• Print
  • Decrease text size
  • Reset text size
  • Larger text size
05/02/2018

Les réseaux d’énergie entrent dans l’ère du Big Data

Le volume de données traitées a gagné un ordre de grandeur au cours des dix dernières années et les puissances de calcul, comme les capacités de stockage, ne cessent de croître. Ce développement rapide autour de la donnée transforme en profondeur les activités du secteur de l’énergie. Historiquement associé aux GAFA (Google, Apple, Facebook et Amazon), le phénomène « Big Data » s’est maintenant généralisé chez les gestionnaires de réseaux de gaz et d’électricité afin de répondre aux enjeux d’optimisation de l’exploitation du réseau : intégration des énergies renouvelables, flexibilité de la demande, anticipation des incidents, ou encore fiabilisation du réseau.

La course à la collecte de données s’intensifie[i]

Suite à la mise en place progressive de systèmes de télémesure automatiques et communicants, le nombre de données captées par les gestionnaires de réseaux a dernièrement explosé. Plusieurs types de données sont concernés par cette récupération de masse : les données d’imagerie, les informations issues de systèmes de vidéosurveillance ou encore les chroniques de mesures liées à l’activité du réseau (relevés de puissance, tension, température, irradiation etc..). Ces données de transit sur le réseau peuvent répondre à des problématiques de pilotage industriel, de gestion des réseaux et d’efficacité de la maintenance.

 

La récupération de données se fait à une maille spatiale et temporelle de plus en plus fine. C’est notamment le cas pour la mesure de la consommation électrique : alors que, il y a quelques années, les relevés électriques chez les consommateurs s’effectuaient par index deux fois dans l’année, les compteurs Linky, actuellement en déploiement, permettront une relève des courbes de charge à un pas de temps minimal de dix minutes.

De manière générale, le pilotage des réseaux électriques requiert des fréquences de mesure plus élevées que ce que l’on peut trouver dans la distribution de gaz. Il existe également des différences dans la collecte entre Gestionnaires du Réseau de Transport (GRT), et Gestionnaires du Réseau de Distribution (GRD). Les premiers, situés en amont de la chaîne, sont responsables de l’équilibre et du fonctionnement du réseau à chaque instant. Ils ont donc tendance à récolter des données à une fréquence élevée (de l’ordre de la seconde) pour mener à bien leurs missions. En aval, les GRD captent des données à une maille spatiale beaucoup plus fine, pour suivre l’activité des ramifications, mais se contentent d’une relève des données toutes les dix minutes en moyenne.

Des algorithmes poussés valorisent ces volumes de données

Toutes ces données récoltées sont exploitées par les gestionnaires de réseaux d’énergie. Même si une simple restitution de ces données brutes est déjà porteuse de valeur, celles-ci sont souvent traitées par des algorithmes et utilisées pour alimenter des modèles de prévision.

Les agrégations classiques, consistant à sommer ou moyenner les données, constituent le mode de traitement le plus simple. Mais certains algorithmes vont plus loin en mettant en évidence des liens statistiques et des corrélations au sein de ces dataset, généralement entre un paramètre cible (consommation, production, bénéfice, coût) et un jeu de variables prédéfini. Parmi les plus efficaces d’entre eux, beaucoup s’appuient sur des principes empruntés à l’Apprentissage Automatique, ou Machine Learning. Cette discipline dans le giron de l’Intelligence Artificielle consiste en l’élaboration de modèles dont le comportement et la réponse évoluent en fonction d’un historique de données traité, analysé et régulièrement actualisé.

Parmi les algorithmes les plus utilisés se trouvent les modèles de régression (linéaire, polynômiale, …), les Modèles Additifs Généralisés, dits modèles GAM, les réseaux neuronaux simples ou encore les modèles de type Deep Learning. Par exemple dans un modèle GAM, le moteur calcule la participation de chaque variable explicative à l’estimation finale du paramètre cible. L’influence de chaque variable est décrite par une courbe appelée spline, qui correspond à une relation a priori non linéaire entre la variable et le paramètre cible.  L’estimation finale est obtenue en sommant les participations des différentes variables.

Introduire ces algorithmes dans la chaîne de valeur de la donnée délègue une grande part du savoir aux machines, et génère ainsi un nouveau risque. Pour des modèles à complexité élevée de type « boîte noire », comme les réseaux neuronaux, l’utilisateur peut en effet perdre la compréhension de l’algorithme face à des résultats aberrants. Culturellement, les pays anglo-saxons sont plus enclins à accepter les risques engendrés par les algorithmes de type Deep Learning, contrairement aux pays latins, dont la France, qui préfèrent garder la maitrise des opérations réalisées sur les données.

Quelques focus : amélioration de la conduite du réseau de distribution d’électricité et détection de fraudes

Les modèles évoqués précédemment peuvent jouer un rôle majeur dans les trois grandes activités liées au réseau électrique : gestion du réseau, pilotage industriel et opérations de maintenance. La détection de fraude est une des nouvelles activités de gestion du réseau. En agrégeant les données récoltées à une maille spatiale fine, et en comparant les résultats avec des données recueillies à une échelle plus large, il est possible de quantifier les pertes sur le réseau. Parmi elles, on distingue les pertes techniques (dissipation par effet Joule pour le réseau électrique ou fuites pour le réseau de gaz par exemple), et non techniques, dont font partie les fraudes ainsi que les erreurs informatiques.

D’autre part, dans un contexte d’augmentation permanente des productions décentralisées, le pilotage du réseau de distribution est de plus en plus complexe. Etre capable de réaliser des prévisions de production ou de consommation au niveau des postes d’interface entre le réseau de transport et de distribution devient une nécessité. De meilleures estimations rendent les gestionnaires plus performants sur des tâches allant de la planification des travaux à la gestion des incidents sur le réseau. En France, la production et la consommation d’énergie étant fortement météo-sensibles, les algorithmes de Machine Learning sont particulièrement adaptés aux besoins de prévisions. Un historique, consolidé à partir de relèves de consommation au niveau des postes de transformation et de données prévisionnelles de température, d’irradiation et de vitesse de vent, alimente un modèle fournissant des prévisions électriques locales.

Les outils du Big Data peuvent également trouver des applications dans la maintenance prédictive. En anticipant, à l’aide de modèles, l’ampleur et la localisation d’incidents techniques, il devient possible d’organiser au mieux les opérations de rénovation et de remplacements. Encore une fois ces outils s’appuient sur un historique d’incidents ainsi que sur un ensemble de variables a priori liées aux incidents (chaleur, vent, neige, périodes de l’année comme les vacances, pics de consommation ou de production). Pour atteindre une conduite optimale du réseau, il sera nécessaire de se rapprocher au maximum d’un relevé des données en temps réel, et d’une mise à disposition la plus rapide possible. Cela permettra évidemment aux opérationnels de réagir plus rapidement, mais également de corriger les modèles de prévision à une fréquence élevée (Recalage Court Terme Dynamique).

 

Retrouvez l'intégralité des articles publiés dans le Mag 2017 sur notre Blog.

 

Sia Partners

 

[i] Graphique : Linky est le compteur intelligent déployé pour le réseau électrique, Gazpar est son pendant pour le réseau de gaz. SCADA : Système d’acquisition et de contrôle de données (Supervisory Control And Data Acquisition).

 

0 commentaire
Publier un commentaire

Plain text

  • Aucune balise HTML autorisée.
  • Les adresses de pages web et de courriels sont transformées en liens automatiquement.
  • Les lignes et les paragraphes vont à la ligne automatiquement.
Image CAPTCHA
Saisissez les caractères affichés dans l'image.
Back to Top