Vers une prévision plus fine
des données énergétiques
Les travaux de thèse du jeune chercheur Lukas Stippel ont fait l’objet d’une première publication scientifique. Membre du projet Fine4Cast, ses recherchent explorent de nouvelles méthodes d’analyse prédictive permettant de développer un apprentissage collaboratif sur des données énergétiques distribuées.
Les réseaux électriques sont des systèmes cruciaux pour le fonctionnement de nos sociétés et économies, qui évoluent actuellement vers une décarbonation progressive des usages et une digitalisation profonde de systèmes. Les données récoltées maillent de plus en plus finement les territoires (conditions météorologiques, séries de consommations et de productions renouvelables, …), et alimentent des systèmes de gestion opérationnelle à des échelles multiples allant du micro-réseau local aux réseaux de transport nationaux.
La richesse de ces données peut contribuer à améliorer les prévisions et à optimiser les gestions opérationnelles (par exemple, les données spatio-temporelles de production renouvelable et de consommation de véhicules électriques réduisent les erreurs de prévision ce qui facilite la gestion de l’équilibre offre/demande). Un frein important à l’utilisation de ces données est qu’elles appartiennent à différents acteurs (producteurs renouvelables, gestionnaires de bornes de recharge, etc.) qui tiennent à conserver la confidentialité de ces données pour des motifs économiques mais aussi pour préserver une sûreté de gestion.
Il s’agit ici de proposer une approche de partage des données énergétiques distribuées au sein des territoires, qui respecte la confidentialité en chiffrant l’information tout en permettant un apprentissage collaboratif utile au fonctionnement des réseaux électriques.
la confidentialité des acteurs et assure un chiffrement robuste à la perte partielle d’informations
Un algorithme d’apprentissage fédéré
Les travaux de thèse de Lukas Stippel développent des méthodes d’analyse prédictive permettant de développer un apprentissage collaboratif sur des données énergétiques distribuées. Le nombre de sites concernés va de quelques dizaines (par ex. stations de recharge de véhicules électriques dans une ville moyenne, centrales renouvelables en aval d’un poste de transformation), à plusieurs milliers pour la gestion d’agrégations à l’échelle nationale.
Premier résultat de ces travaux : un algorithme d’apprentissage fédéré (ou federated learning) permettant de prévoir la production renouvelable ou la consommation d’énergie d’un site donné en utilisant les informations des sites voisins. Les modèles existants applicables à ce problème échangent soit des données chiffrées, soit les données anonymisées en y ajoutant une composante aléatoire. Dans le premier cas, les chiffrements employés sont généralement lourds en termes de calcul (par ex. chiffrement homomorphe). Dans le deuxième cas, l’ajout de bruit aux données (differential privacy) conduit à des réductions de performance pour les problèmes de régression considérés ici.
L’algorithme présenté à la conférence internationale Power System Computation Conference (PSCC 2024, Paris) construit un modèle de prévision applicable aux problèmes de prévision énergétique pour les prochaines heures ou pour le lendemain, à partir des séries historiques de consommation ou production des différents sites présents à l’échelle d’une ville ou d’une région. Le modèle est constitué par un ensemble d’arbres de régression que l’on appelle ici arbres fédérés. Les éléments de ces arbres sont construits collaborativement par les différents acteurs possédant des données énergétiques distribuées. Chaque acteur traite localement ses données, et communique avec l’algorithme commun uniquement les paramètres du modèle de sorte que celui-ci est amélioré itérativement par l’ensemble des acteurs, de façon décentralisée. Les paramètres communiqués sont chiffrés en utilisant la technique du secret sharing, adaptée aux opérations nécessaires sur les informations chiffrées (additions, multiplications et divisions).
Appliqué à un cas d’étude sur la prévision de production d’énergie éolienne, le modèle d’arbres fédérés réduit l’erreur de prévision par rapport à d’autres modèles plus classiques de type autorégressif. Il permet également de fonctionner de façon robuste en mode dégradé, par exemple lorsqu’un ou plusieurs sites ne transmettent plus d’information, tandis que les modèles classiques doivent être ré-entrainés. Or ceci est difficile en conditions opérationnelles où divers sites peuvent amener à manquer.
La même approche a été appliquée pour la prévision de la consommation d’électricité des stations de recharge de véhicules électriques dans différents quartiers d’une ville moyenne. La prévision de cette consommation pour le lendemain requiert l’utilisation de données publiques comme les prévisions météorologiques ouvertes ou les informations calendaires. La procédure d’apprentissage est adaptée pour permettre de traiter les données privées et publiques. L’erreur de prévision (RMSE) est réduite de 6%, et le temps de calcul divisé par deux par rapport à un chiffrement de l’ensemble des données y compris publiques.
Des retombées multidisciplinaires
La réduction des erreurs de prévisions énergétiques apporte des bénéfices potentiels à plusieurs échelles. Localement, il est plus simple de gérer les sites de consommation (par ex. charge des véhicules électriques au plus bas coût) comme les sites de production (par ex. pilotage des dispositifs de stockage associées aux énergies renouvelables). Les congestions sur les réseaux seront également mieux anticipées et résolues grâce à la mobilisation de flexibilités. Enfin à un niveau plus global l’équilibre offre/demande sera plus simple à assurer et donc la stabilité du réseau électrique.
La deuxième répercussion de ce travail est la robustesse de l’apprentissage aux manques de données partielles. Ce fonctionnement robuste est essentiel pour la résilience du fonctionnement des réseaux dans un contexte d’incertitudes multiples et de menaces cyber.
Le sujet traité ici est par nature multidisciplinaire. Le développement de ce type de modèles d’IA emprunte à la cybersécurité pour la garantie de la confidentialité et à l’IA plus fondamentale afin d’y identifier des thèmes pertinents pour les systèmes énergétiques. Une discipline connexe est l’économie des marchés de l’énergie et de la donnée. En effet, la gestion en temps-réel l’équilibre des réseaux électriques pénalise les écarts entre prévision et réalisé, en aval des marchés ou contrats de volume. Des prévisions plus précises diminueront le coût du kWh consommé mais aussi le coût associé à l’intégration des EnR et consommateurs flexibles au système électrique. Enfin, des marchés de la donnée (data markets) émergent actuellement pour valoriser ce partage d’informations.
Les travaux du centre PERSEE de MINES Paris – PSL se poursuivent actuellement en collaboration avec le laboratoire INESC TEC au Portugal dans le cadre du projet européen Enfield. INESC TEC est un centre de premier plan en Europe concernant l’IA pour l’énergie et les data markets, avec par exemple une plateforme d’échange collaboratif de prévision déployée par le gestionnaire de réseau belge Elia.
Lukas Stippel, Simon Camal, Georges Kariniotakis. Multivariate Federated Tree-based Forecasting Combining Resilience and Privacy: Application to Distributed Energy Resources. Electric Power Systems Research, 2024, 234, pp.110730. 10.1016/j.epsr.2024.110730 . hal-04533274
Le projet Fine4Cast
L’objectif principal du projet Fine4Cast est 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). L’amélioration des prévisions reste primordiale pour que plus d’EnR puissent être intégrées dans les systèmes électriques. L’émergence de nouveaux acteurs et cas d’usage se traduit par un besoin de nouveaux produits. Les prévisionnistes sont confrontés à de nouveaux défis en raison de la prolifération des sources de données, et des menaces et contraintes de confidentialité qui y sont liées.
Plus d'actualités Article
