L'IA pour le suivi et la classification des flexibilités énergétiques
Le Défi
Les entreprises du secteur de l'énergie doivent gérer et interpréter de grands volumes de données afin d'optimiser l'utilisation des ressources et de garantir la fiabilité opérationnelle.
Artificialy a développé une solution d'IA pour analyser les signatures énergétiques, c'est-à-dire le schéma spécifique de consommation d'énergie de chaque appareil, qu'il s'agisse d'une pompe à chaleur, d'une machine de production ou d'un autre équipement. Cela permet d'identifier automatiquement les appareils connectés et d'en améliorer la gestion.
Le client, en particulier, avait besoin d'améliorer le suivi des flexibilités énergétiques. Plus précisément :
un algorithme de machine learning capable d'analyser la distribution de la puissance afin de vérifier la synchronisation avec les relais;
un modèle basé sur des données historiques et météorologiques pour estimer la puissance nominale des appareils;
un modèle de classification par Machine Learning pour identifier automatiquement le type d'appareil (par ex. chaudière, pompe à chaleur).
La solution permet de transformer des données brutes en informations exploitables, en améliorant le contrôle et la qualité des informations.
Notre solution basée sur l'AI
Artificialy a développé une solution qui combine des algorithmes de Machine Learning supervisés et non supervisés pour l'analyse automatique des séries temporelles de consommation.
Le système :
évalue la synchronisation entre la consommation et les signaux de contrôle ;
estime la puissance nominale à l'aide de données historiques et de variables externes (par ex. conditions météorologiques) ;
classe automatiquement les appareils grâce à des modèles de ML dédiés.
Cette approche permet d'obtenir des informations fiables et évolutives à partir des données opérationnelles.
Résultats
Les indicateurs pris en compte sont tous en hausse et mettent en évidence une amélioration globale de la qualité des données et de la capacité de suivi.
Les principaux bénéfices se situent au niveau du gain de temps et de la précision de détection de chaque élément, en particulier :
84% de précision dans la vérification de la synchronisation;
90% de rappel dans la détection des anomalies;
69% de précision dans l'estimation de la puissance;
84% de rappel pour l'identification des données incohérentes;
76% de précision dans la classification des appareils.
Vous pouvez également être intéressé par
L'IA pour l'automatisation du routage et des réponses aux tickets dans le service client
