Prédiction de la charge des véhicules électriques par apprentissage fédéré
La révolution des véhicules électriques (VE) est en marche, et avec elle, un défi sans précédent pour les réseaux électriques du monde entier. Alors que des millions de nouveaux VE rejoignent les routes chaque année, la demande d’énergie pour la recharge devient un facteur de stress majeur pour les infrastructures de distribution urbaines et rurales. La capacité de prédire avec précision la charge de court terme générée par ces véhicules est cruciale pour assurer la stabilité du réseau, optimiser la production et la distribution d’énergie, et planifier l’expansion des infrastructures de recharge. Cependant, les modèles traditionnels de prévision font face à un obstacle fondamental : ils nécessitent des données détaillées sur le comportement des utilisateurs pour atteindre une haute précision, mais ces données sont hautement sensibles et ne peuvent être partagées librement en raison des préoccupations croissantes liées à la protection de la vie privée.
Une équipe de chercheurs de l’École d’ingénierie électrique et de l’information de l’Université de Tianjin, dirigée par le professeur Yang Ting, a relevé ce défi avec une solution innovante et potentiellement transformatrice. Dans une étude publiée dans la prestigieuse revue High Voltage Engineering, les scientifiques ont introduit une nouvelle méthode basée sur l’apprentissage fédéré (federated learning, FL), un cadre d’intelligence artificielle qui permet d’améliorer la précision de la prévision de la charge de court terme des VE, tout en garantissant la sécurité des données personnelles des utilisateurs.
Le cœur de cette approche réside dans une réconciliation entre besoin technologique et éthique. L’apprentissage fédéré, un paradigme d’intelligence artificielle conçu pour surmonter les limites de la centralisation des données, permet d’entraîner des modèles d’apprentissage automatique de manière décentralisée. Dans le modèle proposé, chaque opérateur de recharge de véhicules électriques (EVCO) conserve les données de recharge et les données comportementales des utilisateurs dans ses propres systèmes sécurisés. Au lieu d’envoyer les données brutes à un serveur central, chaque opérateur entraîne un modèle local en utilisant son propre jeu de données. Ce qui est partagé avec une entité centrale, comme une entreprise électrique, ce sont uniquement les paramètres mis à jour du modèle—les poids et les biais d’un réseau neuronal—et non les données des utilisateurs eux-mêmes. Ces paramètres sont ensuite agrégés par un agrégateur central pour créer un modèle global plus puissant et plus précis, qui est ensuite redistribué à tous les participants pour un nouveau cycle d’entraînement. Ce processus itératif permet au modèle global d’apprendre à partir des modèles locaux, accumulant une connaissance collective et améliorant continuellement sa capacité prédictive, tandis que les données sensibles des utilisateurs restent protégées et localisées.
La génialité du travail de Yang Ting, avec ses collègues Qin Xiaobing, Feng Xiangwei et Xu Zheming, réside dans l’intégration explicite de données comportementales, souvent négligées dans les modèles précédents, dans ce cadre d’apprentissage fédéré. Alors que de nombreuses études se sont concentrées exclusivement sur les données historiques de charge, cette équipe reconnaît que le comportement humain est un facteur déterminant. Le moment où un utilisateur décide de commencer à recharger, combien de temps il reste connecté, à quel niveau de charge de la batterie il décide de s’arrêter et avec quelle puissance il choisit de charger sont tous des éléments qui façonnent la courbe de charge. Ignorer ces détails signifie perdre une compréhension profonde de la dynamique de la demande. En intégrant ces variables dans le modèle, les chercheurs ont créé un système beaucoup plus « intelligent » et réaliste.
Le moteur prédictif au cœur du système est un réseau neuronal BiLSTM (Bidirectional Long Short-Term Memory). Cette architecture a été choisie pour sa capacité exceptionnelle à analyser les séquences de données temporelles. Contrairement aux réseaux LSTM standards, qui analysent les données dans une seule direction (du passé vers le futur), le BiLSTM traite les informations dans les deux sens. Cette capacité à « regarder en arrière et en avant » dans le flux de données lui permet d’identifier des modèles complexes et des dépendances temporelles qui seraient invisibles à un modèle unidirectionnel. Par exemple, il peut apprendre non seulement qu’il y a un pic de recharge à 18h00, mais aussi que ce pic est souvent précédé d’une augmentation progressive d’activité dans les heures précédentes et suivi d’une baisse plus lente, grâce à la compréhension du contexte temporel complet.
La préparation des données d’entrée a été un processus méticuleux. L’équipe a créé un ensemble de caractéristiques composites qui combine les mesures historiques de charge avec des indicateurs dérivés du comportement. Par exemple, la puissance moyenne de recharge à un moment donné a été calculée en fonction de la puissance sélectionnée par tous les utilisateurs actifs. De même, le niveau moyen de SOC à la fin d’une session de recharge a été extrait pour capturer les préférences typiques des utilisateurs. Ces caractéristiques, ainsi que les données de charge historiques, ont été alimentées dans le modèle BiLSTM à l’aide d’une stratégie de fenêtre glissante, permettant au système d’apprendre continuellement à partir des données les plus récentes et d’ajuster dynamiquement ses prévisions.
Un aspect crucial du projet est la sécurité du processus de communication. Les auteurs ont choisi délibérément de transmettre non pas les gradients de mise à jour du modèle, mais les paramètres finaux du modèle (poids et biais). Cette distinction est subtile mais fondamentale. Les gradients, qui représentent la direction et l’ampleur du changement pendant l’entraînement, peuvent théoriquement être utilisés dans des attaques sophistiquées pour déduire des informations sur les données d’entraînement originales. Les poids et les biais finaux, en revanche, sont le résultat d’un processus complexe et sont beaucoup plus difficiles à décoder pour révéler des informations personnelles. Ce choix ajoute une couche de protection significative, rendant le système beaucoup plus robuste contre les violations de la vie privée et s’alignant sur les principes de « minimisation des données » et de « protection par la conception » recommandés par des réglementations telles que le RGPD.
La validation du modèle a été réalisée à l’aide de données réelles provenant de neuf opérateurs de recharge différents (EVCOs) dans une grande ville chinoise, couvrant un mois entier d’opérations en décembre 2022. L’ensemble de données comprenait 25 920 points d’échantillonnage, capturant à la fois la dynamique de charge et le comportement détaillé des utilisateurs. Les données ont été divisées en ensembles d’entraînement, de validation et de test dans un rapport de 4:1:1 et normalisées pour assurer la cohérence.
Les performances ont été évaluées à l’aide de deux métriques standard : l’erreur moyenne absolue en pourcentage (MAPE) et la racine de l’erreur quadratique moyenne (RMSE). Les résultats ont été impressionnants. Lorsque les données comportementales des utilisateurs ont été intégrées au modèle, le RMSE et le MAPE ont tous deux montré une réduction significative pour tous les opérateurs. Par exemple, un opérateur spécifique (C6) a enregistré une diminution de 5,57 % du RMSE et une amélioration de 0,55 % du MAPE, démontrant que les caractéristiques comportementales améliorent substantiellement la précision de la prévision.
La comparaison la plus révélatrice a été entre les modèles locaux isolés et le modèle d’apprentissage fédéré. Dans tous les cas, le modèle fédéré a surpassé les modèles locaux individuels, avec des réductions du RMSE comprises entre 9,34 % et 11,07 % et des améliorations du MAPE entre 2,13 % et 5,29 %. Cette augmentation constante souligne la valeur de l’apprentissage collaboratif : en agrégeant la connaissance de plusieurs opérateurs, le modèle global est exposé à un spectre beaucoup plus large de comportements de recharge, conduisant à des prévisions plus robustes et plus précises.
Le test le plus convaincant de la force du modèle a été un test de généralisation avec un nouvel opérateur (C10) auparavant inconnu. Cet opérateur disposait d’une quantité extrêmement limitée de données historiques, seulement 24 heures d’activité de recharge. Lorsqu’un modèle local a été entraîné uniquement avec ces données, les performances ont été médiocres, avec un RMSE de 65,3 kW et un MAPE de 19,2 %, des résultats inacceptables pour la planification opérationnelle. Cependant, lorsque le modèle fédéré préalablement entraîné a été appliqué aux données de C10, le RMSE est tombé à 29,4 kW et le MAPE est descendu à 6,8 %, représentant des améliorations de 54,9 % et 12,4 % respectivement.
Ce résultat met en évidence un avantage crucial de l’apprentissage fédéré : il permet une mise en œuvre rapide et une prévision précise même pour de nouveaux opérateurs ou ceux avec peu de données. En termes pratiques, cela signifie que les réseaux de recharge émergents peuvent bénéficier immédiatement de l’intelligence collective des opérateurs établis, accélérant leur intégration dans l’écosystème énergétique plus large sans avoir à accumuler des années de données.
Du point de vue informatique, le modèle a été optimisé à l’aide de l’algorithme Adam, une méthode d’optimisation adaptative qui met à jour les paramètres du modèle en fonction des estimations du gradient. Cela accélère non seulement la convergence, mais aide également à éviter les minima locaux, garantissant un entraînement stable et efficace. L’ensemble du processus d’apprentissage fédéré a été configuré avec 100 tours de communication globale, 5 époques locales par tour et une taille de lot de 128, trouvant un équilibre entre précision du modèle et efficacité informatique.
Les implications de cette recherche vont bien au-delà des performances techniques. Alors que les gouvernements et les entreprises de services publics font face à l’intégration de ressources énergétiques distribuées, y compris des véhicules électriques, des panneaux solaires et des systèmes de stockage domestique, la capacité de prévoir la demande avec une grande fidélité devient un pilier de la résilience du réseau. Les outils de prévision traditionnels, souvent basés sur des données agrégées et anonymisées, sont de plus en plus inadéquats face aux modèles de consommation d’énergie dynamiques et décentralisés.
Le cadre d’apprentissage fédéré proposé par Yang Ting et ses collègues offre une alternative évolutive, sécurisée et intelligente. Il s’aligne sur les principes modernes de gouvernance des données, tels que ceux définis dans le Règlement général sur la protection des données (RGPD) de l’UE et dans la Loi chinoise sur la protection des informations personnelles (PIPL), en minimisant l’exposition des données et en décentralisant le contrôle. En même temps, il donne aux opérateurs et aux gestionnaires de réseau des informations plus précises et exploitables.
En outre, l’architecture du modèle est intrinsèquement extensible. Les futures itérations pourraient intégrer d’autres sources de données, comme les conditions météorologiques, les signaux de prix de l’électricité ou les niveaux de congestion du trafic, pour affiner encore les prévisions. Le même cadre pourrait également être adapté à d’autres applications, comme la gestion de la réponse à la demande, la coordination véhicule-réseau (V2G) ou la prévision de l’énergie renouvelable.
Pour les opérateurs de recharge, les avantages sont clairs : une meilleure prévision de la charge permet une planification de la capacité plus efficace, réduit les frais de demande de pointe et améliore la satisfaction des clients en minimisant les temps d’attente et les interruptions de service. Pour les opérateurs de réseau, des prévisions précises soutiennent une planification des unités plus efficace, la régulation de la fréquence et le contrôle de la tension, des fonctions critiques pour maintenir la qualité et la fiabilité de l’énergie.
L’étude ouvre également de nouvelles voies pour la collaboration entre les parties prenantes publiques et privées. En établissant un consortium d’apprentissage fédéré entre les EVCO, les entreprises électriques et les institutions de recherche, les villes peuvent construire des plates-formes de prévision partagées qui servent l’intérêt général sans compromettre l’avantage concurrentiel ou la vie privée des utilisateurs.
Dans une ère où les données sont souvent décrites comme le nouveau pétrole, cette recherche nous rappelle que la valeur ne vient pas toujours de la centralisation. Parfois, les idées les plus puissantes émergent non pas de monopoliser les données, mais d’apprendre ensemble—de manière sécurisée, éthique et intelligente.
Alors que le monde avance vers la mobilité électrifiée, les défis d’intégration au réseau ne feront que devenir plus complexes. Mais avec des approches innovantes comme l’apprentissage fédéré, la voie à suivre devient plus claire. En respectant la vie privée des utilisateurs tout en débloquant le pouvoir prédictif des données comportementales, ce travail établit une nouvelle norme pour l’analyse intelligente des réseaux, un équilibre entre ambition technologique et responsabilité éthique.
Le succès de ce projet reflète également la maturité croissante des applications d’IA dans les systèmes énergétiques. Plus confinées aux simulations théoriques ou aux environnements de laboratoire contrôlés, les machines d’apprentissage sont désormais déployées dans des environnements du monde réel, avec de multiples parties prenantes, où la confidentialité des données, la robustesse du modèle et la viabilité opérationnelle sont primordiales. Le fait que ce modèle ait été testé avec des données de plusieurs opérateurs indépendants témoigne de sa préparation à une mise en œuvre dans le monde réel.
En conclusion, le travail de Yang Ting, Qin Xiaobing, Feng Xiangwei et Xu Zheming représente un saut significatif dans le domaine de la prévision de charge des véhicules électriques. Il démontre que la haute précision et une forte protection de la vie privée ne sont pas des objectifs mutuellement exclusifs, mais des objectifs complémentaires qui peuvent être atteints grâce à une conception de système réfléchie. Alors que la mobilité électrique continue d’évoluer, de telles innovations seront essentielles pour construire un avenir énergétique durable, résilient et centré sur l’utilisateur.
Yang Ting, Qin Xiaobing, Feng Xiangwei, Xu Zheming, École d’ingénierie électrique et de l’information, Université de Tianjin. High Voltage Engineering, DOI: 10.13336/j.1003-6520.hve.20230765