BADJI SabraZEMOULI Nour El HoudaCHIHEB Sofiane (Encadrant)2025-11-182025-11-182025http://dspace.ensti-annaba.dz:4000/handle/123456789/934Nous proposons dans ce mémoire d’utiliser l’intelligence artificielle pour la détection, la classification et la localisation des défauts dans un réseau de transport électrique 60 kV. Une comparaison entre trois algorithmes basées sur l’apprentissage supervisé : Random Forest, Sup port Vector Machine et KNearest Neighbors . Ces modèles sont entraînés et testés sur une base de données simulée de plus de 16 000 échantillons de courants et tensions triphasés, représen tant divers scénarios de défauts (monophasés , biphasés , triphasés) ainsi que fonctionnement normal. Nous constatons que l’algorithme Random Forest offre une précision globale de 97,2frdétection des défautsréseaux électriquesintelligence artificielleRandom Fo restSupport Vector Machine .KNearest Neighborsclassificationlocalisation des défautsfiabilité du réseaucontinuité de serviceThesis