Pour faire circuler le gaz dans les 5 080 km de son réseau du Grand Ouest de la France, Teréga utilise des compresseurs énergivores et émissifs en gaz à effet de serre. Le projet Optimus, mené avec DCBrain, lui a permis de modéliser les actions des opérateurs, puis de simuler des scénarios. Une étape importante, franchie grâce à la création d’un jumeau numérique. Elle prépare l’utilisation du machine learning, pour aller plus loin dans l’anticipation.

Le métier de Teréga ? Faire en sorte que le gaz nécessaire aux particuliers et aux entreprises, sur environ un tiers du territoire national (Grand Ouest), soit toujours disponible. « Pour cela, nous nous appuyons sur les prévisions de consommation de gaz pour la journée du lendemain, explique Julian Khayar, ingénieur de simulation au sein du service exploitation. Elles nous indiquent les quantités de gaz à transporter et leurs directions. Nous actionnons nos différents compresseurs de stockage et de transport (20 au total, NDLR) pour optimiser cet acheminement ».
Problème, ces compresseurs s’avèrent énergivores et émissifs en gaz à effet de serre : en particulier, près de 29 000 teqCO₂ en 2018. Il a donc été décidé, dans le cadre du programme Be Positif de Teréga, de réduire ces émissions, en même temps, naturellement, que la facture.

Baptisé Optimus, ce projet s’est nourri des savoirs des opérateurs des salles de contrôle stockage et de transport, qui enregistraient depuis longtemps le résultat de leurs actions sur les compresseurs. « Mais chaque équipe avait ses propres éléments de comparaison, alors qu’il apparaissait de plus en plus évident que leurs actions respectives avaient des influences mutuelles », explique Julian Khayar.
Par ailleurs, l’apparition de nouveaux points d’entrées de gaz issus de la biométhanisation, laisse également présager une évolution du comportement du réseau en réponse aux actions des opérateurs. Et ce, d’autant plus que si ces nouvelles quantités injectées n’ont aujourd’hui qu’un impact « régional », la PPE (Programmation pluriannuelle de l’énergie) prévoit qu’elles devront représenter jusqu’à 30 % du gaz acheminé à l’horizon 2030.

L’éditeur français DCBrain, avec sa solution accessible en mode SaaS, a été sélectionné courant 2018, pour une mise en production de l’application dès l’été 2019. Cette start-up avait déjà plusieurs références dans l’optimisation de réseaux industriels, chez Total, Enedis ou Engie, entre autres.
Le projet a démarré par la collecte des données de terrain, en l’occurrence les historiques des valeurs remontées depuis les débitmètres et les capteurs de pression installés le long du réseau, en réponse aux actions engagées par les opérateurs. Les constructeurs des compresseurs ont également fourni les courbes de rendement de leurs appareils. L’outil de DCbrain a permis ensuite de modéliser un double simplifié du réseau, un jumeau numérique alimenté à la fois par les données de flux, celles enregistrées au niveau des compresseurs, ainsi que les données de topologie permettant de lui donner une réalité 3D. Les données constructeurs permettent de compléter certaines valeurs manquantes par extrapolation.

Concernant la représentation des interactions complexes entre les éléments du réseau, l’approche retenue a été celle des algorithmes de graphe. Elle a permis la recherche des patterns qui sont à la base de la production de scénarios d’optimisation. « Grâce à cette construction, l’outil est désormais capable quotidiennement d’en recommander une dizaine, pour le meilleur paramétrage possible des compresseurs en réponse aux programmes commerciaux », constate Julian Khayar. Il pourrait même en fournir plus, les temps de réponse étant de l’ordre de quelques minutes. Ce qui permet de tester des combinatoires différentes, ou de forcer certaines contraintes pour voir le comportement du réseau.

Teréga a choisi de laisser largement la main aux opérateurs dans les salles de contrôle. C’est pourquoi même les données remontées vers Optimus sont filtrées par ces experts, qui éliminent celles qui pourraient générer des fausses pistes. En sens inverse, il n’est pas question d’asservir les machines industrielles à la nouvelle application : sécurité du réseau oblige. La décision finale revient donc aux opérateurs qui, au regard des scénarios reçus, en valident un après en avoir discuté entre eux. En ce sens, « Optimus est bien un outil d’aide à la décision, souligne Julian Khayar, et pas un outil de pilotage en temps réel des installations ».
Même l’utilisation envisagée dans le futur d’une brique de machine learning ne devrait pas changer immédiatement la situation. Elle servirait à modéliser l’évolution du rendement des compresseurs dans le temps, cette fois à partir des données terrain, et plus seulement à partir des données du constructeur.

L’analyse des premiers mois d’utilisation n’a pas encore permis de calculer le ROI du projet, sur le plan environnemental et financier. Néanmoins, les spécialistes de DCBrain, au vu de leur expérience dans des contextes similaires, évoquent des gains pouvant atteindre les 10 %. Il sera intéressant de voir si cette rentabilité théorique est au rendez-vous du terrain. Et si les services de développement, qui commencent à utiliser l’outil en complément des approches traditionnelles pour le dimensionnement des extensions réseaux, constatent également une amélioration de leur productivité.

Un terrain de jeu idéal pour l’IA

Les professionnels des réseaux industriels n’ont pas attendu la nouvelle vague de l’IA pour s’en servir à des fins d’optimisation. Dès les années 90, dans ces secteurs rodés aux techniques de programmation linéaire, les réseaux de neurones ont par exemple servi à prévoir les évolutions quotidiennes de la consommation d’eau, ou à détecter des fuites dans les installations. Ce qui change aujourd’hui, ce sont les possibilités de traitement des données en masse, ainsi que des interfaces et des performances de calcul qui simplifient la production de scénarios. Avec probablement demain une extension de ces approches au domaine logistique, par exemple pour l’optimisation des livraisons dans la grande distribution ?

L’ENTREPRISE

Activité : Transport et stockage de gaz
Effectif : 611 (2018)
CA : 476 M€ (2018)