« Le machine learning permet de traiter les corrélations alors que les graphes apportent des liens de causalité dans les modèles » Intervention d'Arnaud de MOISSAC, CEO de DC Brain et du Professeur Dominique BARTH, Directeur du laboratoire DAVID de l'UVSQ dans le cadre du Living Things "L'intelligence artificielle dans les systèmes IoT, quelles innovations pour l'environnement?", le 15 mars 2017

1. Sponsored by : Used by :
…
DCbrain : Smarter Grids
Lauréat du concours « réseaux
électriques intelligents »

2. ENGIE Confidentiel. © 2016 DCBrain SAS | 2
Les Smart Grids :
des réseaux + dynamiques et + distribués
Production Transport Distribution Consommation
• Unités de production au
niveau local
• Entité consommatrice et
productrice
• Visualisation et Pilotage
au plus fin des
consommations
• Nouveaux usages
• Consomm’acteur
• Contrôle des flux
• Adaptation de l’offre en
fonction de la demande
• Interopérabilité des
réseaux

3. ENGIE Confidentiel. © 2016 DCBrain SAS | 3
Mais concrètement, au quotidien ?

IoT
Sécuriser et fiabiliser les
réseaux
Optimiser le budget
d’exploitation
Rendement &
efficacité énergétique
Communiquer

4. université PARIS-SACLAY
.université PARIS-SACLAY
.
Ville métabolique :
- interaction de réseaux matériels/immatériels, visibles/invisibles.
- Cœur de du partenariat DCBrain – DAVID autour de la notion de réseau
De la donnée au graphe : Acquérir et apprendre une connaissance globale et
structurée à partir de données (hétogènes) locales
de l’individu à l’infrastructure
Un projet de recherche scientifique pluri-thématique et tourné vers l’interdisciplinarité
pour couvrir la chaine
Bigdata -> données sécurisées -> connaissances -> modélisation -> algorithmes -> applications
pour des applications dans le domaine de la ville intelligente et durable

5. Trois équipes de recherche reconnues dans leur domaine d’expertise:
ADAM : Ambient Data Access and Mining (9 perm., 9 doct.)
Bigdata, fouilles de données, extraction de connaissances, requêtes, qualités des données.
MAGMAT : : Modelisation, Algorithms and Game for Molecular Analysis and
Telecom for smarcities (14 perm., 15 doct.)
Modéles, combinatoire, algorithmique, optimisation, théorie algo. des jeux, performances,
fiabilité et sureté de fonctionnement
PETRUS (UVSQ-INRIA) : Personnal and trusted cloud (6 perm., 5 doct.)
Stockage de données, archi. distr. De gestion de données,
sécurité/confidentialité des données
-
Membre de la Fédération de recherche CNRS Sciences Informatiques, Humaines et Sociales:
- Cinq laboratoires de Versailles : Informatique droit, sociologies, sciences politiques,
histoire, culture
- Thèmes : ville métabolique et environnement, mobilités, société réelle et société virtuelle,
culture et patrimoine
université PARIS-SACLAY.

6. Données
-Prise en compte de la variété des sources de données telles que les capteurs, les
objets connectés, (IoT, …) et éventuellement géolocalisés ou mobiles
-Faire face à l’hétérogénéité sémantique des données et leur caractère multi-échelle
-Gérer et évaluer la qualité et la pertinence des données qui peuvent être
incomplètes, approximatives, incohérentes, irréalistes, bruitées ou manipulées, etc.
-Passage à l’échelle pour traiter des données massives dans un environnement
distribué
-Définition de modèles de contrôle d’accès et d’usage et de protocoles d’exploitation
des données personnelles distribuées sans fuite d’information (privacy)
-Définition de procédés technologiques rendant très difficile le contournement des
contrôles ou assurant la détection des cas de violation

7. Données et Algorithmes
-Modèles et algorithmes de résolution (optimisation, théorie des jeux, learning)
pour de grande quantités de données (passage à l’échelle), croisement des données
(du bigdata au smartdata)
-Méthodes d’optimisation ad hoc pour le dimensionnement et l’évolution
d’infrastructures en réseaux
-Modèles et algorithmes pour l’aide à la décision et le pilotage en temps réel (pour
différentes granularités temporelles) d’infrastructures, à l’échelle du véhicule, d’un
bâtiment, d’une usine, d’un quartier, d’une ville, d’une région.
-Modèles et algorithmes pour la sureté de fonctionnement des équipements et
infrastructures urbains, par une extrapolation du local (données) au global (graphe)
-Prise en compte des éléments sociologiques, d’usage et d’infrastructure
-Apprendre et prédire les usages et les comportements dans leur dynamicité
-Evaluer et anticiper l’acceptabilité et la pertinence de scénarios d’évolution
Fédération de recherche CNRS Sciences Informatiques, Humaines et Sociales:
Informatique droit, sociologies, sciences politiques, histoire, culture

8. Action de recherche en partenariat DAVID – DCBrain
Mots clefs : Théorie et algorithmique de graphes, apprentissage stochastique,
optimisation, sureté de fonctionnement, qualité des données
- Modèles et algorithmes de graphes avec incertitudes pour la découverte de la
topologie d’un réseau énergétique à partir de mesures temporelles, potentiellement
erronées, sur ses liens.
- Algorithmes de planification et d’optimisation dynamique pour les problèmes de
logistique à grande échelle modélisée par des graphes
- Analyse de la résilience de réseaux physiques en prenant en compte les
caractéristiques locales des différents éléments (profil de production, de
consommation, capacité de transport, fiabilité) et projection du local au global par
un modèle de graphes
- Fouille, croisement et qualités de données hétérogènes, temporisée, mobiles.

9. ENGIE Confidentiel. © 2016 DCBrain SAS | 9
Et DCbrain dans tout ça ?
Interface dynamique représentant le graph et ses flux
(exemple d’un synoptique électrique)
Interface « dashboard métier dynamique »
Visualisation des flux et des
consommation
Diagnostic et analyse Prédictif
2 Interfaces
3 fonctionnalités
Audit de
l’écosystème
DATA
1 processus industrialisé
Nettoyage et Agrégation
des bases
Machine learning
Digitalisation des
réseaux et des flux
Création des
interfaces

10. ENGIE Confidentiel. © 2016 DCBrain SAS | 10
Réseau électrique : Analyse d’impact prédictive
Cas d’usage
Scoring des cables : Amélioration du modèle de scoring
existant (prise en compte du facteur de proximité sur
le vieillissement) et test de résilience du réseau
Optimisation du programme de remplacement des cables
Detection de véracité des capteurs
+ de capteurs = + d’erreurs

11. ENGIE Confidentiel. © 2016 DCBrain SAS | 11
• Apprendre les caractéristiques du réseau (liens) pour prédire les évolutions des flux
Optimisation de supply chain
Partenaires réguliers
Partenaires ponctuels
fournisseurs Unité de production Entrepôt DC Clients
X
Y
Y
Z
X
+ de fiabilité et – de coûts pour la supply chain
Pack
Ligne
1
Ligne
Prod
1Ligne
Prod
2
Ligne
Prod
3
Ligne
Prod
4
Ligne
ass.
1Ligne
ass.
2
Ligne
ass 4
Ligne
ass.
5
Ligne
ass.
3
Ligne
ass.
6
Produit A
Produit B
Produit C
Produit B
Produit C
Produit A
Produit B
Produit A
Produit C
1
2
3

12. Total - Plant 4.0 Confidentiel. © 2016 DCBrain SAS | 12
 Un modèle de réseau de flux unique :
 Les noeuds passifs : ils ne font qu’ assembler
ou diviser les flux
• Les réseaux d’echange de vapeur (BP,MP,HP)
sont des noeuds passifs
 Les nœuds actifs : Ils transforment un type de
flux (gaz …) en un autre (vapeur)
• Les unités sont des noeuds actifs
 Les liens reliant les nœuds entre eux portent
les mesures
Utilisation du Deep flow Engine : réseau de vapeur
MP
passif
Ref
actif
US2
actif
Identification en temps réel des fuites et baisse des
consommations énergétiques

13. Total - Plant 4.0 Confidentiel. © 2016 DCBrain SAS | 13
Méthodologie / détails
Détail sur un modèle de chaudiere
Création d’un modèle auto-apprenant local pour chaque nœud actif
• Chaque nœud actif est vu comme une fonction de transfert non linéaire
1. Le modèle apprend seul la fonction de transfert f(gaz)=vapeur sur les données 2013-2015
2. Vérification de la qualité du modèle à l’aide des données 2016 dont on connaît la sortie
3. Optimisation du modèle
4. Sauvegarde du modèle prêt à traiter de nouvelles données d’entrée

14. ENGIE Confidentiel. © 2016 DCBrain SAS | 14
Quels impacts opérationnels ?
Affiner les prédictions
d’événements
Mieux communiquer
• Prévision de demande ? A court, moyen et long terme ?
• Identification d’événements rares : incidents, pannes, pics de
consommation,…
 Fiabiliser ses projections de production et d’investissement
• Message intelligible pour les parties prenantes
• Data visualisation = valeur ajoutée et transverse
 Partager la donnée pour partager les métiers
Optimiser les
processus
• De la data pour outiller des processus (macro excel ?)
• Ajout de fonctionnalités avancées d’analyse
• Identification d’anomalies de capteurs
 Recentrer les équipes sur des tâches à valeur ajoutée !

15. Total - Plant 4.0 Confidentiel. © 2016 DCBrain SAS | 15
Arnaud de Moissac
CEO
Mob : +33 6 10 31 48 46
Mail : Arnaud@DCbrain.com
Adresse : DCbrain, 23 avenue d’Italie, 75013 Paris
Merci !Les Données pour fluidifier vos métiers ?
Q&A