Intelligence Artificielle pour l'analyse et la surveillance des Smart Grids

Le Doyen de la Faculté des Sciences et Techniques de Béni Mellal porte à la connaissance du public que Monsieur Mouad BENSALAH, soutiendra une thèse de Doctorat intitulée : «Intelligence Artificielle pour l'analyse et la surveillance des Smart Grids».

La soutenance publique aura lieu le Samedi 27 Juin 2026 à 10h30 à l’Amphi 6, à la Faculté des Sciences et Techniques de Béni Mellal, devant le jury composé de :

• Madame Najlae IDRISSI : Professeure, Faculté des Sciences et Techniques, Université Sultan Moulay Slimane, Béni Mellal, Présidente/Rapporteure ;

• Monsieur Badreddine CHERKAOUI : Maître de Conférences Habilité, Ecole Supérieure de Technologie, Université Chouaib Doukkali, Sidi Bennour, Rapporteur ;

• Monsieur Hicham OUCHITACHEN : Maître de Conférences Habilité, Faculté Polydisciplinaire, Université Sultan Moulay Slimane, Béni Mellal, Rapporteur ;

• Madame Houda CHAKIB : Maître de Conférences Habilité, Faculté des Sciences et Techniques, Université Sultan Moulay Slimane, Béni Mellal, Examinatrice ;

• Monsieur Anouar DARIF : Maître de Conférences Habilité, Faculté Polydisciplinaire, Université Sultan Moulay Slimane, Béni Mellal, Examinateur ;

• Monsieur Abdellatif HAIR : Professeur, Faculté des sciences et techniques, Université Sultan Moulay Slimane, Béni Mellal, Directeur de thèse .

Résumé: 

Dans un contexte de transition énergétique accélérée, les réseaux intelligents jouent un rôle central dans la gestion décentralisée, sécurisée et performante de l’énergie. Toutefois, plu-sieurs défis persistent, notamment la prévision précise de la demande, la classification en temps réel des états de stabilité du réseau, la détection des comportements frauduleux et la sécurisation des transactions énergétiques. Cette thèse propose une approche intégrée fondée principalement sur l’Intelligence Artificielle, appuyée par l’Internet des Objets et une architec-ture blockchain embarquée.

Le premier axe de contribution concerne la prévision de la charge électrique à partir de jeux de données urbains marocains, incluant Tétouan (2017) et quatre sites multi-zones (Laâyoune, Boujdour, Foum El Oued et Marrakech) couvrant la période 2022-2024. Les modèles statis-tiques saisonniers tels que SARIMA ont démontré leur pertinence dans des contextes homo-gènes caractérisés par une saisonnalité régulière. En revanche, dans des environnements plus hétérogènes, les méthodes d’apprentissage automatique se sont révélées plus robustes. Les modèles d’ensemble, notamment Random Forest et XGBoost, ont su capter les relations non linéaires et exploiter efficacement les variables temporelles dérivées, atteignant des MAPE in-férieurs à 5% dans plusieurs scénarios. L’introduction d’une validation de type walk-forward a permis d’évaluer ces modèles dans des conditions proches de l’exploitation réelle. Un modèle profond hybride, PLCNet-LSTM, combinant convolutions et couches LSTM, a également été proposé ; il s’est distingué par sa capacité à anticiper des fluctuations complexes, en complé-ment des méthodes d’ensemble.

Le deuxième axe porte sur la classification opérationnelle de la stabilité du réseau à partir de mesures réelles collectées dans cinq zones de la ville de Laâyoune. Une labellisation fondée sur la règle statistique Sigma (score Z) permet de définir trois états interprétables : Stable, Alerte et Critique. L’intégration d’une mémoire courte améliore significativement la détection des tran-sitions dynamiques, avec un macro-F1 supérieur à 0,83. Les modèles d’ensemble, en particulier Random Forest et XGBoost, offrent les meilleurs compromis entre stabilité inter-zones et rap-pel de la classe Critique, tandis que les techniques de rééquilibrage supervisé renforcent la dé-tection des états rares.

Le troisième axe concerne la détection de fraude énergétique. Les architectures hybrides CNN-LSTM se distinguent par leur capacité à combiner extraction de motifs locaux et modélisation des dépendances temporelles, réduisant les faux positifs tout en améliorant rappel et préci-sion. Le pipeline développé intègre une labellisation semi-automatique et des techniques de rééquilibrage telles que SMOTE et SMOTE-ENN afin de mieux traiter le déséquilibre des classes.

Enfin, une architecture embarquée basée sur une carte Orange Pi 4 a été développée pour as-surer l’acquisition, la gestion locale et la traçabilité sécurisée des données énergétiques. Elle intègre un mécanisme léger de blockchain garantissant l’enregistrement des transactions dans des environnements à ressources limitées, avec un débit stable et une consommation maîtrisée des ressources.

Mots-clés : Intelligence Artificielle, Smart Grids, Prévision de charge, Classification de la stabili-té, Séries temporelles, Machine Learning, Mémoire temporelle, Détection d’anomalies, Block-chain.