Contrôle distribué du réseau
l’apprentissage automatique prend le relais
Face à la montée en puissance des énergies renouvelables et à l’électrification des usages, le contrôle des réseaux électriques devient de plus en plus complexe. Les approches traditionnelles centralisées atteignent leurs limites face à des milliers de ressources distribuées. Les travaux menés au L2EP dans le cadre du projet TASTING explorent l’utilisation de l’intelligence artificielle distribuée pour coordonner batteries et communautés énergétiques afin de contribuer à la stabilité du réseau électrique.
Par Antoine Jedrezak, Ferréol Binot et Bruno François (L2EP), membres du projet TASTING.
Le 28 avril 2025, le réseau électrique ibérique s’effondre en quelques secondes. Espagne, Portugal, sud-ouest de la France : des millions de foyers plongent dans le noir. En moins de cinq minutes, des surtensions en cascade ont propagé l’incident à l’échelle d’un continent.
Ce blackout illustre l’importance de la résilience de nos réseaux électriques. Ceux-ci reposent sur une règle d’or : la production doit être strictement égale à la consommation, cet état est physiquement représenté par une fréquence de 50Hz. Historiquement, cette règle était facile à respecter grâce aux grandes centrales thermiques pilotables. Aujourd’hui, ces centrales cèdent la place aux nombreuses sources d’énergies renouvelables (photovoltaïques et éoliens) ; une énergie propre et décarbonée, mais par nature intermittente et incontrôlable.
Pour répondre à l’électrification massive de nos usages (véhicules électriques notamment), le projet TASTING invente de nouvelles méthodes de contrôle pour maintenir la stabilité du réseau. Plus particulièrement, les recherches menées au L2EP (Lille) développent un modèle d’apprentissage automatique capable d’assurer le contrôle distribué et la coordination de ressources énergétiques, afin de disposer d’une réserve de puissance mobilisable à la dynamique des flux d’énergie observé (réglage secondaire).
Pourquoi le contrôle traditionnel ne suffit plus
Historiquement, les gestionnaires de réseau (RTE en France) pilotent l’équilibre du réseau depuis un point central : ils collectent l’ensemble des données du système, résolvent des problèmes d’optimisation à grande échelle, puis envoient des ordres de contrôle. Ce modèle fonctionne bien avec quelques grandes centrales pilotables mais il atteint ses limites face à des milliers de sources dispersées non connectées au réseau de RTE. Sans connaissance locale fine, les décisions prises depuis un centre unique peuvent être sous-optimales. S’y ajoutent des goulets d’étranglement computationnels et des latences incompatibles avec la rapidité du contrôle fréquentiel, sans oublier la vulnérabilité d’un point central unique face aux cyberattaques et aux défaillances physiques.
Face à ces limites, pourquoi ne pas s’appuyer sur des modèles physiques actuels ? Parce que modéliser et contrôler précisément des milliers de sources intermittentes et d’usages variables est illusoire. L’apprentissage automatique offre une alternative : il apprend directement depuis les données, prend des décisions locales en temps réel, et s’adapte naturellement aux conditions changeantes du réseau.
Réserve de puissance secondaire
Lorsqu’un incident de déséquilibre de puissance survient sur le réseau, des mécanismes de réserve se déclenchent automatiquement. La réserve secondaire intervient entre 30 secondes et 15 minutes après l’incident pour ramener l’équilibre et donc la fréquence du réseau à sa valeur nominale de 50 Hz.
Les solutions algorithmiques
Deux grandes familles d’approches en apprentissage automatique permettent de répondre à ce défi :
le contrôle en temps réel et le contrôle par prédiction.
- L’apprentissage par renforcement multi-agent (MARL) transforme chaque ressource du réseau (batterie, panneau solaire, véhicule électrique) en un agent autonome capable de prendre des décisions locales. L’entraînement fonctionne par essais-erreurs : à chaque décision, les agents reçoivent une récompense dépendant de s’ils ont contribué à leur objectif. À force d’interactions, ils apprennent quelle action adopter dans chaque situation, tout en coopérant ou non avec leurs voisins pour atteindre leurs objectifs. Par exemple, avec un objectif commun qui est de maintenir l’équilibre du réseau. Concrètement, plusieurs agents « batterie » apprennent collectivement à se charger quand la production solaire est excédentaire et à se décharger lors des pics de consommation, en se coordonnant entre eux sans jamais attendre un ordre. Cette approche est complexe à entraîner, mais elle permet un contrôle entre différents agents distribués en réactions aux événements.
- La seconde approche mise sur la prévision. Pour prédire précisément l’état futur du réseau, les algorithmes ont besoin de données, mais ces données sont sensibles. C’est ici qu’intervient l’apprentissage fédéré : chaque entité entraîne son propre modèle local, puis partage uniquement ses paramètres. Un processus d’agrégation fusionne ces contributions en un modèle global, renvoyé à tous les participants. Concrètement, un modèle local entraîné sur la consommation d’un bâtiment peut, une fois agrégé avec des centaines d’autres, anticiper un pic de demande à l’échelle d’un quartier entier. Ce paradigme permet de combiner intelligence collective et confidentialité des données.
Ces deux approches peuvent être complémentaires : le MARL réagit aux événements en temps réel, tandis que l’apprentissage fédéré permet d’anticiper et d’adapter le contrôle avant que l’événement ne se produise.
Vers des communautés énergétiques au service du réseau
Pour illustrer ces approches algorithmiques, nous prenons l’exemple d’une communauté énergétique :
un ensemble de bâtiments, de panneaux solaires et de batteries connectés entre eux et au réseau de RTE ou d’un gestionnaire de réseau de distribution (DSO). Cette communauté produit et stocke sa propre électricité, mais elle ne se contente pas de gérer ses propres besoins.
L’algorithme de contrôle poursuit deux objectifs simultanés. Le premier est interne : maximiser les gains économiques et environnementaux de la communauté, en consommant en priorité l’énergie locale et en limitant les achats sur le réseau. Le second est tourné vers l’extérieur : faire de cette communauté un élément de flexibilité pour le réseau, capable de mobiliser ses ressources de stockage pour contribuer à la réserve de puissance secondaire en cas de déséquilibre.
La communauté énergétique devient ainsi un acteur à double rôle : autonome dans sa gestion locale, mais coopératif vis-à-vis du réseau national.
Enjeux industriels du réseau électrique de demain
Ces approches ouvrent des perspectives pour un réseau dont l’intelligence est distribuée. Les énergies intermittentes, jusqu’ici subies comme une contrainte, deviennent des ressources pilotables. À plus grande échelle, cette transformation contribue à la souveraineté énergétique de la France, en valorisant la production locale décarbonée et en réduisant la dépendance aux importations lors des pics de consommation et exportation lors des surproductions.
Ces recherches répondent aussi aux besoins des opérateurs comme RTE, qui font face à des défis quotidiens :
absorber les surplus photovoltaïques l’après-midi, compenser la chute de production solaire en soirée, ou mobiliser des ressources en quelques minutes. RTE a déjà franchi un premier pas avec les Nouveaux Automates de Zone Adaptatif (NAZA), un automate qui réduit ponctuellement la production des sites éoliens et photovoltaïques pour éviter la saturation du réseau.
Nos approches distribuées basées sur l’IA vont plus loin : bâtiments intelligents, batteries, communautés énergétiques pourraient demain fournir de la réserve secondaire, effacer leur consommation sur signal, ou gérer localement les congestions de manière autonome.
Plus d'actualités Article
