Actualités

PhD Dan Assouline: IA explore le potentiel des énergies renouvelables

Dan Assouline © 2019 EPFL LESO-PB

Dan Assouline © 2019 EPFL LESO-PB

Le titre de docteur ès Sciences a été décerné à Dan Assouline pour son travail d'évaluation du potentiel des énergies renouvelables en Suisse à l'aide de méthodologies combinant l'Apprentissage Automatique et des Systèmes d'Information Géographique. Réalisé sous la direction de la Dr. Nahid Mohajeri et du Prof. Jean-Louis Scartezzini du Laboratoire d'Energie Solaire et de Physique du Bâtiment de l'EPFL, ce travail de recherche a produit des méthodes et cartographies fort utiles à l'élaboration de stratégies énergétiques régionales. Par ailleurs, les estimations faites pour la Suisse laissent entrevoir qu'il est en effet possible de couvrir les besoins énergétiques du pays uniquement par des sources renouvelables.

Afin d’utiliser les énergies renouvelables de façon optimale, il est nécessaire d’estimer leur potentielle contribution énergétique. En particulier, une telle estimation est nécessaire à grande échelle afin d’évaluer les zones à fort potentiel pour chaque type de ressource au sein d’une région, et ainsi de pouvoir mettre en place des stratégies énergétiques efficaces. En Suisse, la "Stratégie Energétique 2050", instituée en 2011 par le Conseil Fédéral Suisse, se place en exemple en s’imposant l’objectif ambitieux de réduire la consommation de CO2 de 50-80% d’ici 2050, en suivant trois principales directives: supprimer progressivement l’usage du nucléaire, améliorer l’ecacité énergétique et augmenter drastiquement l’usage d’énergies renouvelables.

Cette thèse développe une stratégie générale, basée sur l’utilisation de données et combinant Systèmes d’Information Géographique et Apprentissage Automatique pour estimer le potentiel de trois énergies alternatives populaires: éolienne (éoliennes à axe horizontal), géothermique (pompes à chaleur très peu profondes) et solaire (Panneaux Photovoltaïques (PV) montés sur les toits des bâtiments). Afin de déterminer le potentiel à grande échelle de chacune des trois énergies, une méthodologie spécifique, estimant plusieurs variables caractéristiques, est proposée, basée sur l’utilisation de données réelles. Les variables estimées sont ensuite combinées pour former le potentiel. L’utilisation de méthodes d’Apprentissage Aléatoire (notamment de Machines à Vecteurs de Support et Forêts Aléatoires) permet, avec l’aide de prédicteurs adéquats et de données d’entrainement, la prédiction spatio-temporelle de ces précédentes variables, ainsi que l’incertitude reliée a la prédiction. Dans chaque cas, la méthodologie est appliquée à la Suisse; elle repose donc sur la présence de données disponibles pour le territoire. Néanmoins, les types de données utilisés, notamment des données météorologiques, topographiques, et reliées au sols et au bâtiment, deviennent progressivement disponible dans bon nombre de pays, permettant ainsi la généralisation des méthodologies suggérées.

Les résultats montrent que l’Apprentissage Automatique est adapté à l’estimation de potentiel énergétique, étant donnée la précision raisonnable obtenue pour chaque prédiction et estimation spatiale. Les valeurs finales de potentiel, globalement validées à l’aide de données existantes, mettent en lumière le fort potentiel énergétique renouvelable en Suisse. En particulier, l’utilisation de panneaux solaires PV sur les toits semble être une solution prometteuse: son potentiel est évalué à 16.3 TWh par an, ce qui correspond à 25.3% de la demande annuelle en électricité en 2017.

Financement

Cette recherche a été financée par l'agence suisse de l'innovation Innosuisse dans le cadre du Swiss Competence Center for Energy Research  "Future Energy Efficient Buildings and Districts" SCCER FEEB&D.

Références

Assouline, Dan; Mohajeri, Nahid; Scartezzini, Jean-Louis (dirs.), Machine Learning and Geographic Information Systems for large-scale mapping of renewable energy potential, EPFL Thesis no 9376, 2019