1. Le défi des énergies renouvelables : produire et consommer au bon moment

Imaginez une journée d’hiver : le matin, les habitants allument leur chauffage, préparent leur petit-déjeuner et commencent leurs activités. La consommation d’énergie augmente alors que le soleil n’est pas encore suffisamment présent pour alimenter les panneaux photovoltaïques. Quelques heures plus tard, ces mêmes panneaux peuvent produire davantage d’électricité, mais les besoins des consommateurs ont changé.

C’est l’un des grands défis de la transition énergétique : l’énergie n’est pas toujours produite au moment où nous en avons besoin.

Contrairement aux centrales conventionnelles, la production solaire et éolienne dépend des conditions météorologiques. Le soleil ne brille pas en permanence et la vitesse du vent varie. De leur côté, les besoins énergétiques évoluent selon les heures, les saisons, les activités humaines et les températures extérieures.

Pour intégrer davantage d’énergies renouvelables, il ne suffit donc pas d’installer des panneaux solaires ou des éoliennes. Il faut également apprendre à mieux coordonner la production, le stockage et la consommation.

Cette coordination devient encore plus complexe lorsque plusieurs formes d’énergie sont utilisées simultanément, comme l’électricité, la chaleur et le gaz. Comment anticiper les besoins ? Comment utiliser efficacement les ressources disponibles ? Et surtout, comment prendre de bonnes décisions lorsque les prévisions ne sont jamais parfaitement exactes ?

C’est à ces questions que mes travaux de doctorat se sont notamment intéressés, en associant intelligence artificielle et optimisation énergétique.

2. Les micro-réseaux : une nouvelle façon de gérer l’énergie

Pour comprendre cette recherche, prenons l’exemple d’un quartier équipé de panneaux solaires, d’une petite éolienne, de batteries et de bornes de recharge pour véhicules électriques.

Plutôt que de gérer chaque équipement séparément, il est possible de les coordonner au sein d’un micro-réseau. Il s’agit d’un système énergétique local qui rassemble plusieurs sources de production, des équipements de stockage et différents consommateurs.

Certains micro-réseaux vont encore plus loin : ils ne gèrent pas uniquement l’électricité, mais aussi la chaleur et le gaz. On parle alors de micro-réseaux multi-énergies.

Dans ces systèmes, les différentes formes d’énergie peuvent interagir. Par exemple, une installation de cogénération peut produire simultanément de l’électricité et de la chaleur. De même, lorsque de l’électricité renouvelable est disponible, un électrolyseur peut l’utiliser pour produire de l’hydrogène. Cet hydrogène peut ensuite servir de moyen de stockage ou être utilisé dans d’autres applications énergétiques.

Les batteries, les véhicules électriques et les systèmes de stockage thermique apportent également de la flexibilité : ils permettent, dans certaines limites, de déplacer l’utilisation de l’énergie d’un moment à un autre.

Dans mes recherches, j’ai étudié un micro-réseau associant un réseau électrique, un réseau de chauffage et un réseau de gaz, avec plusieurs technologies de production et de stockage, notamment liées à l’hydrogène.

L’objectif était de déterminer comment ces équipements pouvaient fonctionner ensemble pour répondre aux besoins énergétiques tout en maîtrisant les coûts et les impacts environnementaux.

Mais avant de décider comment utiliser ces ressources, une question essentielle se pose : quelle quantité d’énergie faudra-t-il fournir dans les prochaines heures ?

3. Prévoir les besoins énergétiques grâce à l’intelligence artificielle

Pour gérer efficacement un système énergétique, il est particulièrement utile de connaître à l’avance les besoins des consommateurs.

Prenons l’exemple d’un bâtiment : sa consommation électrique peut augmenter le matin, diminuer pendant certaines heures et repartir à la hausse le soir. Les besoins en chauffage évoluent également avec la température extérieure. Ces variations peuvent suivre certaines habitudes, sans être parfaitement prévisibles.

C’est ici que l’intelligence artificielle peut jouer un rôle important.

Dans le cadre de mon doctorat, j’ai utilisé une méthode d’apprentissage automatique appelée CNN–LSTM pour prévoir les demandes en électricité, en chaleur et en gaz.

Derrière ce nom technique se trouvent deux méthodes complémentaires. La première, appelée CNN, aide à reconnaître des caractéristiques et des tendances dans les données. La seconde, appelée LSTM, est conçue pour apprendre les relations entre les observations successives, par exemple l’évolution de la consommation au fil des heures.

En les combinant, le modèle peut exploiter les informations historiques pour estimer les besoins énergétiques futurs.

On peut comparer cette approche à une personne qui apprend progressivement les habitudes d’un quartier. En observant les consommations passées, elle devient capable d’anticiper les périodes de forte ou de faible demande.

Dans notre étude, nous avons évalué cette méthode pour trois formes d’énergie. Les résultats ont montré une performance de prévision satisfaisante, avec des erreurs relatives moyennes inférieures à 15 % selon l’indicateur utilisé pour chacune des trois demandes énergétiques.

Cependant, même un modèle performant peut se tromper. Une variation inhabituelle de température, un changement d’activité ou un comportement imprévu des consommateurs peuvent entraîner des écarts entre les prévisions et la consommation réelle.

Une bonne prévision est donc une aide précieuse, mais elle ne constitue pas une garantie. Pour exploiter ces résultats dans un système énergétique réel, il faut également tenir compte des erreurs possibles.

4. Comment prendre les bonnes décisions lorsque les prévisions de consommation d’énergie sont incertaines ?

Imaginons que le système prévoit une forte consommation d’électricité pour le lendemain. Sur cette base, il doit décider s’il faut charger les batteries, acheter de l’électricité au réseau ou utiliser d’autres ressources disponibles.

Mais que se passe-t-il si la consommation réelle dépasse les prévisions ? À l’inverse, que faire si elle est finalement plus faible ?

Ces questions montrent pourquoi prévoir ne suffit pas : il faut aussi prendre des décisions capables de tenir compte de l’incertitude.

Dans mes travaux, j’ai associé les prévisions produites par le modèle CNN–LSTM à une méthode d’optimisation appelée théorie de la décision fondée sur l’écart d’information, ou IGDT (Information Gap Decision Theory).

Son principe peut être expliqué simplement : au lieu de supposer que les prévisions sont parfaitement exactes, on étudie les décisions possibles lorsque les besoins réels s’en écartent.

Deux attitudes peuvent alors être envisagées.

La première est une approche prudente. Le système recherche une stratégie qui reste acceptable même si les conditions deviennent moins favorables que prévu. Cette protection supplémentaire peut avoir un coût, mais elle permet de mieux résister aux incertitudes.

La seconde est une approche plus favorable à la prise de risque. Elle cherche à profiter de situations avantageuses, par exemple lorsque les conditions réelles permettent de réduire les dépenses énergétiques. En contrepartie, elle accepte une plus grande exposition aux écarts défavorables.

Dans notre étude, ces deux approches ont été comparées à une stratégie de référence qui ne prenait pas explicitement en compte l’incertitude. La stratégie prudente entraînait une augmentation du coût total de 28 %, en échange d’une meilleure robustesse. À l’inverse, la stratégie recherchant des conditions favorables permettait une réduction du coût total de 40 % dans le scénario étudié.

Ces résultats ne signifient pas qu’une stratégie est toujours meilleure que l’autre. Ils illustrent plutôt un choix fondamental : jusqu’où sommes-nous prêts à payer pour nous protéger contre l’incertitude, ou à accepter des risques pour réduire les coûts ?

L’intérêt de notre approche est donc de relier deux étapes souvent traitées séparément : utiliser l’intelligence artificielle pour anticiper les besoins, puis utiliser l’optimisation pour décider comment gérer l’énergie malgré les erreurs possibles de prévision.۵

5. Vers une énergie plus intelligente, économique et durable

La transition énergétique ne dépend pas uniquement de la quantité d’énergie renouvelable que nous sommes capables de produire. Elle dépend aussi de notre capacité à utiliser cette énergie intelligemment.

Les micro-réseaux multi-énergies offrent des possibilités intéressantes pour coordonner l’électricité, la chaleur, le gaz, les batteries, les véhicules électriques et les technologies liées à l’hydrogène. Mais cette diversité exige des outils de gestion capables d'anticiper les besoins et de s'adapter aux incertitudes.

Mes travaux de doctorat montrent comment deux approches complémentaires peuvent contribuer à relever ce défi.

D’un côté, l’intelligence artificielle permet d’exploiter les données de consommation pour mieux prévoir les besoins énergétiques. De l’autre, l’optimisation aide à choisir les décisions de fonctionnement en tenant compte des ressources disponibles, des coûts, des contraintes techniques et des erreurs possibles de prévision.

Cette association peut aider les gestionnaires de systèmes énergétiques à mieux comprendre les compromis entre économie et sécurité de fonctionnement.

À plus long terme, de telles méthodes pourraient contribuer à la gestion de quartiers intelligents, de bâtiments, de sites industriels ou de communautés énergétiques locales. Elles pourraient notamment faciliter l’intégration des énergies renouvelables et l’utilisation coordonnée des moyens de stockage.

Il reste néanmoins des étapes importantes avant une application à grande échelle : tester les méthodes sur des installations réelles, vérifier leur comportement face à des situations inhabituelles et s’assurer qu’elles restent adaptées aux contraintes des équipements.

L’idée centrale est simple : l’intelligence artificielle peut nous aider à prévoir l’avenir énergétique, mais c’est en tenant compte de ce que nous ne pouvons pas prévoir avec certitude que nous pouvons prendre de meilleures décisions.

Pour en savoir plus

Pour approfondir les méthodes, les applications et les résultats scientifiques présentés dans cet article, vous pouvez consulter les publications suivantes :

1. Robust sizing and IGDT-based energy management for multi-energy microgrids with integrated power-to-gas and gas-to-power systems.
   https://www.sciencedirect.com/science/article/pii/S0306261926006082
2. Robust optimization for multi-Energy microgrid sizing and energy management under load uncertainty with demand response.
   https://www.sciencedirect.com/science/article/pii/S2590123025046535
3. A unified deep-forecasting and IGDT framework for robust operation of Multi-Energy Microgrids with hydrogen systems and electric vehicle integration.
   https://www.sciencedirect.com/science/article/pii/S2666955226000407
4. Artificial intelligence for microgrids design, control, and maintenance: A comprehensive review and prospects.
   https://www.sciencedirect.com/science/article/pii/S2590174525001886

Remerciements

Ces travaux de recherche ont été réalisés dans le cadre de mon doctorat à Nantes Université, au sein du laboratoire IREENA/LabISEN, avec le soutien financier de l’ISEN Yncréa Ouest et de la Région Pays de la Loire.

Je remercie également mes directeurs de thèse et mes collaborateurs scientifiques pour leur accompagnement et leur contribution à ces travaux.