Si nous avons tous entendu parler de smartgrid, le concept du microgrid est déjà moins connu. Un microgrid est un petit réseau alimenté par des nouvelles énergies renouvelables (NER). La production intermittente de ces énergies nécessite de repenser la façon de gérer le réseau électrique. Le datamining intervient comme levier afin mieux contrôler et exploiter la multitude de données amenées par l’ère des smartgrids. Ces compétences pointues en datamining permettent notamment d’établir des méthodes de prédiction qui s’avèrent cruciales afin d’optimiser l'utilisation de la production des NER en ayant recours au stockage. Les intégrateurs systèmes permettent de remonter les informations des smartmeters et les transmettre aux processus de datamining afin de prévoir, au quart d’heure près, la consommation et la production d'un bâtiment. Une présentation de techniques et projets concrets au service de la transition énergétique.

1. SWISS DATA FORUM 22.11.2016
Prof. David Wannier, Mariam Barque, Luc Dufour
Bigdata et datamining
au service de la
transition énergétique

2. HES-SO :
20’194 étudiants 2015/16

3. Quelques axes stratégiques de l’institut
eEnergy eHealtheGov ERP eServices

4. 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…)
SmartBA
T
Local
MDIS
IntBAT
FP7
IoT6
Smart
Metering
SBAT3
Meu2012
H2020
Entropy
StorageManager
PV2EV

5. Gradients de température d’un
immeuble 3D

6. Portail des énergies
renouvelables

7. Qu’est-ce que le big data dans
la transition énergétique ?

8. Qu’est-ce que le Big data dans
la transition énergétique ?

9. Qu’est-ce que le Big data dans
la transition énergétique ?

10. Mesures sur le terrain : Cube365

11. Collecte des données du Technopôle
•
• Installation du SI => Stockage / Visualisation des
données => Analyse/ Prédiction

12. Prédiction de la production des
ENR - Mariam Barque

13. Micro-Grid Technopôle Siders

14. Prévision des énergies renouvelables:
exemple du solaire

15. Quelles données sont utilisées ?
• Historique des mesures depuis 2013
• Informations météo
–Température
–Irradiation
• Test prévision sur 2015 au technopôle
Best Paper Award

16. Quel est le principe des algorithmes
d’apprentissage ?

17. 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
PREPARATI
ON
DONNEES
Production solaire
horaire 2013-2014
Connexion
database
Connexion
database

18. Algorithmes
Statistiques
- Régression
linéaire
-ARIMA
- Ensemble d’arbres de
décision
- Random Forest
- Gradient boosting trees
Réseaux de neurones

19. Arbres de décision
- Ensemble d’arbres de
décision
- Random Forest
- Gradient boosting trees

20. Visualisation de la prédiction
- Ré-apprentissage
- Prévision des erreurs météo

21. Avantages des méthodes
d’apprentissage/machine learning
- Apprentissage automatique des liens entre les
données
- Adaptabilité
- Précision

22. Autres énergies renouvelables
Hydraulique fil de l’eau et éolien

23. Prédiction Consommation -
Luc Dufour

24. L’utilisation des bâtiments en Europe et dans le monde
JEH10.09.2012 24
September 2010 Page 24
Coûtsviebâtiment
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
138
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

25. Pilotage énergétique
décentralisé

26. 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

27. 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

28. 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 ?

29. Pilotage énergétique décentralisé

30. Pilotage énergétique décentralisé : Acteurs
•Secteur résidentiel, tertiaire et industriel
•Acteurs: Centre de pilotage, consommateurs finaux

31. Micro-Grid Technopôle Siders

32. StorageManager : visualisation et pilotage

33. StorageManager : à midi, déchargement
de la batterie pour compenser le pic

34. Auto-consommation

35. PV2EV: Photovoltaic TO Electric Vehicles

36. 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’