Application de la ML à l’optimisation de la consommation d’électricité

Le client est une entreprise basée au Royaume-Uni qui fournit des solutions pour optimiser la consommation et la production d’énergie. Avec des systèmes EMS leaders sur le marché, des systèmes solaires et BESS rentables, et la capacité de concevoir et de mettre en œuvre des projets renouvelables personnalisés, le client vise zéro émission de CO2, où chaque entreprise et chaque communauté peut produire et utiliser son énergie renouvelable. 

Le client dispose d’un système qui décide intelligemment de la manière dont l’électricité est utilisée dans l’installation. Par conséquent, si le client final dispose d’une installation photovoltaïque ou d’une batterie, il peut acheter de l’énergie au réseau, passer à des sources d’énergie renouvelable et entreposer ou vendre l’électricité produite. 

Le client avait besoin d’aide pour créer des modèles prédictifs qui, à l’étape suivante, permettraient d’optimiser la consommation d’énergie afin de minimiser les couts ou les émissions de CO2, en fonction de l’objectif choisi, en prenant des décisions optimales concernant l’énergie produite et prélevée sur le réseau électrique : qu’il s’agisse de la consommer, de l’acheter, de la vendre ou de l’entreposer. 

Notre approche s’est déroulée en trois étapes principales : 

1. Analyse des données historiques  

À ce stade, nous avons utilisé les données des installations des clients finaux pour concevoir des algorithmes prédictifs. 

2. Proposer une solution pour construire des modèles prédictifs.  

Au cours du projet, nous avons examiné les modèles classiques et ML dans des variantes simples et complexes. Nous avons analysé la dépendance de la consommation et de la production d’énergie par rapport au temps.  

La solution se compose des éléments suivants : 

• Module de prévision de la consommation d’électricité 

• Module de prévision de la production d’électricité 
• Module d’optimisation qui décide de l’utilisation de l’énergie provenant de sources précises (réseau/photovoltaïque), de la consommation, du stockage, de l’achat ou de la vente, en fonction de la demande et des prix de l’électricité. 

Pour chaque prédiction, nous avons développé des méthodes mathématiques appropriées, adaptées à la situation spécifique, en fonction notamment de la taille des données. Nous avons ainsi sélectionné des modèles présentant un compromis optimal entre complexité et précision. Le module d’optimisation est adapté aux cas d’utilisation des systèmes des clients.  

3. Construire des logiciels et tester des modèles prédictifs. 

Nous avons conçu et réalisé une solution capable de construire des modèles prédictifs adaptés même à chaque client institutionnel séparément. Sur la base des prédictions fournies par les modèles, l’optimiseur propose la stratégie de traitement optimale. Nos scientifiques de Data ont soigneusement validé la solution. 

Nous avons réalisé le projet dans le respect des délais et du budget, et la précision des performances de la solution était conforme aux attentes du client. Grâce à une communication étroite avec le client, nous avons rapidement compris ses priorités commerciales, ce qui a facilité la gestion du projet. Cela a eu un impact positif sur la rapidité de livraison et la réalisation des objectifs du client.