{"version":"1","article":{"id":"sparse-pmu-power-flow-estimation-ai-2026","slug":"sparse-pmu-power-flow-estimation-ai-2026","language":"fr","url":"https://haberpaper.com/fr/news/sparse-pmu-power-flow-estimation-ai-2026","api_url":"https://haberpaper.com/api/v1/articles/sparse-pmu-power-flow-estimation-ai-2026?lang=fr","title":"Un modèle d’IA évalue le placement des capteurs pour estimer les flux électriques","summary":"Des chercheurs liés à l’Université Laval ont évalué un réseau neuronal qui estime les flux de puissance avec moins d’unités de mesure de phase sur le réseau test IEEE à 30 nœuds. Les résultats suggèrent que le choix des emplacements compte davantage que le nombre identique d’appareils.","category":"energy","region":"world","topics":["ai","electrical-materials"],"published_at":"2026-10-13T20:11:53+03:00","modified_at":"2026-10-13T20:11:53+03:00","publication_basis":"publication-record","event_period":"2026-10-09","event_period_basis":"event-or-reference-period","sources":[{"name":"arXiv, Learning-Based Power Flow Estimation with Sparse PMU Deployment in Power Systems (arXiv:2610.13683)","url":"https://arxiv.org/abs/2610.13683","checkedAt":"2026-10-13","publishedAt":"2026-10-09"}],"translations":[{"language":"tr","url":"https://haberpaper.com/tr/news/sparse-pmu-power-flow-estimation-ai-2026","api_url":"https://haberpaper.com/api/v1/articles/sparse-pmu-power-flow-estimation-ai-2026?lang=tr"},{"language":"en","url":"https://haberpaper.com/en/news/sparse-pmu-power-flow-estimation-ai-2026","api_url":"https://haberpaper.com/api/v1/articles/sparse-pmu-power-flow-estimation-ai-2026?lang=en"},{"language":"ar","url":"https://haberpaper.com/ar/news/sparse-pmu-power-flow-estimation-ai-2026","api_url":"https://haberpaper.com/api/v1/articles/sparse-pmu-power-flow-estimation-ai-2026?lang=ar"},{"language":"fr","url":"https://haberpaper.com/fr/news/sparse-pmu-power-flow-estimation-ai-2026","api_url":"https://haberpaper.com/api/v1/articles/sparse-pmu-power-flow-estimation-ai-2026?lang=fr"},{"language":"es","url":"https://haberpaper.com/es/news/sparse-pmu-power-flow-estimation-ai-2026","api_url":"https://haberpaper.com/api/v1/articles/sparse-pmu-power-flow-estimation-ai-2026?lang=es"}],"data_types":[],"data":null,"data_compilations":[],"data_downloads":[],"content":{"paragraphs":["Une prépublication mise en ligne sur arXiv le 9 octobre par des chercheurs liés à l’Université Laval et à l’Université du Michigan à Dearborn vise à estimer les flux de puissance des branches sans exiger de mesures synchronisées à chaque nœud du réseau. L’étude a testé un cadre neuronal utilisant les données d’unités de mesure de phase (PMU) sur le système test IEEE à 30 nœuds, avec 50 000 scénarios d’exploitation. En faisant varier les nœuds surveillés, les chercheurs ont comparé précision et nombre de PMU dans cinq configurations.","L’article rapporte des erreurs différentes entre les configurations utilisant le même nombre d’appareils, 25 PMU sur 30 : le scénario qui retire les mesures des nœuds générateurs affiche une RMSE de 4,490 et un R² de 0,3232 ; la meilleure configuration, qui retire cinq mesures différentes de nœuds de charge, affiche une RMSE de 1,889 et un R² de 0,8802. Les auteurs indiquent que l’emplacement des capteurs compte indépendamment de leur nombre. Il s’agit d’une simulation sur le système de test IEEE, et non d’un essai sur un réseau de transport en service ; l’article ne mesure ni le coût de déploiement ni les gains de sûreté opérationnelle sur le terrain. La prépublication n’a pas encore été évaluée par les pairs."],"key_points":[],"sections":[]},"text":"Des chercheurs liés à l’Université Laval ont évalué un réseau neuronal qui estime les flux de puissance avec moins d’unités de mesure de phase sur le réseau test IEEE à 30 nœuds. Les résultats suggèrent que le choix des emplacements compte davantage que le nombre identique d’appareils.\n\nUne prépublication mise en ligne sur arXiv le 9 octobre par des chercheurs liés à l’Université Laval et à l’Université du Michigan à Dearborn vise à estimer les flux de puissance des branches sans exiger de mesures synchronisées à chaque nœud du réseau. L’étude a testé un cadre neuronal utilisant les données d’unités de mesure de phase (PMU) sur le système test IEEE à 30 nœuds, avec 50 000 scénarios d’exploitation. En faisant varier les nœuds surveillés, les chercheurs ont comparé précision et nombre de PMU dans cinq configurations.\n\nL’article rapporte des erreurs différentes entre les configurations utilisant le même nombre d’appareils, 25 PMU sur 30 : le scénario qui retire les mesures des nœuds générateurs affiche une RMSE de 4,490 et un R² de 0,3232 ; la meilleure configuration, qui retire cinq mesures différentes de nœuds de charge, affiche une RMSE de 1,889 et un R² de 0,8802. Les auteurs indiquent que l’emplacement des capteurs compte indépendamment de leur nombre. Il s’agit d’une simulation sur le système de test IEEE, et non d’un essai sur un réseau de transport en service ; l’article ne mesure ni le coût de déploiement ni les gains de sûreté opérationnelle sur le terrain. La prépublication n’a pas encore été évaluée par les pairs.","corrections":[],"editorial_illustration":{"kind":"symbolic-editorial-illustration","documentary":false,"scope":"section","asset_id":"energy","url":"https://haberpaper.com/assets/illustrations/energy-1536.webp","width":1536,"height":1024,"alt":"Paysage énergétique symbolique avec panneaux solaires, éoliennes et lignes électriques.","language":"fr"},"section_illustration":{"kind":"symbolic-editorial-illustration","documentary":false,"scope":"section","asset_id":"energy","url":"https://haberpaper.com/assets/illustrations/energy-1536.webp","width":1536,"height":1024,"alt":"Paysage énergétique symbolique avec panneaux solaires, éoliennes et lignes électriques.","language":"fr"}}}