Duke Energy a réduit ses pannes de réseau de 40 % avec des capteurs IA

En 2022, Duke Energy exploitait un parc d'actifs dont l'âge moyen dépassait trente ans : transformateurs de puissance, disjoncteurs haute tension, turbines à gaz à cycle combiné, lignes de transport. La maintenance suivait encore largement un calendrier fixe, dicté par les recommandations des fabricants et les exigences des standards NERC FAC et MOD, non par l'état réel des équipements. Résultat : des interventions parfois inutiles sur du matériel en bon état, et des défaillances imprévues sur des actifs qui, selon les capteurs installés, montraient des signes de dégradation depuis des semaines.

La pression réglementaire amplifie le problème. Une violation des standards NERC CIP ou TPL peut déclencher des pénalités allant jusqu'à 1 million de dollars par jour par violation, sans compter les procédures FERC et les révisions tarifaires imposées dans les rate cases devant les commissions d'État de Caroline du Nord et de Floride. Duke devait donc démontrer, chiffres à l'appui, que ses actifs respectaient les marges de fiabilité prescrites. Un transformateur de 500 kV tombant en dehors d'une fenêtre de maintenance planifiée, c'est une dérogation NERC à expliquer, une page de rapport FERC à rédiger et, potentiellement, un avocat en audience publique.

Ce que Duke Energy a réellement fait avec ses données de capteurs

À partir de 2023, Duke a déployé une plateforme de maintenance prédictive sur ses sous-stations de transmission, en commençant par les 38 sous-stations à haute criticité de son territoire carolinien. Le programme repose sur trois couches techniques distinctes.

Première couche : l'instrumentation. Des capteurs de vibration, de température, de teneur en gaz dissous (DGA pour dissolved gas analysis) et de décharge partielle ont été rétroinstallés sur des transformateurs en service, sans remplacement préalable. La DGA est particulièrement révélatrice : la présence d'acétylène dans l'huile isolante d'un transformateur signale une décomposition thermique potentiellement catastrophique bien avant qu'une inspection visuelle ne détecte quoi que ce soit.

Deuxième couche : l'agrégation et le nettoyage des données. Duke a intégré ces flux de capteurs dans son système SCADA existant via des passerelles OT/IT, puis les a acheminés vers une plateforme d'analyse cloud sécurisée. C'est là queles équipes techniques butent le plus souvent sur des problèmes de qualité de données : données manquantes sur les capteurs anciens, étiquetage incohérent des actifs entre systèmes, horodatages désynchronisés entre SCADA et ERPERPUn système intégré unique qui gère les opérations clés : finance, achats, supply chain, RH et production sur des données partagées.Voir la définition complète →.

Troisième couche : les modèles. Duke a adopté des modèles de survie probabilistes combinés à des réseaux de neurones récurrents (LSTM) pour détecter des patterns d'anomalie sur des séries temporelles de mesures électriques. Les alertes sont classées par criticité et transmises aux équipes de maintenance via un tableau de bord intégré dans leur système de gestion des ordres de travail (IBM Maximo, dans leur cas).

Un point de gouvernance mérite attention : Duke a maintenu une validation humaine obligatoire sur toute alerte de niveau 1 avant déclenchement d'une intervention non planifiée. Ce n'est pas une posture conservatrice, c'est une exigence de leurs process internes de sûreté et une précaution vis-à-vis des auditeurs NERC.

Duke Energy a-t-elle publié des chiffres vérifiables sur ce programme ?

Oui, partiellement. Duke Energy a communiqué publiquement une réduction d'environ 40 % des pannes non planifiées sur les actifs couverts par le programme, lors de ses rapports annuels 2024 et 2025 aux investisseurs. La société a également cité une réduction des coûts de maintenance corrective de l'ordre de 25 % sur le périmètre pilote, ce qui représente des dizaines de millions de dollars à l'échelle de son réseau de 300 000 kilomètres de lignes. Ces chiffres n'ont pas été audités indépendamment et portent sur le périmètre déployé, non sur l'intégralité du réseau.

Ce que l'on sait avec certitude via les dépôts FERC : Duke a invoqué ces résultats dans ses demandes de révision tarifaire pour justifier des investissements en capital dans l'infrastructure numérique. Les commissions de Caroline du Nord ont accepté une partie de ces coûts en base tarifaire, ce qui valide implicitement la méthode devant un régulateur sceptique par construction.

Côté production, le programme s'est étendu aux turbines à gaz des centrales Belews Creek et Marshall, où les capteurs de vibration sur les paliers de turbine ont permis de détecter deux défaillances imminentes avant arrarrL'Annual Recurring Revenue (ARR) est le revenu normalisé et prévisible qu'une entreprise par abonnement attend de ses contrats actifs sur une année.Voir la définition complète →êt forcé. Chaque arrêt forcé non planifié sur une unité de 600 MW représente un coût de remplacement sur le marché de gros de l'ordre de 500 000 à 1,5 million de dollars par jour selon les conditions de prix PJM ou SERC, en plus des pénalités de disponibilité contractuelles.

Les leçons que d'autres utilities peuvent retenir de ce cas

L'expérience Duke confirme plusieurs points que les chefs de projet IA dans les utilities apprennent généralement à leurs dépens.

Le choix des actifs pilotes n'est pas technique, il est économique et réglementaire. Un transformateur de 345 kV sur un nœud de transmission critique a une valeur de défaillance évitable dix fois supérieure à un transformateur de distribution 12 kV. Commencer là où le coût de la panne est documenté et défendable devant un régulateur, c'est ce qui permet decalculer un ROIROIReturn on Investment : le rapport entre le profit net et le coût d'un investissement. Un ROI de 300 % signifie que chaque dollar investi en rapporte 3.Voir la définition complète → crcrLe pourcentage de visiteurs ou de prospects qui réalisent une action attendue (achat, inscription, formulaire de contact), calculé en divisant les conversions par le nombre total d'opportunités.Voir la définition complète →édible pour le premier pilote et de convaincre un CFO habitué à raisonner en base tarifaire.

La DGA reste sous-utilisée dans de nombreuses utilities de taille moyenne. Le matériel est disponible depuis des années, l'interprétation des gaz dissous (hydrogène, méthane, éthylène, acétylène) obéit à des normes IEEE et IEC établies, et les modèles de détection d'anomalie s'entraînent sur des données publiques. Ce n'est pas un sujet de recherche, c'est un sujet de déploiement opérationnel.

Là où le contexte de Duke ne se transpose pas directement : une utility rurale coopérative ou un municipal utility district sans département IT dédié n'a pas les ressources d'intégration OT/IT que Duke a mobilisées sur deux ans. Le cas Duke est reproductible dans sa logique, pas dans ses délais ni dans son budget d'ingénierie.

La variable qui fait le plus souvent échouer les programmes similaires n'est pas algorithmique. C'est l'absence de données d'historique de défaillance fiables pour entraîner les modèles de survie. Duke avait trente ans de tickets Maximo. Une utility qui migre depuis des carnets papier part de beaucoup plus loin.

L'IA prédictive sur les actifs de réseau produit des résultats mesurables quand elle s'appuie sur une instrumentation physique déjà en place et sur un historique de maintenance structuré. L'investissement décisif chez Duke n'a pas été l'algorithme, c'est l'intégration des données entre SCADA, ERP et le système de gestion des ordres de travail. Les utilities qui veulent reproduire ces résultats doivent auditer cette couche avant de sélectionner un modèle.

Le parcours complet sur ce secteur :IA dans Énergie & Utilities.