La sécurité des systèmes électriques repose sur la capacité à détecter rapidement les incidents susceptibles de dégrader la stabilité du réseau. Dans un article déposé sur arXiv, des chercheurs proposent une approche de screening de contingences fondée sur le machine learning afin de classer les scénarios en trois niveaux : sûrs, modérés ou sévères.
La méthode s’appuie d’abord sur un calcul de flux de charge par Newton-Raphson pour extraire les données issues de scénarios de contingence, puis sur un Overall Performance Index (OPI) comme indicateur de sécurité. Les auteurs testent ensuite plusieurs étapes de prétraitement : normalisation, rééquilibrage des classes avec SMOTE, réduction de dimension avec PCA, ainsi qu’une combinaison SMOTE + PCA.
Trois modèles sont comparés : K-Nearest Neighbours (KNN), Random Forest (RF) et Support Vector Machines (SVM). Les expériences portent sur des scénarios N-k avec *k = 1, 2 et 3* appliqués aux systèmes de test IEEE-14 et IEEE-30. L’évaluation repose sur la précision, le rappel et le score F1, avec une attention particulière portée aux contingences sévères, les plus critiques en exploitation.
Selon le résumé, Random Forest obtient les meilleurs scores F1, atteignant 0,97 sur IEEE-30 et 0,86 sur IEEE-14. Les auteurs indiquent aussi que PCA contribue davantage à l’amélioration globale des performances que SMOTE. Ce dernier augmente le rappel, mais au prix de davantage de faux positifs, ce qui en fait un compromis plutôt qu’un gain net.
L’étude reste menée sur des systèmes de référence académiques, ce qui invite à la prudence sur la généralisation industrielle. Elle souligne néanmoins le potentiel du machine learning comme alternative plus scalable aux analyses de contingence traditionnelles, avec la promesse d’une évaluation plus réactive de la sécurité en temps réel.