Classification des défauts électriques dans un réseau de métro

Les réseaux électriques de métro sont exposés à diverses anomalies susceptibles d’entraîner des interruptions de service, des dommages matériels et des risques pour les personnes. Pour assurer la continuité du service et la sécurité, les systèmes de protection doivent détecter les situations dangereuses tout en évitant de réagir aux situations normales. Ne pas détecter une anomalie est dangereux, tandis qu’un faux déclenchement peut entraîner des pannes et des retards.

Les systèmes de protection traditionnels présentent des zones d’incertitude où des erreurs peuvent survenir. À l’ère des technologies numériques avancées, nous nous sommes demandé s’il était possible de surmonter ces limites grâce à l’apprentissage automatique. Pour cela, nous avons constitué une base de données d’entraînement. Les données en fonctionnement normal ont été générées à partir de simulations du comportement des trains fournies par Alstom, tandis que les données anormales proviennent d’un modèle de métro développé dans EMTP® et piloté par Python. Nous avons ensuite entraîné un modèle Random Forest pour distinguer les situations normales des anormales, puis un modèle Transformer multitâche pour classer les anomalies.

Les résultats préliminaires indiquent que ces modèles pourraient permettre de mieux détecter et identifier les anomalies, ce qui faciliterait la reprise du service et la maintenance.