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

Résumé

Chez Hydro-Québec, la gestion du réseau de distribution électrique exige une association fiable entre les avis clients et les interruptions planifiées, condition sine qua non d’un calcul précis de l’indicateur TRIP. L’approche actuelle basée sur des règles déterministes montrent cependant des limites face à la complexité et à l’ambiguïté des situations qui peuvent survenir sur le terrain, générant un volume non négligeable d’entités non associées qui dégradent la fiabilité de cet indicateur.

Ce mémoire propose un cadre exploratoire hybride combinant le Machine Learning classique et les capacités de raisonnement des Large Language Models (LLM). La tâche d’association entre avis et interruptions planifiées est formalisée comme un problème de classification, entraîné sur un jeu de données constitué des associations historiques réalisées à partir des règles d’association de base. Les caractéristiques mobilisées incluent notamment les dates des événements, les causes signalées, les équipements impactés, etc. Les données étant de nature sensible, elles font l’objet de restrictions de publication sans que cela n’affecte la validité des résultats.

Afin de pallier le manque de transparence des modèles de classification dans des contextes décisionnels critiques, le cadre intègre la méthode SHAP (SHapley Additive exPlanations) pour interpréter les prédictions, en ciblant spécifiquement les faux positifs. Les valeurs SHAP, combinées à des échantillons de données, sont ensuite injectées dans un prompt LLM jouant le rôle d’interprète. L’usage de modèles de raisonnement intégrant nativement la technique Chainof-Thought (CoT) permet de générer des étapes de raisonnement intermédiaires, facilitant l’identification de nouvelles tendances et la généralisation de règles d’association plus robustes.

Les résultats obtenus démontrent que cette approche hybride réduit significativement le nombre d’avis et d’interruptions planifiées non appariés et améliore la fiabilité du calcul de l’indicateur TRIP, tout en offrant une explicabilité opérationnelle que seuls les experts métier sont en mesure d’apprécier.