Passer au contenu principal

Dalkia

Modèle d'optimisation
Dalkia par Agence Web Kernix

Client

Dalkia - Groupe EDF

Expertises

Exploration/Data Quality
Data Science
Développement

Technos

Python
AWS (S3 et EC2)

Année

2021

Site

Code Python packagé
Kernix a créé pour Dalkia un nouveau modèle de machine learning qui optimise le réglage de la température de départ de l’eau dans les circuits de chauffage.

Contexte

La société Dalkia  est un des leaders des services énergétiques en France. Elle intervient sur trois activités principales : 

Dalkia gère plus de 340 installations de réseaux de chaleur et de froid en France, où elle propose  à ses clients des solutions sur-mesure qui s’adaptent aussi bien à des bâtiments d’habitation qu’à des établissements publics ou des sites industriels.

Depuis 2014, la société Dalkia est une filiale à 100% du groupe EDF. Elle s’est implantée dans de nombreux pays à l’international et emploie actuellement près de 16 000 collaborateurs.

Problématique posée par Dalkia

Une partie des installations de chauffage gérées par Dalkia l’est à l’aide d’automates dits à “loi d’eau”. Une loi d’eau est une courbe permettant d’adapter la température de départ de l’eau dans les circuits de chauffage en fonction de la température extérieure. Une même courbe n’est pas adaptée à toutes les situations et à toutes les époques de la saison de chauffe. Il faudrait donc la régler régulièrement. Par ailleurs, un tel fonctionnement ne tient compte que de la température extérieure. D’autres grandeurs pourraient s’avérer pertinentes, l’ensoleillement ou le taux d’humidité par exemple. Partant de ce constat, la société Dalkia s’est tournée vers Kernix pour automatiser et optimiser le réglage des lois d’eau sur ses installations. Elle souhaitait par ailleurs enrichir son modèle de réglage en tenant compte de nouvelles grandeurs jusqu’ici inexploitées.

Réalisation

Kernix a créé pour Dalkia un nouveau modèle qui optimise le réglage de la température de départ de l’eau dans les circuits de chauffage en s’affranchissant de la loi d’eau

Ce nouveau modèle prend en compte: 

  • des données météo, telles que l’ensoleillement, le taux d’humidité, la vitesse du vent, …
  • des données de températures ambiantes au sein du bâtiment.

Nous avons posé la situation sous la forme d’un problème d’optimisation non linéaire sous contrainte, contrainte formulée grâce à un modèle de machine learning explicite. Problème que nous avons résolu à l’aide d’un solveur implémenté en langage Python.

Nous avons ensuite mis cet algorithme en production en le branchant sur les systèmes d’information internes à Dalkia afin de le tester sur neuf sites pilotes de la région PACA.

Dalkia par Agence Web Kernix

Résultats

  • Etude de la qualité de données qui s’est avérée précieuse pour le client,
  • Phase exploratoire qui s’est avérée instructive à de nombreux titres, dépassant parfois le cadre de l’étude,
  • Livraison d’un code Python packagé et documenté utilisable par le client,
  • Mise en production sur des sites pilotes.
Prochaine réalisation

Collections du
musée du Louvre

Développement du site des Collections

Collections du
musée du Louvre

Développement du site des Collections
Haut de page
Haut de page