Le potentiel des systèmes collaboratifs de gestion de l'énergie pour plus de durabilité dans les parcs industriels européens
Le déploiement de technologies de stockage renouvelables et innovantes
La régulation de l'énergie avec des consommateurs et des producteurs contrôlables
Les nouvelles technologies dans le domaine de la numérisation et de la cybersécurité
Révolutionner les solutions de gestion de l'énergie grâce à l'apprentissage fédéré et à l'intelligence artificielle
FLEX-E soutient la transition vers des systèmes de gestion de l'énergie collaboratifs et intelligents
Les parcs industriels sont de grands consommateurs d'énergie. Au sein de ces parcs, chaque entreprise gère généralement son énergie de manière indépendante. Cela peut conduire à des situations où une entreprise gaspille de l'énergie solaire pendant qu'un voisin consomme de l'électricité du réseau. D'autres font fonctionner leurs machines en même temps, ce qui entraîne des pics de consommation coûteux. Sans coordination, une énergie précieuse est gaspillée, les coûts augmentent et les émissions de CO2 s'accroissent. Face à la hausse des prix de l'énergie et à des objectifs climatiques de plus en plus ambitieux, cette approche n'est plus viable.
Avec ses nombreuses zones industrielles, ses entreprises à forte intensité énergétique ainsi que ses petites et moyennes entreprises (PME), la région du Rhin supérieur offre un potentiel important pour devenir une région pilote dans l'amélioration de l'efficacité énergétique et de la compétitivité des entreprises grâce à des parcs industriels collaboratifs dotés de systèmes de gestion de l'énergie
Partage des ressources et des données pour améliorer l'efficacité énergétique dans les parcs industriels
Le projet FLEX-E vise à aider les entreprises à agir ensemble comme un grand système intelligent unique, tout en préservant la confidentialité de leurs données de consommation sensibles. Le projet utilise des outils innovants d'intelligence artificielle basés sur l'apprentissage fédéré (federated learning). Au lieu de centraliser les données, chaque site entraîne son propre modèle et partage uniquement les 'connaissances acquises' afin de construire un modèle collectif qui sert de guide pour l'optimisation énergétique.
Garantir les aspects de sécurité et de confidentialité afin d'assurer l'acceptation par les utilisateurs et les exploitants
Le cadre collaboratif à développer vise à mettre en œuvre des stratégies énergétiques centrales pour les parcs industriels via des systèmes de gestion de l'énergie décentralisés et flexibles. Dans ce contexte, les consommateurs et producteurs d'énergie locaux d'un parc industriel, tels que les systèmes énergétiques des bâtiments, les installations photovoltaïques, les bornes de recharge et d'autres équipements énergétiques, font partie intégrante du système de gestion de l'énergie par apprentissage automatique. Avec cette approche, aucun profil sensible de consommation ou de production n'est échangé ; seuls les paramétrages ou les modifications des réseaux de neurones sont transmis.
Modularité et Évolutivité pour les adaptations dans les parcs industriels et pour l'interconnexion de plusieurs parcs
Le projet présente un potentiel considérable. Les entreprises peuvent mieux utiliser l'énergie, réduire leurs coûts et accroître leur compétitivité. Parallèlement, la société bénéficie d'un modèle transférable qui peut être déployé à l'échelle européenne, transformant une gestion de l'énergie fragmentée en une intelligence collective.
Transfert via des guides pratiques, des outils logiciels et des ateliers
Les résultats comprennent une boîte d'outils logiciels pratiques et un guide pour la modélisation des flux d'énergie. Ces outils permettront à d'autres parcs industriels d'appliquer plus facilement les mêmes méthodes et de bénéficier des résultats. Le transfert vers d'autres parcs industriels de la région du Rhin supérieur et au niveau national sera assuré par un consortium binational et complémentaire mis en place au cours du projet.
Les outils d'IA sont testés et validés dans de véritables parcs industriels
Les sites sélectionnés dans la région du Rhin supérieur servent de zones d'expérimentation pour démontrer comment une coordination pilotée par l'IA peut améliorer l'efficacité et la flexibilité. En comparant des sites de différentes tailles, le projet vérifiera comment une gestion flexible de l'énergie peut s'adapter à une grande variété de contextes industriels.
Le projet FLEX-E est une initiative de l'Offensive Sciences de la Région Métropolitaine Trinationale du Rhin Supérieur, cofinancée par l'Union européenne à travers le programme Interreg Rhin Supérieur, la Région Grand Est, le ministère de la Science, de la Recherche et des Arts du Land de Bade-Wurtemberg, et le ministère de la Science et de la Santé du Land de Rhénanie-Palatinat
Lots de travail de FLEX-E
WP 1 Coordination du projet
La coordination du projet comprend différentes activités telles que la gestion du projet, le suivi du projet, l'assurance qualité et l'interface avec l'autorité de gestion.
Lead: Hochschule Karlsruhe (Université des Sciences Appliquées de Karlsruhe)
WP 2 Communication du projet
Mesures de communication couvrant le transfert entre les partenaires du projet, vers les entreprises, les autres acteurs institutionnels et le grand public.
Lead: Hochschule Karlsruhe (Université des Sciences Appliquées de Karlsruhe)
WP 3 Modélisation technico-physique des flux d'énergie dans les parcs industriels
Modélisation des flux d'énergie pour générer des données synthétiques utilisées pour l'entraînement des modèles d'IA des entités ainsi que pour les frameworks d'apprentissage fédéré afin de cartographier les stratégies énergétiques.
Lead: Hochschule Karlsruhe (Université des Sciences Appliquées de Karlsruhe)
WP 4 Développement du système central du framework d'apprentissage fédéré
Les stratégies énergétiques et le comportement du système énergétique sont ensuite mis en œuvre dans une application cloud d'apprentissage fédéré. Ce lot de travail comprend la conception et le développement d'un framework d'apprentissage fédéré, composé de modèles d'IA pour les entités locales et de réseaux locaux dotés d'interfaces avec le réseau cloud central.
Lead: INSA Strasbourg
WP 5 Sécurité et explicabilité dans le framework d'apprentissage fédéré
Évaluation et analyse de la sécurité et de l'explicabilité du framework d'apprentissage fédéré. La compréhension du comportement des réseaux de neurones permet d'identifier dans quelle mesure des attaquants potentiels pourraient déduire analytiquement les états de fonctionnement des installations à partir des poids du réseau.
Lead: INSA Strasbourg
WP 6 Transfert de connaissances vers les bénéficiaires du transfert
Analyse des flux d'énergie et de puissance dans des parcs industriels sélectionnés en coopération avec des partenaires du Rhin supérieur, et développement de profils de comportement des consommateurs et des producteurs ainsi que de diverses stratégies d'optimisation énergétique basées sur des données synthétiques. L'optimisation des flux d'énergie par apprentissage fédéré sera démontrée sur des sites d'essai, et une comparaison avec les flux d'énergie réels sera effectuée pour fournir une évaluation fiable de la précision de la méthode.
Lead: Hochschule Karlsruhe (Université des Sciences Appliquées de Karlsruhe)