Article interactif

1 - TRANSFORMATION NUMÉRIQUE

2 - INTELLIGENCE ARTIFICIELLE DANS LA TRANSFORMATION NUMÉRIQUE POUR LA TRANSITION ÉNERGÉTIQUE

3 - CONCLUSION

4 - ACRONYMES

Article de référence | Réf : H9000 v1

Intelligence artificielle dans le cadre de la transformation numérique

Auteur(s) : Moamar SAYED MOUCHAWEH

Relu et validé le 04 sept. 2020

Pour explorer cet article
Télécharger l'extrait gratuit

Vous êtes déjà abonné ?Connectez-vous !

Sommaire

Présentation

Version en anglais En anglais

RÉSUMÉ

Cet article présente les avantages, les impacts, et les défis de la transformation numérique sur la vie humaine et l’industrie. Il se concentre sur l'utilisation des techniques d'intelligence artificielle (IA) afin de relever ces défis, en particulier ceux liés à la transition énergétique. Ces méthodes seront classées en fonction de plusieurs critères tels que les interactions entre le marché et les utilisateurs/acteurs, l'objectif et le type du modèle, le domaine d'application, la taille du système, les outils d'aide à la décision construits, les caractéristiques du système utilisées, le type de données, et le niveau d'intrusion.

Lire cet article issu d'une ressource documentaire complète, actualisée et validée par des comités scientifiques.

Lire l’article

ABSTRACT

Artificial Intelligence Applications Within the context of Digital Transformation

This article discusses the benefits, impacts, and challenges of the digital transformation on human life and industry. Il se concentre sur l'utilisation des techniques d'intelligence artificielle (IA) afin de relever ces défis, en particulier ceux liés à la transition énergétique. The paper will classify the AI methods and techniques according to some meaningful criteria such as the market and actor interactions, the model objectives and kind, the application domain, the system scale, the built decision support system, the used features, the type of available data, and the level of intrusiveness.

Auteur(s)

INTRODUCTION

Cet article présente les avantages, les impacts et les défis de la transformation numérique sur la vie humaine et l’industrie. Il se concentre sur l’utilisation des techniques d’intelligence artificielle (IA) afin de relever ces défis, en particulier ceux liés à la transition énergétique. Cela nécessite le développement de méthodes et d’outils avancés évolutifs capables de gérer et de traiter efficacement et en ligne les énormes flux de données produits par des technologies et des systèmes hétérogènes afin d’extraire des connaissances, des recommandations ou des règles utiles. Ces derniers sont ensuite utilisés dans les outils d’aide à la décision afin de résoudre de multiples problèmes tels que l’amélioration de l’efficacité énergétique des producteurs d’énergie traditionnelle / renouvelable grâce à la participation des utilisateurs, pour faciliter la pénétration (intégration) des systèmes d’énergie renouvelable distribués / centralisés dans les réseaux électriques, afin de réduire la charge de pointe par l’utilisation de stratégies efficaces de réponse à la demande, pour équilibrer et optimiser la production et la consommation, pour renforcer la protection du réseau (résilience du réseau, diagnostic et pronostic des défaillances, auto-dépannage et restauration du réseau, etc.), ainsi que la cybersécurité et les questions de confidentialité, etc. Cet article présente les méthodes et techniques basées sur l’Intelligence Articificielle utilisées pour résoudre ces problèmes. Ces méthodes seront classées selon des critères significatifs tels que les interactions des acteurs du marché (prestataires de services, producteurs, gestionnaires de réseau, consommateurs, intégrateurs, etc.), les données disponibles (supervisées, non supervisées, semi-supervisées), leur objectif (prédiction, optimisation et contrôle), leurs défis et exigences, le domaine d’application (gestion de la demande, surveillance de la charge, microréseaux, conseil en énergie (résidents, commerces), économie d’énergie, gestion dynamique des revenus de tarification, gestion de l’énergie éolienne / solaire, mobilité et véhicules électriques, etc.), l’échelle du système (appareil, maison, bâtiment, quartier, etc.), le système d’aide à la décision intégré (passif sans contrôle uniquement, recommandation, actif avec contrôle, en ligne, hors ligne), les fonctionnalités utilisées (consommation / caractéristiques énergétiques, caractéristiques statistiques, caractéristiques temporelles, caractéristiques civiques, de l’habitat ou du bâtiment, etc.), le type de données (consommation d’énergie active, puissance réactive, courant quadratique moyen, tension RMS, facteur de puissance, prix de l’énergie, conditions météorologiques, activités et comportements des utilisateurs, etc.), le niveau d’intrusion, etc. L’objectif de cette classification est de fournir aux lecteurs un aperçu de l’utilisation des méthodes et techniques d’apprentissage automatique afin de relever les différents défis et problèmes liés à la transformation numérique dans le contexte de la transition énergétique.

Cet article est réservé aux abonnés.
Il vous reste 95% à découvrir.

Pour explorer cet article
Téléchargez l'extrait gratuit

Vous êtes déjà abonné ?Connectez-vous !


L'expertise technique et scientifique de référence

La plus importante ressource documentaire technique et scientifique en langue française, avec + de 1 200 auteurs et 100 conseillers scientifiques.
+ de 10 000 articles et 1 000 fiches pratiques opérationnelles, + de 800 articles nouveaux ou mis à jours chaque année.
De la conception au prototypage, jusqu'à l'industrialisation, la référence pour sécuriser le développement de vos projets industriels.

KEYWORDS

artificial intelligence   |   automatic learning   |   energy transition   |   digital transformation

DOI (Digital Object Identifier)

https://doi.org/10.51257/a-v1-h9000


Cet article fait partie de l’offre

Industrie du futur

(104 articles en ce moment)

Cette offre vous donne accès à :

Une base complète d’articles

Actualisée et enrichie d’articles validés par nos comités scientifiques

Des services

Un ensemble d'outils exclusifs en complément des ressources

Un Parcours Pratique

Opérationnel et didactique, pour garantir l'acquisition des compétences transverses

Doc & Quiz

Des articles interactifs avec des quiz, pour une lecture constructive

ABONNEZ-VOUS

Lecture en cours
Présentation
Version en anglais En anglais

Cet article est réservé aux abonnés.
Il vous reste 94% à découvrir.

Pour explorer cet article
Téléchargez l'extrait gratuit

Vous êtes déjà abonné ?Connectez-vous !


L'expertise technique et scientifique de référence

La plus importante ressource documentaire technique et scientifique en langue française, avec + de 1 200 auteurs et 100 conseillers scientifiques.
+ de 10 000 articles et 1 000 fiches pratiques opérationnelles, + de 800 articles nouveaux ou mis à jours chaque année.
De la conception au prototypage, jusqu'à l'industrialisation, la référence pour sécuriser le développement de vos projets industriels.

TEST DE VALIDATION ET CERTIFICATION CerT.I. :

Cet article vous permet de préparer une certification CerT.I.

Le test de validation des connaissances pour obtenir cette certification de Techniques de l’Ingénieur est disponible dans le module CerT.I.

Obtenez CerT.I., la certification
de Techniques de l’Ingénieur !
Acheter le module

Cet article fait partie de l’offre

Industrie du futur

(104 articles en ce moment)

Cette offre vous donne accès à :

Une base complète d’articles

Actualisée et enrichie d’articles validés par nos comités scientifiques

Des services

Un ensemble d'outils exclusifs en complément des ressources

Un Parcours Pratique

Opérationnel et didactique, pour garantir l'acquisition des compétences transverses

Doc & Quiz

Des articles interactifs avec des quiz, pour une lecture constructive

ABONNEZ-VOUS

Sommaire
Sommaire

BIBLIOGRAPHIE

  • (1) - LENKA (S.), PARIDA (V.), WINCENT (J.) -   Digitalization capabilities as enablers of value co-creation in servitizing firms.  -  Psychology & Marketing, 34(1), 92-100 (2017).

  • (2) - HASSELBLATT (M.), HUIKKOLA (T.), KOHTAMÄKI (M.), NICKELL (D.) -   Modeling manufacturer’s capabilities for the Internet of Things.  -  Journal of Business & Industrial Marketing, 33(6), 822-836 (2018).

  • (3) - PARIDA (V.), SJÖDIN (D.), REIM (W.) -   Reviewing literature on digitalization, business model innovation, and sustainable industry : Past achievements and future promises  -   (2019).

  • (4) - SIANO, PIERLUIGI -   Demand response and smart grids – A survey.  -  Renewable and sustainable energy reviews 30 : 461-478 (2014).

  • (5) - MOCANU (E.), NGUYEN (P.H.), GIBESCU (M.), LARSEN (E.M.), PINSON (P.) -   Demand forecasting at low aggregation levels using factored conditional restricted boltzmann machine.  -  In 2016 Power Systems Computation Conference (PSCC) (pp. 1-7). IEEE (2016, June).

  • ...

Cet article est réservé aux abonnés.
Il vous reste 94% à découvrir.

Pour explorer cet article
Téléchargez l'extrait gratuit

Vous êtes déjà abonné ?Connectez-vous !


L'expertise technique et scientifique de référence

La plus importante ressource documentaire technique et scientifique en langue française, avec + de 1 200 auteurs et 100 conseillers scientifiques.
+ de 10 000 articles et 1 000 fiches pratiques opérationnelles, + de 800 articles nouveaux ou mis à jours chaque année.
De la conception au prototypage, jusqu'à l'industrialisation, la référence pour sécuriser le développement de vos projets industriels.

Cet article fait partie de l’offre

Industrie du futur

(104 articles en ce moment)

Cette offre vous donne accès à :

Une base complète d’articles

Actualisée et enrichie d’articles validés par nos comités scientifiques

Des services

Un ensemble d'outils exclusifs en complément des ressources

Un Parcours Pratique

Opérationnel et didactique, pour garantir l'acquisition des compétences transverses

Doc & Quiz

Des articles interactifs avec des quiz, pour une lecture constructive

ABONNEZ-VOUS

Sommaire

QUIZ ET TEST DE VALIDATION PRÉSENTS DANS CET ARTICLE

1/ Quiz d'entraînement

Entraînez vous autant que vous le voulez avec les quiz d'entraînement.

2/ Test de validation

Lorsque vous êtes prêt, vous passez le test de validation. Vous avez deux passages possibles dans un laps de temps de 30 jours.

Entre les deux essais, vous pouvez consulter l’article et réutiliser les quiz d'entraînement pour progresser. L’attestation vous est délivrée pour un score minimum de 70 %.


L'expertise technique et scientifique de référence

La plus importante ressource documentaire technique et scientifique en langue française, avec + de 1 200 auteurs et 100 conseillers scientifiques.
+ de 10 000 articles et 1 000 fiches pratiques opérationnelles, + de 800 articles nouveaux ou mis à jours chaque année.
De la conception au prototypage, jusqu'à l'industrialisation, la référence pour sécuriser le développement de vos projets industriels.

Cet article fait partie de l’offre

Industrie du futur

(104 articles en ce moment)

Cette offre vous donne accès à :

Une base complète d’articles

Actualisée et enrichie d’articles validés par nos comités scientifiques

Des services

Un ensemble d'outils exclusifs en complément des ressources

Un Parcours Pratique

Opérationnel et didactique, pour garantir l'acquisition des compétences transverses

Doc & Quiz

Des articles interactifs avec des quiz, pour une lecture constructive

ABONNEZ-VOUS