Gestion du déplacement des pics de consommation électrique et facteurs d’influence des réseaux intelligents à partir d’un modèle de réseau de neurones récurrent et de l’apprentissage profond

Pourquoi une gestion plus intelligente de l’électricité sur les campus est importante

Les campus universitaires bourdonnent d’activité jour et nuit : cours, laboratoires, vie en résidence, sessions d’étude nocturnes et le ronronnement constant des serveurs et des éclairages. Tout cela se traduit par de fortes variations de la demande électrique — des pics marqués lorsque de nombreux appareils sont allumés simultanément et des creux profonds lorsque des bâtiments sont peu utilisés. Ces pics sont coûteux pour le réseau et gaspillent des ressources pour la planète. Cette étude examine comment la combinaison d’outils d’IA modernes et du stockage d’énergie à base d’hydrogène peut aider les campus à prévoir leurs besoins électriques, lisser ces pics et utiliser l’électricité plus efficacement sans compromettre les activités d’enseignement.

Déceler les rythmes de la vie quotidienne sur le campus

Au cœur du travail se trouve l’idée que la consommation électrique sur un campus n’est pas aléatoire — elle suit étroitement les routines humaines. Les chercheurs ont collecté des données détaillées de consommation électrique provenant de 15 bâtiments d’une université chinoise sur environ un an et demi, ainsi que des relevés météorologiques et des emplois du temps des cours. Ils ont ensuite utilisé des cartes thermiques pour montrer comment la consommation d’énergie monte et descend heure par heure dans différents lieux : dortoirs, salles de cours, bureaux, cafétérias et systèmes d’éclairage. À partir de ces représentations, ils ont défini six motifs quotidiens, tels que des dortoirs avec deux gros soubresauts à l’heure du déjeuner et tard le soir, des salles de cours qui culminent uniquement pendant les heures de cours, ou des éclairages publics qui restent allumés de façon constante pendant la nuit. Ces schémas servent de base à des tactiques d’économie d’énergie adaptées à chaque type de bâtiment.

Apprendre à un réseau de neurones à prévoir la demande

Pour agir sur ces schémas, il faut d’abord savoir à quoi ressemblera demain. L’équipe a entraîné un type d’intelligence artificielle appelé réseau de neurones récurrent (RNN) pour prévoir la consommation électrique de chaque bâtiment d’une heure sur l’autre. Les RNN sont conçus pour traiter des séquences, ce qui les rend bien adaptés à suivre l’évolution de la demande dans le temps. Le modèle ingérait 24 heures d’historique à la fois — consommation électrique passée, température, humidité, heure de la journée, jour de semaine ou week-end, et même la présence de cours — puis prédisait la consommation de l’heure suivante. Les auteurs ont été attentifs au nettoyage des données : ils ont comblé les relevés manquants en recherchant des journées similaires en termes de météo et d’emploi du temps, et ont réparti les données chronologiquement en ensembles d’entraînement, de validation et de test pour éviter le surapprentissage.

Dépasser d’autres méthodes de prévision

La performance du RNN a été comparée à plusieurs outils de prévision courants, notamment la régression linéaire simple, des régressions non linéaires plus flexibles, des modèles statistiques traditionnels comme ARIMA et les modèles Gris, ainsi qu’une autre méthode d’apprentissage profond appelée LSTM. Sur les données du campus et trois jeux de données publics de consommation électrique, le RNN a systématiquement produit des erreurs plus faibles. Dans des essais réels sur le campus, l’erreur quadratique moyenne du RNN — une mesure qui pénalise fortement les grandes erreurs — était nettement inférieure à celle de la régression linéaire, et son erreur moyenne en pourcentage restait en chiffres simples. Les distributions d’erreurs montraient que les fautes du RNN étaient étroitement groupées et que ses courbes prédites recoupaient presque les charges réelles, indiquant à la fois précision et stabilité. Les auteurs notent toutefois que cela ne signifie pas que les RNN battent toujours les LSTM en général, mais que dans ce contexte spécifique, un réseau relativement simple peut très bien fonctionner.

Applatissement de la courbe de consommation grâce au stockage d’hydrogène

La prédiction seule ne suffit pas à réduire la facture ; il faut aussi une façon de remodeler la demande. Ici, l’étude introduit un système virtuel de stockage d’énergie par hydrogène qui fonctionne comme un énorme tampon rechargeable. Lorsque la prévision du RNN indique des heures de faible charge, le système « charge » en convertissant l’électricité en hydrogène ; lorsque les pics se profilent, il « décharge » en restituant l’énergie stockée au campus. Une routine de programmation dynamique décide, heure par heure, si le stockage doit charger, décharger ou rester inactif, tout en respectant les limites de capacité, de puissance et d’efficacité. Dans un exemple représentatif sur 24 heures, cette stratégie a réduit la charge maximale quotidienne d’environ 46 kilowattheures à environ 33, réduit l’écart entre le pic et la consommation moyenne, et éliminé toutes les périodes où la demande dépassait un quota prédéfini. Le coût fut une légère augmentation de la consommation énergétique journalière totale — moins d’un pour cent — due aux pertes dans le cycle de stockage.

Ce que cela signifie pour les usagers d’énergie au quotidien

En termes simples, l’étude montre que les campus — et par extension les parcs de bureaux, les complexes hospitaliers ou les quartiers résidentiels — peuvent utiliser l’IA non seulement pour anticiper leur avenir énergétique mais aussi pour le façonner. En prévoyant quand et où l’électricité sera nécessaire, et en couplant ces prévisions à des moyens de stockage flexibles tels que des réservoirs d’hydrogène ou des batteries, les opérateurs peuvent réduire les pics coûteux, mieux exploiter l’énergie en heures creuses et alléger la pression sur le réseau global. Les auteurs soulignent que leurs résultats proviennent d’un seul campus et d’un dispositif de stockage simulé, et que les déploiements réels doivent intégrer les coûts, le bilan carbone et le confort. Néanmoins, le cadre proposé offre une feuille de route réaliste pour une utilisation plus intelligente et plus propre de l’électricité dans les lieux où se façonnent aujourd’hui les habitudes énergétiques de demain.

Citation: Wang, F., Huang, D. & Lu, W. The peak shifting electricity consumption management and influencing factors of smart grid from recurrent neural network model and deep learning. Sci Rep 16, 5569 (2026). https://doi.org/10.1038/s41598-026-35754-5

Mots-clés: réseau intelligent, énergie de campus, prévision de charge, stockage d’hydrogène, apprentissage profond