Modèles de preuves de diagnostic des transformateurs de puissance pour l'IA agentique

L’IA agentique pour l’APM des transformateurs n’est crédible que si elle peut raisonner sur un modèle de preuves, et non sur un amas de fichiers. Une recommandation relative à un transformateur devrait répondre à ces questions : quel actif, quel composant, quelle observation, quelle méthode, quel contexte normatif, quel horodatage et quel niveau de confiance ?

Ce contrat de preuves fait la différence entre un flux de durabilité examinable et un score en boîte noire.

Commencer par la hiérarchie des actifs

Les preuves relatives à un transformateur devraient se rattacher au composant susceptible de défaillir. Une hiérarchie utile comprend le parc, le site, le transformateur, la cuve, l’enroulement, la traversée, le changeur de prises, le système de refroidissement, les capteurs et le contexte de protection. Les normes de données des exploitants comme IEC 61850 et les travaux orientés CIM comme le guide PNNL de l’IEC CIM sont des références utiles pour réfléchir à une identité d’actif cohérente et à l’interopérabilité.

Pour GridAPM, la règle pratique est simple : chaque enregistrement doit savoir à quoi il appartient. Un résultat DGA appartient à un transformateur et à un système d’huile. Un essai de traversée appartient à un composant. Un tracé SFRA appartient à une configuration d’enroulement, à un réglage de prise et à un montage de mesure. Sans hiérarchie, l’IA n’a aucun endroit fiable où rattacher les preuves.

La provenance avant la prédiction

Le raisonnement de l’IA est fragile si les enregistrements d’entrée ne sont pas dignes de confiance. Un modèle de preuves de transformateur devrait capturer :

• Le système ou le fichier source.
• La méthode de mesure.
• L’horodatage et l’heure de l’échantillon.
• L’unité et la normalisation.
• Les notes d’étalonnage ou de configuration d’essai.
• Les indicateurs de qualité des données.
• L’historique des transformations.
• L’examinateur ou le système ayant créé l’enregistrement.

Le NIST AI Risk Management Framework met l’accent sur des thèmes de gouvernance, de transparence et de responsabilité qui se rattachent directement à cette exigence. Dans l’APM des transformateurs, la provenance n’est pas une formalité administrative. Elle est le fondement qui permet de décider si une recommandation mérite l’attention.

Modéliser les canaux de diagnostic

Un modèle de preuves de transformateur devrait représenter chaque canal de diagnostic selon ses propres termes :

• DGA : gaz, rapports, taux de génération, source de l’échantillon, contexte de traitement de l’huile et historique d’interprétation. Voir IEEE C57.104 et IEC 60599.
• PRPD et décharges partielles : charge apparente, référence de phase, circuit de mesure, type de capteur, notes de bruit et famille de motifs. Voir IEC 60270.
• SFRA : fichier de tracé, instrument, placement des cordons, mise à la terre, position de prise, référence de base et événement de comparaison. Voir IEEE C57.149.
• Charge thermique : charge, température ambiante, état de refroidissement, huile en partie haute, estimation du point chaud et contexte de vieillissement. Voir IEC 60076-7.
• Équipements de surveillance : application des capteurs, qualité des données, communication et contexte risque-bénéfice. Voir IEEE C57.143.

L’agent ne devrait pas aplatir ces éléments en un seul chiffre trop tôt.

Les contradictions sont des signaux

Dans un système bien modélisé, les contradictions ne sont pas un bruit à effacer par moyennage. Ce sont des invites de diagnostic. Une hausse des gaz combustibles avec un historique thermique normal peut mériter un examen différent d’un vieillissement thermique sans marqueurs chimiques. Un motif PRPD sans évolution de la DGA peut suggérer un contexte de mesure ou un problème d’isolation en développement. Un décalage SFRA après un défaut traversant peut modifier la confiance accordée à un score de risque par ailleurs modéré.

L’APM agentique devrait poser des questions de suivi lorsque les preuves se contredisent. Cela a plus de valeur que de forcer chaque enregistrement dans un unique indice de santé agrégé.

Le flux de travail agentique

Une fois les preuves modélisées, les agents IA peuvent effectuer un travail borné :

1. Récupérer les enregistrements rattachés à l’actif et au composant concerné.
2. Vérifier la provenance et les données périmées.
3. Comparer les observations aux références de base, au contexte normatif et aux décisions antérieures.
4. Formuler des hypothèses et des notes d’incertitude.
5. Demander les enregistrements manquants ou de nouveaux essais.
6. Rédiger des options de maintenance en vue d’un examen par l’ingénieur.

Cela se rattache directement à l’analyse du taux de génération de la DGA, à la qualité d’examen des PRPD et à l’analyse des mouvements d’enroulement par SFRA.

Un contrat de preuves pratique

Le contrat de preuves de diagnostic de transformateur de GridAPM peut se résumer ainsi :

ID actif/composant + observation + méthode + provenance + contexte normatif + confiance + interprétation + action suivante + piste d'audit.

Ce contrat aide les équipes transformateurs à voir exactement comment une recommandation assistée par IA a été formée. L’argument gagnant n’est pas que l’IA prédit chaque défaillance. L’argument plus solide est que l’IA peut rendre le raisonnement de diagnostic des transformateurs plus traçable, transversal aux modalités et examinable.