Constellation, le dépôt institutionnel de l'Université du Québec à Chicoutimi

Résumé

La détection du vol d’électricité dans les réseaux intelligents constitue un enjeu majeur pour les systèmes énergétiques modernes, en raison de l’impact économique significatif des pertes non techniques et de la complexité croissante des infrastructures de mesure avancées. Avec la généralisation des compteurs intelligents, de grandes quantités de données temporelles sont désormais disponibles, ouvrant la voie à des approches basées sur l’apprentissage automatique.

Ce mémoire propose une étude comparative des principales approches utilisées pour la détection du vol d’électricité, incluant les méthodes classiques de Machine Learning, les modèles d’apprentissage profond et les approches émergentes en apprentissage automatique quantique. Une attention particulière est portée aux modèles hybrides quantique-classique, qui visent à combiner la capacité expressive des circuits quantiques avec la robustesse des algorithmes classiques.

L’objectif principal est d’analyser la performance, la robustesse et la capacité de généralisation de ces différentes approches sur des données de consommation énergétique issues de réseaux intelligents. Le travail met également en évidence les limites des approches classiques face à des données bruitées, déséquilibrées et évolutives.

Les résultats et analyses présentés dans ce mémoire contribuent à une meilleure compréhension des approches hybrides pour la détection des fraudes énergétiques et ouvrent la voie à de futures recherches dans le domaine de l’intelligence artificielle quantique appliquée aux systèmes énergétiques.

L’IA générative a été utilisée uniquement pour des suggestions ou des corrections mineures (orthographe, grammaire) ainsi que pour l’amélioration d’éléments visuels, tels que l’ajout d’un titre ou d’une légende, ou encore la traduction d’éléments présents dans une image.