Un cadre d’IA hybride pour l’identification des perturbations de la qualité de l’électricité dans le réseau

Pourquoi la santé de votre électricité est importante

La plupart d’entre nous s’attendent à ce que l’électricité prise au mur soit stable et régulière, alimentant discrètement tout, des chargeurs de téléphone aux robots d’usine. En réalité, la tension et le courant sur les réseaux modernes oscillent, chutent et subissent des pics lorsque des panneaux solaires, des appareils électroniques et des machines lourdes se connectent ou se déconnectent. Ces petites mais fréquentes perturbations, appelées perturbations de la qualité de l’électricité, peuvent surchauffer les équipements, perturber les commandes numériques et réduire la durée de vie des dispositifs sensibles. Cette étude explique comment un outil d’intelligence artificielle hybride peut rapidement détecter et classer ces perturbations, même lorsqu’elles surviennent simultanément, contribuant ainsi à maintenir l’éclairage et la sécurité des appareils.

Des à-coups cachés dans l’électricité quotidienne

La puissance électrique est censée suivre une forme d’onde sinusoïdale régulière à fréquence fixe. En pratique, elle est constamment déviée par des dispositifs non linéaires comme les variateurs de vitesse, les chargeurs de téléphone et l’électronique de puissance des systèmes renouvelables. Ceux-ci provoquent différents types de perturbations : des creux où la tension chute brièvement, des surtensions où elle augmente, du scintillement qui fait vaciller les lumières, des transitoires rapides et des harmoniques ajoutées qui altèrent la forme d’onde. Lorsque ces événements se superposent — par exemple un creux mêlé à des harmoniques, ou plusieurs types simultanés — les outils de surveillance traditionnels ont du mal à les dissocier. Pourtant, identifier la combinaison exacte est essentiel pour déterminer si la source est un appareil défectueux, une panne du réseau ou un problème de conception.

Transformer des signaux désordonnés en empreintes utiles

Les auteurs construisent leur système par étapes, de sorte que chaque phase distille le signal brut en information plus claire. D’abord, ils appliquent une lentille mathématique appelée Transformée de Stockwell, qui montre comment le contenu fréquentiel d’un signal de tension évolue dans le temps. Cela produit une carte temps-fréquence qui met en évidence, par exemple, de brèves rafales de bruit haute fréquence dues à un transitoire ou des bandes répétées liées aux harmoniques. À partir de ces cartes, ils calculent des descripteurs numériques simples comme la puissance moyenne, les valeurs de crête et des mesures de forme. Pour éviter de submerger l’algorithme d’apprentissage avec des données inutiles, ils appliquent ensuite un test du khi-deux, un filtre statistique qui conserve uniquement les caractéristiques les plus fortement corrélées aux différences entre types de perturbations.

Apprendre à une IA à mémoire à reconnaître des motifs

Ces caractéristiques sélectionnées deviennent l’entrée d’un réseau de type Long Short Term Memory, un réseau neuronal récurrent adapté au traitement des séquences. Contrairement aux modèles plus simples qui examinent chaque instant isolément, ce réseau conserve une mémoire interne qui capture la façon dont une perturbation évolue dans le temps. Les chercheurs l’entraînent sur 18 classes de signaux, incluant le fonctionnement normal, six types de perturbations simples et de nombreuses combinaisons doubles, triples et même quadruples. Ils génèrent 18 000 signaux d’exemple en utilisant des formules standards et des simulations détaillées de deux systèmes de référence connus sous les noms IEEE 9 bus et 33 bus. Pour rendre l’essai réaliste, ils ajoutent aussi différents niveaux de bruit aléatoire, imitant les conditions désordonnées des réseaux réels.

Mettre la méthode à l’épreuve sur des réseaux virtuels et temps réel

Après l’entraînement, le système hybride est mis au défi de plusieurs façons. Sur des signaux synthétiques, il classifie correctement la plupart des cas, avec une précision supérieure à 99 % pour les perturbations simples et encore au‑dessus de 96 % lorsque quatre problèmes différents surviennent simultanément en présence de bruit. Les auteurs vont au‑delà de la simulation pure en créant des perturbations dans des modèles logiciels détaillés et sur une plateforme hardware-in-the-loop appelée OPAL‑RT, qui exécute des modèles de réseau en temps réel. Dans ces tests plus exigeants, la méthode atteint encore environ 99 % de précision moyenne, dépassant un réseau neuronal traditionnel et plusieurs techniques antérieures rapportées dans la littérature. Fait crucial, elle reste robuste lorsque du bruit de mesure est introduit.

Ce que cela signifie pour les utilisateurs d’électricité au quotidien

Pour l’utilisateur moyen, ce travail ouvre la voie à des dispositifs de surveillance plus intelligents capables de surveiller discrètement le réseau et de signaler rapidement non seulement qu’un problème existe, mais précisément de quel type il s’agit, même lorsque plusieurs sont imbriqués. Les opérateurs de réseaux et les gros consommateurs d’énergie pourraient utiliser de tels outils pour suivre le mélange croissant d’énergies renouvelables et de charges électroniques sans être submergés par les données. Bien que la méthode repose encore sur de grands jeux d’entraînement et doive s’adapter à de nouveaux types de perturbations au fur et à mesure de l’évolution des réseaux, elle montre que la combinaison d’analyses avancées du signal et d’une IA à mémoire peut fournir une vision plus claire et plus fiable de l’état de notre électricité en temps réel.

Citation: Debnath, R., Majumder, A., Jain, A.K. et al. A hybrid AI framework for identification of power quality disturbances in electrical network. Sci Rep 16, 15758 (2026). https://doi.org/10.1038/s41598-026-35376-x

Mots-clés: qualité de l’électricité, réseau électrique, intelligence artificielle, analyse du signal, détection des perturbations