Laure Crochepierre soutiendra sa thèse intitulée “Apprentissage automatique interactif pour les opérateurs du réseau électrique“, réalisée sous la direction de Lydia Boudjeloud-Assala et la supervision de Vincent Barbesant (RTE), le mardi 27 septembre 2022 à 10h00  à Centrale Supelec Metz.

Dans le contexte de la transition énergétique et de l’augmentation des interconnexions entre les réseaux de transport d’électricité en Europe, les opérateurs du réseau français doivent désormais faire face à davantage de fluctuations et des dynamiques nouvelles sur le réseau. Pour garantir la sûreté de ce réseau, les opérateurs s’appuient sur des logiciels informatiques permettant de réaliser des simulations, ou de suivre l’évolution d’indicateurs créés manuellement par des experts grâce à leur connaissance du fonctionnement du réseau. Le gestionnaire de réseau de transport d’électricité français RTE (Réseau de Transport d’Electricité) s’intéresse notamment aux développements d’outils permettant d’assister les opérateurs dans leur tâche de surveillance des transits sur les lignes électriques. Les transits sont en effet des grandeurs particulièrement importantes pour maintenir le réseau dans un état de sécurité, garantissant la sûreté du matériel et des personnes. Cependant, les indicateurs utilisés ne sont pas faciles à mettre à jour du fait de l’expertise nécessaire pour les construire et les analyser. Pour répondre à la problématique énoncée, cette thèse a pour objet la construction d’indicateurs, sous la forme d’expressions symboliques, permettant d’estimer les transits sur les lignes électriques. Le problème est étudié sous l’angle de la Régression Symbolique et investigué à la fois par des approches génétiques d’Evolution Grammaticale et d’Apprentissage par Renforcement dans lesquelles la connaissance experte, explicite et implicite, est prise en compte. Les connaissances explicites sur la physique et l’expertise du domaine électrique sont représentées sous la forme d’une grammaire non-contextuelle délimitant l’espace fonctionnel à partir duquel l’expression est créée. Une première approche d’Evolution Grammaticale Interactive propose d’améliorer incrémentalement les expressions trouvées par la mise à jour d’une grammaire entre les apprentissages évolutionnaires. Les expressions obtenues sur des données réelles issues de l’historique du réseau sont validées par une évaluation de métriques d’apprentissages, complétée par une évaluation de leur interprétabilité. Dans un second temps, nous proposons une approche par renforcement pour chercher dans un espace délimité par une grammaire non-contextuelle afin de construire une expression symbolique pertinente pour des applications comportant des contraintes physiques. Cette méthode est validée sur des données de l’état de l’art de la régression symbolique, ainsi qu’un jeu de données comportant des contraintes physiques pour en évaluer l’interprétabilité. De plus, afin de tirer parti des complémentarités entre les capacités des algorithmes d’apprentissage automatique et de l’expertise des opérateurs du réseau, des algorithmes interactifs de Régression Symbolique sont proposés et intégrés dans des plateformes interactives. L’interactivité est employée à la fois pour mettre à jour la connaissance représentée sous forme grammaticale, analyser, interagir avec et commenter les solutions proposées par les différentes approches. Ces algorithmes et interfaces interactifs ont également pour but de prendre en compte de la connaissance implicite, plus difficile à formaliser, grâce à l’utilisation de mécanismes d’interactions basés sur des suggestions et des préférences de l’utilisateur.

Jury :