Comment l'IA redessine l'avenir de l'énergie dans les bâtiments

‍

Au cours de l'année écoulée, le monde a été témoin d'un changement transformateur provoqué par l'intelligence artificielle générative. Cette technologie révolutionnaire a permis des avancées sans précédent dans de nombreux secteurs et de nombreux experts l'ont présentée comme l'une des percées technologiques les plus importantes de l'histoire récente.

Dans cet article, nous verrons comment d'autres formes d'IA révolutionnent actuellement l'une des infrastructures clés de la société moderne : le secteur de l'énergie.

Au cours des deux derniers siècles, l'énergie sous ses différentes formes a été l'un des principaux moteurs du développement économique et de l'amélioration du niveau de vie dans le monde entier. Toutefois, cette demande intense d'énergie a été principalement satisfaite par la consommation de combustibles fossiles, ce qui a entraîné l'extraction de grandes quantités de carbone stockées sous la croûte terrestre et leur rejet dans l'atmosphère. Ce processus a été le catalyseur de l'une des plus grandes menaces existentielles auxquelles l'humanité ait jamais été confrontée : le changement ^climatique.

Ces dernières années, alors que de plus en plus de preuves scientifiques ont commencé à mettre en évidence l'urgence et la gravité du réchauffement climatique, les économies d'énergie sont devenues une priorité et figurent désormais à l'ordre du jour de la plupart des organisations publiques et privées dans le monde. Propulsées par d'immenses puissances de calcul et avec de plus en plus de données disponibles, plusieurs solutions basées sur l'IA ont commencé à apparaître dans le domaine de l'énergie.

Cet article est le premier d'une série dans laquelle je fournirai un aperçu général, ainsi que quelques approfondissements, sur différents sujets et technologies à cheval entre l'IA et l'énergie. Dans ce premier article, l'accent sera mis sur l'optimisation de la consommation d'énergie dans les bâtiments grâce au déploiement de modèles de Machine Learning.

‍

La différence entre l'intelligence artificielle et l'apprentissage automatique

Pour éviter toute confusion, clarifions rapidement les termes d'intelligence artificielle (IA) et d'apprentissage automatique (AAM), souvent utilisés de manière interchangeable.

L'IA est un concept plus large de l'informatique qui fait référence à la création de systèmes capables d'effectuer des tâches qui requièrent généralement l'intelligence humaine.

Le Machine Learning est un sous-ensemble de l'intelligence artificielle qui implique l'utilisation d'algorithmes pour permettre aux machines d'apprendre à partir de données et de prendre des décisions sur la base de ces données. Le Machine Learning est l'une des principales techniques actuellement utilisées pour réaliser l'intelligence artificielle, mais tous les systèmes d'IA n'utilisent pas Le Machine Learning comme technologie ^{sous-jacente2}. Les techniques que nous allons analyser dans cet article appartiennent à la catégorie du Machine Learning.

Maintenant que nous avons clarifié ces deux concepts, nous sommes prêts à entamer notre voyage. Mais avant de nous plonger dans les détails techniques, prenons un peu de recul et essayons de mieux comprendre le contexte des bâtiments et leur importance dans notre effort global de réduction des émissions de carbone.

‍

Pourquoi les bâtiments sont-ils importants pour le changement climatique ?

Selon l'Agence internationale de l'énergie (AIE), l'exploitation des bâtiments (c'est-à-dire en dehors de la construction) représente 30 % de la consommation finale d'énergie et 26 % des émissions mondiales de carbone liées à l'^énergie3. Cela comprend 8 % d'émissions directes dans les bâtiments et 18 % d'émissions indirectes provenant de la production d'électricité et de chaleur utilisées dans les bâtiments.

‍

‍

‍

Rendre les bâtiments plus efficaces sur le plan énergétique est donc considéré comme essentiel pour atteindre les objectifs climatiques mondiaux dans les délais impartis. Selon les projections de l'AIE, la mise en œuvre de l'efficacité énergétique pourrait permettre de réduire les émissions annuelles liées à l'énergie de 3,5 Gt CO2-eq, contribuant ainsi à plus de 40 % de la réduction requise pour être en phase avec les Accords de ^Paris4.

Toutefois, les derniers rapports ont montré que les efforts déployés au niveau mondial pour réduire la consommation d'énergie dans les bâtiments ne sont pas à la hauteur des progrès nécessaires. Un changement de tendance significatif et un effort considérable sont nécessaires si nous voulons atteindre nos objectifs de 2030 dans le scénario "Net Zero d'ici 2050".

‍

‍

‍

Ce changement de rythme nécessaire pourrait être facilité par des solutions basées sur l'IA. Cela est de plus en plus possible grâce à la numérisation rapide des bâtiments et à l'installation généralisée de capteurs et de compteurs, qui rendent possible la mise en œuvre de telles solutions aujourd'hui et dans les années à venir. Passons maintenant à la question suivante : de quelle manière l'IA peut-elle nous aider dans la tâche ambitieuse de décarbonisation du secteur des bâtiments ?

‍

Cas d'utilisation de la prévision de la consommation d'énergie

Réduire les émissions de carbone dans les bâtiments n'est pas chose aisée. Il s'agit d'un puzzle complexe composé de nombreuses pièces mobiles. L'une des pièces essentielles du puzzle est la création de modèles de consommation fiables pour les bâtiments, qui peuvent ensuite être utilisés pour optimiser l'utilisation de l'énergie de différentes manières. Une modélisation précise de la consommation d'énergie permet de prendre des décisions opportunes et éclairées sur l'utilisation de l'énergie, de réduire les déchets et, en fin de compte, de contribuer à nos efforts pour parvenir à des bâtiments à consommation énergétique décarbonnée. Ce domaine particulier est une opportunité clé pour l'IA d'avoir un impact significatif.

Tout cela peut sembler encore un peu abstrait. Examinons donc six cas d'utilisation courante où la modélisation de la consommation d'énergie peut contribuer à la réduction des émissions de carbone dans les bâtiments.
‍

1. Détection du gaspillage d'énergie et des anomalies de consommation: La plupart des grands bâtiments sont exploités de manière inefficace, ce qui entraîne un gaspillage d'énergie considérable. Les modèles de prévision énergétique peuvent être utilisés pour établir la consommation de base d'un bâtiment. Les algorithmes de détection des anomalies peuvent alors être utilisés pour évaluer en permanence les performances du bâtiment par rapport à la base de référence. Tout écart important dans la consommation peut indiquer des problèmes ou des inefficacités, tels que des dysfonctionnements d'équipement, qui peuvent alors être traités rapidement. Ceci est particulièrement important dans les grandes installations, où le contrôle de tous les systèmes peut s'avérer difficile, et où de petites défaillances peuvent entraîner un gaspillage d'énergie important si elles ne sont pas détectées rapidement.
   ‍
2. Évaluer les mesures d'efficacité énergétique dans les bâtiments grâce à des techniques avancées de mesure et de vérification: L'estimation de l'impact des projets d'efficacité énergétique, communément appelée mesure et vérification (M&V), est un processus complexe. Les économies d'énergie représentent une absence de consommation et ne peuvent donc pas être mesurées à l'aide d'un instrument. Une façon de surmonter ce problème est de calculer un modèle énergétique contrefactuel. Les modèles contrefactuels sont des modèles qui sont utilisés pour examiner quel aurait été le résultat d'une situation si une décision différente avait été prise ou si un événement différent s'était produit. Dans le domaine de l'efficacité énergétique, un modèle énergétique contrefactuel peut être utilisé pour estimer la consommation d'un bâtiment dans un scénario alternatif où une mesure d'efficacité énergétique n'a pas été mise en œuvre. En comparant la consommation réelle du compteur et la consommation du modèle contrefactuel, nous pouvons estimer l'ampleur des économies réalisées. Ces modèles aident les gestionnaires de l'énergie à évaluer quantitativement l'impact des interventions mises en œuvre et à orienter les stratégies futures.
   ‍
3. Optimisation du contrôle du chauffage, de la ventilation et de la climatisation (CVC) à l'aide de contrôleurs prédictifs de modèles (MPC): Les systèmes de climatisation peuvent représenter une part importante de la consommation énergétique globale d'un bâtiment. Cela signifie que la consommation d'un bâtiment peut être réduite de manière significative en contrôlant ces systèmes de manière optimale. Cependant, en fonction de la taille du bâtiment, ces systèmes peuvent être constitués de centaines de composants et leur contrôle peut s'avérer une tâche difficile. Les contrôleurs prédictifs de modèle (MPC) sont des modèles prédictifs qui aident à prendre des décisions de contrôle optimales pour équilibrer l'interaction délicate entre le maintien des niveaux de confort intérieur et la réponse aux informations provenant des capteurs du bâtiment, des conditions météorologiques extérieures et de l'état du réseau électrique. Cela permet non seulement de réaliser des économies d'énergie et de carbone, mais aussi de contribuer à des objectifs plus larges tels que le soutien à l'intégration des sources d'énergie renouvelables tout en stabilisant le réseau énergétique.
   ‍
4. Estimation de l'impact du déploiement de la flexibilité de la demande: La flexibilité de la demande (DSF) désigne la pratique consistant à moduler la demande d'énergie au sein d'un bâtiment ou d'une installation en fonction de la disponibilité de l'offre, principalement pendant les périodes de pointe de la demande. Des modèles énergétiques contrefactuels peuvent être utilisés pour estimer l'impact du déploiement de la flexibilité, en fournissant une analyse de type "what-if" qui oppose le scénario actuel à un scénario alternatif dans lequel la demande d'énergie n'a pas été réduite. Ceci est particulièrement important pour le calcul des compensations de flexibilité pour les entités, permettant une représentation précise de la valeur apportée à l'efficacité et à la stabilité de l'ensemble du réseau énergétique.
   ‍
5. Soutenir les services publics de l'énergie dans la planification du marché Day-Ahead: Les marchés de l'énergie à un jour sont basés sur la prévision de la demande d'énergie horaire du jour suivant, un processus crucial pour les services publics de l'énergie. Les algorithmes de prévision jouent un rôle très important dans la prévision de ces demandes, en fournissant aux services publics les informations dont ils ont besoin pour participer aux enchères du marché de l'énergie. Ils peuvent ainsi déterminer la quantité d'énergie qu'ils fourniront et le prix correspondant. Grâce aux estimations précises de ces algorithmes, l'allocation optimale des ressources est assurée, ce qui signifie que les sources d'énergie à forte intensité de CO2, telles que le gaz naturel, peuvent être maintenues en attente lorsqu'elles ne sont pas nécessaires, réduisant ainsi considérablement les émissions indirectes de carbone des bâtiments.
   ‍
6. Caractérisation de l'enveloppe des bâtiments à l'aide de modèles d'inférence: L'enveloppe d'un bâtiment est constituée des éléments physiques qui séparent l'intérieur du bâtiment de l'environnement extérieur, tels que les murs, les toits et les fenêtres. La connaissance de la qualité de l'enveloppe d'un bâtiment permet de mettre en évidence les zones d'inefficacité, telles que les pertes de chaleur par des murs mal isolés, et d'orienter les améliorations à apporter. Les modèles de consommation d'énergie peuvent analyser les données historiques de consommation d'énergie pour détecter automatiquement les bâtiments mal isolés, ce qui réduit le besoin d'audits énergétiques ad hoc et diminue considérablement le temps nécessaire à ces analyses.
   ‍

‍

Chacune des applications décrites répond à un objectif spécifique, contribuant à l'optimisation énergétique et à la réduction des émissions dans le bâtiment. Elles soulignent la valeur et le potentiel des algorithmes de Machine Learning dans le secteur de l'énergie, et ces exemples ne sont que la partie émergée de l'iceberg. Ces exemples ne sont que la partie émergée de l'iceberg. À mesure que le domaine de l'IA continue d'évoluer et de s'affiner, nous pouvons nous attendre à des utilisations encore plus innovantes et efficaces de ces technologies.

‍

Si vous souhaitez approfondir la question de l'utilisation de l'IA pour améliorer l'efficacité énergétique et la durabilité, rendez-vous sur le site Substack de Benedetto.

Notes et sources :

1. Si vous êtes intéressé par un compte rendu détaillé et bien écrit des menaces existentielles auxquelles l'humanité est confrontée, vous pouvez consulter les ouvrages suivants Le Précipice de Toby Ord

2. Pour une analyse plus détaillée, voir la vue d'ensemble de Google sur l'IA et la ML.

3. Source : https://www.iea.org/energy-system/buildings

4. Source : https://www.iea.org/reports/multiple-benefits-of-energy-efficiency/emissions-savings

‍

‍