Un ensemble de données d’oscillogrammes réels issus des réseaux électriques

Pourquoi de petites perturbations électriques comptent

Chaque seconde, d’immenses réseaux électriques maintiennent discrètement l’éclairage, le fonctionnement des hôpitaux et l’activité des centres de données. Cachés dans les postes, des dispositifs de protection écoutent en permanence le « battement » du réseau — les signaux de tension et de courant qui révèlent si tout va bien ou si un défaut se prépare. Cet article présente une nouvelle collection publique de ces « battements », un jeu de données d’oscillogrammes réels capturant le comportement des systèmes électriques en fonctionnement normal, lors de perturbations mineures et lors de défauts sérieux. Il a été conçu pour aider les ingénieurs et les systèmes d’intelligence artificielle à rendre notre fourniture d’électricité plus fiable et plus résiliente.

À l’écoute du réseau

Les postes modernes regorgent de relais de protection et de terminaux d’automatisation, des dispositifs qui surveillent le réseau et déclenchent instantanément les disjoncteurs en cas de problème. À mesure que les systèmes électriques deviennent plus complexes — avec une demande fluctuante, des sources renouvelables et des électroniques sensibles — ces relais doivent distinguer, en une fraction de seconde, les fluctuations inoffensives des défauts dangereux. Ils y parviennent en enregistrant des oscillogrammes : des séries temporelles détaillées de tensions et de courants échantillonnées des milliers de fois par seconde. Jusqu’à présent, la plupart des recherches et des dispositifs de protection basés sur l’IA se sont appuyés sur des signaux synthétiques générés par ordinateur, qui ne reproduisent pas entièrement la complexité du terrain, comme les erreurs de capteur, les charges imprévisibles ou les perturbations induites par la foudre.

Une grande bibliothèque de signaux réels

Les auteurs ont constitué un jeu de données de 50 765 oscillogrammes collectés dans des postes industriels, principalement sur des réseaux moyenne tension de 0,4 à 35 kilovolts. Ces enregistrements proviennent de mises en service routinières d’équipements et d’enquêtes sur des événements réels sur le réseau. Tous les fichiers sont stockés au format standard COMTRADE, largement utilisé dans l’industrie électrique, et sont également fournis sous forme de fichiers CSV prétraités pour l’analyse de données et l’apprentissage automatique. Pour protéger la confidentialité et les informations commerciales, l’équipe a supprimé les noms d’installations et de fabricants, les dates d’enregistrement et les noms de fichiers d’origine, et a standardisé l’étiquetage des signaux afin que les utilisateurs voient un ensemble cohérent de canaux de tension et de courant quel que soit la marque de l’appareil ou la configuration du poste.

Donner du sens aux signaux

Un sous-ensemble soigneusement sélectionné de 480 oscillogrammes a reçu une annotation humaine détaillée. Des experts ont examiné les signaux analogiques et découpé chaque instant en quatre groupes intuitifs : fonctionnement normal ou bruit pur, opérations de commutation routinières telles que l’ouverture de disjoncteurs ou le démarrage de moteurs, événements anormaux qui dévient des normes mais ne nécessitent pas d’arrêt immédiat, et événements de défaut sérieux qui devraient déclencher les dispositifs de protection. Cet étiquetage fin permet aux chercheurs d’entraîner et de tester des algorithmes qui non seulement détectent qu’« quelque chose s’est produit », mais reconnaissent aussi quel type d’événement il s’agit. L’équipe a également filtré la collection plus large pour identifier plus de 20 000 oscillogrammes contenant des perturbations nettes, offrant un point de départ ciblé pour ceux qui s’intéressent aux comportements inhabituels.

Des ondes brutes à une protection plus intelligente

Pour vérifier la qualité de leurs annotations, les auteurs ont entraîné plusieurs types de réseaux neuronaux sur le sous-ensemble annoté. D’abord, ils ont utilisé un autoencodeur — un modèle d’IA qui compresse les signaux en une description interne compacte puis les reconstruit — pour apprendre des caractéristiques directement à partir des formes d’onde. Lorsque ces descriptions compressées ont été visualisées, les quatre catégories d’événements ont formé des grappes clairement séparées, montrant que les annotations expertes traduisaient des différences réelles dans les signaux. Des classificateurs standard tels que des réseaux convolutionnels et récurrents ont ensuite pu reconnaître les quatre types d’événements avec une bonne précision, en particulier pour les événements anormaux et les défauts. Cela démontre que le jeu de données est bien adapté au développement et à l’évaluation de méthodes d’apprentissage automatique pour la surveillance des réseaux.

Poser les bases d’une intelligence réseau future

Pour les non-spécialistes, la conclusion clé est que ce jeu de données offre un laboratoire réaliste pour améliorer la protection et le contrôle des réseaux électriques. Parce qu’il inclut à la fois des données étiquetées et non étiquetées, et parce que les outils de traitement sont publiés ouvertement, les chercheurs peuvent explorer tout, de la détection basique d’anomalies à des schémas de protection adaptatifs avancés qui s’ajustent aux conditions changeantes du réseau. Avec le temps, des modèles entraînés et validés sur ces oscillogrammes réels pourraient aider les opérateurs à détecter les problèmes plus tôt, réduire les coupures et intégrer davantage de generation renouvelable en toute sécurité — rendant l’infrastructure invisible derrière la vie quotidienne plus robuste et plus intelligente.

Citation: Evdakov, A., Filatova, G., Yablokov, A. et al. A dataset of real-world oscillograms from electrical power grids. Sci Data 13, 262 (2026). https://doi.org/10.1038/s41597-026-06587-8

Mots-clés: fiabilité du réseau électrique, détection de défauts, jeu de données d’oscillogrammes, protection différentielle, apprentissage automatique dans l’énergie