FR3015717A1 - METHOD FOR DETECTING ANOMALY IN A MEASUREMENT SIGNAL - Google Patents

Abstract

L'invention concerne le domaine des techniques de détection d'une anomalie dans un signal de mesure issu d'un nœud observé Y d'un réseau. Le réseau peut plus particulièrement comprendre une structure arborescente comprenant, outre le nœud observé Y, une pluralité de nœuds non-observés Z1, Z2,... Zp connecté au nœud observé. L'anomalie à détecter est plus particulièrement susceptible de survenir au niveau des nœuds non-observés. L'invention consiste à exprimer le signal de mesure comme une somme de fonctions adaptatives de variables explicatives, chaque fonction déterminant un comportement attendu du signal de mesure en fonction d'une des variables explicatives et pouvant être adaptée aux observations successives du signal de mesure, pour détecter toute anomalie comme une adaptation d'au moins une des fonctions allant au-delà d'une limite acceptable.The invention relates to the field of techniques for detecting an anomaly in a measurement signal coming from an observed node Y of a network. The network may more particularly comprise a tree structure comprising, in addition to the observed node Y, a plurality of unobserved nodes Z1, Z2,... Zp connected to the observed node. The anomaly to be detected is more particularly likely to occur at the level of the unobserved nodes. The invention consists in expressing the measurement signal as a sum of adaptive functions of explanatory variables, each function determining an expected behavior of the measurement signal as a function of one of the explanatory variables and which can be adapted to the successive observations of the measurement signal. to detect any abnormality as an adaptation of at least one of the functions going beyond an acceptable limit.

Description

Procédé de détection d'une anomalie dans un signal de mesure L'invention concerne le domaine des techniques de détection d'anomalies dans un signal de mesure. L'invention concerne plus particulièrement le domaine des techniques de détection d'anomalies dans un signal de mesure issu d'un noeud observé Y d'un réseau. Le réseau concerné peut comprendre une structure arborescente, telle qu'illustrée à titre exemplatif sur la figure 1, qui, outre le noeud observé Y, cette structure arborescente comprend une pluralité de noeuds non-observés Z1, Z2, ... Zp. Chaque noeud non-observé est connecté au noeud observé Y ; un noeud non-observé pourra par la suite être appelé « particule » du noeud observé. Le signal de mesure y issu du noeud observé Y est supposé être une somme de sous-signaux z1, z2, ..., Zp qui seraient issus des particules Z1, Z2, ..., Zp du noeud observé Y, si ces particules étaient observées. En ce sens, le noeud observé est considéré être, comme illustré sur la figure 1, situé en amont de la structure arborescente par rapport à ses particules. Dans ce contexte, il est avantageux de savoir détecter une anomalie susceptible de survenir au niveau des particules Z1, Z2, ... , Zp d'un noeud observé Y de l'arborescence, autrement dit à un niveau aval non-observé de l'arborescence par rapport au noeud observé Y. Bien que la solution présentement proposée ne soit pas limitée à une application au réseau de distribution d'énergie électrique, mais peut au contraire être étendue à tout réseau ayant une structure arborescente telle qu'illustrée sur la figure 1, comme des réseaux de distribution de gaz ou d'eau par exemple, les problèmes liés à la détection d'anomalies dans ce type de structure sont explicités ci-dessous dans le contexte particulièrement illustratif des réseaux de distribution d'énergie électrique. Des techniques de détection d'anomalies d'un réseau électrique qui reposent sur des principes de détection d'anomalies directement sur le signal 3015 717 2 de mesure ont d'ores et déjà été développées. Parmi ces techniques, de nombreux algorithmes de détections d'anomalies prenant la forme de détection de ruptures du signal de mesure ont été proposés dans la littérature, que ce soit en traitement du signal, en 5 traitement d'images ou en statistiques, et éventuellement en application dans les réseaux électriques. Par exemple, des méthodes de détection d'anomalies "simples" consistent à mesurer l'écart entre une valeur observée du signal de mesure et la valeur nominale que le signal de mesure devrait avoir (EP 0049235 Al : 10 « Procédé de détection de perturbations d'une tension électrique alternative provoquant la commutation de l'utilisation vers une autre source de courant »). Par un autre exemple, des méthodes de détection d'anomalies sur des signaux de mesure compressés consistent essentiellement en l'utilisation de méthodes statistiques (EP 1122646 B1 : « Procédé de détection d'anomalies 15 dans un signal »). Ces solutions présentent certains inconvénients. Par exemple, dès lors qu'est détectée une rupture du signal de mesure lui-même, deux anomalies se compensant l'une l'autre pour une variation sensiblement nulle du signal de mesure ne peuvent être détectées. En outre, la mise en oeuvre de ces 20 solutions peut nécessiter l'installation sur le réseau de dispositifs électrotechniques dédiés. Par ailleurs, de nouveaux aléas viennent perturber les flux de distribution d'énergie électrique (essor de production d'énergies intermittentes, « effacement » de la consommation, évolution des comportements de 25 consommation sous l'effet de dynamique commerciale et/ou environnementale, etc.). Il s'impose aux acteurs du réseau de distribution d'énergie électrique de savoir détecter ces aléas subis, de les localiser et le cas échéant de réagir suffisamment vite à leur survenance. En ce sens, de nouveaux outils de mesures sont déployés, tels que les compteurs communicants (Linky® sur le réseau de distribution d'énergie électrique en France) dans le cadre des « Smart Grids » (pour réseau électrique de distribution « intelligent »), qui apportent de plus en plus d'informations à analyser et offrent la possibilité de réaliser des analyses plus complexes. En particulier, couplés à des techniques d'estimations statistiques avancées, ils permettent d'estimer des composantes de consommations individuelles (consommation liée au chauffage, << effacement » de consommation, etc.) alors qu'il est souvent impossible de réaliser des mesures directes de ces composantes.The invention relates to the field of anomaly detection techniques in a measurement signal. The invention relates more particularly to the field of anomaly detection techniques in a measurement signal from an observed node Y of a network. The network concerned may comprise a tree structure, as illustrated by way of example in FIG. 1, which, in addition to the observed node Y, this tree structure comprises a plurality of unobserved nodes Z1, Z2,... Each non-observed node is connected to the observed node Y; a non-observed node can be called "particle" of the observed node. The measurement signal y coming from the observed node Y is supposed to be a sum of subsignals z1, z2,..., Zp that would have come from the particles Z1, Z2,..., Zp of the observed node Y, if these particles were observed. In this sense, the observed node is considered to be, as illustrated in Figure 1, located upstream of the tree structure with respect to its particles. In this context, it is advantageous to know how to detect an anomaly that may occur at the level of the particles Z1, Z2,..., Zp of an observed node Y of the tree, in other words at a non-observed downstream level of the tree. of the observed node Y. Although the presently proposed solution is not limited to an application to the electric power distribution network, but can instead be extended to any network having a tree structure as illustrated in FIG. As shown in FIG. 1, such as distribution networks for gas or water, the problems related to the detection of anomalies in this type of structure are explained below in the particularly illustrative context of the electrical energy distribution networks. Anomaly detection techniques of an electrical network that rely on fault detection principles directly on the measurement signal have already been developed. Among these techniques, numerous anomaly detection algorithms taking the form of detection of breaks in the measurement signal have been proposed in the literature, whether in signal processing, in image processing or in statistics, and possibly in application in the electrical networks. For example, "simple" anomaly detection methods consist in measuring the difference between an observed value of the measurement signal and the nominal value that the measurement signal should have (EP 0049235 A1: 10 "Disturbance detection method an alternating voltage causing switching of the use to another source of current "). By another example, methods for detecting anomalies on compressed measurement signals consist essentially in the use of statistical methods (EP 1122646 B1: "Method of detecting anomalies in a signal"). These solutions have certain disadvantages. For example, since a break in the measurement signal itself is detected, two anomalies compensating each other for a substantially zero variation of the measurement signal can not be detected. In addition, the implementation of these solutions may require the installation on the network of dedicated electrotechnical devices. Moreover, new hazards are disrupting the distribution of electrical energy (growth of intermittent energy production, "erasure" of consumption, changes in consumption behavior under the effect of commercial and / or environmental dynamics, etc.). It is imperative for the actors of the electricity distribution network to be able to detect these hazards, to locate them and if necessary to react quickly enough to their occurrence. In this sense, new measurement tools are deployed, such as smart meters (Linky® on the French electricity distribution network) as part of the "Smart Grids" (for "smart" distribution grid). , which bring more and more information to analyze and offer the possibility of carrying out more complex analyzes. In particular, coupled with advanced statistical estimation techniques, they make it possible to estimate individual consumption components (consumption related to heating, consumption "erasure", etc.) whereas it is often impossible to measure of these components.

Dans ce contexte, la présente invention propose un procédé fiable et robuste de détection d'une anomalie dans un signal de mesure issu d'un noeud observé Y d'une structure arborescente, l'anomalie étant susceptible de survenir à un niveau non-observé de la structure arborescente. A cette fin, le procédé de détection d'une anomalie dans un signal de mesure issu d'un noeud observé Y d'un réseau selon l'invention est essentiellement tel qu'il comprend : - exprimer une valeur yt du signal de mesure à un instant t comme une somme de valeurs de fonctions (fi,t, ---, fi,t, ---, fN,t), chaque fonction fi,t dépendant d'une variable Xi parmi un ensemble de variables (X1, ..., XN) et chaque valeur de fonction fi,t étant prise à une valeur xi donnée de la variable Xi correspondante, chaque fonction fi,t déterminant un comportement attendu à l'instant t du signal de mesure, - à un instant t+At, observer la valeur yt+At du signal de mesure, - adapter au moins une fonction fi,t à la valeur yt+At observée du signal de mesure pour obtenir une fonction adaptée fi,t+m, chaque fonction adaptée fi,t+At étant susceptible de déterminer un comportement attendu à l'instant 4,81 du signal de mesure, - à partir de chaque fonction adaptée fi,t+At obtenue, calculer une valeur d(fi,t+At,fi,t) de variation de la fonction fi,t, cette valeur d(fi,t+ot,fj,t) quantifiant une variation du comportement attendu du signal de mesure entre les instants t et t+At, - comparer la valeur d(fi,t+At,fi,t) de variation de la fonction fi,t à une valeur seuil Mi prédéterminée correspondant à une limite de variation de la fonction fi,t entre les instants t et t+At, et - si la valeur d(fi,t+At,fi,t) de variation de la fonction fi,t est supérieure à ladite valeur seuil Mi, détecter l'anomalie comme une variation du comportement attendu du signal de mesure entre les instants t et 4,81 supérieure à une limite acceptable de variation dudit comportement. Le procédé permet ainsi avantageusement de détecter une anomalie comme un changement de comportement jugé inacceptable d'au moins une composante du signal de mesure, chaque composante fi,t étant estimée en fonction d'une variable Xi exogène au signal de mesure, pour une détection d'anomalies plus fiable et plus robuste qu'une détection d'anomalies sur le signal de mesure lui-même. Selon une particularité, le réseau est une structure arborescente, l'anomalie est susceptible de survenir à un niveau non-observé de la structure arborescente, et l'ensemble de variables (X1, ..., ..., XN) comprend au moins une variable relative à un état du niveau non-observé de la structure arborescente. Le procédé permet ainsi avantageusement de détecter une anomalie de façon corrélée à une architecture particulière du réseau. Selon une particularité, ladite au moins une fonction fi,t est en outre adaptée à une valeur xi de la variable Xi à l'instant t+At. Le procédé permet ainsi avantageusement de prendre en compte une éventuelle variation des liens du signal aux différentes variables entre deux observations du signal de mesure.In this context, the present invention provides a reliable and robust method for detecting an anomaly in a measurement signal from an observed node Y of a tree structure, the anomaly being likely to occur at a non-observed level. of the tree structure. To this end, the method for detecting an anomaly in a measurement signal coming from an observed node Y of a network according to the invention is essentially such that it comprises: expressing a value yt of the measurement signal at a moment t as a sum of function values (fi, t, ---, fi, t, ---, fN, t), each function fi, t depending on a variable Xi among a set of variables (X1 , ..., XN) and each function value fi, t being taken at a given value xi of the corresponding variable Xi, each function fi, t determining an expected behavior at the instant t of the measurement signal, - at a time t + At, observe the value yt + At of the measurement signal, - adapt at least one function fi, t to the observed value yt + At of the measurement signal to obtain a suitable function fi, t + m, each adapted function fi, t + At being able to determine an expected behavior at the moment 4,81 of the measurement signal, - from each adapted function fi, t + At obtained, compute a the value d (fi, t + At, fi, t) of variation of the function fi, t, this value d (fi, t + ot, fj, t) quantifying a variation of the expected behavior of the measurement signal between the instants t and t + Δt, - compare the value d (fi, t + Δt, fi, t) of variation of the function fi, t with a predetermined threshold value Mi corresponding to a limit of variation of the function fi, t between the instants t and t + At, and - if the value d (fi, t + Δt, fi, t) of variation of the function fi, t is greater than said threshold value Mi, detecting the anomaly as a variation of the expected behavior measuring signal between times t and 4.81 greater than an acceptable limit of variation of said behavior. The method thus advantageously makes it possible to detect an anomaly such as a change in behavior deemed unacceptable by at least one component of the measurement signal, each component fi, t being estimated as a function of a variable X exogenous to the measurement signal, for a detection of anomalies more reliable and more robust than detection of anomalies on the measurement signal itself. According to a feature, the network is a tree structure, the anomaly is likely to occur at a non-observed level of the tree structure, and the set of variables (X1, ..., ..., XN) comprises minus a variable relating to a state of the unobserved level of the tree structure. The method thus advantageously makes it possible to detect an anomaly correlatively to a particular architecture of the network. According to a feature, said at least one function f1, t is further adapted to a value xi of the variable Xi at time t + At. The method thus advantageously makes it possible to take into account a possible variation of the links of the signal to the different variables between two observations of the measurement signal.

Selon une autre particularité, le procédé comprend en outre : remplacer, dans l'expression de la valeur yt du signal de mesure y à un instant t, chaque fonction fp ayant été adaptée par la fonction adaptée fi,t+At correspondante, en substituant l'indice temporel t+At par l'indice temporel t.According to another feature, the method further comprises: replacing, in the expression of the value yt of the measurement signal y at a time t, each function fp that has been adapted by the corresponding function f1, t + At corresponding, substituting the temporal index t + At by the temporal index t.

Le procédé permet ainsi avantageusement de mettre à profit les adaptations antérieures du comportement de chaque composante du signal de mesure pour une détection ultérieure. Selon une autre particularité, au moins une fonction fp est apprise, selon un modèle d'apprentissage, à partir de valeurs du signal de mesure observées antérieurement à l'instant t. Le procédé permet ainsi avantageusement que chaque composante du signal de mesure à l'instant t soit significative d'une évolution antérieure du signal de mesure. Selon une variante de la particularité précédente, adapter ladite au moins une fonction fp comprend implémenter le modèle d'apprentissage. Le procédé permet ainsi avantageusement d'intégrer l'adaptation de chaque composante du signal de mesure à l'apprentissage de l'évolution du signal de mesure. Selon une autre particularité, pendant l'intervalle de temps At, un nombre d'observations successives du signal de mesure est réalisé qui est fixé indépendamment pour chaque fonction fi,t en fonction d'une variabilité temporelle de la variable Xi correspondante par rapport à l'intervalle de temps At. Le procédé permet ainsi avantageusement de ne réaliser l'adaptation d'une composante du signal de mesure que lorsque celle-ci est susceptible d'être significative, notamment pour optimiser les ressources informatiques et la capacité de calculs. Selon une autre particularité, - le niveau non-observé de la structure arborescente comprend une pluralité de noeuds non-observés (Z1, Z2, ..., Zp) connectés au noeud observé Y pour former au moins une partie de la structure arborescente, - le signal de mesure correspond à une somme de sous-signaux (zi, z2, zp) issus des noeuds non-observés (Zi, Z2, ..., Zp), et - au moins une variable Xi est relative à un état d'au moins un des noeuds non-observés (Z1, Z2, ..., Zp) de la structure arborescente. Le procédé permet ainsi avantageusement de corréler l'anomalie détectée à au moins un noeud non-observé de la structure arborescente. Selon une autre particularité : - la structure arborescente est un réseau de distribution d'énergie électrique, - la valeur yt du signal de mesure est choisie parmi une tension efficace, une intensité efficace, une énergie active soutirée, et une puissance active ou réactive, instantanée ou moyenne, par phase, totale triphasée ou par quadrant, et - les variables Xj sont choisies parmi au moins un profil de consommation d'énergie électrique par consommateur ou groupe de consommateurs, des données relatives à un consommateur ou à un groupe de consommateurs, des données historiques de consommation et/ou de production d'énergie électrique par consommateur ou groupe de consommateurs, des données météorologiques et des données calendaires.The method thus advantageously makes it possible to take advantage of previous adaptations of the behavior of each component of the measurement signal for subsequent detection. According to another feature, at least one function fp is learned, according to a learning model, from values of the measurement signal observed before the instant t. The method thus advantageously makes it possible for each component of the measurement signal at time t to be significant of an earlier evolution of the measurement signal. According to a variant of the preceding feature, adapting said at least one function fp comprises implementing the learning model. The method thus advantageously makes it possible to integrate the adaptation of each component of the measurement signal to the learning of the evolution of the measurement signal. According to another particularity, during the interval of time At, a number of successive observations of the measurement signal is realized which is fixed independently for each function fi, t as a function of a temporal variability of the corresponding variable Xi with respect to the time interval At. The method thus advantageously makes it possible to perform the adaptation of a component of the measurement signal only when it is likely to be significant, in particular to optimize computing resources and computing capacity. According to another particularity, the unobserved level of the tree structure comprises a plurality of unobserved nodes (Z1, Z2,..., Zp) connected to the observed node Y to form at least a part of the tree structure, the measurement signal corresponds to a sum of sub-signals (zi, z2, zp) originating from the non-observed nodes (Zi, Z2, ..., Zp), and at least one variable Xi is relative to a state at least one of the unobserved nodes (Z1, Z2, ..., Zp) of the tree structure. The method thus advantageously makes it possible to correlate the detected anomaly with at least one non-observed node of the tree structure. According to another feature: the tree structure is an electrical energy distribution network, the value yt of the measurement signal is chosen from an effective voltage, an effective intensity, an active energy withdrawn, and an active or reactive power, instantaneous or average, per phase, total three-phase or quadrant, and - the variables Xj are chosen from at least one profile of electrical energy consumption per consumer or group of consumers, data relating to a consumer or a group of consumers , historical consumption and / or electricity production data by consumer or consumer group, meteorological data and calendar data.

Le procédé est ainsi avantageusement appliqué à un réseau de distribution d'énergie électrique. Selon une variante, à partir d'un ensemble de valeurs {x1} de la variable Xi à des instants antérieurs à l'instant t, de la valeur xi de la variable Xi à l'instant t et de la valeur xi de la variable Xi à l'instant t+At, la valeur d(fi,t+At,fi,t) de variation de la fonction fi,t est calculée comme une somme, sur un ensemble In comprenant lesdits instants antérieurs à l'instant t, l'instant t et l'instant t+At, de puissances paires de différences entre la valeur de la fonction fi,t et la valeur de la fonction adaptée fi,t+At correspondante, chaque différence étant prise à la valeur xi de la variable explicative Xi correspondante dans la somme. Le procédé permet ainsi avantageusement de quantifier le changement de comportement de chaque composante du signal de mesure sur une pluralité d'observations récentes de la variable Xi correspondante, pour une quantification plus juste.The method is thus advantageously applied to an electrical energy distribution network. According to a variant, from a set of values {x1} of the variable Xi at times prior to the instant t, of the value xi of the variable Xi at time t and the value xi of the variable Xi at time t + At, the value d (fi, t + At, fi, t) of variation of the function fi, t is calculated as a sum, on a set In comprising said instants prior to the instant t , the instant t and the moment t + At, of the pairs of differences between the value of the function fi, t and the value of the adapted function fi, t + At corresponding, each difference being taken at the value xi of the corresponding explanatory variable Xi in the sum. The method thus advantageously makes it possible to quantify the change in behavior of each component of the measurement signal on a plurality of recent observations of the corresponding variable Xi, for a more accurate quantification.

Selon une autre variante, à partir d'un ensemble de valeurs {xi} de la variable Xi à des instants antérieurs à l'instant t, de la valeur xi de la variable Xi à l'instant t et de la valeur xi de la variable Xi à l'instant t+At, et à partir d'une fonction de pondération Wk de la variable Xi définie sur le support de Xi, Wk étant une fonction de type noyau Gaussien, la valeur d(fi,t+At,fi,t) de variation de la fonction fi,t est calculée comme une somme, sur l'ensemble des valeurs {xi}, de puissances paires de différences entre la valeur de la fonction fi,t et la valeur de la fonction adaptée fi,t+At correspondante, chaque différence étant prise à une valeur xi de la variable Xi correspondante dans l'ensemble et étant pondérée par la valeur de la fonction de pondération Wk en cette valeur xi de la variable Xi. Le procédé permet ainsi avantageusement de quantifier le changement de comportement de chaque composante du signal de mesure sur une pluralité de valeurs de la variable Xi correspondante en donnant une prépondérance aux valeurs proches d'une des dernières valeurs observées de la variable Xi, pour une quantification plus juste. La présente invention vise également un serveur informatique pour la mise en oeuvre du procédé précédemment décrit, le serveur comportant un processeur propre à exécuter des instructions, une interface d'entrée pour l'obtention de données de mesures issues d'un dispositif de mesure, une interface d'échange de données avec une base de données et une interface de sortie pour la visualisation de données de détection sur un dispositif de visualisation. La présente invention vise en outre un produit programme d'ordinateur comportant des instructions pour la mise en oeuvre du procédé précédemment décrit, lorsque ce programme est exécuté par un processeur. Ce programme peut utiliser un langage quelconque de programmation (par exemple, un langage objet ou autre), et être sous la forme d'un code source interprétable, d'un code partiellement compilé ou d'un code totalement compilé. La figure 2, décrite en détails ci-après, peut former l'organigramme de l'algorithme général d'un tel produit programme d'ordinateur. Les avantages procurés par le serveur et le produit programme d'ordinateur, tels que succinctement exposés ci-dessus, sont au moins identiques à ceux mentionnés plus haut en liaison avec le procédé selon le premier aspect de l'invention. D'autres caractéristiques et avantages de l'invention ressortiront clairement de la description qui en est faite ci-après, à titre indicatif et nullement limitatif, en référence aux dessins annexés, dans lesquels : - la figure 1 représente schématiquement une partie au moins d'une structure arborescente dans laquelle une anomalie est susceptible de survenir, - la figure 2 représente un organigramme du procédé de l'invention, - la figure 3 est un graphique sur lequel est représenté une fonction fi,t et une fonction adaptée fi,t+At à une valeur yt+At du signal de mesure observée à l'instant t+At, - la figure 4 représente le graphique de la figure 3 sur lequel est illustré un mode de quantification du changement de comportement du signal de mesure selon une variante du procédé de l'invention, - la figure 5 représente le graphique de la figure 3 sur lequel est illustré un mode de quantification du changement de comportement du signal de mesure selon une autre variante du procédé de l'invention, - les figures 6a et 6b sont deux graphiques sur chacun desquels sont représentées une fonction fp l'instant t et une fonction fi,t+At adaptée à une valeur yt+At du signal de mesure observée à l'instant 4,81 pour respectivement deux variables Xi différentes, la température (FIG. 6a) et l'effacement (FIG. 6b), et - la figure 7 représente une architecture matérielle dans laquelle peut être mis en oeuvre le procédé selon l'invention. L'invention est décrite ci-après dans son application aux réseaux de distribution d'énergie électrique à des consommateurs. Elle n'est pas limitée à une telle application et peut par exemple être appliquée aux réseaux de distribution d'eau ou de gaz, ou à d'autres types de réseau tels que les réseaux sociaux. Dans le contexte de la distribution d'énergie électrique, la structure arborescente, dont au moins une partie est illustrée sur la figure 1, comprend un réseau de distribution d'énergie électrique. Un noeud observé Y de la structure arborescente comprend par exemple un poste de transformation HTB/HTA (poste source). En outre, un niveau non-observé de la structure arborescente comprend par exemple une pluralité de noeuds non-observés Z1, Z2, ..., Zp, tels que des compteurs électriques de particuliers, d'entreprises ou de collectivités, ou des équipements représentatifs de petits agrégats de consommation comme un poste source HTA/BT. Chaque noeud non-observé est directement ou indirectement connecté au noeud observé Y pour former au moins une partie de la structure arborescente. Le procédé vise notamment à permettre de détecter une anomalie à partir d'un signal de mesure, noté y, issu du noeud observé Y du réseau de distribution d'énergie électrique.According to another variant, from a set of values {xi} of the variable Xi at times before the instant t, of the value xi of the variable Xi at time t and the value xi of the variable Xi at time t + At, and from a weighting function Wk of the variable Xi defined on the support of Xi, Wk being a function of Gaussian kernel type, the value d (fi, t + At, fi, t) of variation of the function fi, t is computed as a sum, over the set of values {xi}, of even potencies of differences between the value of the function fi, t and the value of the adapted function fi , t + At corresponding, each difference being taken at a value xi of the corresponding variable Xi in the set and being weighted by the value of the weighting function Wk in this value xi of the variable Xi. The method thus advantageously makes it possible to quantify the change in behavior of each component of the measurement signal over a plurality of values of the corresponding variable Xi by giving a preponderance to the values close to one of the last observed values of the variable Xi, for a quantification. more just. The present invention also relates to a computer server for implementing the previously described method, the server comprising a processor capable of executing instructions, an input interface for obtaining measurement data from a measurement device, a data exchange interface with a database and an output interface for viewing sensing data on a display device. The present invention further provides a computer program product including instructions for implementing the method described above, when the program is executed by a processor. This program can use any programming language (for example, an object language or other), and be in the form of an interpretable source code, a partially compiled code or a fully compiled code. Figure 2, described in detail below, can form the flowchart of the general algorithm of such a computer program product. The advantages provided by the server and the computer program product, as succinctly set forth above, are at least the same as those mentioned above in connection with the method according to the first aspect of the invention. Other features and advantages of the invention will emerge clearly from the description which is given below, for information only and in no way limitative, with reference to the accompanying drawings, in which: - Figure 1 schematically shows a part at least of a tree structure in which an anomaly is likely to occur; FIG. 2 represents a flowchart of the method of the invention; FIG. 3 is a graph showing a function f, t and a function adapted to FIG. + At at a value yt + At of the measurement signal observed at time t + At, - Figure 4 represents the graph of FIG. 3 on which is illustrated a mode of quantization of the change of behavior of the measurement signal according to a variant of the method of the invention, - Figure 5 represents the graph of Figure 3 on which is illustrated a way of quantifying the change in behavior of the measurement signal according to another variant e of the method of the invention, - Figures 6a and 6b are two graphs on each of which are represented a function fp time t and a function fi, t + At adapted to a value yt + At of the measurement signal observed at the instant 4.81 for respectively two different variables Xi, the temperature (FIG. 6a) and the erasure (FIG 6b), and - Figure 7 shows a hardware architecture in which can be implemented the method according to the invention. The invention is described below in its application to power distribution networks to consumers. It is not limited to such an application and can for example be applied to water or gas distribution networks, or to other types of network such as social networks. In the context of electric power distribution, the tree structure, of which at least a portion is illustrated in Figure 1, includes an electrical power distribution network. An observed node Y of the tree structure comprises for example an HTB / HTA transformation station (source station). In addition, a non-observed level of the tree structure comprises for example a plurality of unobserved nodes Z1, Z2,..., Zp, such as electricity meters of individuals, businesses or communities, or equipment representative of small aggregates of consumption as a source station HTA / BT. Each unobserved node is directly or indirectly connected to the observed node Y to form at least a portion of the tree structure. The method aims in particular to detect an anomaly from a measurement signal, noted y, from the observed node Y of the electrical power distribution network.

L'anomalie est susceptible de survenir au niveau non-observé du réseau, autrement dit au niveau des particules du noeud observé Y. Un signal de mesure est généralement défini comme un signal envoyé dans un système dans le but de vérifier son bon fonctionnement. Il peut s'agir plus particulièrement ici d'un signal significatif de l'énergie électrique transmise, à travers le noeud observé Y, aux particules de ce noeud. Dans le contexte de la distribution d'énergie électrique, le signal de mesure y, observé en temps réel, peut être choisi parmi : Puissance active instantanée par phase [en W], Puissance active instantanée totale triphasée [en W], Puissance réactive instantanée par phase [en « var », pour « volt- ampère, réactif »], Puissance réactive instantanée totale triphasée [en var], Puissance réactive instantanée par quadrant (01, Q2, Q3 et Q4) [en var], Puissance apparente instantanée par phase [en VA], Puissance apparente instantanée totale triphasée [en VA], Puissance active moyenne par phase [en W], Puissance active moyenne totale triphasée [en W], Puissance réactive moyenne par phase [en var], Puissance réactive moyenne totale triphasée [en var], Puissance réactive moyenne par quadrant (01, Q2, Q3 et Q4) [en var], 3015 71 7 11 Puissance apparente moyenne par phase [en VA], Puissance apparente moyenne totale triphasée [en VA], Energie active soutirée (index 1 à N) [en Wh], Facteur de puissance [sans unité], 5 Tensions efficaces (phases 1, 2 et 3) [en V], et Intensités efficaces (phases 1, 2 et 3) [en A]. La durée d'intégration des puissances instantanées peut prendre différentes valeurs. Par exemple, ces puissances peuvent être intégrées sur 1, 2, 5, 10, 15, 30 et 60 secondes. La durée d'intégration des puissances 10 moyennes peut également prendre différentes valeurs. Ces valeurs peuvent par exemple être de 1, 5, 10, 30 ou de 60 minutes. Plus généralement, la périodicité des observations de la valeur du signal de mesure peut augmenter pour améliorer la précision des calculs décrits ci-dessous ou au contraire être réduite pour accélérer ces calculs. 15 Cette périodicité peut être fixe ou variable. Si elle est fixe, elle peut par exemple être mensuelle, hebdomadaire, journalière, horaire ou encore quasi- instantanée (minutes, secondes, millisecondes). Par exemple, une périodicité journalière pour des consommateurs résidentiels et une périodicité horaire pour des consommateurs industriels est classique. 20 Tel qu'illustré sur la figure 1, le signal de mesure y peut correspondre à une somme de sous-signaux z1, zi, zp issus des noeuds non-observés Z1, ..., Zi, Zp du réseau. Le procédé selon l'invention est destiné à être mis en oeuvre dans une architecture matérielle telle qu'illustrée sur la figure 7. L'architecture 25 comprend : - un serveur informatique 1, - un dispositif de mesure 2, - une base de données 3, et - un dispositif de visualisation 4. 30 Le serveur 1 comprend un processeur 10, une interface d'entrée 11 pour l'obtention de données de mesures issues du dispositif de mesure 2, une interface d'échange de données 12 avec la base de données 3 et une interface de sortie 13 pour la visualisation de données de détection sur le dispositif de visualisation 4. Le processeur 10 est au moins apte à implémenter toute étape de calcul du procédé selon l'invention.The anomaly is likely to occur at the unobserved level of the network, in other words at the observed node Y. A measurement signal is generally defined as a signal sent to a system for the purpose of verifying its proper operation. It may be more particularly here a significant signal of the electrical energy transmitted, through the observed node Y, the particles of this node. In the context of the distribution of electrical energy, the measurement signal y, observed in real time, can be chosen from: instantaneous active power per phase [in W], total instantaneous active power three-phase [in W], instantaneous reactive power per phase [in "var", for "volt-ampere, reagent"], three-phase total instant reactive power [in var], instantaneous reactive power per quadrant (01, Q2, Q3 and Q4) [in var], instantaneous apparent power per phase [in VA], Three phase total apparent apparent power [VA], Average active power per phase [in W], Three phase average total active power [in W], Average reactive power per phase [in var], Average reactive power total three-phase [en var], Average reactive power per quadrant (01, Q2, Q3 and Q4) [in var], 3015 71 7 11 Average apparent power per phase [in VA], Three-phase total average apparent power [in VA], Active energy withdrawn (index 1 to N) [in Wh], Power factor [without unit], 5 Effective voltages (phases 1, 2 and 3) [in V], and Effective currents (phases 1, 2 and 3) [in A]. The duration of integration of the instantaneous powers can take different values. For example, these powers can be integrated on 1, 2, 5, 10, 15, 30 and 60 seconds. The integration time of the average powers can also take different values. These values may for example be 1, 5, 10, 30 or 60 minutes. More generally, the periodicity of observations of the value of the measurement signal can increase to improve the accuracy of the calculations described below or on the contrary be reduced to accelerate these calculations. This periodicity can be fixed or variable. If it is fixed, it can for example be monthly, weekly, daily, hourly or almost instantaneous (minutes, seconds, milliseconds). For example, a daily frequency for residential consumers and an hourly frequency for industrial consumers is conventional. As shown in FIG. 1, the measurement signal y may correspond to a sum of sub-signals z1, z1, zp coming from the unobserved nodes Z1,..., Zi, Zp of the network. The method according to the invention is intended to be implemented in a hardware architecture as illustrated in FIG. 7. The architecture comprises: a computer server 1, a measurement device 2, a database 3, and a display device 4. The server 1 comprises a processor 10, an input interface 11 for obtaining measurement data from the measuring device 2, a data exchange interface 12 with the database 3 and an output interface 13 for the display of detection data on the display device 4. The processor 10 is at least able to implement any calculation step of the method according to the invention.

Le dispositif de mesure 2 permet d'observer le signal de mesure y issu du noeud observé Y en mesurant ses valeurs au cours du temps. Le dispositif de mesure 2 peut comprendre un capteur ou un ensemble de capteurs, chacun associé fonctionnellement, voire structurellement, à un noeud observé de la structure arborescente.The measuring device 2 makes it possible to observe the measurement signal y coming from the observed node Y by measuring its values over time. The measuring device 2 may comprise a sensor or a set of sensors, each associated functionally or even structurally with an observed node of the tree structure.

Le dispositif de mesure 2 peut en outre comprendre une ou plusieurs stations météorologiques réparties dans une zone géographique sur laquelle est déployée la structure arborescente. Le dispositif de mesure 2 peut communiquer avec la base de données 3 de sorte que les valeurs qu'il mesure puissent y être stockées. Le dispositif de mesure 2 peut en outre communiquer les données de mesure directement au serveur 1 via l'interface d'entrée 11 de ce dernier. La base de données 3 est en outre propre à stocker toute information pouvant être utile à l'estimation, voire à la prévision, des valeurs du signal de mesure y. Les informations stockées sur la base de données peuvent comprendre un profil de consommation d'énergie électrique par consommateur ou groupe de consommateurs (type de contrat passé entre le consommateur et le fournisseur d'énergie, tarif en cours, etc.), des données relatives aux consommateurs (type de chauffage, type d'habitation, nombre de personnes dans l'habitation), des données historiques de consommation (relevés de consommation, de facturation) et/ou de production d'énergie électrique (éolienne ou photovoltaïque) par consommateur ou groupe de consommateurs, des données météorologiques (ensoleillement, nébulosité, vent, température, etc.) et/ou des données calendaires (type de jour, heure, dates des vacances scolaires, jours fériés, etc.).The measuring device 2 may further comprise one or more meteorological stations distributed in a geographical area on which the tree structure is deployed. The measuring device 2 can communicate with the database 3 so that the values it measures can be stored there. The measuring device 2 can further communicate the measurement data directly to the server 1 via the input interface 11 of the latter. The database 3 is further suitable for storing any information that may be useful for estimating or even forecasting the values of the measurement signal y. The information stored in the database may include a profile of electrical energy consumption per consumer or group of consumers (type of contract between the consumer and the energy supplier, current tariff, etc.), data relating to to consumers (type of heating, type of dwelling, number of people in the dwelling), historical consumption data (consumption, billing statements) and / or electrical energy production (wind or photovoltaic) per consumer or group of consumers, meteorological data (sunshine, cloudiness, wind, temperature, etc.) and / or calendar data (type of day, time, dates of school holidays, holidays, etc.).

La base de données 3 est en outre propre à stocker des données représentatives du réseau de distribution électrique, telles que le nombre de postes de transformation sur le réseau, le nombre de compteurs électriques connectés par poste de transformation, la localisation géographique d'au moins une partie des postes de transformation et des compteurs électriques. La base de données 3 est encore propre à stocker des modèles de prévision et des données simulées ou non sur la base de ces modèles tels que des scénarii d'évolution de température et/ou des scénarii d'évolution de portefeuille clients. Les données stockées dans la base de données 3 peuvent provenir d'une pluralité de sources de données, tels que l'Internet, des instituts météorologiques, les compteurs dits intelligents, etc. Elles peuvent également être renseignées par les utilisateurs du procédé selon l'invention. Il existe potentiellement un grand nombre de dispositifs de mesure 2. En revanche, la base de données 3 peut permettre le stockage centralisé des données. La ou les bases de données 3 se situent préférentiellement au plus près du ou des serveurs 1 mettant en oeuvre le procédé selon l'invention. Serveurs 1 et bases de données 3 peuvent être couplés deux à deux et répartis sur un territoire donné (régional, départemental, communal, ou autres). Chaque dispositif de mesure 2 peut être associé à un unique couple serveur 1 - base de données 3.The database 3 is furthermore suitable for storing data representative of the electrical distribution network, such as the number of transformer stations on the network, the number of electric meters connected by transformer station, the geographical location of at least part of the transformer stations and electricity meters. The database 3 is still suitable for storing prediction models and simulated or non-simulated data based on these models, such as temperature evolution scenarios and / or customer portfolio evolution scenarios. The data stored in the database 3 can come from a plurality of data sources, such as the Internet, meteorological institutes, so-called smart meters, and so on. They can also be informed by the users of the method according to the invention. There is potentially a large number of measurement devices 2. On the other hand, the database 3 may allow centralized storage of the data. The database or databases 3 are preferably located closer to the server or servers 1 implementing the method according to the invention. Servers 1 and databases 3 can be coupled in pairs and distributed over a given territory (regional, departmental, municipal, or other). Each measuring device 2 can be associated with a single server pair 1 - database 3.

Le dispositif de visualisation 4 permet, aux utilisateurs du procédé de détection mis en oeuvre par le serveur 1, de visualiser les résultats du procédé. A cette fin, il communique avec le serveur via l'interface de sortie 13 de ce dernier. Le dispositif de visualisation 4 peut comprendre une interface graphique et un dispositif d'affichage d'au moins un message d'alerte généré et envoyé par le serveur 1 pour au moins alerter les utilisateurs de la détection d'une anomalie selon le procédé de l'invention. Le message peut être de type texto ou courriel par exemple. Des ordres de gestion de production et/ou de consommation peuvent également être transmis aux utilisateurs via le dispositif de visualisation 4.The display device 4 allows the users of the detection method implemented by the server 1 to display the results of the method. For this purpose, it communicates with the server via the output interface 13 of the latter. The display device 4 may comprise a graphic interface and a display device of at least one alert message generated and sent by the server 1 to at least alert users of the detection of an anomaly according to the method of the invention. 'invention. The message can be of type text or email for example. Production and / or consumption management orders can also be transmitted to the users via the display device 4.

Le dispositif de visualisation 4 peut en outre être apte à communiquer avec la base de données 3 pour y stocker les messages d'alerte et des informations sur la suite donnée à la détection d'une anomalie, notamment afin de permettre l'analyse et la production de retours d'expérience, éventuellement pour la reconnaissance de schémas de survenance d'anomalies.The display device 4 may also be able to communicate with the database 3 for storing the alert messages and information on the follow-up given to the detection of an anomaly, in particular in order to allow the analysis and the production of feedback, possibly for the recognition of patterns of occurrence of anomalies.

La communication entre les différents composants de l'architecture peut être basée sur tout type de protocole et de support physique de communication, tel qu'un réseau de communication WAN (« Wide-Area Network » pour réseau étendu), des passerelles ou concentrateurs intermédiaires ou encore un réseau de communication local NAN (« Neighborhood Area Network » pour réseau de voisinage), une liaison de télécommunication locale ou distante (via des courants porteurs en ligne ou « CPL », ou encore via un réseau de radiocommunication local ou via un réseau cellulaire de téléphonie mobile, ou autres). La communication entre les différents composants de l'architecture peut encore être basée sur toute combinaison des types de protocole et de support physique de communication susmentionnés. Le procédé de détection illustré sur la figure 2 repose sur l'hypothèse selon laquelle toute valeur yt du signal de mesure y à un instant t peut s'exprimer S10 sous la forme d'une somme de valeurs de fonctions (fit, fN,t) Yt = E7.11";,t(xi,t)+ Et où chaque fonction fp dépend d'une variable Xi compris dans un ensemble de variables (Xi, ..., XN) et est considérée à une valeur xi,t donnée à l'instant t de la variable Xi et où Et est un bruit blanc gaussien.Communication between the different components of the architecture can be based on any type of protocol and physical communication medium, such as Wide Area Network (WAN) communication network, intermediate gateways or hubs. or a local area network (NAN), a local or remote telecommunication link (via line power lines or "CPLs", or via a local radio network or via a local radio network). mobile cellular network, or others). The communication between the different components of the architecture can still be based on any combination of the types of protocol and physical communication medium mentioned above. The detection method illustrated in FIG. 2 is based on the assumption that any value yt of the measurement signal y at an instant t can be expressed as a sum of function values (fit, fN, t ) Yt = E7.11 ";, t (xi, t) + And where each function fp depends on a variable Xi included in a set of variables (Xi, ..., XN) and is considered at a value xi, t given at the instant t of the variable Xi and where Et is a Gaussian white noise.

Chaque variable Xi peut plus particulièrement être spécifique à un consommateur ou à un groupe de consommateurs et/ou à un phénomène ayant un impact sur la consommation énergétique ; chaque variable de ce type peut être appelée 'variable explicative' en ce sens qu'elle explique ou indique un certain fonctionnement ou comportement du signal de mesure, ou plus particulièrement du comportement d'une composante j correspondante du signal de mesure. Chaque variable Xi peut en outre être une variable exogène au signal de mesure, en ce sens qu'elle n'est liée ni à la nature du signal de mesure, ni à ses valeurs, mais est définie en fonction de considérations extérieures à celles relatives au signal de mesure. Classiquement, il s'agit de variables météorologiques (température, nébulosité, rayonnement solaire, vent, etc.), de variables calendaires (type de jour, heure, dates des vacances scolaires, jours fériés, etc.), de variables tarifaires (offre tarifaire souscrite par le consommateur, évènements tarifaires comme les effacements, etc.), de variables socio-économiques (type d'habitat, nombre de personnes dans le logement, croissance économique, etc.), d'information sur l'installation électrique du consommateur (production décentralisée, pompe à chaleur, etc.) ou ses usages. Le nombre N de ces variables peut donc être relativement grand (de l'ordre de plusieurs dizaines). Par ailleurs, le nombre de ces variables peut varier en fonction du signal de mesure étudié. Les valeurs de ces variables sont par exemple collectées et stockées dans la base de données 3. Il apparaît dès lors que l'ensemble de variables (Xi, ..., XN) peut comprendre au moins une variable relative à un état du niveau non-observé de la structure arborescente ou plus particulièrement une variable relative à un état d'au moins un des noeuds non-observés Z1, ..., Zi, Zp du réseau. Chaque variable Xi dépend d'une manière qui lui est propre du temps ; une variabilité temporelle peut lui être associée qui dépend effectivement de sa nature. Par exemple, le fait que le consommateur bénéficie ou non d'une pompe à chaleur est pratiquement invariant dans le temps ; en revanche, la température peut évoluer d'heure en heure. Chaque variable Xi peut être définie sur un domaine fini de valeurs. Ce domaine peut comprendre un ensemble fini de valeurs discrètes ; par exemple, lorsque la variable Xi est spécifique au type de jour, elle peut prendre une valeur différente par jour ou une valeur pour les jours ouvrés et une autre valeur pour les jours fériés. Les valeurs de la variable Xi peuvent également être définies de façon continue sur le domaine de définition de la variable Xj; par exemple, la température peut être définie sur un domaine allant de -80°C à +80°C et peut prendre n'importe quelle valeur dans ce domaine. Le domaine de définition de chaque variable peut être appris et être lui-même évolutif en fonction des données collectées au cours du temps et stockées dans la base de données 3. Chaque fonction fi,t détermine un comportement attendu à l'instant t du signal de mesure ou plus particulièrement de la composante j de ce signal. Dès lors que ce comportement attendu peut être supposé régulier et évolutif, chaque fonction fi,t peut également être supposée régulière et évolutive sur le domaine de définition de la variable Xi dont elle dépend. Chaque fonction fi,t peut ainsi être définie comme une fonction adaptative propre à s'adapter notamment à l'observation d'une nouvelle valeur du signal de mesure y. Le procédé met ces considérations à profit en prévoyant : - que, à un instant t+At, soit observée S20 la valeur yt+At du signal de mesure y, et - que soit adaptée S30 au moins une fonction fp à la valeur yt+At observée du signal de mesure, cette adaptation permettant d'obtenir une fonction adaptée notée fi,t+At. La figure 3 illustre les fonctions fp et fi,t+At estimées aux instants t et 4,81 suite à l'observation d'une nouvelle valeur du signal de mesure yt+At. On remarque que les valeurs fi,t(xi) et fi,t+At(xi) ne sont pas forcément égales suite à l'adaptation ou mise à jour S30. De la même façon que chaque fonction fp détermine un comportement attendu du signal de mesure à l'instant t, chaque fonction adaptée fj,t+At est susceptible de déterminer un comportement attendu du signal de mesure à l'instant t+At. Chaque fonction adaptée fi,t+At est plus particulièrement susceptible de mieux représenter le comportement attendu du signal de mesure, puisque cette fonction adaptée est déduite empiriquement de l'observation du signal de mesure, lorsque l'expression S10 de la valeur yt du signal de mesure à l'instant t peut n'être que purement théorique.Each variable Xi may more specifically be specific to a consumer or group of consumers and / or to a phenomenon having an impact on energy consumption; each variable of this type may be called the 'explanatory variable' in that it explains or indicates a certain operation or behavior of the measurement signal, or more particularly the behavior of a corresponding component j of the measurement signal. Each variable Xi may also be a variable exogenous to the measurement signal, in that it is not related to the nature of the measurement signal or to its values, but is defined according to considerations external to those relating to to the measurement signal. Classically, these are weather variables (temperature, cloudiness, solar radiation, wind, etc.), calendar variables (type of day, time, dates of school holidays, holidays, etc.), price variables (supply tariffs subscribed by the consumer, tariff events such as erasures, etc.), socio-economic variables (type of housing, number of people in housing, economic growth, etc.), information on the electrical installation of the consumer (decentralized production, heat pump, etc.) or its uses. The number N of these variables can therefore be relatively large (of the order of several tens). Moreover, the number of these variables may vary according to the measurement signal studied. The values of these variables are for example collected and stored in the database 3. It therefore appears that the set of variables (Xi, ..., XN) may comprise at least one variable relating to a state of the non-level. -observed tree structure or more particularly a variable relating to a state of at least one of the unobserved nodes Z1, ..., Zi, Zp of the network. Each variable Xi depends in a way that is specific to time; a temporal variability can be associated with it which depends on its nature. For example, the fact that the consumer does or does not benefit from a heat pump is practically invariant in time; on the other hand, the temperature can change from hour to hour. Each variable Xi can be defined on a finite domain of values. This domain may comprise a finite set of discrete values; for example, when the variable Xi is specific to the type of day, it can take a different value per day or a value for working days and another value for holidays. The values of the variable Xi can also be defined continuously on the definition domain of the variable Xj; for example, the temperature can be set to a range of -80 ° C to + 80 ° C and can take any value in this area. The domain of definition of each variable can be learned and itself be scalable according to the data collected over time and stored in the database 3. Each function fi, t determines a behavior expected at time t of the signal measuring or more particularly the component j of this signal. Since this expected behavior can be assumed to be regular and evolutive, each function fi, t can also be assumed to be regular and evolutive over the domain of definition of the variable Xi on which it depends. Each function fi, t can thus be defined as an adaptive function adapted to adapt in particular to the observation of a new value of the measurement signal y. The method takes advantage of these considerations by providing: - at a time t + At, observe S20 the value yt + At of the measurement signal y, and - that S30 be adapted to at least one function fp to the value yt + Attenuation of the measurement signal, this adaptation making it possible to obtain a suitable function denoted by fi, t + At. FIG. 3 illustrates the functions fp and fi, t + At estimated at times t and 4.81 following the observation of a new value of the measurement signal yt + At. Note that the values fi, t (xi) and fi, t + At (xi) are not necessarily equal after the adaptation or update S30. In the same way that each function fp determines an expected behavior of the measurement signal at time t, each adapted function fj, t + At is able to determine an expected behavior of the measurement signal at time t + At. Each adapted function fi, t + At is more particularly capable of better representing the expected behavior of the measurement signal, since this adapted function is empirically deduced from the observation of the measurement signal, when the expression S10 of the value yt of the signal of measurement at time t may be only purely theoretical.

Il a été décrit jusqu'à présent une adaptation de la fonction fi,t en fonction de la seule valeur yt+At observée du signal de mesure. Toutefois, en fonction de la variabilité temporelle de la variable Xi relativement à l'intervalle de temps At, ladite au moins une fonction fp peut en outre être adaptée à une valeur xi de la variable Xi à l'instant t+At. Le procédé permet ainsi avantageusement de prendre en compte une éventuelle variation des variables X1, ..., XN entre deux observations du signal de mesure. Le pendant de cet avantage est que le procédé permet d'éviter d'avoir à récupérer systématiquement la valeur de la variable Xi à chaque adaptation S30, par exemple en imposant d'interroger systématiquement la base de données 3, lorsqu'il est su que cette valeur n'a pas variée pendant l'intervalle de temps At. La variabilité temporelle de la variable Xi peut également avoir un impact sur la question de savoir s'il est pertinent d'adapter la fonction fi,t à chaque observation du signal de mesure ou si, au contraire, il est plus pertinent de n'adapter la fonction fp qu'après un certain nombre d'observations du signal de mesure. Il est donc envisagé que, pendant l'intervalle de temps At, un nombre d'observations successives du signal de mesure puisse être réalisé qui soit fixé indépendamment pour chaque fonction fp en fonction d'une variabilité temporelle de la variable Xi correspondante par rapport à l'intervalle de temps At. Le procédé permet ainsi avantageusement de ne réaliser l'adaptation d'une composante du signal de mesure que lorsque celle-ci est susceptible d'être significative, pour optimiser les ressources informatiques et la capacité de calculs.It has been described until now an adaptation of the function fi, t according to the single observed value yt + At of the measurement signal. However, depending on the temporal variability of the variable Xi relative to the time interval Δt, said at least one function fp may further be adapted to a value xi of the variable Xi at time t + Δt. The method thus advantageously makes it possible to take into account a possible variation of the variables X1,..., XN between two observations of the measurement signal. The counterpart of this advantage is that the method makes it possible to avoid having to systematically recover the value of the variable Xi at each adaptation S30, for example by requiring systematic interrogation of the database 3, when it is known that this value has not changed during the time interval At. The temporal variability of the variable Xi may also have an impact on the question of whether it is relevant to adapt the function fi, t to each observation of the signal. measurement or, on the contrary, it is more relevant to adapt the function fp after a certain number of observations of the measurement signal. It is therefore envisaged that, during the interval of time At, a number of successive observations of the measurement signal can be realized which is fixed independently for each function fp as a function of a temporal variability of the variable Xi corresponding to Thus, the method advantageously makes it possible to perform the adaptation of a component of the measurement signal only when it is likely to be significant, to optimize computer resources and computing capacity.

Par ailleurs, il est avantageux d'envisager que l'expression S10 de la valeur yt du signal de mesure à l'instant t puisse ne pas être purement théorique, mais, bien au contraire, qu'au moins une fonction fp ait été apprise, selon un modèle d'apprentissage déterminé, sur la base de valeurs du signal de mesure observées antérieurement à l'instant t. Le procédé permet ainsi avantageusement qu'au moins une fonction fi,t soit significative d'une évolution antérieure du signal de mesure.On the other hand, it is advantageous to consider that the expression S10 of the value yt of the measurement signal at time t may not be purely theoretical, but, on the contrary, that at least one function fp has been learned. , according to a determined learning model, based on values of the measurement signal observed before the instant t. The method thus advantageously makes it possible for at least one function fi to be significant of an earlier evolution of the measurement signal.

Dans ce contexte, et notamment dès lors que le mode de réalisation du procédé illustré par la partie représentée en tirets longs de l'organigramme de la figure 2 est mis en oeuvre, il est cohérent que l'adaptation S30 de chaque fonction fi,t apprise comprenne l'implémentation du modèle d'apprentissage selon lequel cette fonction fi,t a été apprise. Le procédé permet ainsi avantageusement d'intégrer l'adaptation S30 de chaque composante du signal de mesure à l'apprentissage de l'évolution du signal de mesure. Il est à noter que le modèle d'apprentissage peut imposer à la fonction fi,t et à son évolution adaptative des contraintes de régularité sur son domaine de définition et permet dès lors de fixer, pour la fonction fi,t concernée, une valeur seuil Mi correspondant à une limite de variation acceptable de la fonction fi,t entre les instants t et t+At. Le procédé prévoit d'utiliser avantageusement chaque fonction adaptée fi,t+At obtenue pour détecter toute anomalie comme une variation du comportement attendu du signal de mesure y, ou plus particulièrement de la composante j du signal de mesure, entre les instants t et 4,81 qui serait supérieure à une limite acceptable de variation dudit comportement. Pour ce faire, le procédé enseigne de calculer S40 une valeur d(fi,t+At,fi,t) de variation de la fonction fi,t pour quantifier une variation du comportement attendu du signal de mesure y entre les instants t et t+At. A partir de chaque fonction adaptée fi,t+At obtenue et de la fonction fi,t dont la fonction adaptée est déduite, la valeur d(fi,t+m,fi,t) de variation de la fonction fi,t peut être calculée S40 d'au moins trois façons différentes qui sont présentées ci-dessous.In this context, and particularly since the embodiment of the method illustrated by the long dashed part of the flowchart of FIG. 2 is implemented, it is coherent that the adaptation S30 of each function f, t learned understands the implementation of the learning model according to which this function has been learned. The method thus advantageously makes it possible to integrate the adaptation S30 of each component of the measurement signal with the learning of the evolution of the measurement signal. It should be noted that the learning model can impose regularity constraints on the function fi and t and its adaptive evolution on its definition domain, and therefore makes it possible to set a threshold value for the function fi, t concerned. Mi corresponding to an acceptable limit of variation of the function fi, t between times t and t + At. The method provides for advantageously using each adapted function f 1, t + Δt obtained to detect any anomaly such as a variation in the expected behavior of the measurement signal y, or more particularly of the component j of the measurement signal, between times t and 4. , 81 which would be greater than an acceptable limit of variation of the said behavior. To do this, the method teaches to calculate S40 a value d (fi, t + Δt,,, t) of variation of the function fi, t to quantify a variation of the expected behavior of the measurement signal y between times t and t + At. From each adapted function f i, t + Δt obtained and from the function f i, t whose appropriate function is deduced, the value d (fi, t + m, f, t) of variation of the function f i, t may be calculated S40 from at least three different ways that are presented below.

Tout d'abord, la valeur d(fi,t+At,fi,t) de variation de la fonction fi,t peut être calculée selon une norme euclidienne généralisée de la différence entre la fonction fi,t et la fonction adaptée fi,t+At. La valeur d(fi,t+At,fi,t) de variation peut alors être plus particulièrement exprimée de la façon suivante : d(fi,t+At, fi,t) = (xi) - fi,t(x;)IIp où 11xlip = IP + lx2 IP + - + I xnI p )1/P avec p 1 et x = x2, ..., xii) de K. . Les deuxième et troisième façons de calculer la valeur d(fi,t+m,fi,t) de variation de la fonction fi,t considèrent des normes qui dépendent de la répartition des observations du signal de mesure et de la robustesse des estimations des fonctions fp et fj,t+At. Selon une première variante, la valeur d(fi,t+At,fi,t) de variation de la fonction fp peut être calculée de la façon illustrée sur la figure 4. En considérant un ensemble de valeurs {x1} de la variable Xi à des instants antérieurs à l'instant t, la valeur xi de la variable Xi à l'instant t et la valeur xi de la variable Xi à l'instant t+At, la valeur d(fi,t+At,fi,t) de variation de la fonction fp est calculée comme une somme, sur un ensemble In comprenant les instants antérieurs à l'instant 4,81 et l'instant t+At, de puissances paires de différences entre la valeur de la fonction fp et la valeur de la fonction adaptée fi,t+m, chaque différence étant prise à la valeur xj de la variable Xi correspondante dans la somme.First, the value d (fi, t + Δt, fi, t) of variation of the function fi, t can be calculated according to a generalized Euclidean norm of the difference between the function fi, t and the adapted function fi. t + At. The value d (fi, t + Δt, fi, t) of variation can then be more particularly expressed as follows: d (,, t + Δt,,, t) = (xi) -,, t (x; IIp where 11xlip = IP + lx2 IP + - + I xnI p) 1 / P with p 1 and x = x2, ..., xii) of K. The second and third ways of calculating the value d (fi, t + m, fi, t) of variation of the function fi, t consider standards which depend on the distribution of the observations of the measurement signal and the robustness of the estimates of the functions fp and fj, t + At. According to a first variant, the value d (fi, t + Δt,,, t) of variation of the function fp can be calculated in the manner illustrated in FIG. 4. By considering a set of values {x1} of the variable Xi at times earlier than the instant t, the value xi of the variable Xi at time t and the value xi of the variable Xi at time t + At, the value d (fi, t + At, fi, t) of variation of the function fp is calculated as a sum, on a set In comprising the instants prior to the instant 4,81 and the moment t + At, of power pairs of differences between the value of the function fp and the value of the adapted function fi, t + m, each difference being taken at the value xj of the corresponding variable Xi in the sum.

La valeur d(fi,t+At,fi,t) de variation peut alors être plus particulièrement exprimée de la façon suivante : d(fi,t+At, fi,t) = > (fi,t+At(xj,i) fj,t(Xj,i)) 2 iEln où In = (t - nLt, t - (n - 1)zt, t + At) avec n > 1. Dans l'exemple illustré sur la figure 4, il apparaît que la différence f", (xi,t-mt) f y(xi,t_mt) est nulle, les deux courbes étant confondues en l'abscisse Xi,t_mt, de sorte que seules les valeurs des courbes aux instants ultérieurs à l'instant t-301 influent réellement sur la valeur d(fi,t+m,fi,t) de variation. Le procédé permet ainsi avantageusement de quantifier le changement de comportement d'au moins une composante j du signal de mesure sur une pluralité d'observations récentes de la variable Xi correspondante, pour une quantification plus juste. Selon une seconde variante, la valeur d(fi,t+m,fi,t) de variation de la fonction fp peut être calculée de la façon illustrée sur la figure 5.The value d (fi, t + Δt, fi, t) of variation can then be more particularly expressed as follows: d (fi, t + At, fi, t) => (fi, t + At (xj, i) fj, t (Xj, i)) 2 iEln where In = (t - nLt, t - (n - 1) zt, t + At) with n> 1. In the example illustrated in FIG. it appears that the difference f ", (xi, t-mt) fy (xi, t_mt) is zero, the two curves being merged in the abscissa Xi, t_mt, so that only the values of the curves at the moments subsequent to the instant t-301 actually affect the value d (fi, t + m, fi, t) of variation, the method thus advantageously making it possible to quantify the change in behavior of at least one component j of the measurement signal over a plurality of recent observations of the corresponding variable Xi, for a more accurate quantification According to a second variant, the value d (fi, t + m, fi, t) of variation of the function fp can be calculated as illustrated in FIG. 5.

En considérant un ensemble de valeurs {x1} de la variable Xi à des instants antérieurs à l'instant t, la valeur xi de la variable Xi à l'instant t et la valeur xi de la variable Xi à l'instant t+ At, et à partir d'une fonction de pondération Wk de la variable Xi définie sur le support de Xi, Wk étant une fonction de type noyau Gaussien, la valeur d(fi,t+At,tt) de variation de la fonction fi,t est calculée comme une somme, sur l'ensemble des valeurs {x1}, de puissances paires de différences entre la valeur de la fonction fi,t et la valeur de la fonction adaptée fi,t+At correspondante, chaque différence étant prise à une valeur xi de la variable Xi correspondante dans l'ensemble et étant pondérée par la valeur de la fonction de pondération Wk en cette valeur xi de la variable X. La valeur d(fi,t+At,tt) de variation peut alors être plus particulièrement exprimée de la façon suivante : cei,t+At, fi,t) = > Wk (xi) (fi,t+At (xi) fit(x;)) [xi} où {x1} est l'ensemble des valeurs de la variable Xi. Le procédé permet ainsi avantageusement de quantifier le changement de comportement d'au moins une composante j du signal de mesure y sur une pluralité de valeurs {x1} de la variable Xi correspondante en donnant une prépondérance aux valeurs proches d'une des dernières valeurs collectées de la variable Xi, pour une quantification plus juste. Il est à noter qu'une fonction Wk de type noyau Gaussien implique que la fonction Wk est définie en tous les points où la variable Xi est définie, et que l'intégrale de Wk sur son support de définition est égale à 1. La « fenêtre » k 2 définie, en quelque sorte, la largeur de la Gaussienne dans le cadre d'un noyau Gaussien. Les points éloignés du point xi sur lequel la fonction Wk est centrée auront par conséquent un poids très faible sur la valeur d(fi,t+At,fi,t) de variation.Considering a set of values {x1} of the variable Xi at times earlier than the instant t, the value xi of the variable Xi at time t and the value xi of the variable Xi at time t + At, and from a weighting function Wk of the variable Xi defined on the support of Xi, Wk being a function of Gaussian kernel type, the value d (fi, t + At, tt) of variation of the function fi, t is computed as a sum, over the set of values {x1}, of even potencies of differences between the value of the function f i, t and the value of the adapted function f i, t + At corresponding, each difference being taken at a value xi of the corresponding variable Xi in the set and being weighted by the value of the weighting function Wk in this value xi of the variable X. The value d (fi, t + At, tt) of variation can then be more especially expressed in the following way: cei, t + At, fi, t) => Wk (xi) (fi, t + At (xi) fit (x;)) [xi] where {x1} is the set of are the values of the variable Xi. The method thus advantageously makes it possible to quantify the change in behavior of at least one component j of the measurement signal y over a plurality of values {x1} of the corresponding variable Xi by giving a preponderance to values close to one of the last values collected. of the variable Xi, for a more accurate quantification. It should be noted that a Gaussian kernel type function Wk implies that the function Wk is defined at all points where the variable Xi is defined, and that the integral of Wk on its definition support is equal to 1. window »k 2 defined, in a way, the width of the Gaussian in the framework of a Gaussian nucleus. The points distant from the point xi on which the function Wk is centered will therefore have a very low weight on the value d (fi, t + At, fi, t) of variation.

Une fois calculé S40, la valeur d(fi,t+m,fi,t) de variation est, selon le procédé, comparée S50 à une valeur seuil Mi préférentiellement définie indépendamment pour chaque fonction fi,t. Lorsqu'il existe une composante j du signal de mesure pour laquelle la valeur d(fi,t+At,fi,t) de variation de la fonction fi,t est supérieure à ladite valeur seuil M1, 3 j E 1, , N tel que c(Î,,t+At, fj,t) Mj le procédé comprend la détection S60 de l'anomalie, celle-ci correspondant bien alors à une variation du comportement attendu du signal de mesure y entre les instants t et 4,81 supérieure à une limite acceptable de variation dudit comportement. Dans un mode de réalisation du procédé illustré par la partie représentée en tirets courts de l'organigramme de la figure 2, le procédé est bouclé en temps par substitution de l'indice temporel 4,81 par l'indice temporel t.Once calculated S40, the value d (fi, t + m, fi, t) of variation is, according to the method, compared S50 to a threshold value Mi which is preferably independently defined for each function f 1, t. When there is a component j of the measurement signal for which the value d (fi, t + Δt, fi, t) of variation of the function fi, t is greater than said threshold value M1, 3j E 1,, N such that c (,, ,, t + Δt, fj, t) Mj the method comprises the detection S60 of the anomaly, which then corresponds well to a variation of the expected behavior of the measurement signal y between times t and 4 , 81 greater than an acceptable limit of variation of said behavior. In one embodiment of the method illustrated by the short-dashed portion of the flowchart of FIG. 2, the method is looped in time by replacing the time index 4.81 with the time index t.

Dans un mode de réalisation alternatif du procédé illustré par la partie représentée en tirets longs-courts de l'organigramme de la figure 2, le fait que chaque fonction adaptée fi,t+At soit susceptible de représenter plus justement le comportement attendu du signal de mesure que ne le permet la fonction fi,t dont elle a été déduite est avantageusement exploité. Pour ce faire, le procédé envisage que chaque fonction adaptée fi,t+At vienne remplacer S100, dans l'expression S10 de la valeur yt du signal de mesure y à l'instant t, la fonction fi,t dont elle a été déduite, le bouclage du procédé étant réalisé par substitution de l'indice temporel 4,81 par l'indice temporel t. Dans l'exemple illustré par la partie représentée en tirets longs-courts de l'organigramme de la figure 2, il est plus particulièrement supposé que chaque fonction fi,t a été adaptée S30 et remplacée S100. Le procédé permet ainsi avantageusement de mettre à profit les adaptations antérieures du comportement de chaque composante j du signal de mesure pour une détection ultérieure. Pour illustrer l'apport du procédé selon l'invention par rapport aux procédés de détection de rupture du signal de mesure lui-même, considérons un cas observable dans lequel deux anomalies se compensent l'une l'autre pour résulter en une variation sensiblement nulle du signal observé. Considérons également les figures 6a et 6b qui illustrent comment réagit, dans ce cas, le procédé selon l'invention pour un signal de mesure correspondant par exemple à la puissance active instantanée totale triphasée [en kW], notée P. A titre d'exemple, le cas considéré peut être observé, par exemple du fait d'une baisse de température, lorsque : - un premier consommateur thermosensible, son habitation étant par exemple équipée de chauffage électrique, aurait dû consommer une quantité significative d'énergie électrique, mais n'en a rien fait du fait d'une défaillance du système de chauffage, et - un deuxième consommateur n'a pas su respecter une consigne d'effacement Eff, selon laquelle il s'engageait à ne pas dépasser un niveau maximal de consommation, et a effectivement consommé plus d'énergie électrique qu'il ne s'était engagé à le faire, le signal de mesure diminuant sensiblement d'autant du fait de la sous-consommation du premier consommateur qu'il n'augmente du fait de la surconsommation du deuxième consommateur, de sorte que la valeur Pt de la puissance P à l'instant t est sensiblement égale à la valeur Pt+At de la puissance P à l'instant t+At. Sur la figure 6a sont représentées, par deux courbes, la fonction f-ro,t et la fonction adaptée fp,t+At en fonction de la température T°, chacune de ces fonctions déterminant un comportement attendu de la composante en température de la puissance P, aux instants t et t+At respectivement.In an alternative embodiment of the method illustrated by the portion shown in long-dashed indents of the flowchart of FIG. 2, the fact that each adapted function f 1, t + At is more apt to represent the expected behavior of the signal of As far as the function fi, t from which it has been deduced is advantageously exploited. In order to do this, the method contemplates that each adapted function f 1, t + At comes to replace S 100, in the expression S 10 of the value y t of the measurement signal y at time t, the function f i, t from which it has been deduced , the looping of the process being carried out by substitution of the temporal index 4.81 by the temporal index t. In the example illustrated by the part shown in long-dashed dashes of the flowchart of Figure 2, it is more particularly assumed that each function f, t has been adapted S30 and replaced S100. The method thus advantageously makes it possible to take advantage of previous adaptations of the behavior of each component j of the measurement signal for subsequent detection. To illustrate the contribution of the method according to the invention with respect to the methods for detecting the breaking of the measurement signal itself, consider an observable case in which two anomalies compensate each other for resulting in a substantially zero variation. of the observed signal. Let us also consider FIGS. 6a and 6b which illustrate how, in this case, the method according to the invention reacts for a measurement signal corresponding, for example, to the three-phase total instantaneous active power [in kW], denoted by P. As an example the case considered can be observed, for example because of a drop in temperature, when: a first thermosensitive consumer, his dwelling being for example equipped with electric heating, should have consumed a significant amount of electrical energy, but did not do so because of a failure of the heating system, and - a second consumer failed to comply with a deletion instruction Eff, according to which he undertook not to exceed a maximum level of consumption, and has actually consumed more electrical energy than it had committed to do, the measurement signal decreasing substantially because of the under-consumption of the first consumer that i l does not increase because of the overconsumption of the second consumer, so that the value Pt of the power P at time t is substantially equal to the value Pt + At of the power P at time t + At. FIG. 6a shows, by two curves, the function f-ro, t and the adapted function fp, t + At as a function of the temperature T °, each of these functions determining an expected behavior of the temperature component of the P power, at times t and t + At respectively.

A l'instant t, une température T°(t) est relevée à laquelle correspond une valeur fTo(t) de la fonction f-nt. A l'instant t+At, une nouvelle température T°(t+At) est relevée à laquelle correspond une valeur f-ro(t+At) de la fonction fp,t+At. Ces deux valeurs peuvent être comme illustrées sur la figure 6a bien différentes entre elles ; dès lors, la valeur d(fp,t+At,fTo,t) de variation de la fonction f-nt pour s'adapter à la valeur Pt+At de la puissance P à l'instant 4,81 peut être supposée suffisamment élevée pour qu'une anomalie soit détectée. Sur la figure 6b sont représentées, par deux courbes, la fonction fEff,t et la fonction adaptée fEff,t+pt en fonction de la consigne d'effacement qui, à titre purement illustratif, peut prendre ici une des valeurs 0 et 1 et avoir la forme d'un créneau. Ces fonctions déterminent un comportement attendu de la composante de la puissance P relative à la consigne d'effacement, aux instants t et 4,81 respectivement. A l'instant t, aucune consigne d'effacement n'était enregistrée, la valeur de la consigne d'effacement est nulle, et la valeur fEff(t) de la fonction fEff,t est conforme à cette valeur relevée de la consigne d'effacement. Selon la fonction fEff,t en créneau, il était prévu une consigne d'effacement non nulle au temps t+At. Toutefois, à l'instant t+At, il s'est avérée que la consigne d'effacement n'a pu être respectée, et la fonction fEff,t a été adaptée à la valeur Pt+At de la puissance P à l'instant 4,81 ; du fait de cette adaptation, la valeur fEff(t+At) de la fonction fEff,t+At est égale à la valeur fEff(t) de la fonction fEff,t à l'instant t. Dès lors, la valeur d(fEff,t+At,fEff,t) de variation de la fonction fEff,t pour s'adapter à la valeur Pt+At de la puissance P à l'instant 4,81 peut être supposée suffisamment élevée pour qu'une anomalie soit détectée.At time t, a temperature T ° (t) is read at which corresponds a value fTo (t) of the function f-nt. At time t + At, a new temperature T ° (t + At) is read at which corresponds a value f-ro (t + At) of the function fp, t + At. These two values can be as illustrated in Figure 6a very different from each other; therefore, the value d (fp, t + Δt, fTo, t) of variation of the function f-nt to adapt to the value Pt + At of the power P at time 4.81 can be assumed sufficiently high for an anomaly to be detected. FIG. 6b shows, by two curves, the function fEff, t and the adapted function fEff, t + pt as a function of the erasure instruction which, for purely illustrative purposes, can take here one of the values 0 and 1 and have the shape of a niche. These functions determine an expected behavior of the component of the power P relative to the erasure instruction, at times t and 4.81 respectively. At time t, no erasure instruction was recorded, the value of the erasure setpoint is zero, and the value fEff (t) of the function fEff, t is in accordance with this value read from the setpoint d 'erasure. According to the function fEff, t in slot, there was provided a non-zero erasure instruction at time t + At. However, at time t + At, it turned out that the erasure instruction could not be respected, and the function fEff, t was adapted to the value Pt + At of the power P at the instant 4.81; because of this adaptation, the value fEff (t + At) of the function fEff, t + At is equal to the value fEff (t) of the function fEff, t at time t. Therefore, the value d (fEff, t + At, fEff, t) of variation of the function fEff, t to adapt to the value Pt + At of the power P at time 4.81 can be assumed sufficiently high for an anomaly to be detected.

Au niveau du signal de mesure, la sous-consommation du premier consommateur compense la surconsommation du deuxième consommateur de sorte qu'aucune anomalie ne peut être détectée par une analyse de rupture du signal de mesure. Au contraire, le procédé selon la présente invention permet une analyse par composante j du signal de mesure et, comme illustré sur les figures 6a et 6b, une variation sensiblement nulle de la valeur du signal de mesure entre deux observations peut néanmoins conduire à la détection justifiée d'une anomalie.At the level of the measurement signal, the underconsumption of the first consumer compensates for the overconsumption of the second consumer so that no anomaly can be detected by a measurement signal breaking analysis. On the contrary, the method according to the present invention allows a component analysis j of the measurement signal and, as illustrated in FIGS. 6a and 6b, a substantially zero variation of the value of the measurement signal between two observations can nevertheless lead to the detection. justified by an anomaly.

Claims (13)

REVENDICATIONS1. Procédé de détection d'une anomalie dans un signal de mesure (y) issu d'un noeud observé Y d'un réseau, le procédé comprenant : - exprimer (S10) une valeur yt du signal de mesure (y) à un instant t comme une somme de valeurs de fonctions (fi,t, fi,t, fN,t), chaque fonction fi,t dépendant d'une variable Xi parmi un ensemble de variables (X1, ..., ..., XN) et chaque valeur de fonction fi,t étant prise à une valeur xi donnée de la variable Xi correspondante, chaque fonction fi,t déterminant un comportement attendu à l'instant t du signal de mesure (y), - à un instant t+.8,t, observer (S20) la valeur yt+At du signal de mesure (y), - adapter (S30) au moins une fonction fi,t à la valeur yt+At observée du signal de mesure pour obtenir une fonction adaptée fi,t+m, chaque fonction adaptée fi,t+At étant susceptible de déterminer un comportement attendu à l'instant 4.81 du signal de mesure (y), - à partir de chaque fonction adaptée fi,t+At obtenue, calculer (S40) une valeur d(fi,t+m,fi,t) de variation de la fonction fi,t, cette valeur d(fi,t+m,fi,t) quantifiant une variation du comportement attendu du signal de mesure (y) entre les instants t et t+.8,t, - comparer (S50) la valeur d(fi,t+At,fi,t) de variation de la fonction fi,t à une valeur seuil Mi prédéterminée correspondant à une limite de variation de la fonction fi,t entre les instants t et t+.8,t, et - si la valeur d(fi,t+At,fi,t) de variation de la fonction fi,t est supérieure à ladite valeur seuil Mi, détecter (S60) l'anomalie comme une variation du comportement attendu du signal de mesure (y) entre les instants t et 4.81 supérieure à une limite acceptable de variation dudit comportement.REVENDICATIONS1. A method for detecting an anomaly in a measurement signal (y) from an observed node Y of a network, the method comprising: - expressing (S10) a value yt of the measurement signal (y) at a time t as a sum of function values (fi, t, fi, t, fN, t), each function fi, t depending on a variable Xi among a set of variables (X1, ..., ..., XN) and each function value fi, t being taken at a given value xi of the corresponding variable Xi, each function fi, t determining an expected behavior at the instant t of the measurement signal (y), at a time t + .8 , t, observe (S20) the value yt + At of the measurement signal (y), - adapt (S30) at least one function fi, t to the observed value yt + At of the measurement signal to obtain a suitable function fi, t + m, each adapted function fi, t + At being able to determine an expected behavior at time 4.81 of the measurement signal (y), - from each adapted function fi, t + At obtained, calculate (S40) a value rd (fi, t + m, fi, t) of variation of the function fi, t, this value d (fi, t + m, fi, t) quantifying a variation of the expected behavior of the measurement signal (y) between the times t and t + .8, t, - compare (S50) the value d (fi, t + Δt, fi, t) of variation of the function fi, t with a predetermined threshold value Mi corresponding to a limit of variation of the function fi, t between instants t and t + .8, t, and - if the value d (fi, t + At, fi, t) of variation of the function fi, t is greater than said threshold value Mi, detect ( S60) the anomaly as a variation of the expected behavior of the measurement signal (y) between times t and 4.81 greater than an acceptable limit of variation of said behavior. 2. Procédé selon la revendication 1, dans lequel le réseau est une structure arborescente, l'anomalie est susceptible de survenir à un niveau non- observé de la structure arborescente, et l'ensemble de variables (X1, ..., ..., XN) comprend au moins une variable relative à un état du niveau non-observé de la structure arborescente.2. Method according to claim 1, wherein the network is a tree structure, the anomaly is likely to occur at a non-observed level of the tree structure, and the set of variables (X1, ..., .. ., XN) comprises at least one variable relating to a state of the non-observed level of the tree structure. 3. Procédé selon l'une des revendications 1 à 2, ladite au moins une fonction fi,t est en outre adaptée à une valeur xi de la variable Xi à l'instant t+At.3. Method according to one of claims 1 to 2, said at least one function fi, t is further adapted to a value xi of the variable Xi at time t + At. 4. Procédé selon l'une des revendications 1 à 3, comprenant remplacer (S100), dans l'expression (S10) de la valeur yt du signal de mesure y à un instant t, chaque fonction fi,t ayant été adaptée par la fonction adaptée fi,t+At correspondante, en substituant l'indice temporel t+At par l'indice temporel t.4. Method according to one of claims 1 to 3, comprising replacing (S100), in the expression (S10) of the value yt of the measurement signal y at a time t, each function fi, t having been adapted by the corresponding function fi, t + At corresponding, substituting the temporal index t + At by the temporal index t. 5. Procédé selon l'une des revendications 1 à 4, dans lequel au moins une fonction fi,t est apprise, selon un modèle d'apprentissage, à partir de valeurs du signal de mesure (y) observées antérieurement à l'instant t.5. Method according to one of claims 1 to 4, wherein at least one function fi, t is learned, according to a learning model, from values of the measurement signal (y) observed prior to the instant t . 6. Procédé selon la revendication 5, dans lequel adapter (S30) ladite au moins une fonction fi,t comprend implémenter le modèle d'apprentissage.The method of claim 5 wherein adapting (S30) said at least one function includes implementing the learning model. 7. Procédé selon l'une des revendications 1 à 6, dans lequel, pendant l'intervalle de temps At, un nombre d'observations successives du signal de mesure (y) est réalisé qui est fixé indépendamment pour chaque fonction fi,t en fonction d'une variabilité temporelle de la variable Xi correspondante par rapport à l'intervalle de temps At.7. Method according to one of claims 1 to 6, wherein, during the time interval At, a number of successive observations of the measurement signal (y) is achieved which is set independently for each function fi, t in function of a temporal variability of the corresponding variable Xi with respect to the time interval At. 8. Procédé selon l'une des revendications 1 à 7, dans lequel : le niveau non-observé de la structure arborescente comprend une pluralité de noeuds non-observés (Z1, Z2, ..., Zp) connectés au noeud observé Y pour former au moins une partie de la structure arborescente,- le signal de mesure (y) correspond à une somme de sous-signaux (zi, z2, zp) issus des noeuds non-observés (Zi, Z2, ..., Zp), et - au moins une variable Xi est relative à un état d'au moins un des noeuds non-observés (Z1, Z2, ..., Zp) de la structure arborescente.The method according to one of claims 1 to 7, wherein: the unobserved level of the tree structure comprises a plurality of unobserved nodes (Z1, Z2, ..., Zp) connected to the observed node Y for forming at least a part of the tree structure, - the measurement signal (y) corresponds to a sum of sub-signals (zi, z2, zp) coming from the non-observed nodes (Zi, Z2, ..., Zp) , and - at least one variable Xi is relative to a state of at least one of the non-observed nodes (Z1, Z2, ..., Zp) of the tree structure. 9. Procédé selon l'une des revendications 1 à 8, dans lequel : - la structure arborescente est un réseau de distribution d'énergie électrique, - la valeur yt du signal de mesure (y) est choisie parmi une tension efficace, une intensité efficace, une énergie active soutirée, et une puissance active ou réactive, instantanée ou moyenne, par phase, totale triphasée ou par quadrant, et - les variables Xi sont choisies parmi au moins un profil de consommation d'énergie électrique par consommateur ou groupe de consommateurs, des données relatives à un consommateur ou à un groupe de consommateurs, des données historiques de consommation et/ou de production d'énergie électrique par consommateur ou groupe de consommateurs, des données météorologiques et des données calendaires.9. Method according to one of claims 1 to 8, wherein: - the tree structure is an electrical energy distribution network, - the value yt of the measurement signal (y) is selected from an effective voltage, an intensity effective, active energy withdrawn, and an active or reactive power, instantaneous or average, per phase, total three-phase or quadrant, and the variables Xi are chosen from at least one profile of electrical energy consumption per consumer or group of consumers, consumer or consumer group data, historical consumption and / or electricity production data by consumer or consumer group, meteorological data and calendar data. 10. Procédé selon l'une des revendications 1 à 9, dans lequel : à partir d'un ensemble de valeurs {xi} de la variable Xi à des instants antérieurs à l'instant t, de la valeur xi de la variable Xi à l'instant t et de la valeur xi de la variable Xi à l'instant t+At, la valeur d(fi,t+At,fi,t) de variation de la fonction fi,t est calculée comme une somme, sur un ensemble In comprenant lesdits instants antérieurs à l'instant t, l'instant t et l'instant t+At,de puissances paires de différences entre la valeur de la fonction fi,t et la valeur de la fonction adaptée fi,t+At correspondante, chaque différence étant prise à la valeur xi de la variable explicative Xi correspondante dans la somme.10. Method according to one of claims 1 to 9, wherein: from a set of values {xi} of the variable Xi at times prior to the instant t, the value xi of the variable Xi to the time t and the value xi of the variable Xi at time t + At, the value d (fi, t + At, fi, t) of variation of the function fi, t is computed as a sum, on a set In comprising said instants anterior to the instant t, the instant t and the instant t + At, of even power pairs of differences between the value of the function fi, t and the value of the adapted function fi, t + At corresponding, each difference being taken at the value xi of the corresponding explanatory variable Xi in the sum. 11. Procédé selon l'une des revendications 1 à 9, dans lequel : à partir d'un ensemble de valeurs {xi} de la variable Xi à des instants antérieurs à l'instant t, de la valeur xi de la variable Xi à l'instant t et de la valeur xi de la variable Xi à l'instant t+At, et à partir d'une fonction de pondération Wk de la variable Xi définie sur le support de Xi, Wk étant une fonction de type noyau Gaussien, la valeur d(fi,t+At,fi,t) de variation de la fonction fi,t est calculée comme une somme, sur l'ensemble des valeurs {xi}, de puissances paires de différences entre la valeur de la fonction fi,t et la valeur de la fonction adaptée fi,t+At correspondante, chaque différence étant prise à une valeur xi de la variable Xi correspondante dans l'ensemble et étant pondérée par la valeur de la fonction de pondération Wk en cette valeur xi de la variable Xi.11. Method according to one of claims 1 to 9, wherein: from a set of values {xi} of the variable Xi at times prior to the instant t, the value xi of the variable Xi to the instant t and the value xi of the variable Xi at time t + At, and from a weighting function Wk of the variable Xi defined on the support of Xi, Wk being a Gaussian-type function , the value d (fi, t + At, fi, t) of variation of the function fi, t is calculated as a sum, over the set of values {xi}, of power pairs of differences between the value of the function fi, t and the value of the adapted function f i, t + At corresponding, each difference being taken at a value xi of the corresponding variable Xi in the set and being weighted by the value of the weighting function Wk at this value xi of the variable Xi. 12. Serveur informatique (1) pour la mise en oeuvre du procédé de détection selon l'une des revendications 1 à 11, le serveur comportant un processeur (10), une interface d'entrée (11) pour l'obtention de données de mesures issues d'un dispositif de mesure (2), une interface d'échange de données (12) avec une base de données (3) et une interface de sortie (13) pour la visualisation de données de détection sur un dispositif de visualisation (4).12. Computer server (1) for implementing the detection method according to one of claims 1 to 11, the server comprising a processor (10), an input interface (11) for obtaining data from measurements from a measuring device (2), a data exchange interface (12) with a database (3) and an output interface (13) for viewing detection data on a display device (4). 13. Produit programme d'ordinateur comportant des instructions pour la mise en oeuvre du procédé selon l'une des revendications 1 à 11, lorsque ce programme est exécuté par un processeur (10).13. Computer program product comprising instructions for carrying out the method according to one of claims 1 to 11, when this program is executed by a processor (10).