Linaria : Electricity Network Analytics
E-CUBE a construit un modèle multi-scénarios de projection stratégique long terme de l’impact de la transition énergétique sur les réseaux électrique. Ce modèle vise à donner aux GRD des perspectives 2025-2050 sur leurs grandes métriques stratégiques (financières, ressources), pour planifier et anticiper les besoins nécessaires en matière de renforcement du réseau, tout en prenant en compte les spécificités locales de la zone de desserte (par ex. la topologie du réseau, la typologie des consommateurs, la production PV distribuée, les sources de flexibilité, etc.).
Linaria, un modèle pensé pour le GRD
Les gestionnaires de réseaux de distribution (GRD) suisses font face à l’essor massif de la production photovoltaïque (PV) et à l’électrification des usages : notre modèle leur permet d’estimer l’impact pour la planification long-terme en métriques stratégiques (ressources internes financières et humaines).
Ce modèle recourt notamment au machine learning pour intégrer rapidement les spécificités locales des GRD à partir de leurs géodonnées (ex : topologie réseau) et/ou de sources publiques géolocalisées à l’échelle des bâtiments (ex : RegBL, potentiel OFEN, bornes de recharge publiques).
Proposition de valeur
- Planification stratégique des réseaux : anticiper les impacts sur les ressources internes, notamment financières (CAPEX), de main d’œuvre (EPT), nombre de chantiers.
- Identification des drivers de renforcement : analyse des facteurs à l’origine des contraintes réseau (PV, PAC, intensité, tension, etc.) afin d’aider à définir les indicateurs de suivi et à orienter sa stratégie selon les équipements et zones les plus à risque.
- Estimation du potentiel et de la valeur de la flexibilité pour le réseau : analyses de sensibilités en intégrant ou non des modélisation de la flexibilité (batteries, effacements, déplacements de consommation, écrêtage PV, transformateurs réglables, etc.).
Forces du modèle
- Prise en compte des spécificités et dynamiques locales de la zone de desserte : analyses fine à la maille du bâtiment, intégration directe des données du GRD (smart meter, planification CAD, etc.).
- Production d’un résultat stratégique rapide et efficace : méthodes automatisées et éprouvées avec plus de 5 GRD suisses, basées sur des données publiques standardisées, des algorithme d’IA/ML.
- Approche modulaire flexible : méthodologie structurée permettant un soutien ciblé selon l’état d’avancement des GRDs et intégrant les études existantes.
En savoir plus sur notre modèle
Nous avons construit et testé un modèle 100% IA/ML pour projeter rapidement le besoin en infrastructure de recharge pour les véhicules électriques sur une maille fine reflétant les caractéristiques locales :
- Apprentissage sur une base de données des taux d’utilisation de plus de 15’000 points de recharge en Suisse, que nous avons constituée ;
- Caractérisation des territoires à proximité des bornes de recharge avec plus de 300 features géoréférencées (bâtiments, routes, trafic, points d’intérêts, etc.) dont 40-50 sont fondamentales ;
- Projection des résultats à une maille fine sur l’ensemble de la Suisse avec des artefacts limités ;
- Amélioration continue du modèle avec le développement des véhicules électriques et l’historique des données mesurées.
Illustration des lieux d’intérêt pour le déploiement de l’infrastructure de recharge publique VE à partir d’un outil de machine learning
Nous construisons un jumeau numérique du réseau de distribution (chemins logiques) pour modéliser les contraintes en intensité, puissances et chutes de tension :
- Topologie du réseau ;
- Lien avec les points de raccordement et les bâtiments EGID ;
- Caractéristiques techniques des éléments du réseau : longueurs et impédances des tronçons de câbles BT et segments MT ;
- Critères de dimensionnement : puissances, intensités et chutes de tension admissibles, marges de sécurité ;
- Solutions de flexibilité (batteries réseau, transformateur réglant).
Nous calculons une charge nette horaire à chaque raccordement (et des charges foisonnées à chaque niveau de réseau) en tenant compte des usages. Nous intégrons selon les cas :
- Données smart meter ;
- Mesures de la charge sur les nœuds réseau ;
- Profils horaires standards par équipement (PAC, bornes VE privées, IRVE) et segment de client (villa, immeubles, entreprises) ;
- Profils optimisés (par ex : incitations tarifaires à consommer sur des heures solaires) ;
- Facteurs de foisonnement à différents niveaux de réseau (départ BT, transfo MT/BT, segment MT, transfo HT/MT) ;
- Utilisation des batteries (autoconsommation) ;
- Ecrêtement PV.
Charge nette horaire avec ou sans pilotage de l’injection PV (utilisation garantie pour le GRD à 3% de la production annuelle)
Les impacts sont très dépendants de la typologie des réseaux et des conditions locales de développement. L’approche que nous proposons s’appuie au maximum sur des données et hypothèses locales et propres à la zone de desserte :
- Soutirage historique (données Smart Meters) ;
- Type de bâtiments (villas, immeubles, entreprises) ;
- Zones de développement des réseaux thermiques ;
- Correspondances avec le cadastre solaire du potentiel des toitures (OFEN) ;
- Identification IA des lieux d’intérêt pour les bornes publiques de recharge ;
- etc.
Répartition des installations PV à l’échelle de chaque coffret de raccordement BT selon un algorithme IA de priorisation du potentiel et d’estimation des tailles d’installation, prenant en compte des conditions cadres générales
Sélection d’illustrations
Nos experts réseaux
Bruno Meuriot
Project Manager, Co-Head Deutschschweiz
Robin Gobert
Consultant Senior