136
Ethique & Cybersécurité
14
Les réseaux électriques à toutes les échelles deviennent “smart” et deviennent également des réseaux
dans lesquels de l’information est récupérée, circule, est échangée, interprétée, etc. entre les différents
points, qu’ils soient petits ou gros consommateurs, petits ou grands producteurs, flexibles ou non,
prévisibles ou non, voire des nœuds du réseau ou des objets connectés adjacents. Cette complexité
accrue apporte de nouveaux challenges en termes de sûreté, combinant sûreté du réseau (et la sécurité
d’approvisionnement correspondante), sûreté de l’information (informations personnelles, données
process sur des consommateurs essentiels, données business, etc.), sûreté des installations de
production ou de consommation. Les scénarios catastrophes sont nombreux, et pour certains réels,
comme par exemple la “prise en otage” de l’approvisionnement électrique (exemple de l’attaque sur
les réseaux de distribution ukrainiens en 2015)
L’IA a un rôle à jouer à différents niveaux
x Conception des systèmes et des réseaux (capacité à simuler et à anticiper les points faibles)
x Détections de signaux faibles précurseurs d’attaque
x Capacité à transférer rapidement d’une boucle du réseau à une autre les apprentissages pour
détecter les menaces émergentes (en adaptant les méthodes de détection à la topologie locale
du réseau)
2.2.2.4.3 Exemples de projets
Exemples de projets industriels
Prévision de consommation électrique et de facture individuelle à la fin du mois
En utilisant les données historiques de consommation d’un site (compteur d’électricité général) ainsi
que des données caractéristiques du site (surface, étage, occupation, ...) et des données
météorologiques, l’IA élabore des modèles permettant de prédire les volumes des différents types
d’heures du contrat de ce site (heures pleines / creuses / pointes) ainsi que la prévision des factures. La
sortie du modèle est le volume total de consommation du mois. La précision de cette estimation
s’améliore au fur et à mesure que l’on obtient plus d’informations au cours du mois étudié.
Désagrégation de courbe de charge avec ou sans capteurs.
En partant d’un ensemble réduit de sites équipés d’une instrumentation précise qui mesurent la
consommation électrique de chacun des usages (chauffage, climatisation, éclairage, serveurs, …), il
est possible d’entraîner à l’aide du Machine Learning un modèle capable de généraliser à un plus
grand nombre de sites similaires. Le modèle prend en entrée la consommation instantanée mesurée au
compteur général, ainsi que des données météorologiques et des caractéristiques du bâtiment et prédit
en sortie la consommation de chacun des usages sur le site.
Il est possible de grandement améliorer la performance de ce type de modèle en réalisant une
installation temporaire de capteurs sur les sites étudiés (pour une durée minimum d’une semaine),
pendant une période prédéfinie de l’année. Cela fournit au modèle une information sur la répartition
normale des usages sur le site et améliore la précision des prévisions, même sur des périodes très
différentes de celle où avait été posés les capteurs.
14 https://www.ifri.org/sites/default/files/atoms/files/desarnaud_cybersecurite_2017_sl.pdf
http://www.smartgrids-cre.fr/index.php?p=gestion-donnees-cyber-securite
http://data.over-blog-kiwi.com/1/87/83/64/20151031/ob_b39ecc_livre-blanc-sur-la-cybersecurite-des-r.pdf
Ethique & Cybersécurité
14
Les réseaux électriques à toutes les échelles deviennent “smart” et deviennent également des réseaux
dans lesquels de l’information est récupérée, circule, est échangée, interprétée, etc. entre les différents
points, qu’ils soient petits ou gros consommateurs, petits ou grands producteurs, flexibles ou non,
prévisibles ou non, voire des nœuds du réseau ou des objets connectés adjacents. Cette complexité
accrue apporte de nouveaux challenges en termes de sûreté, combinant sûreté du réseau (et la sécurité
d’approvisionnement correspondante), sûreté de l’information (informations personnelles, données
process sur des consommateurs essentiels, données business, etc.), sûreté des installations de
production ou de consommation. Les scénarios catastrophes sont nombreux, et pour certains réels,
comme par exemple la “prise en otage” de l’approvisionnement électrique (exemple de l’attaque sur
les réseaux de distribution ukrainiens en 2015)
L’IA a un rôle à jouer à différents niveaux
x Conception des systèmes et des réseaux (capacité à simuler et à anticiper les points faibles)
x Détections de signaux faibles précurseurs d’attaque
x Capacité à transférer rapidement d’une boucle du réseau à une autre les apprentissages pour
détecter les menaces émergentes (en adaptant les méthodes de détection à la topologie locale
du réseau)
2.2.2.4.3 Exemples de projets
Exemples de projets industriels
Prévision de consommation électrique et de facture individuelle à la fin du mois
En utilisant les données historiques de consommation d’un site (compteur d’électricité général) ainsi
que des données caractéristiques du site (surface, étage, occupation, ...) et des données
météorologiques, l’IA élabore des modèles permettant de prédire les volumes des différents types
d’heures du contrat de ce site (heures pleines / creuses / pointes) ainsi que la prévision des factures. La
sortie du modèle est le volume total de consommation du mois. La précision de cette estimation
s’améliore au fur et à mesure que l’on obtient plus d’informations au cours du mois étudié.
Désagrégation de courbe de charge avec ou sans capteurs.
En partant d’un ensemble réduit de sites équipés d’une instrumentation précise qui mesurent la
consommation électrique de chacun des usages (chauffage, climatisation, éclairage, serveurs, …), il
est possible d’entraîner à l’aide du Machine Learning un modèle capable de généraliser à un plus
grand nombre de sites similaires. Le modèle prend en entrée la consommation instantanée mesurée au
compteur général, ainsi que des données météorologiques et des caractéristiques du bâtiment et prédit
en sortie la consommation de chacun des usages sur le site.
Il est possible de grandement améliorer la performance de ce type de modèle en réalisant une
installation temporaire de capteurs sur les sites étudiés (pour une durée minimum d’une semaine),
pendant une période prédéfinie de l’année. Cela fournit au modèle une information sur la répartition
normale des usages sur le site et améliore la précision des prévisions, même sur des périodes très
différentes de celle où avait été posés les capteurs.
14 https://www.ifri.org/sites/default/files/atoms/files/desarnaud_cybersecurite_2017_sl.pdf
http://www.smartgrids-cre.fr/index.php?p=gestion-donnees-cyber-securite
http://data.over-blog-kiwi.com/1/87/83/64/20151031/ob_b39ecc_livre-blanc-sur-la-cybersecurite-des-r.pdf