L'erreur d'une IA sur la production solaire masquée passe de 0,104 à 0,185 kW

Les gestionnaires de réseau veulent savoir combien d'électricité produisent les panneaux solaires installés sur les toits. Or la plupart des foyers ne sont observés qu'à travers des compteurs intelligents « nets » : l'appareil mesure la différence entre consommation et production, pas chacune des deux grandeurs. Les modèles profonds savent séparer ce signal, mais une nouvelle étude publiée sur arXiv montre que leur utilité dépend de la question de savoir pour qui et quand on les applique.

Sur les données Ausgrid, l'erreur absolue moyenne (MAE) diurne du meilleur modèle est de 0,104 kW pour des foyers déjà connus sur une période de test future, et de 0,185 kW pour des foyers que le modèle n'a jamais vus, sur la même période. Soit un écart de près de 1,8 fois.

Quatre modes de déploiement plutôt qu'un chiffre moyen

On évalue généralement ces modèles avec un seul chiffre, calculé sur un jeu de test commun. Les auteurs ont réparti les scénarios d'usage en quatre modes de déploiement : le modèle sert des clients connus, de nouveaux clients, des périodes futures ou de nouvelles régions. Cette approche sépare le transfert entre foyers de l'extrapolation dans le temps. La base de l'étude est constituée des données de compteurs intelligents d'Ausgrid ; pour la validation dans une autre région, les chercheurs ont utilisé le jeu Pecan Street.

L'entraînement a été fixé par un protocole unique, puis des architectures profondes représentatives pour les séquences ont été comparées. Le résultat va à l'encontre de la logique habituelle des benchmarks : à protocole d'entraînement fixe, le mode de déploiement explique une part bien plus grande de la dispersion de l'erreur que le choix du modèle lui-même. Changer d'architecture pour gagner quelques points de pourcentage a donc moins d'intérêt que de déterminer honnêtement sur quelles données le système va tourner.

Chiffres clés

• Contexte : fenêtre fixe de 48 heures.
• MAE diurne du meilleur modèle sur des foyers connus, sur une période future : 0,104 kW.
• MAE diurne sur des foyers inconnus, sur la même période : 0,185 kW.
• Le fine-tuning sur cinq foyers de la région cible réduit de 28–36 % l'erreur de transfert du modèle d'origine.
• Le transfert a utilisé une normalisation par domaine cible.

Transfert vers une autre région et longueur de fenêtre

Lors du transfert d'Ausgrid vers Pecan Street, un modèle entraîné dans une région perd en précision : le climat, les installations types et les habitudes de consommation diffèrent. Les auteurs montrent qu'un petit ajustement suffit pour récupérer une part notable de ces pertes. La normalisation selon les statistiques du domaine cible, associée à un fine-tuning sur cinq foyers de la région, réduit l'erreur de 28–36 %. Pour un opérateur, le chiffre est concret : inutile de collecter des annotations sur des milliers de foyers, un petit échantillon avec production connue suffit.

La longueur de la fenêtre d'entrée fait l'objet d'une question distincte. Un contexte long aide à l'extrapolation pour les clients connus, dont le modèle a déjà observé le comportement. Pour les nouveaux clients, le résultat dépend de l'architecture : chez certains modèles, une fenêtre longue apporte un gain, chez d'autres non. L'étude ne confirme donc pas de règle universelle du type « plus c'est long, mieux c'est ».

Comment l'utiliser en pratique

Pour les gestionnaires de réseau et les fournisseurs d'analytique, trois étapes opérationnelles en découlent. Premièrement, prévoir un budget d'erreur distinct pour chaque mode : le chiffre obtenu pour des clients connus sur une période future ne vaut pas engagement pour de nouveaux foyers, et encore moins pour une nouvelle région. Deuxièmement, lors d'un lancement dans une nouvelle région, prévoir un petit pilote avec production mesurée sur environ cinq foyers, afin de réentraîner le modèle et de normaliser les données. Troisièmement, adapter la longueur du contexte à la tâche : prévoir le comportement d'abonnés connus et estimer celui de foyers nouvellement raccordés exigent des réglages différents.

Une limite à garder en tête : l'étude porte sur deux jeux de données et sur une évaluation en benchmark, pas sur une exploitation industrielle. Mais la méthode des modes d'évaluation séparés est transposable à d'autres tâches d'analytique énergétique, où le modèle est entraîné sur certains clients et appliqué à d'autres.