Le rôle de la data dans la transition énergétique
La data science est un ensemble de disciplines visant à traiter un volume important de données. Cet article explore trois pistes d’application de la data et de la programmation dans le cadre de la transition énergétique.
Publié le 06 septembre 2025 par :
Paul
Consultant ingénieur énergie
Paul est ingénieur de formation. Il a suivi une formation complémentaire en data science afin d’obtenir des bases en programmation, ainsi qu’en data science. Grâce à cette double casquette, il a pu, lors de ses différentes expériences, réaliser des projets d’ingénierie en utilisant la programmation.
La consommation massive d’énergies fossiles depuis la révolution industrielle entraîne un réchauffement climatique qui a et aura de nombreuses conséquences.
Ainsi, il est important d’agir afin de limiter ce réchauffement, notamment en passant des énergies fossiles à des énergies renouvelables comme le solaire et l’éolien, ou encore en réalisant des actions visant la sobriété énergétique.
💡 Depuis l’invention de la machine de Turing (le premier concept d’ordinateur), d’énormes évolutions ont été réalisées dans le domaine de l’informatique, avec des outils toujours plus complexes et puissants. La data science est un ensemble de disciplines visant à traiter un volume important de données : cela va de simples tests statistiques jusqu’aux outils de Deep Learning (algorithmes inspirés du fonctionnement du cerveau humain, basés sur des réseaux de neurones).
Ainsi, quel rôle peut jouer la data science dans la transition énergétique ? Cet article explore trois pistes d’application de la data science et de la programmation dans le cadre de la transition énergétique.
1. L’étude massive des données
Quand on parle de traitement ou de gestion de données, on pense souvent à… Excel ! 🔎 C’est en effet l’outil le plus simple et le plus courant pour traiter des données numériques ou du texte. On peut facilement ranger nos données dans des tableaux et créer des graphiques.
Cependant, dès qu’on commence à accumuler plusieurs fichiers Excel, traiter individuellement chaque fichier devient vite chronophage. (C’est également vrai pour les PDF ou d’autres documents contenant des informations.)
➡️ Solution : automatiser avec un langage de programmation. Le recours à des langages comme VBA (directement intégré à Excel) ou Python permet d’automatiser certaines actions et donc de gagner un temps considérable. Dans le cas de Python, il existe de nombreuses librairies (ensembles de codes prêts à l’emploi) spécialement conçues pour traiter de grands volumes de données ou de documents, on peut citer Pandas, Pyspark pour les plus connues.
Par ailleurs, Python permet de récupérer simplement (toujours via des librairies) des données stockées externes :
- via des bases publiques mises à disposition par le gouvernement ou des organismes privés
- ou via des API (interfaces permettant de dialoguer avec un serveur) et des requêtes SQL pour accéder aux bases de données internes de l’entreprise.
Enfin, Python bénéficie d’une communauté très active, ce qui facilite l’apprentissage et la résolution de problèmes, que l’on soit débutant ou plus aguerris.
2. Algorithme et outils d’ingénierie
Dans les métiers de l’ingénierie, on utilise souvent des logiciels métiers. Quelques exemples :
- Pléiades pour la modélisation thermique des bâtiments,
- PVSYST pour le dimensionnement et la simulation de centrales photovoltaïques.
Ces logiciels s’appuient sur des lois physiques souvent complexes et permettent d’estimer, par exemple, des consommations ou des productions énergétiques de manière rapide. Leur fonctionnement est similaire : on rentre plein de paramètres, puis on lance la simulation.
➡️ Mais quel est l’intérêt de la programmation ici ? La programmation peut être utile pour deux raisons :
- Automatiser les tests de paramètres : souvent, pour obtenir un résultat précis, on doit faire varier un ou plusieurs paramètres. Cela peut devenir extrêmement chronophage si on le fait manuellement. Exemple : créer un algorithme qui lance PVSYST en boucle avec différentes configurations afin d’obtenir automatiquement une série de résultats.
- Créer un algorithme « imitant » : On peut aussi concevoir un petit algorithme qui imite le logiciel, en intégrant uniquement des règles métier simples et essentielles. L’avantage : tester un grand nombre de paramètres plus rapidement et de manière plus flexible.
⚠️ Attention : cela peut demander beaucoup de ressources à son pc. Mieux vaut avoir un ordinateur puissant pour les exécuter !
3. Machine Learning et Deep Learning
En data science, on peut également utiliser des outils de Machine Learning (ML) et de Deep Learning (DL).
- Machine Learning : outils capables « d’apprendre » à partir de données. Exemple simple : une régression linéaire (utilisée pour prévoir une tendance)
- Deep Learning (ou apprentissage profond) : ensemble d’outils plus complexes et plus puissant que ceux du ML, utilisant des réseaux de neurones et d’autres structures complexes (comme les réseaux de convolution).
➡️ Quelles applications ?
Ces outils ont une approche légèrement différente des logiciels métiers. Ces derniers utilisent des équations mathématiques pour calculer un résultat à partir de paramètres d’entrée.
En revanche, le ML et le DL vont utiliser un grand nombre d’entrées et de sorties afin de comprendre le lien statistique entre l’entrée et la sortie. L’objectif étant d’obtenir une sortie si on lui donne une nouvelle entrée.
🔹 Exemple : Pour estimer la production d’un panneau solaire, on peut :
- Méthode classique : utiliser les formules physiques et les données météo.
- Méthode Deep Learning : entraîner un modèle en lui fournissant des données réelles d’un grand nombre de centrales photovoltaïques, ainsi que les relevés météo associés.
🔍 D’autres applications sont possibles. On peut citer la maintenance préventive et la détection de défauts. De nombreuses recherches sont en cours notamment dans la détection de défauts de cellule PV. Ces outils peuvent également servir dans l’aide à la décision via des outils de classifications.
🫤 Limites de ces méthodes
Ces outils demandent beaucoup de données d’entrées et de sorties afin de réaliser leur apprentissage et sont assez sensibles à la qualité des données.
Ces outils peuvent facilement devenir des « boîtes noires », car leurs calculs internes sont souvent difficiles à interpréter.
Conclusion
📊 La data science a un rôle à jouer dans la transition énergétique notamment dans le traitement de grand volume de données via des algorithmes ou des outils plus complexes comme le Machine et Deep Learning.
De plus, de nombreux projets R&D de data science dans la transition énergétique sont en cours, il est tout à fait probable que des outils révolutionnant le domaine apparaissent dans les prochaines années !