#hackdaysreport Energy Data Hackdays 2020: les résultats!
- Energy
- Hackathon
L’impatience avant la nouvelle édition des Energy Hackdays à Brugg avait cette année quelque chose de particulier. Outre le petit pincement au cœur habituel au moment de se lancer dans un nouveau groupe, la découverte des challenges et la satisfaction de voir cet événement particulier se répéter pour la deuxième fois à Brugg, il y avait de la joie, mais aussi du respect à l’idée que les Energy Hackdays se déroulent en grande partie sur place, au Hightech Zentrum Aarau.
Nous nous sommes donc rencontrés en personne et, pour autant que nous puissions en juger, cela en a valu la peine! 13 challenges vraiment ambitieux et techniques ont rencontré 85 participant·e·s qui n’en étaient pas moins ambitieux et hautement qualifiés! Deux grands thèmes se sont dégagés cette année, et les prévisions fondées sur le machine learning en étaient un. Prévoir les performances, les modes d’utilisation, les anomalies, voire les pannes, afin de planifier, d’utiliser et d’entretenir les infrastructures avec plus de précision. Atteindre ces objectifs permet bien sûr une bien meilleure gestion des ressources et de la production.
L’autre grand thème abordé par plusieurs challenges était la question de la visualisation et des interfaces, en particulier pour les compteurs intelligents: comment aider les utilisateurs, les scientifiques, les producteurs ou les consommateurs finaux à lire des flux de données et leur permettre d’interpréter une information fondée sur des données, puis de décider ou de réagir de manière appropriée? Comment peuvent-ils analyser et piloter différents aspects de leur infrastructure ou de leur installation? En lien avec ce thème, certains challenges visaient à offrir aux consommateurs une vue d’ensemble du marché, en l’occurrence celui des bornes de recharge pour voitures électriques, ou à visualiser en temps réel la consommation totale d’électricité de la Suisse.
Pour autant que je puisse en juger et d’après ce que j’ai entendu des porteurs de challenges, les résultats nous ont bluffés! Même si les descriptions de projets sont peut-être un peu moins accessibles au grand public que certaines des hackdays précédents, les approches et les résultats répondent assurément à un besoin actuel de la branche de l’énergie et nous confortent dans la conviction que les hackathons et le travail collaboratif avec des données ouvertes favorisent l’innovation de pointe.
Nous avons en outre eu la grande chance d’accueillir l’équipe de Campus 21, qui a recueilli les visions de quelques participant·e·s pour l’avenir des Open Energy Data.
À l’année prochaine!
Les 13 projets développés pendant les hackdays
Réduire la durée de fonctionnement de la chaudière à gaz d’appoint grâce à une meilleure exploitation du stockage: prévision des besoins de chaleur, pilotage amélioré du stockage, meilleure exploitation du stockage.
PV self-consumption optimization
Évaluer et optimiser les compromis dans la conception de batteries de stockage pour installations photovoltaïques, afin que nos clients puissent choisir entre la solution de batterie la plus économique et la maximisation de leur autonomie. Nos outils calculent le bénéfice économique maximal sur toute la durée de vie.
Lire son compteur intelligent via l’interface client locale (Customer Information Interface, CII) et visualiser sa consommation. Concevoir un tableau de bord avec les informations les plus utiles.
Pour développer la plateforme SIG de l’Office fédéral de l’énergie (OFEN): ajouter des informations tarifaires aux bornes de recharge et trouver l’option la moins chère à proximité pour les conductrices et conducteurs de voitures électriques.
Créer une plateforme d’aide aux décisions stratégiques fondée sur les données de l’Energy Science Center de l’EPF de Zurich.
Nous avons analysé les profils de recharge des bornes privées et publiques pour voitures électriques. Cela pourrait fournir de bonnes pistes pour une segmentation automatisée plus poussée de la clientèle, aider à prévoir les changements de comportement de la courbe de charge par rapport à la production d’électricité renouvelable & aider les clients à optimiser leurs habitudes de recharge.
Empower the People with Smart Meter Data
Cas d’utilisation supplémentaires des compteurs intelligents: un certificat énergétique d’un nouveau type évalue où et dans quelle mesure le comportement d’un bâtiment ou de ses utilisateurs s’écarte du comportement théorique ou optimal.
Prévision de la courbe de puissance des éoliennes par machine learning: nous avons comparé les projections de production fournies par le constructeur avec les courbes de production réelles, dans le but d’améliorer la prévision des performances des éoliennes propre à chaque site.
– Développement d’algorithmes de machine learning (ou d’outils/applications) pour une meilleure prévision des performances des éoliennes propre à chaque site.
– Développement d’algorithmes alternatifs, p. ex. des réseaux de neurones artificiels
– Données d’entrée: vitesse du vent, intensité de la turbulence, facteur de cisaillement (alpha)
Contribue à atteindre les objectifs de l’Accord de Paris: zéro net d’ici 2050, moins de 2 tonnes de CO2 par personne! Nous voulons sensibiliser à l’utilisation et à la consommation d’énergie en plaçant la Suisse sur la carte d’electricitymap.org et en utilisant son API de données ouvertes.
Distributed analytics for asset management
L’objectif est de créer un outil d’aide à la décision pour les gestionnaires d’actifs, qui utilise l’IA pour prévoir comment les transformateurs de puissance tomberont en panne et à quoi il faut prêter attention.
Anomaly Detection in Smart Meter Data
Nous avons développé une analyse exploratoire des données (EDA) et des algorithmes pour le challenge «Anomaly Detection in Smart Meter Data». Nous avons élaboré plusieurs approches pour détecter des jours anormaux à partir de la moyenne et de l’écart type des relevés au cours de la journée, ainsi que pour détecter des relevés anormaux isolés.
Ces modèles peuvent être intégrés dans la deuxième partie du challenge
MeterOS: Smart Meter Anomaly Detection
Créer un modèle de détection d’anomalies pour les compteurs intelligents ainsi que leur visualisation.
Unleashing the Swiss Smartmeter’s CII
Donner aux citoyennes et aux citoyens les moyens d’utiliser leurs données énergétiques. Utiliser la CII du compteur intelligent au-delà de la visualisation pour piloter la consommation locale. Nous avons développé un concept et une feuille de route de PoC pour fournir un adaptateur «universel» entre les compteurs intelligents et les plateformes IoT domestiques.