CNRS La lettre innovation

Partenariats, création d'entreprises, brevets, licences, événement... Retrouvez tous les mois les dernières actualités de la valorisation et de l'innovation au CNRS.

Brevets et licences

Prévoir la défaillance d'une ligne électrique grâce à un réseau de neurones

Une équipe de l'Institut de recherche en informatique de Toulouse1 a développé une méthode d'intelligence artificielle innovante pour prédire les pannes sur les lignes électriques aériennes. L'étude a été réalisée dans le cadre du projet Smart Occitania piloté par Enedis2.

illustration

Un réseau d'électricité intelligent (''smart grid'') a pour objectif d'optimiser et de fiabiliser la distribution du courant sur le territoire. Le projet Smart Occitania, soutenu par la Région Occitanie et piloté par Enedis, a permis de tester et valider de nouvelles solutions numériques pour relever ces défis.

Dans le cadre de ce projet, une équipe de l'Institut de recherche en informatique de Toulouse avait pour tâche de proposer une solution de maintenance prédictive du réseau. L’objectif est de prédire à quel moment une panne risque de se produire dans un tronçon d'une ligne électrique, afin d'optimiser les interventions de maintenance.

Leur nouvel outil de maintenance préventive s'appuie sur l'intelligence artificielle, et plus précisément sur des techniques d'apprentissage (machine learning). « L'idée est de créer un modèle de prédiction, non à partir de connaissances expertes, mais en se basant sur l'historique des pannes déjà survenues », indiquent Mathieu Serrurier et Sandrine Mouysset, responsables du projet à l'Institut de recherche en informatique de Toulouse. À partir de l'état du câble électrique à un moment donné, l'algorithme doit pouvoir prédire quelle sera sa durée de vie avant la prochaine panne.

Pour créer cet algorithme par apprentissage, il fallait toutefois résoudre une difficulté : les données disponibles sur les pannes ne prennent en compte qu'une durée de quatre ans, alors que des pannes peuvent survenir au-delà de ce délai. Le problème posé par ces données incomplètes3, et leur utilisation en maintenance prédictive, a été résolu par l'équipe4 du laboratoire en couplant des techniques statistiques spécifiques avec l'utilisation d'un réseau de neurones profond5.

Les premiers tests du système ont donné des résultats probants et son développement se poursuit chez Enedis, qui dispose des données et connaissances permettant d'améliorer encore ses prédictions. De son côté, l'équipe de l'Institut de recherche en informatique de Toulouse, qui a présenté et publié sa nouvelle méthode6, l'a également testée sur des données médicales. Il s'agissait cette fois d'évaluer l'espérance de vie de patients atteints d'un cancer, en se basant sur des données enregistrées sur des périodes de 2 à 5 ans. Les résultats s'avèrent meilleurs que ceux obtenus par des analyses statistiques existantes. De plus, à partir de données observées sur seulement deux ans, le système est capable de prédire une espérance de vie sur une période bien plus longue.

 

1 CNRS/Université Toulouse III - Paul Sabatier/Toulouse INP

2 Enedis est une entreprise de service public, gestionnaire du réseau de distribution d’électricité

3 Les statisticiens parlent de données ''censurées''. La prédiction d'un événement à partir de données ''censurées'' est un problème connu des statisticiens, que l'on rencontre dans des domaines aussi divers que la médecine, la mécanique ou l'électronique, l'économie, la sociologie...

4 Cette recherche à l'Irit a fait l'objet d'une thèse soutenue par Achraf Bennis

5 Les réseaux de neurones profonds sont des réseaux répartis en plusieurs couches. Dans ce type d'architecture, les résultats produits par une couche de neurones servant d’entrée au calcul de la couche suivante.

6 Estimation of Conditional Mixture Weibull Distribution with Right Censored Data Using NeuralNetwork. Achraf Bennis, Sandrine Mouysset, Mathieu Serrurier. Pacific-Asia Conference on Knowledge Discovery and Data Mining.PAKDD 202

 

Contacts :

Mathieu Serrurier / Chercheur à l'Irit / mathieu.serrurier@irit.fr

Sandrine Mouysset/ Chercheuse à l'Irit / sandrine.mouysset@irit.fr