L’intelligence artificielle peut prédire les charges du réseau électrique à partir des données d’utilisation des routes et des chemins de fer

Pour satisfaire la demande et gérer les pics de consommation, les fournisseurs d’électricité doivent pouvoir prévoir les charges du réseau. Une équipe de scientifiques de l’Université des sciences appliquées de Zurich a développé un système d’intelligence artificielle capable d’anticiper avec précision les charges du réseau à partir des données de trafic routier et ferroviaire. Les résultats ont été publiés dans Examens de la stratégie énergétique.

Les distributeurs d’électricité utilisent des modèles prédictifs pour mieux faire face au changement climatique, à la crise énergétique et aux fluctuations de l’énergie solaire et éolienne qui représentent une part croissante de notre électricité. Les modèles sont basés principalement sur des historiques de consommation, c’est-à-dire que les charges du réseau sont prédites sur la base d’actions passées il y a une heure, un jour ou un an. Les modèles intègrent également d’autres données telles que les prévisions météorologiques, qui déterminent la demande de chauffage et de climatisation et donc d’électricité.

Prévisions deux à six heures à l’avance

Dans le cadre d’un projet de recherche mené au Tessin et en Argovie, des scientifiques saisissent des données sur la consommation d’électricité et la météo dans un modèle d’intelligence artificielle, ainsi que des données sur les niveaux de trafic routier et le nombre de passagers ferroviaires. Ils savaient que les mouvements étaient étroitement liés aux activités – loisirs, travail, temps passé à la maison ou à l’extérieur.

Et que ces activités sont à leur tour corrélées à la consommation d’électricité. Les scientifiques ont donc entrepris de déterminer si l’intelligence artificielle pourrait découvrir des liens entre ces découvertes. En effet, il a rendu possible des prédictions à court terme : le modèle était capable de prédire la reprise de la consommation d’électricité domestique deux à six heures avant qu’elle ne se produise.

La mobilité électrique encore plus marquante

Les scientifiques ont également tenté de compléter les modèles traditionnels basés sur l’historique de consommation en ajoutant leurs données de trafic. Cependant, cela n’augmente que marginalement la qualité des prédictions. Selon les scientifiques, les données de trafic sont un substitut particulièrement utile aux historiques de consommation lorsque ceux-ci ne sont pas disponibles ou lorsque les historiques perdent leur pouvoir prédictif, comme cela se produit dans certaines situations exceptionnelles telles qu’une pandémie ou une catastrophe naturelle.

Cependant, Aksornchan Chaianong, responsable d’étude et associé de recherche au Centre pour l’énergie et l’environnement de l’Université des sciences appliquées de Zurich, estime que la croissance de la mobilité électrique pourrait fournir le potentiel le plus important pour le nouveau modèle. « A mesure que le nombre de véhicules électriques augmente, le lien entre le trafic et la demande d’électricité se resserrera. Cela signifie que les données de trafic deviendront probablement encore plus importantes pour prévoir la consommation d’électricité. »