Ce modèle d’apprentissage automatique peut identifier les composants du réseau électrique défaillants ou piratés

  • FrançaisFrançais



  • Selon une étude, l’apprentissage automatique pourrait un jour aider les fournisseurs d’énergie à mieux identifier les composants défaillants ou compromis dans les réseaux électriques, ou à mieux identifier les embouteillages pour les autorités locales.

    Un projet de recherche mené par le MIT décrit une technique capable de modéliser des systèmes interconnectés complexes constitués de nombreuses variables dont la valeur change dans le temps. En cartographiant les connexions dans ces soi-disant séries temporelles multiples, un réseau bayésien peut apprendre à identifier les anomalies dans les données.

    Les réseaux électriques sont une étude de cas parfaite, Jie Chen, co-auteur de l’article [PDF] et un membre du personnel de recherche du MIT-IBM Watson AI Lab, a expliqué vendredi. “Un exemple frappant de la source de plusieurs séries temporelles est le réseau électrique, où chaque série constitutive est l’état du réseau au fil du temps, enregistré par un capteur déployé à un certain emplacement géographique”, a-t-il déclaré.

    L’état du réseau électrique peut être composé de nombreux points de données, y compris l’amplitude, la fréquence et l’angle de tension sur tout son réseau ainsi que le courant. Chen a déclaré que la détection des anomalies dépendait de l’identification des points de données anormaux qui pourraient être causés par des choses comme une rupture de câble ou des dommages à l’isolation.

    Plus précisément, un réseau électrique peut être modélisé comme une collection de nœuds et de bords et leurs lectures de capteur associées. Une distribution de probabilité peut être calculée pour ces lectures à mesure qu’elles changent dans le temps; toute donnée entrante qui ne correspond pas à cette distribution est un signe que quelque chose ne va pas. Et bien que vous puissiez mettre en place des règles strictes pour détecter ce genre de choses – fréquence supérieure ou inférieure à la limite, dérive de phase trop importante, etc. – l’approche bayésienne est censée être moins manuelle, plus automatique et moins lourde à gérer.

    “Dans le cas d’un réseau électrique, les gens ont essayé de capturer les données à l’aide de statistiques, puis de définir des règles de détection avec une connaissance du domaine pour dire que, par exemple, si la tension monte d’un certain pourcentage, alors l’opérateur du réseau doit être alerté, “, a déclaré Chen.

    “De tels systèmes basés sur des règles, même renforcés par l’analyse de données statistiques, nécessitent beaucoup de travail et d’expertise. Nous montrons que nous pouvons automatiser ce processus et également apprendre des modèles à partir des données à l’aide de techniques avancées d’apprentissage automatique.”

    Cette technique utilise un apprentissage non supervisé pour identifier ce qui est considéré comme un résultat anormal au lieu d’utiliser des règles artisanales. Lorsque les chercheurs ont testé leur modèle sur deux ensembles de données privés enregistrant des mesures à partir de deux interconnexions de réseaux électriques aux États-Unis, ils ont constaté qu’il surpassait les autres méthodes d’apprentissage automatique basées sur des réseaux de neurones.

    Des échantillons de données de capteurs de grille mesurés ont été utilisés comme entrée, et le réseau bayésien fournit un score pour prévoir si les données sont anormales ou non, a déclaré Enyan Dai, co-auteur de l’article et titulaire d’un doctorat à l’Université d’État de Pennsylvanie. Le registre. C’est une méthode générale pour détecter les changements anormaux de données, et pourrait même être utilisée pour sonner l’alarme si les réseaux électriques étaient piratés, a-t-il déclaré.

    “Il peut être utilisé pour détecter une dévaluation d’une défaillance du réseau électrique aux attaques de cybersécurité. Parce que notre méthode vise essentiellement à modéliser le réseau électrique en état normal, elle peut détecter des anomalies quelle qu’en soit la cause.” La méthode a également été appliquée à d’autres systèmes de séries chronologiques multiples ; l’équipe l’a utilisé pour étudier des ensembles de données afin d’identifier les goulots d’étranglement dans les modèles de trafic routier et la qualité de l’eau.

    “Malheureusement, notre modèle ne peut pas indiquer pourquoi [systems] échouer », nous a dit Dai. « Mais il peut détecter quelle partie du réseau électrique tombe en panne. Le modèle peut être appliqué pour surveiller l’état d’un réseau électrique et pourrait signaler une panne de réseau en une minute, ce qui signifie potentiellement qu’il peut agir en temps réel Mais pour les applications du monde réel, je pense que davantage de tests, en particulier la robustesse du modèle, doivent être évalué. »

    Le document de preuve de concept sera présenté lors de la conférence de la Conférence internationale sur les représentations de l’apprentissage de cette année. ®

    L'équipe de Comparaland

    L'équipe rédactionnnelle du site

    Pour contacter personnellement le taulier :

    Laisser un commentaire

    Votre adresse e-mail ne sera pas publiée.