Une nouvelle approche rend l'énergie éolienne plus compétitive

Les co-auteurs de l'étude Wenlong Liao et Fernando Porté-Agel. © 2025 EPFL/Alain Herzog - CC-BY-SA 4.0

Les co-auteurs de l'étude Wenlong Liao et Fernando Porté-Agel. © 2025 EPFL/Alain Herzog - CC-BY-SA 4.0

L'intelligence artificielle ‘explicable’ améliore la fiabilité des prévisions qu’elle génère dans de nombreux secteurs. Cette méthode a été récemment testée sur la production d'énergie éolienne par une équipe de recherche de l'EPFL.

Ouvrir la ‘boîte noire’ des modèles de l’intelligence artificielle (IA) pour comprendre comment les résultats sont générés et si les prévisions sont fiables. C’est ce que propose «l’intelligence artificielle explicable». Cette branche de l’IA s’est récemment distinguée dans les tâches de vision par ordinateur telles que la reconnaissance d'images, où il est essentiel de comprendre les décisions du modèle. Forte de son succès, elle s’étend aujourd’hui à divers domaines où la confiance et la transparence sont particulièrement importantes, à l’exemple de la santé, des transports et de la finance.

A l’EPFL, une équipe du Laboratoire d'ingénierie éolienne et d'énergie renouvelable (WiRE) vient d’en appliquer la méthode pour ouvrir la boîte noire des modèles d’IA de leur domaine. Leur conclusion? L’IA explicable améliore l'interprétabilité des prévisions de l'énergie éolienne, car elle donne accès à la chaîne de décisions prises par un modèle d’IA classique. Elle peut même aider à identifier les variables les plus importantes à considérer. Leurs résultats ont récemment paru dans la revue Applied Energy.

«Pour que les opérateurs de réseaux puissent intégrer efficacement l'énergie éolienne à leurs réseaux intelligents, des prévisions quotidiennes fiables de sa production, avec une faible marge d'erreur, sont essentielles», indique le professeur Fernando Porté-Agel, impliqué dans l’étude. «Des prévisions imprécises obligent les opérateurs de réseaux à compenser à la dernière minute, souvent en utilisant de l'énergie fossile plus coûteuse.»

Prévisions plus fiables

Les modèles actuellement utilisés pour prévoir la production d'énergie éolienne se basent sur la dynamique des fluides, la modélisation météorologique et des méthodes statistiques. Ils présentent toujours une marge d'erreur non négligeable. L'IA a permis d'améliorer les prévisions en matière d'énergie éolienne en utilisant de nombreuses données pour identifier des modèles entre les variables du modèle météorologique et la production d'énergie des éoliennes.

Cependant, la plupart des modèles d'IA fonctionnent comme des «boîtes noires», ce qui rend difficile de savoir comment ils parviennent à certaines prédictions spécifiques. L’IA explicable résout ce problème en assurant la transparence des processus de modélisation qui aboutissent aux prévisions, ce qui permet d'obtenir des prévisions plus crédibles et plus fiables.

Identifier les variables importantes

Dans cette étude, l'équipe de recherche a entraîné un réseau neuronal en sélectionnant des variables d'entrée à partir d'un modèle météorologique pertinent pour la production d'énergie éolienne – avec des indicateurs tels que la direction et la vitesse du vent, la pression atmosphérique et la température – ainsi que des données collectées dans des parcs éoliens de Suisse et du monde entier. «Nous avons ajusté quatre techniques d’IA explicable et développé des métriques pour déterminer si l'interprétation des données par une technique était fiable», explique Wenlong Liao, postdoctorant et auteur principal de l'étude.

Dans le domaine de l'apprentissage automatique, les métriques sont utilisées pour évaluer les performances du modèle. Par exemple, les métriques peuvent indiquer si la relation entre deux variables est une causalité ou une corrélation. Elles sont développées pour des applications spécifiques - diagnostiquer une maladie, mesurer le nombre d'heures perdues à cause des embouteillages ou calculer l'évaluation boursière d'une entreprise. «Dans notre étude, nous avons défini plusieurs paramètres pour évaluer la fiabilité des techniques d’IA explicable. Ces techniques dignes de confiance nous aident en plus à identifier les variables pertinentes à prendre en compte dans nos modèles pour générer des prévisions fiables», indique Wenlong Liao. «Nous avons même constaté que nous pouvions exclure certaines variables de nos modèles sans pour autant les rendre moins précis.»

Plus compétitive

Selon Jiannong Fang du Laboratoire d'ingénierie éolienne et d'énergie renouvelable, également co-auteur de l’étude, ces résultats pourraient contribuer à rendre l'énergie éolienne plus compétitive. «Les opérateurs de réseaux électriques se sentiront à l'aise avec l'énergie éolienne s'ils comprennent sur quoi reposent leurs modèles de prévision», explique-t-il. «Avec l'approche d’IA explicable, les modèles peuvent être analysés et améliorés jour après jour, ce qui permet de générer des prévisions plus fiables sur les fluctuations journalières de l'énergie éolienne.»

Financement

Office fédéral de l’énergie (OFEN)

ETH-Domain Joint Initiative program in the Strategic Area Energy, Climate and Sustainable Environment: “An urban digital twin for climate action: Assessing policies and solutions for energy, water and infrastructure (UrbanTwin)”

Références

Wenlong Liao, Jiannong Fang, Lin Ye, Birgitte Bak-Jensen, Zhe Yang, Fernando Porte-Agel, “Can we trust explainable artificial intelligence in wind power forecasting?”, Applied Energy, 15 December 2024. https://doi.org/10.1016/j.apenergy.2024.124273


Auteur: Sandrine Perroud

Source: EPFL