Simulation de flexibilité & ingestion de données énergétiques
Contexte
Wise.Energy aide les entreprises à optimiser leurs actifs électriques (solaire, bornes de recharge, pompes à chaleur…) pour réduire leur facture et leurs émissions de CO₂. J’ai travaillé sur deux chantiers pour eux.
Simuler les gains de la flexibilité
Des outils de simulation, en Shiny (R) et Streamlit (Python), pour estimer les gains du pilotage de la flexibilité électrique sur des pompes à chaleur et d’autres actifs (bornes de recharge, etc.).
- Simulations à partir des données historiques d’un client, ou de données synthétiques générées sous ses contraintes réelles.
- Intégration de la production solaire et des prix du marché (Belpex) via les API d’Elia et d’ENTSO-E.
- Implémentation des stratégies de pilotage (time-of-use, demand shifting, peak shaving…), en m’appuyant sur l’existant plutôt qu’en réinventant la roue, et sur des bibliothèques de MILP (programmation linéaire en nombres entiers), notamment pour l’optimisation des pompes à chaleur.
- Objectif : chiffrer, avant investissement, ce que le pilotage intelligent d’un actif fait gagner.
Ingérer les données, alimenter le monitoring
Un bloc backend + frontend à greffer sur Wise.Brain, leur application en production. Le gros du travail : concevoir la base de données et les connecteurs d’ingestion capables d’absorber des sources variées (API constructeurs, connexions à des bases de données…) et de les faire entrer dans un modèle de données commun.
- Base de séries temporelles TimescaleDB, pensée pour manipuler facilement des données au pas quart-horaire.
- Ingestion agnostique au matériel, sous contraintes de coûts et techniques, pour rester robuste et maintenable.
- En bout de chaîne : la brique monitoring de l’app, avec des graphiques de suivi conso / production des actifs connectés et un ensemble de métriques.
Résultat
Des simulateurs qui transforment des données brutes en gains chiffrés et une brique d’ingestion réutilisable, socle du suivi des actifs énergétiques.