DOSSIER DE MÉTHODE
Cascade-GNN
Défaillances en cascade des réseaux électriques : pipeline de classification sur graphes et méthode de validation.
Dans ce document
01 · Problème#
Comment représenter un réseau électrique et ses défaillances pour étudier la classification sur graphes ? Le prototype explore une méthode de recherche, sans revendiquer une prévision opérationnelle.
02 · Données PowerGraph#
PowerGraph est le jeu de données utilisé dans le pipeline décrit par mon CV et le dépôt. La version exacte, le sous-ensemble et les identifiants de scénarios devront accompagner toute publication de résultats.
03 · Représentation en graphe#
Le réseau est représenté par des nœuds et des liaisons. Le sens des variables d’entrée, des étiquettes et de leur instant d’observation doit être explicité dans une configuration d’expérience avant d’interpréter les prédictions.
04 · Pipeline#
- PowerGraph
- Import & préparation
- Partitions
- GNN / XGBoost
- Métriques & attribution
Le périmètre existant comprend l’import des données, les modèles GNN, une référence XGBoost, les métriques, l’attribution sur les lignes et les tests.
05 · Entraînement, validation, test#
Protocole de consolidation : identifier les scénarios avant toute partition ; séparer les groupes liés ; réserver le test à l’évaluation finale. L’ajustement des transformations et le choix des modèles utilisent uniquement les partitions autorisées.
- Scénarios identifiés
- Séparation par groupes
- Train / validation
- Test réservé
Ce protocole décrit les exigences de validation. Les fichiers de partitions, la configuration et le commit du prochain résultat devront permettre de les vérifier.
06 · Prévention des fuites#
Des scénarios corrélés dans plusieurs partitions, une normalisation ajustée sur tout le jeu ou des variables postérieures à l’événement peuvent rendre une évaluation trompeuse.
Lire la note méthodologique07 · Référence XGBoost#
Comparer le GNN à XGBoost sur les mêmes partitions et la même cible. La présence de la référence est documentée ; aucune supériorité chiffrée n’est publiée ici.
08 · Architecture GNN#
Le prototype utilise PyTorch et PyTorch Geometric. Le dépôt est la référence pour les couches et paramètres réellement implémentés ; cette page ne leur attribue pas une architecture ou une version non vérifiée.
09 · Métriques#
Pour la prochaine évaluation : publier les effectifs de classes, la matrice de confusion, la précision, le rappel et le F1, avec leur mode d’agrégation. Le choix final dépend de la cible et du coût des erreurs.
10 · Explicabilité#
L’attribution sur les lignes fait partie du périmètre du prototype. Une attribution décrit la sensibilité du modèle ; elle ne prouve pas une causalité physique ni une défaillance future.
11 · Reproductibilité & tests#
Le pipeline et les tests sont décrits dans le dépôt. Pour chaque résultat publiable, archiver la commande, l’environnement, les graines, la configuration, les partitions et le commit. Aucun dernier résultat de CI n’est attesté par cette page.
12 · Résultats#
Un tableau de résultats sera ajouté lorsque le jeu/version, les partitions, la référence, les métriques, les graines, la moyenne/dispersion et le commit pourront être fournis ensemble.
13 · Limites#
Un résultat sur des données de simulation ne démontre pas la généralisation à un réseau exploité. La distribution des scénarios, la définition de la cible et les fuites potentielles doivent rester au centre de l’analyse.