Évaluation des impacts économiques et environnementaux des microgrids pilotées par IA de 2023 à 2035 pour Schneider Electric
Mission
Les équipes du Sustainable Research Institute de Schneider Electric nous ont demandé d’évaluer les bénéfices nets d’une solution d’IA déployée pour améliorer la gestion des microgrids que l’entreprise installe à travers le monde.
Cette solution d’IA a pour seul objectif de réduire les dépenses énergétiques sur les sites équipés de microgrids. Nos principales questions étaient donc les suivantes : ces bénéfices économiques se traduisent-ils par des bénéfices environnementaux, et si oui, dans quelles conditions ?
Méthode
Nous avons suivi les méthodologies d’évaluation des impacts environnementaux nets dans lesquelles nous sommes experts : la norme UIT-T L.1480 et l’évaluation de l’impact carbone net de l’EGDC.
D’une manière générale, ces méthodes consistent à définir la solution, le contexte de mise en œuvre, le scénario de référence et les impacts environnementaux de la solution.
| Scope | Single ICT solution in several specific contexts |
| Perspective | Company’s perspective on an ICT solution across multiple sites |
| Context | Local energy grid where the solution is deployed |
| Solution deployment | 11 operational sites (Europe, US, Australia), with primary data from EcoStruxure™ Microgrid Advisor systems |
| Temporal perspective | Mid-way (2 years of primary data from 2023 to 2024, ex-ante prospective from 2025 to 2035) |
| Reference scenario | (i) Self-consumption microgrid (reference scenario); (ii) grid-only (counterfactual scenario) |
| Assessment depth | Direct, indirect and higher-order effects identified; only those for which primary data and sufficiently constrained uncertainty estimates were available have been quantified |
| Environmental criteria | 16 environmental criteria considered |
Données
Notre analyse s’appuie sur des données opérationnelles primaires provenant de 11 sites répartis sur trois continents, sur une période de deux ans. Les données recueillies comprennent : les flux d’électricité, l’état de charge des batteries et les commandes de régulation.
| PV (kW) | BESS (kWh) | |
|---|---|---|
| 1-AUS | 2,500 | 3,516 |
| 2-CZ | 77 | 120 |
| 3-FR | 116 | 51 |
| 4-FR | 897 | 300 |
| 5-BE | 200 | 300 |
| 6-BE | 300 | 480 |
| 7-US-CAL | 500 | 3,000 |
| 8-US-CAL | 146 | 1,142 |
| 9-US-CAL | 313 | 92 |
| 10-US-NW | 500 | 253 |
| 11-US-NW | 300 | 288 |
Scénarios
De manière générale, une microgrid est un site équipé de panneaux solaires et de batteries de stockage. Par défaut, ce microgrid est géré par un logiciel permettant l’autoconsommation, le stockage et l’importation d’électricité depuis le réseau électrique local.
Dans cette étude, nous nous sommes concentrés exclusivement sur les effets de la solution d’IA sur un site déjà équipé d’un microgrid. Les avantages intrinsèques d’un microgrid ne sont pas pris en compte, mais sont supposés être positifs.
Les deux scénarios à comparer sont donc les suivants : un scénario impliquant une microgrid avec son programme de base, qui maximise l’autoconsommation ; et un scénario impliquant une microgrid contrôlée par la solution d’IA, qui maximise la réduction des dépenses énergétiques.
Conséquences
Pour cartographier les conséquences environnementales potentielles – tant négatives que positives – d’une solution, nous utilisons un arbre des conséquences.
Cet arbre est généralement élaboré lors d’un atelier avec les parties prenantes et vise à fournir une cartographie aussi exhaustive que possible des conséquences potentielles connues. Il permet également de déterminer si chaque branche de l’arbre constitue, à première vue, un bénéfice ou une charge pour l’environnement.
Dans l’image ci-dessus, les conséquences dont l’opacité est faible ne sont pas prises en compte dans l’évaluation, soit en raison d’un manque de données, soit en raison d’une incertitude excessive.
Résultats
Effets directs : solution IA
Comme c’est souvent le cas avec ce type d’évaluation, l’empreinte environnementale de la solution d’IA est relativement faible par rapport à d’autres impacts indirects : elle s’élève à environ 388 kgCO₂e par an et par site, pour un coût annuel de 1 500 €.
| GWP (kgCO2e) | ADPe (kgSbe) | ADPf (MJ) | WU (m3) | |
|---|---|---|---|---|
| Forecast -- Training | 144.97 | 0.003 | 2145.62 | 45.96 |
| Forecast -- Inference | 144.97 | 0.003 | 2145.62 | 45.96 |
| Optimization -- Inference | 96.65 | 0.002 | 1430.41 | 30.64 |
| Storage | 0.75 | 0.000 | 10.38 | 0.32 |
| Fixed network use | 0.03 | 0.000 | 1.88 | 0.02 |
| TOTAL per site per year | 387.36 | 0.008 | 5733.91 | 122.91 |
Effets indirects
La principale conséquence de la solution IA pilotant la microgrid est une modification des importations et des exportations d’électricité vers et depuis le réseau local, sur la base d’une prévision tenant compte des conditions météorologiques, des tarifs d’électricité et de la composition du mix énergétique. Cet ajustement répond à l’objectif premier de la solution : réduire les coûts énergétiques.
Cependant, ce comportement n’entraîne un bénéfice environnemental net que sur 3 sites sur 11 au cours de la période étudiée. Ce résultat surprenant s’explique par la nature des réseaux électriques au sein desquels les microgrids opèrent. L’exemple le plus frappant est celui d’un des sites californiens. Pendant les périodes de prix négatifs entre 13h et 17h, la solution préfère consommer de l’électricité provenant du réseau, car cela lui permet de générer des bénéfices. Aux heures de pointe, la solution vend une partie de son électricité stockée à un prix plus élevé et importe de l’électricité la nuit, lorsque le mix énergétique est plus émetteur de carbone (centrales au gaz). Ce comportement est du à la grille californienne (CAISO) où les prix ne sont pas régulés et où le prix des sources d’énergie n’est pas aligné avec leur intensité carbone.
| Net imported energy (MWh) | Net exported energy (MWh) | Net carbon impact (tCO2e) | |
|---|---|---|---|
| 1-AUS | 4,507 | -122 | -290 |
| 2-CZ | 4,591 | 523 | 1,100 |
| 3-FR | 12,355 | 14,726 | -21 |
| 4-FR | 16,607 | 9,012 | 140 |
| 5-BE | 26,485 | 18,403 | 170 |
| 6-BE | 2,536 | 2,799 | -7 |
| 7-US-CAL | 132,852 | 70,496 | 1,300 |
| 8-US-CAL | 84,498 | 48,740 | 3,000 |
| 9-US-CAL | 17,223 | 9,169 | 1,400 |
| 10-US-NW | -1,036 | -38,103 | 5,800 |
| 11-US-NW | 41,923 | -19,143 | 9,300 |
| TOTAL | 21,893 |
La deuxième conséquence que nous avons quantifiée est la réduction potentielle de la durée de vie de la batterie liée à des microcycles plus fréquents. Cependant, les résultats montrent que cet effet est très faible.
Impacts nets
La solution examinée dans le cadre de la présente évaluation présente un impact environnemental plus important pour l’ensemble des indicateurs par rapport au scénario de référence. La réduction des coûts énergétiques entraîne des effets contre-intuitifs qui dépendent des politiques tarifaires des réseaux locaux et de leur mix énergétique. C’est cette conséquence qui mérite toute notre attention.
| GWP (kgCO2e) | ADPe (kgSbe) | ADPf (MJ) | WU (m3) | |
|---|---|---|---|---|
| AI solution | 3.96E+03 | 7.91E-02 | 5.85E+04 | 1.26E+03 |
| Power substitution | 2.19E+07 | 2.49E+02 | 5.17E+08 | 2.22E+07 |
| Battery use evol. | 5.09E+01 | 3.22E-03 | 6.02E+02 | 1.22E+00 |
| TOTAL | 2.19E+07 | 2.49E+02 | 5.17E+08 | 2.22E+07 |
Nous avons approfondi notre analyse en examinant trois cas spécifiques : le site le plus performant (en Australie-Méridionale), un site neutre (en France) et le site le moins performant (en Californie).
Cette analyse est présentée en détail dans le livre blanc publié par Schneider Electric, ainsi que dans l’article de conférence rédigé à la suite de ces travaux de recherche.
Détermination des conditions favorables
Sur la base de notre analyse des différents sites, nous avons identifié et classé par ordre de priorité les leviers les plus importants pour maximiser les résultats positifs et minimiser les résultats négatifs.
| Condition | Role | Policy lever |
|---|---|---|
| 1. Tariff alignment | Necessary | Carbon tax, dynamic pricing |
| 2. Local flexibility | Amplifier | Infrastructure investment |
| 3. Supportive regulation | Contributor | Market regulation |
| 4. Carbon-informed data | Technical enabler | Data infrastructure |
| 5. Multi-objective optim. | Algorithm fix | Software development |
Alignement des tarifs: les tarifs d’électricité devraient traduire l’intensité carbone en temps réel en signaux de prix grâce à des instruments tels que les tarifs indexés sur le carbone ou la tarification dynamique du CO2.
Flexbilité locale: les microgrids nécessitent des seuils minimaux de capacité renouvelable sur site et de stockage pour permettre une substitution significative pendant les périodes à forte émission de carbone.
Réglementation favorable: les cadres réglementaires qui récompensent l’écrêtement des pics de consommation, la fourniture de puissance réactive ou l’autoconsommation transforment l’optimisation locale en un avantage à l’échelle du réseau.
Données relatives au carbone: Les données à haute fréquence sur l’intensité en CO₂ permettent aux algorithmes d’intégrer les émissions dans leur logique de contrôle.
Optimisation multi-objectifs: Les approches d’optimisation hybrides qui visent à minimiser à la fois les coûts et les émissions de carbone peuvent permettre d’obtenir des gains environnementaux moyennant des compromis économiques marginaux..
Épilogue
Cette évaluation est le fruit d’une collaboration fructueuse et d’une passion commune entre les équipes de Hubblo et de Schneider Electric. Nous ne nous contentons pas des résultats présentés ; ceux-ci nous ont plutôt donné matière à réflexion à bien des égards. Cette évaluation a mis en évidence un impact environnemental qui était jusqu’alors passé inaperçu (car il n’avait pas été quantifié), car nous partions du principe que les gains économiques entraîneraient automatiquement des avantages environnementaux.
Nous avons présenté ces travaux sous forme d’article lors de la conférence ICT4S, la plus importante dans ce domaine de recherche, et nous avons eu l’honneur de remporter le prix du deuxième meilleur article. Une belle réussite pour Schneider Electric et Hubblo.
