Bigdata et datamining au service de la transition énergétique
-
Upload
swiss-data-forum-swiss-data-forum -
Category
Data & Analytics
-
view
128 -
download
0
Transcript of Bigdata et datamining au service de la transition énergétique
SWISS DATA FORUM 22.11.2016 Prof. David Wannier, Mariam Barque, Luc Dufour
Bigdata et datamining au service de la transition énergétique
HES-SO : 20’194 étudiants 2015/16
Quelques axes stratégiques de l’institut eEnergy eHealth eGov ERP eServices
GreenE
E-ICT
UDG Inter-reg
National International
Development
Research
iBATS
Partenaires universitaires (Unis, EPFL,CSEM,IDIAP,UCL,CREM,VUT etc…)
Partenaires industriels (Alro, geroco, Telecomwatcher, Knime, SAP, etc…)
SmartBAT
Local
MDIS
IntBAT
FP7 IoT6
Smart Metering
SBAT3
Meu2012
H2020 Entropy
StorageManager PV2EV
Gradients de température d’un immeuble 3D
Portail des énergies renouvelables
Qu’est-ce que le big data dans la transition énergétique ?
Qu’est-ce que le Big data dans la transition énergétique ?
Qu’est-ce que le Big data dans la transition énergétique ?
Mesures sur le terrain : Cube365
Collecte des données du Technopôle
• • Installation du SI => Stockage / Visualisation des
données => Analyse/ Prédiction
Prédiction de la production des ENR - Mariam Barque
Micro-Grid Technopôle Siders
Prévision des énergies renouvelables: exemple du solaire
Quelles données sont utilisées ?
• Historique des mesures depuis 2013 • Informations météo
–Température
–Irradiation
• Test prévision sur 2015 au technopôle Best Paper Award
Quel est le principe des algorithmes d’apprentissage ?
Méthodologie mise en place pour la prédiction PV
METHODE ET ALGORITHME
PREDICTION
Prévisions production solaire
Horaire 2015
Mesures météo horaires 2013-2014
Prévisions météo Horaires 2013-2014
PREPARATION
DONNEES
Production solaire horaire 2013-2014
Connexion database
Connexion database
Algorithmes
Statistiques - Régression
linéaire -ARIMA
- Ensemble d’arbres de décision
- Random Forest - Gradient boosting trees
Réseaux de neurones
Arbres de décision
- Ensemble d’arbres de décision
- Random Forest - Gradient boosting trees
Visualisation de la prédiction
- Ré-apprentissage - Prévision des erreurs météo
Avantages des méthodes d’apprentissage/machine learning
- Apprentissage automatique des liens entre les données
- Adaptabilité - Précision
Autres énergies renouvelables Hydraulique fil de l’eau et éolien
Prédiction Consommation - Luc Dufour
L’utilisation des bâtiments en Europe et dans le monde
JEH\10.09.2012 24 September 2010 Page 24
Coû
ts v
ie b
âtim
ent 80%
20%
50 0-1
Coûts
Années 1-2 2-5
Opération / rénovation Demo- lition
Design Constr. Coûts Operation 60%
Coûts Energie 40%
Bâtiments : 40% de toute l’énergie consommée sur la planète
Transport 28%
Industry 31%
Buildings 41%
(direct emissions from primary energy
usage)
(indirect emissions through power usage)
22 11
13 8
14 18
14
Forestry 14 Agriculture / wast 18 Transport 14
Industry (direct emissions from primary energy usage)
Industry (indirect emissions through power usage)
Buildings
40% du coût du cycle de vie d’un bâtiment est consommé en énergie
Pilotage énergétique décentralisé
Comment utiliser des données pour ajuster le « microgrid»
DB
Tous
les paramètres énergétiques (basse vitesse)
Paramètres de Stockage (accus)
Paramètres de consommation électrique
(haute vitesse)
Paramètres production solaire
Modélisation Prédiction
Pilotage énergétique décentralisé
⇒Pilotage de la demande local en énergie des bâtiments : ⇒Contraintes Réseau électrique : Prédiction t +1 minute
⇒Contraintes Marché électrique : Prédiction t + 10/15 minutes
⇒Contraintes Energétiques : Prédiction t +1h
Pilotage énergétique décentralisé
Pilotage énergétique décentralisé: Problématique
•Quelles données ?
•À quelles fréquences de mesure ? •Avec quel système d’information (appareil,
stockage…) ? •Avec quels modèles mathématiques ? •Pour quels niveaux de prédictions ?
•Avec quel historique ? •Sur quel horizon ?
Pilotage énergétique décentralisé
Pilotage énergétique décentralisé : Acteurs
•Secteur résidentiel, tertiaire et industriel
•Acteurs: Centre de pilotage, consommateurs finaux
Micro-Grid Technopôle Siders
StorageManager : visualisation et pilotage
StorageManager : à midi, déchargement de la batterie pour compenser le pic
Auto-consommation
PV2EV: Photovoltaic TO Electric Vehicles
Evaluation : Questions ? Venez nous rencontrer sur notre stand. Merci pour votre attention.
DATA ENTREPRENEURS Chapitre 2.3 :
‘Big data et datamining au service de la transition
énergétique’