IA avec supervision humaine pour les décisions de durabilité des transformateurs

Les décisions de durabilité des transformateurs de puissance se résument rarement à un simple franchissement de seuil. Un signal de diagnostic peut sembler préoccupant, mais l’action dépend de l’historique de l’actif, de la charge, de la qualité de l’échantillonnage, de l’état de l’isolation, de la conséquence d’une défaillance, de la stratégie de rechange, des fenêtres d’indisponibilité et du jugement d’ingénieurs qualifiés.

L’IA avec supervision humaine est importante parce qu’elle maintient la visibilité de ce jugement. GridAPM est conçu pour utiliser des agents d’IA sur des tâches de durabilité bornées : rassembler les preuves, comparer les tendances, identifier l’incertitude, rédiger des recommandations et préparer des dossiers d’examen. Les ingénieurs décident de la signification des preuves et de l’action proportionnée.

Pourquoi l’IA appliquée aux transformateurs a besoin d’un contrôle d’ingénierie

Le diagnostic des transformateurs combine plusieurs flux de preuves. L’analyse des gaz dissous peut être interprétée en référence à IEEE C57.104 et IEC 60599. L’examen des décharges partielles peut exiger une rigueur de mesure et un contexte d’interférences conformes à IEC 60270. L’examen du déplacement des enroulements peut s’appuyer sur des pratiques d’analyse de la réponse en fréquence telles que IEEE C57.149. Les thèmes de l’évaluation de l’état et de la surveillance intelligente sont également traités dans des documents publics de la CIGRE, notamment TB 761 et TB 630.

Ces références ne remplacent pas l’examen d’ingénierie. Elles constituent la structure qui rend l’examen plus cohérent. L’IA devrait aider les équipes à trouver les preuves plus rapidement, et non masquer le fondement d’une décision.

Le schéma GridAPM avec supervision humaine

Un flux de travail d’IA utile pour la durabilité des transformateurs devrait séparer quatre responsabilités :

1. Les données proviennent des rapports de laboratoire, des moniteurs en ligne, des essais électriques, du contexte d’exploitation, des inspections et des systèmes de maintenance.
2. Les analyses de l’IA organisent les anomalies, les changements de tendance, les modes de défaillance probables et l’incertitude.
3. Les ingénieurs valident le contexte, appliquent les normes, évaluent le risque et documentent la justification.
4. Les décisions et actions sont consignées comme : surveillance, investigation, plan de maintenance conditionnelle, action de maintenance ou poursuite de l’observation.

Ce schéma transforme le résultat de l’IA en un dossier d’ingénierie examinable. Il empêche aussi la plateforme de présenter une recommandation comme si elle faisait autorité de manière définitive.

Ce qui doit être traçable

Une recommandation de durabilité de transformateur n’est utile que si l’équipe peut comprendre d’où elle vient. Pour chaque recommandation, GridAPM vise à conserver un enregistrement clair de :

• Les données sources utilisées dans la recommandation.
• Les données manquantes et les notes de qualité des données.
• Les fenêtres de tendance et les références de comparaison.
• La méthode de diagnostic ou la famille de règles prise en compte.
• Les notes de confiance de l’IA et les facteurs d’incertitude.
• Les commentaires de l’ingénieur, les modifications, l’état d’approbation et le responsable de l’action.

Cela rejoint les thèmes de gouvernance de l’IA responsable du NIST AI Risk Management Framework et les travaux plus larges sur la gouvernance d’une IA centrée sur l’humain menés par des institutions telles que le Berkman Klein Center de Harvard. L’enseignement pratique est simple : les décisions relatives à des actifs à forte conséquence exigent une responsabilité clairement assumée, la possibilité d’un réexamen et un responsable clairement désigné.

L’IA agentique devrait effectuer un travail borné

Dans GridAPM, un agent n’est pas une autorité de maintenance autonome. C’est un travailleur borné qui peut réaliser une partie précise du flux de durabilité. Un agent peut normaliser les enregistrements DGA. Un autre peut comparer les motifs PRPD. Un autre peut préparer un dossier d’examen conforme aux normes. Un autre peut rédiger un plan d’action assorti d’hypothèses et de notes de confiance.

Cette division du travail aide les ingénieurs à inspecter la chaîne qui va de la preuve brute à la recommandation. Si une conclusion de diagnostic est contestée lors d’un examen interne, l’équipe peut examiner chaque étape au lieu de devoir rétroconcevoir le résultat d’une boîte noire.

Un modèle opérationnel de durabilité plus solide

L’intérêt de l’IA avec supervision humaine ne réside pas seulement dans une rédaction de rapports plus rapide. Il réside dans un processus de durabilité plus rigoureux :

• Des dossiers de preuves cohérents pour chaque transformateur examiné.
• Une meilleure transmission entre gestionnaires d’actifs, spécialistes du diagnostic et équipes de terrain.
• Moins de décisions fondées sur des points de données isolés.
• Une incertitude plus explicite lorsque les preuves sont incomplètes.
• Une justification plus claire de l’indice de santé et du cycle de vie avant l’approbation des travaux.
• Une piste d’audit défendable expliquant pourquoi une équipe a surveillé, investigué, différé ou agi.

L’orientation produit de GridAPM consiste à rendre l’IA utile précisément là où le travail de durabilité des transformateurs est le plus exigeant : preuves multi-sources, forte conséquence, jugement d’expert et besoin de décisions traçables.