Yann LeCun, professeur au Collège de France et lauréat du prix Turing avertissait en 2020 les acteurs des énergies renouvelables : « Les énergies renouvelables sont très désirables mais ne sont pas contrôlables. L'IA pourrait nous aider à améliorer les technologies de stockage de l'énergie et ainsi pallier les carences grâce à des méthodes de simulation plus rapides et moins coûteuses ».

Originellement tournée vers les institutions financières, Advestis travaille depuis 2019 au développement d'une nouvelle suite de briques technologiques d'IA spécifiquement adaptées aux besoins des acteurs de la filière hydrogène française.

En France, les maisons individuelles et bâtiments sont à l'origine de 36% (source RTE Bilan Electrique 2019) des émissions de CO2. Dans le contexte des objectifs de la France en matière de réduction des GES et d'atteinte de la neutralité carbone en 2050, les collectivités locales, offices HLM, entreprises et promoteurs immobiliers se sont engagées dans des programmes d'efficacité énergétique et d'économie d'énergie à travers des mesures visant à rendre les maisons individuelles et bâtiments plus intelligents : « bâtiment intelligent » ou « green building ».

En revanche, l'optimisation de la gestion des petits réseaux électriques à partir de l'IA embarquée, constitue un gisement de progression encore très peu développé et au potentiel très important, souligne Advestis.

Pourquoi cibler les échelles petites ou intermédiaires ?

Contrairement aux grands réseaux, dont le comportement est largement moyenné à grande échelle, les réseaux de taille intermédiaire ou petite sont beaucoup plus sensibles à la variabilité des comportements des usagers. Les techniques de l'IA offrent la possibilité de tirer des enseignements de cette variabilité, et d'y adapter dynamiquement l'injection ou la demande de puissance.

Cette approche est innovante car les décisions de production et de stockage diffus sont déterminées au vu des comportements réels des usagers. Cela n'impose donc pas de normer les comportements individuels en fonction d'objectifs fixés a priori. Les techniques d'apprentissage automatique ont pour caractéristique de ne pas exiger de modélisation préalable des comportements. Il est ainsi possible de décrire les habitudes des usagers de façon beaucoup plus riche et détaillée qu'en ne prenant en compte que deux ou trois paramètres. Par exemple, le confort ressenti par l'habitant au niveau individuel ne se résume pas uniquement au seul paramètre de température. De la même façon, il convient de tenir compte du fait que les équipements individuels ont des caractéristiques inégales en matière de maintenance, et des performances variables dans le temps. Le système doit faire face à des perturbations d'origines multiples (météorologiques, contraintes du réseau, conditions du marché électrique, performance opérationnelle des équipements). N'oublions pas qu'il s'agit d'optimiser un système de production intermittent couplé au réseau électrique, souligne Advestis.

L'apport majeur de l'IA est d'offrir un cadre unifié à cette diversité des Micro Grids, en produisant des modèles adaptés à une grande variété de fonctions objectifs.

Les algorithmes d'IA embarqués grâce au « edge computing » sont des candidats naturels pour les tâches d'optimisation des systèmes complexes que constituent les petits réseaux hybrides. Cette optimisation est aujourd'hui rendue possible grâce à la disponibilité de grandes quantités de données déjà générées par les capteurs et les outils de suivi en temps réel installés, en conformité avec le RGPD.

L'utilisation de l'IA embarquée ouvre de nouveaux gisements d'économies d'énergie au-delà de la pure éducation des usagers. En effet, les IAs ouvrent la voie à des taxonomies fines de comportements de consommation , dont une supervision plus précise devient possible. Un nouveau champ d'économies et de productions d'énergies voit ainsi le jour.