La transformation digitale dans le secteur de l’énergie a mis en évidence l’importance des données. En combinant machine learning et qualité des données, on constate qu’on peut tendre vers une énergie plus verte et performante.
Le machine learning et l’énergie : de Linky à la smart city
Chaque jour, des millions de Français font transiter des données sur leur consommation d’électricité via les compteurs Linky. L’information relevée dans ce petit boîtier n’est pas seulement utile à l’établissement de votre facture mensuelle. Grâce au travail effectué par des ingénieurs du secteur de l’énergie comme ceux des digital factories d’Engie et de Total, ces données sont traitées et exploitées par de nouvelles solutions de machine learning et d’intelligence artificielle. L’objectif de ces travaux est d’aboutir à la création de la smart city. La smart city est la ville de demain, intelligente, connectée et verte.
Analyse prédictive, machine learning et énergie : le trio gagnant !
L’une des premières applications de la Big Data et de l’apprentissage automatisé est la prédiction des consommations. Grâce à des logiciels comme Spotfire, on obtient une visualisation en temps réel de la data et des analyses prédictives. De plus, on évalue l’intensité énergétique en fonction des données météorologiques, du planning de charges, de l’historique des consommations. Avec ces éléments, ils peuvent ajuster, par exemple, le stockage de l’énergie et le fonctionnement des installations. Les outils de machine learning peuvent également générer des rapports d’aide à la décision stratégique. Les données ont alors un impact supplémentaire en amont. En effet, elles permettent aussi d’organiser les approvisionnements ou d’établir l’équilibrage des différentes sources (éolien, solaire etc..)
Des bâtiments plus éco-responsables
Toujours dans l’optique de fonder la smart city, il est essentiel de trouver des idées. Notamment pour construire des bâtiments moins énergivores en termes de chauffage, ventilation et climatisation. Les réseaux et les compteurs intelligents fournissent un constat alarmant sur ces points. Des ajustements sont déjà possibles mais le machine learning peut améliorer grandement la situation.
Grâce à l’internet des objets (IoT), les fournisseurs d’énergie collectent de nouvelles données avec des capteurs connectés sur des bâtiments. Par exemple, il est possible de recueillir des informations sur l’affluence des collaborateurs dans les locaux, l’éclairage ou l’utilisation des différents équipements. En traitant ces données en temps réels, des programmes intelligents modulent les conditions de consommation du bâtiment. Cela pourrait éviter de chauffer un étage vide ou éteindre des lumières omises par des employés au moment de leur départ. Par conséquent, le machine learning travaille de manière autonome mais sur des données humaines, pour réduire les coûts, préserver l’énergie sans toutefois nuire au bien être des citoyens.
Dans la smart city, toutes les infrastructures seront connectées et travailleront à la fois de concert entre elles et en harmonie avec la circulation humaine. Un tel niveau de synergie nécessite une dose importante de machine learning. Il s’agit d’un chantier plus important et moins coûteux que des travaux de rénovation matérielle.
Si toutefois, il est nécessaire de rebâtir, là encore, le machine learning entre en jeu. Il permet, sur la base de données de nombreux bâtiments, d’établir des règles architecturales optimisées pour une consommation d’énergie responsable, mais aussi pour la sécurité des ouvriers.
Chatbots et jumeaux numériques
Le machine learning trouve également une application dans la relation client. Toujours sur le couple data/IA, les fournisseurs d’énergie peuvent mettre des robots conversationnels, dit chatbots, pour répondre efficacement et de manière autonome avec les clients. Ces robots fonctionnent notamment grâce à l’implémentation d’une base de données de conversations avec les clients. Évolutifs et mis à jour en temps réel, les chatbots analysent les demandes des clients, tout en étant en relation avec l’ensemble de leur consommation. L’objectif : une expérience client sur mesure. D’autre applications d’apprentissage automatique sont aussi visibles dans les outils de communication, le déploiement de certaines structures ou même la mise en place de jumeau numérique. Ces derniers sont des répliques virtuelles de modèles de fonctionnement existants, destinés à recueillir des données de test.
Tout cela créé un terrain de jeu riche de leçons pour un machine learning qui n’a pas fini de donner du grain à moudre aux énergéticiens.
Mes sujets préférés sont les données, les besoins métier et… le Développement Durable! Croyez-moi les 3 s’associent très bien!
N’hésitez pas à me contacter sur LinkedIn et me faire un retour sur cet article!
Timothée
