La gestion de la demande électrique dans les bâtiments est devenue un enjeu majeur à mesure que les énergies renouvelables prennent de l’importance et que les systèmes énergétiques se diversifient. Afin de répondre efficacement à cette demande, une nouvelle approche a émergé. Les chercheurs de l’Institut des Sciences de Tokyo ont développé une méthode novatrice, appelée Group Encoding, qui repose sur l’analyse des données de fonctionnement On/Off des appareils électroménagers. Cette technique révolutionnaire améliore de manière significative la précision des prévisions de demande, permettant ainsi une gestion plus optimisée des systèmes énergétiques distribués tout en favorisant l’intégration des sources d’énergie renouvelable.
Une équipe de chercheurs de l’Institut des Sciences de Tokyo a développé une méthode novatrice, connue sous le nom de Group Encoding (GE), qui permet de prédire la demande en électricité avec une précision remarquable. Cette méthode, qui utilise uniquement les données d’On/Off des appareils d’énergie des bâtiments, a montré une amélioration de la précision de 74% par rapport aux méthodes traditionnelles. Dans un contexte où les systèmes d’énergie renouvelable se multiplient, cette avancée représente une solution évolutive et économique pour la gestion des systèmes d’énergie distribuée.
Un besoin urgent d’amélioration de la prévision de la demande électrique
Avec l’adoption croissante des énergies renouvelables, les bâtiments intègrent de plus en plus des panneaux solaires, des piles à hydrogène, des batteries et d’autres systèmes d’énergie distribuée (DES) afin de répondre à leurs besoins en électricité. Bien que ces technologies aient le potentiel de réduire significativement les émissions de carbone et d’améliorer la résilience énergétique, la nécessité de prévoir la demande énergétique avec précision devient primordiale. En effet, sans prévisions précises, il est complexe d’équilibrer l’offre et la demande, ce qui peut provoquer des instabilités dans le réseau électrique, réduire l’efficacité et augmenter les coûts.
La méthode Group Encoding : une approche simplifiée et efficace
Pour relever ce défi, les chercheurs de l’Institut des Sciences de Tokyo, dirigés par le Professeur Manabu Ihara, ont présenté la méthode Group Encoding. Cette technique revolue repose sur l’utilisation des données de statut On/Off des appareils, données déjà collectées par la majorité des systèmes de gestion de l’énergie des bâtiments (BEMS). En se concentrant sur l’état binaire des appareils, la méthode simplifie considérablement le jeu de données tout en contenant des informations clés nécessaires à la prévision de la demande électrique.
Grâce à la large adoption de l’Internet des Objets, il est désormais possible de recueillir facilement ces données à grande échelle. Selon Ihara, cela pourrait permettre d’éliminer le besoin de capteurs coûteux supplémentaires si des prévisions précises peuvent être générées uniquement à partir de ces données binaires.
Fonctionnement du Group Encoding
La méthode GE commence par la collecte des données d’On/Off depuis les BEMS, qui sont ensuite étiquetées selon le type d’équipement. Les appareils ayant des fonctions similaires, tels que les chauffages ou les systèmes de climatisation, sont regroupés. Chaque appareil se voit attribuer un poids, soit égal, soit basé sur sa contribution à l’utilisation globale d’énergie. Ces signaux pondérés sont ensuite combinés pour créer une valeur unique pour chaque groupe.
Les valeurs finales sont introduites dans un modèle d’apprentissage automatique, qui est ensuite formé pour prédire la demande en électricité. Les chercheurs ont testé leur méthode avec des données réelles issues du Bâtiment d’Innovation Énergétique de l’Institut des Sciences de Tokyo, recueillant plus de 4 000 points de données chaque seconde ou minute, y compris 1 505 signaux On/Off de divers systèmes énergétiques.
Résultats et performances de la méthode
Les résultats du test ont révélé que la méthode GE surpassait de manière significative les méthodes classiques d’encodage. Lors des prévisions à une minute, la précision a été améliorée de 74% en ce qui concerne l’erreur absolue moyenne. Pour les prévisions à 60 minutes, la méthode a atteint un taux d’erreur de 3,27% et un coefficient de variation de l’erreur quadratique moyenne de 5,40%, établissant ainsi un nouveau standard pour les prévisions de la performance des DES dans un bâtiment unique.
Vers une application réelle du Group Encoding
En se basant sur ces résultats prometteurs, l’équipe de chercheurs travaille à intégrer la méthode GE dans des applications concrètes. Ihara a mentionné l’intégration de cette technique dans Ene-Swallow, un système de gestion de l’énergie intelligent de nouvelle génération, qui contrôle un système avancé de batterie secondaire à air à carbone. De plus, il existe des plans pour lancer une startup qui soutiendra le déploiement de ces technologies et accélérera l’intégration des sources d’énergie renouvelables variables dans le réseau électrique.
Avec sa capacité à rendre la prévision énergétique moins complexe, moins coûteuse et plus précise, le Group Encoding représente une solution novatrice face aux obstacles auxquels sont confrontés les systèmes d’énergie renouvelable distribuée. Alors que les bâtiments deviennent de plus en plus intelligents et connectés, cette innovation pourrait jouer un rôle clé dans l’optimisation de l’utilisation de l’énergie, la réduction des émissions, ainsi que l’assurance d’un approvisionnement stable en électricité propre.
EN BREF
|
