Secure Energy

La technologie de Secure Energy

Pourquoi la technologie de
Secure Energy est unique ?

Modélisation prédictive high-tech à votre service

Dashboard

Contrairement aux approches de modélisation prédictive classiques (ARIMAX, Gradient Boosting, LSTM,…), la modélisation prédictive de Secure Energy ne troque pas l’explicabilité pour la performance – ce n’est pas une IA en “boite noire”. Elle révèle les caractéristiques fondamentales des données pour expliquer ses recommandations.

Timelight, la société éditrice de Secure Energy, conduit des recherches sur les données temporelles dans plusieurs secteurs d’activités. Nos produits – dont Secure Energy – bénéficient de techniques et avancées technologiques multiples.

La modélisation prédictive de Secure Energy est un mélange de distance learning, de détection d’anomalies, de clustering, classification supervisée, forecasting, alerting et de puissants outils de visualisation. De plus, notre modélisation est exploitable et paramétrable en temps réel.

Distance Learning

Découverte de la topologie des courbes de charge

Quand les courbes de charges sont chargées dans la plateforme, Secure Energy modélise en premier lieu la meilleure distance qui permet de comparer efficacement les courbes de charge entre elles.

Cette distance, propre aux données chargées, permet ensuite de visualiser les données sur des cartes et de comparer les courbes de charge entre elles.

Détection d’anomalie

Nettoyage des données

Une fois la topologie modélisée, nous détectons automatiquement les données qui correspondent à des comportements inhabituels. Nous retrouvons généralement ici toutes les erreurs de télémétrie.

L’utilisateur peut lui-même choisir de considérer qu’une courbe de charge est ou n’est pas une anomalie, nous lui fournissons des outils d’aide à la décision pour cette analyse.

Seules les données filtrées sont utilisées dans la suite du process : détection de journées types, corrélation à des facteurs externes et forecasting.

Modèles prédictifs

Clustering

Détection des journées types

Une fois la topologie modélisée sur les données historiques et les données filtrées, nous détectons automatiquement le nombre de journées types qui caractérise la population de courbes de charges. Une journée type est une courbe présentant un comportement de référence, avec des seuils de tolérance.

Cette segmentation est généralement révélatrice de l’occupation des bâtiments dans le tertiaire. Toutes les journées sont associées à des journées type, cette association révélant automatiquement les dérives présentes dans les données historiques.

Classification Supervisée

Impact des données météorologiques

Nous calculons au sein de chaque modèle la corrélation de différentes données météorologiques sur les variations de courbes de charge qui lui sont associées.

Cela révèle généralement l’impact de la météorologie, en complément de l’occupation sur la consommation du bâtiment.

Forecasting

Planification court et moyen terme

Une fois la modélisation de l’occupation et de l’impact météorologique établie, nous proposons une planification sur l’année prenant en compte une occupation théorique au plus proche (gestion avancée des calendriers, avec jours fériés) sans prendre en compte l’impact météorologique (pas de prévision météorologique sur une période aussi longue).

Nous générons ainsi un plan de comptage énergétique à l’heure. L’utilisateur a la possibilité d’éditer cette planification, et d’y ajouter les variations d’intensité attendue.

Tous les jours, Secure Energy intègre les prévisions météorologiques à 14 jours et affine la planification en ce sens. L’utilisateur a aussi la possibilité de ne pas générer de planification si l’occupation future n’est pas connue.

Alerting

Qualification fine de toutes les dérives énergétiques

Secure Energy détecte quotidiennement ou en temps réel les écarts d’activité et les caractérise : mauvaise journée type (erreur de planification), détection d’une journée type qualifiée comme dérive, écart d’activité au delà des seuils de tolérance…

De nombreux outils sont disponibles pour permettre à l’analyste de comprendre rapidement ce qui caractérise la dérive afin d’agir en conséquence. Secure Energy recueille la justification des dérives afin d’améliorer les analyses futures.

Appli Timelight

Visualisation

Des outils d’aide à la décision multiples et intuitifs

Bien que Secure Energy soit une solution entièrement pilotable via API, elle intègre également une plateforme d’analyse web poussée.

Retrouvez-y des histogrammes, heatmaps, tableaux et cartes pour comprendre et manipuler vos données en temps réel.

Les dernières technologies de visualisation sont intégrées pour garantir une performance et un confort maximal.

Stack technologique

kisspng-angle-text-symbol-brand-other-python-5ab0c09b9ea1a7.3286927515215330836498

Python

hiclipart.com (1)

Node.js

kisspng-docker-application-software-microsoft-sql-server-c-docker-logo-media-social-icon-5c5f4f5d196474.237149871549750109104

Docker

kisspng-react-javascript-angularjs-ionic-atom-5b154be6947457.3471941815281223426081

React JS

hiclipart.com

Debian

kisspng-postgresql-database-logo-computer-icons-replicatio-software-developer-5adbf4c30a9de2.0455937315243644830435

PostgreSQL​

ts

Typescript

sqreen-squarelogo-1511974821954

Sqreen

200px-Npm-logo.svg

NPM

kisspng-flask-python-bottle-web-framework-web-application-flask-5ace6e94133f66.5495283515234781640788

Flask

numpy

Numpy

Multi-service-data-propagation-with-AWS-Lambda-Fanout

AWS Lambda

kisspng-amazon-com-amazon-s3-amazon-web-services-amazon-el-amazon-5ada03da5749f0.5706537815242372743576

AWS S3

Swagger-logo

Swagger

1_t9d16DIcJg_-dEg0X_qTWg

JWT

hiclipart.com (2)

Nginx

recharts

Recharts

200px-Scikit_learn_logo_small.svg

scikit-learn

gitlab-icon-rgb

Gitlab CI

uwsgi

Uwsgi

zapier-logo-png-transparent

Zappier

20190510_Timescale_Logo_Tiger

Timescale DB

Elasticsearch Color

Elasticsearch

584830b5cef1014c0b5e4a9c

Redis

58480a44cef1014c0b5e4917

Kubernetes

postgis-logo

PostGIS

rabbitmq-logo-png-transparent

RabbitMQ

kisspng-scipy-numpy-python-scikit-learn-pip-5afac9ed652136.6077473815263851334142

scipy