L'avenir de la prévision énergétique : une intelligence hybride neuromorphique-axolotl révolutionnant l’exploitation des réseaux grâce à une maîtrise bio-inspirée des données manquantes

Maintenir l'éclairage dans un monde bruyant

Nos réseaux électriques dépendent de plus en plus de prévisions précises concernant la quantité d’électricité que consommeront les foyers, les usines, les centres de données et les véhicules électriques dans les heures et les jours à venir. Pourtant, les données qui alimentent ces prévisions sont pleines de lacunes et de dysfonctionnements dus à des capteurs défectueux, des conditions météo difficiles et des problèmes de communication. Cet article présente un mélange inattendu d’idées issues de la logique, de la biologie des salamandres et du comportement des primates qui, combinées, créent une nouvelle manière de réparer des données endommagées et d’affiner considérablement les prévisions de demande électrique.

Pourquoi les nombres manquants menacent le réseau

Les systèmes électriques modernes gèrent des panneaux solaires de toiture, des parcs éoliens, la recharge des véhicules électriques et des centres de données gourmands en énergie. Pour équilibrer l’offre et la demande de façon sûre et économique, les exploitants de réseau s’appuient sur des flux de mesures : température, niveau d’ensoleillement et flux d’énergie dans différentes zones. En réalité, beaucoup de ces mesures n’arrivent tout simplement jamais. Les capteurs tombent en panne, les liaisons de communication sont interrompues et les tempêtes peuvent mettre hors service des sections entières du réseau. Si les modèles de prévision reçoivent ces séries temporelles endommagées « telles quelles », leurs erreurs augmentent et les exploitants doivent maintenir des réserves de secours plus élevées, ce qui renchérit les coûts et accroît les émissions.

Une nouvelle façon d’envisager les données incertaines

La plupart des méthodes existantes pour combler les valeurs manquantes traitent les nombres comme connus ou inconnus et tentent de deviner les blancs en regardant les valeurs voisines. Les auteurs utilisent au contraire une description en trois volets pour chaque point de données : la probabilité qu’il soit correct, son degré d’incertitude et la probabilité qu’il soit erroné. Cette approche, issue d’une idée mathématique appelée ensembles neutrosophiques, permet au système de représenter côte à côte des capteurs bruités, des valeurs aberrantes suspectes et des mesures véritablement fiables. Ces trois « degrés » sont ensuite propagés dans un modèle de type Markov qui suit l’évolution de la certitude et de l’incertitude au fil du temps le long de la courbe de consommation d’énergie.

Emprunter des astuces de réparation à une salamandre peu commune

Pour réellement reconstruire des plages manquantes de la demande électrique, le cadre s’inspire de l’axolotl, une salamandre célèbre pour sa capacité à régénérer des membres perdus. Dans le modèle, les morceaux manquants de données se comportent comme des tissus endommagés. Un module régénératif examine les motifs locaux, les cycles saisonniers et des indices contextuels tels que la température et l’heure de la journée, puis « fait croître » des valeurs plausibles dans les vides. Il opère à plusieurs échelles temporelles simultanément : du détail fin pour de courtes pannes aux tendances plus larges pour des interruptions plus longues. Avec le temps, le système régénératif « se souvient » aussi des stratégies de réparation qui ont fonctionné dans des situations similaires, améliorant ainsi son comportement au fur et à mesure qu’il voit davantage de données.

Laisser de « singes virtuels » organiser l’information

Même après la réparation des valeurs manquantes, les modèles de prévision peuvent être submergés par trop de signaux qui se chevauchent. Pour y remédier, les auteurs introduisent un nouvel algorithme d’optimisation inspiré du comportement territorial et social des singes uakari chauves. Dans le contexte du réseau, chaque « territoire » représente un sous-ensemble candidat de caractéristiques, comme certaines variables météorologiques ou des zones particulières. Ces territoires s’étendent, se contractent et se disputent les ressources, tandis que les interactions sociales aident la population de candidats à explorer de nombreuses combinaisons. Ce processus converge progressivement vers un ensemble compact de caractéristiques qui, combinées, offrent les meilleures prévisions sans gaspiller de puissance de calcul.

De mathématiques complexes à des gains pratiques pour le réseau

Lorsque le système hybride complet a été testé sur sept jeux de données réels et de grande taille — depuis des ménages jusqu’à des installations industrielles, des microréseaux et la recharge de véhicules électriques — il a systématiquement surpassé une large gamme de techniques traditionnelles et modernes. La réparation conjointe des données manquantes et la sélection de caractéristiques ont conduit à environ 31 % d’amélioration de la précision des prévisions et près de 24 % de réduction de l’erreur de reconstruction, même lorsque jusqu’à 40 % des données étaient absentes. L’approche s’est bien transférée à de nouvelles régions et types de réseau avec peu d’entraînement supplémentaire et s’est exécutée assez rapidement pour des appareils en périphérie de postes électriques. Pour un non-spécialiste, la conclusion est que ce « guérisseur » bio-inspiré des données endommagées peut aider les réseaux à fonctionner plus près des limites avec une plus grande confiance, à intégrer davantage de renouvelables et de nouvelles charges électriques tout en réduisant le gaspillage, les coûts et le risque de panne.

Citation: Alhag, S.K., Elbaz, M., Moghanm, F.S. et al. The future of power forecasting: neuromorphic-axolotl hybrid intelligence revolutionizing grid operations through bio-inspired missing data mastery. Sci Rep 16, 11655 (2026). https://doi.org/10.1038/s41598-026-46498-7

Mots-clés: prévision de la demande électrique, données manquantes, réseau intelligent, algorithmes bio-inspirés, intégration des renouvelables