Les pannes de courant imprévues dues aux conditions environnementales (vent, foudre, croissance des arbres, etc.) laissent les personnes sans électricité livrées à elles-mêmes, parfois pendant de longues périodes. Les sociétés de services publics n’ont pas la capacité de prédire quand des pannes forcées se produiront, c’est pourquoi aucune mesure d’atténuation ciblant les consommateurs n’est déployée à l’avance pour réduire l’impact d’une panne.

Le Dr Mladen Kezunovic, professeur au Département de génie électrique et informatique de la Texas A&M University, et son équipe combinent des données historiques sur les pannes et des données météorologiques, souvent appelées mégadonnées, et l’apprentissage automatique pour prédire les pannes et modifier les mesures d’atténuation des pannes. Cela aidera les consommateurs à se préparer.

Grâce à l’apprentissage automatique et à diverses données décrivant les causes des pannes, l’équipe peut étudier les données du passé pour faire des prédictions sur l’avenir.

« Beaucoup de gens demandent comment tester quelque chose qui n’a jamais été fait auparavant », a déclaré Kezunovic. « Disons que vous faites des prédictions en utilisant des données du passé. Vous ne prédisez pas ce qui se passera à l’été 2024, vous prédisez ce qui s’est réellement passé à l’été 2023, puis comparez ce qui s’est passé en 2023 à ce que vous avez prédit. Cela se produirait. Si vous aviez raison sur le passé, cela devrait fonctionner dans le futur. »

Une fois qu’ils ont rassemblé les données nécessaires, ils peuvent superposer des modèles de base de données sur des modèles basés sur la physique pour prédire l’état de risque d’une panne.

« Le vent, les précipitations et la foudre peuvent tous provoquer une panne », a déclaré Kezunovic. « Nous traitons de plus de 60 paramètres différents comme les précipitations, la température, le vent, le type de sol, le type de végétation et l’intrusion d’animaux provenant de différentes bases de données qui doivent être corrélés. Il n’y a aucune capacité cognitive humaine pour corréler cela manuellement, mais les machines le peuvent. »

Ils mettent en corrélation le risque de panne représenté par un modèle de données avec la disposition physique des lignes de transmission et des lignes d’alimentation, c’est-à-dire les fils qui vont des sous-stations aux bâtiments et aux maisons à l’aide de systèmes d’information géographique (SIG). Le SIG consiste à superposer des informations (dans ce cas des prédictions basées sur des modèles) sur des éléments géographiquement dispersés tels qu’une grille.

« S’il y a de la pluie et de la lumière sur une ligne d’alimentation spécifique, la ligne d’alimentation est notre modèle physique, alors le risque de panne peut survenir sur une section d’une ligne d’alimentation, et comme la ligne d’alimentation est connectée aux maisons, celles-ci peuvent être sans électricité », a déclaré Kezunovic. .

Toutes ces informations sont ensuite compilées dans un modèle pliable qui décrit l’état du risque de panne dans l’espace et dans le temps. L’équipe peut superposer des variables telles que le sol, la grille, la végétation, la foudre, la pluie et le vent comme un gâteau. Une fois que le modèle examine les données, il peut prédire quelle zone risque de subir une panne et informer les consommateurs de cette zone. L’équipe travaille actuellement à la création de messages de communication spécifiques destinés à différents types de consommateurs.

L’équipe sensibilise également les enfants et les jeunes adultes aux pannes de courant. Ils travaillent en étroite collaboration avec The DoSeum, un musée pour enfants de San Antonio, pour enseigner aux jeunes enfants ce qu’est une panne et quoi faire en cas de panne de courant afin de les sensibiliser et de réduire la panique.

L’équipe travaille avec le Franklin Institute de Philadelphie pour enseigner aux élèves du secondaire comment prédire la météo et la température afin que les élèves puissent développer davantage leurs compétences STEM. Pour les étudiants, l’équipe prévoit de développer un projet de synthèse pour les seniors autour d’applications pour smartphone qui alertent les consommateurs des pannes et des mesures d’atténuation à prendre pour réduire l’impact des pannes.

« Par exemple, en tant que destinataire du message d’alerte, vous pourriez vous décrire dans l’application, et celle-ci pourrait proposer des options pour réduire l’impact », a déclaré Kezunovic.

Cela pourrait vous dire de ne pas ouvrir le réfrigérateur, car sa capacité thermique est de retenir le froid pendant « x » heures. Les étudiants sont innovants ; ils peuvent trouver des façons de vous expliquer certaines choses de manière claire. La sensibilisation est importante pour nous, des jeunes enfants aux lycéens en passant par les lycéens, pour commencer à se renseigner sur l’énergie et l’électricité.

Parmi les autres collaborateurs figurent le Dr Alexander Brown du Département d’économie de Texas A&M, le Dr Zoran Obradovic de l’Université Temple, le Dr Roger Enriquez de l’Université du Texas à San Antonio et le Dr Paul Pavlou de l’Université de Houston. L’ensemble de l’équipe est soutenu par la National Science Foundation à travers un projet intitulé « Apprentissage avancé pour le suivi des risques énergétiques (ALERT) ». L’équipe comprend également plusieurs étudiants diplômés de Texas A&M et de Temple University.

« Avec l’intelligence artificielle comme cadre théorique, vous pouvez passer d’une discipline à l’autre », a déclaré Kezunovic.

Le Dr Obradovic possède une expertise dans les applications biomédicales de l’IA, mais ses techniques sont applicables à ce que nous faisons. Si vous disposez de données et de prédictions, l’approche mathématique est la même, seules les données sont différentes.

Fourni par l’Université Texas A&M