TRANSITION
Plateforme de prévision de charge électrique pour SSEN
Client
SSEN (Scottish and Southern Electricity Networks)
Secteur
Énergie & infrastructure critique
Année
2023
Contenu confidentiel
Non partageable — exigences de sécurité et de confidentialité client
3,9M
foyers et entreprises alimentés
D+4 / D+10
horizons de prévision
19
tâches batch automatisées K8s
4
sources de données externes
Contexte
SSEN devait anticiper les surcharges sur son réseau 11 kV / 33 kV et évaluer en continu la fiabilité de ses modèles de machine learning de prévision de charge. L'enjeu : construire une plateforme data end-to-end dans un contexte critique — de l'ingestion multi-sources (API réseau, météo satellitaire, données ElectraLink) jusqu'à la visualisation métier — avec des pipelines ML automatisés et un déploiement cloud Kubernetes production-grade.
À propos du client — Opérateur de réseau électrique britannique alimentant 3,9 millions de foyers et entreprises en Écosse du Nord et dans le sud de l'Angleterre. Projet réalisé dans le cadre de la plateforme Heka de Sia Partners.
Déroulé
- 1Architecture microservices sur Heka (Sia Partners) : 6 services indépendants orchestrés par Nginx (auth a12n, API métier c13s, launcher, scheduler, SPA React, bridge Cloud SQL).
- 2Frontend React 17 + TypeScript : carte Leaflet interactive des sous-stations, graphiques Highcharts pour les prévisions D+4/D+10, tableau de contraintes booléen et dashboard météo multi-variables.
- 3Backend Python Flask (blueprints) : ~30 endpoints RESTful + SQLAlchemy sur PostgreSQL Cloud SQL (schémas forecast, weather, nerda, fuel_profile).
- 4Pipeline ETL + ML en 19 tâches batch Kubernetes enchaînées : scraping NeRDA/ElectraLink/DWD/ERA5 → désagrégation → calibration scikit-learn → prévisions optimisées → métriques qualité (MAPE, RMSE).
- 5Authentification JWT avec auto-refresh Axios transparent, OAuth multi-providers et RBAC (Owner, Maintainer, Visitor, Admin) vérifié par Nginx auth_request.
- 6Observabilité : Prometheus + Calert avec alertes Google Chat ; CI/CD GitLab (build Docker, push registry, déploiement K8s automatisé via Helmfile).
Résultats
- Prévisions de charge D+4 et D+10 disponibles par groupe, feeder et génération sur l'ensemble du réseau SSEN.
- Détection automatisée des contraintes réseau par actif et par plage horaire, permettant d'anticiper les surcharges avant qu'elles surviennent.
- Pipeline ML entièrement automatisé : calibration, optimisation des hyperparamètres et évaluation des modèles sans intervention manuelle.
- Météo intégrée (DWD opérationnel + ERA5 réanalyse) directement aux prévisions de charge pour les équipes planning.
- Déploiement cloud production-grade sur GCP (Cloud SQL + Cloud Storage) + Kubernetes — 19 jobs batch enchaînés sans interruption.