Détection, classification et localisation des défauts dans un réseau de transport 60 kV.

Simple item page
dc.contributor.authorBADJI Sabra
dc.contributor.authorZEMOULI Nour Elhouda
dc.contributor.authorCHIHEB Sofiane
dc.date.accessioned2025-11-18T08:36:48Z
dc.date.available2025-11-18T08:36:48Z
dc.date.issued2025
dc.description.abstractNous proposons dans ce mémoire d’utiliser l’intelligence artificielle pour la détection, la classification et la localisation des défauts dans un réseau de transport électrique 60 kV. Une comparaison entre trois algorithmes basées sur l’apprentissage supervisé : Random Forest, Sup port Vector Machine et KNearest Neighbors . Ces modèles sont entraînés et testés sur une base de données simulée de plus de 16 000 échantillons de courants et tensions triphasés, représen tant divers scénarios de défauts (monophasés , biphasés , triphasés) ainsi que fonctionnement normal. Nous constatons que l’algorithme Random Forest offre une précision globale de 97,2
dc.identifier.urihttp://41.111.199.50:4000/handle/123456789/934
dc.language.isofr
dc.publisherECOLE NATIONALE SUPERIEURE DE TECHNOLOGIE ET D’INGENIERIE - ANNABA
dc.titleDétection, classification et localisation des défauts dans un réseau de transport 60 kV.
dc.typeThesis
Files
Original bundle
Now showing 1 - 1 of 1
Thumbnail Image
Name:
BADJI_ Sabra_&_ZEMOULI_ Nour Elhouda-Master-EEA-2025.pdf
Size:
1.41 MB
Format:
Adobe Portable Document Format
Download
License bundle
Now showing 1 - 1 of 1
No Thumbnail Available
Name:
license.txt
Size:
1.71 KB
Format:
Item-specific license agreed to upon submission
Description:
Download
Collections
Mémoires MASTER (EEA)