Cet outil permet de s’affranchir des limitations de l’outil équivalent utilisé dans le logiciel Plexos. L’idée est d’effectuer une projection - ce qui est différent d’une prévision - d’un profil annuel demi-horaire sur des années futures en respectant les hypothèses de pic et de consommation annuels. En jouant avec ces 3 hypothèses (forme, pic et énergie), l’outil va générer différents scénarios de demande. Cela est ensuite utile pour faire des chemins de prix utilisés par des producteurs dans des projets d’investissement par exemple.
L’outil a de nombreuses plus values par rapport à ce que les collègues utilisaient précédemment. Tout d’abord, la projection est nettement améliorée avec un meilleur mapping du profil de base et des jours fériés ainsi qu’une meilleure préservation de l’intégrité de la forme lorsqu’une grande distortion est requise (grâce à une fonction de distortion plus intelligente). Ensuite, l’outil permet une meilleure compréhension des hypothèses grâce à une app bien faite avec des élements de visualisation soignés, au test automatique de la compatibilité des hypothèses et à la possibilité de projeter selon différents modes si les hypothèses possèdent des incohérences. Enfin, cette app offre plus de contrôle et de transparence sur ce qui se passe avec un code entièrement disponible aux membres de l’entreprise.
L’application a été développée en utilisant Python, Github et Snowflake.

Un des plus gros énergéticien du pays a lancé la construction d’un énorme parc de BESS. Pour anticiper son utilisation, il nous a demandé de développer un outil permettant de simuler l’utilisation du parc sur différents marchés de l’électricité. Cela permet aux traders de s’entraîner à optimiser leurs offres. L’outil a pris la forme d’une app complète intégrée au SI du client. Nous étions 3 sur le projet plus 2 personnes côté client.
L’application a été développée en utilisant Python, SQL, Docker et Azure.

Un énergéticien avec un portefeuille intégré appartenant au gouvernement australien était en co-développement avec nous d’un calculateur de EaR (“Earnings at Risk”). Cet indicateur permet d’évaluer le risque de marché associé à l’exposition du portefeuille au prix spot, ce qui comprend la demande, la production et les produits financiers sur du moyen à long terme. Ma contribution a été essentiellement de monter un dossier d’étude de la codebase dans une version pre-release. Ce travail m’a demandé de comprendre le code dans ses détails afin d’évaluer le respect des bonnes pratiques (implémentation, lisibilité, gestion des erreurs,…), d’effectuer des recommandations et de valider la fonctionnalité du code. La checklist développée à cet égard a alimenté des discussions internes pour améliorer la qualité du code dans les projets.

Développement de différentes applications à usage interne avec Python et VBA.

Développement complet d’une application permettant la prévision de la consommation pour les entreprises livrées en basse tension, d’une puissance souscrite comprise entre 36 et 250kVA. Cet outil prend en entrée des courbes de charge, qui correspondent chacunes à un POD (Point Of Delivery) et effectue leur prévision en un temps record (il traite 2000 courbes en moins de 25 minutes). L’outil a été pensé pour être efficace et repose sur un modèle simple. Pour chaque POD, le modèle effectue une projection linéaire d’un profil de base construit à partir de la courbe de charge du POD décorrélée de la température. Il traite également les cas de bord où les données manquent ou sont incohérentes. Cet outil a été rapidement opérationnel et a aidé à gagner plusieurs appels d’offre.
Excel, Python, AWS.

Développement complet d’un outil pour la prévision des coefficients dynamiques des profils dont la puissance souscrite est inférieure ou égale à 36kVA. L’outil a apporté un gain substantiel de précision par rapport à l’outil précédent qui utilisait les coefficients statiques avec une méthode statistique pour la prévision, surtout dans un contexte de baisse de la consommation due à la crise énergétique de 2022. Une variation de prévision impacte le pricing des offres via une variation du taux d’ARENH et donc du coût de sourcing, du coût de flex et du coût de la capacité. L’étude de cet impact a permis de démontrer que la prévision du nouvel outil apportait un gain de compétitivité. L’outil fonctionne de manière autonome en se lançant sur la machine locale du service à intervalles réguliers pour mettre à jour les données et la prévision.
Python, Bash.