Soumission

 2ème édition du colloque international de l'Intelligence Artificiel et ses Applications (ICAIA25)   ____________________________________________________________________________________________

TITRE DE LA COMMUNICATION

Prénom 1 Nom1,Prénom 2 Nom2, Prénom 3 Nom3

Affiliation1*, Faculté, Université (Pays)

Affiliation2, Faculté, Université (Pays)

Email1*, Email2, Email3

Résumé
       L'intégration croissante de l'intelligence artificielle (IA) dans les systèmes d'énergie renouvelable a ouvert de nouvelles perspectives pour améliorer l'efficacité énergétique et la durabilité. Les technologies de l'IA, telles que l'apprentissage automatique et l'analyse prédictive, sont utilisées pour optimiser la production, la distribution et la consommation d'énergie, en particulier dans les réseaux intelligents et les sources d'énergie renouvelable comme l'énergie solaire et éolienne [1]. Cependant, des défis tels que la génération intermittente d'énergie et la gestion des ressources persistent, nécessitant des approches innovantes pour résoudre ces limitations [2].

         Dans ce contexte, nous proposons un cadre novateur basé sur l'IA pour l'optimisation énergétique en temps réel dans les systèmes d'énergie renouvelable. Ce cadre utilise des modèles prédictifs avancés pour prévoir la demande et l'offre d'énergie, permettant des ajustements dynamiques de la distribution et du stockage de l'énergie. En intégrant des dispositifs IoT et l'informatique en nuage, le système collecte et traite les données en temps réel provenant des sources d'énergie et des points de consommation, assurant une prise de décision précise [3][4].

      De plus, l'architecture intègre l'informatique de périphérie pour permettre un traitement local des données, réduisant ainsi la latence et améliorant les temps de réponse. Des études de cas menées dans des villes intelligentes montrent que le cadre proposé améliore considérablement l'efficacité énergétique et minimise le gaspillage [5]. Cette recherche met en lumière le potentiel de l'IA pour remodeler le paysage des énergies renouvelables et contribuer à la transition vers un avenir durable et à faible émission de carbone [6].

Résultats
       La mise en œuvre du cadre proposé basé sur l'IA pour l'optimisation énergétique dans les systèmes d'énergie renouvelable a démontré des améliorations significatives tant en termes d'efficacité énergétique que de durabilité. Les premiers résultats des déploiements pilotes dans des villes intelligentes montrent une réduction marquée du gaspillage énergétique, avec une distribution optimisée de l'énergie entraînant une baisse de 15 % des demandes de charge de pointe. Les modèles prédictifs ont permis de prévoir la production d'énergie à partir de sources renouvelables, permettant ainsi au système de mieux gérer l'offre et la demande, réduisant ainsi la dépendance aux sources d'énergie non renouvelables pendant les périodes de forte demande.

         L'intégration des dispositifs IoT et de l'informatique en nuage a facilité la collecte de données en temps réel, tandis que l'utilisation de l'informatique de périphérie a réduit les temps de réponse pour les ajustements énergétiques, améliorant ainsi la réactivité globale du système. De plus, l'architecture hybride—combinant des dispositifs IoT statiques avec des unités mobiles telles que des drones—s'est avérée efficace pour assurer une surveillance continue et une optimisation à la fois dans les zones urbaines et suburbaines, garantissant une fourniture d'énergie plus fiable dans les zones éloignées.

         Ces résultats suggèrent que le cadre proposé non seulement améliore l'efficacité énergétique, mais contribue également à la résilience et à la durabilité des systèmes énergétiques urbains, offrant un modèle prometteur pour la gestion énergétique future dans les villes intelligentes.

Mots-clès
Intelligence Artificielle (IA), Réseaux Intelligents, Apprentissage Automatique, Analyse Prédictive, Internet des Objets (IoT)

Références
[1] C. T. Yin, Z. Xiong, H. Chen, J. Y. Wang, D. Cooper, and B. David, “A literature survey on smart cities,” Science China Information Sciences, vol. 58, no. 10, pp. 1–18, 2015, doi: 10.1007/s11432-015-5397-4.
[2] M. Lacinák and J. Ristvej, “Smart City, Safety and Security,” Procedia Eng, vol. 192, pp. 522–527, 2017, doi: 10.1016/j.proeng.2017.06.090.
[3] A. Mosaif and S. Rakrak, “A New System for Real-time Video Surveillance in Smart Cities Based on Wireless Visual Sensor Networks and Fog Computing,” Journal of Communications, vol. 16, no. 5, pp. 175–184, 2021, doi: 10.12720/jcm.16.5.175-184.
[4] L. B. Elvas, B. M. Mataloto, A. L. Martins, and J. C. Ferreira, “Disaster Management in Smart Cities,” Smart Cities, vol. 4, no. 2, pp. 819–839, May 2021, doi: 10.3390/smartcities4020042.
[5] A. A. N. P. Redi, B. M. Sopha, A. M. S. Asih, and R. I. Liperda, “Collaborative hybrid aerial and ground vehicle routing for post-disaster assessment,” Sustainability (Switzerland), vol. 13, no. 22, Nov. 2021, doi: 10.3390/su132212841.
[6] R. Das and M. M. Inuwa, “A review on fog computing: Issues, characteristics, challenges, and potential applications,” Telematics and Informatics Reports, vol. 10. Elsevier B.V., Jun. 01, 2023. doi: 10.1016/j.teler.2023.100049.

____________________________________________________________________________________________

HEEC Marrakech                                                                                                                                       21/06/2025