Conclusion et discussion
Intelligence artificielle et gestion intelligente de l’énergie

Cet article traite du problème de la gestion intelligente de l’énergie (SME) dans le contexte de la transition énergétique (gestion de la demande, surveillance de la charge, micro-réseaux, conseil en énergie pour les résidents et les services publics, économie d’énergie, gestion des revenus par tarification dynamique, compteurs intelligents). Il se concentre sur l’utilisation de techniques d’intelligence artificielle pour relever les défis liés à cette question d’actualité. L’article met en lumière les principales différences entre les réseaux électriques traditionnels et les futurs réseaux électriques intelligents dans le contexte de la transition énergétique.

En outre, cet article détaille le problème de la surveillance de charge dans les secteurs résidentiel, commercial et industriel afin d’améliorer l’efficacité énergétique et de réaliser des économies d’énergie en présence de sources distribuées d’énergie renouvelable. Les approches en matière de surveillance de charge ont été classées en deux catégories principales : Systèmes de surveillance de charge intrusive et non intrusive (NILM). Cet article se concentre sur les approches NILM car elles sont mieux adaptées aux systèmes SEM dans le contexte de la transition énergétique. Ces approches mettent en œuvre deux étapes principales : l’extraction des caractéristiques de l’appareil, ainsi que l’inférence et l’apprentissage. Les caractéristiques peuvent être divisées en caractéristiques à l’état stable, caractéristiques à l’état transitoire et en caractéristiques particulières (sans alimentation ou contextuelles). L’étape d’inférence et d’apprentissage vise à créer un modèle permettant d’identifier un équipement en se basant sur les caractéristiques extraites du signal de puissance global. Les approches utilisées pour construire un modèle au cours de cette étape sont classées en : optimisation et reconnaissance de formes. Les approches appartenant à ces dernières sont classées en deux catégories principales : les approches supervisées et non supervisées/semi-supervisées.

Les algorithmes NILM ont été développés pour la plupart pour le suivi et l’analyse de la consommation d’énergie dans les ménages résidentiels. Cependant, la consommation...