Ce que nous avons appris aux Energy Data Hackdays 2022 – et la suite

Nous n’en revenons pas de la vitesse à laquelle le temps a passé depuis les 4es Energy Data Hackdays 2022 ! Six mois se sont écoulés et nous nous préparons déjà pour la prochaine édition, du 15 au 16 septembre à la FHNW à Brugg-Windisch. Mais avant de vous demander de réserver la date, que diriez-vous d’un peu d’inspiration venue du passé ?

Les EDH22, comme nous les appelons, ont eu lieu du 16 au 17 septembre au Hightech Zentrum Aargau et ont été un effort colossal de tout l’écosystème, réunissant plus de 31 organisations, dont votre serviteur Opendata.ch et bien sûr le Hightech Zentrum Aargau (qui était aussi le sponsor principal, aux côtés d’AEW).

Le vendredi 16, nous avons accueilli plus de 110 participant·e·s et invité·e·s au Hightech Zentrum Aargau, qui ont rejoint 13 équipes au cours de la matinée. Ils ont travaillé d’arrache-pied pendant les 32 heures suivantes pour pouvoir présenter leur travail et leur effort d’équipe lors de la présentation finale !

Challenges, projets & pitches !

Le défi, avec les challenges, c’est de maintenir l’attention de tout le monde pendant 17 pitches. Mais ce fut une tâche facile, surtout grâce à la grande qualité des pitches, qui couvraient des sujets (brûlants) allant de l’« Energy Heat Demand Modelling » à des projets plus philosophiques et artistiques comme l’« EMF Walk through Brugg ».

Sans plus attendre, plongeons dans les projets :

SolarDAO

SolarDAO n’est pas novice en matière de hackathons, puisque l’équipe avait déjà participé à l’Open Legal Lab 2022. Nous espérons la revoir ! L’objectif de SolarDAO est d’aider les coopératives énergétiques à devenir plus grandes, plus fortes et mieux organisées, en tant que coopérative énergétique numérique.

New Interface to Estimate Heat Demand

Le chauffage est le plus gros consommateur d’énergie dans les logements suisses et provient encore à 60 % de combustibles fossiles. Cela doit changer très rapidement pour atteindre les objectifs climatiques et mettre fin à la dépendance aux énergies fossiles. Connaître les besoins en chaleur d’un bâtiment est la première étape pour améliorer l’efficacité et remplacer les systèmes de chauffage. Le Tessa Group cherchait des moyens de visualiser, sélectionner et explorer ces bâtiments et leurs besoins énergétiques en développant un nouveau concept d’interaction entre les utilisateurs et notre API d’estimation des besoins en chaleur.

Graph Neural Network of a Wind Farm

Le problème est clair : les éoliennes s’influencent mutuellement par leur sillage. L’objectif était ici de créer un modèle fondé sur les données capable de répondre aux questions suivantes : quelle est la puissance produite par chaque éolienne compte tenu des interactions de sillage, et quelle éolienne contribue le plus ? Des calculs complexes et des visualisations colorées ont suivi, dans l’espoir de permettre aux exploitants de parcs éoliens d’apporter des modifications ciblées à certaines éoliennes afin d’optimiser la production d’électricité.

Alternative Pathways to Net Zero

L’EPF de Zurich et l’Energy Science Center avaient une question au cœur de leur challenge : comment les décideurs politiques peuvent-ils prendre des décisions sur la base de scénarios énergétiques issus de modèles ? D’où un objectif : un outil d’aide à la décision pour explorer et comparer plusieurs scénarios énergétiques ! L’équipe a créé un prototype fonctionnel qu’elle s’est engagée à continuer d’utiliser dans le cadre de projets de l’OFEN.

Optimizing Short-term Active Power Losses Forecast

Le challenge de Swissgrid a attiré l’un des plus grands groupes, avec 9 membres au total. L’objectif est ici de créer un modèle qui réduit le risque pour le système, car lors de la prévision des pertes thermiques dues à la résistance des lignes, les pertes doivent être compensées, l’énergie est achetée en fonction des prévisions de pertes (marché day-ahead) et enfin, Swissgrid utilise différents modèles de prévision des pertes. L’équipe est parvenue à créer une nouvelle méthode optimisée, tout en constatant que les modèles de référence existants étaient plus performants que les modèles basés sur le ML.

Regional Energy Information in High Resolution

Ce projet est issu de l’Energy Data Working Group et a été préparé avec un grand souci du détail et beaucoup de communication en amont. L’équipe a résumé ainsi le contexte politique et les défis :

• Les objectifs de politique énergétique sont connus au niveau national
• Des objectifs énergétiques moins clairs au niveau communal
• Quelles communes se sont fixé des objectifs de politique énergétique ?
• Quelles activités les communes mènent-elles pour atteindre ces objectifs ?

Grâce à une répartition efficace de leur grand groupe en trois sections (logiciel, analyse de données et politique), ils ont pu obtenir des résultats précis pour Aadorf.

Mapping Swiss PV Power Production

aliunid était le seul groupe à disposer d’un prototype fonctionnel à la fin des EDH22 (il avait toutefois une longueur d’avance, pas de pression). L’équipe a relevé le défi de simuler et de cartographier en temps réel l’ensemble de la puissance photovoltaïque produite en Suisse, sur la base de données en temps réel d’aliunid et de jeux de données publics. Elle a été confrontée à de nombreux défis, notamment parce qu’elle essayait d’examiner des données en temps réel pendant la nuit (quand il n’y a pas de lumière solaire à mesurer), ce qui rendait pratiquement impossible l’obtention de données utiles. Ses enseignements ont offert un moment de légèreté lors des présentations finales, nous donnant un aperçu des nombreux risques et défis auxquels toute entreprise peut être confrontée.

Energy (Heat Demand) Modelling in Sankt Gallen

La ville de Saint-Gall voulait construire un modèle pour prédire les besoins en chaleur de tous les bâtiments de la ville de Saint-Gall, puis comparer ce modèle au modèle existant „fait main“. L’équipe a fait un travail remarquable en comprenant déjà quels outils fonctionnaient le mieux pour atteindre ses objectifs et en esquissant les partenariats qu’elle souhaitait développer.

Eco-Friendliness Score

Allthisfuture a proposé ce challenge parce que le thème de l’énergie est arrivé au centre de la société. Pour pouvoir agir et être incité à le faire, il faut une référence (un score) (comme un Fitbit qui dit à la personne qui le porte qu’elle s’en sort très bien !). Les futurs modèles tarifaires flexibles ont besoin d’un indicateur sous-jacent. Dans un système énergétique décentralisé et renouvelable, la clientèle joue un rôle de plus en plus actif. Par exemple, en consommant de l’énergie lorsque l’énergie renouvelable est abondante et en réduisant sa consommation lorsqu’elle se fait rare Pour montrer à la clientèle son potentiel d’amélioration, nous aimerions introduire un score simple fondé sur les profils de consommation individuels. Ce score garantit la transparence et crée la base de mesures incitatives efficaces.

Enriching Point Coulds with Meda Data

AXPO était le partenaire principal de ce challenge : dans une Suisse densément peuplée, les lignes aériennes à haute tension se trouvent souvent à proximité de bâtiments existants. Pour protéger la population du rayonnement non ionisant, cette équipe voulait classer tous les bâtiments situés près des lignes électriques à l’aide de modèles du paysage accessibles au public et du registre des bâtiments. Relier ces données aux données LiDAR aide à découvrir d’éventuelles constructions non conformes et à identifier les bâtiments qui devraient être spécialement protégés du rayonnement non ionisant. Toute une entreprise – d’innombrables sources de données ont dû être combinées, le volume des bâtiments calculé (ce qui a nécessité de nombreuses approches) et les points de données mis en correspondance avec les sources de données – ouvrant la voie à la combinaison des données recueillies avec le LiDAR (mais ce sera pour la prochaine fois).

E-Mobility Analytics

Aujourd’hui, on fait beaucoup de bruit autour de la mobilité électrique. Alors que les constructeurs automobiles et le monde entier se tournent vers cette technologie dans le but de réduire les émissions de gaz à effet de serre, et que celle-ci prend de l’ampleur, de nombreuses discussions surgissent, faisant remonter à la surface des arguments contradictoires, des mythes, des hypothèses et des questions ouvertes. De cela, nous en avons à revendre… Ce qui nous manque, ce sont des données réelles et des faits fondés sur ces données pour étayer toutes ces discussions théoriques – en essayant de faire entrer la théorie dans le monde réel !

Smart-Meter CII Interoperability with Smart-Home

Lors du challenge CII de l’an dernier, l’équipe réunie autour de Herman Hüni a montré comment les compteurs intelligents (SM) de 4 gestionnaires de réseau de distribution suisses livrent leurs données énergétiques via leur interface client locale (CII, comme M-BUS ou DSMR), à l’aide d’adaptateurs IoT spécifiques qui publient les données vers une couche d’interopérabilité commune, le broker MQTT.

Cette année, l’équipe a élargi la gamme à d’autres SM comme Ensor, Kamstrup et Sagemcom, et en a exploré d’autres. Elle a également déployé de nouveaux adaptateurs IoT alimentés par le SM pour offrir à la clientèle des gestionnaires de réseau un accès local simple et relativement bon marché à ses données énergétiques, et a rendu compte des problèmes rencontrés avec MBUS-HDLC-DLMS-COSEM, DSMR et d’autres types de CII.

En bref : l’équipe s’est fixé pour objectif de permettre à la clientèle de connaître sa consommation d’énergie en temps réel et de réutiliser les données originales des compteurs intelligents au lieu de compteurs d’énergie privés. Après de nombreux termes et graphiques complexes pour un œil non averti, l’équipe a pu identifier clairement une série de limites, comme le coût élevé des adaptateurs d’import MBUS, mais aussi ses prochaines étapes (pour le prochain Energy Data Hackday 2023 ?) : établir des standards solides, améliorer la documentation et intégrer les compteurs intelligents des autres grands gestionnaires de réseau. Nous nous en réjouissons !

EMF Walks in Brugg

Ce projet était une représentation très spontanée, créative et inattendue des CEM (champs électriques et magnétiques) que l’on trouve dans la ville de Brugg. Conclusion : les données énergétiques sont partout ! Regardez la vidéo ici.

Merci, et à bientôt aux Energy Data Hackdays 2023 !

merci à tous les partenaires, sponsors et participant·e·s ! Nous avons hâte de vous retrouver les 15 et 16 septembre à la FHNW à Brugg !