Les entrepreneurs Datacity #3: Comment réduire la facture d’électricité des Villes ?

Avec cette série nous revenons sur les projets Datacity présentés lors du Demoday à l’Hôtel de Ville de Paris le 6 juin et sur les entrepreneurs qui ont contribué à leur réussite.

Pour rejoindre ou en savoir plus sur le programme : écrivez nous [email protected] !
 

 

Clémence Fischer, Head of Smart City

Paul Moreau, Innovation Program Manager

 

Clémence, Paul, dans le cadre de Datacity, sur quels projets avez-vous travaillé ?

 

Construire des communautés locales de production et consommation d’électricité

Le premier projet sur lequel nous avons travaillé est le challenge relatif à l’autoconsommation collective d’électricité; aussi appelée “communautés locales d’énergie”. C’est un challenge au potentiel disruptif majeur dans le monde de l’énergie: il s’agit de permettre à toute personne d’acheter de l’électricité produite par son voisin, sans passer par le réseau national. La mise en oeuvre de ce marché va progressivement bouleverser le paysage énergétique actuel, traditionnellement centré sur des centrales de production de capacité importante distribuant l’électricité sur un réseau national et transnational. De plus en France, la production d’électricité photovoltaïque représentait 1,4% de la production totale en 2015, sachant que l’objectif du Plan Pluriannuel de l’Energie d’Octobre 2016 est de multiplier ce chiffre par trois d’ici 2023; le potentiel de progression est donc important.

Ce challenge a été relevé par la start-up danoise Linc, représentée par son CEO Pranay Kirshen. Côté grandes entreprises, ce sont Fabrice Casciani chez EDF, Herbert Beck de Nexity et Jean-Bernard Sers de Bouygues Energies et Services (BYES) qui ont porté ce challenge et ont accompagné la startup dans l’élaboration d’une solution. Nous avons choisi de travailler sur ce challenge pour son intérêt avant-gardiste mais également parce que la réglementation française est en train d’évoluer pour permettre à ce type de marché de s’installer. A la fin de la phase d’expérimentation, le décret d’application permettant d’acheter l’électricité est justement sorti ce qui rend ce marché maintenant possible.

Herbert Beck, Pranay Krishen, Fabrice Casciani et Jean-Bernard Sers

Le moment le plus dur et le résultat dont vous êtes les plus fiers ?

Côté technique, 4 compteurs intelligents ont été testés et installés au Lab EDF des Renardières, le back-end de Linc connecté aux compteurs du site pour permettre les échanges directs entre une maison productrice équipée de panneaux solaires et une habitation consommatrice. Du côté du consommateur d’énergie, nous partions de la page blanche, car le marché n’existait pas encore en France du fait de la réglementation en gestation. Un volet important du challenge consistait donc à vérifier la proposition de valeur auprès d’utilisateurs potentiels d’une solution d’échange d’énergie au niveau local. Nous avons défini des “persona”; nous avons décrit une personne type qui serait, selon nous, intéressée pour entrer dans une communauté locale d’énergie afin d’acheter ou vendre de l’électricité à son voisin (profil “early-adopter”). D’après un sondage réalisé par Opinion Way, 47% de la population française serait prête à investir dans l’autoconsommation solaire, ce qui signifie que la part d’early-adopters est potentiellement significative. Puis nous voulions définir un cas d’utilisation précis de la technologie, afin de cibler les personnes à interviewer pour mieux connaître leur besoin. Mais comment tester une proposition de valeur quand on n’a pas de référence existante sur le service et son prix? Fallait-il cibler des producteurs d’électricité solaire, ou juste n’importe quel habitant, qui aurait des voisins produisant de l’électricité solaire?

Nous avons fait de nombreuses hypothèses dans un temps très court, afin de se focaliser sur une proposition de valeur bien spécifique. Nous les avons testées par 10 entretiens qualitatifs d’une heure environ, auprès de personnes susceptibles d’adopter la solution, qui correspondaient aux “early-adopters” que nous avions identifiées au démarrage. Nous leur avons présenté nos prototypes d’interface utilisateurs, qui seraient accessible sur un site web de la startup Linc, afin de tester la proposition de valeur et le prix du service. Plus de 30 interfaces ont été développées pour les besoin du test. Cette méthode de prototypage rapide et de test a permis de rapidement confirmer ou infirmer les hypothèses que nous avions initialement faites par rapport au produit et aux besoins des utilisateurs. L’objectif final est d’orienter l’offre d’auto-consommation collective vers les réels besoins des personnes susceptibles d’entrer sur ce marché.

Si ce projet était répliqué dans toutes les villes du monde…

… nous aurions une grande partie de la production mondiale qui serait d’origine renouvelable et locale! Sachant que la population mondiale est déjà logée à 50% dans les villes, cela fait beaucoup de monde. Bien sûr une énergie solaire ne se suffirait pas à elle-même (ne serait-ce que la nuit) et il faudrait y adjoindre d’autres moyens de production ou de stockage d’énergie par exemple, ou simplement utiliser le réseau électrique national. D’après la Commission Européenne, 264 millions de citoyens européens pourraient produire leurs propres électricités dès 2050, l’impact en matière de réduction d’émissions de gaz à effet de serre sera alors massif.


 

Le deuxième projet sur lequel vous avez travaillé est :

Prédiction des dysfonctionnements sur les infrastructures de la ville

Le troisième challenge que nous avons suivi est le challenge Maintenance Prédictive sur les infrastructures de la ville. L’objectif final du challenge est de proposer une approche permettant de prédire les dysfonctionnements des candélabres et lampadaires de la ville de Paris. Les données utilisées pour répondre à cette problématique se présentent sous la forme de courbes de tension, ampérage, énergie, puissance et facteur de puissance mesurées sur les 20 000 boîtiers de commande connectés aux lampadaires de la Ville de Paris, remontant leurs données toutes les heures. En effet, en fonction de leur usage et des conditions environnantes, les lampes présentent un profil électrique différent. L’hypothèse à valider pendant l’expérimentation était que l’étude d’un grand volume de données électriques permettrait d’identifier et de prédire les dysfonctionnements de l’éclairage urbain.


C’est le challenge qu’a relevé Saagie, une entreprise spécialisée dans le traitement de large bases de données (“big data”) et dans la construction d’algorithmes de machine learning. Pour Saagie, l’objectif de l’expérimentation était de proposer un nouveau cas d’usage pour leur technologie, et ainsi de construire une nouvelle offre pour la maintenance d’équipements urbains.


Jerome Tredan, Alexis Abdelmoula, Karine Goutorbe, Maxime Billot, Remi Coulon et Jean-Bernard Sers

Nous avons travaillé avec Stéphanie Brion, Sébastien Follet et Karine Goutorbe du côté de Saagie. Maxime Billot et Alexis Abdelmoula étaient les interlocuteurs principaux du côté de EVESA (filiale de Bouygues Energies et Services – BYES, en charge de l’éclairage urbain de la ville de Paris) ainsi que Jean-Bernard Sers (BYES).

L’historique des données fournies par EVESA a permis à Saagie d’identifier dans un premier temps les signaux électriques aboutissants sur un dysfonctionnement terrain. Une fois ces courbes identifiées, nous avons pu regrouper les causes des dysfonctionnements pour créer une typologie de pannes possibles. Par exemple, les données analysées par Saagie, ont permis d’identifier les défauts d’amorçage ou de condensateur, ou encore des résistances de passage présentant une baisse de tension ponctuelle permanente. Le travail de Saagie a permis d’identifier 1276 pannes au total sur 648 boîtiers, sur une période d’analyse de 3 mois en moyenne (les pannes, si elles conduisaient à un dysfonctionnement visible, ayant été corrigées par Evesa sur le terrain).

L’étape suivante a été de corréler cette typologie avec les données contextuelles venant du terrain, avec l’objectif finale d’arriver ensuite à prédire une panne, avec un interval de temps et de précision donné. La confrontation de l’historique de données avec les pannes réelles survenues sur le terrain a permis de valider l’approche est les résultats des prédictions. Le travail de Saagie a permis d’identifier une liste de 2806 dysfonctionnements potentiels, ayant chacun son propre score de confiance (probabilité sur l’apparition d’une panne terrain),  tous les deux calculés à partir de la répartition statistique de la distance entre l’anomalie et la panne sur l’ensemble du jeu de données. Ces données ont été confrontées avec le terrain, et vont continuer à l’être sur les prochains mois.

Le moment le plus dur et le résultat dont vous êtes les plus fiers ?

La difficulté du challenge a résidé dans le fait que l’historique et la profondeur des données étaient justes suffisants, du fait que les boîtiers permettant de remonter les données électriques ont été installés depuis la fin 2016 par Evesa. Nous avons dû attendre que plus de données remontent du terrain dans le temps, ce qui en soi n’est qu’un problème à court terme car plus on arrive à nourrir l’algorithme avec de nouvelles données plus la précision de la prédiction augmente.

Saagie propose également un interface visuelle sous la forme d’une cartographie permettant d’identifier rapidement les lampadaires susceptibles de tomber en panne, et qui peut être utilisée directement par les techniciens pour déterminer leurs actions de maintenance prédictive.

L’impact direct pour l’opérateur de l’éclairage urbain est une réduction du temps nécessaire à l’identification des pannes et une réduction du nombre de pannes effectives. L’impact pour les citoyens est une augmentation de la qualité de vie par la réduction du nombre de lampadaires défectueux.

Si ce projet était répliqué dans toutes les villes du monde…

L’offre développée par Saagie pourrait être répliquée dans la plupart des agglomérations, ceci aux niveaux national et international. L’impact pour les gestionnaires de l’éclairage public représente des économies financières conséquentes. En effet, la solution de maintenance prédictive développée par Saagie permet de prévenir des pannes avant qu’elles ne soient trop graves et ainsi d’économiser sur les réparations, mais également de gagner du temps sur l’identification des lampadaires défectueux.


 

Le troisième challenge sur lequel vous avez travaillé est :

 

Rendre l’éclairage nocturne intelligent en l’adaptant aux déplacements réels des personnes pendant la nuit

 

Aujourd’hui, 199000 points lumineux équipent les rues parisiennes, afin d’éclairer les rues, les squares, les places la nuit pour les 2,2 millions d’habitants qui vivent intra-muros et pour ses nombreux visiteurs. Nous avons travaillé sur un éclairage “adaptatif” dans la ville, afin de réduire la pollution lumineuse et faire des économies d’énergie. L’idée du challenge est de savoir si on peut moduler l’éclairage urbain en fonction de la fréquentation dans la rue, sans utiliser de capteurs (de présence par exemple), limitant ainsi les coûts d’infrastructure.

Depuis peu de temps, la réglementation française permet en effet de réduire la luminosité en heures creuses la nuit, de façon modérée afin de ne pas porter atteinte à la sécurité des passants ou des véhicules. L’objectif du challenge proposé par Bouygues Energies & Services, relevé par les startups Quantmetry et Dataiku, était ainsi d’évaluer la pertinence de données anonymisées et agrégées provenant des téléphones portables pour qualifier la fréquentation dans les rues. Si la pertinence de l’utilisation de ces données était prouvée, l’objectif final était de proposer une nouvelle carte d’éclairage des rues en heures creuses. Nous avons travaillé sur ce challenge avec Alexandre Stora, Benjamin Habert et Sacha Samama de Quantmetry, aidés de Matthieu Scordia et Yannis Ghazouani de Dataiku. Côté grandes entreprises, Jean-Bernard Sers de Bouygues Energies et Services, Frédéric Gauzy de SFR, ainsi que Maxime Billot de Evesa (Bouygues Energies et Services étant actionnaire d’EVESA, opérateur du réseau d’éclairage de la ville de Paris) ont accompagné Quantmetry et Dataiku tout au long du challenge.

Jean-Bernard Sers, Benjamin Habert, Frédéric Gauzy, Yannis Ghazouani, Maxime Billot et Alexandre Stora

Le moment le plus dur et le résultat dont vous êtes les plus fiers ?

Le premier point difficile sur ce challenge a été d’identifier les bonnes startups alliant une expertise en data science à une appétence pour un sujet innovant. Nous avons en effet eu un nombre limité de candidatures de startups, cependant ces dernières étaient d’une très grande qualité.

Par ailleurs, la deuxième étape délicate a été le traitement des données en elles-même.

L’objectif était de mesurer les variations de trafic urbain nocturne pour adapter la luminosité dans les rues de Paris. Quantmetry et Dataiku ont analysé les données de SFR pour répondre à cette problématique et ont été confronté à 2 défis majeurs: la maille géographique et la précision des données.

Première question: comment faire coïncider la maille géographique de la téléphonie mobile à l’implantation des candélabres? Un découpage à l’IRIS a notamment permis de répondre à ce besoin.

Deuxième question: comment garantir un bon niveau de fiabilité de la mesure du trafic? Les data scientists ont croisé les mesures de flux de SFR avec des données d’open data pour calibrer le modèle de prédiction. Les équipes ont travaillé sur des dizaines de jeux de données en combinant l’état de l’art des technologies d’analyse de données: DSS de Dataiku, PostgreSQL, PostGIS, Python, D3.js…

La qualité du travail des data scientists de Quantmetry et Dataiku a été a été décisive pour le succès du projet.

L’ensemble des participants à ce challenge sont fiers d’avoir pu démontrer qu’il est possible d’utiliser des données mobiles pour faire des économies d’énergie en éclairage, car c’était la principale hypothèse à confirmer pendant la phase d’expérimentation.

Si ce projet était répliqué dans toutes les villes du monde…

En terme d’impact, à l’échelle de la ville de Paris le déploiement d’une telle solution permettrait de faire une économie de 6% sur la facture d’électricité de la ville, sans aucun investissement matériel.

Par ailleurs, cette solution est déployable dans toute ville du monde équipée de candélabres et lampadaires équipées d’ampoules LED, et permettant d’avoir au moins deux niveaux d’éclairage, en heures creuses et en heures pleines.

 

Clémence Fischer, Head of Smart City

Paul Moreau, Innovation Program Manager

DEVENEZ PARTENAIRE DATACITY Saison 3

Partagez :

Partagez :