L’IA pour l’énergie : entre maintenance prédictive et demande croissante

L’adoption de l’IA pour l’énergie joue un rôle de plus en plus stratégique dans la gestion des infrastructures électriques, un secteur caractérisé par une grande complexité technique, réglementaire et opérationnelle. Pendant leDiscussion sur l'intelligence artificielle organisée par l'Observatoire de l'Intelligence Artificielle de l'École Polytechnique de Milan, Daniela Battista, chef de projet Innovation de Grilles Enela présenté la démarche du groupe et les principaux projets en cours, offrant un aperçu de la manière dont l'intelligence artificielle contribue à repenser les processus et les outils du secteur électrique.

Enel et le défi de la complexité énergétique

Enel est connue du grand public pour la vente d'énergie, mais, comme l'a souligné Battista, ses véritables « colonnes vertébrales » sont la production d'énergie renouvelable et la distribution d'électricité. L'entreprise est présente dans 28 pays et est confrontée chaque jour à diverses réglementations locales et besoins de ses clients. Dans ce cadre, l’IA pour l’énergie devient une opportunité de gérer la complexité et d’améliorer l’efficacité des systèmes répartis à l’échelle mondiale.

Le responsable a également rappelé les données publiées par McKinsey en 2023 : la consommation énergétique des centres de données aux Etats-Unis passera de 147 térawatts en 2023 à environ 600 térawatts en 2030, soit 12 % des besoins globaux du pays. Selon Battista, la croissance de l'intelligence artificielle « mettra à rude épreuve le système électrique, tant en termes de capacité à accueillir de nouvelles énergies qu'en termes de demande pure d'énergie à fournir ».

L'IA comme moteur d'innovation dans les réseaux

L’un des fronts les plus pertinents est le renforcement des infrastructures grâce à des applications d’intelligence artificielle qui ont un impact direct sur le fonctionnement du réseau. Les domaines de travail comprennent la maintenance prédictive, la gestion de la demande et la résilience face aux événements extrêmes. Battista a divisé les initiatives en deux catégories : celles liées aux projets opérationnels et celles dédiées au renforcement de la sensibilisation et de la formation interne à l'utilisation de l'IA.

Edge computing et maintenance prédictive

Parmi les premières applications, un rôle important est attribué au edge computing, qui permet de rapprocher le traitement des données du terrain, en exploitant des nœuds déjà présents comme les compteurs intelligents et les capteurs installés sur les cabines secondaires. Cette décentralisation, explique Battista, « nous permet d'accélérer le processus de maintenance prédictive et de réponse à la demande».

En d’autres termes, cela signifie être capable d’identifier plus rapidement les signes de défaillance ou d’inefficacité et d’agir avant que le problème n’affecte la continuité du service.

Système multi-agents et réseaux plus résilients

Une autre avancée concerne le développement de systèmes multi-agents, qui permettent de repenser le modèle de gestion des réseaux. Le responsable a précisé que l'objectif est de passer d'un contrôle centralisé à un réseau « capable d'auto-diagnostiquer un problème, de le segmenter et de prévoir une reconfiguration dans les plus brefs délais ». L'adoption d'agents distribués réduirait les interruptions et augmenterait la résilience du système.

IA et changement climatique

Le secteur de l’électricité est de plus en plus exposé aux événements climatiques défavorables. Selon Battista, l’IA pour l’énergie représente un outil utile pour prédire l’impact des phénomènes extrêmes sur le réseau, anticiper les pannes et améliorer la capacité de réponse. La prévision n’est pas qu’un exercice technique : la continuité de l’approvisionnement énergétique dépend en effet de la possibilité de faire face aux vagues de chaleur, aux tempêtes et aux conditions météorologiques extrêmes sans compromettre l’approvisionnement des clients.

IA générative et support opérationnel

Le potentiel de l’IA générative n’est pas seulement exploré dans les bureaux. Battista a cité le copilotage comme exemple d'application pour soutenir les opérateurs sur le terrain, avec des solutions conçues pour simplifier les procédures et augmenter la sécurité. Les cas d'usage testés incluent l'utilisation du deep learning pour la gestion de la végétation le long des lignes électriques et des assistants vocaux capables de permettre au personnel opérationnel de suivre des procédures sans consulter de documents ni utiliser d'appareils manuels.

Formation et culture d'entreprise

Parallèlement aux aspects technologiques, Enel investit dans la formation interne et la sensibilisation. L'entreprise participe à un consortium sur l'Open AI qui rassemble différents acteurs du secteur électrique, dans le but de promouvoir une utilisation responsable des nouvelles technologies. Battista a souligné que l'IA est perçue par beaucoup comme une « menace » si elle n'est pas transmise correctement, c'est pourquoi des initiatives de sensibilisation et des programmes de formation ont été lancés pour intégrer l'IA dans les activités quotidiennes des employés.

Startups et innovation ouverte

Le contact continu avec les startups, souvent natives de l’IA, amène l’entreprise à repenser les processus consolidés. L’IA pour l’énergie n’est donc pas seulement adoptée comme technologie de support, mais comme un stimulant pour réorganiser les activités et expérimenter de nouveaux modes opératoires. Dans cette optique, le groupe a développé un modèle d'innovation ouverte qui part des besoins des entreprises et s'engage avec des centres de recherche, des partenaires industriels et des fournisseurs de technologies.

Interrogé par le modérateur sur la manière dont Enel décide de développer des solutions internes ou d'acheter à l'extérieur, Battista a répondu que « cela dépend, au cas par cas », précisant que l'approche la plus fréquente est hybride. L'entreprise expérimente par le biais d'une preuve de concept expérimentale (EPoC) pour tester rapidement des solutions innovantes, puis décide quels composants conserver en tant qu'actifs stratégiques internes et lesquels acquérir en externe.