Prédire la consommation électrique des trains avec Energy Need Forecast
L’équipe Data IoT d’ITNOVEM a développé, pour SNCF Energie, Energy Need Forecast (ENF), une application agile de prévision des consommations électriques pour l’ensemble des transporteurs du Groupe.
Publié le
Par La Redaction
Créée en 2012, SNCF Energie achète les besoins en électricité de traction de SNCF Mobilités et tous ses transporteurs (Fret, Intercités, Voyages, TER et Transilien). “ Pour fournir les trains en électricité, nous achetons des mégawattheure 3 ans à l’avance, puis ajustons en temps réel en revendant, selon les périodes, les volumes non consommés sur le réseau*,” détaille Christine Trindade, chef de projet chez SNCF Energie. Ces achats peuvent représenter jusqu’à 7 térawatts heure par an pour un montant avoisinant les 350 millions d’euros. Prévoir les besoins et être en mesure de les réactualiser au quotidien est donc un enjeu financier majeur. Pour cela, la filiale doit s’appuyer sur les bons indicateurs et prévisions. C’est tout l’objectif du projet Energy Need Forecast.
Une solution centralisée
Avec l’évolution des systèmes d’information, l’outil historique de SNCF Energie utilisé pour les prévisions de consommation avait vocation à disparaître. L’idée de reprendre les modèles, sans toutefois changer l’algorithme, pour créer un nouvel outil, a donc émergé assez naturellement. “Nous voulions une solution qui rassemble tous les modèles de prévisions car auparavant nous utilisions plusieurs technologies pour arriver au même résultat”, indique la chef de projet. Cette volonté de tout centraliser au même endroit doit aboutir in fine à la création de deux outils distincts : l’un pour le trading (les achats sur les marchés financiers), l’autre pour la prévision en tant que telle. Créer une seule plateforme offre également une interface unique, facile d’utilisation par tous les collaborateurs.
Nouveau langage et passage au Cloud
Pour l’application ENF, le développeur full stack (back et front office) de l’équipe Data IoT a choisi Python, un langage Open source et gratuit offrant plusieurs avantages par rapport aux licences SAS, auparavant achetées par la filiale. Les data scientists, de leurs côtés, ont géré toute la partie implémentation algorithmique. Il fallait intégrer une quinzaine de modèles pour l’ensemble des clients et récupérer des flux automatiques de données météo (impact de la température par exemple) et de consommation d’électricité. “Nous nous sommes raccordés sur une API de RTE pour avoir ces informations chaque jour”, indique Guido Intronati, data scientist et tech lead sur le projet. ENF est un projet ” infra as code” : toute l’infrastructure de l’application web, les bases de données et les briques technologiques sont “codées” sur le Cloud Azure. Ce qui permet de tout redéployer de manière automatisée en cas de problème.
Une solution agile
L’application étant fonctionnelle depuis deux mois, le projet va à présent s’atteler à gérer l’évolution des clients et l’amélioration des modèles de prévisions. Le renforcement de la flexibilité de l’outil permet de l’ajuster aux évolutions organisationnelles du Groupe SNCF. Concrètement, il s’agit d’adapter les périmètres impactés par l’ouverture à la concurrence. Avec, par exemple, le cas de Fret, qui, devenant autonome, requiert ses propres prévisions et modèles. Le déploiement de ENF sur la plateforme Big Data ouvre en outre la voie à d’autres évolutions comme l’intégration de nouvelles sources de données aux prévisions et l’utilisation de nouvelles approches technologiques, telles que le Machine Learning, pour que les algorithmes gagnent en précision.
*l’électricité permettant de faire rouler le train, indépendamment de celle nécessaire aux autres systèmes du réseau, également consommateurs d’énergie.
