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’