0-Introduction
Cette partie est probablement le cœur le plus important de toute l’architecture.
C’est ici que se situe :
la boucle d’intelligence énergétique
En réalité, ce schéma décrit une architecture proche :
- des VPP modernes,
- des smart grids avancés,
- des EMS prédictifs nouvelle génération,
- et même de certains systèmes utilisés dans les marchés énergie.
1. Analyse globale du schéma
Le schéma décrit 4 couches :
| Couche | Fonction réelle |
| Données d’entrée | contexte énergétique |
| Boucle d’évaluation | simulation + scoring |
| Fonction objectif | arbitrage multi-critères |
| Meilleure stratégie | plan EMS final |
C’est exactement :
une boucle d’optimisation fermée
2. Les données d’entrée
Là, on nourrit le jumeau numérique.
2.1 Prévisions météo
Très critique.
Exemples :
| Variable | Impact |
| irradiation | production PV |
| nuages | ramp-up/ramp-down |
| température | rendement PV + PAC |
| humidité | secondaire |
| vent | refroidissement PV |
2.2 . Prévision PV
Deux niveaux possibles :
Niveau simple
Open Meteo + formule PV
Niveau avancé
| Approche | Tech |
| ML | XGBoost |
| Deep learning | TFT |
| hybride physique+ML | meilleur choix |
2.3 . Prévision consommation
Extrêmement important.
Car souvent :
la consommation est plus imprévisible
que le PV
Variables utiles
| Variable | Importance |
| heure | énorme |
| jour semaine | énorme |
| vacances | forte |
| météo | forte |
| présence | critique |
| recharge VE | énorme |
2.4 Prix énergie & tarifs
Très stratégique.
Exemple :
| Signal | Usage |
| heures pleines | arbitrage |
| spot dynamique | trading local |
| TURPE | pilotage |
| signaux flexibilité | effacement |
| futur bonus-malus | ACC |
3. La boucle d’évaluation
C’est le vrai cœur scientifique.
Le principe :
AlphaEvolve propose
→ PyPSA simule
→ score retourné
→ amélioration
→ nouvelle stratégie
C’est quasiment :
de l’apprentissage par simulation
4. Ce que fait réellement PyPSA ici
PyPSA devient :
le juge physique
Il répond :
- est-ce faisable ?
- le réseau tient-il ?
- la batterie dépasse-t-elle ses limites ?
- y a-t-il surcharge ?
- combien coûte la stratégie ?
- quel SOC final ?
- quelle importation réseau ?
5. Fonction objectif globale
C’est probablement la partie la plus critique.
Car tout dépend :
de ce que l’on cherche réellement à optimiser
6. Très grosse erreur classique des EMS
Beaucoup d’EMS optimisent :
un seul KPI
Exemple :
- coût minimal
Mais cela peut :
- tuer les batteries
- dégrader confort
- créer pics réseau
- générer pénalités futures
7. Ce qu’il faut faire réellement
Une fonction multi-objectifs pondérée.
Exemple :
Score=w1Cenergie+w2Eforecast+w3Ccycles+w4Preseau−w5AautonomieScore = w_1 C_{energie} + w_2 E_{forecast} + w_3 C_{cycles} + w_4 P_{reseau} - w_5 A_{autonomie}Score=w1Cenergie+w2Eforecast+w3Ccycles+w4Preseau−w5Aautonomie
avec :
| Variable | Signification |
| CenergieC_{energie}Cenergie | coût énergétique |
| EforecastE_{forecast}Eforecast | erreur prévisionnelle |
| CcyclesC_{cycles}Ccycles | usure batterie |
| PreseauP_{reseau}Preseau | pénalité réseau |
| AautonomieA_{autonomie}Aautonomie | autonomie locale |
8. Très important : les pondérations dynamiques
Les poids :
w1 w2 w3...
ne devraient PAS être fixes.
Exemple :
| Situation | Priorité |
| hiver | autonomie |
| été | injection |
| tension réseau élevée | effacement |
| prix spot négatif | stockage |
| réseau contraint | peak shaving |
9. La “meilleure stratégie trouvée”
Très important :
Le résultat final n’est PAS :
une seule action
mais :
un plan temporel complet
10. Exemple réel J-2
Prévision :
| Heure | Action |
| 10h | charger batteries |
| 12h | charger VE |
| 18h | limiter import |
| 19h | décharge partielle |
| 22h | recharge réseau faible coût |
11. Puis J-1
Réajustement :
- météo changée
- utilisateurs modifiés
- VE absents
- prix spot changés
12. Puis temps réel
TRACE EMS exécute :
| Technologie | Usage |
| MQTT | télémétrie |
| Modbus | batteries |
| OCPP | IRVE |
| API cloud | Zendure |
| Shelly | mesures |
13. Architecture logicielle recommandée
13.1 Couche Forecast
| Fonction | Tech |
| météo | Open-Meteo |
| PV forecast | PVLib |
| consommation | LightGBM |
| VE forecast | ML |
13.2 Couche simulation
| Fonction | Tech |
| jumeau numérique | PyPSA |
| solveur | HiGHS/Gurobi |
| optimisation | Pyomo |
13.3 Couche IA exploration
| Fonction | Tech |
| RL | RLlib |
| évolutionnaire | DEAP |
| BO | Optuna |
| heuristique | Nevergrad |
13.4 Couche EMS
| Fonction | Tech |
| temps réel | Rust/Go |
| API | FastAPI |
| orchestration | NodeJS |
| MQTT | EMQX |
14. Ce qui devient extrêmement différenciant
Le vrai potentiel :
le système apprend progressivement
comment fonctionne réellement
la communauté énergétique
Donc :
- habitudes
- météo locale
- comportements VE
- weekends
- vacances
- effets réseau
deviennent :
des patterns optimisables
15. Mon avis stratégique
Cette boucle :
Forecast
→ Simulation
→ Optimisation
→ Exécution
→ Feedback
est probablement :
la vraie architecture cible
des EMS intelligents 2026-2030
Et honnêtement :
- très peu d’acteurs PME savent la construire,
- même beaucoup d’EMS industriels actuels restent beaucoup plus simples.
C
N