Nouvelles méthodes d’analyse prédictive pour un apprentissage collaboratif sur des données énergétiques distribuées.

Les systèmes de gestion de nos réseaux électriques sont alimentés par de nombreuses données (conditions météorologiques, séries de consommations et de productions renouvelables…). La richesse de ces données peut contribuer à améliorer les prévisions et à optimiser les gestions opérationnelles, mais un frein important à leur utilisation est leur appartenance à différents acteurs (producteurs renouvelables, gestionnaires de bornes de recharge…) qui tiennent à conserver la confidentialité de ces données, pour des motifs économiques mais aussi pour préserver une sûreté de gestion.

Dans le cadre du projet Fine4cast, les travaux de recherche de Luka Stippel explorent une approche de partage des données énergétiques distribuées au sein des territoires qui respecte la confidentialité, tout en permettant un apprentissage collaboratif utile au fonctionnement des réseaux électrique.

Il a développé un algorithme d’apprentissage fédéré capable d’anticiper la consommation ou la production d’énergie d’un site, tout en préservant la confidentialité des données.

Présenté à la conférence internationale PSCC 2024, ce modèle innovant améliore la précision des prévisions tout en réduisant le besoin en calculs intensifs. Il montre une robustesse inédite, y compris lorsque certains sites deviennent silencieux – un atout clé pour la résilience des réseaux électriques.

Les cas d’usage vont des stations de recharge aux parcs éoliens, avec des performances améliorées et un potentiel fort pour l’optimisation locale et nationale des systèmes énergétiques.

👉 Lire l’article complet sur les travaux et leurs retombées multidisciplinaires

Le project Fine4Cast

Ce projet porté par Georges Kariniotakis et Simon Camal, chercheurs au sein du centre PERSEE, a pour objectif d’améliorer la prévision à court terme (quelques minutes à quelques jours) de la production d’énergies renouvelables (EnR) et de la consommation à une échelle géographique fine (centrales de production, consommacteurs, territoires).

➡️ Plus d’informations sur ce projet sur cette page.