Machine learning appliqué au domaine de l’énergie

Le premier atout de l’apprentissage automatique (machine learning) est qu’il permet, à partir d’un comportement passé, de prédire ce comportement dans le futur. Par exemple, au niveau national, la consommation d’énergie de la France est impactée par les évènements qui rythment le pays. On peut ainsi utiliser l’IA, en association avec les données issues d’un réseau social comme Twitter, pour essayer de repérer en avance de potentielles situations qui impliquent des pics de consommation d’énergie. Par exemple, un nombre élevé de réactions à propos d’un match de foot important est souvent corrélé à un important pic de consommation énergétique à la mi-temps du match. Néanmoins, le nombre de données à traiter est massif et la gestion de l'entraînement de cet IA est complexe d’un point de vue théorique mais aussi pratique, à travers les serveurs et stockages nécessaires à l’alimentation de l’IA en données temps-réel.

On a également vu que le développement des énergies renouvelables fait partie des solutions face au changement climatique. Seulement, si l'on s’intéresse au photovoltaïque, qui correspond à l’énergie renouvelable avec le plus de potentiel, cette énergie présente un problème d’adéquation entre la phase de production et les besoins en consommation électrique. En effet, une installation solaire va produire de l’électricité selon une cloche située du lever au coucher du soleil. Or, si l'on compare à une consommation d’électricité résidentielle, cette dernière va plutôt apparaître à travers deux pics de consommation, un premier le matin et surtout un deuxième plus important le soir vers 19h-20h, figure 1.

Figure 1.  Illustration de la différence entre courbe de production photovoltaïque (jaune) et courbe de consommation (bleue) d’une installation résidentielle type Source : Modèle économique de l'autoconsommation photovoltaïque [2].

Prédire la consommation grâce à l’IA, c’est aussi anticiper cette inadéquation entre production et consommation. Et en parallèle de cette anticipation, il se développe de plus en plus d’outils pour corriger ce phénomène. Grâce à une IA entraînée sur des données de consommations passées, il est possible d’obtenir une prédiction de consommation électrique par exemple la veille [3] et ainsi de mettre en place des stratégies comme de la flexibilité (directe à travers de la domotique ou indirecte à travers des signaux pour les habitants) [4] ou du stockage pour optimiser la simultanéité des consommations électriques résidentielles et des productions électriques issues du photovoltaïque.

Cependant, l'entraînement de l’IA nécessite un accès aux données de consommation des foyers. C’est désormais possible grâce aux compteurs communicants type Linky [5] mais pour que l’IA soit efficace, cela nécessite un certain historique pour pouvoir l'entraîner.

On a vu précédemment que l’IA pouvait servir à prédire un comportement de consommation énergétique afin de s’adapter et pouvoir mieux y répondre. Mais l’IA, grâce à sa capacité de prédiction, permet aussi de construire un comportement de référence, comme par exemple le comportement normal de consommation d’un bâtiment. Effectivement, de plus en plus de bâtiments sont monitorés à l’aide de batteries de capteurs afin d’optimiser leur consommation énergétique. Avec un historique suffisant et propre de données de consommation énergétique, il est ainsi possible de lui prédire un comportement de consommation.

L’intérêt d’avoir ce comportement de référence est d’observer les données réelles pour analyser les causes lorsque le comportement réel de consommation s’éloigne du comportement de référence. Deux causes majeures de valeurs aberrantes par rapport à une prédiction de consommation d’un bâtiment peuvent être : un dysfonctionnement de capteur et/ou une mauvaise gestion énergétique du bâtiment [6]. Dans les deux cas, la détection de ces anomalies permet de résoudre le problème et ainsi d’optimiser la gestion énergétique du bâtiment.

Figure 2.  Prédiction de la consommation énergétique d’un bâtiment par Gradient Boosting

Sur la figure 2, on a, par exemple, le comportement de consommation énergétique d’un bâtiment qui a été prédit par un modèle d’apprentissage automatique appelé Gradient Boosting. Ce modèle de machine learning est une version améliorée du modèle simple d’arbres de décision [7].

En entraînant le modèle sur des données de qualité différentes, il a été possible de construire un intervalle de confiance (entre les courbes jaunes et bleues) dans lequel le comportement est considéré comme normal. Ainsi, si le comportement réel sort de cet intervalle, il est considéré comme anormal. Cette surveillance a permis de détecter un besoin de maintenance et ainsi de corriger le comportement anormal de ce bâtiment. Cette détection a été possible car le bâtiment en question est équipé de capteurs de consommation depuis 2016 [3].

Pour plus de précisions sur la modélisation et la gestion énergétique des bâtiments à l’aide de l’IA, on pourra consulter le concept de Smart Building [8].

Plus globalement, on peut étendre ce principe pour d’autres applications de maintenance. Par exemple, la surveillance à distance du comportement de production d’un parc photovoltaïque en comparaison avec son comportement de référence prédit par IA permet de n’intervenir sur place qu’en cas de besoin. La maintenance prévisionnelle est considérée comme l’optimum en termes de coûts de maintenance et d’efficacité.

Figure 3.  Courbes Coût - Pannes en fonction des types de maintenance Source : Maintenance prévisionnelle [9].

Dans le domaine de l'énergie, les séries temporelles sont le type de données le plus courant. Il s’agit simplement d’une série indexée par le temps. Comme par exemple, la consommation électrique du bâtiment GreEn-ER, qui abrite l’école d’ingénieur Grenoble INP Ense3 et le laboratoire G2ELab, en fonction de l’heure de la journée.

Figure 4.  Consommation énergétique de GreEn-ER du 16/12/2021 au 23/01/2022

L’utilisation de l’IA sur ce genre de données est très utile car concrètement, cela peut permettre de prédire la consommation future. En effet, l’idée principale est de se servir des données passées pour en prédire de nouvelles. Pour ce faire nous pouvons par exemple utiliser les réseaux de neurones récurrents avec les forêts d’arbres décisionnels aléatoires (Random Forest Regression) ou avec une architecture LSTM (Long Short-Term Memory).

Forêts d’arbres décisionnels aléatoires

Par définition, une forêt est un ensemble d’arbres, ici il s’agit d’arbres de décision de type arbre de régression. L’objectif est d’entraîner un certain nombre d’arbres, disons \(N\) arbres, sur \(N\) portions aléatoires issues du jeu de données initial. Pour effectuer une prédiction, l’algorithme donne une nouvelle entrée aux \(N\) arbres, ce qui donne \(N\) valeurs possibles. Le résultat est alors simplement obtenu en calculant la moyenne des \(N\) résultats.

Figure 5.  Schéma de principe des forêts d’arbres décisionnels aléatoires Source : Random Forest Regression [10].

Pour plus d’informations, on pourra retrouver le fonctionnement des forêts d’arbres décisionnels aléatoires et leur implémentation en Python à l'aide de la référence Understanding random forest [11].

Réseaux récurrents et cellules LSTM

Un réseau de neurones récurrents est un modèle très simple qui permet de garder en mémoire une valeur \(v\) qui va permettre de prédire la suivante. La valeur de \(v\) deviendra alors la dernière valeur prédite et ainsi de suite. Ce réseau se compose de couches de neurones artificiels.

Figure 6.  Schéma d’un neurone artificiel Source : Wikimedia.

Figure 7.  Schéma d’un réseau de neurones artificiels Source : Solofo Rakotondraompiana, ResearchGate.

Le défaut principal de ces réseaux vient de ce qui est appelé le problème de la disparition du gradient. En effet, ces réseaux optimisent leur sortie grâce à une rétropropagation à travers leurs différentes couches, ce qui leur permet d’attribuer un poids plus ou moins important aux différentes couches. Plus ces couches cachées sont nombreuses et plus la mémoire théorique du réseau est grande. Mais le problème est que plus une couche est ancienne, plus elle devient insignifiante à cause du système de rétropropagation. Ainsi, même si une couche est considérée comme importante pour optimiser la sortie du réseau, son impact sur la sortie est amoindrie si le nombre de couches cachées augmentent.

C’est là qu’interviennent les cellules LSTM. Ces cellules disposent d’un système de portes d’oubli, qui va permettre de trier les informations et les sélectionner. Ainsi, les réseaux LSTM permettent de retarder grandement le problème de la disparition du gradient et de conserver la prise en compte d’anciennes couches [12].

Cependant, les réseaux LSTM ne sont pas magiques et à ajouter trop de cellules LSTM à la suite, on retombera sur le problème de la disparition du gradient, il faut donc se tourner vers d’autres méthodes pour des prédictions sur le long et très long terme. Néanmoins, les LSTM restent un outil très puissant sur les séries temporelles [13][14].

Comme un exemple vaut mieux qu’un long discours, alors allons-y ! On va essayer de prédire la consommation globale du bâtiment GreEn-ER à l’aide des deux modèles présentés. La réalisation concrète en Python de cette prédiction est disponible au sein d’un Notebook : « Introduction à la prédiction de séries temporelles », [15].

Reprenons notre consommation globale du bâtiment GreEn-ER entre le 16/12/2021 et le 23/01/2022, figure 8.

Figure 8.  Consommation énergétique de GreEn-ER du 16/12/2021 au 23/01/2022

Les données sont récupérées toutes les heures, on a donc 24 données par jour. On va prendre les 11 dernières heures pour prédire la 12^ème. Pour mesurer la précision du résultat, on utilisera le coefficient de détermination \(r^2\). Plus ce coefficient est proche de 1, plus les prédictions sont proches des valeurs exactes et donc meilleur est le modèle.

Forêts d’arbres décisionnels aléatoires

On va prédire pour chaque pas de temps horaire la valeur de consommation énergétique. Pour cela, on entraîne une forêt aléatoire de 5 arbres (d’une profondeur maximale de 4) sur 11 heures afin de prédire la 12^ème heure. Puis, on passe au pas de temps suivant et on effectue le même processus.

On peut enfin observer les résultats pour cette forêt aléatoire de 5 arbres, figure 9.

Figure 9.  Prédiction de la consommation énergétique de GreEn-ER du 16/12/2021 au 23/01/2022 à l’aide d’une forêt de 5 arbres décisionnels aléatoires Coefficient \(r^2\) = 0.89

Les résultats obtenus par ce modèle sont probants. Les prédictions sont proches des valeurs réelles, ce qui est également traduit par un coefficient \(r^2\) proche de 1.

Une autre variable à prendre en compte est le temps nécessaire pour faire fonctionner le modèle. Dans le cas présent, il aura fallu 0,24 secondes de temps de calcul au modèle de forêts d’arbres décisionnels aléatoires, ce qui est un temps plutôt rapide pour un modèle d’apprentissage automatique.

LSTM

On peut effectuer la même prédiction, mais en utilisant cette fois un réseau LSTM de 100 cellules, figure 10.

Figure 10.  Prédiction de la consommation énergétique de GreEn-ER du 16/12/2021 au 23/01/2022 l’aide d’un réseau LSTM Coefficient \(r^2\) = 0.91

Les résultats sont meilleurs avec le réseau LSTM qu’avec les arbres décisionnels. On voit que le réseau LSTM arrive à mieux prédire les pics, là où les arbres décisionnels aléatoires forment des plateaux. En conséquence, le coefficient de détermination est plus proche de 1. Néanmoins, il aura fallu 48 secondes de temps de calcul au réseau LSTM pour atteindre ces résultats, ce qui est significativement plus important que dans le cas des arbres décisionnels aléatoires.