L'intelligence artificielle face au défi de la transition énergétique
Avec le nucléaire, l'éolien et le solaire représentent les principales alternatives aux énergies carbonées, dixit deux études récentes, l'une publiée en août 2019 par les universités du Sussex en Angleterre et d'Aarhus au Danemark, l'autre en avril 2020 par l'université de Lut en Finlande et SolarPower Europe. Représentant 8,5% de l'électricité produite en France en 2019, l'éolien et le solaire sont néanmoins confrontés à des enjeux techniques. Dépendantes de contraintes météorologiques, géographiques, mais également d'exposition (au vent pour l'une et au soleil pour l'autre), elles ne sont pas disponibles en permanence à l'image du nucléaire. Ce qui implique d'adapter la consommation. Face aux éléments naturels, l'efficacité des champs éoliens et solaires est aussi conditionnée à la maîtrise de leur déploiement et à la qualité de leur maintenance. Pour résoudre ces problématiques, l'IA se révèle un outil clé.
Le deep learning pour estimer le potentiel solaire
Total est dans la course via ses filiales Total Quadran et Total Solar spécialisées dans la mise en œuvre de centrales de production d'électricité verte. Le groupe mise sur l'IA pour réduire le temps d'estimation du potentiel de production d'un site à quelques secondes. Dans ce but, il s'appuie pour l'heure sur l'API Sunroof de Google. Intégrée au portail de Direct Energy, fournisseur d'électricité et de gaz acquis par Total en 2019, elle permet aux client de la filiale du même nom de calculer la capacité d'ensoleillement de leur toiture (avec une résolution de 10 cm), avant d'être mis en relation avec un installateur partenaire. "En France, Sunroof se limite à 30% du territoire et se focalise majoritairement sur le nord de l'Hexagone", constate Philippe Cordier, directeur du programme de recherche Scientific Computing, Data Science & AI chez Total.
Face à ce constat, Total développe désormais son propre modèle de prédiction solaire avec pour objectif de couvrir, cette fois, 90% de l'Hexagone. Nom de code du projet : Solar Mapper. Enchaînant plusieurs réseaux de neurones, il a été entraîné à partir d'un data set d'apprentissage d'images satellitaires en 2D associé à un data set de validation d'images aériennes en pseudo 3D. L'objectif est double : d'abord, passer d'une résolution de 50 cm, susceptible de générer un pourcentage d'erreurs non-négligeable, à une finesse de 10 cm comparable à celle de Sunroof. Ensuite, reconstituer automatiquement les pans de toit en trois dimensions avec à la clé leur contour, leur azimut et leur incidence. Trois indicateurs clés permettant au final d'estimer la capacité de production du site via des modèles sur étagère tenant compte de l'historique d'ensoleillement.
"A terme, l'objectif est d'étendre ce modèle à d'autres pays où Total est fournisseur d'électricité"
Pour entraîner ses réseaux de neurones, Total s'est d'abord appuyé sur des processeurs graphiques (GPU) avant de se tourner vers les processeurs TPU (pour Tensor Processing Unit) de Google Cloud, spécialement taillés pour les réseaux de neurones. Résultat : un temps d'apprentissage divisé par cinq. L'intégration de la nouvelle API au portefeuille de produits est prévue d'ici la fin de l'année. "A terme, l'objectif est d'étendre ce modèle à d'autres pays où Total est fournisseur d'électricité (la Belgique, l'Espagne, les Pays-Bas, le Royaume-Uni, ndlr), quitte à l'améliorer et l'adapter à d'éventuelles particularités locales via du transfert learning notamment", complète Philippe Cordier.
Editeur d'un système de gestion de l'autoconsommation d'énergie solaire pour les particuliers, le français MyLight Systems a également recours à l'IA pour estimer le potentiel de production de ses clients. "Nous travaillons pour de nombreux petits sites diffus dans toute la France, avec des panneaux dont l'orientation et l'inclinaison ne sont pas optimisées car dépendantes du bâtiment. Or, nous ne parvenons pas à obtenir ces données techniques de la part des installateurs", reconnaît Ondine Suavet, directrice générale et co-fondatrice de MyLight. "Nous recourons au machine learning pour identifier ces caractéristiques, mais aussi pour déterminer la présence d'ombrage à proximité ou d'éléments saisonniers susceptibles d'impacter la capacité." En coulisses, la société part d'une série de modèles type (installation solaire 100% orientée à l'est, à l'ouest, inclinaison x…) pour en déduire les particularités de la centrale solaire ciblée.
Le machine learning face aux aléas du solaire
En aval, MyLight pilote à distance les principales infrastructures électriques du domicile : le chauffe-eau, la pompe-piscine, qui peuvent être activés dès que la centrale solaire produit, et surtout le système de chauffage. Un élément sur lequel l'IA intervient directement. "En tenant compte de la température extérieure, le machine learning établit le niveau d'inertie thermique du bâtiment, c'est-à-dire le temps qu'il va mettre à refroidir. Ce qui dépend du niveau d'isolation et du type de chauffage : une pompe à chaleur alimentant des radiateurs à eau affichera une bien meilleure inertie que des radiateurs électriques lambda par exemple", relate Ondine Suavet. Une fois le modèle établi, l'objectif est ensuite de lisser le fameux pic de consommation de 19 heures, bien connu d'EDF, en préchauffant le domicile tant qu'il y a du soleil. "On réduit ainsi de facto le besoin d'énergie à 19h", résume Ondine Suavet.
Comparé au solaire, prédire le potentiel de l'éolien est plus complexe. Un défi auquel la R&D de Total compte s'attaquer cette année en faisant appel, là-encore, à l'IA. "On connaît assez bien les vents régionaux, mais beaucoup moins les vents locaux à l'échelle de quelques kilomètres. C'est particulièrement le cas en mer où les stations et points de calibration météo ne sont pas légion", explique Philippe Cordier, qui rappelle les ambitions de Total dans l'éolien offshore. "Le ML nous permettra de mieux maîtriser ce facteur via la modélisation d'images satellites."
"Sur un parc éolien, tout l'enjeu est de piloter les pâles en temps réel pour limiter les effets négatifs des turbulences du vent sur la production"
Une fois ses centrales de production d'énergie verte déployées, Total s'engage à produire une certaine quantité d'électricité. Côté panneaux solaires, le groupe envisage un double modèle pour optimiser leur rendement. Le premier sera centré sur la prédiction de l'encrassement des panneaux en fonction de la météo, et notamment de la pluie ou du vent qui en fonction de sa qualité peuvent nettoyer ou salir les surfaces. En fonction des résultats du premier, le second sera conçu pour optimiser le rythme des séquences de nettoyage afin de maintenir le niveau de production, tout en limitant les coûts de maintenance.
Réduire les coûts d'installation
Côté éolien, Total entend évidemment jouer sur l'orientation des pales par rapport au vent pour optimiser la production d'énergie. Un réglage complexe devant composer avec la dynamique des fluides, que l'IA contribuera à affiner. "Dans un parc d'éoliennes en carré par exemple, un vent est-ouest tapant sur la première rangée génère dans certaines conditions des turbulences affectant la production des éoliennes de la deuxième rangée, et ainsi de suite. Tout l'enjeu de l'IA est d'aboutir à une configuration des pales limitant ces effets", explique Philippe Cordier. Or, dans un champ de quelques dizaines d'éoliennes, le nombre de configurations potentielles est immense. "D'où l'idée de faire appel à un modèle de simulation, à base de ML, en vue de dénicher l'optimisation la plus juste" ajoute Philippe Cordier. Ce dernier sera utilisé jusqu'à ce que l'infrastructure fournisse suffisamment de données de production pour alimenter son propre modèle d'apprentissage par renforcement. Pour éviter les temps de latence réseau et gérer le pilotage des pales en temps réel, l'exécution de ces briques ne sera gérée entièrement dans le cloud, mais en partie localement. "Chez MyLight, nous envisageons dans la même logique d'exécuter le ML en mode edge pour plus de réactivité", précise Ondine Suavet.
Enedis est aussi engagé dans cette quête. Via une offre de raccordement intelligent, la filiale d'EDF mise sur l'IA pour réduire les coûts et délais de raccordement des infrastructures éoliennes ou solaires de ses clients. La méthode : connecter l'installation au réseau le plus proche, même si ce dernier est faiblement dimensionné. À partir de données météorologiques et d'algorithmes prédictifs, Enedis anticipe ensuite les niveaux de production et de consommation régionaux. En fonction des volumes projetés, le groupe en déduit le niveau de risque que le réseau local ne tienne pas la charge. S'il est trop grand, l'ordre est alors envoyé à l'installation de limiter momentanément sa production. Dans le cadre de cette offre, Enedis s'engage auprès du client sur un nombre maximal de limitations chaque année. C'est donnant-donnant.