés par
les réseaux haute tension (HT) en 60 kV ou plus jusqu’aux abonnés alimentés en moyenne
tension (MT) ou en basse tension (BT).
En allant de l’amont vers l’aval, on rencontre : les sources HT/MT, les lignes aériennes
et les câbles souterrains MT, les postes de distribution publique MT/BT, mixte ou des
postes clients MT, les réseaux BT triphasés à 4 fils et les branchements monophasés ou
triphasées.
La gêne ressentie par la clientèle provient d’incidents ou de défauts affectant les
différents niveaux de tension.
Dans de ce chapitre, nous présentons les structures et les protections des réseaux
pour les différents niveaux de tension. Il s(agit du réseau MT 10kV de la ville d’Alger
et du réseau MT 30kV de la ville de Béjaia. Les méthodes de recherche de défauts avec
les différentes stratégies de réalimentations ont été introduites et constituent des points
importants dans l’exploitation des réseaux électriques.

1.6.1 Présentation des réseaux de distribution

Le poste HT/MT

Le schéma le plus classique d’un tel poste est donné à la figure (1.2). Les différentes
fonctions d’exploitation sont assurées par des automatismes (régulation de tension, bascu-
lement automatique d’un départ sur un autre, cycles de réenclenchement des disjoncteurs,
délestage sur baisse de fréquence, etc) ou par des télécommandes depuis les bureaux de
conduite ou depuis les véhicules des agents d’exploitation (notamment télécommandes
des disjoncteurs MT) [29].
Le raccordement aux jeux de barres HT se fait, en général, par l’intermédiaire d’un
sectionneur à rupture brusque. Dans les grands postes, on utilise assez souvent un
disjoncteur.

Fig. 1.2 – Schéma d’un poste HT/MT classique (Avec un disjoncteur d’arrivée)

1.6.2 Les postes moyenne tension/basse tension (MT/BT)

Les postes de transformateurs MT/BT alimentés par les réseaux ruraux sont réalisés
suivant deux techniques différentes selon la puissance du transformateur à prévoir [30].
Pour le réseau urbain, le poste MT/BT est le plus souvent au rez de chaussée d’un
immeuble ou bien en surface dans un local séparé. Le tableau MT comporte des arrivées
câble MT et une cellule de protection transformateur. Le nombre de poste MT/BT à
mettre en oeuvre dans une zone urbaine est fonction de la densité de charge, de telle sorte
à assurer une desserte sans contraintes BT (thermique ou chute de tension) [30].

1.7 Protection des réseaux de distribution

Les réseaux de distribution moyenne tension sont protégés des défauts qui peuvent
les affecter par un ensemble cohérent de protections et d’automatismes dont les fonctions
consistent à : détecter la présence d’un défaut, identifier l’ouvrage atteint, commander les
organes de coupure concernés et assurer un haut niveau de sûreté de fonctionnement. Le
plan de protection doit s’adapter à l’évolution des réseaux (l’accroissement des longueurs
de câbles souterrains, l’évolution du régime de neutre) et aux exigences croissantes de la
clientèle en matière de qualité. Il devra tirer profit des évolutions technologiques récentes
[31].
Les défauts peuvent avoir plusieurs conséquences tels que : l’échauffement dans les conduc-
teurs (particulièrement dans les câbles souterrains MT), les destructions provoquées par
l’arc, l’explosion des disjoncteurs et les chutes de tension.

1.8 Présentation des réseaux de distribution étudiés

1.8.1 Réseau 10 kV de la ville d’Alger
Le réseau 10 kV de distribution de la ville d’Alger est constitué d’un ensemble de postes
de transformation HT/MT d’où partent des départs qui alimentent les consommateurs par
le biais des postes MT/BT publiques, mixtes et de livraisons, plantés le long de chaque
départ. L’exploitation est réalisée en boucle ouverte (départs radiaux) où les éléments
(postes MT/BT et les tronçons de câbles) sont en série. Nous soulignons la possibilité de
bouclage entre postes HT/MT pour un éventuel secours.

Poste HT/MT AMIRAUTE (N˚ 594)

Le choix s’est fait sur le poste Amirauté, car il est le point le plus chaud de l’exploita-
tion, de part sa situation, ses charges et l’importance de la clientèle desservie. Ce poste a
déjà fait l’objet d’un incendie. Sa suppression durant cette période et son remplacement
par un poste Skid n’a été qu’une solution provisoire. Sa rénovation est une priorité absolue
pour la compagnie. La puissance mise à disposition est de 25 MVA qui reste à l’heure
actuelle insuffisante. Ce poste est soulagé par le poste Tafourah et Ain-Benyen comme
indiqué sur sa courbe de charge annuelle [32].
Le schéma unifilaire du poste source HT/MT Amirauté est donné à la figure (1.3). On
a un transformateur et sa cellule de protection, deux demi- rames avec leur protection,
deux jeux de barres et les départs MT [32].
 Fig. 1.3 – Schéma unifilaire du poste source HT/MT (Amirauté)

1.8.2 Réseau de distribution 30 kV de la ville de Béjaia

Le réseau MT de la ville de Bejaı̈a est alimenté par le poste de transformation 60/30
kV, installé en 1952 et conçu pour assurer la répartition en 30 kV. En 1976, une ligne
d’alimentation de 60 kV venant de Darguina lui a été raccordée. En 1982, une seconde
ligne provenant du poste de transformation d’El- Kseur a été connectée à la ligne déjà
citée.
Le réseau se présente pour sa partie moyenne tension suivant le schéma de la figure
(1.4). On rencontre la cellule d’arrivée HT, les cellules transformateurs, les cellules de
départs MT ainsi que les postes MT, les postes MT/BT et les tronçons de câbles et
parfois des tronçons de lignes aériennes structurés en coupure d’artère.
La partie MT est constituée de deux demi-rames raccordées par l’intermédiaire d’un
sectionneur. A chacune de ces dernières sont raccordés six départs. Les six départs de la
première demi-rame sont : V1 (ville 1), Tichy, Sopeg, Snib, V2 (ville 2) et Z2 (zone 2).
Ceux de la deuxième demi-rame sont : ENCG, Cevital, EKS, V3 (ville 3), Z1 (zone 1) et
V4 (ville 4).
 Fig. 1.4 – Organisation des équipements d’un réseau électrique

En tête de chaque départ, on trouve un disjoncteur principal. Les départs sont

constitués de tronçons de câbles et de postes, disposés en série.

1.9 Recherche de défauts

Une des opérations les plus importantes dans l’exploitation des réseaux électriques de
distribution est la recherche de défauts si ces derniers apparaissent.
La recherche de défauts s’effectue en deux phases successives :
-la recherche du tronçon en défaut.
-la recherche de l’endroit de défaut.

La recherche du tronçon en défaut est la phase la plus délicate. L’expérience du

personnel exploitant et la connaissance des points faibles du réseau sont des facteurs à
prendre en considération.

La recherche de défauts se fait manuellement, par les déclenchements et les

réenclenchements des protections (disjoncteurs) le long du départ affecté.

Pour faciliter cette opération et particulièrement dans les réseaux simples, on introduit
la recherche automatique de défauts. En pratique, la mise en oeuvre de la recherche
automatique de défauts dans le cas d’un réseau arborescent est longue et difficile. Pour ce
faire, on choisit un pas N suivant le nombre de postes du départ ou suivant la longueur
du départ. Au fur et à mesure de la recherche du tronçon en défaut, la réalimentation des
parties saines s’effectue suivant plusieurs stratégies [33].
1.9.1 Stratégies de réalimentation
On distingue trois stratégies de réalimentation :
– a) la réalimentation suivant le nombre de postes : Ils s’agit de réalimenter du côté
où il y a plusieurs postes en tenant compte de leurs importances ;
– b) La réalimentation suivant la puissance de consommation : Dans ce cas, on
réalimente du côté où la demande est la plus importante ;
– c) La réalimentation du côté poste source : Elle consiste à isoler le défaut, le réparer
jusqu’à avoir la possibilité de réalimenter du côté poste source. Parmi les stratégies
de réalimentation, on retiendra celle qui nous donne les meilleurs indices de fiabilité
que nous calculons à l’aide du Logiciel Z.V [33].
Une localisation de défauts est réalisée en plusieurs étapes. Les trois principales sont
les suivantes [34] :
– Première étape : elle consiste en la détermination de la nature du défaut et
l’appréciation de la distance du point d’injection (extrémité de mesure) au défaut,
par une méthode de boucle ou une méthode échométrique.
– Deuxième étape : elle consiste en la recherche, si nécessaire, du tracé du câble par
une méthode du champ magnétique.
– Troisième étape : elle consiste en la localisation précise de l’endroit de défaut.
Comme cité précédemment, des manœuvres sur organes de coupure ont permis
d’isoler la partie en défaut et de remettre sous tension les parties saines.

1.9.2 Amélioration de la recherche de défauts

Pour améliorer la recherche de défauts, l’entreprise peut équiper son réseau d’indica-
teurs de court- circuits, comme indiqué à la figure (1.5). Cette technique est déjà utilisée
depuis plus d’une décennie dans plusieurs réseaux de pays développés (EDF, Réseau al-
lemand). Elle permet de réduire le temps de la recherche de défaut et par conséquent
la durée totale de coupure, ainsi que l’énergie non distribuée. Elle permet également de
réduire le nombre d’enclenchements et de déclenchements du départ sujet à un défaut.
Ceci implique la réduction des efforts mécaniques sur les protections.
 Fig. 1.5 – Schéma d’un réseau avec des indicateurs de court-circuits

Conclusion
Quelles que soient les règles commerciales et l’organisation du secteur électrique recon-
nues, la production et le réseau forment un ensemble techniquement insécable. Ce système
peut être confronté à chaque instant à un incident généralisé. Pour limiter le nombre de
ces incidents et leurs conséquences, le gestionnaire du réseau dispose de plusieurs leviers
qui correspondent au compromis coût-risque qu’il est prêt à prendre.
Les mesures préventives permettent de rendre les risques résiduels d’écroulement aussi
faibles que possible, par une bonne conception et un bon entretien des ouvrages, des
protections et automates. Cela est vrai en particulier pour l’ouvrage de production, les
automates et les protections adéquates, qui doivent agir avec précaution et sûreté.
Les mesures curatives, dans les cas exceptionnels où le système électrique entre dans
la zone de risques résiduels ont des conséquences tel qu’il est sage de prévoir des lignes
ultimes de défense.
Un aperçu général a été donné sur les différents niveaux de tensions et les
préoccupations de l’exploitant des réseaux électriques. Ces préoccupations varient selon
ces derniers et que la finalité reste la même, assurer la continuité de service dans de bonnes
conditions. Cette noble tache exige la connaissance des outils de prévention de défauts,
leur détection et leur élimination s’ils apparaissent.
 CHAPITRE 2
Formulations et définitions des
fonctions et paramètres utilisés en
fiabilité des systèmes

Introduction
L’intérêt accordé au développement de la sûreté de fonctionnement des systèmes passe
impérativement par la définition et la connaissance des formulations de leurs différentes
constituantes et de leurs paramètres. Deux types de distributions sont souvent utilisées
en fiabilité des systèmes électriques, à savoir : la loi exponentielle et la loi de Weibull. La
première est basée sur plusieurs hypothèses simplificatrices et conduit à l’introduction de
la méthode de Markov dans la modélisation stochastique. La deuxième loi considérée et
celle de Weibull, jugée flexible et générale. Elle constitue une alternative liée directement
à une nouvelle approche, qui est celle de Weibull-Markov.
Un rappel sur les indices classiques est donné quant à l’évaluation de la fiabilité en termes
de valeurs moyennes.
Le test de Kolmogorov- Smirnov a été aussi introduit pour juger la validité d’acceptation
ou de rejet d’une distribution lors du processus d’ajustement [?].

2.1 Définitions
Souvent, la représentation des diagrammes de fiabilité fait ressortir ce qui suit :
– Etat-binaire : Fonction d’un équipement qui admet deux états : panne (échec) ou
fonctionnement (succès).

39
 – Multi-états : Fonction d’un équipement qui peut être dans l’un des états suivant :
succès complet, succès partiel, ou panne (échec).
– Défaillance majeure : C’est une défaillance catastrophique qui cause la cessation
complète d’une fonction. Un tel mode de défaillance se produit dans un équipement
à état-binaire.
– Défaillance mineure : C’est une perte partielle d’une fonction. Ce mode de défaillance
se produit dans un équipement à multi-états (dégradation).

2.1.1 Fonction Densité de Probabilité (PDF)

Soit X une variable aléatoire (v.a) continue. A chaque valeur t de X, on associé une
probabilité :
P (t < X ≤ t + dt) = f (t)dt

f (t) s’appelle fonction densité de probabilité ou pdf (Probability Density Function)

de la v.a X. Elle a une valeur finie :
P (t < X ≤ t + dt)
f (t) = lim
dt→0 dt

2.1.2 Fonction de Distribution Cumulée (CFD)

La CDF (Cumulative Distribution Function), notée, F (t) est la probabilité de
défaillance de l’équipement avant l’instant t ou la probabilité de défaillance dans l’in-
tervalle [0, t]. Mathématiquement, elle est définie par :
Z t
F (t) = P (X ≤ t) = f (t)dt (2.1)
−∞

L’équation (2.1) est équivalente à

dF (t)
f (t) = (2.2)
dt
Si le temps jusqu’à la défaillance est exponentiellement distribué de paramètre λ, la
PDF et la CDF sont respectivement :

f (t) = λexp(−λt), t ≥ 0 (2.3)

Z t
F (t) = λexp(−λt)dt = 1 − exp(−λt), t ≥ 0 (2.4)
0
Si le temps jusqu’à la défaillance est distribué suivant la loi de Weibull de paramètres
β, η et γ, la PDF et la CDF sont respectivement :
  β−1  β !
β t−γ t−γ
f (t) = exp − ; (2.5)
η η η
  !
β
t−γ
F (t) = 1 − exp − ; (2.6)
η

2.1.3 Fiabilité
La fiabilité est l’aptitude d’un système à accomplir une fonction (ou mission) donnée
durant une période déterminée dans des conditions spécifiées d’exploitation.
On appelle fonction de fiabilité de la variable aléatoire X, la probabilité de bon fonc-
tionnement continu durant [0, t] ; on la note F̄ (.) ou R(.) et elle est donnée par :
Z ∞
F̄ (t) = 1 − F (t) = P (X > t) = f (t)dt (2.7)
t

De (2.4) et (2.7), la fonction de fiabilité suivant la distribution exponentielle est :

F̄ (t) = exp(−λt), t ≥ 0. (2.8)

De (2.6) et (2.7), la fonction de fiabilité suivant la distribution de Weibull est :

 β !
t−γ
F̄ (t) = exp − (2.9)
η

2.1.4 Taux de défaillance

La notion de taux de défaillance 1 ou risque de panne est fondamentale en théorie de
fiabilité en particulier pour les distributions de survie.
Le taux de défaillance, λ(t) est la probabilité pour qu’un élément tombe en panne
au cours de [t, t + x], sachant qu’il a fonctionné sans défaillance jusqu’à la date t. Il est
donné par
1 F (t + x) − F (t) 1 F̄ (t) − F̄ (t + x)
λ(t) = lim = lim . (2.10)
x→0 x 1 − F (t) x→0 x F̄ (t)
Si F est dérivable, on aura :
0
−F̄ (t) f (t)
λ(t) = = . (2.11)
F̄ (t) F̄ (t)
En intégrant l’équation différentielle (2.11), la fonction de fiabilité s’écrira
Z t
F̄ (t) = exp {− λ(u)du}. (2.12)
0
1
On l’appelle aussi intensité de défaillance.
La fonction λ(t) est définie ci-après par :
Z t
λ(t) = λ(u)du = log (1/F̄ ((t)) (2.13)
0
s’appelle fonction de risque ou fonction de hasard (hazard function). Elle représente
le taux de défaillance cumulé jusqu’à l’instant t.
De (2,3), (2.8), et (2.14), le taux de défaillance suivant la distribution exponentielle
est :
λ(t) = λ (2.14)
De (2.5), (2.9) et (2.15), le taux de défaillance suivant la distribution de Weibull est :
 β−1
β t−γ
λ(t) = . (2.15)
η η
En général, il y a trois types de distribution de taux de défaillance : (DFR) distribution
à taux défaillance décroissant, (CFR) distribution a taux de défaillance constant et (IFR)
distribution à taux de défaillance croissant. La figure (2.1) montre la fonction classique
de taux de défaillance en baignoire, modélisant les trois phases de la vie d’un élément :
• Période de jeunesse où λ(t) est décroissant.
• Période de maturité où λ(t) est pratiquement constant.
• Période de vieillesse où λ(t) est croissant.

Fig. 2.1 – Courbe en baignoire de la fonction taux de défaillance

2.1.5 Fonction taux de défaillance cumulé

La fonction taux de défaillance cumulé, notée H(t) est définie par :
Z t
H(t) = λ(t)dt (2.16)
−∞
 Pour la distribution exponentielle :

H(t) = λ(t), t ≥ 0, (2.17)

Pour la distribution de Weibull :

 β
t
H(t) = ,t > 0 (2.18)
η

H(t) est une fonction non décroissante. La figure (2.2) décrit H(t) lié aux classes
de distributions DFR, CFR, et IFR. Les formes de H(t) pour DFR, CFR et IFR sont
convexes.

Fig. 2.2 – Taux de défaillance cumulé correspondant à DFR, CFR et IFR

Fig. 2.3 – Taux de défaillance cumulé correspondant au taux de défaillance de la courbe

en baignoire
2.1.6 Temps moyens
Temps moyen de bon fonctionnement

C’est le temps moyen jusqu’à la panne qui correspond à l’espérance mathématique de

la durée de vie X. On le note MTTF : Mean Time to Failure. Il est donné par :
Z ∞ Z ∞ Z ∞
M T T F = E(X) = tf (t)dt = (1 − F (t))dt = F̄ (t)dt (2.19)
0 0 0

Pour la distribution exponentielle, le MTTF est :

Z ∞
1
MT T F = exp(−λt)dt = (2.20)
0 λ
Pour la distribution de Weibull, le MTTF est :
1
M T T F = γ + ηΓ(1 + ); (2.21)
β

Durée moyenne de vie résiduelle

C’est le temps moyen résiduel de panne correspondant à l’espérance de survie à la date

t,noté E(Xt ). Il est défini comme le MRTF : Mean Residual Time to Failure et exprimé
en fonction de la fiabilité, par
∞
1
Z
M RT F = E(Xt ) = F̄ (t)dt (2.22)
F̄ (t) t

2.2 Maintenabilité
La maintenabilité est l’aptitude (probabilité) d’une entité à être maintenue ou rétablie
dans un état dans lequel elle peut accomplir la fonction requise lorsque la maintenance
est réalisée dans des conditions données, avec des procédures et des moyens prescrits.
Elle joue un rôle important sur le plan économique, technologique et humain. Il ne
s’agit plus, de se limiter à l’entretien ou de subir la panne. Il faut au contraire parvenir
à la maı̂triser et à la prévenir. Pour cela, il est prépondérant ou recommandé d’agir le
plus en amont possible en tenant compte des contraintes ou des facteurs influants sur
l’intégrité du système.
La maintenabilité permet de réduire les durées de pannes et leurs coûts. Elle caractérise
la facilité à remettre ou à maintenir un équipement en bon état de fonctionnement.
La fonction maintenabilité M (t) d’un dispositif est une fonction non décroissante
de t, elle est donnée par :

M (t) = P (que le dispositif soit réparé avant t) (2.23)

 Taux de réparation d’un dispositif µ(t) est la densité de probabilité pour qu’il
soit remis en service entre les instants t et t + dt sachant qu’il était en panne à l’instant t.
D’où :

1 dM (t) g(t)
µ(t) = − = (2.24)
1 − M (t) d(t) 1 − M (t)
avec

dM (t)
g(t) = (2.25)
dt
g(t) est la densité de probabilité de réparation. Elle est généralement ajustée par une
distribution exponentielle ou log-normale.
La moyenne des temps de réparation peut être définie par :
Z ∞ Z ∞
MT T R = tg(t)dt = [1 − M (t)]dt (2.26)
0 0

2.3 Disponibilité
La Disponibilité est l’aptitude d’une entité, sous les aspects combinés de sa fiabilité,
maintenabilité et de l’organisation de maintenance, à être en état d’accomplir une fonc-
tion requise, dans des conditions de temps déterminées.
D’une façon générale, la disponibilité A(t) d’un équipement au temps t > 0, est la proba-
bilité pour que ce dernier fonctionne au temps t, sous des conditions données.

A(t) = P (que l0 équipement est non déf aillant à l 0 instant t) (2.27)

On entend par disponibilité opérationnelle, la quantité :

MUT MUT
Aop = = (2.28)
M U T + M DT M T BF
Où :
MUT : est la durée moyenne de bon fonctionnement après réparation.
MDT : est la durée moyenne de défaillance comprenant la détection de la panne, la
durée d’intervention, le temps de la réparation et le temps de remise en service.
MTBF : est le temps moyen entre deux défaillances d’un système réparable.
2.4 Maintenance
La maintenance est définie comme étant l’ensemble des activités destinées à maintenir
ou à rétablir un bien dans un état ou dans des conditions données de sûreté de fonctionne-
ment, pour accomplir une fonction requise. Ces activités sont une combinaison d’activités
techniques, administratives et de management. D’une manière générale on peut distinguer
deux grandes formes de maintenance : corrective et préventive.

Maintenance préventive
La maintenance préventive permet de remplacer les pièces qui se dégradent par suite
d’usure, de fatigue, etc, avant qu’elle ne provoquent une défaillance. Ces pièces présentent
un taux de défaillance croissant avec l’âge. La détermination de la durée entre rempla-
cement nécessite la connaissance de la distribution des durées de vie. Elle fait appel à la
théorie de renouvellement.
On distingue plusieurs politiques de maintenance préventive, à savoir : la maintenance
systématique, la maintenance conditionnelle et la maintenance prévisionnelle.

Maintenance corrective
C’est un ensemble d’activités réalisées après la défaillance d’une entité, ou la
dégradation de sa fonction, pour lui permettre d’accomplir une fonction requise, au moins
provisoirement.
La maintenance corrective comprend en particulier : la localisation de la défaillance et
son diagnostic, la remise en état avec ou sans modification et le contrôle du bon fonction-
nement.
On distingue deux types de maintenance corrective, à savoir : la maintenance palliative
et la maintenance curative.

2.5 Classes de distributions continues

Elles expriment une propriété qualitative d’un équipement à l’image de la jeunesse, de
la maturité et la la vieillesse. On dit qu’une fonction de distribution F de moyenne finie
µ appartient à l’une des classes ci - dessous si elle satisfait les conditions pour chaque cas.
2.5.1 La classe IFR (DFR)
On dit que F est une fonction de distribution à taux de défaillance croissant ”IFR”
(décroissant ”DFR”) si :

F̄ (x + t)
F̄t (x) = est décroissante (resp croissante) en t; ∀t ≥ 0; x ≥ 0 (2.29)
F̄

2.5.2 La classe IFRA (DFRA)

Une durée de vie X de taux de défaillance λ, est dite ”IFRA”, (”DFRA”), ou à
taux de défaillance croissant (décroissant) en moyenne, si elle vérifie l’une des propriétés
équivalentes suivantes :
i)La fonction qui à t ≥ 0 associe : (− 1t )log(F̄ (t)) est croissante (décroissante) en t,
ii)La fonction F̄ (t)1/t est décroissante (croissante) en t,
iii) ∀t ≥ 0, ∀a ∈ [0, 1], F̄ (at) ≥ (resp ≤)F̄ (t)a .

2.5.3 La classe NBU (NWU)

NBU (NWU) signifie qu’un élément neuf est meilleur (pire) qu’un élément usagé.
On dit que la distribution F est NBU (NWU) si :

F (x + y) ≤ (resp ≥)F (x).F (y) pour x ≥ 0, y ≥ 0 (2.30)

On peut écrire aussi :

F (x + y)
F y (x) = ≤ (≥)F (x), ∀x ≥ 0 et y ≥ 0.
F (y)

i.e. La fiabilité d’un élément usagé d’âge y est inférieure à celle d’un élément neuf.

2.5.4 La classe DMRL (IMRL)

On dit que F est IMRL (DMRL) si [35] :

Z ∞
E(Xt ) = (1/F̄ (x)) F̄ (u)du est croissante ( resp décroissante) en t (2.31)
t

2.5.5 La classe NBUE (NWUE)

NBUE (NWUE) [36], signifie qu’un élément neuf est meilleur (pire) qu’un élément
usagé en moyenne.
 On dit que la distribution F est NBUE (NWUE) si :

Z ∞
F (x)dx ≤ (≥)µF (t), pour t ≥ 0 (2.32)
t

Cette expression est équivalente à :

E(Xt ) ≤ (≥)E(X)

Où E(Xt ) : est la moyenne de la durée de vie résiduelle d’un élément d’âge t. La
moyenne de la durée de vie résiduelle d’un élément d’âge t est inférieure à celle d’un
élément neuf.

2.5.6 La classe HNBUE (HNWUE)

Les classes de distribution d’âge HNBUE (HNWUE) ont été introduites par Rolski
(1975) et étudiées par Klefsjö (1981, 1982) [37].
Soient une distribution d’âge F et sa distribution de survie F = 1 − F avec la moyenne
µ finie. F est dite ”HNBUE” si :
Z ∞
F (x)dx ≤ µe−t/µ , pour t ≥ 0 (2.33)
t

Si l’inégalité inverse est vérifiée alors F est dite ”HNWUE”

2.6 Classes de distributions discrètes

On dit que la distribution discrète de probabilité de survie :
∞
X
P̄k = pj k = 0, 1, 2...(P̄0 = 1)
j=k+1
∞
X
De moyenne µ : µ = P̄k finie est :
k=0

1. IFR discrète si :

(P̄k /P̄k+1 )∞
k−1 est non croissante en k, k = 0, 1, 2... (2.34)

2. IFRA discrète si :
1/k
(P̄k )∞
k−1 est non croissante en k, k = 0, 1, 2... (2.35)
 3. NBU discrète si :

P̄j .P̄k ≥ P̄j+k pour : j, k = 0, 1, 2, ... (2.36)

4. DMRL discrète si :

∞
X P̄j
est décroissante en k, k = 0, 1, 2... (2.37)
j=k
P̄ k

5. NBUE discrète si :

∞
X ∞
X
P̄k . P̄j ≥ P̄j ; pour k = 0, 1, 2, ... (2.38)
j=0 j=k

Où :
P̄k : Probabilité de survie de l’équipement à k choc.

2.7 Processus stochastique

2.7.1 Processus de Markov
Etant donné un ensemble d’indices T et un espace probabilisé (Ω, U, P ) : On appelle
processus stochastique une application de T dans la famille des variables aléatoires définies
sur (Ω, U, P ).
Nous utiliserons souvent comme éléments de l’ensemble T le paramètre t désignant le
temps.
Les ensembles T et Ω peuvent être discrets ou continus, ce qui engendre 4 types de
processus.
Pour chaque éléments ω de Ω, l’application de T dans R qui associe à t le réel xt (ω)
s’appelle une trajectoire (ou réalisation) du processus.
Lorsque nous utiliserons les processus stochastiques en théorie de la fiabilité, Ω
représentera l’ensemble des trajectoires du système étudié dans ses différents états.
Soit un processus stochastique xt (t ∈ T ) tel que pour toute suite finie t1 < t2 < ... <
tn < t d’éléments de t et pour toute suite finie U1 , U2 ...Un d’éléments de U on ait :

P [xt1 ∈ U/xt1 ∈ Un , xtn−1 ∈ Un−1 ...xt1 ∈ U1 ] = P (xt ∈ U/xt1 ∈ Un ]

Un tel processus est dit Markovien. La connaissance de l’état à l’instant tn résume

toute l’histoire du système.
Lorsque l’ensemble Ω des états est discret, ce processus est appelé chaı̂ne de Markov
(à paramètre discret si T est discret et à paramètre continu si T est continu).
2.7.2 Processus de Poisson
Supposons maintenant que T soit continu et que l’on s’intéresse au nombre
d’événements Xti s’étant produit jusqu’aux instants ti (ti ∈ T ).
On suppose que les variables aléatoires représentant les nombres d’événements, se pro-
duisant entre deux intervalles disjoints sont indépendantes ; c’est-à-dire que si t0 < t1 ... <
tn alors (xt1 − xt0 ), (xt2 − xt1 ), ..., (xtn − xtn−1 ) sont des variables aléatoires mutuellement
indépendantes. On dit que xi est un processus à accroissement indépendant.
On appelle processus de poisson, un processus à accroissements indépendants tel que :
– a) la variable aléatoire xt0 +t − xt0 ne dépend que de t,
– b) P (xt0 +∆t − xt0 ≥ 1) = λ∆t + o(∆t)
– c) P (xt0 +∆t > 1) = o(∆t)
Où, o(∆t) : Est une fonction de ∆t telle que :
o(∆t)
lim = = 0.
∆t→0 ∆t
La propriété (c) indique que deux éléments ne peuvent se produire simultanément. On
montre alors que :
(λt)k e−λt
P (xt = k) = (Loi de poisson de paramètreλt). (2.39)
k!
On montre également que :
– Quel que soit l’instant auquel on se place, la durée qui sépare cet instant du prochain
événement est une variable aléatoire de loi exponentielle de paramètre λ,
– Les durées qui séparent les événements consécutifs sont des variables aléatoires qui
suivent cette même loi exponentielle.

2.7.3 Modèles de chocs [38, 39, 40]

Soit un équipement sujet à des chocs et que ces derniers sont commandés par un
processus de comptage : N = {N (t); t ≥ 0}. Chaque choc cause un dommage Di .
X
Lorsque le dommage cumulé Di excède un seuil critique x, l’équipement est
i≤N (t)
défaillant.
La probabilité que le dispositif fonctionne sans défaillance entre [0, t] ou encore la
probabilité pour qu’il survive au-delà de t, est F̄ telle que :
∞
X
F̄ = P (N (t) = k)P̄k (2.40)
k=0

Avec :
 P (N (t) = k) : la probabilité que l’équipement a subit exactement k chocs.
P̄k : la probabilité de survie à k chocs, sachant que 1 = P̄0 ≥ P̄1 ≥ P̄2 ...; k = 0, 1, 2, ...
Plusieurs cas peuvent se présenter sur la nature du processus de comptage N, à savoir :
- Le cas où N est un processus de poisson de taux constant, alors :
∞
X (λt)k
F̄ = exp(−λt) P̄k (2.41)
k!
k=0

- Le cas où N est un processus de poisson non homogène alors :

∞
X (q(t))k
F̄ = exp(−q(t)) P̄k (2.42)
k!
k=0

q(t) : est la fonction de la valeur moyenne telle que :

Rt
q(t) = 0 λ(x)dx
-Le cas où N est un processus quelconque alors :
∞
X
F̄ = ak (t)P̄k (2.43)
k=0

Avec :ak (t) = P (N (t) = k)

Tel que :
R∞
qk = 0 ak (t)dt = E(Uk+1 )
qk : La durée de vie moyenne.
Uk+1 : Le temps des inter-arrivées entre les chocs d’ordre k et k + 1.
La probabilité P̄k de survie aux k chocs est considérée en fonction seulement du nombre
de choc k, sans considération d’autres dommages aléatoires. Dans les cas où la capacité
de résister aux chocs varie d’un choc à un autre d’une manière considérable, alors le seuil
critique x doit être vu comme variable aléatoire. Dans ce cas :
∞
(k)
X
F̄ = P (N (t) = k)Fk (x) (2.44)
k=0
(k)
Avec : Fk = F1 (x) ∗ F2 (x) ∗ ... ∗ Fk (x) (le produit de convolution de F, k fois) : la
probabilité
( que les dommages cumulés ne dépassent le seuil critique x.
(0)
F0 = 1, x ≥ 0
(0)
F0 = 0, ailleurs.
Les modèles de chocs représentent l’un des sujets les plus importants de la théorie de
fiabilité. Ils sont employés pour décrire les systèmes qui à des dates aléatoires sont sujets
à des chocs de magnitude aléatoire. Plusieurs modèles sont introduits dans la littérature.
Parmi eux, le modèle de choc cumulatif, le modèle de choc extrême et le modèle δ choc.
2.7.4 Modèle de choc cumulatif
Le système tombe en panne lorsque la magnitude des chocs cumulés entre dans une
certaine région critique donnée. La représentation de ce modèle est :
N (t)
X
{X ≤ t} ⇔ { Ai ∈ Z}
i=0

Où :
X ≥ 0 : la durée de vie du système,
Ai : magnitude du ième choc,
Z ⊂ < : région critique de formes suivantes :[0,z], ]z1 ,z2 ], ]-∞, z[, ou ]z, ∞[, où z, z1
et z2 sont des constantes fixées appelées les seuils du système,
N (t) : le nombre de chocs survenus dans l’intervalle [0, t].
Concernant ce modèle de fiabilité, la propriété de classe de la distribution de la durée
de vie est étudiée dans plusieurs références ; voir par exemple Esary et al [41]. Ainsi, les
propriétés IFR, IFRA et NBU sont obtenues dans la condition que le processus fonda-
mental est un processus de Poisson homogène. Certains de ces résultats sont étendus par
A. Hameed & Proschan [42] au cas d’un processus de Poisson non homogène, pour le-
quel les propriétés IFR et NBU demeurent valides dans un système série de composants
finis. Dans certaines conditions, dans les cas tels qu’un processus de naissance pur non
stationnaire, les auteurs discutent les conditions suffisantes d’appartenir à IFRA/DFRA
et HNBUE/HNWUE.

2.7.5 Modèle de choc extrême

Le système tombe en panne dès que la magnitude du choc individuel entre dans la
région critique.
On suppose que la magnitude du choc n’est pas cumulative, ainsi le modèle de choc
extrême est :

{X ≤ t} ⇔ {min{i : Ai ∈ Z} ≤ N (t)}

Shanthikuma & Sumita [43] ont conclu quelques propriétés de la distribution de la durée
de vie du système, et ont obtenu la condition suffisante pour laquelle la durée de vie est
complètement monotone, NBU, NBUE, ou HNBUE.
La combinaison des deux modèles nous donne le modèle de choc mixte introduit par
Gut [44], où le système est supposé tomber en panne soit par le cumul des chocs minimes
ou bien par un seul choc majeur, selon celui qui atteint son niveau critique en premier.
Les variables aléatoires suivantes

ν(Z) = min{n : Sn ∈ Z}, τ (Z) = min{n : An ∈ Z}

représentent le nombre de chocs jusqu’à la panne du système dans le cas cumulatif et

extrême respectivement. Les durées de vie correspondantes aux deux cas sont notées par
Xν (Z) et Xτ (Z).
La durée de vie de ce système est Xκ (Z) avec : Xκ (Z) = min{ν(Z), τ (Z)}
Où :
Pn
Sn = i=1 Bi ,
Bn : l’intervalle du temps entre le (n − 1)ème et le nème choc ou bien entre le nème et le
(n + 1)ème choc.

2.7.6 Modèle δ choc

Le système tombe en panne lorsque le délai entre deux chocs successifs entre dans une
certaine région critique décidée par δ, paramètre fixé. La représentation de ce modèle est :

{X ≤ t} ⇔ {min{i : Bi ∈ C(δ), i ∈ N } ≤ N (t)}

avec :
C(δ) : La région critique du système.

Dans le cas d’un système à un seul composant avec C(δ) =]0, δ[, Li et al [45] ont
obtenu la distribution explicite, le moment, les propriétés de NBU/NWU de la durée vie
du système et son comportement asymptotique.

Conclusion
Dans ce chapitre, des éléments de fiabilité ont été définis et constituent les paramètres
et les fonctions de base des investigations engagées dans les chapitres qui vont suivre.
Quant à la notion de modèles de chocs, elle a été introduite pour mieux expliciter certains
mécanismes de dégradations dans les systèmes électriques que nous introduisons dans le
troisième chapitre.
 CHAPITRE 3
Mécanismes de défaillance et
processus de dégradation

Introduction
Ces dernières années, la modélisation du comportement des composants/systèmes
électriques ne s’est pas limitée à la considération du modèle binaire, fonctionnement-
panne. Une attention particulière relative aux traitements des processus de défaillance
s’est révélée prépondérante. Elle s’intéresse à l’évolution de ce processus en allant de la
première mise en service de l’équipement jusqu’à la panne catastrophique en passant par
des états de dégradation successifs, de leurs natures et de leurs conséquences sur la vie de
l’équipement considéré.
Dans ce travail, sont traités des mécanismes de défaillances (problème déterministe)
et des modèles de dégradations et de chocs (problèmes déterministe et probabiliste).

3.1 Dégradation au niveau des jeux de barres

Comme sur différentes parties du réseau électrique, les jeux de barres sont le siège
de pertes d’énergie qui engendrent un échauffement des matériaux. Leurs propriétés
électriques, diélectriques, chimiques et mécaniques sont modifiées en conséquence.
Les jeux de barres, traversés par des courants sont soumis aux forces
électrodynamiques, dues aux champs magnétiques, qui pour des courants de même sens
s’attirent et pour des courants de sens inverse se repoussent. Ces effets se traduisent par
des translations des conducteurs et par des efforts de traction, flexion et torsion sur les

54
supports. Dans le cas de court-circuit, ces forces peuvent conduire aux destructions des
supports et des isolateurs.
En général, les conducteurs de jeux de barres sont dimensionnés en fonction de l’inten-
sité maximale de service nominal. Par suite, les sections choisies sont vérifiées en fonction
des contraintes thermiques et mécaniques.

3.1.1 Contraintes thermiques

Influence de l’échauffement sur les propriétés des conducteurs :
• L’échauffement agit sur la résistivité électrique des conducteurs qui varie linéairement
suivant la formule
ρθ = ρθ1 (1 + α1 (θ − θ1 )) (3.1)

α1 : Coefficient de température, en ˚C −1 ,
ρθ : Résistivité électrique à la température , θ en Ωmm2 /m,
ρθ1 : Résistivité électrique à la température, θ1 en Ωmm2 /m,
• L’échauffement agit sur les propriétés chimiques des conducteurs au niveau des
contacts en les oxydant. L’énergie absorbée en ces points augmente en conséquence. Les
variations de résistance des contacts dues à l’échauffement doivent rester dans les limites
fixées par les normes. Des précautions spéciales doivent être prises, notamment l’utilisation
des contacts recouverts d’argent.
• L’échauffement influe sur les propriétés diélectriques : le facteur de pertes
diélectriques augmente avec la température.
• La température agit sur les propriétés mécaniques des conducteurs en modifiant leur
longueur suivant la loi :

Lθ = Lθ1 (1 + α1 (θ − θ1 )) (3.2)

Avec :
α1 : Coefficient de dilatation thermique à la température θ1 , en ˚C −1
Lθ : Longueur du conducteur à la température θ , en m,
Lθ1 : Longueur du conducteur à la température θ1 , en m,
(θ − θ1 ) : Échauffement du conducteur.

Des précautions spéciales sont donc prises pour effectuer les raccordements. Si les
raccords sont des joints mécaniques, des rondelles élastiques disposées sous les boulons
en acier permettent de compenser les différences de dilatations de l’acier et de conduc-
teurs. En l’absence de ces rondelles, et par suite de l’échauffement, les boulons en acier
soumettent les barres à une forte pression qui les déforme et favorise le desserrage des
connexions.
Pour le raccordement des barres entre elles, des joints flexibles appelés ” colliers de
dilatation ”absorbent les dilatations des barres et les vibrations provoquées par la mani-
pulation d’appareils de coupure. La destruction des isolateurs par suite de l’échauffement
est ainsi évitée.

3.1.2 Contraintes électromécaniques

Tout conducteur placé dans un champ magnétique subit, lorsqu’il est traversé par un
courant, une force qui selon les lois de l’électromagnétisme tend à le déformer pour lui
faire couper le nombre maximum de lignes de force du champ, ou qui, en d’autres termes,
tend à le faire traverser par le flux maximum.
Les jeux de barres subissent de telles forces dues aux champs magnétiques produits
par les conducteurs voisins et parallèles. Lorsque dans deux barres voisines les courants
sont de même sens, l’effort subit par les barres est une attraction ; si les courants sont de
sens opposés, les barres se repoussent.
En service normal, ces efforts sont suffisamment petits pour pouvoir être négligés.
En court-circuit ; ils peuvent devenir considérables et atteindre des valeurs plusieurs fois
supérieures à leur valeur en service normal. On est amené à en tenir compte pour le calcul
mécanique des jeux de barres.
En cas de court-circuit, ces forces prennent naissance très brusquement ; elles sont
unidirectionnelles pour le courant continu, vibratoires ou pulsatrices pour le courant
alternatif et les efforts auxquels peuvent être soumises les barres ou leurs supports sont
de quatre types :

1) attraction ou répulsion transversales,

2) efforts dus à des vibrations,
3) efforts longitudinaux dus à une flexion transversale des barres,
4) moments de torsion provenant également de la flexion transversale.

a)Efforts électrodynamiques
Dans le cas général de deux barres parallèles, parcourues par deux courants I 1 et I2 ,
la force électrodynamique exercé mutuellement entre les deux barres est donné par la
formule :
I1 I2
F = µ0 (3.3)
2πd
µ0 = 4π10−7 : Perméabilité de l’air.
d : Distance entre les axes des deux conducteurs.

Pour un circuit triphasé ayant leurs barres parallèles dans le même plan, les forces qui
s’exercent sur les barres sont :

µ0 I2 I3
F1 = F 3 = (I1 I2 + ) (3.4)
2πd 2

µ0
F2 = (I1 I2 − I2 I3 ) (3.5)
2πd
Avec :
F1 : Force exercée par les conducteurs 2 et 3 sur le conducteur 1,
F2 : Force exercée par les conducteurs 1 et 3 sur le conducteur 2,
F3 : Force exercée par les conducteurs 1 et 2 sur le conducteur 3.

Les valeurs extrêmes de ces forces sont :

µ0 2
F1M AX = F3M AX = 0.81 I (3.6)
2πd M AX
µ0 2
F2M AX = 0.87 I (3.7)
2πd M AX
On remarque que la barre du milieu est la plus sollicitée aux efforts électrodynamiques,
donc on propose de calculer le courant de court-circuit, correspondant à la deuxième barre.
En régime de court-circuit, le courant maximum traversant la barre étant le courant de
choc, sa valeur est donnée par :

√
ICHOC = 2KCHOC Icc (3.8)

Tel que :

t
KCHOC = 1 + exp(− )
Ta
Avec :
KCHOC : Coefficient de choc.
X
Ta : Constante de temps donnée par Ta = R
t : Temps au bout duquel le courant de choc est atteint.
Pour trouver la valeur de KCHOC , il faut calculer X et R au point de court-circuit. Si
la valeur de R est difficile à calculer ou n’est pas connue, on prend KCHOC =1.8.
Si le réseau est purement capacitif on prend KCHOC =1.
Si le réseau est purement inductif on prend KCHOC =2.
 µ0 2
F2M AX = F2CHOC = 0.85 I (3.9)
2πd CHOC
D’où :
2
ICHOC
F2CHOC = 1.74 10−7 (3.10)
d
b)Efforts statiques
Le calcul des contraintes mécaniques s’effectue en considérant les barres comme des
poutres travaillant à la flexion, posées sur des appuis et soumises à une charge uni-
formément répartie. La partie à considérer est celle comprise entre les supports. On dis-
tinguera les ”contraintes principales” dues aux forces s’exerçant entre conducteurs prin-
cipaux, et les ”contraintes partielles” dues aux forces s’exerçant entre conducteurs d’une
même phase.
La contrainte maximale de flexion est donnée par la relation

MM AX
σM AX = (3.11)
W
MM AX : est le moment maximal de flexion donné par :

σM AX < σadm ≤ σrupture (3.12)

W : est le module de flexion, en cm3 , par rapport à l’axe perpendiculaire au plan de la

force d’agitation. Pour qu’un jeu de barre résiste aux efforts statiques il faut que :

F2CHOC L 2 L2 −3
MM AX = + 1.7ICHOC 10 (3.13)
12 d
Pour les tubes en AGS :σadm = 17daN/mm2
Pour les tubes en Cu :σadm = 24daN/mm2

3.1.3 Contraintes électriques

L’intensité maximale admissible dans les conducteurs de jeux de barres doit être di-
minuée lorsque l’échauffement résultant excède 30˚C. Elle se calcule suivant la relation
r
∆θ
I = I30 (3.14)
30
Avec :
 I30 : le courant provoquant un échauffement à 30˚C

∆θ = θM AX − θ1

Où :
θ1 : La température permanente admissible.
θM AX : La température maximale admissible fixée par les normes.

3.2 Dégradation au niveau des transformateurs

Le transformateur de puissance est un élément d’investissement lourd dans une ins-
tallation électrique, sa place au sein de cette installation est primordiale et est critique.
Malgré leur durée de vie appréciable, un échec de fonctionnement, engendré par divers
défauts, peut survenir.
Un transformateur défaillant occasionne des préjudices parfois très lourds de
conséquences : techniques, financières, commerciales, humaines, environnementales, etc.
Dans ce qui suit, sont exposés : les mécanismes de défaillances les plus fréquents.

3.2.1 Vieillissement des huiles de transformateur

Le fonctionnement sans défaillance des transformateurs de puissance dépend en grande
partie des qualités diélectriques des huiles isolantes. Tout au long de leur utilisation, ces
huiles peuvent être soumises à plusieurs contraintes électriques, thermiques, chimiques,
etc.
Sous l’action combinée ou séparée de ces contraintes pendant la mise en service des
transformateurs, les huiles isolantes se dégradent au cours du temps, ce qui est connu sous
le nom de vieillissement.
On appelle vieillissement tout phénomène se traduisant par une évolution lente et
irréversible des propriétés du matériau. Le terme de vieillissement n’implique pas un
mécanisme précis, on est souvent en présence de phénomènes complexes faisant inter-
venir simultanément plusieurs mécanismes tels que l’oxydation à température modérée,
hydrolyse, migration d’adjuvant.
L’étude du phénomène de vieillissement thermique d’un isolant liquide tel que l’huile
de transformateur a deux buts principaux :
•le premier est d’évaluer la durée de vie de ces isolants sous l’effet des contraintes
thermiques.
•le second est de trouver une éventuelle corrélation entre le processus de vieillissement et
les contraintes qui le provoquent.

On distingue quatre phénomènes importants, à savoir : électrisation, oxydation, l’hu-

midification et la dilatation.

3.2.2 Déformation des enroulements

Les forts courants de court-circuits sont une cause bien connue des déformations et
déplacements des enroulements de transformateur en raison des forces électrodynamiques
résultantes. De telles déformations ne mènent pas nécessairement à un échec immédiat
du transformateur, mais ses capacités à résister à de futurs efforts peuvent être fortement
réduite.
Pour assurer une capacité suffisante à résister à des court-circuits, des méthodes mo-
dernes de diagnostic devraient identifier de tels pré-endommagements des transformateurs
de puissance.
Dans la norme 76-5 de la CEI, la mesure de réactance est décrite comme la méthode
de diagnostic, pour démontrer l’intégrité des enroulements.

3.2.3 La combustion de la résine

La résine époxy thermodurcie exposée à une source de chaleur subit une dégradation
thermique allant jusqu’à la combustion.

3.3 Dégradation au niveau des équipements de pro-

tection
L’appareillage électrique est un élément essentiel qui permet d’obtenir une protec-
tion et une exploitation sûre et ininterrompue d’un réseau. Il est souvent soumis à des
contraintes qui créent des défauts au niveau des contacts, du diélectrique et le système de
commande.

3.3.1 Les contacts

Les appareils de coupure sont avant tout des appareils de connexions, qui laissent
ou non passer le courant selon que les contacts sont ouverts ou fermés. Ces contacts
électriques ont donc un rôle fondamental dans la constitution des appareils et leurs
performances, en particulier :
 a)La résistance de contact
Cette résistance est due au fait que le courant ne passe que par quelques points réellement
en contact et exempts de couches isolantes ; ils ne représentent qu’une petite fraction de
la surface qui est déterminée par la force d’appui, la dureté superficielle du matériau et
son niveau d’oxydation. Elle doit rester faible et sans évolution notable dans le temps ;
afin que les échauffements locaux qui en résultent soient admissibles.
•Au passage du courant dans les contacts, il apparaı̂t une résistance évaluée par la formule
de Holm selon le modèle ellipsoı̈dale de conduction par :
r
πH ρ0
RS0 = × (3.15)
Fe 2
Avec :
ρ0 : la résistivité du matériau à la température ambiante,
Fe : La force de contact,
H : La dureté du matériau.

b)La résistance à l’érosion

L’une des caractéristiques essentielles de l’arc électrique est sa température élevée (5000
K à 10000 K) qui porte tous les métaux au-delà de leur point du fusion et d’ébullition. On
conçoit dès lors qu’après chaque coupure d’arc, la surface réelle du contact est fortement
perturbée. La complexité des phénomènes qui modifient la surface de contact est telle
qu’il est impossible de prévoir les variations des résistances de contact après coupures.
On remarque la très grande dispersion due essentiellement à la modification aléatoire de
l’état de surface. Seule l’expérience peut permettre d’apprécier l’évolution de la résistance
après plusieurs manœuvres.
L’érosion électrique devient significative pour les courants forts et les tensions élevées.
Elle est souvent exprimée en fonction de la quantité d’électricité transportés par l’arc de
coupure, avec un coefficient d’évaporation donné par :

Uam
K 0 = 0.5 × 102 √ A3 (3.16)
H

M asse atomique
A=
Densité
Où K est obtenu en 10 cm /C, avec H en t/cm−2 .
0 −6 −3

Cette formule montre que l’évaporation diminue quant la dureté H et la densité du

métal croissent, et augmente avec la tension minimale d’arc Uam .
Expérimentalement, on observe un coefficient d’usure (matière évaporée - matière
redéposée) dont les valeurs, à ± 40%, pour quelques métaux sont regroupés ci-dessous.

Métal Ag Pt Au Ni W
K 0 (10−6 cm3 /C) 0.24 1.2 1.1 1.4 0.04

L’érosion peut aussi s’exprimer en fonction de l’énergie dans l’arc.

Z t
Wa = Uam dt (3.17)
0

Le phénomène de l’érosion est d’avantage élucidé à travers les figures : (3-1), (3-2) et
(3-3).

Fig. 3.1 – Erosion par l’arc électrique en fonction de l’énergie d’arc

Fig. 3.2 – Influence du diamètre des Fig. 3.3 – Influence du soufflage
contacts sur le taux d’érosion. magnétique sur la perte de masse.

c)La propension à souder des matériaux

C’est un mode de défaillance grave pour l’appareil ainsi que pour le réseau ou l’installation
dont l’équipement est insérée. Cette propension à souder est déterminante quant au bon
fonctionnement des appareils.
• Lorsque la surintensité dépasse la valeur assignée, par exemple lors d’un court-circuit
(même limité par un fusible ou un disjoncteur rapide), les contacts peuvent s’ouvrir par
répulsion électrodynamique, créant un arc de courte longueur et de brève durée. La re-
fermeture sur des surfaces de fusion donne lieu, alors, à de fortes soudures.
• La soudure des contacts en absence de l’arc électrique, est due aux surcharges de courant
qui font fondre le métal des contacts qui se solidifie après qu’il soit diminué.

3.3.2 Les diélectriques

Le problème de la tenue diélectrique d’appareillage s’apparente à celui de tous les
composants de réseaux, mais peut revêtir des aspects spécifiques liés en particulier, au
type de milieu utilisé pour l’extinction de l’arc de coupure : air ou gaz (comprimé ou non),
liquide (huile minérale), vide et solide.
Plus la tension est élevée, plus les problèmes diélectriques sont préoccupants, ils sont
dominés par la difficulté d’étude des champs électriques, environnant les pièces et milieux
isolants et, bien plus encore, par la complexité des phénomènes d’altération dans le temps,
des propriétés isolantes de ces pièces ou milieux, altération qui relève presque toujours de
l’imprévisible.
• les isolants gazeux : si la tenue diélectrique d’un appareil résulte de l’emploi d’une cer-
taine pression, il est clair qu’une baisse de cette pression entraı̂nera une dégradation de
ses propriétés d’isolement. Si, à l’inverse, elle est due à un vide très poussé, une très légère
remontée en pression, par l’introduction accidentelle de l’air ou libération de gaz occlus
dans des matériaux internes, pourra altérer gravement la tenue diélectrique initiale.
• les isolants liquides : la présence, même à l’état de trace, d’impuretés en suspension
dans un isolant liquide diminue considérablement ses propriétés diélectriques. Les parti-
cules charbonneuses dues à la décomposition de l’huile par les arcs ou les effluves sont
une autre cause d’altération des propriétés isolantes. Des phénomènes plus complexes de
même ordre, ou un peu plus complexes, se produisent à la surface de séparation entre les
liquides isolants et les autres milieux.
• les isolants solides : parmi les isolants solides, ceux qui sont organiques sont les plus
altérables ; ils sont, tôt ou tard, décomposés chimiquement. Si, de surcroı̂t, ils sont soumis à
un champ électrique important, ils peuvent subir dans leur masse une destruction progres-
sive due au mécanisme d’ionisation interne (décharges partielles). Les isolants inorganiques
(verre, porcelaine) résistent mieux dans leur masse car ils ne sont pas décomposables par
les effluves internes, mais les efforts mécaniques et les cycles thermiques peuvent parvenir
à les disloquer.

3.3.3 La commande
Selon les statistiques effectuées sur le comportement des disjoncteurs des réseaux
à haute tension d’une population d’environ 8000 appareils, 80% des avaries étaient
d’origine mécanique et la plupart des défauts se situant au niveau des commandes.

3.4 Exemples d’application [46, 38, 39, 40]

Cas des jeux de barres

• Modèle de choc (rupture brutale des supports de jeux de barres)

L’étude suivante utilise le modèle de chocs dont le processus de comptage correspond
à l’arrivée des court-circuits et la distribution des dommages est celle des contraintes
électromagnétiques. Lors de fortes intensités des courants de court-circuit, les jeux
de barres sont soumis à des contraintes électromagnétiques (rares et extrêmes), leur
défaillance provient d’un dépassement brutal de la tenue mécanique de leurs supports.
Dans ce cas, on définit deux variables aléatoires :
– Celle de l’amplitude du courant de court-circuit (Icc ). C’est une v.a continue à
valeurs positives bornée supérieurement pour des raisons physiques.
– Celle de la fréquence d’apparition des défauts (N). C’est une v.a discrète.
Le support d’un jeu de barres est soumis à des contraintes électromagnétiques tran-
sitoires et intenses qui sont modélisées selon la loi : X = KI 2 . On considère la distribu-
tion des amplitudes maximales (X1 , X2 , ..., XN ) issue de la distribution continue. Lorsque
la contrainte dépasse une seule fois une tenue spécifiée x0 il y a défaillance (rupture
mécanique). En considérant l’arrivée des chocs commandée par un processus de Poisson
du taux constant λ, alors la probabilité pour que le support survive jusqu’à (t) ou encore
la probabilité que toutes les contraintes soient inférieures à la valeur (x) dans l’intervalle
[0, t] est :
∞
X (λt)k
F̄x (t) = exp(−λt) [F (x)](k)
k=0
k!

Pour une unité de temps, cette dernière devient :

∞
X (λ)k
F̄ (x) = exp(−λ) [F (x)](k)
k=0
k!

Cette dernière est issue du développement limité de :

∞
X
F̄ (x) = exp[−λ(1 − F (x))]
k=0

Dans le cas ou F (x) est une distribution exponentielle de paramètre β on a :

F̄ (x) = exp[−λe−βx ]
qui est celle de Gumbel. Elle est jugée loin de la réalité [9].
Dans ce cas, la probabilité d’apparition d’un défaut d’amplitude supérieure ou égale
à x dans une période égale à T unités de temps est :

F̄ (x) = P (X > x/T ) = 1 − exp[−λT exp(−βx]

Deux autres modèles peuvent être considérés où le processus de comptage est l’arrivée
des court -circuits et que les distributions des dommages peuvent correspondre respecti-
vement à la dilatation des jeux de barres (déformation) et à la profondeur de la fissure
sur barre.
Cas d’un disjoncteur

• Modèle de dégradation lente (Usure des contacts )

Le processus de comptage est l’arrivée des chocs (de manœuvres) et la distribution des
dommages est celle de l’usure des contacts.
Le disjoncteur est conçu pour résister aux courants de défauts maximaux. L’accumula-
tion des dommages élémentaires dus aux effets thermomécaniques conduit progressivement
à l’usure des contacts.
L’usure des contacts est une fonction monotone de l’amplitude du courant de court-
circuit (I) et du nombre de manœuvre (N ). Elle est donnée par :

N
Iiα ∼
X
U (N ) = = KN I α
i=1

Dans ce cas, on définit deux v.a :

-Celle de l’amplitude des courants de court-circuit (I).
-Celle du nombre de manœuvres (N ). C’est une v.a discrète. La distribution de l’usure est
la distribution d’une séquence de variables aléatoires Iiα conditionnées par les chocs 1,2,...
Tous ces chocs sont mutuellement exclusifs et leur union constitue l’événement certain.
Cependant, la distribution totale de l’usure est donnée par :
∞
X
F (u) = F (u/N )P (N (t) = N )
N =0

Lorsque l’usure excède une valeur spécifiée (U0 ), il y a défaillance. La probabilité de

survie des contacts dans [0,t] aux dommages cumulés est :
∞
X
F̄ (t) = P (N (t) = N )F (u)(N )
N =0

Avec :
∞
X
F (u) = F (u/j)P (N (t) = j)
N =0

Dans le cas d’un processus de Poisson de taux constant λ, les solutions analytiques
correspondantes à F (u) exponentielle de taux µ sont inutilisables car trop éloignées de la
réalité.

Pour les distributions de Weibull F (i) ou log normale, de bonnes approximations de

F (u) ont été obtenues.
 Deux autres modèles peuvent être considérés par rapport à ces composant. Le pro-
cessus de comptage, le nombre de manœuvre et les distributions des dommages sont
respectivement la variation de la résistance des contacts et la perte de masse.

Cas du transformateur

• Modèle de choc (Contrainte électrodynamique )

Le processus de comptage correspond à l’arrivée des court-circuits et la distribution des
dommages est celle des contraintes électrodynamiques.
Les bobinages des transformateurs sont soumis aux contraintes électrodynamiques
provoquant leur déformation. Lors de fortes intensités de courant de court-circuit, ces
forces sont intenses et il ya risque d’incendie du bobinage.
Dans ce cas, on définit deux v.a :
-Celle de l’amplitude des courants de court-circuit (I).
-Celle de la fréquence d’apparition du défaut (N ).
La distribution des amplitudes des courants de court-circuits (I1 , I2 , ..., IN ) est issue
de la distribution continue F (i). Lorsque l’amplitude du courant de court-circuit atteint
une seule fois la valeur Icc il y a défaillance du bobinage.

La probabilité de survie du transformateur dans [0,t] est :

∞
X
F̄ = P (N (t) = N )F (i)(N )
N =0
Deux autres modèles peuvent être considérés par rapport à ce composant. Les pro-
cessus de comptage sont respectivement les arrivées des surtensions et celles des sur-
charges et les distributions des dommages sont respectivement la diminution de la rigidité
diélectrique et la variation de la pression interne.

3.4.1 Lois non-paramétriques du processus de comptage [47, 48]

Dans le cas d’un modèle de choc général, la probabilité de survie de l’équipement

sujet à des chocs dans [0,t] est :
∞
X
F̄ (t) = P (N (t) = N )P̄k
N =0

• Cas où le processus de comptage est un processus de Poisson

Dans le cas ou le processus de comptage est un processus de Poisson, alors, si (P̄k )∞

0
a les propriétés discrètes IFR, IFRA, NBU, NBUE, DMRL, HNBUE, donc ces propriétés
vont se refléter sur F̄ (t) .
Lorsque :
- (P̄k )∞
0 est IFR discrète, alors F̄ (t) est IFR continue : signifie que plus le nombre de
chocs augmente plus le taux de défaillance augmente.
Dans ce cas : (P̄k /P̄k−1 )∞
0 est décroissante.
- (P¯k )∞
0 est IFRA discrète, alors F̄ (t) est IFRA continue : signifie que plus le nombre
de chocs augmente plus le taux de défaillance augmente en moyenne.
1/k
Dans ce cas : (P̄k )∞
0 est décroissante.
- (P̄k )∞
0 est NBU discrète, alors elle est NBU continue : signifie que plus le nombre de
chocs augmente plus l’équipement s’use et devient mauvais.
L’intérêt de cette classe se résume dans l’exemple suivant.

Si on compare deux systèmes (S1 ) et (S2 ) où, (S1 ) est constitué d’un disjoncteur
auquel on fait subir (k + l) chocs. On calcule sa probabilité de survie et on trouve P̄k+l ,
(S2 ) est constitué d’un disjoncteur auquel on fait subir k chocs, puis on le remplace par
un autre disjoncteur auquel on fait subir l chocs et on calcule les probabilités de survie
aux chocs P̄k et P̄l .
Par conséquent, la probabilité de survie du système (S2 ) est P̄k .P̄l . Si P̄k+l ≤ P̄k .P̄l ,
k, l = 0, 1, 2... alors, le système (S2 ) est meilleur que (S1 ). Donc, il est préférable de
changer le disjoncteur après k chocs, que de lui faire subir plus qu’il n’en peut. Dans le
cas contraire, si P̄k+l ≥ P̄k .P̄l , il est préférable de laisser fonctionner le disjoncteur après
k chocs, que de le changer par un autre.

- (P̄k )∞
0 est NBUE discrète alors F̄ (t) est NBUE continue : signifie que plus le nombre
de chocs augmente plus la moyenne de sa durée de vie résiduelle diminue.
Pour illustrer l’intérêt de cette classe, on présente l’exemple suivant :
On désire comparer les moyennes de vie de deux systèmes (S1 ) et (S2 ) à des stades de
vies différents.
(S1 ) comporte un disjoncteur auquel on fait subir k chocs, on calcule la probabilité de
survie et on trouve P̄k . A partir des k chocs, on le soumet à une infinité de chocs puis on
calcule la probabilité de survie pour chacun et on trouve P̄k+1 , P̄k+2 , ...
∞
X
La moyenne se calcule par : µk = P̄k
j=k
(S2) comporte un disjoncteur auquel on fait subir une infinité de chocs. Pour chacun, on
calcule sa probabilité de survie et on obtient P̄0 , P̄1 , ...
 ∞
X ∞
X ∞
X
Puis on calcule la moyenne µk = P̄j , et si P̄k P̄j ≥ P̄j , alors (S2 ) est
j=0 j=0 j=k+1
meilleur que (S1 ) en moyenne.
C’est à dire que la durée de vie moyenne du disjoncteur de (S2 ) est supérieure à celle
de la durée de vie moyenne résiduelle du disjoncteur de (S1 ). Donc, plus il subit des chocs
plus la moyenne de vie qui lui reste diminue. Dans le cas contraire, (S1 ) est meilleur que
(S2 ).

- (P̄k )∞
0 est DMRL discrète, alors F̄ (t) est DMRL continue : signifie que plus le nombre
de chocs augmente, plus la moyenne de vie résiduelle de l’équipement diminue.
∞
X
Dans ce cas : P̄j /P̄k , est décroissante pour k = 0, 1, 2, ...
j=k

- (P̄k )∞
0 est HNBUE discrète, alors F̄ (t) est HNBUE continue :
∞ ∞
X 1 X
Dans ce cas : P̄j ≤ µ(1 − )k est décroissante pour k = 0, 1, 2... et µ = P̄j ,
j=k
µ j=k+1
ce qui signifie qu’en augmentant le nombre de chocs, l’équipement vieillie en moyenne et
en harmonique dans sa durée de vie.

• Cas ou le processus de comptage est un processus de Poisson non homogène

Dans le cas ou le processus de comptage est un processus de Poisson non homogène

alors, la fonction de survie F̄ (t) est IFR, IFRA, NBU, NBUE, DMRL, HNBUE si

- (P̄k )∞
0 a la propriété discrète et sous des conditions souhaitables sur la fonction
de la valeur moyenne q(t).
q(t)
F̄ (t) est NBUE, si q(t) est de forme étoile ; c’est-à-dire : t
est croissante pour t ≥ 0 et
q(0) = 0. Cette condition est aussi exigée pour le cas HNBUE.

• Cas ou le processus de comptage est un processus général

Dans le cas où le processus de comptage est un processus général, plusieurs modèles
de ce type ont été étudiés.

Dans le modèle de choc où la fonction de survie F̄ (t) = S̄(q(t)), avec

∞
X
S̄(t) = Zk (t)P̄k (t) où Zk (t) = P
k=0

(exactement k chocs se sont présentés dans [0 ,t] lorsque λ(t) ≡ 1).

Rt
et q(t) = 0 λ(x)dx, signifie que S̄ est la fonction de survie lorsque les chocs se présentent
selon un processus de naissance stationnaire pour lequel les temps des inter-arrivées entre
les chocs k et k + 1, k = 0, 1.2... sont indépendants et exponentiellement distribués avec
(−1)
les moyennes λk ) [49].

F̄ (t) est IFR , IFRA, NBU, NBUE, DMRL, HNBUE sous des conditions souhai-
tables sur (λk )∞ ∞
0 , λ(t) et (P̄k )0

-F̄ (t) est IFRA si (P̄k )∞ ∞

0 est croissante, q(t) est de forme étoile et (P̄k )0 a la pro-
priété IFRA discrète.
∞
X
- H(t) est DMRL si λ(t) est croissante et ( P̄j λ−1
j )/P̄k est décroissante en k = 0, 1, 2...
j=k

- F̄ (t) est NBUE si q(t) est de forme étoile et :

∞ ∞
(−1)
X X
P̄j qj ≤ P̄k P̄j qj pour k = 0, 1, 2... ou qj = λj
j=k j=0

Les temps des inter arrivées Uk , k = 0, 1, 2... sont indépendants et NBUE (pas
nécessairement de distribution exponentielle, dans le cas général)[48].
Aussi pour tout t ≥ 0, k = 0, 1, 2...
∞
X Z ∞
-qk aj (t) ≥ ak (x)dx.
j=0 t

F̄ (t) est HNBUE si les temps des inter-arrivées, k = 0, 1, 2... sont indépendants et
HNBUE et S̄(t) est HNBUE.

3.5 Corrélations entre les modèles de chocs et les

modèles de dégradations
Les notions développées précédement peuvent être traitées simultanément dans le cas
où deux processus de dégradation et un processus de choc peuvent avoir lieu sur un
système donné.
Hongzhou Wang et Hoang Pham dans [50] proposent un modèle pour l’évaluation de
la fiabilité d’un système avec des états de dégradation sujet à des processus de panne
à savoir deux processus de dégradation Y1 , Y2 et un processus de choc D(t). A l’état
initial (E1 et E2 ) le système est considéré en bon état. Avec le temps il peut passer en
premier à l’état de dégradation ((E − 1)1 ou (E − 1)2 ) où à l’état de panne catastrophique
(P), dû au choc aléatoire. Le même processus se répète à chaque étape de dégradation
à l’exception du dernier état (01 et 02 ). Lorsque le système atteint le dernier état, il ne
peut plus accomplir ses fonctions d’une façon satisfaisante ; il est considéré comme étant
en panne telque illustré par la figure (3.4).

Fig. 3.4 – Diagramme des états de transition d’un système sujet à trois processus de
panne

1. Le système se compose de (E+2) états où 0 et F sont les états de panne, les états
i, 1 < i < E sont des états de dégradation ;
2. Aucune réparation ou entretien sont exécutés sur le système ;
3. Yi (t) i = 1, 2, fonction non décroissante non négative de temps t depuis la
dégradation et correspond à une accumulation irréversible des dommages ;
4. Yi (t) i = 1, 2 et D(t) sont statistiquement indépendantes. L’indépendance implique
que l’état d’un processus n’aura aucun effet sur les états des autres ;
5. A l’instant t = 0, le système est à l’état E ;
6. Le système peut tomber en panne en raison du :
– Processus de dégradation si Yi (t) > Gi pour i = 1, 2 ;
N (t)
X
– Processus de choc aléatoire si D(t) = ( Ai ) > S, Gi et S sont des seuils critiques
i=1
de dégradation et de chocs respectivement ;
7. La valeur du seuil critique Gi dépend de la fonction des états dégradés du système.
Les chemins de dégradation sont modélisés par une certaine fonction de probabilité
continue. Notons que la condition de fonctionnement du système est caractérisée par un
nombre fini d’états dont l’espace d’états du système est ΩU . Par conséquent, nous avons
besoin de discrétiser le processus continu.
Conclusion
Cette notion complexe constitue un axe de recherche très intéressant. Quant à notre
travail, et dans le chapitre 5, seul sera traité le cas d’un seul processus de dégradation.
Contrairement à ce qui a été décrit ci-dessus, deux cas sont à distinguer, à savoir : dans
le premier cas, aucune action de réparation partielle ou de maintenance n’est envisagée ;
par contre dans le deuxième cas, au cours de la dégradation, trois types d’actions de
maintenance sont envisagées.
 CHAPITRE 4
Apport et traitement du retour
d’expérience

Introduction
Toute analyse de fiabilité en exploitation nécessite un traitement du retour
d’expérience pour déterminer les paramètres des lois de distribution et la connaissance des
évolutions futures des comportements des composants/système. Lors de ce traitement, des
questions pertinentes sont posées et des réponses sont apportées [51]. Il s’agit de savoir :
- Quelles sont les données qui intéressent notre étude ?
- Comment présenter ces données pour qu’elles soient utilisables ?
-Quels moyens mettre en œuvre pour restituer les données manquantes ?
- Quels outils de calcul utiliser pour traiter les fiches obtenues en exploitation ?
- Quels outils statistiques utiliser pour juger la signification statistique des données
obtenues ?
La question la plus pertinente soulevée en dernier est :
Quel est le degré de fidélité qu’il faut associer à ces données et quel moyen technique
doit -t-on adopter ?

4.1 Constitution de la base de données

4.1.1 Données du retour d’expérience
La collecte des données a été faite au niveau des services d’exploitation des réseaux
de la ville d’Alger et de la ville de Béjaia. Les données sont consignées dans des registres
représentant les bilans annuels d’interventions des agents sur le terrain suite à un défaut

73
ou à une opération de maintenance. Ces bilans ont été établis à leurs tour sur la base des
fiches d’interventions journalières et servaient à la détermination des primes de rendement
individuelles et collectives. Les données sont diverses et concernent : le jour d’intervention,
le début de la coupure, l’élément qui est à l’origine de la coupure, la cause de la coupure,
l’heure de rétablissement présumé, le rétablissement définitif de l’alimentation, etc.
Pour constituer la base de données, le travail consiste à exploiter des archives tout en
s’appuyant sur les différentes structures des réseaux sur lesquelles des changements ont
été effectués au cours des années. Aux données de pannes, s’ajoutent celles des puissances
et des tronçons de câbles et de lignes. D’où la nécessité de la connaissance des types
des différents postes et les sections des différents tronçons et le type de câble de chaque
tronçon. Après avoir défini les données à exploiter, à savoir : le nombre annuel d’incidents
par départ, les durées moyennes annuelles de coupure par départ, les énergies annuelles
non distribuées et les avaries câbles souterrains et lignes aériennes, un détail devait être
donné pour ces dernières. Par rapport aux incidents sur les départs, il fallait distinguer
les incidents sur les postes et sur les câbles. Par rapport à ceux des postes, on précise quel
est l’équipement qui est à l’origine de la panne. La même opération est effectuée pour les
avaries câbles et lignes pour savoir quel équipement est à l’origine : s’agit -il du tronçon de
câble ou d’une boite d’extrémité ou de jonction [52][53]. Ce travail est résumé en termes
d’analyse fonctionnelle.
Quant à l’analyse du retour d’expérience, elle s’est effectuée en trois phases, à savoir :
le dépouillement, l’ordonnancement et la modélisation. Le dépouillement a duré environ
06 mois et s’est effectué en partie à l’entreprise. L’ordonnancement a été effectué sur les
bases de la statistique descriptive. Quant à la modélisation, les modèles de Box et Jenkins
ont été utilises. Pour le calcul de la fiabilité proprement dite, des paramètres tels que les
taux de défaillance et de remise en service ont été estimés.
Certaines données et certains résultats obtenus ont été introduits pour le calcul
technicoéconomique et l’aboutissement à des recommandations en vue de prévisions de
mesures techniques et organisationnelles pour l’amélioration du niveau de fiabilité [8].

4.1.2 Données censurées

Dans le cas du domaine industriel, les données sont souvent manquantes (incomplètes),
l’importance de l’analyse de fiabilité avec des données manquantes est croissante, cela
revient à la fois aux systèmes complexes des industries, à la sophistication de leurs modes
de production ainsi qu’à la sécurité-insécurité engendrées par ces derniers développements.
La plupart des définitions relatives aux modèles censurés concernent les équipements
ou les composants non réparables, où il suffit d’une panne pour les rebuter (rejeter, déclarer
inutilisables, . . .). Les instants d’arrivées de pannes de cet ensemble d’équipements sont
indépendants car chaque composant est indépendant de l’autre.
Le cas des équipements réparables est tout à fait autre, les instants d’arrivées de pannes
de chaque équipement sont dépendants : chaque panne est dépendante de celle qui la
précède.
Dans notre travail, cette notion n’a pas été développée. Néanmoins il est judicieux de
souligner qu’en cas de besoin on peut recourir à trois types de modèles, à savoir : le modèle
censuré de type I, le modèle censuré de type II et enfin le modèles censuré aléatoire [54].

4.2 Modèles des séries chronologiques

Ces dernières années, les séries chronologiques ont été introduites dans la modélisation
de certains phénomènes relatifs aux systèmes électriques. R. Billinton et al [?] ont intro-
duits deux types de modèles de séries chronologiques considérant les données des énergies
renouvelables pour l’évaluation de la fiabilité des systèmes électriques. Une méthodologie
d’estimation des paramètres de Box Jenkins a été explicitement introduite. R. Medjoudj
et al [6] ont développé des modèles de Box Jenkins pour établir des prévisions de pannes
des composants d’un réseau électrique de distribution et une application a été effectuée
pour le réseau 10 kV de la ville d’Alger. Dans le même contexte B-A. Carreras [3],
a modélisé des incidents majeurs en terme de blackouts des systèmes électriques ; où
l’analyse des données a été effectuée sur une période de 15 ans avec 427 blackouts qui
ont eu lieu pendant cette période. Il s’agit d’estimer d’un point de vue fiabilité, l’énergie
non distribuée, la puissance perdue et le nombre de consommateurs affectés [5].

Dans ce travail, en plus d’une synthèse des travaux, un autre volet mettant en exergue
l’intérêt de cette modélisation consiste en la prévision de la demande en énergie pour une
centrale électrique qui joue un rôle prépondérant dans le schéma de production nationale
(Sonelgaz). Parallèlement à ce travail, les méthodes combinatoires d’analyse de fiabilité
ont été introduites, à savoir : le calcul de probabilité de perte de charge et la probabilité
de perte d’énergie, dont une application à été effectuée pour la centrale hydraulique de
Darguina, et le calcul des probabilités d’occurrence d’un blackout en Algérie, basé sur la
connaissance de la capacité seuil et les combinaisons sur les différents groupes des centrales
de production d’énergie à travers le territoire national [21].
4.2.1 Définition
Une série chronologique est un ensemble de données mesurant un phénomène repéré
dans l’ordre croissant du temps. L’analyse des series chronologiques met en évidence quatre
composantes :
– Une tendance (T) : mouvement de longue durée de la série.
– Une composante saisonnière (S) : variations correspondant à la répétition d’un profit
particulier.
– Une composante cyclique (C) : fluctuation à long terme autour de la tendance.
– Composante résiduelle (R) : variations accidentelles ou erreurs.
Il existe deux types de séries :
– Série continue : c’est une série ou l’observation se fait d’une manière continue.
– Série discrète : c’est une série réalisée sur des intervalles de temps fixés à priori :
le jour, mois, année ; ces suites de données sont appelées discrètes, notées (Xt , t =
1, ..., T ) ou T désigne le nombre d’observations.

4.2.2 Série chronologique stationnaire

Une série chronologique Yt est dite stationnaire si elle est la réalisation d’un proces-
sus stationnaire. Ceci implique que la série ne comporte pas de tendance ni de saisonnalité.

 E(Yt ) = m ;
Cov(Ys , Yt ) = E[(Ys − m)(Yt − m)] = γ(s − t) = γk ;
s, t ∈ Z ,et k = s − t.


4.3 Modèle de Box et Jenkins

Nous nous plaçons ici dans le cas où le processus stochastique généré Yt est supposé
discret et stationnaire. La méthode de Box et Jenkins permet de trouver en plusieurs
étapes un modèle ARMA susceptible de représenter une série chronologique.

4.3.1 Étapes de la méthode de Box et Jenkins

1/Familiarisation avec les données : L’utilisateur doit s’informer sur la qualité
des données (précision, incertitude)et l’homogénéité des données. L’utilisateur examine
les représentations graphiques qui peuvent révéler par exemple des erreurs grossières.

2/Analyse préliminaire : L’analyse préliminaire nous permet de détecter les trans-

formation à faire sur la série brut afin de l’homogénéiser (transformation logarithmique,
inverse, racine, etc ...) et de la ramener à un modèle ARMA stationnaire et cela en
choisissant de différencier la série par les opérateurs : différence première (en présence
d’une tendance) et différence saisonnière (en présence d’une saisonnalité d’ordre s).

3/Identification du Modèle : Généralement, pour spécifier le modèle, on se base

sur la forme des fonctions d’auto-corrélations et d’auto-corrélations partielles de la série
étudiée (éventuellement différenciée.)

4/Estimation des paramètres : Les paramètres sont les coefficients des polynômes
AR et MA, dans les cas simples, on peut considérer les auto-corrélations du processus en
nombre égal au nombre des paramètres à estimer.

5/Validation du modèle : Une fois les paramètres sont estimés, on examine s’ils
répondent aux conditions de stationnarité et d’inversibilité. On vérifie si ces paramètres
sont significatifs ou pas grâce au test de student. Ensuite, on peut tester les résidus du
modèle s’ils constituent un bruit blanc.

6/Prévision : Les paramètres estimés sont utilisés dans cette étape pour calculer les
nouvelles valeurs de la série ainsi que des intervalles de confiance autour de ces valeurs
prévues.

7/Interprétation des Résultats : Cette étape n’est pas la plus simple, car il
faut savoir analyser les différentes transformations effectuées pour pouvoir déterminer le
comportement à long terme de la fonction de prévision.

Pour illustrer cette méthodologie nous allons définir certaines fonctions :

a/L’opérateur de différenciation : il permet d’éliminer la tendance de la série.

Cet opérateur ∇ est défini par :

∇Xt = Xt − Xt−1

Nous entrons maintenant dans des considérations de notations. En effet, par écriture
purement formelle on peut écrire :

∇Xt = Xt − BXt = (1 − B)Xt

On peut écrire ∇ sous la forme d’un polynôme en B avec :

 ∇ = (1 − B)

On peut l’appliquer une 2ème fois pour éliminer la tendance quadratique, Ce mode
d’écriture sous forme de polynôme en B est en fait très pratique mais totalement formel.
Il ne faut pas oublier que, quand on écrit (1 − B)X, on définit à partir d’une série X, une
nouvelle série qui à t, fait correspondre la différence entre la valeur de la série observée à
l’instant t et celle observée à l’instant (t − 1).

b/L’opérateur de désaisonnalisation : il permet d’éliminer la saisonnalité de

période s il est noté : ∇s et défini par :

∇s Xt = Xt − Xt−s

au lieu d’utiliser le filtre différence on peut le remplacer par l’opérateur de retard β

∇s Xt = (1 − B s )Xt

4.3.2 Le processus moyenne mobile d’ordre 1 (MA(1))

Il s’agit d’un processus où la variable Yt est une combinaison linéaire de deux innova-
tions successives. Le modèle s’écrit :

Yt = εt − θεt−1 = εt − Bθεt = (1 − Bθ)εt (4.1)

ou bien

Yt = −θYt−1 − θ 2 Yt−2 − θ 3 Yt−3 − . . . + εt (4.2)

où
Yt : représente la série originale.
θ : paramètre du modèle estime.
εt : représente l’erreur de la précision.

1/ La fonction d’auto-corrélation : la fonction d’auto-corrélation est donnée par :

Cov(Yt , Yt−k )
ρk = (4.3)
V ar(Yt )

la fonction d’auto-corrélation du processus MA(1) :

 −θ
(1+θ 2 )
si k = 1 ;
ρk = (4.4)
0 si k > 1.
 2/Condition d’inversibilité : On considère le problème suivant : connaissant les
auto-corrélations du processus, nous retrouvons les coefficients du modèle :
−θ
ρ1 = ⇒ ρ1 θ 2 + θ + ρ 1 = 0 (4.5)
1 + θ2

C’est une équation du 2ème degré en θ, elle admet 2 solutions, en réalité une est
acceptable en effet si :

θ > 1 ou < −1 ; le poids du passé va en grandissant, ce qui est absurde. Les

seules valeurs possibles sont compris entre ]-1,1[ ; c’est ce qu’on appelle la condition
d’inversibilité. En imposant cette condition, il n’y a qu’une seule valeur possible pour θ,
pour MA(1).

3/La fonction d’auto-corrélation partielle : les auto-corrélations partielles

pour un MA(1) est de la forme :

−θ 2 (1 − θ 2 )
πk = (4.6)
1 − θ 2 (k + 1)

4.3.3 Le processus moyenne mobile d’ordre q

L’approche auto-projectif des modèles explicatifs dynamiques permet de proposer une
classe de modèle pour les perturbation. Il s’agit d’un modèle où la variable Yt est une
combinaison linéaire de p innovations successives du passé. On écrit :

yt = εt − θ1 εt−1 − θ2 εt−2 − . . . − θq εt−q .

yt = (1 − θ1 B − θ2 B 2 − . . . − θq B q )εt = θ(B)εt (4.7)

où
εt : est un processus bruit blanc de variance σ 2 .
θ(B) : est appelé polynôme moyenne mobile d’ordre q.

4.3.4 Le processus auto-régressif d’ordre 1(AR(1)) :

C’est le cas le plus simple d’un AR(p), où p = 1 et φ1 = φ

Yt = φyt−1 + εt (4.8)

ou alors :
(1 − φB)Yt = εt
Le paramètre φ du processus ne peut pas être arbitraire, il doit remplir la condition
|φ| 6= 1.
Si 0 < φ < 1, la fonction d’auto-corrélation se présente comme une exponentielle
décroissante.
Si −1 < φ < 0, il y a simultanément décroissance exponentielle.

4.3.5 Processus auto-régressif d’ordre P(AR(P))

Des processus utilisant plusieurs variables du passé peuvent être considérés. Ils sont
appelés processus auto-régressifs d’ordre p, où p est le plus grand retard utilisé dans
l’auto-régression ; il s’écrit :

Yt = φ1 Yt−1 + φ2 Yt−2 + . . . + φp Yt−p + εt (4.9)

ou bien
Yt − φ1 Yt−1 − φ2 Yt−2 − . . . − φp Yt−p = εt (4.10)
où
εt : est un processus bruit blanc de variance σ 2 .
φ1 , φ2 , . . . , φp : paramètres réels indépendants de t.
φ(B) : est appelé opérateur auto-régressif d’ordre p. Un processus ayant une forme
auto-régressive n’est pas nécessairement stationnaire. La condition de stationnarité im-
plique des contraintes sur les paramètres {φi , i = 1, . . . , p}.

4.4 Les modèles non stationnaires ARIMA et SA-

RIMA
Le modèle auto-régressif AR, Moyenne mobile MA et les processus ARMA ont été
introduits, comme des processus stationnaires de moyenne nulle mais d’une manière
générale, ils ont non seulement une moyenne non nulle mais ne sont pas stationnaires
(ils ont une composante saisonnière et une composante tendancielle ou même une struc-
ture plus complexe). Toutefois, une différence première d’une série non stationnaire peut
la rendre stationnaire (en présence de tendance)
1/Modèle ARIMA(p,d,q)

φp (B)∇d Yt = Θq (B)εt (4.11)

où
p : est le nombre de termes auto-régressifs.
d : est le nombre de différences.
 q : est le nombre de moyennes mobiles.
φp (B) : représente le polynôme auto-régressif d’ordre p.
Θq (B) : représente le polynôme moyenne mobile d’ordre q.
∇d : est un opérateur de filtre différence pour enlever la tendance.

2/Modèle SARIMA(p,d,q)(P,D,Q)
Une autre cause de non stationnarité des processus est la présence de la saisonnalité de
période s .
Box et Jenkins ont fait inclure dans leur modèle ce facteur saisonnier grâce au modèle
SARIMA(p,d,q)(P,D,Q). Ce modèle s’écrit :

φp (B)ΦP (B s )∇d ∇D s
s Yt = θq (B)ΘQ (B )εt (4.12)

où
φp (B) : est le polynôme autorégressif ordinaire de degré p.
ΦP (B s ) : est un polynôme de degré P appelé polynôme auto-regressif saisonnier.
∇d : opérateur différence ordinaire d’ordre d.
∇D
s : opérateur différence saisonnier (saisonnalité = s) d’ordre D.
Θq (B s ) : polynôme de degré Q appelé polynôme moyenne mobile saisonnière.

4.5 Etude de cas

4.5.1 Prévisions des pannes
Lors de l’exploitation des données historiques du réseau 10 kV de la ville d’Alger, nous
avons obtenu des résultats qui nous ont permis la représentation de certains modèles.
En général, les modèles des séries considérées sont des ARIMA(p, d, q). Des courbes de
prévisions ont été obtenues dont une représentation est donnée à la figure (4.1). Elles nous
confirment, dans l’état actuel d’exploitation du réseau, la croissance du nombre de panne
dans les années à venir.
a) Avaries câbles aériens : Le modèle de la série chronologique est un ARIMA(1,1,2) ;
il s’écrit :

Yt = 0.6965Yt−1 − 1.0359εt−1 + 0.9999εt−2 + εt

b) Modèle des avaries câbles souterrains :

b1) Avaries câbles aux 100 km : Le modèle de la série chronologique est un
ARIMA(2,2,0) ; il s’écrit :
 Yt = 0.6823Yt−1 + 0.4873Yt−2 + εt

b2) Avaries boites : Le modèle de la série chronologique est un ARIMA(3,1,2) ; il

s’écrit :

y(t) = −1.7043Yt−1 + 1.1601Yt−2 − 0.4535Yt−3 − 1.9289εt−1 + 0.9994εt−2 + εt

b3) Avaries boites aux 100 km de câble : Le modèle de la série chronologique est un
ARIMA(1,1,1) ; il s’écrit :

Y( t) = −0.9975Yt−1 − 0.9485εt−1 + εt

c) Modèles des incidents (départs) :

c1) Départ Ait-Idir :
Le modèle de la série chronologique est un ARIMA(2,0,1) ; il s’écrit :

Y (t) = 1.0661Yt−1 + 0.6030Yt−2 + εt−1 + εt + 1.4393

c2) Départ Picard 1 : Le modèle de la série chronologique est un ARIMA(1,0,1) ; il

s’écrit :

Y (t) = −0.2714Yt−1 + 0.0312εt−1 + 2.6569

Nous nous sommes basés sur : les comportements des auto-corrélations et auto-
corrélations partielles (voir la décroissance exponentielle des auto-corrélations et celles
des auto-corrélations partielles) pour le choix de l’ordre (p,d,q) du modèle ARIMA, et les
tests de Student pour la validation de chaque paramètre du modèle. Nous nous sommes
basés également sur la variance du bruit blanc, le graphe de normalité des résidus et le
test de χ2 sur les résidus.
Fig. 4.1 – Courbe de prévisions pour les données du réseau 10 kV d’Alger.
4.5.2 Prévisions de la demande en énergie
Une autre application des séries chronologiques trouve son intérêt dans la prévision
de la demande en énergie électrique. Un cas réel a été simulé, basé sur les données du
retour d’expérience en terme de consommation fournie par la centrale hydroélectrique
de Darguina. L’examen du graphe (4.2) de la série originale ne fait apparaı̂tre aucune
tendance, ni de saisonnalité. Afin de réduire l’homogénéité de cette série, il a été nécessaire
d’appliquer une transformation logarithmique sur cette dernière [21].

Fig. 4.2 – Le graphe de la série .

L’analyse des coefficients d’auto-corrélations et d’auto-corrélations partielles de la

série transformée fait apparaı̂tre trois pics significatifs de retard 1, 2 et 3 pour l’auto-
corrélation et deux pics significatifs de retard 1 et 4 pour l’auto-corrélation partielle. On
proposera comme modèle possible un ARIMA(0,0,3). Le modèle va donc s’écrire sous la
forme :

Φ0 (B)∇0 Yt = Θ3 (B)εt

lnYt = (1 − θ1 B − θ2 B 2 − θ3 B 3 )εt + C

Les estimateurs des paramètres du modèle sont :

θ̂1 = 0.8619 , σ̂(θ̂1 ) = 0.0757
θ̂2 = 0.7462 , σ̂(θ̂2 ) = 0.0872
θ̂3 = 0.6746 , σ̂(θ̂3 ) = 0.0949
Ĉ = 3.9756 , σ̂(Ĉ) = 0.1213
4.5.3 Tests sur la validité des coefficients du modèle
La condition de stationnarité est vérifiée :| φ |< 1.
La condition de réversibilité est vérifiée :| θi |< 1 ; i=1,2,3.

Test de H0 ”θ1 =0” contre H1 ”θ1 6=0”

Ce test est basé sur la statistique

|θ̂1 |
Tθ 1 = ,→ t(T −4, α2 )
σ̂(θ̂1 )
0.8619
Sa réalisation (voir t value dans le résultat) est 0.0757
= 11.38 ≮ t(83,0.025) =2.00
Par conséquent, on rejette l’hypothèse H0 . Cet estimateur est significatif ⇒ θ1 6= 0

Test de H0 ”θ2 =0” contre H1 ”θ2 6=0”

Ce test est basé sur la statistique

|θ̂2 |
Tθ 2 = ,→ t(T −4, α2 )
σ̂(θ̂2 )
0.7462
Sa réalisation (voir t value dans le résultat) est 0.0872
= 8.55 ≮ t(83,0.025) =2.00
Par conséquent, on rejette l’hypothèse H0 . Cet estimateur est significatif ⇒ θ2 6= 0

Test de H0 ”θ3 =0” contre H1 ”θ3 6=0”

Ce test est basé sur la statistique

|θ̂3 |
Tθ 3 = ,→ t(T −4, α2 )
σ̂(θ̂3 )
0.6746
Sa réalisation (voir t value dans le résultat) est 0.0949
= 7.10 ≮ t(83,0.025) =2.00
Par conséquent, on rejette l’hypothèse H0 . Cet estimateur est significatif ⇒ θ3 6= 0

Test de H0 ”C=0” contre H1 ”C 6=0”

Ce test est basé sur la statistique

|Ĉ|
TC = ,→ t(T −4, α2 )
σ̂(Ĉ)
3.9756
Sa réalisation (voir t value dans le résultat) est 0.1213
= 32.77 ≮ t(83,0.025) =2.00
Par conséquent, on rejette l’hypothèse H0 . Cet estimateur est significatif ⇒ (C) 6= 0
4.5.4 Test sur les résidus
Le modèle trouvé ne doit être conservé que lorsque les résidus forment un bruit blanc.
Ainsi qu’en témoigne le comportement des auto-corrélations et des auto-corrélations
partielles (figure 4.3) qui sont tous inclus dans l’enveloppe. Cette constatation se confirme
par le test de Box et Ljunq sur les auto-corrélations des résidus.
En effet, la réalisation de la statistique Q0 sur l’hypothèse de la nullité des 16 premiers
coefficients de corrélation des résidus est :

16
X ri02
0
Q = T (T + 2) ,→ χ2T −k = 4.95
i=1
T − i
Q0 = 4.95 < χ216,0.05 =26.30
D’après ces deux tests, on constate que les résidus forment un processus bruit blanc.
Finalement le modèle de prévision de cette série va s’écrire :

lnYt = (1 − 0.8619B − 0.7462B 2 − 0.6746B 3 )εt + 3.9756

Yt étant la série originale.

Fig. 4.3 – corrélellogramme et corrélogramme partiel des résidus

Les prévisions des douze mois de l’année sont représentés dans le tableau suivant :
Année/Mois Janvier février Mars Avril Mai Juin Juillet Aout Septembre Octobre Novembre Décembre
2006 64.002 60.176 55.615 53.280 53.280 53.280 53.280 53.280 53.280
2007 53.280 53.280 53.280 53.280 53.280 53.280 53.280 53.280 53.280 53.280 53.280 53.280
2008 53.280 53.280 53.280 53.280 53.280 53.280 53.280 53.280 53.280 53.280 53.280 53.280
2009 53.280 53.280 53.280 53.280 53.280 53.280 53.280 53.280 53.280 53.280 53.280 53.280
2010 53.280 53.280 53.280 53.280 53.280 53.280 53.280 53.280 53.280 53.280 53.280 53.280

Tab. 4.1 – Les prévisions des consommations de pointes mensuelles

 Fig. 4.4 – Graphe des prévisions

4.6 Evaluation des paramètres des lois de distribu-

tion
Dans le but d’effectuer une analyse de fiabilité, des paramètres des lois de distribution
doivent être estimés. Les données concernent les composants du système de distribution
de la ville de Béjaia. La base de données a été établie sur une période de 17 ans, allant
de 1991 jusqu’à 2007. Les composants et sous-systèmes étudiés sont respectivement, les
boites d’extrémités extérieures (BEE), les boites d’extrémités intérieures (BEI), les trans-
formateurs (TR), les lignes aériennes, les câbles souterrains plus les boites de jonctions et
les départs pris individuellement sont supposés des sous-systèmes séries.

4.6.1 Test d’ajustement de Kolmogorov-Smirnov

Ce test a pour but de vérifier si un échantillon provient ou pas d’une variable aléatoire
de distribution connue F0 (x).
Soit Fn (x) la fonction de répartition de la variable échantillonnée, il s’agit de tester :

H0 : ”Fn (x) = F0 (x) ”contre H1 : ”Fn (x) 6= F0 (x)”

On se fixe pour cela un risque d’erreur α appelé niveau de signification et représentant

la probabilité maximale de rejet à tort H0 .
– Principe du test
Le test de Kolmogorov implique le calcule de :
 – plus grand écart entre Fn (x) et F0 (x),

Dks = sup |Fn (x) − F0 (x)| (4.13)

x∈R

– La région de décision est alors :

– Si Dks > d(n, α), on rejette l’ajustement de la variable X par la loi choisie.
– Si Dks < d(n, α), on ne rejette pas l’ajustement de la variable X par la loi choisie.

4.6.2 Résultats d’ajustement des données

Equipement n Loi ajustée Paramètres Dks d(n,0.05) Décision

BEE 17 Weibull β=2.874256, η = 4.141950 ∗ 105 0.3136 0.318 on ne rejette pas
Exponentielle λ =5.949483 × 10−6 0.8382 on rejette
BEI 17 Weibull β= 1.30000 , η = 3.612098 ∗ 106 0.185 0.318 on ne rejette pas
Exponentielle λ = 6.656045 × 10−6 0.9897 on rejette
TR 17 Weibull β= 2.459579 , η = 5.909754 ∗ 106 0.2264 0.318 on ne rejette pas
Exponentielle λ =2.041714 × 10−7 0.8775 on rejette
Câble souterrain 17 Weibull β=1.128344 , η= 3.526378 ∗ 105 0.2246 0.318 on ne rejette pas
Exponentielle λ =3.198708 × 10−6 0.27 on ne rejette pas
Ligne aérienne 17 Weibull β=1.802051, η =9.595387 ∗ 104 0.24 0.318 on ne rejette pas
Exponentielle λ = 1.067471 × 10−5 0.33 on rejette
Départ 17 Weibull β=1.992423 , η = 5.474620∗104 0.1762 0.318 on ne rejette pas
Exponentielle λ =2.040734 × 10−5 0.938 on rejette

Tab. 4.2 – Résultats d’ajustement pour les durées de bon fonctionnement

Les résultats obtenus montrent que le modèle de Weibull à deux paramètres est accepté
pour un niveau de signification α = 0.05 pour les équipements électriques (BEE, BEI,
transformateur, les lignes aériennes) et le départ.
Pour le câble souterrain, en plus d’une tendance vers le modèle de Weibull, l’exponen-
tialité de sa durée de vie et aussi validé. Elle est appuyée sur le fait que le paramètre de
forme du modèle de Weibull est proche de 1.
Sur la base de ces premiers résultats, les durées de coupure des équipements ont été
modélisés par la loi de Weibull et ce test n’est pas rejeté avec α = 0.05 et cela afin de
calculer les indices de fiabilité des équipements.
Equipement n Loi ajustée paramètres Dks d(n,0.05)
BEE 17 Weibull β= 1.1305880 , η = 114.3317432 0.2445 0.318
BEI 17 Weibull β=0.9416218, η =122.7148681 0.2452 0.318
TR 17 Weibull β= 0.5684626 , η = 369.5055224 0.2108 0.318
Câble souterrain 17 Weibull β= 0.8636170 , η=1813.4630584 0.1416 0.318
Ligne aérienne 17 Weibull β= 0.9247462 , η =1589.3331267 0.1385 0.318
Départ 17 Weibull β=1.5559058 , η =197.7880727 0.13 0.318

Tab. 4.3 – Résultats d’ajustement pour les durées de coupure

Où
n : Taille de l’échantillon.
4.6.3 Indices de fiabilité des équipements
Les premiers indices de fiabilité ainsi calculés sont le MUT le MDT, le MTBF, la
disponibilité (A), la fréquence de coupure (Fi ) et le taux de défaillance (λ), récapitulés
dans le tableau (4.4).

Equipement MUT(h) MDT(h) MTBF(h) A Fi (1/a) λ(1/a)

BEE 6301.83 1.82 6303.65 0.9997107 1.390368 0.1764706
BEI 55600.82 2.16 55602.92 0.9999688 0.1575198 0.01038062
TR 87358.33 9.97 97638.32 0.9998858 0.1002449 0.007785467
Câble souterrain 5226.31 27.34 5253.65 0.9947954 1.667438 0.066(1/km)
Ligne aérienne 1514.31 28.46 154275.1 0.981567 5.678174 0.649(1/km)
Départ 808.68 2.96 811.647 0.9963486 10.79290 -

Tab. 4.4 – Indices de fiabilité des équipements

Les résultats obtenus peuvent être interprétés ainsi :

Pour le câble souterrain, le paramètre de forme est proche de 1. Cette situation
conduit à un taux de défaillance sensiblement constant. Elle est justifiée par le fait que
les câbles souterrains sont en majorité enterrés dans les même conditions pour l’ensemble
des tronçons et qu’ils échappent à l’influence des paramètres environnementaux.
Pour le reste des équipements, le paramètre de forme est supérieur à 1, leurs taux de
défaillances sont donc croissants avec l’âge. Ceci signifie que leurs pannes sont dues au
vieillissement.
Nous remarquons que :
La BEE enregistre en moyenne 1.390368 coupures par an, ce qui fait un temps de coupure
de (2.53047 h/a).
Les câbles souterrains, enregistrent en moyenne 1.667438 coupures par an, ce qui fait un
temps de coupure de ( 45.58775 h/a).
Les lignes aériennes, enregistrent en moyenne 5.678174 coupures par an, ce qui fait un
temps de coupure de ( 161.6008 h/a).

Seul le Transformateur et la BEI ont une fréquence de panne inférieure à un.

Le départ enregistre en moyenne 10.79290 coupures par an, ce qui fait un temps de
coupure de (31.94698 h/a).
Les durées moyennes de coupure pour chaque équipement et le départ sont presque
négligeables devant les temps moyens de bon fonctionnement, ceci explique la disponibi-
lité qui varie entre 0.99 et 0.98.
D’après les résultats obtenus, le départ ville 1 est en panne environ (0.36% ) du temps
annuel, soit en moyenne (31.94698 h/a) .
4.6.4 Résultats d’ajustement pour le poste
Dans notre étude, on a supposé que la panne d’un poste est dûe soit à la panne du
transformateur ou à celle de la BEI et que les autres équipements sont plus fiables.
La modélisation du cycle de vie du poste est en trois états : fonctionnement, panne,
maintenance ; comme la montre la figure (4.5).

Fig. 4.5 – Graphe des états (fonctionnement, panne, maintenance)

Soit, X12 , X13 , X1 , X2 , X3 , des variables aléatoires telles que :

X12 : Durée de fonctionnement jusqu’à la panne ;
X13 : Durée de fonctionnement jusqu’à la maintenance ;
X1 : Durée de fonctionnement (état S1 ) ;
X2 : Durée de coupure (état S2 ) ;
X3 : Durée de maintenance (état S3 ).

Variables n Loi ajustée paramètres Dks d(n,0.05) Décision

X12 27 Weibull β=1.064471, η =3.282740 ∗ 106 0.1356 0.25438 on ne rejette pas
Exponentielle λ = 0.0233564 0.6815 on rejette
X13 27 Weibull β=1.668917 , η = 7.258919 ∗ 105 0.2173 0.25438 on rejette pas
X2 27 Weibull β= 0.67648430 , η = 196.00156991 0.219 0.25438 on rejette pas
X3 27 Weibull β= 1.0389924 , η =123.6004984 0.1218 0.25438 on rejette pas

Tab. 4.5 – Résultats d’ajustement

Les résultats obtenus montrent que, pour un niveau de signification α = 0.05, le modèle
de Weibull à deux paramètres pour X12 est accepté et le modèle exponentiel est rejeté ;
pour cela nous avons modélisé X13 , X2 , et X3 par le modèle de Weibull qui est accepté
avec α = 0.05.
4.7 Tests non-paramétriques
4.7.1 Test graphique basé sur la TTT-statistique
Soit (t1 = x1 ≤ t2 = x2 ≤ ... ≤ tn = xn )un échantillon ordonné des temps de bon
fonctionnement d’un équipement en exploitation, issu de la variable aléatoire X : ”durée
de vie.”
Soit F la fonction de répartition de X. On note [n, U, r] le plan d’essai où n équipements
sont observés jusqu’à la date de la r ème panne sans remplacement des équipements tombés
en panne.
Soit r
X
S(tr ) = Si (4.14)
i=1
avec
Si = (n − i + 1)(ti − ti−1 ) (4.15)
S(tr ) est appelée TTT-statistique. Elle représente le temps cumulé de bon fonction-
nement de l’ensemble des éléments soumis aux essais d’un plan [n, U, r]. On l’appelle
également Totale Time on Test transformation. Posons :
Z Fn−1 (r/n)
Hn−1 (r/n) = [1 − Fn (u)]du (4.16)
0
où
est la fonction répartition empirique et Fn−1 la fonction inverse correspondante. Par
conséquent :

1
Hn−1 (r/n) = S(tr ) (4.17)
n
Par analogie :
Z F −1
HF −1 (t) = [1 − Fn (u)]du (4.18)
0
HF −1 (t)
Lemme : Si F est IFR(resp.DFR) alors la fonction HF −1 (1)
est concave(resp.convexe).
D’après le théorème de glivenko-Cantelli,

lim Hn−1 (r/n) = HF −1 (t) (4.19)

n→∞

Dans le cas où nous avons un échantillon tronqué (t1 , t2 , ..., tr ,) le nuage de point
Sti
( ri , St r
). peut disposé autour d’une fonction dépendante de t et ayant l’allure du rapport
HF −1 (t)
HF −1 (1)
.
 Sti
On obtient donc le graphe TTT en présentant les points ( ri , St r
) sur le carré unité et
on les connectant par des segments de droite. Ainsi, d’après la distribution des ces points,
on prononcera l’appartenance de la distribution à l’une des classes non paramétriques.
En particulier, on peut sans ambigüité rejeter la loi exponentielle si on observe des écarts
significatifs par rapport à la première bissectrice. On décidera donc de rejeter H0 .
– En faveur de la distribution IFR, si la courbe obtenue est concave.
– En faveur de la distribution DFR, si la courbe est convexe.
Cette notion de tests non-paramétriques est introduite pour conforter les résultats
obtenus dans le paragraphe précédent. Les modèles présentés sont très simples et montrent
la tendance des évolutions des pannes des différents composants du système électrique
étudié.

Fig. 4.6 – Test graphique pour BEE, BEI, TR, câble souterrain, lignes aérienne, Départ
(ville1)

Les résultats de l’application du test graphique sont résumés dans le tableau suivant :

Equipement n Allure de la courbe de tendance Modèle Taux de défaillance

BEE 17 Concave IFR Croissant
BEI 17 Concave IFR Croissant
TR 17 Concave IFR Croissant
Câble souterrain 17 Au tour de la première droite Exponentiel Constant
lignes aérienne 17 Concave IFR Croissant
Départ 17 Concave IFR Croissant

Tab. 4.6 – Récapitulatif du test graphique

Comparaison des résultats

D’après les résultats obtenus, on remarque l’homogénéité (concordance) entre les résultats
obtenus par la modélisation paramétrique et ceux obtenus par la modélisation non-
paramétrique du fait qu’ils se rejoignent dans la description du type de défaillance. Pour
le câble souterrain, la modélisation paramétrique des lois de fiabilité a donné le modèle de
Weibull de paramètre de forme β proche de 1 et le modèle exponentiel. C’est-à-dire que
le taux de défaillance est constant ; ce qui est confirmé par le test graphique qui a validé
l’exponentialité de sa durée de vie.
Pour les autres équipements, le paramètre de forme β du modèle de Weibull est
supérieur à 1. Leur taux de défaillance est donc croissant, ce qui correspond à la classe de
distribution IFR trouvée par les tests graphiques.

Conclusion
Dans cette partie du travail, l’importance des modèles de Box et Jenkins à été mise
en exergue avec deux types de prévisions concernant les réseaux électriques, à savoir :
les prévisions des évolutions des pannes des composants/système et les prévisions des
consommations de pointes dépendantes d’un ensemble de groupes de générateurs. Le
volet relatif à l’estimation des paramètres des distributions et l’évaluation des indices de
fiabilité à été traité et une première comparaison à été effectuée entre la modélisation
paramétrique et la modélisation non-paramétrique.
 CHAPITRE 5
Modélisation de la défaillance et de
la dégradation par les graphes
d’états

Introduction
Pour modéliser la défaillance, trois formalismes peuvent assurer cette tâche, à savoir :
les arbres de défaillance, les réseaux de Pétri ou les graphes des états. Selon l’inter-
dépendance des composants et l’objectif à atteindre. Notre étude porte sur les graphes
des états ; où la méthode de Markov sera prépondérante et développée. Une nouvelle
approche, nouvellement introduite dans des systèmes électriques sera développée et ap-
pliquée. Comparée à la méthode de Markov ou plusieurs hypothèses simplificatrices sont
considérées, l’approche de Weibull-Markov s’avère plus réaliste.
Le processus de dégradation des équipements à été traité avec un grand intérêt et
comparativement aux travaux déjà publiés, la réparation partielle ou les actions de main-
tenance trouvent une place confortable dans le travail présenté dans ce chapitre.

5.1 Défaillance aléatoire

Dans plusieurs publications, il est indiqué que la défaillance d’un composant/système
peut-être définie selon deux catégorisées, à savoir : la défaillance aléatoire ou celle résultant
comme conséquence d’une séquence de dégradation.
Dans ce qui suit, un intérêt particulier a été accordé à la détermination de la disponi-
bilité selon les deux catégories de défaillances.

94
5.1.1 Composant/système à deux états
La représentation la plus classique est donnée à la figure (5.1). Dans le diagramme
(5.1-a), il s’agit du processus Fonctionnement - Panne, quant au diagramme (5.1-b), il
met en évidence la sécurité en introduisant un état fictif où une précision est donnée selon
l’état de panne et dangereux ou non.

Fig. 5.1 – Modèle de fiabilité d’un système à deux états.

Avec :
1 : état de bon fonctionnement ;
2 : état de non fonctionnement ;
λ : taux de défaillance ;
µ : taux de réparation.
2(b) : état de panne non dangereuse ;
3 : état de panne dangereuse ;
λs : taux de défaillance dû à la panne non dangereuse ;
µs : taux de réparation de la panne non dangereuse ;
λd : taux de défaillance dû à la panne dangereuse ;
Le calcul de la disponibilité s’effectue sur la base de la résolution d’un système
d’équations différentielles exprimées en termes de probabilité. Le développement de ce
point est classique et disponible dans la référence [14].
Néanmoins, pour les deux diagrammes, on définit la disponibilité (A) par :
-pour le diagramme (5.1-a) :
µ
A = P1 =
λ+µ

-pour le diagramme (5.1-b) :

µs
A = P1 =
µs + λ s + λ d
5.1.2 Système redondant
Ce point mérite une attention particulière, par rapport à la réparation. On distin-
guera deux cas possibles, à savoir : présence de deux réparateurs, et présence d’un seul
réparateur. Dans le premier cas, il s’agit de systèmes indépendants, quant au deuxième
cas, la dépendance réside dans le fait que c’est le premier composant tombé en panne qui
sera réparé. Les graphes des états sont simultanément donnés à la figure (5.2).

Fig. 5.2 – Graphe des états d’un système à 02 composants en parallèle

Avec
a, b : état de bon fonctionnement des éléments, a, b.
ā, b̄ : état de panne des élément a, b.
Etat 4 : on répare a et puis b.
Etat 5 : on répare b et puis a.
Pour les deux cas, on exprime la disponibilité en partant d’un système d’équations
différentielles qui après résolution donne :
Pour le diagramme (5.2-a) : cas d’un système indépendant

µa µb + λ a µb + λ b µa
A=
(λa + µa )(λb + µb )
Pour le le diagramme(5.2-b) : cas d’un système dépendant

A = P 1 + P2 + P3

Avec
λa (λa +µb ) 2λa λb (λa +λb ) λa λb (λa +µb ) 2λ2a λb (λa +µb ) −1
P1 = [1 + D
+ D(µa +µb )
+ Dµa
+ Dµb (µa +µb )
]
λa (λa +µb )
P2 = D
P1
 2λb
P3 = P
µa +µb 2
λb λa
P4 = P P
µa 2 4
= P
µb 3
D = (λb + µb )(λa + µb ) − 2λa λb

5.1.3 Défaillance aléatoire avec maintenance

Le cas le plus classique est que pour le diagramme (5.1-a), on ajoute un état de
maintenance préventive. Comme dans certaines références, cet état peut être ajouté selon
le diagramme (5.3), où l’état 2 est intermédiaire, c’est-à-dire qu’une panne peut avoir lieu
au moment de la maintenance.

Fig. 5.3 – Graphe avec un état intermédiaire.

Avec :
1 : état de bon fonctionnement,
2 : état intermédiaire,
3 : état de panne,
λi : taux de panne dû à la maintenance,
µi :taux de remise en service après maintenance,
λp :taux de défaillance dû à la panne,
µp :taux de réparation dû à la panne.

Le développement analytique, similaire aux cas précédents, donne la disponibilité

comme suit :

µp (λp + µi )
A = P1 =
µp (λi + µp ) + 2λp λi
Dans le paragraphe qui va suivre, nous introduisons le principe de dégradation selon k
étapes avant l’état catastrophique, dit de panne. Nous distinguons le cas sans maintenance,
le cas avec de simples maintenances (imparfaites) et le cas avec des maintenances parfaites.
5.2 Processus de dégradation
5.2.1 Sans maintenance
Relativement aux travaux développés dans le paragraphe (5.1), il existe aussi des echecs
qui résultent de la degradation tels que représentés sur la figure (5.4). Ces diagrammes
d’états sont applicables pour le composant simple et pour les systèmes multi-composants
combinés en série. La détérioration Di peut concerner le même composant ou différents
composants dans le système.

Fig. 5.4 – Diagramme des états avec le processus de dégradation

Où
Dk : état de dégradation au stade k,
P : état de panne,
ρ1 , ρ2 , ρk , : taux de transition.

5.2.2 Avec maintenance imparfaite

La figure (5.5) représente les diagrammes des états avec un programme de mainte-
nance. Le diagramme (5.5-a) montre la possibilité que la panne peut se produire pendant
l’entretien.

Fig. 5.5 – Diagramme des états de transitions d’un système réparable avec un programme
de maintenance préventive.

Où
D2 : dégradation mineure et D3 : dégradation majeure,
F : état de bon fonctionnement,
 P : état de panne,
M : état maintenance.

5.2.3 Avec les maintenances imparfaite et parfaite

Le processus de dégradation est représenté par une séquence d’étapes croissantes.
Chaque étape correspond à un degré de détérioration, jusqu’à la panne de l’équipement.
Il est supposé que la maintenance remet l’équipement à ses conditions antérieures à la
dégradation [55].
La maintenance ne produit aucune amélioration lorsque le taux de panne est constant.
Dans le cas avec le processus de dégradation vieillissante, la situation est tout à fait
différente, où le temps jusqu’à l’arrivée de la panne n’est pas exponentiellement distribué.
Dans de tels processus, la fonction risque augmente et l’entretien engendre l’amélioration
indépendamment des types de distributions entre étapes [56].

Fig. 5.6 – Modèle homogène de Markov avec des états de dégradations

La figure (5.6) représente le modèle homogène de Markov avec différentes états de

dégradation. L’entretien préventif pour un système multi-composants peut être organisé
dans trois principales actions : réparation (M1=(1a) ou (1b)) après une dégradation mi-
neure, réparation partielle (M2=(1a) ou (1b)) après une dégradation majeur et le rem-
placement (MM=2p).
Les temps passés dans chaque étape de détérioration sont exponentiellement distribués
1
avec la même moyenne kλ1
. Par conséquent, le temps d’échec est distribué suivant la loi
d’Erlang. L’action de maintenance est modélisée par un processus de Poisson avec un
paramètre λm . Les durées de maintenance sont exponentiellement distribuées avec une
1
moyenne µm
. Le remplacement après échec ramène l’équipement à son état initial avec
1
une moyenne µ1
. La réparation suivant les échecs aléatoires est réalisée avec un taux µ 0 ,
ainsi le retour à l’état initial D1 .
 Deux points de vue sont présentés, où les temps passés dans chaque étape de
détérioration sont exponentiellement distribués : pour le premier, la dégradation se
1 1 1 1
produit uniformément, avec une moyenne identique de ρ1
= ρ2
= ρ3
= 3λ
1 1 1
pour le deuxième, la dégradation est non uniforme, avec une moyenne de ρ1
> ρ2
> ρ3

Les différentes transitions entre les états de la figure (5.6-a) sont données par la matrice
des taux de transition Sij
 
−Σ1 ρ1 0 0 0 λ0 0

 0 −Σ2 ρ2 λm 0 λ0 0 


 0 0 −Σ2 0 λm λ0 ρ3 

Sij= 
 µm 0 0 −µm 0 0 0 


 0 µm 0 0 −µm 0 0 

 µ0 0 0 0 0 −µ0 0 
µ1 0 0 0 0 0 −µ1
avec :

Σ1 = ρ1 + λ0 , Σ2 = ρ2 + λ0 + λm et Σ3 = ρ3 + λ0 + λm
À l’état stationnaire le système d’équations peut être résolu comme suit :

P ST = 0 (5.1)
7
X
Pi = 1 (5.2)
i=1

avec
P = [P1 P2 P3 P4 P5 P6 P7 ].
et Pi est la probabilité à l’état stationnaire que le composant est à l’état i et ne subit
aucune maintenance minimale.
La disponibilité est la somme des probabilités que le composant ou le système est en
service. Elle est donnée par :

A(λm ) = P1 + P2 + P3 . (5.3)

En utilisant le processus développé dans la section (5.3), les probabilités de transition

sont données par la matrice (Pij )
avec
Σ4 = kρ2 λm + λ0 λm + ρ2 λ0 , Σ5 = ρ3 λm + λ0 λm + ρ3 λ0
 λ0 ρ1
0 0 0 0 0
 
Σ1 Σ1
λ0 λm ρ2 λ 0 ρ2 λ m

 0 0 Σ3 Σ4
0 Σ4
0 

ρ3 λ 0 ρ3 λ m λ0 λm

 0 0 0 0 Σ5 Σ5 Σ5


(Pij ) = 
 1 0 0 0 0 0 0 


 0 1 0 0 0 0 0 

 1 0 0 0 0 0 0 
1 0 0 0 0 0 0

5.3 Modélisation Markovienne

La modélisation des systèmes dynamiques par le processus homogène de Markov
présente bien des avantages dont notamment la possibilité d’effectuer des traitements plus
précis et plus rapides en se ramenant à la résolution d’un système d’équations différentielles
linéaires du premier ordre.
Le modèle homogène de Markov est définie par [57, 12] :
1. l’ensemble des états possibles : E={ 1,2,3,...,N }, où N est le nombre d’états possibles
du composant c.
2. La vie stochastique : (Xc,n , Tc,n )∞
n=0
où
-∀ n, (Xc ,n ∈ E, Xc ,n 6= Xc,n+1 )
-Tc,0 = 0 et ∀n; (Tc,n+1 > Tc,n )
3. Fc,ij (t) l’ensemble des fonctions de répartition des durées de transition Dc,ij

Fc,ij (t) = P (Dc,ij ≤ t)

= P (Xc,n+1 = j, (Tc,n+1 − Tc,n ≤ t/Xc,n = i))
t
= 1 − exp(− )
λc,ij

Les durées de transition Dc,ij sont des durées stochastiques d’un état i sachant que le
prochain état est j.

Fc,i (t) = P (Dc,i ≤ t)

N
= P (min(Dc,ij ) ≤ t)
j=1
N
Y
= 1− P (Dc,ij ) > t
j=1
N
Y t
= 1− exp(− )
j=1
λc,ij
 t
= 1 − exp(− ) (5.4)
λc,i
où
N
1 X 1
= (5.5)
λc,i λ
j=1 c,ij

La durée d’un état peut être directement calculée à partir du taux de transition de ce
dernier :
1
E(Dc,i ) = (5.6)
λc,i
La probabilité de transition s’écrit alors Pc (i, j) = P (Xc,n+1 = j/Xc,n = i) :
N
Pc (i, j) = P (Dc,ij = min(Dc,ik ))
k=1
Z ∞
1 −ν/λc,ij
= P (min(Dc,ik ) ≥ ν) e dν
0 k6= λc,ij
Z ∞
1 −ν/λij
= e dν
0 λc,ij

λc,i
= (5.7)
λc,ij
Les deux variables Dc,i et Dc,ij ; sont exponentiellement distribuées de taux λc,i et λc,ij
respectivement.
La probabilité de l’état i d’un composant peut être calculée comme suit :

π(i)E(Dc,i )
Pc (i) = N
(5.8)
X
π(i)E(Dc,i )
i=1

La fréquence de l’état i est calculée par :

Pc (i)
Fc (i) = (5.9)
E(Dc,i )

où
π(n) = (P (Xn = 1), P (Xn = 2), ..., P (Xn = N )) est le vecteur des probabilités des états.

5.4 Approche de Weibull-Markov

Le modèle de Weibull-Markov est obtenu à partir du modèle homogène de Markov. Au
lieu de la distribution exponentielle, on utilise la distribution de Weibull pour les durées
des résidences dans et des transitions entre les états des composants. L’avantage de cette
distribution est quelle n’ignore pas l’usure antérieure du composant.
5.5 Modélisation de Weibull-Markov [57, 12, 58]

Fig. 5.7 – Modèle Weibull-Markov avec des états de dégradation.

Le composant de Weibull-Markov est un composant stochastique qui est défini comme

suit [57] :
– L’ensemble des états possibles E = {1, 2, 3, ...., N } où N est le nombre d’états
possibles.
– La vie stochastique : (Xc,n , Tn )∞
n=0 où
-∀n, (Xc,n ∈ E, Xc,n 6= Xc,n+1 )
-Tc,0 = 0 et ∀n ; (Tc,n+1 > Tc,n )
– Fc,ij (t) L’ensemble des fonctions de répartition des durées de transition Dc,ij

Fc,ij (t) = P (Dc,ij ≤ t)

= P (Xc,n+1 = j, (Tc,n+1 − Tc,n ) ≤ t/Xc,n = i)
(−( η t
)βc,ij )
= 1−e c,ij

La distribution de probabilité de la durée Dc,i de l’état i du composant c est la distri-

bution du minimum des durées de transition :
N
Fc,i = P (Dc,i ≤ t) = P (min(Dc,ij ) ≤ t)
j=1
N N
Y Y (−( η t
)βc,ij )
= 1− P (Dc,ij > t) = 1 − e c,ij

j=1 j=1

)βc,ij
PN t
−( η
=1−e j=1 c,ij (5.10)

L’expression peut être simplifiée en prenant le même paramètre de forme pour toutes
les durées de transition entre les états :

βc,ij = βc,i (5.11)

 On aura :
−( t
)βc,i
Fc,i (t) = 1 − e ηc,i (5.12)
N
1 βc,i X 1 βc,i
( ) = ( ) (5.13)
ηc,i j=1
η c,ij

Les probabilités de transition entre les états peuvent être déduites comme suit :
N
Pc (i, j) = P (Dc,ij = min(Dc,ik ))
k=1
Z ∞
βc,i ν βc,i −1 −(ν/ηc,ij )βc,i
= P (min(Dc,ik ) ≥ ν) β c,i
e dν
0 k6=j ηc,ij
Z ∞
βc,i η βc,i −1 −(ν/ηc,i )βc,i
= βc,i
e dν
0 ηc,ij
ηc,i
= (5.14)
ηc,ij
Les fréquences et les probabilités d’état d’un composant de Weibull-Markov peuvent
être calculées par rapport à la chaı̂ne de Markov induite. Pour tout modèle de Weibull
Markov, à l’exclusion de l’indice de composants, le vecteur probabilité d’état de la chaı̂ne
est défini comme suit :

π(n) = [P (Xn = 1), P (Xn = 2), ..., P (Xn = N )] (5.15)

Le vecteur probabilité d’état de la chaı̂ne peut être calculé par :

πn = P n .π0 (5.16)

Où
 
P (1, 1) P (1, 2) P (1, 3) . . . P (1, N )

 P (2, 1) P (2, 2) P (2, 3) . . . P (2, N ) 

 . . . . . . . 
P = [P (i, j)] =  

 . . . . . . . 

 . . . . . . . 
P (N, 1) . . . . . P (N, N )
et
P (i, j) = P (Xn+1 = j/Xn = i)

A l’état stationnaire, les probabilités d’état peuvent être trouvées en résolvant le

système d’équations suivant :
 π = P.π (5.17)

Où

π = [π(1), π(2), ..., π(N )] = lim πn (5.18)

n→∞

∀ i P (i, i) = 0

N
X
∀i P (i, j) = 1 (5.19)
j=1

N
X
π(i) = 1 (5.20)
i=1


P (i, N ) + 1, si i=j ;
Ai,j =
P (i, N ) − P (i, j), si i 6=j ;
bi = P (i, N )
π 0 = [π(1), π(2), ..., π(N − 1)]

Une solution de π 0 est trouvée en résolvant

A.π 0 = b (5.21)

et π(N ) est calculée en utilisant (5.19). Les probabilités du composant Weibull-Markov

sont calculées par :

π(i)E(Di )
P (i) = N
(5.22)
X
π(i)E(Di )
i=1

Où
E(Di ) = ηi Γ(1 + 1/βi ) (5.23)

est la durée moyenne de l’état i.

La fréquence d’état est calculée par :

P (i)
F (i) = (5.24)
E(Di )
5.5.1 Système de Weibull-Markov [57, 58]

Les probabilités de transition des composants Weibull-Markov sont indépendantes

du temps et de l’historique du composant. Un système de Weibull-Markov est une
combinaison de composants de Weibull-Markov. Il est défini par :
– le nombre de composants de Weibull-Markov, N
N
– l’ensemble de composants de Weibull-Markov ; ((Xc,n , Tc,n )∞
n=0 )c=1
– la vie stochastique du système (Sns , Tns )∞
n=0
où
Sns = (X1,ns , X2,ns , X1,ns , ..., XN,ns ) et Xc,ns = Xc (Tns )
Considérons les composants indépendants et combinés en série. La probabilité d’état
du système est le produit des probabilités d’états des composants.

N
Y
P (s, t) = P (Xc (t) = xc ). (5.25)
c=1

La fréquence d’état du système s’écrit :

N
X F (xc , t)
F (s, t) = P (s, t) (5.26)
c=1
P (xc , t)

La fréquence et la probabilité d’état du système seront indépendantes du temps.

N
Y
P (s) = lim P (s, t) = P (xc ) (5.27)
t→∞
c=1

N
X F (xc )
F (s) = lim F (s(t)) = P (s) (5.28)
t→∞
c=1
P (xc )

5.6 Exemple d’application

Cas du réseau de la ville de Béjaia :

5.6.1 Application au transformateur

Afin d’appliquer les deux modèles de dégradation illustrés dans le chapitre trois, on a
besoin des données suivantes :
– Les durées de séjour dans chaque type de maintenance ;
– Les durées de séjour dans chaque état de dégradation et panne ;
 – Les instants des différentes maintenances.
Et en raison de l’inexistence de ces données au niveau de SONELGAZ, on a eu recours à
des données internationales disponibles dans quelques articles, à savoir [31, 59, 60].

Premier cas Markovien

Les transitions entre les états D1 , D2 , D3 sont identiques, c’est-à-dire la dégradation
est uniforme.

Fig. 5.8 – Premier modèle de dégradation Markovien

La matrice de probabilités de transition est :

 
0 10/17 0 0 0 7/17 0

 0 0 1/2 3/20 0 7/20 0  

 0 0 0 0 3/20 1/2 7/20 


 1 0 0 0 0 0 0 

 0 1 0 0 0 0 0 
 1 0 0 0 0 0 0 
1 0 0 0 0 0 0

En résolvant le système d’équations (5.1) et (5.2), on obtient :

P=(0.3323, 0.3323, 0.3323, 0.0000910, 0.0000910, 0.02549773, 0.0003188973)
La probabilité de séjour dans l’état D1 est :

P1 = 0.3323

La probabilité de séjour dans l’état D2 est :

P2 = 0.3323

La probabilité de séjour dans l’état D3 est :

P3 = 0.3323
 La probabilité de panne est :

PF = 0.0003188973

La fréquence de coupure :
F (7) = 0.03323165

La disponibilité est calculée en utilisant la formule (5.3)

A = 0.9969

Deuxième cas Markovien

La dégradation n’est pas uniforme ρ1 < ρ2 < ρ3 .

Fig. 5.9 – Deuxième modèle de dégradation Markovien

La matrice de probabilités de transitions est :

 
0 15/22 0 0 0 7/22 0
 0 0 1/2 3/20 0 7/20 0 
 
 0 0 0 0 1/5 7/15 1/3 
 
 1 0 0 0 0 0 0 
 
 0 1 0 0 0 0 0 
 
 1 0 0 0 0 0 0 
1 0 0 0 0 0 0

En résolvant le système d’équations (5.1) et (5.2), on obtient :

P=(0.3853, 0.3503, 0.2627, 0.000047988, 0.000047988, 0.0013, 0.00016808)
La probabilité de séjour dans l’état D1 est :

P1 = 0.3853

La probabilité de séjour dans l’état D2 est :

P2 = 0.3503
 La probabilité de séjour dans l’état D3 est :

P3 = 0.2627

La probabilité de panne est :

PF = 0.00016808

La fréquence de coupure :
F (7) = 0.01751528

La disponibilité est calculée en utilisant la formule (5.3)

A = 0.9983

Cas de Weibull-Markov

Fig. 5.10 – Modèle de dégradation de Weibull-Markov

La matrice de probabilités de transitions

 
0 1022/2705 0 0 0 1683/2705 0
 0 0 413/1906 667/1906 0 413/953 0 
 
 0 0 0 0 337/776 969/2398 530/3279 
 
 1 0 0 0 0 0 0 
 
 0 1 0 0 0 0 0 
 
 1 0 0 0 0 0 0 
1 0 0 0 0 0 0

En utilisant la formule (5.22) et après avoir résolu le système d’équations (5.20) et

(5.21) on obtient :
P=(0.6507, 0.2474, 0.0913, 0.00034515, 0.00034515, 0.0097, 0.0002)
La probabilité de séjour dans l’état D1 est :

P1 = 0.6507
La probabilité de séjour dans l’état D2 est :

P2 = 0.2474

La probabilité de séjour dans l’état D3 est :

P3 = 0.0913

La probabilité de panne est :

PF = 0.0002

La fréquence de coupure est :

F (7) = 0.020842

La disponibilité est calculée en utilisant la formule (5.3)

A = 0.9894

Indices \ Modèle 1er cas de Markov 2eme cas de Markov Weibull-Markov

P1 0.3332674 0.4998401 0.5027845
P2 0.3332674 0.3332267 0.3319982
P3 0.3332674 0.1666133 0.1648643
Pp 0.0003197 0.0003197 0.0003529
A 0.9996802 0.9996801 0.9996470

Tab. 5.1 – Probabilités des états sans maintenance

Indices \ Modèle 1er cas de Markov 2eme cas de Markov Weibull-Markov

P1 0.3323 0.3853 0.6507
P2 0.3323 0.3503 0.2474
P3 0.3323 0.2627 0.0913
P4 0.0000910 0.000047988 0.00034515
P5 0.0000910 0.000047988 0.00034515
P6 0.02549773 0.0013, 0.0097
Pp 0.0003188973 0.00016808 0.0002
A 0.9969 0.9983 0.9894

Tab. 5.2 – Probabilités des états avec maintenances

5.6.2 Interprétation des résultats
Les résultats de calcul montrent que pour le premier cas de Markov, les probabilités
que le système soit dans un état de bon fonctionnement D1 ou bien dans les états de
dégradation D2 et D3 sont identiques. En exploitant les résultats donnés par l’approche
de Weibull-Markov, on remarque que la probabilité de résidence dans l’état D1 est plus
importante et que plus on progresse vers l’état de panne la probabilité diminue. Pour
bien situer ce modèle par rapport à la réalité, on a introduit un troisième modèle qui
est un modèle Markovien avec des taux de transitions différents ; ce dernier exprime une
dégradation vieillissante et d’un point de vu physique, c’est une situation réaliste. Les
résultats de ce modèle confirme la tendance de ceux donnés par l’approche de Weibull-
Markov.
En observant le tableaux (5.2) on affirme que le modèle Markovien n’est pas réaliste
car non seulement les états de dégradation ne sont pas considérés, les trois actions de
maintenances n’ont aucun effet. Tandis que dans le modèle de Weibull-Markov, on voit
bien cet effet.

Conclusion
La modélisation par les graphes des états constitue un outil intéressant pour la mise
en évidence du comportement des équipements électriques. Dans ce même contexte, la
fiabilité ne se contente pas d’une représentation binaire du comportement fonctionnement-
panne mais plutôt se rapproche de la réalité en considérant les étapes de dégradation et
des actions à entreprendre d’une part et d’introduire d’autres méthodes plus générales
et plus réalistes d’autre part. L’approche de Weibull-Markov est inspirée analytiquement
de la méthode de Markov à l’exception des probabilités d’occupation des états et de
transition entre les états et des différentes fréquences qui sont basées sur la loi généralisée
de Weibull.
 CHAPITRE 6
Analyse de la défaillance et de la
perte de charge

Introduction
Traditionnellement, l’analyse de la défaillance s’effectue sur la base des indices de fia-
bilité connues sous les acronymes SAIFI, SAIDI, CAIDI,..[10] et cela concerne la partie
distribution. En vu d’introduire des mesures techniques et organisationnelles, il est impor-
tant d’évaluer le coût de la défaillance à l’état actuel et d’exprimer des recommandations
quant à l’amélioration de la fiabilité d’un système en pleine exploitation.
Dans ce travail, deux volets sont traités, à savoir : la perte de charge dans le cas d’une
défaillance dans le système de production d’énergie et la défaillance des équipements dans
le système de distribution. Ce deuxième volet met en évidence certaines notions relevant
de la planification et de la gestion des réseaux électriques en pleine exploitation. Elles sont
basées sur le calcul de répartition de puissance et le calcul technico-économique assurant
l’équilibre entre le niveau de fiabilité souhaité et les coûts engendrés.

6.1 Intérêt des méthodes combinatoires

Dans cette partie du travail, une unité de production est supposée régie par le com-
portement binaire fonctionnement-panne, et la méthode développée consiste en un calcul
probabiliste renseignant sur les chances possibles pour que la production en énergie puisse
satisfaire la demande.
On distingue la méthode de probabilité de perte de charge et la méthode de probabilité
de perte d’énergie. Une application à un cas réel a été effectuée et il s’agit de la centrale

112
de production hydroélectrique de Darguina-Bejaia [21].

6.1.1 Méthode de probabilité de perte de charge (LOLP)

Le modèle de la charge utilisé dans cette méthode est la représentation cumulée de la
charge (ou bien la courbe de durée de consommation) représentée à la figure (6.1).

Fig. 6.1 – Courbe de durée de consommation pour l’évaluation de la LOLP

En ordonnée, on porte les valeurs de consommation de pointes. En abscisse, on porte

le nombre d’unités de temps au cours desquelles la consommation de pointe est égale ou
dépasse la valeur indiquée en ordonnée. Sur cette courbe, on peut lire que la consommation
de pointe a dépassé la capacité restante Cj pendant tj unités de temps. La probabilité
totale à ce que la demande de la charge ne soit pas atteinte est appelée probabilité de
perte de charge et elle est définie par [61] :
X
X pj .tj
LOLP = p[C = Cj ].p[L > Cj ] =
j
100

Où :
pj : probabilité associée à la panne d’unité après tj unités de temps,
L : consommation de pointe.

6.1.2 Méthode de probabilité de perte d’énergie (LOEP)

Le but de cette méthode est d’évaluer d’une façon plus significative le préjudice subit
par les consommateurs en raison des interruptions de service. La procédure à suivre est
très proche de celle utilisée pour le calcul de LOLP. On trace la courbe de durée de
consommation donnée à la figure (6.2).
 Fig. 6.2 – Courbe de durée de consommation pour l’évaluation de la LOEP

Oj est la capacité manquante pendant toute la période considérée. La probabilité de

perte d’énergie (LOEP) est définie par :
X pj .Dj
LOEP =
j
D

Où
pj : La probabilité associée à la capacité manquante,
Dj : La perte d’énergie définie par :
Z tj
Dj = (L − Cj )dt
0

D : La surface totale sous la courbe de la durée de consommation définie par :

Z 100
D= Ldt
0

6.2 Calcul des indices de fiabilité LOLP et LOEP

6.2.1 Taux de non-fonctionnement
Dans notre cas, nous disposons de 3 unités de production qui peuvent être représentées
par deux états simples modélisés dans un processus ”marche ou panne”.
La quantité la plus importante pour l’analyse de fiabilité du système de production
d’électricité est la probabilité de l’échec d’une unité, connue sous le nom d’indisponibilité
d’une unité, désignée généralement par p.
Cette grandeur est estimée sur la base d’un traitement statistique des pannes des
(Groupe-Alternateur) GTA sur une période de 7 ans.
Notons que les arrêts programmés ne sont pas comptabilisés.
Les données historiques ont fait ressortir les valeurs suivantes (Tableau 6.1).
 GTA p 1-p λ µ
1 0.1020 0.898 0.046 0.1123
2 0.028 0.972 0.046 0.1123
3 0.0014 0.986 0.046 0.1123

Tab. 6.1 – Taux de non fonctionnement des GTA

λ = 17/365 = 0.046 a−1 ,

µ = 41/365 = 0.1123 h−1

6.2.2 Calcul des probabilités des états de capacités

Les unités de production sont connectées en parallèle et chaque unité est caractérisée
par sa capacité maximum. En raison des défaillances, elles ne fonctionnent pas continuelle-
ment à pleine puissance. Leurs différents niveaux possibles de production sont représentés
sous forme d’états.
Les transitions d’un état à un état voisin peuvent avoir lieu à tout moment, et se réalisent
instantanément. Les probabilités et le diagramme des états sont représentés sur les graphes
6.3 et 6.4 et récapitulées dans les tableaux 6.2 et 6.3.
unités out Cap out(MW) Cap in (MW) p[C = C1 ] p[C ≤ (C1 )]
0 0 70.2 0.898×0.972×0.998=0.871 1.000
1 32.5 37.7 0.1020×0.972×0.998=0.09 0.129
2 32.5 37.7 0.898×0.028×0.998=0.025 0.039
3 5.2 65 0.898×0.972×0.00014=0.0012 0.037
1,2 65 5.2 0.1020×0.028×0.998=0.00285 0.0349
1,3 37.7 32.5 0.1020×0.972×0.0014 =0.00013 0.03482
2,3 37.7 32.5 0.898×0.028×0.0014=0.000036 0.03478
1,2 et3 70.2 0 0.1020×0.028×0.0014=0.000004 0.034

Tab. 6.2 – Probabilités des états i de capacité Ci

j Cj (MW) pj p∗
j λj+ λj− fj f∗
j
1 70.2 0.8710 1.00000 0 0.1380 0.120198 /
2 65 0.0012 0.11922 0.1123 0.092 0.000245 0.0028988
3 37.7 0.1150 0.11802 0.1123 0.092 0.023496 0.0028744
4 32.5 0.00016 0.00302 0.2246 0.046 0.000044 0.0005399
5 5.2 0.00285 0.002854 0.2246 0.046 0.000771 0.0005103
6 0 0.000004 0.000004 0.3369 0 0.0000013 0.0000013

Tab. 6.3 – Probabilités des états combinés

Avec :
λj+ : Taux de transition de l’état j vers un état de capacité supérieure,
λj− : Taux de transition de l’état j vers un état de capacité inférieure,
fj : Fréquence associée à la capacité manquante,
f∗j : Fréquence cumulée quand la capacité restante est égale ou inférieure à C j .
Fig. 6.3 – Diagramme des états i de capa- Fig. 6.4 – Diagramme des états combinés.
cités Ci .

6.2.3 Calcul de la probabilité de perte de charge

On représente les valeurs de consommation de pointes prévues dans l’ordre décroissant
telles que données sur la figure (6.5).

Fig. 6.5 – Consommations de pointe prévues

La probabilité totale à ce que la demande de la charge ne soit pas atteinte (LOLP)

est calculée ainsi :
X
LOLP = P [C < Li ]P (Li )
i

Le modèle de charge utilisé dans cette méthode est la représentation cumulée de la charge
ou bien de la courbe de durée de consommation représentée à la figure (6.6).
 Fig. 6.6 – Courbe cumulative de durée de charge.

Pour une déficience donnée i, la contribution à la probabilité de perte de charge est

égale à la probabilité Pi associée à cette déficience multiplié par le nombre d’unités de
temps ti au cours desquelles il y aurait perte de charge : Pi ti en unités de temps/période.
Pour trouver la probabilité de perte de charge du système, on effectue la sommation
P
(Pi ti ) de toutes les déficiences possibles à la production. Les résultats sont récapétulés
dans le tableau (6.4).

cap out(MW) cap in (MW) probabilité pi temps ti pi × t i

0 70.2 0.8710 0 -
5.2 65 0.0012 9.09 0.0109

Tab. 6.4 – Calcul de la probabilité des déficiences possibles

Dans le cas étudié, il existe une seule déficience sur la courbe de charge de probabilité
égale à 0.0012 sur une période équivalente à 9.09% d’une année (2.5 jours) et la probabilité
de perte de charge est égale à :
LOLP = 0.0109 ×365 jours/année = 3.924 jours/année ' 4 jours/année.
Le nombre attendu de jours pour lesquels la demande maximum dépasse la capacité
disponible est de quatre jours/année.

6.2.4 Calcul de la probabilité de perte d’énergie

On procède de la même manière pour le calcul de LOLP ; on trace la courbe cumulative
de charge puis on calcule les aires D et DJ .
 L’énergie attendue dans le système de trois unités est égale à :
pj × Dj = 66.7452× 0.0012×2.5 (jour)= 0.194 MW JOUR = 4.656 MWh

L’énergie totale demandée par le système D est égale à :

D = 66.7452 × 2.5 (jour)=166.86 MW JOUR =4004.64 MWh
X pj × Dj
LOEP= =0.00116.
j
D

En utilisant les deux méthodes probabilistes ; méthode de perte de charge et méthode

de perte d’énergie, on a calculé deux indices très importants pour l’évaluation du niveau
de fiabilité de la centrale hydroélectrique de Darguina.
Les résultats sont exprimés comme une série d’indices de la fiabilité qui mesurent le
risque de pénuries de la provision pour une configuration donnée. En comparant ces
résultats aux normes ISO (Independent System Operators) qui exigent le maintien de la
probabilité de perte de charge aussi petite que possible afin d’avoir la valeur LOLP=1
jour/10 ans, on peut juger que la valeur de LOLP calculée pour notre étude 4 jours/an
=40 jours/10 ans est loin d’atteindre les normes d’ISO.

6.3 Calcul des indices de fiabilité d’un système de

distribution
Plusieurs indicateurs de mesure de fiabilité de système existent. Les plus fréquemment
utilisés sont : SAIFI, SAIDI, CAIDI, ... [10]. Ces indicateurs sont largement utilisés pour
la comparaison des effets des différentes topologies et sont introduis pour la qualité de la
régulation.

6.3.1 Indices de fiabilité d’un point de charge/système

Le système d’alimentation en énergie électrique pour sa partie de distribution peut être
considéré comme système sériel. Les éléments en parallèle sont remplacés par l’élément
équivalent en série.

Fréquence de coupure/défaillance

En un point de charge Lpi , la fréquence de coupure est définie par :

n
X
fi = λα (6.1)
α=1
Où λα est le taux de défaillance de l’élément α
Pour un système ayant Ci consommateurs pour chaque point de charge Lpi , elle est
définie par la fréquence de coupure par consommateur et on la note :
n
X
Ci .fi
i=1
hf = n (6.2)
X
Ci
i=1

Durée moyenne de coupure

En un point de charge Lpi , la durée moyenne de coupure est définie par :

n
X
λα .Tα
α=1
Ti = n . (6.3)
X
λα
α=1

Où Tα est la durée de coupure de l’élément α.

Si deux éléments γ et β sont en parallèles, ils seront remplacés par un élément

équivalent α en utilisant les équations dans le cas d’un système parallèle [62].
Le taux de défaillance est défini approximativement par :

λα = λβ .λγ (Tβ + Tγ )

Le temps équivalent de remise en service est donné par :

1 Tβ .Tγ
Tα = =
µβ + µ γ Tβ + T γ
Où λβ , λγ : les taux de défaillance respectifs des éléments β et γ.
µβ , µγ : les taux de remise en service respectifs des éléments β et γ, et sont les inverses
des Tβ et Tγ , temps de remise en service des éléments β et γ.

Pour un système ayant Ci consommateurs pour chaque point de charge Lpi , la durée
moyenne de coupure correspond à la durée totale d’interruptions des consommateurs et
elle est donnée par :
n
X
Ci .fi .Ti
i=1
Tc = n (6.4)
X
Ci .fi
i=1
On peut aussi définir un autre indice de fiabilité correspondant à la durée totale des
interruptions par consommateurs et par année.

n
X
Ci .fi .Ti
i=1
Hs = n
X
Ci
i=1

Energie non distribuée

C’est l’énergie qui n’a pas pu être consommée en un point de charge Lpi et que l’on
exprime par :

W ni = Pi .Ti (6.5)

Où
Pi est la puissance mise à disposition au point de charge Lpi ,
Ti est la durée moyenne de coupure d’un point de charge Lpi
Pour un système, elle est donnée par :

Wn = Pc .Tc

avec
Pc est la puissance mise à disposition du système,
Tc est la durée moyenne de coupure d’un système.

6.3.2 Indices de fiabilité d’un système à structure bouclée

La notion de boucle dans les réseaux électriques de distribution est introduite pour
une certaine flexibilité dans le fonctionnement du système à structure radiale dans les
conditions de défauts/pannes [62]. Les indices de fiabilité d’un tel système sont calculés
de la même manière que pour un système à structure radiale.
Les avantages résident principalement dans la diminution du temps de remise en service
par la possibilité de basculement si un défaut a lieu sur un départ.

6.4 Intérêt du calcul de répartition de puissance

Le point de départ de toute planification sur les réseaux de distribution est évidemment
la connaissance des charges qu’ils transitent. La détermination du développement optimal
d’un réseau s’effectue alors sur un modèle représentant ce dernier et la demande en énergie,
en appliquant des méthodes technico-économiques.
A la base des principales méthodes utilisées pour la planification des réseaux de dis-
tribution, se trouve le développement (ou l’exploitation) de ces idées, à savoir :
– la nécessité de dynamiser l’étude ;
– La qualité de service au niveau des études de planification ;
a)Nécessité de dynamiser l’étude :
Cette dynamisation a trois implications :
– La définition de l’évolution de la demande sur la période d’étude ;
– L’imagination et la sélection des évolutions des réseaux, qu’il convient de comparer.
Des variantes sont proposées et les calculs ont été effectués [8].
– Le choix d’un critère de comparaison entre les solutions envisagées, à savoir une
fonction de coût, basée sur le principe de l’actualisation et des critères de décision.
b)Qualité de service au niveau des études de planification :
L’évolution de la demande est caractérisée par l’élévation très sensible des exigences de
la clientèle en ce qui concerne le produit distribué. Lors de la planification, il est essentiel
d’effectuer les différents types de calculs suivants :
– calcul du transit maximal, afin de vérifier que l’intensité correspondante ne dépasse
pas les possibilités limites des ouvrages.
– calcul de la chute de tension maximale afin de vérifier que la tension délivrée à la
clientèle ne s’écarte pas trop de la tension nominale des appareils ;
– calcul des pertes, rubrique des frais annuels d’exploitation des réseaux ;
– calcul de la défaillance en continuité de service pour évaluer l’énergie non desservie
(distribuée) du fait d’un incident sur un ouvrage ;
Ces différents points sont traités lors du calcul des indices de fiabilité [8], du calcul de
répartition de puissance et du calcul technico-économique. Des résultats sont obtenus et
interprétés.

6.4.1 Calcul complexe de répartition de puissance en vue de la

restructuration du réseau
Pour connaı̂tre la répartition de la charge et afin d’assurer un fonctionnement normal
pour les différents ouvrages du réseau, on effectue le calcul de répartition de puissance.
En outre, ce calcul nous donne les valeurs des pertes de puissance active, de l’intensité
maximale qui transite dans chaque tronçon et de la tension au niveau de chaque accès du
réseau [25].
Des travaux ont porté sur les cas d’un départ mis individuellement puis sur le cas
d’un réseau avec plusieurs départs à l’état actuel d’exploitation puis avec des variantes
considérant des modifications suite à la perte d’un tronçon ou à une modification pro-
grammée.
Une des propositions souvent présentée par les centres de recherche à des compagnies
d’électricité (Exemple de EDF : [26], [64], [65]), pour assurer une bonne continuité de
service, est d’ajouter des postes HT/MT et de raccourcir le départ MT.

6.5 Expression de la fonction coût sans maintenance

On distingue trois constituantes principales de la fonction coût, à savoir [30], [66] :
– les dépenses en investissements It ;
– les frais d’exploitation Rt ;
– la gêne économique Ft ;
Le critère économique en question, est celui qui minimise la fonction coût et est défini
par :
T
X It + R t + F t VT +1
M inimiser − (6.6)
t=1
(1 + i)t (1 + i)T +1

Où
T : est l’horizon de la planification,
t : est l’indice du ”pas de temps”,
VT +1 : est la valeur d’usage du système à la fin de la période de planification,
i : est le taux d’actualisation.
Les constituantes de la fonction coût sont calculées en valeurs actualisées. Par
conséquent, on introduit le taux d’actualisation i qui caractérise la politique d’inves-
tissement de l’entreprise.

6.5.1 Les dépenses en investissements [33]

Dans un réseau électrique, les investissements s’effectuent sur un ou plusieurs ouvrages,
dont la durée d’utilisation diffère d’un ouvrage à un autre. Le calcul du coût total s’effectue
sur une durée d’étude fixée au préalable.
On désigne par Ik le coût d’investissement unitaire d’un ouvrage k et par gk le coût
d’investissement annuel actualisé de cet ouvrage. Ce coût est formulé comme suit :

q n (q − 1)
gk = I k (6.7)
qn − 1
 Si g 0 représente le coût d’investissement annuel de plusieurs ouvrages. Il est calculé
par :

k 0
X
0
g = gk
k=1

Le coût total d’investissement est :

t2
X
KI = g 0 (t).q −t (6.8)
t=t1

Où :
n : l’année d’utilisation,
k 0 : le nombre d’ouvrages,
[t1 , t2 ] : la durée d’étude,
q = i + 1, i étant le taux d’actualisation.

6.5.2 Les frais d’exploitation

Les frais d’exploitation sont formulés en termes de pertes de puissance active dans les
lignes ou câbles. Les pertes maximales sont données par [33] :

2
Pmax = 3Imax .R0 .l (6.9)

Le coût annuel des pertes est donné par :

kk = (kp + kw .θ.Ta )Pmax (6.10)

Si l’on désigne par r le facteur d’évolution de la charge, l’équation (6.10) devient :

kk = (kp + kw .θ.Ta )Pmax .r n (6.11)

Avec :
R0 : Résistance linéique exprimée en Ω/km ;
Imax : Charge maximale ;
l : Longueur de la ligne (câble) ;
kW : Tarif du kWh ;
kp : Tarif annuel du kW ;
θ : Facteur de charge ;
Ta =8760h.
 Si on a k 0 tronçons, le coût total annuel est alors :
k 0
X
0
k = kk
k=1

Le coût total des pertes est donnée par :

t2
X
Kv = kv0 q −t (6.12)
t=t1

6.5.3 La gêne économique [33]

Cette gêne est ressentie principalement par l’utilisateur du réseau. Les constituantes
principales sont les valeurs caractéristiques de la fiabilité déjà calculée. Ces dernières
sont exprimées en terme de nombre de coupures annuelles, de leurs durées et de l’énergie
annuelle non distribuée.

– Première valorisation de la gêne [30]

Elle a été définit comme étant le coût de la défaillance qui croit rapidement quand
la coupure se prolonge. Elle est calculée suivant la durée de coupure.
a) Cas de coupures brèves :
Le coût de la défaillance Cd est proportionnel à la puissance coupée et est donné
par

Cd = kp .Pc

Où :
kp : Tarif annuel de kw,
Pc : Puissance mise à disposition du système.
b)Cas de coupures moyennes :
Le coût de la défaillance est proportionnel à l’énergie non distribuée et est exprimé
par :

Z
Cd = k w Pc (t).dt
Tc

où :
kw : Tarif du kWh.
En particulier, pour une puissance Pc constante le coût de la défaillance sera :

Cd = kw .Pc .Tc
 où :
Tc est la durée de coupure.

c) Cas de coupures longues :

Le coût de la défaillance est le coût de l’énergie non distribuée et exprimé par :

Cd (t) = kw (1 + θ).Pc .t

où :
θ : Facteur de chrage,
– Valorisation actuelle de la gêne économique Actuellement, dans certains pays
que nous allons citer, la gêne est exprimée en fonction du coût de la défaillance,
incluant l’énergie non distribuée et le nombre de coupures.
a)Cas de la Norvège [67] :
Le coût de la défaillance est :

Cd = Pc (kp + kw t)

où t est la durée des interruptions.

b)Cas de la France (EDF)[67]
Le coût de la défaillance est :

Cd = Pc (kp N 2 + kw t) (6.13)

où N est le nombre de coupures annuelles.

Dans de nouvelles publications [64], le coût est : :

Cd = Pc .N 2 .kp + kw .Wn (6.14)

Ainsi, l’optimisation technico-économique est obtenue en majorant la valorisation de

la défaillance par l’ajout d’un terme représentatif de la gêne causée par un nombre ex-
cessif de coupures. Celui ci, fonction quadratique du nombre de coupures, oriente les
investissements en priorité vers les zones les plus perturbées.
Dans notre travail, compte tenu du taux d’actualisation, on prend N = hf et Wn ,
calculés dans la section(6.3).
où :
Wn : l’énergie annuelle non distribuée ;
Pc : la puissance moyenne par départ/poste ;
hf : la fréquence moyenne annuelle de coupure.
 Le coût total de l’énergie non distribuée est :
t2
X
Kw = k w . Wn .q −t (6.15)
t=t1

Le coût actualisé de la gêne économique est alors :

t2
X
Kg = K w + k p Pc .h2f q −t (6.16)
t=t1

Le coût total actualisé est finalement :

K = Kg + Kv + KI (6.17)

où :
Kg : coût actualisé de la gêne économique,
Kv : coût total des pertes ;
KI : coût total d’investissement.

6.6 Critères de décision

Plusieurs critères peuvent aider au choix des variantes étudiées. Il existe ceux qui
traitent des cas généraux et ceux des cas particuliers.
Le premier critère de décision que nous avons défini, repose sur la valeur minimale de
la fonction coût [30]. La variante convenable à retenir, parmi d’autres proposées est celle
qui correspond à la plus petite valeur de la fonction ”objectif” déjà définie auparavant
(équation (6.17)).
Le deuxième critère est celui qui met en évidence l’incertitude des données, à savoir
le facteur de variation de la charge.
Le troisième critère est particulier à une action correspondant à l’automatisation des
réseaux [26].

6.6.1 Critère de décision particulier à l’automatisation du

réseau
Le critère en question concerne la décision d’équiper le réseau d’ O.M.T (organes de
manœuvres télécommandés) [26]. Dans notre cas, il s’agit d’équiper le réseau d’indicateurs
de défauts (voir variante ”1”, paragraphe 6.3). Dans le même travail, il est indiqué que
les indicateurs de défauts sont installés automatiquement avec les O.M.T.
La décision d’implémentation et le nombre exact d’appareils dépendent de la situation
dans laquelle on se trouve :
 – si on se situe en deçà des seuils minimaux, on installe, dans un premier temps,
autant d’appareils que nécessaire pour atteindre les objectifs.
– dans un deuxième temps, en supposant que les seuils minimums soient atteints, la
décision d’améliorer la situation au delà, dépend de la valeur absolue du critère
économique. En effet, la condition nécessaire et suffisante pour installer un appareil
est que le gain annuel marginal sur la qualité soit supérieur à l’annuité d’investisse-
ment supplémentaire.
Si l’on désigne par :
– I : l’anuité d’investissement d’un indicateur de défaut,
– T0 : le temps moyen de remise en service du départ en l’absence des indicateurs
de défauts,
– Tn : le temps de remise en service du départ en présence des indicateurs de défauts,
– Pm : la puissance moyenne appelée par le départ,
– L : la longueur du départ en kilomètre ,
– hf : le taux annuel d’incidents définitifs par kilomètre (du réseau),
– kw : la valorisation de l’énergie non distribuée.
Le gain annuel obtenu par l’optimisation de n indicateurs de défauts sera :

Gn = hf .L.Pm .(Tn − T0 ).kw (6.18)

Le nombre optimal d’appareils à installer et leurs localisations sont alors définis par
le problème suivant :
Trouver le max de Gn tel que :

Gn > nI (6.19)

ou bien, Gn − Gn−1 > I

Les temps de coupure sur incidents Ti , sont estimés à partir des statistiques d’exploi-
tation.

6.6.2 Application au réseau 10 kV de la ville d’Alger

Parmi celles proposées, seules les variantes ”0” et ”1” sont mises en évidence car,
seules existent à notre disposition les données de tarification des kW et kWh [52] ainsi
que les prix des indicateurs de court-circuit. Le calcul de la fonction coût et l’application
des critères de décision a été effectué pour le départ Ait-Idir.
Calcul du coût de la variante ”0”

Rappelons que cette variante correspond à l’état actuel d’exploitation. Par conséquent,
il n’y a pas d’investissements. Notons aussi que la durée d’étude est fixée à 5 ans.
1) Coût des pertes :
Comme indiqué auparavant, le coût des pertes dépend essentiellement des pertes en puis-
sance active et des tarifs des kW et kWh (voir équation (6.11)).
Le facteur de variation de la charge est fixée à 3%, ce qui fait que les pertes passeront
de 123.68 kw à 169.19 kW en 5 ans.
Si on prend : Kp = 23.86
Kw = 66.10
θ = 0.3
Après tout calcul fait, le coût des pertes est évalué par

Kv = 135.62 × 106 DA

2) Coût de la gêne économique :

Elle dépend essentiellement de la puissance appelée par le départ, de la fréquence des
coupures et de la durée totale de coupure du départ, et des tarifs kW et kWh ( voir
l’équation (6.16)).
La fréquence de coupure est hf = 2.71déf/a ;
Le coût de l’énergie non distribuée est : Kw = 2.45 × 106 DA ;
Le coût de la défaillance est : Kc = 16838DA ;
Le coût de la gêne économique est alors KG = 2.4668 × 106 DA ;
Le coût total de la variante est : K0 = 138.08 × 106 DA.

Calcul du coût de la variante ”1”

Cette variante consiste en l’équipement du réseau par des indicateurs de court-circuit.

1)Coût d’investissements :
L’investissement correspond à l’équipement des 20 postes du départ Ait-Idir par des indi-
cateurs de court-circuit dont nous connaissons le prix unitaire. En appliquant l’équation
(6.8), le coût d’investissement sera :

KI = 60470.7DA

2)Coût des pertes :

Dans ce cas, les pertes restent invariantes, car nous n’avons effectué aucun changements
sur les caractéristiques du réseau. Elles changeront dans le cas de la variante ”4” où le
taux de défaillance du câble passe de 0.30 (1/a.km) à 0.04 (1/a.km). Le coût reste donc
invariant.

Kv = 135.62 × 106 DA

3) Coût de la gêne économique :

La fréquence de coupure est restée inchangée par rapport à la variante précédente, d’où
l’invariance du coût de la défaillance, Kc = 16838DA. Par contre, l’énergie non distribuée
est passée de 8032 kWh/a à 5865 kWh/a, d’où le nouveau coût de l’énergie non distribuée.

Kw = 1.78874 × 106 DA

Le coût de total de la variante est alors :

K1 = 137.46891 × 106 DA

Comme l’objectif tracé est de minimiser le coût total, la variante retenue est la variante
”1”.

Critères de décision sur l’automatisation

Il s’agit de déterminer le gain déduit de l’installation des indicateurs de court-circuit.

Donc, il s’agit de comparer les variantes ”0” et ”1”.
En affectant aux variables de l’équation (6.20) les valeurs calculées, telles que :

T0 = 4954.7 min/a
Tn = 3625.4 min/a
H = 2.71 déf/a

Le gain est évalué à :

Gn = 99403.6 DA

Les résultats chiffrés, indiquent que Gn est nettement supérieur à nI.

L’avantage de ces critères est la possibilité de savoir avec exactitude le nombre d’appa-
reils à mettre dans le réseau, une fois que les objectifs à atteindre sont connus (fréquence
et durée de coupure). Cette possibilité n’existe pas dans la première méthode. Par contre,
l’inconvénient de ces critères réside dans l’absence de valorisation des pertes dans le réseau.
Ceci est un facteur important dans l’exploitation.
Conclusion
Dans cette partie de la thèse, certains indices de fiabilité des systèmes électriques
modélisés selon le processus fonctionnement-panne ont été calculés. Ces derniers servent
de base de données pour un calcul technico-économique suite à des actions et à des mesures
d’amélioration de la fiabilité. Dans le chapitre qui suit, il s’agit d’introduire les actions de
maintenance dans un processus régit par des dégradations successives et de développer une
méthode d’optimisation sous contraintes d’un niveau de fiabilité critique et d’un bénéfice
” gain ” maximum.
 CHAPITRE 7
Optimisation de la maintenance
basée sur la fiabilité-disponibilité

Introduction
La double exigence de maintien d’un niveau suffisant de sécurité des personnes et des
équipements e de la maı̂trise des coûts a conduit naturellement les concepteurs et les
managers à intégrer d’emblée l’efficacité des actions de maintenance dans le processus
d’exploitation et de planification des systèmes.
L’efficacité recouvre la capacité d’une action élémentaire de maintenance à contribuer
à la pérennité d’une mission assignée à un système plus vaste que le matériel auquel elle
s’applique, en contrepartie d’une applicabilité et d’un coût raisonnable. La finalité de la
maintenance n’est donc pas tant la disponibilité du matériel lui même que le maintien de
missions d’ordre supérieur.
Il s’agit de ce qui suit :
1. Intégration de l’efficacité des actions de maintenance conduisant à raisonner en
termes fonctionnels, ce qui introduit la notion de l’analyse fonctionnelle du système
et de ses composants.
2. Interrogation sur la fréquence opérationnelle d’occurrence des modes de défaillance,
ce qui oblige à traiter parallèlement le maximum d’informations issues du retour
d’expérience.
3. Interrogation sur les coûts et l’applicabilité d’actions élémentaires de maintenance,
ce qui conduit à prendre en compte la connaissance de la gravité de chaque mode
de défaillance et l’avis des experts sur le terrain.

131
7.1 L’OMF en Algérie et dans le monde
La politique actuelle de maintenance E3P (Entretien Périodique Préventif Programmé)
soutenue par SONELGAZ, vu l’étendue du réseau, s’avère onéreuse et ne répond plus
aux exigences croissantes des consommateurs en terme de qualité de service (fréquences
et durées de coupures) et n’offre pas une souplesse et une optimisation satisfaisantes.
Cette dernière est déclinée par la méthode OMF (Optimisation de la Maintenance par
la Fiabilité) et connue sous son nom originel RCM (Reliability Centered- Maintenance),
devenue aujourd’hui un standard qui a fait ses preuves dans plusieurs domaines tels que :
l’aéronautique, le nucléaire, etc.
Depuis plusieurs années, L’EPRI (Electric Power Research Institute) a lancé un pro-
gramme de recherche pour transposer la méthode RCM à la maintenance des centrales
nucléaires et des postes et réseaux électriques [71] [72].
Depuis le début de 1999, la méthode RCM a acquis ses lettres de noblesses en devenant
une base de norme internationale CEI(Commission Electrotechnique Internationale).
Cette méthode vise à organiser la maintenance des équipements autour d’objectifs de
fiabilité sous contrainte de coût. Son application aux réseaux de Sonelgaz doit être encou-
ragée par les résultats prometteurs obtenus par les entreprises et compagnies étrangères.
Nous citons EDF, qui depuis 1994 l’a appliqué à un sous ensemble de poste 400 kV.
En marge de cette méthode, un intérêt particulier peut être accordé pour le cas des
transformateurs, en réfléchissant à la maintenance conditionnelle. Elle aura pour objectif
de déclencher une maintenance sur constat d’un défaut ou la planifier à l’aide d’indicateurs
[1].
Ce type de maintenance est aujourd’hui préféré à la maintenance préventive
systématique. Elle contribue à l’optimisation de la maintenance et améliore la dispo-
nibilité des équipements. Une surveillance appliquée aura pour mission d’apporter une
aide à cette dernière. Les données de surveillance doivent être interprétées en exploitant
des connaissances de l’équipement, ses défauts potentiels et leurs symptômes. C’est à dire
qu’elle permet l’insertion des acquis antérieurs dans le domaine de la fiabilité et de la
maintenance appuyé par une organisation du retour d’expérience. Cette démarche incite
à réfléchir à la création d’une structure de projet interdisciplinaire spécifique au niveau
de la compagnie d’électricité. Un projet dit pilote peut être initié sur la base de cette
démarche, qui suivant la satisfaction de son application et des résultats obtenus, donnera
lieu à une généralisation à l’ensemble du réseau de Sonelgaz.
Les tâches de maintenance sont par la suite définies suivant des enjeux liés à la sécurité
et à l’économie. Des plans d’intervention dits : renforcés, nominaux ou allégés sont conçus
et peuvent être accompagnés de visites sur sites traditionnellement.
7.1.1 Rappel de la méthode
Afin d’illustrer la méthode, on considère le cas d’une cellule ligne, dont les composants
essentiels sont :
– le contrôle commande local,
– les auxiliaires,
– le disjoncteur,
– les sectionneurs,
– les réducteurs de mesure.
Considérons le disjoncteur très haute tension 400 kV comme indiqué à la figure (7.1),
et intéressons nous aux contacts électriques principaux.

Fig. 7.1 – Les fonctions d’un contact électrique

Analyse fonctionnelle

Les contacts principaux assurent les fonctions transiter le courant en position fermés,
maintenir un circuit électrique ouvert, effectuer des manœuvres et surtout couper un
courant de défaut.
L’analyse fonctionnelle se poursuit en reliant les différents composants de chaque
équipement aux fonctions identifiées de l’équipement. Par exemple, un composant rem-
plissant beaucoup de fonctions fera probablement l’objet d’une attention particulière car
ses défaillances auront presque à chaque fois des conséquences.

Analyse des modes de défaillances de leurs effets et leurs criticités

Les experts doivent se prononcer sur les différents modes de défaillances de ces contacts,
c’est à dire les types de défaillances possibles, observées, ou probables. Ils ont retenu
l’échauffement, le desserrage - blocage - rupture. Les causes renseignent sur les explications
des défauts et de leurs origines, qui seront autant de pistes ultérieures pour la recherche
des parades possibles. Les défaillances sont classées suivant leur gravité étalée sur une
échelle allant de 1 à 4.

Retour d’expérience et fiabilité

Le traitement du retour d’expérience s’effectue à partir de bases de données où l’en-

semble des disjoncteurs sont décrits ainsi que l’ensemble des défaillances survenues sur ces
matériels. Ces informations apportent à la fois une quantification des taux de défaillance
des composants, également une analyse qualitative des défaillances (modes et effets).
Pour les contacts principaux, 20 avaries conduisant à des échauffements ont été ob-
servées pendant 6 ans dans un parc d’environ 4600 appareils. Le taux qui en résulte vaut :
20/6 × 4600=0.7 ×10−3 /a par appareil.
Le traitement du retour d’expérience permet une estimation de la fréquence d’appa-
rition de défaillances. Le jugement des experts sur le terrain est prépondérant pour la
validation des résultats. Quatre classes de fréquences sont à considérer allant de 1 à 4.
Aussi, on défini la criticité par :

CRIT ICIT E = F REQU EN CE × GRAV IT E

Elle correspond à un score allant de 1 à 16.

Recherches des tâches de maintenance

Une tâche de maintenance est caractérisée par deux critères de performance notés
chacun de 1 à 4 et qui sont l’efficacité et la facilité. Ainsi, on définie l’applicabilité d’une
tâche de maintenance correspondant à son niveau de performance et définie par :

AP P LICABILIT E = EF ICACIT E × F ACILIT E

L’efficacité étant le pouvoir de détectabilité d’un mode de défaillance donné par la tâche
de maintenance ainsi que le niveau de rajeunissement du matériel qui va résulter de
l’opération de maintenance. Dira t-on qu’il est ” As good as New”.
La facilité traduit le caractère aisé de mise en œuvre de la tâche de maintenance. Ces
deux derniers critères permettent de définir la ou les périodes de maintenance :
Période minimale :
Celle en deçà de laquelle la tâche ne détecte pas davantage de
défauts.
Période maximale :
Celle au-delà de laquelle la tâche n’a plus d’efficacité car elle
arrive trop tard.
 Concernant le mode de défaillance du disjoncteur, il y a lieu de souligner ce qui suit :
1. Pour l’échauffement des contacts, on propose :
-la technique indirecte de thermographie infrarouge sans intervenir sur le matériel.
-la mesure directe de la résistance électrique de contact avec intervention sur le
matériel.
2. Pour la recherche des problèmes latents de desserrage- blocage - rupture, seule une
inspection des contacts après ouverture de la chambre de coupure est possible.

7.1.2 Plans de maintenance

Lors de l’analyse des tâches de maintenance, on propose un intervalle pour la
périodicité de chaque tâche. Il est donc aisé d’opter pour trois périodes distinctes (mini-
mum, moyenne et maximum), ce qui définit au fait trois plans de maintenance. Ensuite
on affecte à chaque famille de système fonctionnel un plan de maintenance diffèrent, ce
qui constitue la nouvelle politique de maintenance.
Le plan renforcé : Avec des périodes minimales, qui est appliqué aux matériels des
systèmes à enjeu fort à l’exemple des postes desservant des agglomérations de plus de 100
000 habitants et les départs des lignes 225 ou 400 kV.
Le plan nominal : Avec des périodes moyennes, appliqué aux matériels des systèmes
à enjeu moyen, tels les départs haute tension ou un transformateur THT/HT constituant
l’une des trois alimentations d’un client industriel sensible de puissance inférieure à 100
MW.
Le plan allégé : Avec des périodes maximales, qui est appliqué aux matériels des
systèmes à enjeu faible, tels l’évacuation d’une production HT ou un transformateur
THT/HT constituant l’une des trois alimentations d’un client industriel (dans ce cas, la
maintenance allégée est largement compensée par la redondance des autres alimentations
possibles).

7.1.3 La réduction des coûts

Pour les contacts principaux des disjoncteurs :

1. Pour les problèmes d’échauffement par exemple, la thermographie infrarouge doit

être effectuée tous les ans, tous les deux ans ou tous les trois ans. Cette souplesse
permet de choisir un effort financier différencié en fonction du type de poste.
2. D’autres tâches, comme des visites, traditionnellement mensuelles avec les visites des
postes, se sont vu affecter des périodes allant de trois à six mois. D’autres tâches
 lourdes sont à supprimer et à remplacer par des contrôles moins contraignants à des
périodes adaptées.

7.1.4 Organisation
Résolument pluridisciplinaire, le groupe de réflexion et de travail se doit de coordonner
les équipes de compétences complémentaires, et d’harmoniser des techniques variées, à
savoir [68][69] :
– La constitution et le traitement de bases de données,
– La prise en compte de jugements d’experts,
– Le fonctionnement dynamique des équipements,
– L’analyse fonctionnelle,
– L’élaboration d’un canevas d’aide à la décision dans la sélection des tâches de main-
tenance.
Cette démarche pour un projet pilote sera soldée par des documents préparatoires
de la méthode et les documents résultats. L’amélioration de la politique actuelle doit
être visible (techniquement et économiquement) et les techniques utilisées doivent être
évolutives (évoluent avec les équipements).
Les acteurs prévus pour cette démarche sont :
– des fiabilistes,
– un consultant en analyse fonctionnelle,
– des experts en fonctionnement des réseaux (développement, exploitation et contrôle
commande),
– experts en matériels,
– des spécialistes en maintenance.

7.2 Optimisation de la maintenance sous contrainte

de fiabilité
L’importance de la sûreté de fonctionnement des systèmes nous ramène à étudier
l’optimisation de la maintenance. Dans cette section, on propose l’optimisation de la
maintenance basée sur la disponibilité et la fiabilité. Ainsi, on procède à l’évaluation des
coûts des maintenances préventives et correctives.
Pour modéliser les effets de la maintenance des systèmes multi-composants, Tsai et al
[27] et Endrenyi et al [61], classent trois actions typiques de la maintenance préventive
ci-dessous :
 – 1a) la maintenance simple : elle décrit les activités suivantes : Lubrifica-
tion, nettoyage, la vérification, l’ajustement,..., Pour lesquelles diminuent les fortes
dégradations. Usuellement, cette maintenance implique des moyens techniques, juste
pour améliorer l’état du système.
– 1b) La réparation partielle : elle consiste en l’intervention sur les composants usés
mais en grande partie sur les composants en panne. Ce type d’actions est principa-
lement adopté pour la majorité des sous-systèmes et/ou composants. Généralement,
elle inclut les activités de la maintenance simple.
– 2p) Le remplacement : c’est l’action de remplacer un composant par un nouveau
qui donne les mêmes conditions originales du système. Elle est fréquemment adoptée
pour corriger les sous-systèmes et /ou composants pour éviter les dommages sérieux.

7.2.1 Evaluation des temps de maintenance

Le temps de maintenance préventive (MP) peut être raisonnablement évalué si les
travaux de maintenance possibles sont définis précisément à l’avance. Pour n’importe
quel sous-système, il est exprimé comme suit :
4
X
ta = ti (7.1)
i=1

Où ta représente la somme des temps suivants :

– t1 : le temps d’accès au composant à entretenir ;
– t2 : le temps de diagnostic ou d’inspection ;
– t3 : le temps de remplacement ou de réparation ;
– t4 : le temps de vérification et d’alignement.
Le temps de la maintenance curative (MC) inclut les temps de retard de provision et
de maintenance notés t5 et t6 respectivement. Le retard de provision consiste en le temps
de retard total dans l’obtention des pièces de rechanges nécessaires ou des composants
pour compléter le processus de restauration. Le retard de maintenance est le temps passé
en attente de ressources de maintenance ou d’équipements.
6
X
tb = ti (7.2)
i=1

7.2.2 Optimisation de la maintenance

L’augmentation de la fiabilité du système peut être réalisée par un programme de
maintenance préventive (MP). Un tel programme peut non seulement réduire les échecs
inattendus du système mais également avoir un impact significatif sur sa vie.
 Pour prévoir le programme de MP par la disponibilité, l’expression mathématique de
la disponibilité doit être décrite d’abord.
La disponibilité dépend de la fiabilité et de la mantenabilité, une expression concrète
pour décrire la disponibilité opérationnelle est donnée par l’équation :

MUT
Aop = (7.3)
M U T + M DT
En considérant le problème de remplacement périodique, le MUT peut être exprimé
comme suit :
Z tp
M U T = t p − tb λ(t)dt (7.4)
0

Où tp et tb sont respectivement l’intervalle de MP, et la durée MC du remplacement et

λ(t) est le taux de défaillance.
Le MDT est défini comme suit :
Z tp
M DT = ta + tb λ(t)dt (7.5)
0

Où ta est la durée de MP . La substitution des équations (7.4) et (7.5) dans l’équation
(7.3), donne
Rt
tp − tb 0 p λ(t)dt
A= (7.6)
tp + t a

Le taux de défaillance λ(t) du système est exprimée par :

1 dF̄j (t)
λj = ; (j − 1)tp ≤ t ≤ jtp (7.7)
F̄j (t) dt
avec :

F̄j (t) est la fiabilité du système à la maintenance (j).

Le taux de défaillance peut être exprimé comme suit [27].

Pour(1a)

1 β 1/m1,j (t − (j − 1)tp ) β−1

λj (t) = λ0,j + ( ) (7.8)
m1,j η η

Pour(1b)

1 β 1/m2,j (t − (j − 1)tp ) β−1

λj (t) = λ0,j + ( ) (7.9)
m2,j η η
Pour(2p)

β (t − (j − 1)tp ) β−1
λj (t) = ( ) (7.10)
η η

Où
β, η : dénotent respectivement les paramètres d’échelle et de forme de la loi de proba-
bilité,
λ0j : le taux de défaillance initial,
m1,j et m2,j : les facteurs d’amélioration de la j ème maintenance (1a) et (1b) respecti-
vement, que nous supposons décroissant avec l’âge du composant.

Fig. 7.2 – Variation du taux de défaillance avec les différentes actions de maintenance

Les facteurs d’amélioration sont longuement décrits dans les référence [20][27] et cela
pour les applications à des systèmes mécaniques et mécatroniques.
L’intervalle de MP permettant de maximiser la disponibilité peut être obtenu en
dérivant l’équation (7.6) par rapport à tp .

dA
=0 (7.11)
dtp
Le résultat différentiel est :
tp
ta
Z
(tp + ta )λ(tp ) − λ(t)dt = (7.12)
0 tb
En considérant un système multi-composants, le tp (le temps de remplacement optimal)
de chaque sous-système (Ss) peut être tiré de l’équation (7.12) une fois les paramètres t a ,
tb et λ(t) donnés. Si les Ss sont remplacés selon leurs tp individuellement, la disponibilité
du système serait en grande partie réduite en raison de l’arrêt du système. Pour éviter ce
problème, on choisit le minimum parmi les tp des Ss comme intervalle de MP du système,
c’est-à-dire l’intervalle de MP du système, Tp = Min (des tp des Ss). D’autre part, les Ss
dont tp > Tp sont pris avec (1a) et (1b) dans ce temps. En prévoyant le programme de
MP, il y a deux problèmes qui surgissent : le premier est, est-ce que les Ss dont tp > Tp
doivent être entretenus en ce moment ? le deuxième est, quelles actions devraient être
adoptées pour ces Ss.
Les solutions proposées sont les suivantes.
La première solution est décidée selon la dégradation de la fiabilité.
La deuxième solution, obéit à l’analyse du bénéfice.

Le bénéfice de la maintenance pour chaque composant à la j ème étape est défini comme
suit :
R∞ R∞
tj
F̄i,j+1 (t)dt − tj
F̄i,j (t)dt
Bi,k = (7.13)
Ci,k

Où les indices i, kdénotent respectivement le ième Ss et l’une des trois actions. Le
numérateur indique la vie prolongée (étendue) du Ssi par l’action k. Le dénominateur
est le coût de la maintenance correspondant. L’action la plus avantageuse de la mainte-
nance correspondra à Ssi avec Bi∗ = M ax(Bi,k ).
Une fois les actions de Ss établies, la disponibilité du système à n’importe quelle étape
peut être calculée comme suit [27] :
P R tj
M U Tsj T − tb,m ni=1 tj−1 λi,j (t)dt
Asj = = Pn (7.14)
M U Tsj + M DTsj T + i=1 ti,k,a

Où n est le nombre de Ss et ti,k,a est une représentation du temps de MP de (1a), (1b)
et (2p) de Ssi qui peut prendre la même échelle aussi bien que le coût Ci,k ; tb,m est le
temps moyen de MC du système.
 Fig. 7.3 – Organigramme de la maintenance préventive basée sur la disponibilité

7.2.3 Variation de la fiabilité après chaque maintenance

La fiabilité du système à la j ème maintenance est définie par [61] [70] :

F̄j (t) = F̄0,j .F̄v,j (t) (7.15)

Où
F̄0j : fiabilité initiale de l’étape (j), c’est-à-dire la probabilité de fonctionnement du
système ayant subit (j-1) effets d’entretien.
F̄vj (t) : c’est la caractéristique de dégradation de la fiabilité.

Maintenance simple
Etant donné que la MP est périodique avec un intervalle tp , la probabilité des parties
survivantes est :
1
F̄v,j (t) = F̄ ( (t − (j − 1)tp )) avec (j − 1)tp ≤ t ≤ jtp (7.16)
m1,j

m1,j : le facteur d’amélioration de la j ème maintenance (maintenance simple). Avec

0 ≤ m1,j ≤ 1.
 La fiabilité initiale est définie comme suit :

F̄0,j = F̄f,j−1 = F̄0,j−1 F̄ (tp ) (7.17)

Où
F̄0,j−1 et F̄f,j−1 : indiquent respectivement la fiabilité initiale et la fiabilité finale du
système à la (j − 1)ème étape.

Maintenance réparatrice
La fiabilité initiale pour la maintenance (1b) est définie comme suit :

F̄0,j = F̄f,j−1 + m2,j (F̄0 − F̄f,j−1 ) (7.18)

Où
0 ≤ m2,j ≤ 1

Maintenance renouvelable
Cette dernière restaure le système à ses conditions originales, c’est-à-dire mettre les
deux facteurs m1,j et m2,j tous deux égaux à 1. Alors :F̄0,j = F̄0

F̄v,j (t) = F̄ (t − (j − 1)tp ) (7.19)

Pour illustrer les effets de plusieurs actions de la maintenance et du taux de défaillance,

on utilise la distribution de Weibull, d’où
Pour (1a) :
β
F̄j (t) = F̄0,j e−[1/m1,j (t−(j−1)tp )/η] (7.20)

Pour (1b) :
β
F̄j (t) = F̄0,j e−[1/m2,j (t−(j−1)tp )/η] (7.21)

Pour (2p) :
β
F̄j (t) = e−[(t−(j−1)tp )/η] (7.22)
 Fig. 7.4 – Variation de la fiabilité avec les différentes actions de maintenance

La fiabilité des Ss est formulée par la loi de Weibull car elle est la plus adéquate.
Le système peut être décomposé en série de Sous-systèmes indépendants. La fiabilité est
calculée comme suit :
n
Y
F̄s (t) = F̄c (t) {1 − αi [1 − F̄i (t)]} (7.23)
i=1

Où
n : le nombre de sous-systèmes,
αi : est la probabilité de défaillance du système dûe au Ss,
F̄C (t) est la fiabilité des sous-systèmes dépourvus de Ss critiques considérés.

7.2.4 Coût de la maintenance

Le coût de la maintenance du système à n’importe quelle étape est défini comme suit
[27, 61] :
n
X n Z
X tj
Cs,j = Ci,k + C0 tb,m λi,j (t)dt (7.24)
i=1 i=1 tj−1

Où les deux termes de la somme indiquent respectivement les coûts de MP et MC du

système. C0 dénote le coût de MC du système par temps mort d’unité qui est exprimé
comme suit :
(c1a + c1b + c2p )
C0 = (7.25)
3
7.3 Application au réseau de la ville de Béjaia
On distingue deux applications différentes selon la structure, à savoir : le système à
structure série et le système à structure en pont [13].
a/Application pour un système à structure série
On considère un poste, comme étant un système composé de deux sous-systèmes, le trans-
formateur et la boite d’extrémité intérieure.
Dans un poste électrique, on procède à un entretien général qui se résume aux trois
actions suivantes pour chaque composant :
Transformateur :
– 1a : dépoussiérage, graissage, serrage, vérification du niveau de l’huile ;
– 1b : renouvellement de l’huile ;
– 2p : remplacement du transformateur.
Boite Extrémité Intérieure :
– 1b : rechapage des déflecteurs, désherbage ;
– 2p : remplacement de la BEI.
Dans le cadre d’évaluation quantitative, il est nécessaire d’avoir les données probabi-
listes des défaillances des équipements du système. Les caractéristiques probabilistes sont
associées aux modes de défaillance qui sont calculées dans le chapitre précédent. L’obten-
tion des résultats en exploitant le MATLAB7 a nécessité les données suivantes, qui sont
récapitulées dans le tableau (7.1), à savoir :
– les paramètres de la loi de distribution de Weibull à deux paramètres (β, η)
– les temps de maintenance préventive et corrective (ta, tb) respectifs
– les coûts de chaque type de maintenance (1a, 1b, 2p).
– les probabilités de défaillance du système dûe au sous-système ;
– le F̄crit =0.80.

Sous système α β η ta (j) tb (j) m1 m2 C1a $ C1b $ C2p $

TR 1 2.45 4103.99 3.5 28 0.80 0.90 600 1500 8600
BEI 1 1.30 2508.40 0.16 2.83 0.85 0.89 0 150 1050

Tab. 7.1 – Les paramètres des sous-systèmes série

L’intervalle de maintenance de chaque composant, est calculé en utilisant l’équation (7.12),

les résultats obtenus sont : (tp (BEI) = 715j, tp (TR) = 2415j). Par conséquent, l’intervalle
de maintenance du système Tp = min{715j, 2415j} = 715j.
Pour déterminer les actions de maintenance à effectuer à chaque étape, on doit calculer
le bénéfice des différentes actions, en utilisant l’équation (7.13). L’action choisie est celle
qui correspond au bénéfice maximum, voir le tableau (7.2).
Etape Action de F̄ ((j + 1)Tp ) Bénéfice$ Action choisi
maintenance TR BEI TR BEI TR BEI
1a *
1 1b 0.9280 0.6177 * 4.9005 0 2
2p * 1.2173
1a *
2 1b 0.8165 0.5597 * 3.3480 0 2
2p * 1.7739
1a 2.5474
3 1b 0.6628 0.4676 2.1365 3.4737 1 2
2p 0.4713 2.4365
1a 1.5164
4 1b 0.7174 0.3693 1.7309 3.4106 2 2
2p 0.4284 2.9859
1a *
5 1b 0.8777 0.2719 * 3.1718 0 3
2p * 3.4278
1a 0.8158
6 1b 0.7341 0.6177 0.7181 4.8362 2 2
2p 0.4410 1.2530
1a *
7 1b 0.8768 0.5597 * 3.3477 0 2
2p * 1.7743
1a 1.0691
8 1b 0.7232 0.4676 1.6781 3.4737 2 2
2p 0.4592 1.6386
1a *
9 1b 0.8663 0.3693 * 3.4106 0 2
2p * 2.9859
1a 1.2985
10 1b 0.7039 0.9201 1.6646 0.2719 2 3
2p 0.4807 3.4278

Tab. 7.2 – Les bénéfices et les actions de maintenance choisies pour chaque sous-système

* : aucune maintenance n’est effectuée ;

0 : aucune action ;
1 : l’action 1a ;
2 : l’action 1b ;
3 : l’action 2p ;
F̄ ((j + 1)Tp ) : La fiabilité à l’instant (j+1)×Tp .
Le tableau (7.2) peut être lu comme suit :
A chaque étape de maintenance, on vérifie pour chaque composant si sa fiabilité à la
prochaine étape est supérieure à F̄crit .
-Si c’est le cas, on ne fait rien. Par exemple, à j=1, pour le transformateur, la fiabilité à
la prochaine étape F̄ ((j + 1) × Tp ) = F̄ (2 × Tp ) = 0.9280 > F̄crit = 0.80 , c’est pour cela
aucune maintenance n’est effectuée à cette étape (j=1).
-Sinon, on calcule le bénéfice de chaque action de maintenance et on choisi celle qui
correspond au bénéfice maximum. Par exemple, à j=1 la fiabilité de la BEI à la prochaine
étape de maintenance F̄ ((j + 1) × Tp ) = F̄ (2 × Tp ) = 0.6177 < F̄crit = 0.80 et les bénéfices
des actions ((1b), (2p)) sont (4.9005, 1.2173) respectivement. L’action choisie est la (1b),
car c’est celle qui correspond au bénéfice maximum. Le même procédé se répète à chaque
étape de maintenance.
 La disponibilité et les coûts sont calculés à partir des équations (7.13) et (7.24) res-
pectivement, et les résultats obtenus sont donnés dans le tableau (7.3).
Etape Temps(j) A Coûts(PM)$ Coûts(CM)$
j=1 715 0.9816 150 40750
j=2 1430 0.9706 150 63760
j=3 2145 0.9559 750 92560
j=4 2860 0.9399 1650 129020
j=5 3575 0.9410 1050 168650
j=6 4290 0.9728 1650 103690
j=7 5005 0.9724 150 126590
j=8 5720 0.9572 1650 174200
j=9 6435 0.9529 150 193860
j=10 7150 0.9340 2550 138090

Tab. 7.3 – Disponibilité et coûts

La variation de la fiabilité après chaque action de maintenance pour le poste et ses

composants sont présentées à la figure (7.5).
A l’état initial, la fiabilité du transformateur est supposée égale à 1, mais avec le temps
cette dernière à tendance à se dégrader, d’où l’utilité d’un programme de maintenance.

Fig. 7.5 – Variation de la fiabilité du transformateur

D’après la figure (7.5), la première et la deuxième maintenance doivent être effectuées

à l’instant (Tp = 715j, Tp = 1430j) respectivement. Comme leurs fiabilités aux instants
(2 × Tp , 3 × Tp ) respectivement sont supérieures à F̄crit , donc pas de maintenance. Par
contre, à la troisième maintenance qui est programmée à l’instant 3 × Tp , la fiabilité à
4 × Tp est égale à 0.6628 et elle est inférieure à F̄crit = 0.80, d’où l’utilité d’un choix d’une
action de maintenance qui a pour effet d’augmenter la fiabilité à moindre coût. Jusqu’à
l’instant t= 8000 j, on remarque, que seule les actions ((1a) et (1b)) sont choisies, cela est
dû à la durée de vie du transformateur qui est de 60 ans.
La figure (7.6) représente la variation de la fiabilité du BEI après chaque étape de
maintenance.
 Fig. 7.6 – Variation de la fiabilité de la BEI

On remarque que pour la BEI, la maintenance est programmée pour Tp = 715j et elle
doit être effectuée car, à l’instant 2 × Tp , la fiabilité est égale à 0.6177 qui est inférieure
à F̄crit = 0.80 et l’action choisie est la (1b). Elle correspond au bénéfice maximum. Il
faut constater que la fiabilité augmente considérablement après chaque action de mainte-
nance. Ce procédé se répète jusqu’au remplacement à l’instant 3575 j, c’est-à-dire qu’un
remplacement est prévu dans 9.75 ans.
D’après la figure (7.7), qui représente la variation de la fiabilité du système, on voit
bien que la fiabilité du système diminue jusqu’à 0.4, malgré la fiabilité du transformateur
qui ne descend pas au delà de 0.71, et cela est dû à la configuration série des composants.
Et malgré la diminution de la fiabilité du système jusqu’à 0.4, on a pu maintenir la
disponibilité de ce dernier entre (0.9944 et 0.9987) avec un coût total de 1240170 $.

Fig. 7.7 – Fiabilité du système

 b/ Application à un système à structure en pont :
Cette optimisation a été appliquée avec succès dans le cas d’un système série, et pour les
systèmes en pont sera-t-il le cas ? Afin de répondre a cette question, une application à été
faite pour le système présenté à la figure (2.4).
Dans ce système, on procède à un entretien général qui se résume aux trois actions sui-
vantes pour chaque sous-système :
Les départs Ville1, Zone1 :
– 1a : dépoussiérage des transformateurs (MT/BT) graissage, serrage, vérification du
niveau de l’huile,
– 1b : désherbage, renouvellement de l’huile, remplacement de BJ, de BEE, et de BEI,
– 2p : remplacement du transformateur.
Les transformateurs HT/MT :
– 1a : dépoussiérage des transformateurs, graissage, serrage ; désherbage ;
– 1b : régénération des huiles du transformateurs ;
– 2p : renouvellement des huiles du transformateurs. Notons que le remplacement
du transformateur HT/MT n’est pas envisagé. Cela est dû à sa durée de vie qui
peut dépasser les 60 ans, et pendant cette période c’est toute une technologie qui
change ; c’est-à-dire remplacer un transformateur HT/MT revient à remplacer toute
l’installation du poste.
β η Tp (j) ta (h) tb (j) m1 m2 C1a $ C1b $ C2p $
T R1 1.4 14666 20266 7 2 0.85 0.85 1400 2960 60000
T R2 1.4 14666 20266 7 2 0.85 0.85 1400 2960 60000
Z1 1.58 97 46 3 1 0.80 0.80 2250 6150 25800
V1 1.99 39 8.35 3 2 0.81 0.81 3750 10250 43080

Tab. 7.4 – Les paramètres des sous-systèmes en pont

En utilisant les données du tableau (7.4) concernant ville1 (V1 ), zone1 (Z1 ), Trans-
formateur1 (T R1 ) et Transformateur2 (T R2 ), on obtient les résultats récapitulés dans le
tableau (7.5) représentant la disponibilité, les coûts et le programme de maintenance [73].
Action choisi
Etape Temps(j) A Coût(PM)$ Coût(CM)$
T R1 T R2 Z1 V1
j=1 8.35 0 0 0 0 0.9375 0 0
j=2 16.7 0 0 0 1 0.8237 3750 24455
j=3 25.05 0 0 0 2 0.6664 102550 47991
j=4 33.4 0 0 2 3 0.6386 491500 35317
j=5 42.35 0 0 0 0 0.9187 0 0
j=6 50.7 0 0 0 1 0.7977 3750 28527
j=7 59.05 0 0 2 2 0.6203 16400 52899
j=8 67.4 0 0 0 3 0.6565 43000 34509
j=9 75.75 0 0 3 0 0.8288 2500 20499
j=10 84.1 0 0 0 1 0.841 3750 21640

Tab. 7.5 – La disponibilité, les coûts et le programme de maintenance

On remarque que pendant l’intervalle [0, 84.1] aucune maintenance n’est effectuée sur
les transformateurs HT/MT en raison de leurs fiabilités qui ne diminuent pas au dessous
de F̄crit . Par contre pour ville1 et zone1 ont été effectué les deux actions, à savoir ((1b)
et la (2p)), telles que représentées aux figures (7.10) et (7.11).
A la figure (7.12) sont représentées les variations de la fiabilité du système globale en
pont.

Fig. 7.8 – Variation de la fiabilité du Fig. 7.9 – Variation de la fiabilité du

transformateur1. transformateur2.

Fig. 7.10 – Variation de la fiabilité de la Fig. 7.11 – Variation de la fiabilité de

ville 1. zone 1.

Fig. 7.12 – Variation de la fiabilité du système.

 Dans cette partie, on a introduit une politique de maintenance conditionnelle (ou dy-
namique), car elle est liée a l’évolution du système entre deux opérations de maintenance.
Son application nous a permis de voir ses effets sur la fiabilité et la disponibilité des deux
systèmes à configurations différentes. Il est à remarquer que la fiabilité du système en
pont est plus élevée et qu’il est conseillé de la considérer dans la structuration des réseaux
en tenant compte de la balance économique.

Conclusion
L’optimisation de la maintenance par la fiabilité trouve une place très importante dans
le domaine industriel. Elle permet d’introduire des règles visant l’équipement nécessaire
d’une opération de maintenance au moment opportun.
Dans ce chapitre, deux approches sont introduites, une déterministe et une autre
probabiliste dont l’objectif final et de réaliser la tâche efficacement à moindre coût.
 Conclusion Générale

De tous ses aspects, la fiabilité en exploitation des réseaux électriques est la plus
prépondérante, vu la complexité et la vulnérabilité des systèmes traités. La maitrise de
cette discipline offre aux managers des réseaux électriques, à tous les niveaux de tension,
une vision globale et des outils appropriés pour les prises de décisions adéquates pouvant
répondre aux défis d’un environnement très technologique d’une part et exigeant d’autre
part.
Les objectifs tracés lors de l’élaboration de notre thèse sont atteints et la pluridiscipli-
narité du thème à été mise en exergue par le développement des volets qui s’y rapportent.
En plus de l’application des notions classiques de fiabilité, disponibilité et de main-
tenabilité aux systèmes électriques, d’autres nouvelles approches et méthodes ont été
développées et appliqués avec succès aux systèmes électriques algériens. C’est le cas pour
les lois non-paramétriques dans l’ajustement des données, la considération du comporte-
ment des systèmes multi-états (mettant en évidence le processus de dégradation), l’intro-
duction des actions de maintenance selon le niveau de dégradation et enfin l’optimisation
multi-critères (fiabilité critique et maximum de bénéfice).
De cette investigation découle certaines perspectives de recherche, à savoir : le
développement de la théorie de Weibull-Markov pour des systèmes plus complexes et la
modélisation des systèmes réels en considérant les réparations aléatoires. Une perspective
plus ou moins pertinente est la considération simultanée des processus de dégradations
avec la présence d’un processus de chocs [50][28].
Cette thèse nous interpelle aussi sur la nécessité de la constitution de la base de données
fiable et accessible d’une part et sur l’urgence de renforcement de la parcelle existante mais
fragile entre le monde universitaire et celui de l’industrie. Cette thèse nous a révélé l’exis-
tence d’un progrès (équipements et technologies) et d’un potentiel (humain) scientifique,
au niveau de l’industrie qui incontestablement peut être mis au profit de la recherche en

151
Algérie.
Par cette contribution, nous souhaitons avoir apporté un plus d’éclairage à cette discipline
qu’est la fiabilité des systèmes et aider l’exploitant de ce travail à une meilleure maitrise
de ses aspects.
 BIBLIOGRAPHIE

[1] R. MEDJOUDJ, D. AISSANI et A. Boubakeur, Sur la sûreté de fonctionnement

pour la maintenance optimale : cas d’un réseau électrique de transport, Actes du
Séminaire International sur les Techniques et le Management de la Maintenance,
Ecole Militaire Polytechnique Ed ; Bordj-el-Bahri, pp. 59, 2007.
[2] T-J. OVERBYE, D-A. WIEGMANN, Reducing the risk of major blackouts through
improved power systems visualisation, 15th PSCC, liege, 22-26, August 2005.
[3] B-A. CARRERAS, D-E. NEWMANE, I. DOBSON and A-B. POOLE, Evidence
for self-organized criticality in electrical power system blackouts, IEEE, International
Conference on System Science,Hawaii, January 2001.
[4] M. ABBAD, A. MAOUCHI, Sur la gestion d’un réseau électrique par la fiabilité pour
la prévention du blackout, Thèse en Electrotechnique, Option Réseaux Electriques,
Université de Béjaia, 2004.
[5] R. BILLINTON, H. CHEN and R. CHAJAR, Time-series models for reliability
evaluation of power system including wind energy, Microelectron. Reliab, vol. 36,
No. 9, pp. 1253-1261, 1996.
[6] R. MEDJOUDJ and D. AISSANI, Economic aspects of a distribution power system
reliability, Proceedings of Third Intrenational Conference, Mathematical Methods on
Reliability, MMR2002, Trondheim, Norway, 441-445, 2002.
[7] R. MEDJOUDJ and D. AISSANI, Reliability aspects for electrical distribution sys-
tem management, In the Book Mathematical Methods in Reliability, Proceedings of
the Fourth International Conference MMR’04, Santa Fe, Los Alamos, New Mexico
(U.S.A), 2004.
[8] R. MEDJOUDJ, Calcul et évaluation de la fiabilité d’un réseau électrique urbain,
Thèse de Magistèr en Électrotechnique, Université de Béjaia 1994.

153
 [9] L. PIERRAT, Fiabilité des matériels électromécaniques intérêts des modèles de
défaillance Poissonniers, EDF (DTG) et CNRS (URA 355), 37 rue Diderot-38000,
GRENOBLE.
[10] R. BILLINTON, R. GOEL, An analytical approach to evaluate probability distri-
butions associated with the reliability indices of electric distribution system, IEEE
Transactions Power Delevery 1(3), 245-251, 1986.
[11] J-Van. CASTAREN, Reliability assesment in electrical power systems : the Weibull-
Markov stochastic model, IEEE, Transactions on Industry Applications, 36(3), 911-
915, 2000.
[12] J-Van. CASTAREN, Assessment of interruption costs in electric power systems using
Weibull-Markov model, Thesis for The Degree of Doctor of Philosophy, Department
of Electric Power Engineering : Chalmers University of Technology, 2003, Sweeden.
[13] R. MEDJOUDJ, D. AISSANI, A. BOUBAKEUR and K-D. HAIM, Interruption
modelling in electrical power distribution systems using Weibull-Markov model, Pro-
ceedings of the Institution of Mechanical Engineers IMechE, part O, Journal of Risk
and Reliability : 223(2), 2009, pp :145-157.
[14] H. WANG and H. PHAM, Reliability and optimal maintenance, Springer,London,
2006.
[15] J. ENDRENYI, G-J. ANDERS and A-M. LEITE DA SILVA, Probabilistic evaluation
of the effect of maintenance on reliability-an application, IEEE Translation on Power
System, vol. 13, No. 2, May 1998.
[16] J-K. CHAN and L. SHAW, Modeling repairable system with failure rates that depend
on age & maintenance, Electric Power System Research, 76, 452-456, 2006.
[17] G-K. CHAN and S. ASGARPOOR, Optimum maintenance policy with Markov pro-
cesses, IEEE Transactions on Power Systems 16 (4), pp. 638-646, 2006.
[18] J. ENDRENYI, et al, The present status of maintenance strategies and the impact of
maintenance on reliability, IEEE, Transaction on Reliability, vol. 42, No. 4, December
1993.
[19] R. MEDJOUDJ et D. AISSANI, Exploitation des réseaux électriques de distribution
par la fiabilité. Application au réseau 10 Kv de la ville d’Alger, Proceedings of the
International Conference CIMASI 2000, Casablanca, pp. 4-22 (support CD), Octobre
2000.
[20] T-T. Tatietse, et al, Interruption modelling in medium voltage electrical network.
Electrical Power and Energy Systems, (24), 859-865, 2002.
[21] S. SLIMANI et Z. ROUMILA, Approche probabiliste pour l’évaluation du ni-
veau de fiabilité d’un système de production d’électricité, cas de la centrale hydrau-
lique ”SPE.X/HY DARGUINA”, Thèse en Recherche Opérationnelle, Université de
Béjaia, 2006.
[22] K. lOANNIS and O. KONSTANTINOS, An analysis of blackouts for electric power
transmission systems, Proceeding of World Academy of Science, Engineering and
Technology, vol. 12, ISSN 1307, 6884, March 2006.
[23] D. AISSANI, Banques de données et traitement statistique, Journée d’Etudes Natio-
nale, bdts03, Mai 2003, Béjaia.
[24] A. PIEVATOLO, The downtime distribution after a failure of a system with mul-
tistate independent components, IMATI-CNR Technical Report, Presented at the
Mathematical Methods on Reliability Conference, MMR, 2007, Glasgow.
[25] R. MEDJOUDJ et D. DJABARI, Estimation de l’état d’un réseau électrique, Thèse
en réseaux électriques, Institut d’Electrotechnique de Béjaia, 1990.
[26] J-L. FRAISE, A. MARTY, Politique d’automatisation des réseaux à EDF, Actes du
Cired, Bermingham, 1993.
[27] Y-T. TSAI, K-S. WANG and L-C. TSAI, A study of availability -centered preventive
maintenance for multi-component systems, Reliability Engineering and System Safety
84, pp. 261-270, 2004.
[28] K-E. LIM, J-S. BAEK and E-Y. LEE, A random shock model for a Continuously de-
teriorating system, Department of Statistics, Sookmyung Women’s University, Seoul,
Korea, Journal of Quality in Maintenance Engineering, vol. 11 No. 3, pp. 206-215,
2005.
[29] P. CARER, G. GABRIEL and Y. LAVAGENE, Etude de fiabilité, disponibilité et
maintenabilité pour améliorer la qualité service, EDF.DER, 17 pages, 1991.
[30] J-C. LEMOINE, Réseaux de distribution, structure de planification, Technique de
l’Ingénieur, EDF.DFR, D645, pp. 1-19, 1979.
[31] L. BERTHET et O. CROB, Protection des départs MT dans les postes HT/MT
Ruraux, 42/RGE, No.1/91, Janvier 1991.
[32] SONELGAZ, Etude du réseau 10 kV, du poste HT/MT Amiraute, Service de
Développement des Réseaux, Alger, Février 1983.
[33] V. JUNGNCKEL and K-D. HAIM, Zuverlassigkeitsanallyse vo mittelspnnugsneten
(Z.V), Fakultat Elektrotechnik, Zittau, Allemagne, 1992.
[34] M. PAYS, Localisation de défauts dans les réseaux de câbles d’énergie, Techniques
de l’Ingénieur D.48, pp. 540-1, 541-3.
[35] I-A. AHMED and A-R. MUGDADI, Further moments inequalities of life distribution,
Department of Statistics, University of Central Florida, 2001.
[36] R-E. BARLOW and K-A. DOKUUM, Statistical theory of reliability and life testing,
vol. 41, pp. 225-236, 2000.
[37] B.KLEFSÖ, Testing exponential against HNBUE, Scandinavian Journal of Statistics,
vol. 10, pp. 65-75, 1983.
[38] R. BARLOW, F. PROSCHAN, Statistical theory of reliability and life testing, pro-
bability models, Holt Rinhart and Wiston, INC, USA 1975.
[39] L.PIERRAT, Fiabilité des matériels électromécaniques, Intérêts des Modèles de
Défaillance Poissonniers, XX-II Journée des Statistiques, Tours, Juin 1990.
[40] R. MEDJOUDJ, D. AISSANI, Application des modèles de chocs à l’analyse de la
fiabilité des équipements d’un poste HT, Troisième Conférence Nationale sur la Haute
Tension, Guelma, 16 et 17 Novembre 1999.
[41] J. ESARY, A. MARSHALL, and F. PROSCHAN, Shock models and wear process,
The Annals of Probability, vol. 1 No. 17, pp. 627-649, 1973.
[42] M-S. A-HAMEED and F. PROSCHAN, No stationary shock models, Stochastic
Processes and Their Applications, vol. 1, No. 10, pp. 383-404, 1973.
[43] SHANTHIKUMA and SUMITA, Distribution properties of the system failure time
in a general shock model, Journal of Applied Probability, vol. 16, pp. 363-377, 1984.
[44] A. GUT, Mixed shock models, Bernoulli, vol. 7, pp. 541-555, 2001.
[45] Z-H. LI and F. CHEN, The distributions of the dual δ - shock model and its properties,
In Proceeding of The 6th Conference of China Society For Industrial and Applied
Mathematics, pp. 258-263, 2002.
[46] L. AYADI et F. HAMMACHE, Analyse de Fiabilité d’un Poste de transformation,
application au 60/30KV Sonelgaz-Bejaia, Mémoire d’Ingénieur, Université A/Mira
de Bejaia, juin 1989.
[47] B. KLEFSJÖ, HNBUE survival under some shock models, Scand, J.Statis, No.8, PP.
39-47, 1987.
[48] F. MOLLAR and J. SANTOS, Classification of shock models in System reliability,
Monografias del Semin, Matem, Garcia del Galdeano, 2003.
[49] A. PAGES et M. GONDRAN, Fiabilité des systèmes, Collection de la Direction des
Etudes et Recherches d’Electricité de France, Eyrolles, 1995.
[50] H. WANG and H. PHAM, Reliability and optimal maintenance, Springer-Verlag,
London, 2006.
[51] R. MEDJOUDJ, D. AISSANI et services d’exploitation de Rouissau- Alger et Béjaia
Sonelgaz Stratégie de récolte et d’exploitation des données relatives aux équipements
du réseau 10 kV de la ville d’Alger et du réseau 30 kV de la ville de Béjaia. Journée
d’Etudes Nationale, bdts03, Mai 2003, Béjaia.
[52] SONELGAZ, Système de tarification, abonnées haut et moyenne tension, Barême,
1989.
[53] SONELGAZ, Schémas et caractéristiques des protections des postes HT/MT et MT
de la zone d’Alger, Direction de la Distribution Zone d’Alger, 31 Juillet 1980.
[54] M. HOUADI et F. MOULAOUI, Diagnostic de la maintenance et réestimation
des paramètres de fiabilité dans un environnement de données manquantes, cas
des équipements du centre emplisseurs gpl naftal de Béjaia, Thèse en Recherche
Opérationnelle, Université de Béjaia, 2004.
[55] S-H. SIM and J. ENDRENYI, Optimal preventive maintenance with repair, IEEE
Translation on Reliability, vol. 37, No. 1, pp. 92-96, Apr. 1988.
[56] S. ASGARPOOR and M-J. MATHINE, Reliability evaluation of distribution system
with non-exponential down times, IEEE Transactions on Power Systems, 12 (2), pp.
579- 584, 1997.
[57] J-Van. CASTAREN, Assessment of interruption costs in electric power systems using
Weibull-Markov model, Thesis for The Degree of Licentiate of Engineering, Depart-
ment of Electric Power Engineering : Chalmers University of Technology, 2003, Swee-
den.
[58] R. MEDJOUDJ, D. AISSANI, A. BOUBAKEUR and K-D. HAIMD, Interruption
modelling in electrical power distribution systems using Weibull-Markov model, MMR
conference, 1-4 Juillet, GLASGOW, 2007.
[59] P. CASEAU, Développement et exploitation des réseaux électriques, Faits Marquants,
EDF-GDF Services, pp. 73-85, 1992.
[60] P. JIRUTITIJAROEN and C. SINGH, The effect of transformer maintenance pa-
rameters on reliability and cost : a probabilistic Model, Department of Electrical
Engineering, Texas A&M University, College Station, TX 77840, USA Received 19
February 2004 ; Accepted 30 April 2004 Available Online 23 July 2004.
[61] J. ENDRENYI, Awiley-Interscience reliability modelling in electronic power systems,
Publication, 1978.
[62] J. ENDRENYI, Reliability modelling in electric power systems, John Weiley & Sons
Ltd, Belfast, 338 pages, 1978.
[63] SONELGAZ, Etude de la fiabilité des systèmes énergétiques, estimation des pa-
ramètres de fiabilité des lignes électriques, Direction de la Planification, No. 79-
390/GE, December 1979.
[64] G. LATURNUS, Politique d’EDF GDF Service en Matière de qualité de fourniture
dans le domaine rural, Actes du CIRED, Bermingham, 1993.
[65] P. MESSAGER, technical and economic options for rural electrification, Bulletin de
la Der-Edf, Série B, 1991.
[66] A. HAUTOT, Making use of computers for the rationalisation of energy consum-
mation in electrical transmission grids, Experiences From the French Electrical
Grid.Edf, Bulletin de La DER- Série B, Matériels Électriques, No.4, pp. 29-52, 1987.
[67] The Group on Economic Aspects of Quality of Service, Economic aspects of quality
of service, Sorrento Congres, May 30-Jun 3, UNIPDE, Paris, 36 pages, 1988.
[68] G. BONNARD et J. AUPIED, Optimisation de la maintenance par la fiabilité des
postes du réseau de transport, Epure, EDF, No.65, pp. 3-17, 2000.
[69] J. CHAN, Modeling reparable systems with failure rates that depend on age and
maintenance, IEEE Translation on Reliability, No.42/4, pp. 536-542, 1993.
[70] J-Van. CASTEREN, M-H-J. BOLLEN and M-E. SCHMIEG, Reliability assessment
in electrical power systems : the Weibull-Markov stochastic model, IEEE, Transaction
on Industry Applications, vol. 36, No. 3, May/June 2000.
[71] L. BERTLING, R.ALLAN and R. ERIKSSON A reliability-centered maintenance
method for assessing the impact of maintenance in power distribution systems, IEEE
Transactions on Power Systems, 20 (2), February 2005.
[72] M.SAMOTYJ System disign and construction for enhanced reliability and power
quality, Final repport EPRI, California, USA, 2006.
[73] L. AKLI et Z. BACHI, Les effets des actions de la maintenance sur la fiabi-
lité/disponibilité, des équipements d’un réseau électrique : Modélisation Markovienne
et semi-Markovienne, Thèse en Recherche Opérationnelle : Université de Bejaia, 2008.
 Publications et Communications dans le
Cadre de la Thèse

1- R. MEDJOUDJ et D. AISSANI, Application des modèles de chocs à l’analyse de

fiabilité des équipements d’un poste HT, Actes de la troisièmes Conférence Nationale
sur la Haute Tension, Guelma, Novembre 1999.
2- R. MEDJOUDJ et D. AISSANI, Exploitation des réseaux électriques de distribution
par la fiabilité. Application au réseau 10 kV de la ville d’Alger, Proceedings of the In-
ternationale Conference CIMASI 2000, Casablanca, Octobre 2000, pp.4–22 (support
CD).
3- R. MEDJOUDJ et D. AISSANI, Modèles de Chocs pour l’Analyse de Fiabilité des
Equipements d’un Poste Electrique : cas d’usure des contacts de disjoncteurs et
de rupture brutale des supports de jeux de barres, Journées d’Etudes Universités-
Entreprises, Béjaia les 27 et 28 Mai 2001.
4- R. MEDJOUDJ and D. AISSANI, Economic aspects of distribution power system
reliability, Aplication to a 30 kV network of Bejaia (Algeria), In the Book Mathe-
matical Methods in Reliability, proceedings of the Third International Conference
MMR’02, Trondheim (Norway), June 2002, pp.441-444.
5- R. MEDJOUDJ, D. AISSANI et Personnels des Services d’Exploitation SONELGAZ,
Stratégie de Récolte et d’Exploitation des Données Relatives aux Equipements du
Réseau 10 kV de la ville d’Alger et du Réseau 30 kV de la ville de Béjaia, Actes de
la Journée d’Etude Nationale ” Banque de Données et Traitements Statistiques ”,
Béjaia, Mars 2003, pp. 39.41.
6- R. MEDJOUDJ and D. AISSANI, Experience Feed-Back Processing for Reliability
Analysis of Electrical Distribution System, Proceeding for First International Confe-

159
 rence of Energy Efficiency ICEE’2003, Algiers, May 2003.
7- R. MEDJOUDJ and D. AISSANI, Reliability Aspects for Electrical Distribution Sys-
tem Management, In the Book Mathematical Methods in Reliability, Proceedings of
the Fourth International Conference MMR’04, Santa Fe, Los Alamos, New Mexico
(U.S.A), 2004.
8- R. MEDJOUDJ, D. AISSANI et A. BOUBAKEUR, Sur la sûreté de fonctionnement
pour la maintenance optimale : cas d’un réseau électrique de transport, Actes du
Séminaire International sur les Techniques et le Management de la Maintenance,
Ecole Militaire Polytechnique ; Bordj-el-Bahri, Alger, 2007, pp.59 et suivantes.
9- R. MEDJOUDJ, D. AISSANI and A. BOUBAKEUR Interruption modelling in elec-
trical distribution system using Weibull-Markov model, Proceedings of the Inter-
national Conference MMR’2007 (Mathematical Methods in Reliability), Glasgow,
Scotland, UK, 2007.
10- R. MEDJOUDJ, D. AISSANI and A. BOUBAKEUR Comparison Between Markov
and Weibull-Markov Interruption Modelling in electrical distribution system, Pro-
ceeding of the International Conference EuroPES 2007 (Power and Energy Systems)
Palma De Mallorca, 2007 IASTD Publisher..
11- R. MEDJOUDJ, D. AISSANI, A. BOUBAKEUR and K-D. HAIM Interruption mo-
delling in electrical distribution system using Weibull-Markov model, Proceedings
of the Institution of Mechanical Engineers (IMechE), part O, Journal of Risk and
Reliability : UK, 2009.