Titre du projet : Développement d'un système intelligent de détection et de prévision des pannes dans les réseaux électriques à l'aide de l'apprentissage fédéré et des IoT edge computing

Project Abstract

Ce travail présente le développement d’un système intelligent capable de détecter et de prédire les pannes dans les réseaux électriques en s’appuyant sur l’apprentissage fédéré et sur l’informatique en périphérie (IoT edge computing). L’objectif principal est d’améliorer la fiabilité et la résilience des réseaux en permettant une détection précoce des anomalies et une prévision proactive des défaillances, tout en respectant les contraintes de sécurité et de confidentialité des données. Le système propose une architecture distribuée où les capteurs et les nœuds edge effectuent une collecte de données en temps réel (tensions, courants, facteur de puissance, températures et vibrations mécaniques) et participent à l’entraînement collaboratif de modèles d’apprentissage profond, sans nécessiter le transfert des données brutes vers un centre de données centralisé. Cette approche réduit les risques liés à la cybersécurité et répond aux exigences de conformité, tout en minimisant le trafic réseau et la latence de traitement. La méthodologie repose sur une combinaison d’algorithmes d’apprentissage fédéré adaptatif et de schémas de prétraitement des données adaptés au contexte des réseaux de distribution normalisation des signaux, détection d’événements, synchronisation temporelle et fusion des informations issues de capteurs hétérogènes. Des modèles de prévision de pannes, incluant des réseaux neuronaux récurrents et des architectures transformer légères, sont entraînés localement sur les équipements edge et se synchronisent via un serveur fédéré pour produire un modèle global robuste. Le cadre intègre également des mécanismes d’explicabilité afin de permettre aux opérateurs de comprendre les facteurs déclencheurs des défaillances prédites et d’envisager des interventions de maintenance ciblées. Les résultats attendus démontrent une amélioration significative de la précision de détection des risques de panne et une augmentation de l’exactitude des prévisions de défaillance sur des horizons temporels allant de quelques minutes à plusieurs heures, en comparaison avec des approches centralisées classiques. L’évaluation se base sur des jeux de données simulés et réels issus de réseaux intelligents, incluant des scénarios de perturbations variés (surcharge, défauts d’isolation, coupures partielles, fluctuations de charge). Une attention particulière est accordée à la stabilité du modèle sous conditions de données non identically distributed (non-iid) et à la robustesse face au bruit et à la perte de communication intermittente entre les nœuds edge et le serveur fédéré. En termes d’apport, ce travail propose une architecture praticable pour les opérateurs de réseau qui combine sécurité des données, faible latence et évolutivité, tout en fournissant des indicateurs opérationnels pour la maintenance prédictive et les décisions d’ingénierie du réseau. Les contributions incluent (i) une pipeline de traitement edge-first, (ii) des protocoles d’agrégation fédérée adaptés aux contraintes des réseaux électriques, (iii) des modèles prévisionnels efficaces et interprétables, et (iv) une évaluation exhaustive démontrant les gains en performance et en fiabilité du système proposé.

Project Overview

What This Project Is About

---

A straightforward exploration of how to use smart sensors and data sharing to detect and predict failures in electric power networks. The project blends simple data from electrical equipment with basic analytics to spot signs of trouble before outages happen, using a coordinated approach across devices. It focuses on making fault detection more timely and reliable without centralizing all data in one place.

---

---

The Problem It Addresses

---

Electric grids are complex and failures can cascade, causing outages and safety risks. Traditional methods rely on periodic checks or central data analysis, which may miss early warning signs or delay response. The project addresses the need for faster, privacy-preserving assessment of equipment health and fault risk across multiple locations.

---

---

Objectives of the Project

---

1. Understand basic fault detection concepts in electrical networks.
2. Explore how lightweight machine learning can run on edge devices (near the data source).
3. Describe the role of federated learning in sharing insights without exposing raw data.
4. Prototype a simple system that detects anomalies and forecasts potential outages.
5. Evaluate the approach using simulated or simplified data.

---

---

What You Will Do Step by Step

---

1. Learn key terms: sensors, edge devices, and data privacy concepts.
2. Set up a small network of devices to collect basic electrical readings.
3. Develop simple anomaly detection rules and a basic forecast model.
4. Explain federated learning in plain terms and outline how devices can share insights.
5. Run small experiments to test detection and prediction performance.
6. Analyze results and discuss practical challenges like data quality and latency.
7. Document the process and prepare a short report.
8. Suggest possible real-world extensions and improvements.

---

---

Expected Outcome

A clear, easy-to-understand plan demonstrating how distributed sensors can flag potential faults early and provide short-term outage forecasts, along with notes on feasibility, limitations, and future work.