Prédire les risques de panne sur les lignes électriques grâce à l’IA

Afin d’optimiser les interventions de maintenance, l’Institut de recherche en informatique de Toulouse (IRIT) vient de développer un nouvel outil numérique pour aider Enedis à prédire les risques de panne sur ses lignes électriques aériennes. Ce nouveau modèle de maintenance préventive s’appuie sur l’intelligence artificielle, et plus précisément sur des techniques d’apprentissage de type machine learning. « L’idée est de créer un modèle de prédiction, non pas à partir de connaissances expertes, mais en se basant sur l’historique des pannes déjà survenues, explique Mathieu Serrurier, chercheur à l’IRIT. 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 mener à bien ce projet, plusieurs difficultés ont dû être surmontées. La principale étant le fait que les pannes sont des événements rares rapportés à une section de câble. Les chercheurs ont également dû travailler à partir d’un nombre de données limitées dans le temps puisque seules quatre années d’incidents étaient archivées. Enfin, ils ont dû faire face à ce que les statisticiens appellent des données censurées. Il s’agit de données incomplètes liées à l’absence de panne observée sur certaines sections de câbles durant les quatre années. « Cela signifie que l’on ne connaît pas la distance de la prochaine panne, on sait juste qu’elle est supérieure à quatre ans, explique le chercheur. Il s’agit d’un paramètre très important à prendre en compte, car cela ne veut surtout pas dire que la section ne tombera jamais en panne. »

Le nouvel outil développé fonctionne de la même manière que les modèles probabilistes. Il ne prédit pas la date à laquelle une panne va se produire, mais la probabilité qu’elle se produise dans les 2 ans, 4 ans, 10 ans… à venir. Pour traiter les données censurées, l’équipe de recherche s’est inspirée de modèles déjà existants, notamment ceux utilisés pour réaliser des prédictions de taux de survie en médecine. Étant donné qu’ils reposaient sur des modèles de statistiques linéaires, les chercheurs les ont développés pour les intégrer dans des réseaux de neurones.

Au final, ce modèle se révèle plus élaboré et surtout capable de gérer des informations plus complexes comme des images ou du texte. À l’avenir, il pourra par exemple prendre en compte des images satellites et ainsi identifier des problèmes d’élagage d’arbre pour ensuite prédire un risque de panne sur des sections. « Pour l’instant, l’outil intègre des paramètres plus simples comme l’âge de la ligne, le type de matériaux et des informations géographiques telles que la présence d’un bois le long d’une route », précise Mathieu Serrurier.

Le modèle testé pour prédire des taux de survie en médecine

Les premiers tests du système ont donné des résultats probants. Les chercheurs n’ont pas pu comparer ce nouvel outil avec ceux actuellement utilisés par Enedis, car ces derniers doivent rester dans le domaine du secret industriel. Ces tests ont été réalisés sur des pannes déjà survenues en utilisant les trois premières années d’historiques de données pour prédire les pannes sur la quatrième année.

L’outil a aussi été testé dans un tout autre domaine, celui de la médecine, afin de prédire des taux de survie de patients recevant des traitements pour lutter contre des cancers. « Il s’agit de données avec lesquelles les chercheurs comparent régulièrement leurs algorithmes entre eux et qui sont publiques, ajoute le chercheur. Nous avons donc réentraîné notre réseau de neurones à partir d’une nouvelle base de données et nous avons démontré qu’il améliorait de manière significative la qualité de la prédiction ». La connaissance d’un taux d’espérance de vie en médecine a pour but de donner des indications sur le type de thérapie à privilégier en fonction des caractéristiques des patients. Elle permet d’identifier des groupes de patients pour lesquels certaines thérapies fonctionnent mieux que d’autres.

Pour l’heure, ce nouvel outil a été fourni à Enedis, qui va poursuivre son développement, car l’entreprise dispose des connaissances lui permettant d’améliorer encore ses prédictions. « Elle pourra par exemple intégrer des images satellites, mais aussi d’autres données telles que la pluviométrie, le vent, les températures, le gel, l’altitude… Souvent, lorsque l’on développe des nouveaux modèles d’intelligence artificielle pour le secteur industriel, on s’aperçoit qu’ils fonctionnent bien, mais que nous manquons de données pour faire des prédictions de qualité. Avant, les entreprises stockaient leurs données pour conserver une trace de ce qui a été réalisé. Aujourd’hui, un grand nombre d’entreprises doivent changer leur politique de stockage des données et en conserver un très grand nombre dans le but de les exploiter de la manière la plus efficace possible », conclut Mathieu Serrurier.