🤖 AI

WattCouncil: Context-Aware Household Energy Scenario Generation With Governed LLMs

Cet article présente WattCouncil, un cadre qui utilise un conseil d'agents de grands modèles de langage gouvernés pour générer des scénarios de consommation énergétique domestique réalistes et sensibles au contexte, répondant ainsi à la rareté des données à haute résolution et conformes à la vie privée nécessaires à la recherche sur les réseaux électriques intelligents.

Auteurs originaux : Mohannad Takrouri, Nicolas M. Cuadrado A., Martin Takáč

Publié 2026-07-14

📖 6 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Mohannad Takrouri, Nicolas M. Cuadrado A., Martin Takáč

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

Imaginez les réseaux électriques comme le système nerveux géant d'une ville. En ce moment, ce système reçoit un petit choc. Nous ajoutons de plus en plus de panneaux solaires sur les toits et de plus en plus de voitures électriques, ce qui rend le flux d'énergie irrégulier et imprévisible. Pour corriger cela, les scientifiques doivent s'entraîner avec des scénarios de type « et si... », mais ils ne peuvent pas simplement jeter un œil sur les factures d'électricité de vraies personnes, car c'est une violation de la vie privée. Ils ont besoin de données fictives qui ressemblent et ressentent exactement la même chose que les vraies.

Voici WattCouncil. Ne le voyez pas comme un simple robot super intelligent, mais comme une petite réunion de conseil municipal très stricte dirigée par une équipe d'agents d'IA. Au lieu qu'une seule IA devine la journée d'une famille, WattCouncil répartit le travail entre des spécialistes qui débattent, vérifient et votent sur les détails avant que la moindre donnée ne soit écrite.

La réunion du conseil municipal

Le WattCouncil est composé d'un « conseil » d'agents d'IA, chacun ayant un rôle spécifique, comme des acteurs dans une pièce de théâtre qui ne sortent jamais de leur personnage :

Le Générateur (Le Rêveur) : Cet agent est le créatif. Il dit : « D'accord, imaginons une famille de quatre personnes vivant dans une maison individuelle en Irlande. Le père travaille dans un bureau, la mère travaille à domicile, et il y a deux enfants. » Il essaie de concevoir une routine quotidienne. Il est autorisé à être un peu créatif ici, comme un écrivain qui cherche des idées.
L'Auditeur Culturel (L'Expert Local) : Cet agent vérifie si l'histoire fait sens pour la culture. Si le Générateur dit : « La famille digne de ce nom dîne à 2h00 du matin », l'Auditeur Culturel lève un drapeau rouge. « Non, ce n'est pas ainsi que fonctionnent les familles irlandaises », dit-il. Il s'assure que le programme respecte les normes locales.
L'Auditeur Physique (La Police de la Physique) : C'est le membre le plus strict. Il vérifie les calculs et les lois de la physique. Si le Générateur dit : « La famille allume le chauffage au milieu d'un été irlandais brûlant », l'Auditeur Physique frappe avec son marteau. « Impossible ! Cela contredit les règles de la réalité. » Il vérifie des chiffres comme la température et la consommation d'énergie pour s'assurer qu'ils ne mentent pas.
Le Contrôleur (Le Maire) : Cet agent écoute les auditeurs. Si l'histoire est parfaite, il dit : « Approuvé ». S'il y a une petite erreur, il renvoie le dossier à un Éditeur pour corriger uniquement cette partie. Si toute l'histoire est un désastre, il dit : « Recommencez tout depuis le début. »

Tout ce processus se déroule en trois étapes : d'abord, ils construisent la famille ; ensuite, ils créent la météo ; et enfin, ils simulent l'utilisation de l'électricité.

Le grand test météo

Une question majeure posée par les chercheurs était la suivante : Avons-nous besoin que l'IA invente la météo, ou pouvons-nous simplement utiliser des données météorologiques réelles ?

Ils ont mené un test où ils ont laissé l'IA générer la météo (température, ensoleillement, humidité) par rapport à l'utilisation d'un fichier météo réel standard appelé TMY (Typical Meteorological Year).

Le Résultat : L'IA était capable de deviner la forme générale de la météo, mais elle n'était pas parfaite. Lorsque les chercheurs ont comparé la météo de l'IA aux données TMY réelles, la corrélation (la correspondance) était correcte mais pas parfaite, variant d'environ 0,43 à 0,99 selon la saison ou le type de météo (comme la température ou l'ensoleillement).
La Leçon : L'article suggère que, bien que l'IA puisse essayer de créer la météo, il est préférable d'utiliser des données météorologiques réelles, basées sur la physique, comme fondation. L'IA est excellente pour la partie humaine (ce que font les gens), mais elle n'est pas la meilleure pour la partie physique (ce que fait le soleil).

Les fausses familles étaient-elles réelles ?

L'équipe a testé son WattCouncil en créant 1 000 profils de ménages fictifs. Ils les ont comparés à des données réelles provenant de 4 232 foyers irlandais réels (issues d'un ensemble de données appelé CER).

La Bonne Nouvelle : Les fausses familles ont bien saisi le timing. Elles savaient quand les gens se réveillent, quand ils partent au travail et quand ils allument la lumière. Les schémas quotidiens correspondaient étonnamment bien aux données réelles, avec des scores de corrélation (une mesure de similitude) allant de 0,57 à 0,84 selon les saisons et les types de familles.
La Mauvaise Nouvelle : Les fausses familles se sont trompées sur la quantité d'électricité. Bien que la forme de la courbe soit correcte, les chiffres réels étaient erronés. Les taux d'erreur (l'écart par rapport aux chiffres) étaient assez élevés, avec des pourcentages comme 72,76 %, 79,52 % et même 93,98 % dans certains cas.
La Conclusion : L'article suggère que l'IA est excellente pour imiter le comportement et les horaires humains, mais qu'elle a du mal à deviner le volume exact d'énergie utilisé sans détails physiques plus précis (comme l'efficacité exacte d'un réfrigérateur ou l'épaisseur des murs).

Le coût de la rigueur

Parce que le WattCouncil est très méticuleux, il prend du temps pour fonctionner. Pour générer les données d'un seul foyer fictif pour une année entière (en vérifiant chaque saison et chaque week-end), le système a effectué 52 appels distincts aux modèles d'IA. Cela a pris environ 556,8 secondes (environ 9 minutes) et a traité plus de 190 000 tokens de texte.

Les auteurs notent que cette « gouvernance » (le contrôle et la vérification) est un compromis délibéré. Ils acceptent d'attendre plus longtemps pour s'assurer que les données sont sûres et logiques, plutôt que de produire des résultats rapides et désordonnés.

Et après ?

L'article ne prétend pas que c'est une solution parfaite qui résout tout. Au contraire, il suggère que WattCouncil est un nouvel outil puissant pour créer des scénarios contrôlés. C'est comme un simulateur de vol pour les réseaux électriques : il ne vous dira pas exactement combien de carburant un avion spécifique va brûler, mais il vous permettra de vous entraîner à voler à travers une tempête en toute sécurité.

Les chercheurs soulignent que pour obtenir les montants d'énergie corrects, les futures versions devront inclure plus de détails physiques, comme la taille exacte de la maison ou l'efficacité du système de chauffage. En attendant, WattCouncil reste un moyen brillant de générer des histoires réalistes sur notre façon d'utiliser l'énergie, même si les chiffres exacts ont encore besoin d'un petit coup de pouce de la physique.

Résumé Technique : WattCouncil

Énoncé du Problème

La transition vers des systèmes électriques à faible émission de carbone et la prolifération des technologies derrière le compteur (ex. : solaire résidentiel, véhicules électriques) ont créé de nouvelles exigences opérationnelles sur les réseaux électriques. Bien que la recherche sur les réseaux intelligents s'appuie de plus en plus sur l'apprentissage automatique, les progrès sont entravés par une pénurie de données énergétiques domestiques à haute résolution. Les ensembles de données existants sont souvent fragmentés, limités en durée ou en portée géographique, et manquent des métadonnées socio-économiques détaillées nécessaires pour modéliser l'hétérogénéité de la consommation résidentielle. De plus, les modèles de simulation traditionnels dits « bottom-up » reposent souvent sur des hypothèses rigides qui ne parviennent pas à capturer les facteurs comportementaux et culturels nuancés, tandis que les modèles purement fondés sur les données peinent face aux lacunes et aux valeurs manquantes dans les jeux de données réels. Il existe un besoin critique de méthodes capables de générer des données de consommation synthétiques contrôlées et contextuellement informées pour soutenir l'analyse exploratoire et le raisonnement par scénarios au-delà des limites des sources empiriques disponibles.

Méthodologie : Le Cadre WattCouncil

Les auteurs proposent WattCouncil, un cadre de modèles de langage de grande taille (LLM) multi-agents et gouverné, conçu pour générer des scénarios de consommation énergétique domestique structurés. Plutiment que d'utiliser les LLM pour la prévision directe ou la modélisation statistique, le cadre les utilise comme des agents génératifs contrôlés opérant au sein d'un pipeline strict.

Architecture de Base

Le cadre utilise un « Conseil » de LLM, où des modèles distincts se voient assigner des rôles fixes et non chevauchants pour garantir la cohérence et la couverture contextuelle. Le processus de génération est décomposé en un pipeline à trois étapes :

Génération de la Structure du Ménage : Assigne les régimes de travail et d'occupation en fonction de la composition du ménage.
Génération du Profil Météorologique : Définit les plages météorologiques saisonnières et instancie les données météorologiques horaires. (Note : Cette étape peut être remplacée par des données de l'Année Météorologique Typique [TMY] externes).
Modélisation de la Consommation d'Énergie : Synthétise les profils finaux de consommation énergétique du ménage.

Gouvernance et Contrôle

Une innovation clé est le mécanisme de gouvernance qui empêche la nature incontrôlée de la génération standard par LLM. Le pipeline impose une séparation stricte des tâches et une validation :

Agents Spécialisés par Rôle : Le conseil comprend un Générateur (propose des sorties JSON structurées), des Auditeurs Culturels (évaluent l'alignement avec les normes sociales), des Auditeurs Physiques (vérifient la cohérence numérique et l'adhésance aux contraintes physiques), un Éditeur (gère les corrections ciblées), un Approbateur (vérifie les modifications) et un Contrôleur (la seule autorité décisionnelle).
Flux de Décision : Le Contrôleur évalue la sortie du Générateur par rapport aux rapports d'audit. Il peut ACCEPTER le résultat, déclencher une RÉGÉNÉRATION PARTIELLE (via l'Éditeur), ou une RÉGÉNÉRATION TOTALE si des violations graves sont détectées.
Stratégie de Température : Le cadre emploie des réglages de température asymétriques. Le Générateur utilise une température plus élevée ( $\tau=0,7$ ) pour encourager l'exploration créative de scénarios plausibles, tandis que les Auditeurs et le Contrôleur utilisent des températures plus basses ( $\tau=0,3-0,4$ ) pour prioriser la précision, la cohérence et le respect des contraintes.
Modularité : Le pipeline est agnostique vis-à-vis du modèle et modulaire. Par exemple, l'étape de génération météorologique peut être remplacée par des données TMY externes pour isoler l'impact de la synthèse météorologique sur la modélisation de la consommation en aval.

Principales Contributions

L'article présente cinq contributions principales :

Cadre WattCouncil : Un système LLM multi-agents pour la génération gouvernée de données énergétiques synthétiques.
Pipeline Échelonné : Un processus présentant un audit explicite et une régénération bornée pour garantir la qualité des données.
Protocole d'Évaluation : Une méthode rigoureuse pour comparer les profils générés avec les données de compteurs intelligents réels.
Études d'Ablation : Analyse des composants du pipeline, spécifiquement l'impact de la source des données météorologiques.
Accès Ouvert : Publication du code du pipeline avec des instructions pour faciliter la recherche future dans la synthèse de données basée sur les LLM.

Résultats Expérimentaux

Le cadre a été évalué par rapport aux données CER Electricity (Irlande), un ensemble de données contenant plus d'un an de mesures de charge toutes les demi-heures pour 4 232 ménages, couplé à des enquêtes socio-économiques.

Métriques de Performance

Structure Temporelle : Les profils générés ont démontré un fort alignement temporel avec les données réelles. Les coefficients de corrélation de Pearson pour les formes de charge quotidiennes variaient de 0,57 à 0,84 selon les groupes de ménages et les saisons, indiquant que le cadre reproduit avec succès les structures de demande quotidiennes et saisonnières réalistes.
Écarts de Magnitude : Bien que la forme des profils de consommation soit réaliste, il existe des différences significatives dans la magnitude absolue (l'erreur absolue en pourcentage [MAPE] variait d'environ 62 % à 94 %). Les auteurs attribuent cela à la difficulté de capturer l'échelle physique exacte de la consommation sans les propriétés détaillées de l'enveloppe du logement et les puissances des appareils.
Ablation du Sourcing Météorologique :
- Météo LLM vs TMT : Les profils météorologiques générés par LLM ont montré une corrélation modérée à élevée avec les données TMY (ex. : corrélation DHI > 0,90 dans la plupart des saisons), bien que les LLM aient eu des difficultés avec la précision physique extrême des variables.
- Impact sur la Consommation : En comparant les profils énergétiques générés avec la météo LLM par rapport à la météo TMY, les modèles de demande en aval sont restés robustes. Le choix de la source météorologique affectait principalement la largeur des bandes d'incertitude plutôt que la moyenne de la demande ou le pic de consommation, suggérant que la modélisation comportementale est stable quel que soit le mode de sourcing météo.
Surcharge de Gouvernance : Le mécanisme de gouvernance introduit un coût de calcul. Une seule exécution de génération de ménage sur quatre saisons a nécessité 52 appels de modèle et environ 557 secondes d'exécution, le Générateur et l'Auditeur Physique consommant la majorité des jetons et du temps.

Signification et Revendications

L'article positionne WattCouncil non pas comme un remplacement des simulateurs physiques ou des outils de prévision de la demande, mais comme un outil complémentaire pour générer des scénarios synthétiques contrôlés.

Plausibilité Contextuelle : Le cadre intègre avec succès les contextes culturels, saisonniers et comportementaux dans les schémas de consommation d'énergie, comblant ainsi une lacune où les modèles traditionnels négligent souvent les dynamiques socio-démographiques nuancées.
Contrôlabilité : En séparant la spécification de scénario au niveau macro (ex. : composition du ménage, saison) de la réalisation comportementale au niveau micro, le cadre offre un niveau d'explicabilité et de contrôlabilité souvent absent des approches génératives de bout en bout.
Revendications Modestes sur la Précision Physique : Les auteurs reconnaissent explicitement que les données générées par LLM font face à des défis inhérents pour reproduire les dynamiques physiquement ancrées. Ils affirment que si le cadre capture bien les structures temporelles et comportementales, le écart de magnitude restant indique que « les variables physiquement ancrées restent essentielles pour une consommation absolue réaliste ».
Directions Futures : L'article suggère que les futures itérations devraient incorporer des déterminants physiques plus forts (ex. : réponse thermique, efficacité CVC) et intégrer des modèles climatiques spécialisés (comme Earth-2 de NVIDIA) pour combler l'écart entre la plausibilité contextuelle et le réalisme physique.

En résumé, WattCouncil démontre que les LLM multi-agents gouvernés peuvent synthétiser efficacement des scénarios de consommation énergétique domestique riches en contexte, fournissant une méthode viable pour générer des données diversifiées et structurées pour l'analyse des réseaux intelligents lorsque les données réelles sont limitées ou soumises à des restrictions de confidentialité.