IA : un outil de prédiction pour la transition écologique

Extrait de l’article Intelligence artificielle dans le cadre de la transformation numérique de Moamar SAYED MOUCHAWEH

La transformation numérique dans le contexte de la transition énergétique fait face à plusieurs défis. Premièrement, le remplacement des centrales à combustibles fossiles par des ressources énergétiques renouvelables augmente considérablement l’incertitude et la complexité d’assurer la stabilité du réseau et la gestion efficace de l’énergie. Cela est dû à la forte dépendance entre production d’énergie renouvelable et conditions météorologiques.

En outre, la gestion permettant de réduire la consommation d’énergie, le prix de l’énergie ou la congestion du réseau, doit être effectuée en ligne en traitant d’énormes volumes de données séquentielles concernant la consommation d’énergie agrégée, les prix de l’énergie en ligne, les paramètres contextuels et physiques et les données météorologiques. De plus, cette gestion de l’énergie doit tenir compte des événements futurs qui peuvent survenir dans le réseau intelligent, tels que l’ajout de nouveaux bâtiments, l’utilisation de nouvelles technologies, etc.

Enfin, les risques de sécurité et de confidentialité doivent être pris en compte du fait de la connectivité croissante et des échanges de données entre les utilisateurs (les consommateurs devenant également producteurs, appelés prosommateurs) et les autres acteurs du réseau électrique (services publics, opérateurs, prestataires de services, etc.). Les différentes techniques et méthodes basées sur l’IA utilisées pour relever ces défis sont présentées ici selon trois critères : leur objectif (sortie), le mode d’apprentissage qu’ils ont utilisé pour fournir cet objectif (sortie) et leur domaine d’application.

Outil de prédiction

Dans le domaine de la transition énergétique, les méthodes basées sur l’IA sont principalement utilisées pour prédire la consommation ou la demande d’énergie électrique, l’énergie produite par une ressource d’énergie renouvelable comme des éoliennes ou des panneaux photovoltaïques, et l’état de santé d’un composant ou d’une machine tel que des isolateurs, des transformateurs, un générateur ou des lignes de transport.

La prévision dans le domaine de la transition énergétique est difficile en raison des fluctuations de la demande et de la production dues à la variabilité des conditions météorologiques, des caractéristiques du bâtiment et des propriétés thermiques des matériaux physiques utilisés, des appareils (comme le système de chauffage, ventilation et climatisation), leur vieillissement, le comportement des utilisateurs, etc.

Cette prédiction devient plus difficile lorsque l’horizon temporel est à long terme et que la résolution est plus élevée. Par conséquent, les méthodes basées sur l’IA utilisées pour la prédiction dans le domaine de la transition énergétique diffèrent selon leur précision de prédiction ainsi que l’horizon temporel et la résolution employés pour effectuer la prédiction. La précision peut être évaluée en utilisant principalement deux critères : l’erreur quadratique moyenne (EQM) et le coefficient de corrélation de Pearson (PCC). L’EQM indique la différence entre les valeurs réelles et prédites pendant une fenêtre temporelle tandis que le PCC indique le degré de dépendance linéaire entre les valeurs réelles et prédites pendant une fenêtre temporelle.