Lorivexanita
Helsinki teste depuis février 2024 un système de gestion énergétique piloté par intelligence artificielle dans le quartier de Kalasatama. L'objectif était d'équilibrer production solaire locale et demande résidentielle sans intervention humaine. Les premiers mois ont révélé des failles qu'aucune simulation n'avait prévues.
Le contexte du projet
Kalasatama compte 3 200 logements équipés de panneaux solaires et batteries domestiques. Le système IA devait prédire la consommation heure par heure et redistribuer l'énergie stockée pour minimiser les achats sur le réseau principal. L'algorithme s'appuyait sur trois ans de données historiques de consommation.
La promesse commerciale parlait de 35% d'économies sur les factures. Les résidents avaient accepté de céder le contrôle de leurs batteries au système centralisé en échange de cette réduction.
Ce qui a dérapé
Première semaine de mars, vague de froid inattendue. Les températures descendent à moins 18 degrés alors que les prévisions annonçaient moins 8. La consommation de chauffage explose. Le système IA, entraîné sur des moyennes saisonnières, sous-estime la demande de 40%.
Il vide les batteries domestiques trop rapidement en pensant que la production solaire du lendemain compensera. Sauf qu'une tempête de neige réduit la production à presque zéro pendant 48 heures. Résultat, 1 200 foyers se retrouvent en déficit énergétique avec des coupures tournantes de 15 à 30 minutes.
Deuxième problème découvert en avril. Le système optimisait les coûts mais ignorait complètement la résilience. Quand une sous-station a eu une panne technique mineure, l'IA a redirigé toute la charge vers les deux autres. Surcharge immédiate qui a déclenché les protections automatiques. Blackout de 90 minutes pour tout le quartier.
Les ajustements nécessaires
L'équipe a réécrit les règles de sécurité en dur dans le code. Maintenant le système maintient toujours 30% de réserve dans les batteries, peu importe les prévisions météo. Ça réduit l'optimisation théorique mais élimine les risques de pénurie.
Ils ont aussi intégré des données météo en temps réel plutôt que des prévisions à 24 heures. La latence de réaction est passée de plusieurs heures à 15 minutes. Le système détecte maintenant les écarts entre prévisions et réalité assez vite pour corriger.
Changement majeur dans la philosophie, l'IA propose désormais des recommandations qu'un opérateur valide avant exécution. Moins d'autonomie pure mais beaucoup plus de contrôle quand les conditions sortent de l'ordinaire.
Les économies réelles atteignent 18% en moyenne, loin des 35% promis. Mais le système est stable depuis juin et les résidents ont arrêté de se plaindre. L'apprentissage principal reste que l'optimisation mathématique ne suffit pas face aux événements extrêmes de plus en plus fréquents avec le changement climatique.