Amélioration des investissements dans le stockage d'énergie décentralisé avec des modèles de décision basés sur l'intelligence artificielle
Contexte académique
Avec la transition mondiale vers les énergies renouvelables, l’importance du stockage d’énergie décentralisé (decentralized energy storage) devient de plus en plus évidente. Contrairement aux systèmes de stockage d’énergie centralisés traditionnels, le stockage d’énergie décentralisé localise la production et le stockage d’énergie, réduisant ainsi les risques de pannes à grande échelle et améliorant la continuité et la flexibilité de l’approvisionnement énergétique. Cependant, la complexité des projets de stockage d’énergie décentralisé et les ressources limitées rendent difficile pour les entreprises de déterminer les priorités stratégiques, ce qui peut entraîner des échecs d’investissement ou une efficacité réduite.
Pour résoudre ce problème, les auteurs proposent un modèle de décision basé sur l’intelligence artificielle (IA) visant à fournir des orientations stratégiques efficaces pour les investissements dans le stockage d’énergie décentralisé. Cette étude se concentre non seulement sur l’optimisation des décisions d’investissement, mais améliore également la cohérence et l’efficacité des décisions en introduisant des techniques de gain d’information (information gain) et de sélection d’experts à grande échelle.
Source de l’article
Cet article a été co-écrit par Gang Kou, Hasan Dinçer, Edanur Ergün, Serkan Eti, Serhat Yüksel et Ümit Hacıoğlu, et publié en 2025 dans la revue Artificial Intelligence Review, avec le DOI 10.1007/s10462-025-11204-y. L’équipe de recherche provient de plusieurs institutions, y compris des universités et centres de recherche renommés en Chine, en Turquie et en Europe.
Processus de recherche
1. Sélection d’experts à grande échelle
L’étude commence par filtrer 3 experts les plus représentatifs parmi 8 grâce à la technique de gain d’information. Ce processus analyse les données d’entrée telles que le parcours éducatif, l’expérience professionnelle, le salaire et l’âge des experts, calcule leur impact sur les critères de décision, et sélectionne ainsi les experts les plus pertinents.
2. Équilibrage des évaluations d’experts
En utilisant l’algorithme Q-learning, les opinions de l’expert le plus compétent sont équilibrées avec les évaluations des autres experts. Ce processus ajuste progressivement les poids des experts grâce à un mécanisme de récompenses et de pénalités, aboutissant à des évaluations cohérentes.
3. Cartes cognitives floues moléculaires (MF Cognitive Maps)
L’étude utilise les cartes cognitives floues moléculaires (Molecular Fuzzy Cognitive Maps, MF-CM) pour analyser et hiérarchiser les facteurs clés des investissements dans le stockage d’énergie décentralisé. Cette méthode combine la logique floue et la géométrie moléculaire pour mieux gérer les incertitudes dans les systèmes complexes.
4. Optimisation par essaims particulaires multi-objectifs (MF-MOPSO)
Enfin, l’étude adopte la méthode d’optimisation par essaims particulaires multi-objectifs flous moléculaires (Molecular Fuzzy Multi-Objective Particle Swarm Optimization, MF-MOPSO) pour classer les alternatives d’investissement dans le stockage d’énergie décentralisé. Cette méthode simule le mouvement des particules dans un espace de recherche pour optimiser plusieurs fonctions objectives, déterminant ainsi la solution d’investissement optimale.
Principaux résultats
1. Sélection et évaluation des experts
Grâce à la technique de gain d’information, l’étude a réussi à filtrer 3 experts les plus représentatifs parmi 8 et a équilibré leurs évaluations en utilisant l’algorithme Q-learning. Ce processus a considérablement amélioré la cohérence et l’efficacité des décisions.
2. Hiérarchisation des facteurs clés
L’analyse des cartes cognitives floues moléculaires a révélé que les attentes des clients (poids : 0.2577) et les problèmes financiers (poids : 0.2513) sont les facteurs les plus critiques influençant la performance des investissements dans le stockage d’énergie décentralisé. Cette découverte fournit une base importante pour l’élaboration des stratégies d’investissement des entreprises.
3. Classement des alternatives d’investissement
En utilisant la méthode MF-MOPSO, l’étude a classé cinq alternatives d’investissement dans le stockage d’énergie décentralisé. Les résultats montrent que le stockage d’énergie basé sur l’hydrogène (score moyen : 0.1878) et les stations d’échange de batteries distribuées (score moyen : 0.1877) sont les alternatives d’investissement les plus prometteuses.
Conclusion et valeur
Cette étude a résolu avec succès les problèmes de complexité et d’incertitude dans les investissements de stockage d’énergie décentralisé en introduisant un modèle de décision basé sur l’intelligence artificielle. Les principales contributions de l’étude sont : 1. Amélioration de l’efficacité décisionnelle : Grâce au gain d’information et à l’algorithme Q-learning, la cohérence et l’efficacité des décisions ont été significativement améliorées. 2. Optimisation des stratégies d’investissement : Les cartes cognitives floues moléculaires et la méthode MF-MOPSO ont fourni aux entreprises des stratégies d’investissement scientifiques et rationnelles. 3. Promotion du développement durable : L’application de solutions telles que le stockage d’énergie basé sur l’hydrogène contribue à atteindre les objectifs d’énergie durable et à réduire la dépendance aux combustibles fossiles.
Points forts de la recherche
- Méthode innovante : L’étude a combiné pour la première fois la logique floue moléculaire avec des techniques d’optimisation multi-objectifs, proposant les méthodes MF-CM et MF-MOPSO, ce qui a considérablement amélioré la précision et la fiabilité des décisions.
- Valeur pratique : Les résultats de l’étude sont directement applicables aux investissements dans le stockage d’énergie décentralisé, fournissant des orientations stratégiques exploitables pour les entreprises.
- Interdisciplinarité : La recherche intègre plusieurs disciplines telles que l’intelligence artificielle, la logique floue et la gestion de l’énergie, démontrant le potentiel immense des recherches interdisciplinaires.
Autres informations pertinentes
L’étude a également réalisé une analyse de sensibilité en modifiant les poids des critères, validant ainsi la stabilité et la fiabilité des résultats. Cette analyse renforce davantage la crédibilité des conclusions de l’étude.
Cet article fournit non seulement une base scientifique pour les investissements dans le stockage d’énergie décentralisé, mais propose également de nouvelles approches et méthodes pour l’optimisation des décisions dans d’autres systèmes complexes. Son innovation et son utilité en font une contribution importante dans le domaine de l’intelligence artificielle et de la gestion de l’énergie.