IA et énergie : réseaux intelligents, prévision et sobriété

Une éolienne ne tourne pas sur commande, et un panneau solaire s'éteint quand un nuage passe. Depuis toujours, cette intermittence est le talon d'Achille des énergies renouvelables : produire de l'électricité, c'est bien ; savoir quand et combien on en produira, c'est mieux. Un réseau électrique doit équilibrer, à la seconde près, ce qui entre et ce qui sort. Trop de production non consommée, et la fréquence du réseau grimpe ; trop de demande sans offre, et c'est la coupure. C'est précisément à ce point de bascule que l'intelligence artificielle s'est fait une place. En apprenant des météos passées, des courbes de consommation et des milliards de mesures de capteurs, des modèles savent désormais anticiper la production d'un parc éolien plusieurs heures à l'avance, ou prédire une baisse soudaine de l'ensoleillement avant même qu'elle ne survienne.

Cet article propose un panorama concret et documenté des usages de l'intelligence artificielle dans le secteur de l'énergie. Nous verrons comment elle affine la prévision de la production renouvelable et de la demande, comment elle contribue à rendre les réseaux plus intelligents et plus fiables, et comment elle sert enfin la sobriété, c'est-à-dire l'art de consommer moins et mieux. L'objectif n'est pas de vendre du rêve, mais de décrire des systèmes réellement déployés, chiffres et sources à l'appui. Car derrière les grandes déclarations, il y a des cas d'usage précis, mesurables, et parfois déjà en production depuis plusieurs années.

Un mot de méthode, d'abord. Le secteur de l'énergie est technique, et l'IA y intervient à des endroits très divers : de la turbine à la salle de contrôle d'un opérateur national, en passant par le thermostat d'un logement. Nous procéderons donc par couches, du terrain vers la vue d'ensemble, en gardant à l'esprit une nuance essentielle : l'IA consomme elle-même de l'électricité, et il serait malhonnête d'en célébrer les bénéfices sans évoquer sa propre facture énergétique. Nous y reviendrons.

Le défi de fond : équilibrer un réseau en temps réel

Pour comprendre l'apport de l'intelligence artificielle, il faut d'abord saisir la nature du problème qu'elle aide à résoudre. Un réseau électrique n'est pas un simple tuyau qui transporte du courant ; c'est un système physique d'une complexité redoutable, où l'offre et la demande doivent s'égaler en permanence.

Historiquement, cet équilibre était relativement prévisible. La production reposait sur de grandes centrales pilotables — nucléaire, gaz, charbon, hydraulique — dont on pouvait moduler la puissance à la demande. Il suffisait, en somme, de prévoir la consommation et d'ajuster la production en conséquence. La montée en puissance des énergies renouvelables a changé la donne. L'éolien et le solaire produisent quand le vent souffle et quand le soleil brille, pas quand on le décide. Leur intégration massive introduit une variabilité nouvelle, du côté de l'offre cette fois, qu'il faut apprendre à anticiper.

Trois échelles de temps, trois problèmes distincts

La gestion d'un réseau se joue simultanément sur plusieurs horizons temporels, et l'IA intervient sur chacun d'eux :

• La seconde et la minute : maintenir la fréquence du réseau (50 hertz en Europe) et la tension dans des marges très étroites. C'est le domaine du temps réel, où une chute brutale de production solaire due à un passage nuageux doit être compensée instantanément.
• L'heure et la journée : planifier quelles centrales appeler, comment gérer le stockage, comment échanger avec les réseaux voisins. C'est là que la prévision de production et de demande à court terme prend toute sa valeur.
• Le mois, l'année et la décennie : dimensionner les infrastructures, planifier les lignes de transport, anticiper le raccordement de nouvelles sources. C'est l'horizon de la planification à long terme.

Sur chacune de ces échelles, l'incertitude est l'ennemie. Une prévision imprécise oblige l'opérateur à conserver des réserves de sécurité coûteuses — souvent des centrales à combustible fossile maintenues en attente, prêtes à pallier une défaillance. Réduire l'incertitude, c'est donc à la fois économiser de l'argent et diminuer les émissions liées à ces réserves. Voilà le fil conducteur de tout ce qui suit : mieux prévoir pour mieux décider, et mieux décider pour consommer moins de ressources.

Dans un réseau électrique, l'incertitude a un coût direct : chaque mégawatt de production mal anticipé doit être compensé par une réserve, souvent fossile, maintenue prête à tout instant.

Prévoir la production renouvelable : le cas de l'éolien et du solaire

C'est sans doute l'application la plus emblématique. Si l'intermittence est le principal reproche adressé aux renouvelables, alors savoir la prévoir revient à en désamorcer une bonne part. Et sur ce terrain, plusieurs déploiements concrets font référence.

DeepMind et l'éolien : donner de la valeur au vent

L'exemple le plus documenté est celui du laboratoire DeepMind, filiale de Google spécialisée dans l'intelligence artificielle. En 2019, ses équipes ont annoncé avoir appliqué l'apprentissage automatique à un parc éolien de 700 mégawatts, exploité pour le compte de Google en Amérique du Nord. Le principe : entraîner un réseau de neurones sur les prévisions météorologiques largement disponibles et sur les données historiques des turbines, afin de prédire la production éolienne jusqu'à trente-six heures à l'avance.

Pourquoi trente-six heures ? Parce que sur les marchés de l'électricité, l'énergie que l'on peut engager à l'avance, de manière ferme, se vend mieux que l'énergie livrée au dernier moment. Une production annoncée la veille et tenue le lendemain a plus de valeur qu'un flux imprévisible. En anticipant sa production, l'exploitant peut prendre des engagements de livraison fermes sur le marché, au lieu de subir les prix moins avantageux du temps réel. Selon DeepMind, ce système a permis d'augmenter d'environ 20 % la valeur économique de l'énergie éolienne produite, par rapport à un scénario sans prévision avancée. Ce chiffre ne signifie pas que le parc produit 20 % de plus — la quantité de vent reste la même — mais que la même énergie est valorisée bien mieux grâce à la prévisibilité qu'apporte le modèle.

Ce cas illustre un point souvent mal compris : l'IA ne crée pas d'électricité, elle crée de l'information. Et dans un système où l'information sur le futur vaut de l'argent et évite du gaspillage, cette contribution est loin d'être anecdotique.

Le solaire et le « nowcasting » : anticiper le passage des nuages

Le solaire pose un défi comparable, mais à une échelle de temps plus courte. Un nuage qui masque un champ de panneaux fait chuter la production en quelques minutes. Pour un opérateur de réseau, ces variations brusques sont difficiles à absorber : elles l'obligent à maintenir en réserve des centrales fossiles capables de prendre le relais dans l'instant.

Au Royaume-Uni, l'opérateur du réseau national, National Grid ESO, a engagé un travail avec l'organisation à but non lucratif Open Climate Fix pour développer un service de « nowcasting » solaire — c'est-à-dire une prévision de très court terme, à l'échelle de la minute et de l'heure plutôt que de la journée. Les modèles d'Open Climate Fix sont entraînés sur des téraoctets de données satellites captées à intervalles de cinq minutes sur l'Europe, le Moyen-Orient et l'Afrique du Nord, complétées par des années de prévisions météorologiques et des relevés en direct de panneaux solaires répartis sur le territoire.

Les résultats communiqués sont notables : les modèles à base de transformeurs se sont révélés environ trois fois plus performants pour prédire la production solaire que les méthodes traditionnelles de l'opérateur. L'intérêt est double. D'une part, une meilleure prévision réduit la quantité de réserve fossile maintenue « au cas où ». D'autre part, elle permet d'intégrer davantage de solaire sans compromettre la stabilité du réseau. On mesure ici la logique vertueuse : anticiper une baisse de production solaire, c'est éviter de faire tourner inutilement une centrale à gaz en secours.

Comment ces modèles apprennent

Sans entrer dans une technicité excessive, il est utile de comprendre le principe commun à ces systèmes. Un modèle de prévision de production renouvelable apprend une relation entre des entrées (conditions météorologiques prévues, images satellites, historique de production, saison, heure) et une sortie (la puissance attendue). Il n'y a pas de magie : le modèle repère, dans des années de données passées, les régularités qui lient météo et production, puis les applique aux conditions à venir.

Plusieurs familles de techniques cohabitent. Les réseaux de neurones récurrents, comme les LSTM (Long Short-Term Memory), sont conçus pour traiter des séquences temporelles et repérer des dépendances dans le temps. Les architectures à base de transformeurs, plus récentes, se sont montrées particulièrement efficaces sur les données satellites. Des méthodes plus classiques d'apprentissage automatique — forêts aléatoires, machines à vecteurs de support — restent pertinentes pour certains problèmes de prévision de charge. Le choix dépend du problème, du volume de données disponibles et des contraintes de calcul. La revue scientifique sur la prévision de charge dans les réseaux intelligents, publiée en 2024, confirme cette diversité méthodologique et l'amélioration continue de la précision qu'elle apporte.

Prévoir la demande : l'autre moitié de l'équation

Si prévoir la production est essentiel, prévoir la consommation l'est tout autant. Les deux forment les deux plateaux d'une même balance. Or la demande d'électricité, elle aussi, suit des motifs complexes, mêlant habitudes humaines, météo et événements ponctuels.

Les modèles de prévision de charge intègrent une multitude de signaux : historiques de consommation, prévisions météo (la température conditionne fortement le chauffage et la climatisation), calendrier (jours fériés, week-ends, vacances scolaires), et même des événements sociaux comme une grande compétition sportive qui pousse des millions de foyers à allumer leur téléviseur au même moment. En combinant ces données, les algorithmes prédisent la demande avec une précision supérieure aux méthodes statistiques traditionnelles.

Pourquoi cette précision compte

Une prévision de demande fiable irrigue toute la chaîne de décision d'un système électrique :

• Programmation des centrales : savoir combien on consommera demain permet de décider quelles unités de production démarrer, et lesquelles laisser au repos — un enjeu majeur, car démarrer une grande centrale thermique est lent et coûteux.
• Gestion de la demande : anticiper un pic de consommation permet de le lisser, par exemple en encourageant certains usages à se décaler dans le temps.
• Stabilité de la tension : un bon calage entre production et consommation prévue facilite le maintien de la tension et de la fréquence dans leurs marges.
• Optimisation au niveau du poste de distribution : une prévision à un jour d'échéance, à l'échelle locale d'un poste de transformation, aide à répartir finement les flux sur le réseau de distribution.

La littérature scientifique de 2024 souligne un point important : les modèles combinant plusieurs horizons de temps et plusieurs techniques — les approches dites d'ensemble — surpassent souvent les modèles isolés. Aucune méthode unique n'est reine ; c'est la combinaison judicieuse qui fait la performance. Voilà une leçon récurrente en apprentissage automatique appliqué : la robustesse naît souvent de la diversité des approches plutôt que de la recherche d'un modèle parfait et unique.

Des réseaux plus intelligents : de la maintenance à la planification

La prévision n'est qu'une facette. L'intelligence artificielle intervient aussi dans la gestion physique du réseau : surveiller ses équipements, anticiper ses défaillances, planifier son extension. C'est le domaine des réseaux intelligents à proprement parler, où l'infrastructure devient communicante et instrumentée.

Surveiller et entretenir : voir les problèmes avant la panne

Un réseau électrique, ce sont des centaines de milliers de kilomètres de lignes, des transformateurs, des poteaux, des équipements exposés aux intempéries et à l'usure. Inspecter tout cela manuellement est long et coûteux. L'IA apporte ici une aide directe grâce à la reconnaissance d'images.

Le projet Tapestry, développé au sein de X (le laboratoire de projets ambitieux d'Alphabet, la maison mère de Google), en offre une illustration parlante. L'un de ses outils, GridAware, automatise l'inspection des infrastructures : à partir d'images, des modèles de reconnaissance visuelle repèrent des anomalies — une ligne qui s'affaisse, un équipement endommagé — avant qu'elles ne provoquent une coupure. Détecter un défaut naissant plutôt que subir une panne, c'est le principe même de la maintenance prédictive, et l'un des apports les plus tangibles de l'IA à la fiabilité du réseau.

Cartographier le réseau : « Google Maps pour les électrons »

Tapestry poursuit une ambition plus large encore, résumée par une formule de ses concepteurs : construire l'équivalent de Google Maps, mais pour les électrons. L'idée est de bâtir un modèle de données unifié du réseau, un « graphe de connaissances » qui relie entre elles des quantités massives de données jusque-là dispersées entre de multiples acteurs et systèmes.

Pourquoi est-ce utile ? Parce que la planification et l'exploitation d'un réseau souffrent de la fragmentation de l'information. Un outil de planification capable de simuler le réseau à grande échelle, sur le long terme et à résolution horaire, permet de raccorder plus efficacement des sources d'énergie diverses. Plusieurs opérateurs s'appuient désormais sur ces outils : au Chili, l'opérateur national du réseau (le Coordinador Eléctrico Nacional) a annoncé dès 2024 le déploiement à pleine échelle de l'outil pour sa planification annuelle du transport d'électricité ; aux États-Unis, PJM, le plus grand opérateur de réseau d'Amérique du Nord, a lancé en 2025 un partenariat pluriannuel avec Google et Tapestry pour fluidifier son processus de raccordement au réseau. Le journaliste Eric Siegel, dans une analyse publiée par Forbes en octobre 2024, décrivait cet effort comme une tentative de moderniser en profondeur la gestion du réseau électrique à l'aide de l'IA.

Le raccordement de nouvelles sources d'énergie au réseau est souvent un goulet d'étranglement. Simuler finement le réseau, source par source et heure par heure, aide les opérateurs à décider plus vite et mieux.

Optimiser la distribution et le stockage

Au-delà de la surveillance, l'IA aide à piloter les flux. Sur les réseaux de distribution, des modèles prévoient la congestion — ces situations où une ligne risque la surcharge — afin d'anticiper les manœuvres nécessaires. Des travaux de 2024 décrivent des cadres de prévision de congestion combinant flux de puissance probabiliste et apprentissage automatique, précisément pour les réseaux de distribution intelligents.

Le stockage, enfin, tire parti de l'apprentissage par renforcement. Une batterie de réseau doit décider, à chaque instant, s'il faut se charger ou se décharger, en fonction de la production prévue, de la demande et des prix du marché. C'est un problème de décision séquentielle qui se prête bien à l'apprentissage par renforcement : un agent apprend, par simulation de nombreux scénarios, une stratégie qui maximise à la fois l'utilité pour le réseau et le rendement financier. Le résultat est une gestion du stockage plus fine que des règles fixes écrites à la main.

La sobriété : consommer moins, et mieux

Jusqu'ici, nous avons parlé de production et de réseau. Reste le troisième pilier, peut-être le plus proche du quotidien : la sobriété, c'est-à-dire la réduction de la consommation à service rendu égal. Ici, l'IA n'augmente pas l'offre, elle allège la demande.

L'exemple fondateur : le refroidissement des centres de données

Le cas le plus célèbre remonte à 2016, et il est instructif à double titre. Cette année-là, DeepMind a appliqué son apprentissage automatique au refroidissement des propres centres de données de Google. Ces installations consomment énormément d'électricité, en grande partie pour maintenir les serveurs à température. Le système développé apprenait à prédire, à une heure d'avance, l'évolution de la température et sollicitait en conséquence les équipements de refroidissement de la manière la plus économe.

Le résultat annoncé fut spectaculaire : une réduction pouvant atteindre 40 % de l'énergie consommée pour le refroidissement, ce qui se traduisait par une amélioration d'environ 15 % de l'indicateur global d'efficacité énergétique du site (le fameux PUE, ou Power Usage Effectiveness). Ce cas est doublement intéressant. D'abord parce qu'il montre l'IA au service de la sobriété d'une installation bien réelle et énergivore. Ensuite parce qu'il pose, en creux, une question que nous aborderons plus loin : ces mêmes centres de données hébergent aujourd'hui les modèles d'IA eux-mêmes.

Bâtiments, industrie, logements

La même logique s'applique à d'autres échelles. Dans les bâtiments tertiaires, des systèmes de gestion technique pilotés par apprentissage automatique ajustent chauffage, ventilation et climatisation en anticipant l'occupation et la météo, plutôt que de suivre des consignes rigides. Dans l'industrie, l'IA optimise les procédés gourmands en énergie en repérant les réglages les plus efficaces. Chez les particuliers, des thermostats et systèmes domotiques apprennent les habitudes du foyer pour éviter de chauffer ou climatiser inutilement.

Le principe commun est toujours le même : substituer une décision informée et anticipée à une règle fixe ou à un comportement réactif. Un chauffage qui anticipe une baisse de température et lisse sa montée en régime consomme moins qu'un système qui réagit brutalement au dernier moment. Là encore, l'IA agit comme un producteur d'anticipation, et l'anticipation, dans l'énergie, se traduit presque toujours en économies.

La sobriété assistée par l'IA ne consiste pas à se priver, mais à supprimer le gaspillage : chauffer une pièce vide, refroidir un serveur plus que nécessaire, faire tourner une réserve dont on n'a pas besoin.

L'éléphant dans la pièce : l'IA consomme aussi de l'énergie

Il serait tendancieux de célébrer les vertus énergétiques de l'IA sans reconnaître qu'elle a, elle-même, une facture électrique croissante. L'honnêteté impose de mettre ce fait en perspective.

Les centres de données, qui hébergent l'entraînement et l'usage des modèles, voient leur consommation augmenter. Dans son rapport « Electricity 2024 », publié en janvier 2024, l'Agence internationale de l'énergie (AIE) analysait cette dynamique et proposait des projections à l'horizon 2026. L'agence y estimait notamment la demande électrique des centres de données américains autour de 260 térawattheures en 2026, et celle des centres de données européens aux alentours de 150 térawattheures, avec une croissance particulièrement soutenue des serveurs accélérés dédiés à l'IA.

Que faire de ce constat ? Deux lectures s'imposent, complémentaires. D'un côté, la consommation de l'IA est réelle et mérite d'être mesurée et maîtrisée — c'est un poste de dépense énergétique à surveiller. De l'autre, cette même IA rend des services qui économisent de l'énergie ailleurs : en optimisant le refroidissement des centres qui l'hébergent, en réduisant les réserves fossiles grâce à de meilleures prévisions, en fluidifiant l'intégration des renouvelables. Le bilan net dépend des usages, et il serait aussi naïf de peindre l'IA en héroïne climatique qu'injuste de la réduire à sa seule consommation. La bonne posture est comptable : mesurer les deux plateaux de la balance, sans militantisme ni angélisme.

Une exigence de mesure

Ce qui vaut pour l'IA vaut pour toute technologie : le progrès se juge sur des chiffres vérifiables, pas sur des promesses. La croissance de la consommation des centres de données invite à généraliser les bonnes pratiques d'efficacité — refroidissement optimisé, matériel plus sobre, implantation là où l'électricité est décarbonée. Elle invite aussi à documenter honnêtement les gains obtenus par les applications énergétiques de l'IA, afin de comparer ce qui est comparable. C'est à cette condition que le débat reste rationnel.

Limites et conditions de réussite

Aucun de ces systèmes n'est une baguette magique. Plusieurs conditions déterminent leur efficacité réelle, et il est utile de les nommer clairement.

D'abord, la qualité des données. Un modèle de prévision ne vaut que par les données sur lesquelles il apprend. Des relevés de capteurs incomplets, des historiques trop courts ou des mesures erronées dégradent mécaniquement la précision. Dans l'énergie, l'instrumentation du réseau est un préalable : sans compteurs communicants, sans capteurs météo, sans télémétrie des équipements, l'IA n'a rien à se mettre sous la dent.

Ensuite, l'intégration aux systèmes existants. Une prévision brillante ne sert à rien si elle n'est pas connectée aux outils de décision de l'opérateur. Les meilleurs déploiements sont ceux où le modèle s'insère dans le flux de travail réel de la salle de contrôle, avec des interfaces compréhensibles par les ingénieurs qui prennent les décisions. La technologie n'est qu'une partie de l'équation ; l'organisation humaine autour d'elle compte autant.

Enfin, la robustesse et la surveillance. Les conditions changent : le climat évolue, le parc de production se transforme, les habitudes de consommation se déplacent. Un modèle entraîné sur le passé peut voir sa précision se dégrader avec le temps si l'on n'y prend garde. La bonne pratique consiste à surveiller en continu la performance du modèle et à le réentraîner régulièrement. Dans un secteur aussi critique que l'énergie, cette vigilance n'est pas optionnelle.

Le rôle irremplaçable de l'humain

Un dernier point mérite d'être souligné. Dans la gestion d'un réseau électrique, la décision finale reste, et doit rester, humaine. L'IA fournit des prévisions, des alertes, des recommandations ; ce sont les opérateurs qui arbitrent, en intégrant des considérations que le modèle ignore — un contexte politique, une contrainte réglementaire, une situation d'urgence inédite. Les meilleurs systèmes sont conçus comme des aides à la décision, pas comme des pilotes automatiques. Cette répartition des rôles n'est pas une limite regrettable, c'est une garantie de fiabilité pour une infrastructure dont dépend le quotidien de millions de personnes.

Ce que cela change, concrètement

Prenons de la hauteur. Pour un acteur du secteur — opérateur de réseau, producteur d'énergie, gestionnaire de bâtiment — que retenir de tout cela en pratique ?

D'abord, que la prévision est le point d'entrée le plus rentable. Améliorer la prévision de production renouvelable ou de demande apporte des gains rapides et mesurables : moins de réserves inutiles, une meilleure valorisation de l'énergie, une intégration facilitée des renouvelables. C'est souvent par là qu'il faut commencer, car le retour sur investissement y est le plus lisible.

Ensuite, que la maintenance prédictive et la surveillance automatisée offrent un excellent rapport bénéfice-effort. Repérer un défaut avant la panne, c'est éviter des coupures coûteuses et prolonger la vie des équipements. Les outils de reconnaissance d'images sur les infrastructures illustrent bien ce gain concret.

Enfin, que la sobriété est un chantier à la portée de tous, du grand centre de données au bâtiment tertiaire. Optimiser le chauffage, la climatisation, les procédés industriels par apprentissage automatique produit des économies réelles, à condition de disposer des données et de la volonté de mesurer les résultats. La démarche gagnante consiste à choisir un cas d'usage bien délimité, à instrumenter correctement, puis à mesurer honnêtement avant de généraliser.

Un allié discret de la transition énergétique

Que retenir de ce panorama ? Que l'intelligence artificielle n'est ni une révolution miraculeuse ni un simple gadget dans le secteur de l'énergie, mais un outil d'efficacité qui s'insère dans une chaîne de décision existante. Elle ne produit pas d'électricité : elle produit de l'information, de l'anticipation, de l'optimisation. Et dans un système où l'incertitude coûte cher et où le gaspillage se traduit en émissions, cette contribution a une valeur bien tangible.

Les exemples que nous avons parcourus — la prévision éolienne à trente-six heures, le nowcasting solaire, la cartographie du réseau, l'optimisation du refroidissement — ont un point commun : ce sont des systèmes réels, déployés, dont les résultats ont été documentés. Ils dessinent une tendance de fond : celle d'une énergie mieux prévue, mieux distribuée, mieux consommée, grâce à des modèles qui apprennent des régularités du monde physique.

Reste la lucidité, qui est la marque de tout regard sérieux sur la technologie. L'IA consomme de l'énergie, ses modèles demandent des données de qualité, et la décision finale doit rester humaine. Ces conditions ne diminuent pas l'intérêt de la démarche ; elles la cadrent. Bien employée, mesurée avec honnêteté et intégrée avec soin, l'intelligence artificielle est un allié discret mais précieux de la transition énergétique. Pas une solution unique, mais une brique de plus dans l'édifice — et l'une des plus prometteuses pour qui cherche à faire davantage avec moins.

Sources

Cet article s'appuie sur des sources publiques et vérifiables :

• Google DeepMind, « Machine learning can boost the value of wind energy » (prévision éolienne à 36 h, +20 % de valeur, parc de 700 MW) — deepmind.google. Voir aussi Forbes, « DeepMind And Google Train AI To Predict Energy Output Of Wind Farms » — forbes.com.
• Google DeepMind, « DeepMind AI Reduces Google Data Centre Cooling Bill by 40% » (2016) — deepmind.google.
• National Energy System Operator (National Grid ESO), « Former DeepMind expert's AI tool could help boost National Grid ESO's solar forecasts » (nowcasting solaire, modèles transformeurs 3x plus précis, partenariat Open Climate Fix) — neso.energy.
• X, the moonshot factory, « Tapestry » (graphe de connaissances du réseau, outil de planification, GridAware) — x.company. Analyse : Eric Siegel, « AI Drives Alphabet's Moonshot To Save The World's Electrical Grid », Forbes, octobre 2024 — forbes.com.
• Agence internationale de l'énergie (IEA), « Electricity 2024 – Analysis and forecast to 2026 » (janvier 2024 ; projections de demande des centres de données) — iea.org.
• « Review on smart grid load forecasting for smart energy management using machine learning and deep learning techniques », Energy Reports / ScienceDirect, 2024 — sciencedirect.com.
• « Congestion forecast framework based on probabilistic power flow and machine learning for smart distribution grids », Electric Power Systems Research / ScienceDirect — sciencedirect.com.