L’IA pour prévoir la production et la consommation d’électricité

Ce texte fait partie du cahier spécial Énergies

Québec soutient la recherche pour aider la francophonie à aller vers les énergies renouvelables.

L’intelligence artificielle (IA) peut nous aider à améliorer l’efficacité dans plusieurs pans de la société. Notamment, dans la gestion de l’énergie renouvelable, essentielle dans le contexte de changements climatiques. Pour y arriver, plusieurs projets de recherche se réalisent.

Alors qu’il est encore difficile et coûteux de stocker l’électricité produite pour la consommer plus tard, l’idéal est d’aligner la production avec les besoins. Pour y arriver, encore faut-il être capable de prévoir la demande d’électricité. C’est ce sur quoi travaille Ayoub Atanane dans le cadre de sa maîtrise à l’Université du Québec à Rimouski (UQAR), sous la supervision de Loubna Benabbou, professeure au Département des sciences de la gestion.

Son projet de maîtrise est l’un de ceux qui ont été financés par le Programme de coopération climatique internationale (PCCI) du ministère de l’Environnement et de la Lutte contre les changements climatiques du Québec pour renforcer la capacité des pays francophones à s’adapter aux effets des changements climatiques. Pas moins de 840 000 $ ont ainsi été octroyés en 2020 à Mila, à IVADO, à Polytechnique Montréal et à l’UQAR pour que des chercheurs et chercheuses puissent contribuer à un plus large déploiement des énergies renouvelables et appuyer le Maroc dans ses efforts de réduction de ses émissions de gaz à effet de serre.

Pour entraîner son modèle de prévision utilisant l’IA, Ayoub Atanane avait besoin de données libres d’accès de différents types qui influent sur la demande en électricité. On pense par exemple à l’historique de la consommation d’électricité, aux conditions météorologiques, à la démographie, au calendrier des grands événements, comme les matchs sportifs, etc. Il les a trouvées dans différents pays, comme les États-Unis, l’Australie et la Turquie. Résultat ? « Nous avons prouvé que le modèle fonctionne bien », constate-t-il.

Maintenant que le modèle est entraîné, il pourrait être utilisé par différentes administrations. « Il suffit d’entrer les données pour un lieu, que ce soit au Maroc ou ailleurs, et le modèle sera capable de prédire la demande d’électricité », indique-t-il.

Prévoir la production d’énergie photovoltaïque

Dans le même programme financé par le PCCI, Saad Benslimane s’est penché sur la prévision par l’apprentissage profond de la production d’énergie solaire. C’était dans le cadre de sa maîtrise réalisée sous la direction de Hanane Dagdougui, professeure au Département de mathématiques et de génie industriel à Polytechnique Montréal.

« L’objectif était de créer un outil libre d’accès qui peut prédire la production d’énergie photovoltaïque », explique celui qui travaille maintenant comme scientifique de recherche et technologie chez InnovLOG qui aide les entreprises à innover pour améliorer leur logistique.

Il ajoute que l’avantage d’avoir accès à de bonnes prévisions de la production d’énergie solaire est que le gestionnaire peut mieux planifier la production, voir quand il pourra vendre de l’énergie et aussi planifier l’entretien de ses équipements.

Pour créer ce modèle, Saad Benslimane a trouvé en Australie des données de qualité et libres d’accès notamment sur la vitesse et la direction des vents, puis sur la pression atmosphérique. Les données comprenaient aussi les conditions météorologiques une heure avant de commencer les prévisions, de même que l’historique de production d’électricité des panneaux. Lorsqu’il regarde les résultats, il constate que l’horizon de prévision influe grandement sur la précision.

« Si nous faisons des prédictions pour les 15 prochaines minutes, le modèle génère une valeur par minute, explique Saad Benslimane. La précision diminue au fur et à mesure que l’horizon de prédiction augmente, par exemple si l’horizon est de 24 heures ou d’une semaine. »

Le chercheur évalue que cette faiblesse est causée par le fait que le modèle n’a pas de données sur les prévisions météorologiques, alors que si, par exemple, l’après-midi s’annonce nuageux, la capacité de produire de l’énergie solaire sera moindre.

« Pour avoir un modèle plus précis, il serait intéressant d’intégrer des données satellitaires de prévisions météorologiques », indique Saad Benslimane.

Ensuite, pour aller vers l’adoption de ce type de modèle dans l’industrie, il voit un grand obstacle. « Souvent, les gestionnaires sont habitués à travailler avec un logiciel et ils ne veulent pas changer leur manière de faire, remarque-t-il. Il faut convaincre les gens de commencer à utiliser l’IA pour qu’ils soient plus efficaces dans la réalisation de leurs tâches. »

Ce contenu a été produit par l’équipe des publications spéciales du Devoir, relevant du marketing. La rédaction du Devoir n’y a pas pris part.