L’essor du Big Data et de l’Intelligence Artificielle laisse à penser que l’analyse des données repose entre les mains des algorithmes. Pourtant, ils ne suffisent pas pour obtenir une analyse efficace des données énergétiques dans l’industrie. L’intelligence et le sens critique humain restent indispensables. Pour que les analyses débouchent sur une amélioration des performances énergétiques dans les usines, il faut notamment conserver la main sur l’agrégation, le traitement et la qualité des données, en lien avec la réalité opérationnelle et les objectifs recherchés. Mais en agissant avec méthode ! Une méthode livrée ici pas à pas.

 

Commencer par une phase de dialogue 

L’analyse des données énergétiques démarre toujours par une phase de dialogue et d’échanges avec les opérationnels à l’usine. C’est une étape indispensable qui permet de déterminer les enjeux du client, ses problématiques, ses attentes, ses contraintes et ses possibilités d’actions au quotidien.

 

Repérer les stratégies de conduite opérationnelle 

« Notre esprit critique permet également de challenger les pratiques à l’usine, même si elles semblent être efficaces sur le terrain », suggère Zoheir Hadid, ingénieur efficacité énergétique. Prenons l’exemple d'un client qui avait pour objectif d’optimiser les performances de sa production de froid. L’analyse graphique de l'engagement de puissance des machines indiquait deux fonctionnements différents pour une même production de froid : soit deux groupes froids fournissant chacun 3 mégawatts, soit trois groupes froids produisant chacun 2 mégawatts. « Il existe toujours une méthode plus favorable économiquement que l’autre, affirme Zoheir Hadid. Notre expérience nous permet de dire qu’en général, le rendement des machines frigorifiques est meilleur lorsqu’elles fonctionnent à forte charge. Elles consomment moins d’électricité ». Une nouvelle analyse graphique permettra de vérifier cette hypothèse et de définir la meilleure stratégie de conduite. 

 

Etudier le contexte et comprendre les objectifs métiers avant de se plonger dans l'analyse 

Poursuivons par la définition d’un algorithme : une suite d’opérations permettant de résoudre un problème et d’obtenir un résultat. Si le problème est mal posé… le résultat sera faux ! Notre sens critique doit donc permettre de définir clairement en amont le contexte de l’analyse. Cela, en respectant une logique en quatre étapes essentielles : 

1. Le choix de l’indicateur de performance – L’indicateur le plus adapté au projet d’optimisation n’est pas forcément celui auquel on pense spontanément. « Logiquement dans le cadre du projet mentionné plus haut, nous avions choisi de suivre le Coefficient d’efficacité frigorifique COP(1), note Zoheir Hadid. À la lumière des premiers résultats, nous aurions pu suggérer à notre client d’arrêter les groupes froids dont les COP étaient les plus bas. Mais cela aurait été sans prendre en compte que ces équipements, responsables des mauvaises performances frigorifiques, produisaient également de l’eau mitigée à 45°C grâce à un système de récupération de chaleur. » Dans ces conditions, le COP n’avait pas de sens en tant qu’indicateur de performance. Les résultats ont été plus pertinents après avoir sélectionné un périmètre physique à optimiser intégrant l'eau glacée et l'eau mitigée, ainsi qu'un indicateur économique (en euros/heure) qui prend en compte les performances cumulées de l’eau glacée et de l’eau mitigée.
2. Le choix de la période de l’étude – Le choix doit se porter sur une période d’analyse où le fonctionnement de l’usine est stable et, surtout, réaliste avec l’existant. Il ne doit par exemple pas concerner une période trop ancienne. « Reprenons le cas précédent, illustre Zoheir Hadid. Même si la période 2014-2015 paraissait intéressante, elle n’était pas adaptée à l’étude car le site a beaucoup évolué en 3 ans. De nouveaux groupes froids ont été installés et la régulation des équipements a été changée. »
3. Le choix des filtres contextuels – Le contexte de l'analyse doit être défini selon des scénarios de fonctionnement stable, en fonction des gammes de puissances froides (3 à 4 mégawatts puis 4 à 5 MW, etc.), des températures extérieurs (0°C à 10°C, 10°C à 20°C, 20°C à 30°C), ou encore de l'utilisation par le client d'équipements d'appoint, comme des pompes à chaleur...
4. Le choix des variables – Il convient aussi d'éliminer les données énergétiques qui n'ont pas de sens pour l'étude. « J'explique. Prenez un incinérateur. Pour optimiser les performances de combustion des déchets, rien ne sert de suivre les paramètres de traitement des fumées ou ceux de production d'électricité à partir de la chaleur. Il faut donc filtrer les résultats et se contenter de la zone de la combustion. C'est une question de bon sens. »

 

Privilégier son sens critique devant les variables influentes conseillées par l’algorithme 

Après avoir sélectionné l’indicateur de performance, la période de l’étude, les filtres et les variables les plus pertinents, « vous allez lancer l’algorithme, approuve Zoheir Hadid. Mais il faut là encore veiller à rester critique pour arbitrer la pertinence opérationnelle des variables d’influence conseillées par l’algorithme, qui lui, n’est jamais allé sur le terrain. » Il faut savoir faire le tri entre les variables subies, qui génèrent différents scénarios d’exploitations (conditions météorologiques, appels de puissance…), les variables de conséquence, sur lesquelles il n’y a pas d’action directe (la température du four selon différents apports d’air que l’on règle, par exemple), et les variables de réglages. Ce sont celles qui nous intéressent vraiment car elles sont modifiables. Il faut ensuite s’assurer que la variable de réglage soit fiable, qu’elle ne soit pas un artéfact ou/et qu’elle ne corresponde pas à une perte des données, à une erreur ou à un dysfonctionnement.   « Si l’on suit ces étapes, nous sommes ainsi assurés de la qualité de l’analyse et à l’abri de toute erreur d’interprétation, conclut Zoheir Hadid. C’est bien à ce niveau que l’intelligence humaine fait toute la différence ! »  

 

(1) Quantité de froid produite par rapport à l’électricité consommée