137
Analyse comportementale et conseil en temps réel d’optimisation de la consommation
énergétique
Les consommations d’un bâtiment (par usage ou mesurées au compteur général) et ses
caractéristiques, ainsi que des données comportementales ou techniques (type d’éclairage, température
cible de chauffage, comportement vis-à-vis de l’éclairage) permettent de construire un modèle «
génératif » du bâtiment. En utilisant celui-ci, il est possible de quantifier l’impact d’un changement de
comportement sur les consommations énergétiques d’un bâtiment. L’IA permet aussi de fournir des
conseils en temps réel afin d’aider à l’identification de postes consommateurs et par analyse de la
courbe de charge optimiser le comportement dans le but d’optimiser les consommations.
Maintenance prédictive
L’utilisation de données provenant de SIG (systèmes d’informations géographiques) tels que le
positionnement de câbles à haute tension, leurs dispositions géographiques, ainsi que des données
comme leur longueur ou leur année de construction permet d’entraîner à l’aide du Machine Learning
un modèle capable de donner la probabilité qu’une panne ou un claquage arrive sur une période future
donnée.
Exemples de projets institutionnels
Bâtiments publics intelligents
Dans le but d’optimiser la consommation d’énergie des infrastructures, l’IA apprend sur base de
l’historique de données collectées par des capteurs installés sur les équipements du bâtiment et est
capable, sur la base de Machine Learning ou Deep Learning, de baisser la consommation énergétique
du bâtiment soit en fournissant les bons conseils aux techniciens qui pilotent les usages, soit l’IA
pilote directement la GTB du bâtiment.
SmartGrids Vendée
Dans le cadre des Smartgrids, l’intelligence artificielle en se basant sur les données historiques ou
temps réels des moyens de production (classiques et renouvelables) mais aussi de consommations à
l’aide des compteurs intelligents et des capteurs au sein des villes intelligentes, permet d’élaborer
l’ensemble des modèles de prédictions permettant une gestion optimisée du réseau ainsi que des
usages des consommateurs finaux.
La gestion des contraintes de distribution prend une autre dimension avec l’arrivée massive des
énergies renouvelables (intermittence) et l’apport de l’intelligence artificielle au cœur de l’ensemble
des processus de gestion et de pilotage du réseau permet d‘optimiser l’offre et la demande
d’électricité.
En plus des modes de productions renouvelables, viennent s’ajouter les nouveaux modes de stockage
de l’énergie (stockage hydrogène, batterie des véhicules électriques, batterie en maison) qui
constituent là aussi la nécessité d’élaborer des algorithmes d’IA capable de gérer les contraintes de
déphasage et d’évaluation des impacts sur l’ensemble du réseau (équilibrage réseau, maintenance
prédictive des câbles).
L’IA en agrégeant l’ensemble des informations sur les ressources disponibles et demandées, permet
d’éviter tout dysfonctionnement du réseau et procure à l’aide de nouveaux outils numériques un
conseil en temps réel au l’usager afin de lui permettra à la fois de maîtriser ses consommations mais
aussi de bénéficier d’une meilleure qualité de service.
Exemples de projets de recherche
Prédiction de l’erreur de zone de contrôle et équilibrage réseau
Les gestionnaires de réseau de transports d’électricité peuvent bénéficier d’un modèle capable de
prédire les erreurs d’équilibre entre génération et demande. Un tel modèle utilise les données
historiques, ainsi que les programmes d’échanges planifiés dans le futur et les prévisions de
Analyse comportementale et conseil en temps réel d’optimisation de la consommation
énergétique
Les consommations d’un bâtiment (par usage ou mesurées au compteur général) et ses
caractéristiques, ainsi que des données comportementales ou techniques (type d’éclairage, température
cible de chauffage, comportement vis-à-vis de l’éclairage) permettent de construire un modèle «
génératif » du bâtiment. En utilisant celui-ci, il est possible de quantifier l’impact d’un changement de
comportement sur les consommations énergétiques d’un bâtiment. L’IA permet aussi de fournir des
conseils en temps réel afin d’aider à l’identification de postes consommateurs et par analyse de la
courbe de charge optimiser le comportement dans le but d’optimiser les consommations.
Maintenance prédictive
L’utilisation de données provenant de SIG (systèmes d’informations géographiques) tels que le
positionnement de câbles à haute tension, leurs dispositions géographiques, ainsi que des données
comme leur longueur ou leur année de construction permet d’entraîner à l’aide du Machine Learning
un modèle capable de donner la probabilité qu’une panne ou un claquage arrive sur une période future
donnée.
Exemples de projets institutionnels
Bâtiments publics intelligents
Dans le but d’optimiser la consommation d’énergie des infrastructures, l’IA apprend sur base de
l’historique de données collectées par des capteurs installés sur les équipements du bâtiment et est
capable, sur la base de Machine Learning ou Deep Learning, de baisser la consommation énergétique
du bâtiment soit en fournissant les bons conseils aux techniciens qui pilotent les usages, soit l’IA
pilote directement la GTB du bâtiment.
SmartGrids Vendée
Dans le cadre des Smartgrids, l’intelligence artificielle en se basant sur les données historiques ou
temps réels des moyens de production (classiques et renouvelables) mais aussi de consommations à
l’aide des compteurs intelligents et des capteurs au sein des villes intelligentes, permet d’élaborer
l’ensemble des modèles de prédictions permettant une gestion optimisée du réseau ainsi que des
usages des consommateurs finaux.
La gestion des contraintes de distribution prend une autre dimension avec l’arrivée massive des
énergies renouvelables (intermittence) et l’apport de l’intelligence artificielle au cœur de l’ensemble
des processus de gestion et de pilotage du réseau permet d‘optimiser l’offre et la demande
d’électricité.
En plus des modes de productions renouvelables, viennent s’ajouter les nouveaux modes de stockage
de l’énergie (stockage hydrogène, batterie des véhicules électriques, batterie en maison) qui
constituent là aussi la nécessité d’élaborer des algorithmes d’IA capable de gérer les contraintes de
déphasage et d’évaluation des impacts sur l’ensemble du réseau (équilibrage réseau, maintenance
prédictive des câbles).
L’IA en agrégeant l’ensemble des informations sur les ressources disponibles et demandées, permet
d’éviter tout dysfonctionnement du réseau et procure à l’aide de nouveaux outils numériques un
conseil en temps réel au l’usager afin de lui permettra à la fois de maîtriser ses consommations mais
aussi de bénéficier d’une meilleure qualité de service.
Exemples de projets de recherche
Prédiction de l’erreur de zone de contrôle et équilibrage réseau
Les gestionnaires de réseau de transports d’électricité peuvent bénéficier d’un modèle capable de
prédire les erreurs d’équilibre entre génération et demande. Un tel modèle utilise les données
historiques, ainsi que les programmes d’échanges planifiés dans le futur et les prévisions de