LEANergy - Expliquer les liens entre activité, énergie et CO₂ émis
Ingénierie et Architecture
Les entreprises industrielles suisses sont aujourd’hui confrontées à une triple problématique : la volatilité du prix de l’énergie, les risques concernant sa disponibilité et la nécessité de réduire leurs émissions de gaz à effet de serre.
La solution save&sustain commercialisée par wise4future SA repose sur l’adjonction de capteurs plug&play permettant le monitoring de la consommation énergétique d’un site à différentes échelles spatiales. Elle repose également sur l’utilisation de données caractérisant l’activité du site et de données externes (ex : calendrier, météo) pouvant expliquer potentiellement les variations de consommation.
Le projet LEANergy vise à évaluer la pertinence puis intégrer des solutions d’IA pour valoriser les données remontées par la plateforme. Les objectifs sont divers parmi lesquels :
- L’analyse et la compréhension de la consommation d’énergie et mettant en évidence les facteurs (activité, météo, etc.) les plus influents de la consommation d’énergie.
- La détection de dérives ou d’anomalies dans les consommations ou l’influence des facteurs.
- L’allocation énergétique aux facteurs influençant la consommation (permettant à une entreprise d’attribuer une empreinte énergétique et une empreinte CO2 à ses différentes productions).
- L’identification des potentiels de gains énergétiques pour optimiser l’empreinte carbone et la compétitivité.
Pour répondre à ces objectifs, des modèles de machine learning (ML) ont été entraînés et permettent de prédire finement la consommation énergétique à différentes échelles spatiales à partir des données d’activités des entreprises et des facteurs externes. Des solutions d’eXplainable AI (XAI) ont été également implémentées et permettent d’analyser et de hiérarchiser les impacts des différents facteurs (activités et externes) sur la consommation énergétique.
Plusieurs sites industriels dans divers contextes sont aujourd’hui équipés de la solution save&sustain et leurs données ont pu être utilisées dans le cadre du projet.
Nous visons prochainement une intégration de ces algorithmes dans une architecture de type MLOps qui permettra facilement de déployer et maintenir et ré-entraîner les différents modèles de machine learning relatifs à chacune des entreprises.