Des chercheurs du KIT ont mis au point une méthode pour rendre plus transparentes les prévisions d’approvisionnement énergétique basées sur l’IA. Photo: Markus Breig, KIT
L’intelligence artificielle aide de plus en plus les fournisseurs d’énergie à renforcer la robustesse de leurs réseaux, à améliorer les prévisions des prix de l’électricité et à optimiser la consommation d’énergie. Dans les infrastructures critiques, comme le système énergétique, l’IA ne doit pas être une boîte noire : ses décisions doivent être compréhensibles à tout moment. Des chercheurs de l’Institut de technologie de Karlsruhe (KIT) ont mis au point une nouvelle méthode pour une analyse plus transparente des prédictions basées sur l’IA pour les systèmes énergétiques. Les résultats de leur étude ont été publiés dans Nature Communications (DOI : 10.1038/s41467-026-73243-5 ).
La gestion de l’approvisionnement énergétique devient de plus en plus complexe. Si la production d’énergie éolienne et solaire dépend des conditions météorologiques, les véhicules électriques, les systèmes de stockage par batteries et les pompes à chaleur modifient les profils de consommation. « Les gestionnaires de réseau et les fournisseurs d’énergie s’appuient de plus en plus sur l’intelligence artificielle pour rendre leurs systèmes plus efficaces et plus robustes », a déclaré Benjamin Schäfer, professeur titulaire à l’Institut d’automatisation et d’informatique appliquée (IAI) du KIT.
Pour aligner au mieux la production et la consommation d’énergie, il est nécessaire de prendre en compte simultanément de nombreux facteurs, tels que les prévisions météorologiques, les prévisions de charge, les capacités du réseau et de la distribution, ainsi que le comportement des consommateurs.
« L’IA nous est précieuse, mais elle ne doit pas rester une boîte noire. Il est essentiel que chacun puisse comprendre comment elle élabore ses prévisions et prend ses décisions. Dans le secteur crucial de l’énergie, où les erreurs peuvent avoir de graves conséquences, la transparence et la supervision humaine sont indispensables – et la loi européenne sur l’IA les impose d’ailleurs », explique Schäfer, responsable du groupe de jeunes chercheurs Helmholtz DRACOS (pour « Data-Driven Analysis of Complex Systems ») au KIT.
Pour ses travaux, l’Académie des sciences et des lettres de Heidelberg lui décernera le prix d’écologie 2026 de la Fondation Viktor et Sigrid Dulger.
« SHAPformer » combine plusieurs méthodes
Dans une étude récente, financée par l’unité de coopération en intelligence artificielle de l’Association Helmholtz, l’équipe de Schäfer présente la nouvelle méthode « SHAPformer ». Développée pour fournir des prévisions de séries temporelles, c’est-à-dire des prédictions basées sur des données successives enregistrées à intervalles réguliers, comme la consommation ou les prix de l’électricité, cette méthode vise à produire des prédictions basées sur l’IA qui soient à la fois précises et transparentes.
Les chercheurs ont combiné des modèles de transformateurs – issus des modèles de langage avancés – avec des méthodes d’IA explicable (XAI). Le nom « SHAPformer » fait référence à la connexion entre les modèles de transformateurs et les méthodes SHAP. Ces modèles, basés sur des concepts de la théorie des jeux, montrent comment des caractéristiques individuelles telles que les températures, les jours fériés, les prévisions de production éolienne ou les données de consommation antérieures influencent une prédiction.
L’impact des caractéristiques individuelles devient visible
« Lors de l’entraînement de nos modèles, nous avons volontairement exclu certaines informations », explique Matthias Hertel, assistant de recherche à l’IAI et auteur principal de l’étude. « Ainsi, nous avons pu comprendre l’influence de certaines données d’entrée sur les prédictions du modèle. »
Les informations utilisées par l’équipe pour entraîner son système comprenaient des données réelles fournies par le gestionnaire du réseau de transport d’électricité TransnetBW. L’objectif était de prédire la consommation et les prix de l’électricité sur des périodes allant jusqu’à une semaine, tout en montrant clairement quelles caractéristiques influent sur les prévisions. Il est ainsi possible d’analyser la contribution de chaque caractéristique à une prévision.
L’explicabilité intégrée directement dans la formation
Avec de nombreuses méthodes existantes, les explications ne sont générées qu’après la prédiction, ce qui exige une puissance de calcul considérable. « Notre approche est unique car l’explicabilité est intégrée dès le processus d’apprentissage », explique Hertel. Les prévisions restent précises, tandis que l’analyse gagne en efficacité.
« Nos travaux fournissent les bases méthodologiques nécessaires à la mise en pratique de ces approches à l’avenir », a déclaré Schäfer. Dans ce processus, la précision technique, la fiabilité et l’acceptation par l’utilisateur sont essentielles. Schäfer cite en exemple les systèmes intelligents de chargement et de déchargement des véhicules électriques ou les systèmes de stockage domestiques qui réagissent automatiquement aux fluctuations du prix de l’électricité.
« Les consommateurs seront probablement plus enclins à accepter un système de chargement intelligent s’ils comprennent pourquoi leurs véhicules électriques ont été chargés plus tard que d’habitude – par exemple, parce que les prix de l’électricité étaient particulièrement élevés plus tôt dans la journée et que ce report leur a permis de faire des économies. »
https://www.kit.edu/kit/english/pi_2026_051_explainable-ai-for-energy-systems.php
