Un cadre hybride par ensemble et d'IA explicable (XAI) pour une détection d'îlotage sans faux positifs dans les réseaux de distribution

Pourquoi il est crucial de protéger l'alimentation électrique

À mesure que les maisons et les communes installent davantage de panneaux solaires sur les toits, de petits éoliennes et d'autres sources locales d'énergie, notre réseau électrique devient plus propre mais aussi plus complexe. L'un des dangers les plus sérieux dans ce nouveau paysage est l'« îlotage », situation où un quartier continue de produire de l'électricité après avoir été isolé du réseau principal. Cet article présente un système d'intelligence artificielle en deux étapes, conçu pour détecter l'îlotage rapidement et de façon fiable, tout en évitant des coupures inutiles qui irritent les usagers et mettent le réseau sous pression.

Quand un quartier devient sa propre île

Imaginez une rue où la ligne d'alimentation principale a été coupée pour maintenance ou à la suite d'un défaut, mais où les systèmes photovoltaïques sur les toits continuent d'injecter de l'électricité dans les fils locaux. Les techniciens peuvent croire que la ligne est hors tension alors qu'elle est encore sous tension, et des équipements peuvent être endommagés si le réseau principal est reconnecté hors synchronisme. En raison de ces risques pour la sécurité, les normes internationales exigent que les générateurs locaux cessent d'alimenter une section îlotée en moins de deux secondes. Les dispositifs de protection traditionnels surveillent les variations de tension ou de fréquence, ou perturbent volontairement le réseau pour observer sa réponse, mais ces méthodes manquent certains cas d'îlotage ou déclenchent trop souvent lors d'événements bénins comme les démarrages de moteurs ou la commutation de condensateurs. Les opérateurs sont contraints à un compromis entre manquer des îlots dangereux et provoquer des déclenchements de nuisance.

Pourquoi des outils d'apprentissage plus intelligents sont nécessaires

Les chercheurs se sont tournés vers l'apprentissage automatique pour distinguer l'îlotage des autres perturbations en apprenant les motifs directement à partir des données. Les études antérieures utilisaient des modèles uniques tels que réseaux de neurones ou arbres de décision qui répondent à une question binaire : « s'agit‑il d'îlotage ou non ? » Le problème est que la catégorie « non » recouvre de nombreuses situations différentes — défauts, opérations de commutation, comportements normaux du réseau — qui peuvent sembler très similaires dans les mesures prises en un seul point du réseau. Augmenter la sensibilité d'un modèle unique réduit les risques de passer à côté d'un îlot, mais augmente généralement le nombre de fausses alertes. Inversement, le rendre moins sensible pour éviter les déclenchements intempestifs le rend plus susceptible de ne pas détecter un véritable îlot. De plus, beaucoup de ces modèles sont difficiles à interpréter, ce qui rend les ingénieurs du réseau réticents à leur confier des rôles critiques de protection.

Un garde‑champ en deux étapes pour le réseau

Les auteurs proposent une stratégie différente : scinder la tâche de protection en deux étapes dédiées qui coopèrent. Dans la première étape, un algorithme « Isolation Forest » joue le rôle d'un garde‑champ toujours actif, entraîné uniquement sur le comportement normal du réseau. Sa mission est très simple — signaler toute mesure qui paraît inhabituelle. Cette étape est réglée pour être extrêmement sensible afin que presque toute déviation, y compris les cas subtils d'îlotage, soit détectée tôt. Ce n'est que lorsqu'une telle anomalie est relevée que la seconde étape s'active. Là, un modèle puissant, XGBoost, effectue un contrôle plus fin : au lieu de se contenter de décider si l'événement est un îlotage ou non, il le classe en plusieurs catégories comme îlotage, défauts, commutation de condensateur, démarrages de moteur et variations de charge courantes. En apprenant à reconnaître séparément ces signatures différentes, le système réduit nettement les faux déclenchements sans relâcher sa vigilance.

Regarder à l'intérieur de la boîte noire grâce aux explications

Pour instaurer la confiance dans ce décideur automatisé, le cadre utilise aussi un outil d'explicabilité appelé SHAP. Pour chaque événement, SHAP calcule dans quelle mesure différentes caractéristiques — par exemple la rapidité de variation de la fréquence, la vitesse des changements de puissance ou le degré de distorsion de la tension — poussent la décision vers ou contre l'îlotage. En temps réel, le système enregistre les quelques facteurs les plus importants afin que les opérateurs puissent voir pourquoi un disjoncteur a été ordonné d'ouvrir ou de rester fermé. Lors des phases de test et d'ajustement, des graphiques SHAP plus détaillés aident les chercheurs à repérer où le modèle se trompe, par exemple lorsque la commutation d'un condensateur imite un îlotage. Ces informations ont guidé la conception d'un seuil de confiance adaptatif : le système exige des preuves plus solides avant de déclencher quand les motifs sont ambigus, et peut se montrer un peu plus permissif quand les éléments de preuve sont clairs et cohérents.

Performances du nouveau système

L'équipe a testé son approche sur un jeu de données simulées de micro‑réseau disponible publiquement, comprenant des centaines d'exemples d'événements d'îlotage et non‑îlotage dans de nombreuses conditions de fonctionnement. Après avoir extrait sept caractéristiques physiquement significatives à partir de courtes fenêtres de données de tension et de courant, ils ont entraîné et réglé les deux étapes, puis évalué les performances sur des cas jamais vus auparavant. Le système en cascade a détecté 96 % des événements d'îlotage, ce qui signifie que très peu d'îlots sont passés inaperçus lors des tests, tout en maintenant un taux de fausses alertes d'environ 2,7 %. La précision globale a atteint 96,8 %, et la méthode a surpassé des modèles d'apprentissage uniques et un schéma hybride traditionnel basé sur des seuils. Même lorsque du bruit de mesure réaliste a été ajouté, les performances ont diminué progressivement plutôt que de s'effondrer, et le temps de traitement est resté inférieur à dix millisecondes — bien plus rapide que ce que requièrent les normes du réseau.

Ce que cela signifie pour la fiabilité quotidienne

Pour le grand public, le message clé est que l'article présente une manière pragmatique d'obtenir « le meilleur des deux mondes » pour la protection d'un réseau moderne riche en énergies renouvelables. En commençant par se demander « y a‑t‑il quelque chose d'anormal ? » puis seulement « qu'est‑ce qui se passe exactement ? », le système évite le compromis habituel entre détecter tous les îlots dangereux et éviter des coupures inutiles. La couche d'explications supplémentaire permet aux ingénieurs de comprendre la logique derrière chaque ordre de déclenchement, transformant une boîte noire en un outil qu'ils peuvent inspecter et affiner. Bien que l'étude repose sur des données simulées et doive être validée sur des mesures du monde réel, elle ouvre la voie à une intégration plus sûre et plus fiable des panneaux solaires sur toiture, des petites fermes éoliennes et d'autres générateurs distribués dans les systèmes électriques quotidiens dont nous dépendons tous.

Citation: Shahade, S.K., Jawadekar, A.U. & Shahade, A.K. An ensemble hybrid and explainable AI (XAI) framework for zero false-positive islanding detection in distribution networks. Sci Rep 16, 13460 (2026). https://doi.org/10.1038/s41598-026-43913-x

Mots-clés: détection d'îlotage, production décentralisée, apprentissage automatique, protection des systèmes électriques, IA explicable