Jasmin Diantouba

- Thématique : Prévision de consommation, time series

- Problématique : Pour le pilotage quotidien de son réseau de transport de gaz l'entreprise doit disposer de prévisions de consommation horaire de l'échéance J à J+5. Ces prévisions doivent être les plus fiables possible et disponible 24H/24. Ce processus est critique pour l'entreprise et constitue un pilier de son activité quotidienne.

- Objectif : Développer et déployer des modèles d'IA pour la prévision de consommation à la maille régionale sur l'ensemble de la France, de J à J+5.

- Réalisations :

- Phase de POC et d'industrialisation de la solution en production

- Cadrage métier

- Préparation des données : pandas, scikit learn

- Modélisation : une dizaine de modèles - xgboost

- Industrialisation et RUN: AWS (sagemaker, lambda, S3)

- Résultats :

Des modèles performants : 2,5% de MAPE moyenne en J et 3% en J+1

Une solution robuste en production : 100% des prévisions livrées en moyenne en 20 secondes

- Thématique : Prévision d'énergie

- Problématique : GRTgaz dispose d’un parc de 25 stations de compression. Pour assurer le transit, les stations de compression utilisent du gaz ou de l’électricité et consomment de l’énergie. L’énergie motrice représente environ environ 10% des charges de l’entreprise. GRTgaz a besoin d'une prévision d'énergie de fonctionnement fiable afin de maîtriser les achats d'énergie et sécuriser son point de sortie budgétaire.

- Objectif :

Mettre en place des modèles performants d’estimation de l’énergie motrice future pour les 25 stations de compression de GRTgaz.

- Réalisations :

- Phase de POC et d'industrialisation de la solution en production

- Cadrage métier

- Préparation des données : pandas, scikit learn

- Modélisation : une trentaine de modèles - xgboost, shap

- Industrialisation : Dataiku

- Résultats :

Des modèles performants : 3% de MAPE annuelle - 10% de MAPE mensuelle

Un outil robuste industrialisé et utilisé en production dans Dataiku

- Thématique : Deep learning, traitement d'images

- Problématique : La surveillance aérienne est réalisée par 2 opérateurs de surveillance. Une personne qualifiée, accompagne le pilote pour prendre des photos de situations à risque. Ces photos sont transmises à GRTgaz pour vérification sur place. GRTgaz souhaite utiliser images prises d'avion pour détecter l'existence de chantiers non connus, non déclarés, pouvant avoir une incidence sur le réseau, et engager une intervention d'équipes. Le gain est obtenu soit en réduisant le personnel embarqué dans l'avion de surveillance, soit par l'utilisation d'autres moyens de surveillance de type drone.

- Objectif : Tester la détection automatique d’anomalies (pelleteuses) à proximité du réseau à partir d’images.

- Réalisations :

- Participation à la phase de POC

- Cadrage métier

- Préparation des données : labélisation de 700 images, extraction de métadonnées

- Modélisation : AWS Sagemaker, Algorithme Single Shot Multibox Detection

- Résultats :

Un modèle permettant de détecter une pelleteuse (localisation sur l'image + probabilité)

86% des pelleteuses trouvées

84% des pelleteuses identifiées par le modèle sont de vraies pelleteuses