Des algorithmes pour optimiser le réseau de gaz du Grand Ouest

Avec plus de 5 000 km de canalisations, Teréga alimente les distributeurs et les entreprises en gaz dans tout le sud-ouest de la France. Un réseau dont la consommation énergétique est maintenant optimisée par les algorithmes de la start-up DCbrain.

Deuxième opérateur de réseau de transport et de stockage en France, Teréga gère depuis 70 ans un réseau qui couvre tout le Grand Ouest de la France. Teréga transporte ainsi chaque année 123 987 GWh de gaz sur ses 5 080 km de canalisations et s’appuie sur une capacité de stockage de 6,5 Gm3, soit le quart des capacités de stockage nationales. Ses grands clients sont essentiellement les distributeurs qui revendent ce gaz aux particuliers ainsi que les grands industriels de la région.

Suite de l'article ci-dessous

Pour injecter puis extraire ce gaz des zones de stockage et le faire circuler dans ce réseau, Teréga met en œuvre des compresseurs très énergivores. L’entreprise s’est aujourd’hui engagée dans une stratégie visant à réduire ses émissions de gaz à effet de serre.

Le total des émissions des stations de compression s’est élevé à 28 694 teqCO2 en 2018 et réduire ce volume d’émissions était l’objectif du projet Optimus. « L’objectif du développement de ce nouvel outil était d’optimiser le fonctionnement de l’ensemble des stations de compression sur le réseau de distribution et sur les sites de stockage », explique Julian Khayar, Ingénieur de simulation au sein du service exploitation du réseau de Teréga.

« Pour y parvenir, il faut avoir une vision globale sur l’ensemble des installations, harmoniser le fonctionnement de toutes ces stations, ce qui s’inscrit pleinement dans une stratégie globale “Be Positif” de Teréga qui a pour objectif de réduire nos émissions de CO2 ainsi que nos coûts de fonctionnement ». Teréga dispose de deux centres de contrôle et d’équipes différentes, l’une dédiée au stockage, l’autre au réseau. Outre le pilotage des compresseurs, ces équipes disposent des informations délivrées en temps réel par des débitmètres et des capteurs de pression installés sur tout le réseau.

Parmi les défis de l’optimisation d’une telle infrastructure, les stations de compression mettent en œuvre des compresseurs très différents. Ceux-ci sont chargés d’amener la pression entre 10,5 et 85 bars dans un réseau constitué de canalisation de 50 à 900 mm de diamètre. Certains sont des compresseurs électriques, d’autres des turbocompresseurs à gaz dont les courbes de rendement sont différentes.

« Nous savions qu’en optimisant le fonctionnement des installations de manière plus globale nous pourrions gagner sur la consommation électrique et sur nos rejets CO2. »
Julian KhayarTeréga

Teréga dispose de 3 stations de compression et de 9 compresseurs côté transport et de 11 compresseurs côté stockage, soit une puissance totale disponible de 117 MW. « Nous savions pertinemment qu’en optimisant le fonctionnement des installations de manière plus globale nous pourrions beaucoup gagner sur la consommation électrique et donc sur nos rejets CO2 », ajoute Julian Khayar.

DCbrain, un spécialiste de l’optimisation des réseaux industriels

Plusieurs éditeurs ont été consultés dans le cadre de ce projet baptisé Optimus et le choix de Teréga s’est porté sur DCbrain. La start-up parisienne qui compte Enedis, Total, GRDF et Engie parmi ses clients affichait déjà une solide expérience dans le domaine de l’optimisation des réseaux industriels. « Nous avions déjà un aperçu de ce dont ils étaient capables et ils proposent des solutions dans le cloud sur étagère. En outre, nous savions que nous pourrions à terme ajouter une brique Machine Learning à notre optimiseur ».

Benjamin de Buttet, COO de DCbrain résume sa démarche : « nous nous appuyons d’une part sur des données de topologie du réseau. Nous modélisons un double simplifié du réseau, ce qui facilite par la suite les calculs, car toutes les informations de topologie sont nécessaires pour optimiser le fonctionnement. D’autre part, nous avons toutes les données de flux, d’injection et de consommation. Enfin, nous avons besoin de données sur le comportement des différents points du réseau, c’est-à-dire quel est le coût de chaque compresseur pour comprimer le gaz de telle valeur de pression à telle autre valeur. Ces données sont récupérées soit à partir de capteurs déjà existants, soit en utilisant des abaques industriels ».

« Nous travaillons avec différents types d’algorithmes et généralement, nous allions le Deep Learning avec des algorithmes de graphe. »
Benjamin de ButtetDCbrain

L’industriel palois est une entreprise mature sur la collecte des données et le projet n’a pas nécessité un lourd travail sur la qualité des données comme c’est parfois le cas dans de tels projets. Par contre, l’équipe projet a dû intégrer la diversité des compresseurs installés sur le réseau Teréga : « nous travaillons avec différents types d’algorithmes et généralement, nous allions le Deep Learning avec des algorithmes de graphe », explique Benjamin de Buttet.

« Les algorithmes de graphe sont très importants dans l’optimisation de telles installations, car ils permettent de calculer l’impact de la modification de tel ou tel paramètre sur un équipement sur l’ensemble du réseau. En outre, pour Teréga, nous avons utilisé le Machine Learning afin de comprendre le fonctionnement des compresseurs et générer la courbe de rendement de chacun d’eux ».

Le projet a démarré par un premier atelier de travail avec DCbrain en juin 2018. Le besoin de Teréga était très clair : s’appuyer sur la feuille Excel fournie chaque jour par le service commercial définissant le programme de livraison de gaz pour la journée et fournir un programme de fonctionnement optimisé pour la journée.
« L’outil a été implémenté de manière agile, c’est-à-dire petit à petit sur un environnement de test, puis en production », retrace Julian Khayar. « Nous étions très impatients en interne de disposer de l’outil, et curieux d’observer les résultats qu’il allait délivrer ».

Optimus a été conçu comme un outil commun entre les deux équipes d’exploitation. Celles-ci disposent d’un outil dans le cloud et les deux salles de contrôle travaillent simultanément sur l’outil et échangent sur la configuration à mettre en place pour la journée. Le fichier Excel est chargé dans le logiciel et celui-ci délivre les paramétrages optimisés pour l’ensemble des compresseurs pour la journée.

« Le moteur d’optimisation d’Optimus délivre les 10 configurations les plus optimisées. Le calcul est très rapide, de l’ordre de la minute, mais les opérateurs doivent ensuite réfléchir à la meilleure configuration à retenir », explique Julian Khayar qui ajoute : « l’optimiseur fonctionne un peu en boîte noire, mais nous pouvons lui poser des contraintes. Ainsi, nous pouvons lancer une simulation à blanc, sans contrainte puis, en fonction du résultat délivré par l’optimiseur, ajouter des contraintes en fonction des réalités du terrain ou d’un comportement recherché ».

Benjamin de Buttet précise le fonctionnement de l’optimiseur développé pour Teréga : « nous testons toutes les combinatoires, tous les scénarios possibles en fonction des règles de priorisation établies par les opérationnels. On remonte alors plusieurs scénarios possibles et c’est l’opérateur qui va valider le scénario qui sera finalement retenu pour la journée d’exploitation ».

La startup positionne ses algorithmes d’optimisation comme des outils d’aide à la décision et nos pas des logiciels de pilotage en temps réel des installations : « à terme, les algorithmes piloteront sans doute les installations et cet outil d’aide à la décision évoluera de plus en plus vers un outil de contrôle/commande des réseaux, mais cela demandera du temps. Il y a un aspect culturel et de conduite de changement qui sera nécessaire. Les industriels doivent faire confiance en l’outil avant de franchir le pas et cela demandera du temps avant que cela se fasse ».

« Optimus reste avant tout un outil d’aide à la décision. »
Julian KhayarTelégo

Julian Khayar confirme cette approche : « nous aurions sans doute pu mettre en place un système entièrement automatisé, mais les opérateurs doivent garder la main sur les installations et choisir eux-mêmes les configurations de fonctionnement de la journée. Optimus reste avant tout un outil d’aide à la décision. »

L’algorithme est aujourd’hui en production depuis l’été 2019 et des évolutions sont toujours testées sur l’environnement de test. Les premiers résultats sont jugés très satisfaisants, même s’il est encore trop tôt pour parler de ROI. Le projet a déjà décroché le prix interne de l’exemplarité en 2018 et Teréga est en train de mettre en place les indicateurs qui lui permettront de démontrer son impact sur le fonctionnement des installations et donc la réduction des émissions de CO2 de l’industriel.

Un nouveau pas en avant en termes d’optimisation pourrait être franchi en œuvre en 2020 avec la mise en œuvre de modèles de Deep Learning. « Nous espérons pouvoir récupérer prochainement les données de compresseur en temps réel afin de modéliser l’évolution du rendement de ces compresseurs dans le temps », explique Benjamin de Buttet.

« Sur ce type de projet, l’optimisation peut atteindre quelques % de consommation, mais jusqu’à plus de 10 % dans certains cas. L’économie peut atteindre plusieurs centaines de milliers d’euros par an ». Chez Teréga, outre ces gains de consommation énergétique et donc une réduction des émissions de CO2, Optimus a déjà démontré sa pertinence, notamment avec un impact organisationnel certain. L’outil transverse a permis aux deux équipes d’exploitation de mieux communiquer ensemble, de fiabiliser le processus de planification et de le rendre plus traçable.

Pour approfondir sur Applications métiers

Close