Une IA générative pour optimiser des systèmes énergétiques décentralisés
Il devient indispensable de passer de systèmes énergétiques centralisés et carbonés à des équivalents décentralisés, durables et flexibles.
Les systèmes énergétiques doivent désormais s’adapter à de multiples évolutions : sources d’énergie renouvelables, production décentralisée, arrivée de l’hydrogène décarboné… Dans le cadre du projet phare ELECTRE du Carnot M.I.N.E.S, une équipe de recherche d’IMT Mines Albi développe un modèle d’IA générative capable de générer des systèmes énergétiques tirant pleinement parti de ces nouvelles possibilités.
La transition énergétique impose aux systèmes énergétiques actuels d’intégrer la présence de sources d’énergie renouvelables. « Celles-ci se caractérisent toutefois par leur intermittence : elles ne produisent pas en continu », relève Islem Jelassi, doctorante à IMT Mines Albi, au centre RAPSODEE. « Par conséquent, il faut recourir à des solutions de stockage d’énergie, comme des batteries, qui servent à alimenter le réseau quand la production est plus faible. Ainsi, il devient indispensable de passer de systèmes énergétiques centralisés et carbonés à des équivalents décentralisés, durables et flexibles, capables de s’adapter aux sources intermittentes et de répondre aux besoins locaux. »
Cette problématique va, de surcroît, s’amplifier avec l’arrivée progressive de l’hydrogène décarboné. Ce vecteur énergétique offre en effet davantage de flexibilité, à travers la possibilité de stocker différemment de l’énergie, sur une durée plus longue. « Au lieu d’employer des batteries, on peut transformer l’électricité en hydrogène gazeux, que l’on stocke ensuite dans un réservoir sous pression », expose Jean-Louis Dirion, enseignant-chercheur à IMT Mines Albi et directeur adjoint du centre RAPSODEE. « Or, il est plus facile de stocker un gaz, même pendant plusieurs mois. Et en cas de besoin, on peut réaliser le procédé inverse, en transformant le gaz en électricité. »
Quelle technique d’IA utiliser pour concevoir des systèmes énergétiques optimaux ?
Là où les batteries électrochimiques ne permettent un stockage d’énergie que de quelques jours, cette solution offre donc des perspectives de plusieurs mois. Un avantage qui s’accompagne néanmoins d’interrogations essentielles. Quel est le moment idéal pour commencer à stocker de l’énergie sous forme de gaz, selon les prévisions de production ? Quand, au contraire, transformer l’hydrogène en électricité ? Plus globalement, comment concevoir de nouveaux systèmes énergétiques prenant en compte, de façon optimale, la décentralisation de la production et les possibilités offertes par l’hydrogène décarboné ? C’est l’objet de la thèse réalisée par Islem Jelassi, associant le centre RAPSODEE et le Centre Génie Industriel (CGI) d’IMT Mines Albi, dans le cadre du projet phare ELECTRE, avec le soutien du Carnot M.I.N.E.S et de la région Occitanie.
Tout d’abord, qu’est-ce qu’un système énergétique décentralisé « optimal » ? « Cette notion n’est pas simple, car elle repose sur une multitude de critères possibles : économiques, techniques, ou encore physiques », souligne Islem Jelassi. « Par exemple, il peut être question du coût total du système, de sa rentabilité, de sa capacité à répondre à la demande, de la part des besoins couverts par les énergies renouvelables, des émissions de CO2… » Dès lors, optimiser un système revient à trouver le meilleur compromis en considérant tous ces critères.
Comment mettre au point un outil capable d’effectuer ce travail automatiquement ? « À l’origine, nous pressentions que nous nous dirigions vers une méthode d’IA générative, mais nous n’avions retenu aucune option précise en particulier », retrace Jean-Louis Dirion. « Islem a donc passé la première partie de sa thèse à étudier la littérature scientifique afin d’identifier la technique paraissant la plus adaptée. » Le choix s’est porté sur un modèle de machine learning appelé « réseau antagoniste génératif » (GAN, Generative Adversarial Network). Une approche qui n’avait alors jamais été utilisée pour la conception de systèmes énergétiques, mais qui semblait pouvoir répondre à cette problématique.
Quels paramètres étudier ?
Comme toute démarche impliquant du machine learning, elle nécessitait premièrement une base de données suffisamment riche pour entraîner le modèle développé. La doctorante a donc commencé par construire une base de connaissance sous la forme d’un diagramme de classes, modélisant la totalité d’un système énergétique. Chaque classe y représente un composant, tel qu’un panneau photovoltaïque, possédant différentes propriétés, comme sa puissance, son coût, son orientation, etc. De plus, les classes sont liées par des relations, traduisant les interactions possibles entre les composants : panneaux photovoltaïques, batteries, onduleurs…
Cette base de connaissance a alors servi à réaliser une série de simulations visant à produire les données pour entraîner le GAN. Une tâche accomplie grâce à l’outil System Advisor Model (SAM). « Il s’agit d’un modèle complet permettant d’évaluer les performances économiques, physiques et techniques d’un système énergétique », décrit Jean-Louis Dirion. « Et il offre de multiples possibilités, avec des centaines de paramètres à disposition. Cependant, il serait fastidieux de tous les étudier, d’autant que cela nécessiterait une grosse puissance de calcul. Par conséquent, un travail préliminaire de présélection des paramètres s’imposait. »
Islem Jelassi a donc étudié, une nouvelle fois, la littérature scientifique à la recherche des critères les plus pertinents. Elle a également sollicité l’avis d’un expert, Mathieu Milhé, enseignant-chercheur à IMT Mines Albi, au centre RAPSODEE, et encadrant de la thèse. Une démarche qui a abouti à une liste d’une dizaine de paramètres, parmi lesquels la surface des panneaux photovoltaïques, leur inclinaison, leur orientation, ainsi que la capacité des batteries électrochimiques, ou encore les caractéristiques de leur état de charge.
Une base de données générée à partir de milliers de simulations
Ensuite, les simulations ont été réalisées en deux étapes. La première consistait à simuler le système énergétique en faisant varier un paramètre à la fois, parmi la dizaine préalablement identifiée. Le but : observer l’impact de chacun de ces critères sur les différents indicateurs économiques, techniques et physiques évoqués précédemment.
Ce travail a ainsi permis d’identifier les cinq paramètres exerçant la plus grande influence sur l’optimisation du système énergétique simulé, donc les plus pertinents à étudier. Toujours à l’aide de l’outil SAM, des milliers de simulations ont alors été réalisées en faisant varier ces cinq paramètres, cette fois-ci en même temps, dans des intervalles prédéfinis, afin de mettre en évidence leurs interactions. Une étape qui a généré une base de données suffisante pour alimenter le GAN lors de sa phase d’entraînement.
Ce passage de SAM au modèle d’IA n’était toutefois pas immédiat. « Le contexte est différent d’une IA générative qui, par exemple, peut générer une image à partir d’autres images, constituées de matrices de pixels », compare Islem Jelassi. « Ici, les données sont complexes et, surtout, hétérogènes : elles présentent des formats et des unités différents, il peut s’agir de valeurs économiques, d’informations géométriques… Par conséquent, nous avions besoin de traiter les données afin de les rendre "lisibles" par notre modèle. » Une tâche à laquelle a notamment contribué Aurélie Montarnal, enseignante-chercheuse au CGI et codirectrice de la thèse d’Islem Jelassi.
Valider la pertinence du modèle avant d’intégrer l’hydrogène décarboné
Par ailleurs, pour son apprentissage, le GAN requiert, en entrée, un vecteur comprenant toutes les configurations utilisées lors des simulations, associées aux valeurs des propriétés et des résultats obtenus. « Cette étape nécessite, de nouveau, un travail préparatoire », complète Islem Jelassi. « Comment structurer ce vecteur d’entrée pour qu’il soit aisément exploitable par le modèle ? Nous étudions actuellement la meilleure façon de procéder. »
Toutes les conditions seront alors réunies pour l’entraînement du GAN, qui devrait ensuite être capable de générer des systèmes énergétiques décentralisés optimaux. Une capacité qu’il faudra cependant vérifier, en évaluant les résultats fournis. L’outil SAM pourrait ainsi être employé pour mesurer les indicateurs de performance associés aux systèmes énergétiques produits par le modèle.
Si l’essai s’avère concluant, l’équipe de recherche ajoutera le vecteur hydrogène dans l’équation. « Jusqu’à présent, nous n’avons considéré que les panneaux photovoltaïques et le stockage électrochimique associé – l’éolien n’étant pas pertinent à l’échelle des systèmes locaux que nous étudions », précise Jean-Louis Dirion. « Cela nous permet de valider notre approche sur un système plus simple. Avant d’intégrer, dans un second temps, l’hydrogène décarboné, en suivant la même méthode. »