Ensemble-Based Anomaly Detection for Urban Power Efficiency Towards Sustainable Energy Management

Les villes sont des organismes vivants qui respirent l'électricité. Des lumières d'une maison à l'énergie alimentant un hôpital, le flux d'énergie maintient la vie moderne en mouvement. Mais comme tout système complexe, ce flux n'est pas toujours parfait. Parfois, l'énergie est gaspillée à travers des inefficacités cachées, des défaillances d'équipement ou des modèles d'utilisation irréguliers qui passent inaperçus jusqu'à ce qu'une facture arrive ou qu'un système tombe en panne. Identifier ces problèmes cachés est difficile car les données générées par les compteurs intelligents et les capteurs sont vastes, désordonnées et en constante évolution. Les méthodes traditionnelles de recherche d'erreurs, consistant par exemple à fixer une limite simple et à attendre qu'un chiffre la franchisse, manquent souvent les signes subtils de problèmes ou génèrent de fausses alertes. Pour résoudre cela, les chercheurs se tournent vers une branche de l'informatique appelée l'apprentissage automatique (machine learning), où les ordinateurs apprennent à reconnaître des modèles sans qu'on leur dise explicitement quoi chercher. En apprenant à ces systèmes à comprendre ce qu'est une utilisation « normale » de l'énergie, ils peuvent repérer les comportements étranges qui signalent du gaspillage ou du danger, offrant ainsi une voie vers des villes plus propres et plus durables.

Une équipe de chercheurs issus d'universités d'Inde, d'Irak, de Malaisie et de Bahreïn s'est donné pour mission de construire un système capable de faire exactement cela pour les réseaux électriques urbains. Leur objectif était de créer un chien de garde numérique capable de passer au crible les données brutes de consommation d'énergie et d'identifier les anomalies — ces pics ou chutes irréguliers qui suggèrent que quelque chose ne va pas. Ils ne se sont pas appuyés sur une seule méthode pour trouver ces erreurs. Au lieu de cela, ils ont construit une équipe de quatre modèles informatiques différents, chacun ayant sa propre façon d'analyser les données. Un modèle, connu sous le nom d'Isolation Forest (forêt d'isolement), fonctionne en découpant aléatoirement les données pour voir quels points se retrouvent isolés. Un autre, appelé Local Outlier Factor (facteur de valeur aberrante locale), observe à quel point une zone spécifique de données est encombrée, signalant les points qui sont trop éloignés de leurs voisins. Un troisième utilise une technique appelée One-Class Support Vector Machine (machine à vecteurs de support à classe unique) pour tracer une limite autour du comportement normal, marquant tout ce qui se trouve en dehors de cette ligne comme suspect. Le quatrième modèle, le plus complexe, est un Autoencoder (auto-encodeur), un type de réseau de neurones artificiels qui tente de reconstruire les données qu'il voit ; s'il éprouve des difficultés à reconstruire une information, il suppose que cette pièce est inhabituelle.

Les chercheurs ont commencé par nettoyer un ensemble de données de registres de consommation électrique municipale, ce qui impliquait de combler les chiffres manquants, d'ajuster les données asymétriques et de mettre les valeurs à l'échelle pour que l'ordinateur puisse les traiter équitablement. Ils ont ensuite entraîné ces quatre modèles sur ces données nettoyées. Pour tester leur efficacité, ils ont simulé un scénario où dix pour cent des données étaient connues pour être anormales, un taux courant pour tester de tels systèmes. Les résultats ont montré que, bien que tous les modèles aient leurs points forts, l'Autoencoder se distinguait. Il a obtenu un score de 0,9740 sur une métrique qui équilibre la détection des problèmes réels et l'évitement des fausses alertes, surpassant les trois autres modèles individuels. L'Isolation Forest et le Local Outlier Factor ont également bien performé, mais l'Autoencoder était le plus précis pour distinguer les fluctuations normales des inefficacités réelles.

Cependant, les chercheurs savaient que s'appuyer sur un seul modèle pouvait être risqué. Si ce modèle unique commettait une erreur, tout le système échouerait. Pour rendre la solution plus robuste, ils ont combiné les quatre modèles en un système d'ensemble. Cela fonctionne comme un comité : une donnée n'est signalée comme anomalie que si au moins deux des quatre modèles conviennent qu'elle est étrange. Cette approche a considérablement réduit le nombre de fausses alertes. Lors de leurs tests, ce système combiné a atteint une précision parfaite, ce qui signifie que chaque fois qu'il déclenchait une alerte, il avait raison. Bien que sa précision globale soit légèrement inférieure à celle du meilleur modèle individuel, l'échange en valait la peine pour un système réel où les fausses alertes peuvent gaspiller du temps et des ressources. L'équipe a également utilisé un outil appelé SHAP pour expliquer pourquoi les modèles prenaient leurs décisions. Cette analyse a révélé que des caractéristiques spécifiques dans les données, particulièrement celles liées aux périodes de pointe et aux modes de consommation élevée, étaient les principaux moteurs derrière les alertes.

L'étude conclut que, bien que les modèles d'apprentissage profond comme l'Autoencoder soient des outils puissants pour repérer le gaspillage d'énergie, les combiner avec d'autres méthodes crée un filet de sécurité plus sûr et plus fiable pour les infrastructures urbaines. Le système a réussi à identifier les modèles de consommation irréguliers sans avoir besoin d'exemples pré-étiquetés de chaque défaillance possible, un avantage crucial puisque les villes réelles disposent rarement de registres parfaits de chaque problème passé. Les chercheurs ont noté que leur travail était basé sur des données de vérité terrain simulées et que les efforts futurs devront incorporer des données de séries temporelles en temps réel pour gérer la nature dynamique des réseaux électriques en direct. En rendant visibles ces inefficacités invisibles, de tels systèmes offrent une étape pratique vers l'objectif des Nations Unies pour une énergie abordable et propre, aidant les gestionnaires de villes à protéger les ressources et à s'assurer que l'énergie qui circule dans leurs rues est utilisée avec sagesse.