Un modèle d’IA prédit la consommation à partir de 2 000 relevés

2 000 relevés horaires de consommation énergétique et d’émissions ont alimenté un modèle qui n’a eu besoin que de quelques secondes pour être entraîné et fonctionner. Yongting Liu et ses collègues ont utilisé des relevés provenant de compteurs intelligents, de systèmes de gestion des bâtiments et de réseaux industriels pour concevoir un système d’IA capable de prédire la consommation énergétique et d’aider les opérateurs à planifier la production d’électricité et la génération d’émissions.

Au cœur du système se trouve l’association d’un réseau antagoniste génératif, ou GAN, fondé sur un transformer — une architecture d’apprentissage automatique dans laquelle deux réseaux neuronaux s’opposent pour produire des données réalistes — et d’une optimisation statistique bayésienne. Le GAN apprend les schémas complexes de la consommation énergétique ; la méthode bayésienne optimise le système afin d’en améliorer les performances.

Cette combinaison vise des problèmes avec lesquels les modèles prédictifs classiques peuvent avoir du mal : les schémas de consommation non linéaires, les pics et les creux soudains, ainsi que l’action simultanée de plusieurs facteurs externes. Avant les tests, les chercheurs ont supprimé les références aux données manquantes et éliminé les valeurs aberrantes afin de normaliser les données d’entrée. Les prédictions obtenues correspondaient étroitement aux données énergétiques observées.

Concrètement, le modèle pourrait offrir aux gestionnaires de l’énergie un espace de répétition rapide. Ils pourraient générer des scénarios pour tester des mesures de déplacement de la demande, étudier comment intégrer la production renouvelable et repérer les inefficacités avant la production effective d’électricité et la génération d’émissions. L’approche pourrait s’appliquer sur des sites industriels disposant d’une production électrique interne et dans des systèmes énergétiques plus vastes.

Le résultat reste un test de modèle au stade de la recherche, et non une réduction mesurée des émissions dans un réseau électrique en conditions réelles. L’étude a utilisé 2 000 relevés préparés et indique que l’entraînement et l’exécution ne prenaient que quelques secondes ; elle ne décrit pas de déploiement en conditions réelles. Pour l’instant, sa valeur pratique réside dans la rapidité avec laquelle les opérateurs pourraient examiner différentes options avant de les mettre en œuvre.