Recherche sur des méthodes d’optimisation pour des plans d’approvisionnement multi-énergie dans des parcs industriels basés sur des algorithmes génétiques

Pourquoi une énergie d’usine plus intelligente compte

Alors que le monde s’efforce de réduire les émissions de gaz à effet de serre, les usines font face à un défi : alimenter des lignes de production en expansion tout en augmentant la part d’énergie propre et en maîtrisant les coûts. Cet article propose une nouvelle manière pour les parcs industriels de planifier leurs systèmes énergétiques sur plusieurs décennies, en combinant solaire et générateurs efficaces sur site pour faire évoluer les capacités pas à pas avec la demande. L’étude montre qu’une planification attentive, appuyée par des algorithmes modernes, peut réduire fortement à la fois les factures d’énergie et l’empreinte carbone, sans obliger les entreprises à prendre le risque d’investissements initiaux très lourds.

Du modèle unique aux plans énergétiques sur-mesure

De nombreuses usines souhaitent désormais des systèmes « multi-énergie » mêlant électricité du réseau, gaz naturel, solaire et unités de production combinée de chaleur et d’électricité (PCCE). Les outils de planification existants et les logiciels commerciaux peuvent concevoir de tels systèmes, mais ils supposent souvent une demande énergétique fixe et l’installation de tout l’équipement dès le départ. Dans la réalité, la demande augmente généralement avec l’expansion de la production, et il est rarement pertinent d’acheter toute la capacité future le premier jour. Les auteurs soutiennent qu’il manque un outil de planification adapté aux petits sites industriels capable de gérer une demande changeante et des constructions étagées, tout en restant pratique pour les ingénieurs et les gestionnaires.

Laisser l’évolution chercher de meilleurs systèmes énergétiques

Pour combler cette lacune, les chercheurs ont développé un modèle d’optimisation fondé sur un « algorithme génétique », une méthode de recherche inspirée de l’évolution biologique. Plutôt que de tenter de dériver une formule de coût complexe, l’algorithme considère chaque plan énergétique possible sur le long terme comme une suite de choix : combien de panneaux solaires et d’unités PCCE installer la première année, combien ajouter tous les quelques ans, et quand remplacer le matériel vieillissant. Chaque plan candidat est simulé sur une période de 20 ans, en suivant les coûts d’investissement, la consommation de carburant, les achats au réseau et la maintenance. L’algorithme « sélectionne » ensuite les plans les plus performants, « mélange » leurs caractéristiques et « mute » occasionnellement certains choix, évoluant progressivement vers des stratégies minimisant le coût global ou réduisant le délai de retour sur investissement.

Concevoir comment et quand construire

Le modèle décompose chaque technologie en quelques paramètres de planification simples : capacité initiale, taille de chaque extension ultérieure, fréquence des extensions et, le cas échéant, quels modules matériels sont choisis. Pour les panneaux solaires, ces choix doivent respecter les limites de surface de toiture, les tailles minimales d’installation pratiques et l’économie typique des projets afin d’éviter de petits ajouts non rentables. Pour les unités PCCE, l’outil suppose des modules modulaires de 1 000 kW et empêche la surconstruction bien au-delà des besoins en chaleur et en électricité de l’usine. Comme les variables de décision sont discrètes — ajout d’une turbine entière ou d’une unité PCCE à la fois — les auteurs montrent que les algorithmes génétiques conviennent mieux que de nombreuses méthodes traditionnelles qui supposent des ajustements lisses et continus.

Surclasser les logiciels commerciaux et les stratégies d’installation fixe

L’équipe a d’abord confronté son approche à HOMER, un outil commercial de planification largement utilisé. Pour un cas test autorisant solaire, éolien et PCCE, leur modèle a trouvé une configuration avec une éolienne, plusieurs unités PCCE et une capacité solaire modérée qui réduisait le coût total du projet d’environ 23 % par rapport à la conception de HOMER et raccourcissait la période de remboursement simple de neuf ans à cinq. Un second cas plus détaillé portait sur un parc industriel à Hainan, en Chine, avec une forte demande en électricité et en refroidissement et une surface disponible pour le solaire en toiture. Là, le plan optimisé a installé le maximum de 1,6 mégawatts de panneaux solaires et a démarré avec neuf unités PCCE, puis ajouté davantage de capacité PCCE tous les deux ans à mesure que la demande croissait. Sur 20 ans, cette « installation dynamique » a réduit les coûts énergétiques totaux de 77 % par rapport à un scénario business-as-usual qui achetait tout au réseau et au réseau de gaz.

Pourquoi la construction en étapes l’emporte

Les auteurs ont aussi comparé leur approche par étapes à une stratégie plus simple d’« installation fixe » qui installe tout l’équipement sur site dès le départ. Bien que les deux aient utilisé la même capacité solaire maximale, le plan fixe proposait 26 unités PCCE en amont, soit bien plus que nécessaire dans les premières années. Cette option obtenait un délai de remboursement de quatre ans mais présentait un coût à vie plus élevé et laissait de nombreuses unités sous-utilisées. En revanche, le plan dynamique nécessitait moins de la moitié de l’investissement initial, atteignait le remboursement en seulement deux ans et maintenait les unités PCCE à un niveau d’utilisation plus élevé, optimisant chaque euro investi. Cette approche étagée répartit également les coûts de remplacement et laisse plus de marge d’adaptation si la demande future ou les prix de l’énergie diffèrent des prévisions actuelles.

Ce que cela signifie pour les usines et les objectifs climatiques

Pour un public non spécialiste, le message est simple : les usines n’ont pas à choisir entre économiser et verdir. En planifiant quand et combien d’équipements énergétiques installer sur site, et en utilisant des méthodes de recherche intelligentes pour explorer des milliers de chemins de déploiement possibles, les parcs industriels peuvent fortement réduire leurs factures tout en basculant vers des sources plus propres comme le solaire et des PCCE à haute efficacité. L’étude suggère qu’un investissement réfléchi et phasé peut diminuer les dépenses initiales jusqu’à 40 %, accélérer le retour sur investissement et réduire le risque, tout en soutenant les efforts mondiaux de réduction des émissions.

Citation: Guo, S., Wei, H., Li, F. et al. Research on optimization methods for multi-energy expansion supply plans in industrial parks based on genetic algorithms. Sci Rep 16, 5200 (2026). https://doi.org/10.1038/s41598-026-36503-4

Mots-clés: planification énergétique industrielle, énergies renouvelables en usine, production combinée de chaleur et d’électricité, optimisation par algorithme génétique, systèmes multi-énergie