Skip to main content

3 Déc, 2023

Quatre façons dont l’IA rend le réseau électrique plus rapide et plus résistant

Quatre façons dont l’IA rend le réseau électrique plus rapide et plus résistant

Qu’il s’agisse de prédire les temps de charge des véhicules électriques ou de repérer les zones à haut risque d’incendie de forêt, l’IA transforme notre réseau énergétique.

Le réseau électrique devient de plus en plus complexe à mesure que les sources d’énergie renouvelable se multiplient. Alors qu’autrefois un petit nombre de grandes centrales électriques alimentaient la plupart des foyers à un débit constant, des millions de panneaux solaires produisent aujourd’hui une électricité variable. Les conditions météorologiques de plus en plus imprévisibles ajoutent à la difficulté d’équilibrer l’offre et la demande. Pour gérer ce chaos, les opérateurs de réseaux se tournent de plus en plus vers l’intelligence artificielle.

La capacité de l’IA à apprendre à partir de grandes quantités de données et à répondre à des scénarios complexes la rend particulièrement adaptée à la tâche consistant à maintenir la stabilité du réseau, et un nombre croissant d’éditeurs de logiciels proposent des produits d’IA à l’industrie de l’énergie, réputée pour sa lenteur d’évolution.

Le ministère américain de l’énergie a reconnu cette tendance en accordant récemment 3 milliards de dollars de subventions à divers projets de « réseaux intelligents » comprenant des initiatives liées à l’IA.

L’enthousiasme suscité par l’IA dans le secteur de l’énergie est palpable. Certains spéculent déjà sur la possibilité d’un réseau entièrement automatisé où, en théorie, aucun humain ne serait nécessaire pour prendre les décisions quotidiennes.

Mais cette perspective est encore lointaine ; pour l’instant, la promesse réside dans la possibilité pour l’IA d’aider les humains, en fournissant des informations en temps réel pour une meilleure gestion du réseau. Voici quatre façons dont l’IA modifie déjà la façon dont les opérateurs de réseau font leur travail.

1. Une prise de décision plus rapide et plus efficace

Le réseau électrique est souvent décrit comme la machine la plus complexe jamais construite. En raison de l’immensité du réseau, il est impossible pour une seule personne de comprendre tout ce qui s’y passe à un moment donné, et encore moins de prédire ce qui se passera plus tard.

Feng Qiu, scientifique à l’Argonne National Laboratory, un institut de recherche financé par le gouvernement fédéral, explique que l’IA aide le réseau de trois manières principales : en aidant les opérateurs à comprendre les conditions actuelles, à prendre de meilleures décisions et à prévoir les problèmes potentiels.

Feng Qiu a passé des années à rechercher comment l’apprentissage automatique peut améliorer les opérations du réseau. En 2019, son équipe s’est associée à Midcontinent Independent System Operator (MISO), un opérateur de réseau desservant 15 États américains et certaines parties du Canada, pour tester un modèle d’apprentissage automatique destiné à optimiser la planification quotidienne d’un réseau d’une taille comparable à celle du vaste réseau de MISO.

Chaque jour, les opérateurs de réseaux comme MISO effectuent des calculs mathématiques complexes pour prédire la quantité d’électricité qui sera nécessaire le lendemain et tentent de trouver le moyen le plus rentable de distribuer cette énergie.

Le modèle d’apprentissage automatique de l’équipe de Feng Qiu a montré que ce calcul peut être effectué 12 fois plus rapidement que ce qui est possible sans l’IA, réduisant le temps nécessaire de près de 10 minutes à 60 secondes. Étant donné que les opérateurs de systèmes effectuent ces calculs plusieurs fois par jour, le gain de temps pourrait être considérable.

Actuellement, l’équipe de Feng Qiu met au point un modèle permettant de prévoir les pannes de courant en intégrant des facteurs tels que la météo, la géographie et même les niveaux de revenus des différents quartiers. Grâce à ces données, le modèle peut mettre en évidence des schémas tels que la probabilité de pannes de courant plus longues et plus fréquentes dans les zones à faibles revenus dotées d’une infrastructure médiocre. De meilleures prévisions peuvent aider à prévenir les pannes, à accélérer les interventions en cas de catastrophe et à minimiser les souffrances lorsque de tels problèmes surviennent.

2. Une approche sur mesure pour chaque foyer

Les efforts d’intégration de l’IA ne se limitent pas aux laboratoires de recherche. Lunar Energy, une start-up spécialisée dans les batteries et les technologies de réseau, utilise des logiciels d’IA pour aider ses clients à optimiser leur consommation d’énergie et à économiser de l’argent.

« Vous avez ce réseau de millions d’appareils et vous devez créer un système qui peut prendre toutes les données et prendre la bonne décision, non seulement pour chaque client individuel, mais aussi pour le réseau », explique Sam Wevers, responsable des logiciels chez Lunar Energy. « C’est là que la puissance de l’IA et de l’apprentissage automatique entre en jeu.« 

Le logiciel Gridshare de Lunar Energy rassemble les données de dizaines de milliers de foyers, collectant des informations sur l’énergie utilisée pour charger les véhicules électriques, faire fonctionner les lave-vaisselle et les climatiseurs, etc. Combinées aux données météorologiques, ces informations alimentent un modèle qui crée des prévisions personnalisées des besoins énergétiques de chaque foyer.

À titre d’exemple, Sam Wevers décrit un scénario dans lequel deux maisons d’une même rue ont des panneaux solaires de taille identique, mais l’une d’entre elles a un grand arbre dans son jardin qui crée de l’ombre l’après-midi, de sorte que ses panneaux génèrent un peu moins d’énergie. Ce type de détail serait impossible à suivre manuellement par les compagnies d’électricité au niveau des ménages, mais l’IA permet d’effectuer ce genre de calculs automatiquement à grande échelle.

Les services tels que Gridshare sont principalement conçus pour aider les clients individuels à économiser de l’argent et de l’énergie. Mais dans l’ensemble, ils fournissent également aux entreprises de services publics des modèles de comportement plus clairs qui les aident à améliorer la planification énergétique. La saisie de ces nuances est essentielle pour la réactivité du réseau.

3. Faire fonctionner les VE avec le réseau

Bien qu’ils soient essentiels à la transition vers les énergies propres, les véhicules électriques représentent un véritable défi pour le réseau.

John Taggart, cofondateur et directeur technique de WeaveGrid, explique que l’adoption des VE augmente considérablement la demande d’énergie. « La dernière fois qu’elles [les compagnies d’électricité] ont dû faire face à ce type de croissance, c’était lorsque les climatiseurs ont fait leur apparition », explique-t-il.

L’adoption des VE a également tendance à se concentrer dans certaines villes et certains quartiers, ce qui peut surcharger le réseau local. Pour alléger ce fardeau, la société WeaveGrid, basée à San Francisco, collabore avec les entreprises de services publics, les constructeurs automobiles et les sociétés de recharge pour collecter et analyser les données relatives à la recharge des VE.

En étudiant les schémas et les durées de charge, WeaveGrid identifie les heures de charge optimales et fait des recommandations aux clients par message texte ou notification d’application sur le moment où ils doivent charger leur véhicule.

Dans certains cas, les clients accordent aux entreprises le contrôle total pour charger ou décharger automatiquement les batteries en fonction des besoins du réseau, en échange d’incitations financières telles que des bons d’achat. Les voitures deviennent ainsi une source précieuse de stockage d’énergie pour le réseau. De grandes entreprises de services publics comme PG&E, DTE et Xcel Energy se sont associées à ce programme.

DTE Energy, une entreprise de services publics basée à Détroit qui dessert le sud du Michigan, a travaillé avec WeaveGrid pour améliorer la planification du réseau. L’entreprise affirme qu’elle a pu identifier 20 000 foyers équipés de VE dans sa région de service et qu’elle utilise ces données pour calculer les prévisions de charge à long terme.

4. Repérer les catastrophes avant qu’elles ne se produisent

Plusieurs entreprises de services publics ont déjà commencé à intégrer l’IA dans des opérations critiques, en particulier l’inspection et la gestion d’infrastructures physiques telles que les lignes de transmission et les transformateurs.

Par exemple, les arbres en surnombre sont l’une des principales causes de pannes d’électricité, car les branches peuvent tomber sur les fils électriques ou déclencher des incendies. Traditionnellement, l’inspection manuelle est la norme, mais compte tenu de l’étendue des lignes de transmission, elle peut prendre plusieurs mois.

PG&E, qui couvre le nord et le centre de la Californie, utilise l’apprentissage automatique pour accélérer ces inspections. En analysant les photographies prises par des drones et des hélicoptères, les modèles d’apprentissage automatique identifient les zones nécessitant l’élagage des arbres ou repèrent les équipements défectueux qui doivent être réparés.

Certaines entreprises vont encore plus loin et utilisent l’IA pour évaluer les risques climatiques généraux.

Le mois dernier, Rhizome, une startup basée à Washington, DC, a lancé un système d’IA qui utilise les données historiques des entreprises de services publics sur les performances des équipements énergétiques et les combine avec des modèles climatiques mondiaux pour prédire la probabilité de défaillances du réseau résultant d’événements météorologiques extrêmes, tels que les tempêtes de neige ou les incendies de forêt.

Il existe des dizaines d’améliorations qu’une entreprise de services publics peut apporter pour renforcer sa résilience, mais elle n’a ni le temps ni les fonds nécessaires pour les mettre toutes en œuvre en même temps, explique Mish Thadani, cofondateur et directeur général de Rhizome. Avec un tel logiciel, les entreprises de services publics peuvent désormais prendre des décisions plus intelligentes sur les projets à privilégier.

Quelle est la prochaine étape pour les exploitants de réseaux ?

Si l’IA est capable de prendre rapidement toutes ces décisions, est-il possible de la laisser gérer le réseau et de renvoyer les opérateurs humains chez eux ? Les experts répondent par la négative.

Il reste plusieurs obstacles majeurs à franchir avant de pouvoir automatiser complètement le réseau. La sécurité est la principale préoccupation.

Feng Qiu explique qu’à l’heure actuelle, des protocoles et des contrôles stricts sont en place pour éviter les erreurs dans les décisions critiques concernant des questions telles que la manière de réagir à des pannes potentielles ou à des défaillances d’équipement.

« Le réseau électrique doit suivre une loi physique très rigoureuse », explique Feng Qiu. Bien qu’elle soit excellente pour améliorer les calculs mathématiques contrôlés, l’IA n’est pas encore en mesure d’intégrer les contraintes d’exploitation et les cas limites qui se présentent dans le monde réel. Cela représente un risque trop important pour les exploitants de réseaux, dont l’objectif premier est la fiabilité. Une mauvaise décision au mauvais moment pourrait entraîner des pannes d’électricité massives.

La confidentialité des données est un autre problème. Jeremy Renshaw, cadre technique supérieur à l’Electric Power Research Institute, estime qu’il est essentiel d’anonymiser les données des clients afin de protéger les informations sensibles, telles que les heures auxquelles les gens restent chez eux.

Les modèles d’IA risquent également de perpétuer des préjugés qui pourraient désavantager les communautés vulnérables. Historiquement, les quartiers pauvres ont souvent été les derniers à bénéficier d’un rétablissement de l’électricité après une panne, explique Jeremy Renshaw. Les modèles formés à partir de ces données pourraient continuer à leur attribuer une priorité moindre lorsque les services publics s’efforcent de rétablir le courant.

Pour remédier à ces biais potentiels, Jeremy Renshaw souligne l’importance de la formation du personnel lorsque les entreprises adoptent l’IA, afin qu’il comprenne quelles tâches sont ou ne sont pas appropriées pour la technologie.

 « Vous pourriez probablement enfoncer une vis à l’aide d’un marteau, mais si vous utilisez le tournevis, cela fonctionnera probablement beaucoup mieux », conclut-il.

https://www.technologyreview.com/2023/11/22/1083792/ai-power-grid-improvement/