Prévisions de charge et gestion de la demande basées sur l’optimisation dans les microréseaux de bâtiments intelligents avec Greylag Goose et modèles de graphe bi-niveau

Pourquoi des bâtiments plus intelligents ont besoin de cerveaux énergétiques plus intelligents

À mesure que maisons, bureaux et campus ajoutent des panneaux solaires, des batteries et des véhicules électriques, la gestion de l’énergie devient étonnamment complexe. Les bâtiments doivent décider en permanence quand puiser de l’électricité sur le réseau, quand charger ou décharger les batteries, et comment éviter le gaspillage et les coupures. Cet article présente un nouveau « cerveau énergétique » pour les microréseaux de bâtiments intelligents qui prédit la consommation électrique avec grande précision et planifie l’usage des batteries de manière si soigneuse qu’il peut en doubler la durée de vie.

Maintenir l’éclairage dans un mini-réseau complexe

Un microréseau de bâtiment intelligent ressemble à un petit système électrique centré sur un site unique. Il peut inclure des panneaux solaires sur le toit, de petites éoliennes, des batteries, des véhicules électriques et une connexion au réseau principal. Le gestionnaire d’énergie du bâtiment doit équilibrer offre et demande toutes les quelques minutes, même lorsque l’ensoleillement varie, que des personnes entrent ou sortent, et que les batteries vieillissent. Si les prévisions sont inexactes, le bâtiment peut acheter de l’électricité à des tarifs de pointe, gaspiller de l’énergie renouvelable ou user les batteries plus rapidement que prévu. Les auteurs se concentrent sur deux objectifs clés : prédire la demande énergétique à court terme dans ces bâtiments et utiliser ces prévisions pour piloter les batteries de façon à réduire à la fois les coûts et l’usure.

Nettoyer les données avant de prédire

Le système démarre avec une année de mesures détaillées issues d’un vrai microréseau de bâtiment intelligent en Inde. Toutes les cinq minutes, des capteurs enregistraient les courants et tensions du réseau, la production solaire, le comportement des batteries et des conditions météorologiques comme la température, l’humidité et la vitesse du vent. Les données du monde réel sont désordonnées : capteurs défaillants, sauts de mesures et grande hétérogénéité d’échelles. Pour y remédier, les auteurs appliquent une étape de nettoyage spécialisée appelée Fast Resampled Iterative Filtering, qui lisse le bruit tout en conservant les variations réelles de la demande. Ensuite, ils utilisent une méthode de recherche inspirée de la nature, Prairie Dog Optimization, pour déterminer quelles séries de capteurs sont réellement les plus pertinentes pour la prédiction. Elle retient cinq entrées principales — par exemple la tension solaire, la puissance de décharge de la batterie et l’heure de la journée — éliminant les signaux redondants qui ajoutent de la complexité sans apporter d’information nouvelle.

Apprendre à un réseau à lire le « web » énergétique

Plutôt que de traiter chaque mesure comme une série temporelle isolée, les auteurs modélisent leurs interactions sous forme de réseau. Dans leur Relational Bi-Level Aggregation Graph Convolutional Network, chaque nœud du graphe représente l’une des caractéristiques clés (par exemple la température ou la puissance de décharge de la batterie) et les liens représentent l’intensité de leur influence mutuelle au fil du temps. Le modèle apprend d’abord des motifs locaux, comme la façon dont la tension solaire et la puissance de la batterie évoluent ensemble sur une courte fenêtre, puis construit des motifs globaux qui captent les cycles journaliers et des relations plus larges. En combinant ces couches, le système perçoit non seulement quand la demande change, mais comment ce changement est lié au soleil, à la température et à l’usage de la batterie, améliorant ainsi sa capacité à prévoir les charges à venir.

Emprunter un schéma de vol aux oies

Pour régler ce modèle de graphe, les auteurs utilisent une autre méthode bio-inspirée, Greylag Goose Optimization. Dans la nature, les oies en formation en V ajustent constamment leur position pour économiser de l’énergie et rester sur la trajectoire. Dans cet algorithme, chaque « oie » représente un ensemble possible d’hyperparamètres du modèle, comme le taux d’apprentissage et des poids internes. Pendant l’entraînement, ces oies virtuelles explorent et affinent leurs positions, recherchant des combinaisons qui donnent l’erreur de prévision la plus faible sans rester coincées dans de mauvais minima locaux. Cet ajustement adaptatif aide le modèle à rester stable même lorsque les charges du bâtiment sont très irrégulières, par exemple lors de pics soudains dus à la recharge de véhicules électriques ou d’effondrements pendant les heures d’inoccupation.

Des prévisions plus nettes et des batteries qui durent plus longtemps

Comparé à plusieurs méthodes populaires d’apprentissage profond et hybrides, le nouveau cadre atteint environ 98,3 % de précision moyenne de prévision, contre environ 80–92 % pour les meilleures alternatives. Ses mesures d’erreur sont inférieures de plus de moitié à celles des modèles concurrents, et ses prédictions sont plus cohérentes d’une exécution à l’autre. Lorsque les prévisions obtenues sont utilisées pour des ordonnancements prenant en compte l’état des batteries, le bâtiment peut maintenir la demande dans une plage efficace et éviter des cycles de charge/décharge profonds et stressants. Les simulations suggèrent que ce contrôle plus fin peut plus que doubler le temps pendant lequel une batterie reste au‑dessus de 80 % de sa capacité d’origine, transformant de meilleures prévisions en économies matérielles réelles.

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

Pour le grand public, le message principal est que de meilleures « planifications numériques » à l’intérieur d’un bâtiment peuvent se traduire directement par des factures plus faibles, moins de perturbations du réseau et des batteries et équipements qui durent plus longtemps. En nettoyant les données de capteurs, en se concentrant sur les signaux les plus informatifs, en modélisant leurs interactions et en réglant intelligemment le modèle, l’approche proposée donne aux microréseaux de bâtiments une vision beaucoup plus claire du proche avenir. Cette clarté permet à son tour de faire des choix plus intelligents sur le moment de stocker, d’utiliser ou de vendre de l’électricité, nous rapprochant de bâtiments fiables et bas carbone qui gèrent discrètement leur énergie en coulisse.

Citation: Ahamed, B.S., Dhanya, D., Sivaramkrishnan, M. et al. Optimization based load forecasting and demand management in smart building microgrids with Greylag Goose and Bi level graph models. Sci Rep 16, 6386 (2026). https://doi.org/10.1038/s41598-026-36960-x

Mots-clés: microréseaux de bâtiments intelligents, prévision de charge, dégradation des batteries, gestion de l’énergie, réseaux de neurones à graphes