Colloque IMT - L'IA au cœur des mutations industrielles - Techniques d'apprentissage dans l'optimisation de la consommation d'énergie. Présentation par Hossam Afifi, Professeur (Télécom SudParis).

1. A. DRIDI, F. OSSART, J. BADOSA, H. MOUNGLA, M.
MAROT, V. GAUTHIER ET H. AFIFI
LMD, POLYTECHNIQUE
GEEPS, CENTRALESUPELEC
TELECOM SUDPARIS, INSTITUT MINES-TELECOM, SACLAY, FRANCE
APPRENTISSAGE ET
RENFORCEMENT DANS LA
GESTION D’ÉNERGIE

2. INTRODUCTION DE L’INTELLIGENCE ARTIFICIELLE DANS
L’INDUSTRIE?
Un exemple concret: la gestion d’énergie
Deux procédures IA pour résoudre le problème
■Les séries temporelles
■Le renforcement
Généralisation de la solution
SÉMINAIRE IA IMT
2

3. 3DEUX CAS CONCRETS: DRAHIX ET U7 (EVRY)
SOURCE DRAHIX: JORDI BADOSA LMD
SÉMINAIRE IA IMT

4. LES DATASETS?
Log de Consommation (rouge, jaune, vert) des Zones 1 et 2 du Drahi-X (
6 mois)
Résolution d’une seconde
4
Mesure non intrusive
Outil de récolte de données
Cloud/BigData

5. Signaux input
Nb usersDay HourTemperature Zone1_red
Ex: Long-Short Term
Memory
Dense
Output
Zone1_red
5
Labels
APPRENTISSAGE PAR RNN
EX: LSTM-D ET GRU-D
SÉMINAIRE IA IMT
Réseau
de neurones

6. RÉSULTATS DE PRÉDICTION
shift_steps = 1
RMSE: 0.061
R2: 0.6474953365439456
6
SÉMINAIRE IA IMT
On est capable de
prédire et de
corriger..

7. RÉSULTATS 1H/ 6H
shift_steps = 6
RMSE: 0.056
R2: 0.6589675579256478
7
SÉMINAIRE IA IMT

8. UNE CLASSIFICATION PAR PRIORITÉS 8
SÉMINAIRE IA IMT

9. PROBLÈMES À RÉSOUDRE
D’une part :
une production, la journée et we, d’énergie renouvelable
D’autre part,
la consommation
Et enfin,
un ajustement: la batterie
Pour un objectif (ou plusieurs): Economie, écologie, confort….
! Place au renforcement…..
9
SÉMINAIRE IA IMT

10. EVOLUTION DES HUMANOÏDES 10

11. PLACE AU RENFORCEMENT 11
SÉMINAIRE IA IMT
Librairies OpenAI Mujoco

12. QU’EST CE QUE LE RENFORCEMENT
Premières évolutions: MDP et Qlearning
On utilise des matrices:
►State Action Reward
►On itère sur la matrice jusqu’à la convergence
►Résout des problèmes déterministes simples:
Cliff Walking, Frozen Lake…
12
SÉMINAIRE IA IMT

13. RENFORCEMENT PROFOND
Lorsque le nombre d’états augmente, Q-learning ne peut plus
fonctionner
On demande à un réseau de neurones de se ‘rappeler’ des
meilleurs couples: état-action
13
conv3D
pooling
Couches denses
sigmoid
Hot
encoding
A0
An
États heuristiques du renforcement
Séquence
Temporelle
d’images
SÉMINAIRE IA IMT

14. A1
A2
A3
P1
P2
P3
Value Based Policy based
DUELING
VARIANTES DU RENFORCEMENT PROFOND
SÉMINAIRE IA IMT

15. RETOUR AU PROBLÈME INITIAL 15
SÉMINAIRE IA IMT
stocker
Consommer
des batteries idle
acheter
états
Méthodes
classiques
P’t+1=(Pt + P’t)θt

16. PROBLÈMES ET VERROUS
 Nécessite une connaissance des réseaux de neurones en leur totalité et
un peu de maths
 Tensorflow n’est pas simple…
 Certaines techniques sont stables,
mais c’est un domaine qui évolue
 Manque de standards et anarchie totale
 Les algorithmes doivent être adaptés aux problèmes

17.  L’apprentissage va apporter une grande évolution dans les
procédures et approches de résolution de problèmes
 La prédiction permet de faire des optimisations régulières sans besoin
de gros calculs
 L’adaptation de chaque problème nécessite une réflexion
17CONCLUSIONS ET PERSPECTIVES

18. MERCI !!!
State Action Reward
18

19. PARAMETERS TO VARY
Shift_steps number of
observation we want to predict
Number of Epoch corresponds
to the moment where the entire
dataset is transmitted to the
Neural Network
Steps_per_epoch number of
iteration of batches before an
Epoch is terminated
Batch_size number of
examples in a batch
Sequence_length number of
observation in a sequence
19

20. QUAND LES CHOSES NE VONT PAS BIEN 20
Et quand on trouve la
raison…

21. UN AGENT/UN ENVIRONNEMENT ET UN RÉSEAU 21