Données de compteurs intelligents et exploitation plus intelligente du réseau
Chaque jour, les organisations de services publics recueillent d’importants volumes de données de l’infrastructure de mesure avancée (AMI), notamment des renseignements détaillés sur les modèles de consommation, la performance de la tension électrique et le comportement des actifs dans l’ensemble du réseau. Ces données ont le potentiel d’améliorer la fiabilité, de renforcer l’exploitation et de rendre les processus décisionnels plus proactifs. Cela dit, une grande partie de cette valeur reste inexploitée, circonscrite par des systèmes fragmentés et une accessibilité restreinte à grande échelle.
Pour une société de services publics américaine de premier plan, cet écart représentait à la fois un défi et une occasion manquée. Malgré d’importants investissements dans les technologies de compteurs intelligents, les données restent lentes à traiter, difficiles d’accès et fortement dépendantes des équipes techniques pour l’analyse. Très souvent, l’attente se prolongeait pour obtenir des perspectives sur les problèmes émergents, les modèles de charge et la performance des actifs, ce qui empêchait l’organisation d’intervenir de façon proactive selon l’évolution des conditions de réseau.
CGI a collaboré avec la société pour transformer l’accès aux données de l’AMI ainsi que leur gestion et leur utilisation dans l’ensemble de l’organisation. Plutôt que de simplement améliorer la disponibilité des données, l’approche adoptée vise à changer les interactions des équipes avec les données. En mettant en œuvre une plateforme moderne de données et d’intelligence artificielle (IA) sur Databricks et en incorporant l’analyse conversationnelle grâce à Databricks Genie, les utilisateurs peuvent désormais interagir directement avec les données, parcourir les tendances en temps réel et analyser les facteurs de performance du réseau sans dépendre de demandes complexes ou d’un soutien technique.
De données fragmentées à perspective opérationnelle à grande échelle
Le principal enjeu des analyses de l’AMI n’est pas la disponibilité des données, mais plutôt la convivialité à grande échelle. Bien que les services publics recueillent de grands volumes de données générés par les compteurs intelligents, il reste difficile d’en extraire rapidement des perspectives pragmatiques.
Pour cette organisation, les principaux défis comprenaient les données fragmentées dans tous les systèmes, la lenteur du traitement d’importants volumes d’ensembles de données, la dépendance à l’égard des ressources techniques et les problèmes de qualité des données qui minent la confiance dans les rapports. Par conséquent, les équipes passaient plus de temps à préparer les données qu’à les exploiter, ce qui retardait la détection d’anomalies et limitait la capacité à anticiper ainsi qu’à traiter les problèmes émergents.
À même la plateforme Lakehouse de Databricks, la solution vient répondre aux contraintes en unifiant les analyses de toutes les plateformes, en traitant les données à grande échelle et en mettant en place une gouvernance cohérente. Il en résulte une fondation fiable pour les analyses. Plutôt que de travailler avec des ensembles de données déconnectées et de suivre des processus manuels, les équipes peuvent maintenant accéder à des perspectives fiables en temps opportun qui accélèrent la prise de décision.
L’accès aux perspectives n’est plus restreint aux utilisateurs techniques. Grâce à un accès en langage naturel à des données triées sur le volet par Databricks Genie, les équipes sur le terrain peuvent analyser les modèles, valider les hypothèses et détecter les enjeux émergents en temps réel.
Concevoir la solution sur Databricks
Transformer un grand volume de données de l’AMI en perspectives exploitables nécessite une ingénierie des données évolutive et un accès intuitif. Alors que plusieurs organisations sont en mesure de stocker et de traiter les données, rares sont celles qui les rendent directement utilisables pour les équipes responsables de l’exploitation du réseau.
Ici, l’objectif était de mettre en place un environnement de données unifié et gouverné tout en permettant une interaction directe avec ces données à partir d’une interface conversationnelle.
Voici les principaux éléments de la solution.
- Une fondation de données évolutives qui traite un grand volume de données de l’AMI en s’appuyant sur des pipelines Spark
- Une gouvernance centralisée, une traçabilité des données et une gestion des accès grâce au catalogue Unity
- Un contrôle qualité automatisé des données pour améliorer la fiabilité des analyses
- Des modèles d’apprentissage machine gérés sur MLflow pour la prévision, la détection d’anomalies et la classification
- Des tableaux de bord pour la direction, combinés à des analyses conversationnelles
- Un accès en langage naturel par l’intermédiaire de Databricks AI/BI Genie, qui permet aux utilisateurs d’interroger les données en termes simples
La solution est gouvernée de bout en bout, car chaque couche fonctionne sur une plateforme unique. Les données demeurent sécurisées, traçables et adaptables selon l’évolution des besoins. On obtient ainsi un système qui non seulement génère les perspectives, mais aussi les rend accessibles en temps réel aux équipes d’exploitation du réseau.
Favoriser une exploitation du réseau plus proactive et axée sur les données
Pour le secteur des services publics, les retombées vont au-delà d’un accès amélioré aux données. La possibilité d’exploiter des données de l’AMI de façon plus efficace permet une prise de décision plus rapide et éclairée.
- Les équipes d’exploitation du réseau gagnent une visibilité en temps réel sur la performance des compteurs, la charge des transformateurs et la qualité du courant électrique, ce qui favorise une détection en amont des anomalies et une intervention proactive.
- Les équipes de gestion des pannes tirent parti de flux de données continus et de données de géolocalisation qui accélèrent la détection des pannes, en plus d’accroître l’efficacité des efforts de restauration.
- Les équipes de maintenance peuvent diagnostiquer les problèmes potentiels plus rapidement grâce à la détection automatisée des anomalies, ce qui permet de progresser vers une maintenance prédictive.
- Les équipes de planification et des prévisions tirent parti des modèles prédictifs qui intègrent les données météorologiques, géographiques et d’utilisation pour améliorer les prévisions de charge ainsi que la gestion du réseau.
- Les utilisateurs de l’ensemble de l’organisation peuvent directement accéder aux données, ce qui réduit la dépendance aux ressources techniques spécialisées.
Cela donne lieu à une transition d’interventions réactives vers une approche proactive et axée sur les données de gestion de la performance et de la fiabilité du réseau.
Alors que cette transformation se concentre sur les données de l’AMI, l’enjeu sous-jacent touche l’ensemble du secteur. Bien que les organisations continuent de générer des volumes croissants de données, elles peinent souvent à rendre ces données accessibles et exploitables.
En combinant une plateforme de données unifiée, une gouvernance solide ainsi qu’un accès conversationnel intuitif, les organisations délaissent les rapports figés pour intégrer les analyses à leurs processus décisionnels au quotidien.
Cela s’inscrit dans une transition plus importante de l’utilisation des données et de l’IA, désormais intégrées aux processus opérationnels à l’échelle de l’entreprise plutôt que de servir de simples outils d’analyse.
Opérationnaliser les données pour améliorer la fiabilité et la performance du réseau.
À mesure que les organisations de services publics continuent de moderniser le réseau, la capacité à opérationnaliser les données devient essentielle pour améliorer la fiabilité et la performance.
Les données de l’AMI ont toujours recelé un potentiel important. Grâce à CGI et à Databricks, les organisations de services publics peuvent désormais les exploiter afin d’accélérer la prise de décisions, de favoriser des interventions proactives et de renforcer la résilience du réseau.
