15
Sponsored by : Used by : DCbrain : Smarter Grids Lauréat du concours « réseaux électriques intelligents »

« Le machine learning permet de traiter les corrélations alors que les graphes apportent des liens de causalité dans les modèles », DC Brain + Laboratoire DAVID de l'UVSQ

Embed Size (px)

Citation preview

Page 1: « Le machine learning permet de traiter les corrélations alors que les graphes apportent des liens de causalité dans les modèles », DC Brain + Laboratoire DAVID de l'UVSQ

Sponsored by : Used by :

DCbrain : Smarter Grids

Lauréat du concours « réseaux électriques intelligents »

Page 2: « Le machine learning permet de traiter les corrélations alors que les graphes apportent des liens de causalité dans les modèles », DC Brain + Laboratoire DAVID de l'UVSQ

ENGIE Confidentiel. © 2016 DCBrain SAS | 2

Les Smart Grids :des réseaux + dynamiques et + distribués

Production Transport Distribution Consommation

• Unités de production au niveau local

• Entité consommatrice et productrice

• Visualisation et Pilotage au plus fin des consommations

• Nouveaux usages• Consomm’acteur

• Contrôle des flux • Adaptation de l’offre

en fonction de la demande

• Interopérabilité des réseaux

Page 3: « Le machine learning permet de traiter les corrélations alors que les graphes apportent des liens de causalité dans les modèles », DC Brain + Laboratoire DAVID de l'UVSQ

ENGIE Confidentiel. © 2016 DCBrain SAS | 3

Mais concrètement, au quotidien ?

IoT

Sécuriser et fiabiliser les réseaux

Optimiser le budget d’exploitation

Rendement & efficacité

énergétique

Communiquer

Page 4: « Le machine learning permet de traiter les corrélations alors que les graphes apportent des liens de causalité dans les modèles », DC Brain + Laboratoire DAVID de l'UVSQ

université PARIS-SACLAY.

université PARIS-SACLAY.

Ville métabolique : - interaction de réseaux matériels/immatériels, visibles/invisibles. - Cœur de du partenariat DCBrain – DAVID autour de la notion de réseau

De la donnée au graphe : Acquérir et apprendre une connaissance globale et structurée à partir de données (hétogènes) locales

de l’individu à l’infrastructureUn projet de recherche scientifique pluri-thématique et tourné vers l’interdisciplinarité pour couvrir la chaine

Bigdata -> données sécurisées -> connaissances -> modélisation -> algorithmes -> applications

pour des applications dans le domaine de la ville intelligente et durable

Page 5: « Le machine learning permet de traiter les corrélations alors que les graphes apportent des liens de causalité dans les modèles », DC Brain + Laboratoire DAVID de l'UVSQ

Trois équipes de recherche reconnues dans leur domaine d’expertise: ADAM : Ambient Data Access and Mining (9 perm., 9 doct.) Bigdata, fouilles de données, extraction de connaissances, requêtes, qualités des données.

MAGMAT : : Modelisation, Algorithms and Game for Molecular Analysis and Telecom for smarcities (14 perm., 15 doct.)Modéles, combinatoire, algorithmique, optimisation, théorie algo. des jeux, performances, fiabilité et sureté de fonctionnement

PETRUS (UVSQ-INRIA) : Personnal and trusted cloud (6 perm., 5 doct.) Stockage de données, archi. distr. De gestion de données, sécurité/confidentialité des données

-

Membre de la Fédération de recherche CNRS Sciences Informatiques, Humaines et Sociales: - Cinq laboratoires de Versailles : Informatique droit, sociologies, sciences politiques, histoire, culture - Thèmes : ville métabolique et environnement, mobilités, société réelle et société virtuelle, culture et patrimoine

université PARIS-SACLAY.

Page 6: « Le machine learning permet de traiter les corrélations alors que les graphes apportent des liens de causalité dans les modèles », DC Brain + Laboratoire DAVID de l'UVSQ

Données- Prise en compte de la variété des sources de données telles que les capteurs, les objets connectés, (IoT, …) et éventuellement géolocalisés ou mobiles

- Faire face à l’hétérogénéité sémantique des données et leur caractère multi-échelle

- Gérer et évaluer la qualité et la pertinence des données qui peuvent être incomplètes, approximatives, incohérentes, irréalistes, bruitées ou manipulées, etc.

- Passage à l’échelle pour traiter des données massives dans un environnement distribué

- Définition de modèles de contrôle d’accès et d’usage et de protocoles d’exploitation des données personnelles distribuées sans fuite d’information (privacy)

- Définition de procédés technologiques rendant très difficile le contournement des contrôles ou assurant la détection des cas de violation

Page 7: « Le machine learning permet de traiter les corrélations alors que les graphes apportent des liens de causalité dans les modèles », DC Brain + Laboratoire DAVID de l'UVSQ

Données et Algorithmes - Modèles et algorithmes de résolution (optimisation, théorie des jeux, learning)

pour de grande quantités de données (passage à l’échelle), croisement des données (du bigdata au smartdata)

- Méthodes d’optimisation ad hoc pour le dimensionnement et l’évolution d’infrastructures en réseaux

- Modèles et algorithmes pour l’aide à la décision et le pilotage en temps réel (pour différentes granularités temporelles) d’infrastructures, à l’échelle du véhicule, d’un bâtiment, d’une usine, d’un quartier, d’une ville, d’une région.

- Modèles et algorithmes pour la sureté de fonctionnement des équipements et infrastructures urbains, par une extrapolation du local (données) au global (graphe)

- Prise en compte des éléments sociologiques, d’usage et d’infrastructure

- Apprendre et prédire les usages et les comportements dans leur dynamicité

- Evaluer et anticiper l’acceptabilité et la pertinence de scénarios d’évolution

Fédération de recherche CNRS Sciences Informatiques, Humaines et Sociales: Informatique droit, sociologies, sciences politiques, histoire, culture

Page 8: « Le machine learning permet de traiter les corrélations alors que les graphes apportent des liens de causalité dans les modèles », DC Brain + Laboratoire DAVID de l'UVSQ

Action de recherche en partenariat DAVID – DCBrain

Mots clefs : Théorie et algorithmique de graphes, apprentissage stochastique, optimisation, sureté de fonctionnement, qualité des données

- Modèles et algorithmes de graphes avec incertitudes pour la découverte de latopologie d’un réseau énergétique à partir de mesures temporelles, potentiellement erronées, sur ses liens.

- Algorithmes de planification et d’optimisation dynamique pour les problèmes de logistique à grande échelle modélisée par des graphes

- Analyse de la résilience de réseaux physiques en prenant en compte les caractéristiques locales des différents éléments (profil de production, de consommation, capacité de transport, fiabilité) et projection du local au global par un modèle de graphes

- Fouille, croisement et qualités de données hétérogènes, temporisée, mobiles.

Page 9: « Le machine learning permet de traiter les corrélations alors que les graphes apportent des liens de causalité dans les modèles », DC Brain + Laboratoire DAVID de l'UVSQ

ENGIE Confidentiel. © 2016 DCBrain SAS | 9

Et DCbrain dans tout ça ?

Interface dynamique représentant le graph et ses flux (exemple d’un synoptique électrique)

Interface « dashboard métier dynamique »

Visualisation des flux et des consommation

Diagnostic et analyse Prédictif

2 Interfaces

3 fonctionnalités

Audit de l’écosystème DATA

1 processus industrialisé

Nettoyage et Agrégation des bases

Machine learning

Digitalisation des réseaux et des flux

Création des interfaces

Page 10: « Le machine learning permet de traiter les corrélations alors que les graphes apportent des liens de causalité dans les modèles », DC Brain + Laboratoire DAVID de l'UVSQ

ENGIE Confidentiel. © 2016 DCBrain SAS | 10

Réseau électrique : Analyse d’impact prédictive

Cas d’usage

Scoring des cables : Amélioration du modèle de scoring existant (prise en compte du facteur de proximité sur le vieillissement) et test de résilience du réseau

Optimisation du programme de remplacement des cables

Detection de véracité des capteurs

+ de capteurs = + d’erreurs

Page 11: « Le machine learning permet de traiter les corrélations alors que les graphes apportent des liens de causalité dans les modèles », DC Brain + Laboratoire DAVID de l'UVSQ

ENGIE Confidentiel. © 2016 DCBrain SAS | 11

• Apprendre les caractéristiques du réseau (liens) pour prédire les évolutions des flux

Optimisation de supply chain

Partenaires réguliers

Partenaires ponctuels

fournisseurs Unité de production Entrepôt DC Clients

X

Y

Y

Z

X

+ de fiabilité et – de coûts pour la supply chain

Pack Ligne 1Lign

e Prod

1Ligne

Prod 2

Ligne

Prod 3

Ligne

Prod 4

Ligne

ass. 1Ligne

ass. 2

Ligne ass

4

Ligne

ass. 5

Ligne

ass. 3

Ligne

ass. 6

Produit A

Produit B

Produit C

Produit B

Produit C

Produit A

Produit B

Produit A

Produit C

1

2

3

Page 12: « Le machine learning permet de traiter les corrélations alors que les graphes apportent des liens de causalité dans les modèles », DC Brain + Laboratoire DAVID de l'UVSQ

Total - Plant 4.0 Confidentiel. © 2016 DCBrain SAS | 12

Þ Un modèle de réseau de flux unique :

Þ Les noeuds passifs : ils ne font qu’ assembler ou diviser les flux • Les réseaux d’echange de vapeur (BP,MP,HP) sont

des noeuds passifs

Þ Les nœuds actifs : Ils transforment un type de flux (gaz …) en un autre (vapeur)• Les unités sont des noeuds actifs

Þ Les liens reliant les nœuds entre eux portent les mesures

Utilisation du Deep flow Engine : réseau de vapeur

MPpassif

Refactif

US2actif

Identification en temps réel des fuites et baisse des consommations énergétiques

Page 13: « Le machine learning permet de traiter les corrélations alors que les graphes apportent des liens de causalité dans les modèles », DC Brain + Laboratoire DAVID de l'UVSQ

Total - Plant 4.0 Confidentiel. © 2016 DCBrain SAS | 13

Méthodologie / détails

Détail sur un modèle de chaudiere

Création d’un modèle auto-apprenant local pour chaque nœud actif• Chaque nœud actif est vu comme une fonction de transfert non linéaire

1. Le modèle apprend seul la fonction de transfert f(gaz)=vapeur sur les données 2013-2015

2. Vérification de la qualité du modèle à l’aide des données 2016 dont on connaît la sortie

3. Optimisation du modèle4. Sauvegarde du modèle prêt à traiter de nouvelles données d’entrée

Page 14: « Le machine learning permet de traiter les corrélations alors que les graphes apportent des liens de causalité dans les modèles », DC Brain + Laboratoire DAVID de l'UVSQ

ENGIE Confidentiel. © 2016 DCBrain SAS | 14

Quels impacts opérationnels ?

Affiner les prédictions d’événements

Mieux communiquer

• Prévision de demande ? A court, moyen et long terme ? • Identification d’événements rares : incidents, pannes, pics de

consommation,… Fiabiliser ses projections de production et d’investissement

• Message intelligible pour les parties prenantes• Data visualisation = valeur ajoutée et transverse Partager la donnée pour partager les métiers

Optimiser les processus

• De la data pour outiller des processus (macro excel ?)• Ajout de fonctionnalités avancées d’analyse• Identification d’anomalies de capteurs Recentrer les équipes sur des tâches à valeur ajoutée !

Page 15: « Le machine learning permet de traiter les corrélations alors que les graphes apportent des liens de causalité dans les modèles », DC Brain + Laboratoire DAVID de l'UVSQ

Total - Plant 4.0 Confidentiel. © 2016 DCBrain SAS | 15

Arnaud de MoissacCEO

Mob : +33 6 10 31 48 46

Mail : [email protected]

Adresse : DCbrain, 23 avenue d’Italie, 75013 Paris

Merci !Les Données pour fluidifier vos métiers ?

Q&A