Prédiction de l’instabilité des réseaux électriques intelligents (smart grids) à l’aide des algorithmes d’apprentissage automatique

Abstract

Les Smart Grids désignent des réseaux électriques intelligents utilisant les technologies de l’information et de la communication pour optimiser la production, la distribution et la consommation de l’électricité. La stabilité des réseaux électriques intelligents constitue un défi majeur en raison de leurs conditions d’exploitation dynamiques et incertaines. Cette étude propose une approche basée sur l’apprentissage automatique (Machine Learning, ML) pour prédire la stabilité de ces réseaux, en exploitant un ensemble de données contenant des paramètres dynamiques clés, tels que le taux de variation (τ), les variations de pression (p) et les gradients de distribution d’énergie (g). Ces données, disponibles sur Kaggle sous le nom « Electrical Grid Stability Simulated Dataset », sont traitées et analysées pour classer l’état du réseau en stable ou instable. Une évaluation approfondie de plusieurs algorithmes d’apprentissage automatique, notamment la régression logistique (LR), les machines à vecteurs de support (SVM), Naïve Bayes (NB), les forêts aléatoires (RF) et Extreme Gradient Boosting (XGBoost), est réalisée pour évaluer leur efficacité à gérer des motifs non linéaires et des dépendances complexes. Les résultats expérimentaux mettent en évidence les forces et les limites de chaque méthode, en termes de précision prédictive et de capacité de généralisation. Les conclusions soulignent que les modèles avancés, en particulier les méthodes d’ensemble, améliorent de manière significative les prévisions de stabilité, optimisant ainsi l'efficacité opérationnelle et la résilience des réseaux. Cette étude contribue au développement de solutions basées sur les données pour la gestion des réseaux intelligents, et renforce le rôle de l’intelligence artificielle (IA) dans les systèmes énergétiques durables.