Accéder au contenu
Clients

Solar Mapper, nouvel outil développé par TotalEnergies grâce au machine learning

22 octobre 2021
https://storage.googleapis.com/gweb-cloudblog-publish/images/sustainability_cG2whyY.max-2000x2000.jpg
Google Cloud Content Team

Essayer GCP

Les nouveaux clients peuvent explorer et évaluer Google Cloud avec des conditions exceptionnelles.

Essayer

Baptisé Solar Mapper, le nouvel outil développé par TotalEnergies facilite et accélère les estimations d’ensoleillement partout dans le monde grâce au Machine Learning.

Les bénéfices en utilisant Google Cloud : 

    • Création d'un outil d'estimation de l'ensoleillement couvrant toute la planète grâce aux données fournies par le Projet Google Sunroof
    • Développement rapide de modèles de Machine Learning complexes en six mois grâce aux Cloud TPUs
    • Solution offrant une couverture du territoire de 90%, contre seulement 30% auparavant, ce qui favorise l’adoption de l’énergie solaire en France

    Acteur majeur mondial du secteur énergétique, TotalEnergies s'est non seulement engagé à décarboniser ses activités afin de parvenir à la neutralité carbone d'ici 2050 mais aussi à faire émerger des solutions innovantes s’inscrivant dans une politique de développement durable. Dans cette perspective, le Groupe a décidé d’équiper ses stations-services présentes partout dans le monde avec des panneaux photovoltaïques.  Un projet ambitieux qui a donné naissance à un outil original permettant aux particuliers et industriels de calculer le potentiel de production de panneaux solaires placés sur leurs toitures. De quoi favoriser l’adoption de panneaux photovoltaïques partout dans le monde.

    Favoriser l’adoption de l’énergie photovoltaïque

    Trois ans après le lancement du projet en 2016, TotalEnergies inaugurait à Marrakech (Maroc) sa 1 000ème station-service alimentée à l'énergie solaire. Au final, l’objectif est d’équiper plus de 5 000 stations dans 57 pays ainsi que toutes les installations essentielles aux activités du Groupe. Cependant faute de données nécessaires au calcul sur certains endroits visés par sa stratégie, dont une trentaine de pays en Afrique, TotalEnergies avait du mal à estimer le potentiel d’ensoleillement de certaines stations et donc la pertinence économique de l’installation de panneaux solaires. Au-delà de la météo, de nombreux paramètres entrent en effet en ligne de compte dans la quantité d’énergie produite par les panneaux.

    À la recherche d’une solution, l’équipe en charge du calcul scientifique, de la datascience et de l'IA au sein de la division Corporate R&D de TotalEnergies s’est appuyée sur les données fournies par Google Earth Engine et sur Google Cloud pour concevoir un nouvel outil innovant, baptisé Solar Mapper.

    Exploiter l'IA pour élargir la cartographie de l'ensoleillement dans le monde

    Très vite, les équipes de TotalEnergies se sont en effet orientées vers l’IA pour trouver une solution à leur problème, comme l’explique Philippe Cordier, Research Program Director du Scientific Computing, Data Science and AI Research Program du Groupe : « Notre objectif est d'exploiter le machine learning et la datascience pour déployer les énergies renouvelables de façon plus rapide et efficace. Dans cette perspective, nous avons rapidement réalisé qu’avec Project Sunroof, Google disposait de la meilleure expertise en intelligence artificielle appliquée à l'énergie solaire. Seul Google pouvait nous fournir les données dont nous avions besoin. »

    Permettant aux particuliers d'obtenir un plan solaire personnalisé, le Project Sunroof de Google facilite l’estimation du rendement de panneaux photovoltaïques. À partir des images de Google Earth Engine, il aide à analyser des facteurs tels que la taille et la forme du toit, les zones ombragées ou encore les conditions météorologiques locales. Mais, le Project Sunroof ne couvrait à l’époque que certaines régions comme les États-Unis, le Royaume-Uni ou encore l'Allemagne. Même en France, où se trouve le siège de TotalEnergies, à peine 20 % du territoire était couvert. Or, là où les images satellites de haute qualité ne sont pas disponibles, les données sont insuffisantes pour pratiquer une analyse.

    C'est finalement Gilles Poulain, Project Manager de la “Satellite Imagery & AI for Responsible Energy” chez TotalEnergies, qui a eu l'idée d’étendre la couverture en ayant recours au Machine Learning. « Mon idée était d'utiliser des modèles génératifs pour améliorer les données 3D qui nous servent à modéliser l'ombre et calculer le potentiel solaire quand nous ne disposons pas d'images de haute qualité. De cette façon, nous pouvons estimer la production d'énergie qu'entraînerait l'installation de panneaux solaires sur les stations-service, où qu'elles se situent, » explique-t-il.

    Du modèle à sa concrétisation en six mois grâce à la puissance des Google Cloud TPU

    En collaboration avec les experts en Machine Learning de Google, et à l’aide des images satellites fournies par Google Earth via l'API du Projet Google Sunroof, l’équipe de TotalEnergies a profité de l'environnement AI Platform de Google Cloud pour concevoir ses modèles. Dès la phase de tests, un autre défi a dû être relevé. « Nous avions besoin de processeurs suffisamment puissants pour entraîner les modèles », rapporte Gilles Poulain. Grâce à sa collaboration avec les data scientists de Google Cloud, l'équipe a trouvé un moyen d'accélérer le traitement : elle est passée des GPU aux Cloud TPUs de Google pour entraîner et exécuter ses modèles de Machine Learning. Six sessions d'entraînement distinctes sur six TPU permettent de tester en parallèle différentes idées et d’ajuster les modèles. « Si nous avons réussi à développer cet outil en six mois, c'est sans aucun doute parce que nous avons pu nous appuyer sur plusieurs Google Cloud TPU », affirme Gilles Poulain. « Lorsque nous sommes passés des GPU aux TPU, les tests courts qui prenaient pourtant auparavant six jours étaient terminés en six heures. »

    Pour mener à bien ce projet, TotalEnergies s’est fait accompagner par SFEIR, néo-ESN spécialisée sur Google Cloud. Grâce à AI Platform, sa compatibilité avec tous les frameworks ML et sa capacité à encapsuler les entraînements dans des containers Docker, l'équipe SFEIR a pu utiliser toutes les bibliothèques utiles au projet et aider les équipes R&D à industrialiser les processus de Machine Learning, en créant des pipelines pour l'entraînement, le test et le déploiement automatique de modèles. Grâce à Earth Engine, SFEIR a déployé plusieurs solutions basées sur l'analyse des images satellites. Afin de rendre la mise à jour et le déploiement de modèles plus efficaces, le partenaire a développé un second pipeline permettant de transformer les modèles de TotalEnergies en modèles exploitables par Earth Engine. Enfin, SFEIR a aussi créé une plateforme Web afin de présenter les nouveaux cas d'utilisation développés par les équipes R&D.

    Permettre à des clients du monde entier d'adopter l'énergie solaire

    Aujourd’hui, TotalEnergies a dépassé le stade de la démonstration de faisabilité (PoC). Le Groupe peut donc désormais l’utiliser à grande échelle pour son projet de solarisation des stations-service mais aussi pour permettre aux Français d'évaluer le potentiel solaire de leur logement. « Avant, quand vous habitiez en zone rurale en France, il fallait qu'un spécialiste vienne à votre domicile pour étudier son emplacement. Dresser une estimation du potentiel solaire prenait des jours voire des semaines, selon la complexité des facteurs », rapporte Gilles Poulain. « Grâce à cet outil, l'estimation ne prend que quelques secondes et 90 % du pays est couvert. »

    « Au-delà de son application pour les stations-service, l'outil Solar Mapper va, à terme, accélérer le déploiement de l'énergie solaire dans le monde », ajoute Gilles Poulain. « Nous sommes convaincus que le fait de pouvoir obtenir une estimation rapidement incitera les particuliers comme les entreprises à faire un pas vers l'énergie solaire. »

    Et ce n’est qu’un début car TotalEnergies entrevoit déjà de nombreuses autres applications potentielles de Solar Mapper au travers de ses différentes filiales.

    Publié dans