Page 46 - Rapport annuel 2024

page 43
Mieux prévoir
la demande pour mieux
piloter les installations,
grâce à l’intelligence
artificielle
La Régie doit répondre au besoin des usagers et
livrer au réseau la quantité d’eau nécessaire selon de
multiples schémas d’exploitation (captages, usines
et réservoirs). Pour des niveaux de consommation
journaliers « classiques », les schémas ne posent pas
de diffi culté. En revanche, il est primordial de pouvoir
anticiper les pics de consommation qui se manifestent
plusieurs fois par an. Afi n d’aider l’exploitation à
anticiper ces Volumes Livrés Au Réseau (VLAR)
inhabituels, le modèle prédictif existant méritait des
améliorations. C’est chose faite avec l’intégration
des données récentes du service, ainsi que l’ajout
de nouveaux modèles météorologiques avec un
modèle devenu plus performant. Cela a permis une
augmentation de l’horizon de prédiction de 3 à 4 jours.
L'implémentation d'un mécanisme d'apprentissage
continu constitue aussi une évolution par rapport à la
première version du modèle, permettant au système
de s'enrichir automatiquement de données récentes et
d'adapter ses prédictions aux évolutions du contexte,
là où la version précédente restait fi gée sur un
apprentissage historique limité à 2018, compromettant
progressivement sa pertinence face aux nouvelles
réalités. Cet outil sera mis en production avant l’été
2025.
© Victor Pagnot
Avec l’intégration de plus de
données dans le modèle, nous
sommes passés à moins de 2 %
d’erreur de prévision pour le jour
J. En passant d’une anticipation
de 3 à 4 jours, le pourcentage
d’erreur a également diminué : de
3 % avec l’ancien modèle à 2,7 %
aujourd’hui.
Marie Collet, ingénieure en science de la donnée