Prévisions énergétiques pour des portefeuilles complexes.
Prévisions de charge, de production et de portefeuille fondées sur l’IA pour les régies municipales d’énergie (Stadtwerke), les fournisseurs d’énergie, les agrégateurs / commercialisateurs directs et les gestionnaires de portefeuille – du point de mesure unique au portefeuille complet.
Prévisions continues et glissantes
Toujours à jour. Toujours tournées vers l’avenir.
Les prévisions sont actualisées en continu avec les dernières valeurs mesurées – de l’horizon intraday jusqu’à plusieurs jours.
Ce qui caractérise les prévisions continues
- Actualisation continue plutôt qu’une prévision journalière statique.
- De l’horizon intraday au day-ahead, jusqu’à des périodes de plusieurs jours.
- S’adapte automatiquement aux nouvelles situations de données.
Applicable de façon transversale
Électricité, gaz, chaleur – et votre cas d’usage spécifique.
La même IA pour séries temporelles prévoit non seulement l’électricité, mais aussi les charges de gaz et de chaleur – et se transpose à d’autres grandeurs dépendantes du temps propres à votre cas d’usage.
Multi-énergies et sur mesure
- Prévisions d’électricité, de gaz et de chaleur sur une base commune.
- Transposable à d’autres grandeurs dépendantes du temps de votre exploitation.
- Solutions sur mesure pour des sources de données et des cas d’usage spécifiques.
Suivi de la qualité
La qualité de prévision n’est pas une valeur mesurée une fois pour toutes.
Prévisions et valeurs réelles sont comparées en continu, la dérive est détectée et les modèles sont réentraînés de façon contrôlée.
Une qualité qui reste élevée
- Évaluation par type de prévision, niveau, horizon et cut-off.
- Suivi, détection de la dérive et réentraînement contrôlé.
- États des modèles et des données versionnés.
Prévision individuelle et de portefeuille
Du point de mesure au portefeuille.
La même IA pour séries temporelles prévoit aussi bien des points de marché (MaLo) individuels que des clusters et des portefeuilles entiers.
Une seule logique, à chaque niveau
- Agrégation incluant les effets de netting.
- Pertinent pour l’approvisionnement, la commercialisation et le périmètre d’équilibre.
- Utilisation ciblée sur les sous-portefeuilles difficiles.
Bande de confiance et d’incertitude
Pas seulement la valeur – aussi le degré de certitude.
Les quantiles et les intervalles de confiance restituent l’incertitude de façon transparente.
Une meilleure base de décision
- Évaluation différenciée selon l’horizon de prévision, la situation météorologique et la qualité des données.
- Meilleure base pour les décisions de dispatching et de négoce.
- Analyse séparée pour le point de mesure, le cluster et le portefeuille.
Intégration fluide (API-first)
Votre paysage de systèmes reste en place. La prévision s’y ajoute.
aimpera fournit prévisions, agrégats et informations de qualité comme couche additionnelle à côté de vos systèmes existants – sans changement de système.
Un raccordement sans « rip-and-replace »
- Raccordement via API REST, SFTP et échange de fichiers.
- Intégration dans les systèmes EDM, PFM, BKV, VPP et de négoce.
- Couche de prévision additive plutôt que changement de système.
Avis de changement de charge
D’un e-mail naît une meilleure prévision.
Les changements de charge vous parviennent souvent sans formalité par e-mail. aimpera saisit automatiquement ces avis, les analyse à l’aide de l’IA et les intègre directement dans la prévision en cours.
De l’avis à la prévision
- Les avis reçus par e-mail sont saisis et structurés automatiquement.
- Analyse assistée par l’IA des mises en service et arrêts, des dates exceptionnelles et des interventions planifiées.
- Les changements détectés sont intégrés immédiatement dans la prévision glissante.
Modèle de prévision aimpera v3
Prévisions RLM et de charge
Pour des points de marché (MaLo) individuels, des groupes de clients, des clusters et des portefeuilles – la base de l’approvisionnement, du négoce et du périmètre d’équilibre (Bilanzkreis).
- RLM (mesure de courbe de charge enregistrée) et consommation d’électricité
- profils de charge spécifiques aux clients
- consommateurs difficiles et volatils
- prévisions spécialisées pour des particularités opérationnelles
Prévisions PV et de production
Pour les installations, les parcs et les portefeuilles de production agrégés – photovoltaïque et éolien, de l’installation au portefeuille, sur la base du modèle de prévision aimpera v3.
- PV et éolien
- niveau installation, parc et portefeuille
- autres types de production selon le projet
Prévisions de portefeuille et d’agrégats
Des séries temporelles individuelles jusqu’à l’agrégation pertinente pour l’approvisionnement et la commercialisation.
- MaLo → cluster → portefeuille
- effets de netting pris en compte
- pertinent pour l’approvisionnement et la commercialisation
Prévisions proches du périmètre d’équilibre
Prévisions et agrégations pour les processus proches du périmètre d’équilibre (Bilanzkreis) et les workflows de portefeuille / de responsable d’équilibre (BKV) existants.
- processus proches du périmètre d’équilibre
- connexion aux workflows BKV
- plannings agrégés
La qualité de prévision se joue dans la réalité.
en conditions réelles
Comment fonctionne aimpera Forecast
De vos systèmes et sources de données, en passant par l’assurance qualité et la prévision, jusqu’au retour dans votre processus – un déroulement continu et surveillé.
Raccorder les données
Données de mesure, de référence, météorologiques et de calendrier, avis des clients et informations d’exploitation pertinentes.
Garantir la qualité des données
Traitement des valeurs manquantes, des valeurs aberrantes, des jours spéciaux, des ruptures de structure et des particularités opérationnelles.
Générer les prévisions
Mettre en œuvre les modèles adaptés à chaque série temporelle, cluster ou portefeuille.
Suivi continu
La qualité de prévision n’est pas mesurée une seule fois, mais en continu et surveillée – par rapport à des prévisions de comparaison pertinentes, avec détection de la dérive et alertes, afin que la qualité reste durablement élevée.
Agréger
MaLo → cluster → portefeuille → contexte du processus, y compris les effets de netting.
Retour dans le processus
Livrer prévisions, agrégats et informations de qualité dans le paysage de systèmes existant.
Les bonnes prévisions n’arrêtent jamais d’apprendre
aimpera réunit prévision, incertitude, correction en temps réel et amélioration continue des modèles dans un processus de bout en bout.
Prévision & incertitude
- Prévisions ponctuelles pour l’usage opérationnel
- Quantiles et intervalles de confiance pour restituer l’incertitude de façon transparente
- Évaluation différenciée selon l’horizon de prévision, la situation météorologique et la qualité des données
- analyse séparée de la qualité pour le point de mesure, le cluster et le portefeuille
Correction en temps réel
- correction continue avec les valeurs mesurées actuelles, lorsque cela est prévu
- prise en compte des disponibilités et des indisponibilités
- écrêtement (curtailment) et interventions manuelles côté production
- signalisation transparente des données d’entrée manquantes ou non plausibles
- mécanismes de repli en cas de défaillance des données ou du modèle
Amélioration continue
- comparaison continue entre prévision et valeurs réelles
- évaluation par type de prévision, niveau, horizon et cut-off
- Suivi et détection de la dérive
- réentraînement contrôlé et états de modèle versionnés

L’un des plus grands malentendus en matière de prévision est de croire qu’un modèle est un jour terminé. Pour moi, une bonne prévision n’est pas celle qui tombe juste une fois de manière exceptionnelle, mais celle sur laquelle on peut compter chaque jour. Et comme l’environnement change sans cesse, le modèle doit lui aussi comparer, apprendre et s’améliorer en continu.
Mis en œuvre dans la plateforme aimpera ML-Core
La plateforme aimpera ML-Core est conçue pour des systèmes d’IA pour séries temporelles appliqués aux données énergétiques – avec une automatisation de bout en bout, de l’entraînement au suivi, jusqu’à la détection des erreurs et le réentraînement, pour que les modèles s’adaptent en continu aux nouvelles données et aux conditions changeantes.
Les quatre dimensions temporelles d’une prévision
Les bonnes prévisions ne naissent pas seulement de bons modèles. L’essentiel est que l’horizon, la résolution, l’actualisation et les informations disponibles correspondent exactement au cas d’usage.
Les valeurs concrètes d’horizon et de résolution sont définies de façon homogène sur le plan métier pour chaque type de prévision.
Votre paysage de systèmes reste en place. La prévision s’améliore.
aimpera s’intègre comme couche de prévision dans les processus existants du secteur de l’énergie. La voie d’intégration technique dépend de votre architecture existante.
- données d’entrée et de référence nécessaires, contrôle des données et mapping
- valeurs de prévision, agrégats, informations d’incertitude et de qualité comme sorties
- moments d’actualisation et de livraison, suivi, messages d’état et repli
- sans changement obligatoire de système EDM, PFM, BKV, VPP ou de négoce
Là où les prévisions ont un effet économique
Les prévisions énergétiques en détail
Devons-nous remplacer notre système de prévision existant ?
Non. aimpera peut être utilisé aussi bien comme solution de prévision autonome, remplaçant les prévisions existantes, que comme couche de prévision supplémentaire intégrée à votre paysage de systèmes existant. Les systèmes EDM, PFM, BKV, VPP ou de négoce peuvent alors rester inchangés comme référence.
De quelles données aimpera a-t-il besoin ?
Pour démarrer, les valeurs réelles historiques suffisent en général. Pour un benchmark direct, votre prévision existante, avec son moment de création, est en outre utile. Selon le cas d’usage, d’autres informations peuvent être intégrées, telles que des données de référence, des données météorologiques, des informations de calendrier ou des avis clients. Les données réellement nécessaires dépendent de l’objectif de prévision.
aimpera peut-il recevoir des données de mesure directement du client ou de son infrastructure ?
Oui. aimpera peut recevoir des données de mesure directement du client ou de son infrastructure – indépendamment de l’opérateur de point de mesure et en complément des données de mesure habituelles issues de la communication de marché. Cela comprend des valeurs de puissance en ligne issues d’une instrumentation ou d’un système de conduite industriel, par exemple SCADA, des valeurs transmises via la gestion des données énergétiques (EDM) du client ainsi que des valeurs provenant d’un contrôleur de mesure supplémentaire sur le site. Des actualisations des valeurs mesurées au fil de la journée sont ainsi possibles et alimentent directement les prévisions en cours. La transmission se fait via l’API REST (HTTP POST avec JSON) ou sous forme de fichier CSV ; d’autres raccordements tels qu’OPC, ODBC/SQL ou PGIM peuvent être ajoutés selon le projet.
aimpera peut-il d’abord fonctionner en parallèle ?
Oui. aimpera peut d’abord fonctionner entièrement en parallèle de votre prévision existante. La qualité de prévision peut ainsi être comparée directement en conditions réelles, sans devoir modifier les processus ou systèmes existants. Sur la base des résultats, vous décidez ensuite si, et dans quelle mesure, aimpera sera utilisé en production.
Comment les prévisions sont-elles transmises ?
La transmission peut se faire de manière flexible via API REST, SFTP, échange de fichiers standardisé ou interfaces sur mesure. La voie d’intégration technique dépend de votre architecture existante et des processus en place.
Quels types de prévision sont pris en charge ?
aimpera prend en charge, entre autres, les prévisions RLM et de charge, les prévisions PV et de production, les prévisions de portefeuille et d’agrégats ainsi que les prévisions proches du périmètre d’équilibre (Bilanzkreis). L’accent est mis en particulier sur le photovoltaïque et les profils de charge exigeants. D’autres types de production et des tâches de prévision spécifiques peuvent être traités selon le projet.
Pouvons-nous d’abord commencer avec des sous-portefeuilles sélectionnés ?
Oui. Pour les grands portefeuilles notamment, un démarrage ciblé est souvent pertinent. aimpera peut d’abord être appliqué à des clients, installations, clusters ou séries temporelles individuels. Cela permet d’évaluer le bénéfice dans un périmètre clairement délimité. Une extension ultérieure à d’autres sous-portefeuilles ou à l’ensemble du portefeuille est possible à tout moment.
Comment la qualité de prévision est-elle mesurée ?
La qualité de prévision est évaluée à l’aide d’indicateurs clairs, qui montrent à quel point une prévision est proche des valeurs effectivement survenues. Les indicateurs pertinents dépendent toutefois fortement du cas d’usage – c’est pourquoi nous commençons par discuter précisément de la manière dont la prévision sera utilisée et des erreurs qui comptent le plus. Sur cette base, nous choisissons la méthode d’évaluation adaptée, par exemple pour les écarts moyens, les sur- ou sous-estimations systématiques ou les erreurs de prévision particulièrement importantes. Les tests sont réalisés sur des périodes que le modèle n’a jamais vues, et les résultats sont comparés à des modèles de référence appropriés ainsi que, sur demande, directement à votre prévision existante.
Quelle est la différence entre résolution et fréquence d’actualisation ?
La résolution temporelle décrit la grille des valeurs de prévision, par exemple des intervalles de 15 minutes. La fréquence d’actualisation détermine en revanche à quelle fréquence une nouvelle prévision est calculée et mise à disposition. Une prévision peut par exemple être disponible selon une grille de 15 minutes et n’être actualisée qu’une fois par heure. Les deux paramètres peuvent être ajustés indépendamment l’un de l’autre au cas d’usage concerné.
Comment les nouveaux clients ou installations sans long historique sont-ils traités ?
Même pour de nouveaux clients ou des installations avec un historique court, des prévisions fiables peuvent être établies. aimpera utilise pour cela des modèles capables de tirer parti des caractéristiques disponibles, de profils de comparaison et de séries temporelles similaires. Dès que davantage de valeurs réelles sont disponibles, elles servent à aligner progressivement la prévision sur le comportement individuel de consommation ou de production.
Puis-je évaluer la prévisibilité de nouveaux clients dans le négoce et la vente d’énergie avant la signature du contrat ?
Oui. Pour les nouveaux clients et les demandes d’offre dans le négoce et la vente d’énergie, aimpera peut évaluer en amont dans quelle mesure leur courbe de charge est prévisible – avant même qu’un contrat soit conclu ou un prix calculé. La base est constituée des données de courbe de charge ou de consommation disponibles du prospect ; en cas d’historique court, des profils de comparaison et des séries temporelles similaires sont en outre mobilisés. Le résultat montre quelle qualité de prévision et quels écarts typiques attendre, et quelles influences, comme la météo, les processus d’exploitation ou la saisonnalité, déterminent la prévisibilité. Le risque de prévision et d’approvisionnement d’un nouveau client peut ainsi être pris en compte dès le calcul de l’offre, au lieu de ne le constater qu’après le début de la fourniture, à travers les coûts d’énergie d’ajustement (Ausgleichsenergie). La base de données suffisante dépend du cas individuel.
Comment aimpera gère-t-il les changements d’affectation dans le portefeuille ?
Les changements d’affectation de clients, de points de marché (MaLo), de clusters ou de portefeuilles peuvent être pris en compte dans la logique de prévision et d’agrégation. Les prévisions restent ainsi cohérentes aux différents niveaux d’agrégation, même lorsque la composition du portefeuille change.
Les prévisions et les indicateurs de qualité peuvent-ils être livrés ensemble ?
Oui. Outre les prévisions proprement dites, des agrégats, des indicateurs de qualité et – selon le cas d’usage – des informations d’incertitude peuvent être fournis. Ces informations peuvent être transmises ensemble à vos systèmes et permettent non seulement d’utiliser les prévisions, mais aussi d’en évaluer en continu la qualité et la fiabilité.
Comment l’intelligence artificielle peut-elle améliorer la prévision de périmètre d’équilibre (Bilanzkreis) des régies municipales d’énergie et des fournisseurs d’énergie ?
Les prévisions de périmètre d’équilibre fondées sur l’IA peuvent représenter plus précisément les différents profils de consommation et de production et tenir compte des évolutions à un stade précoce. Pour cela, les courbes de charge historiques, les données météorologiques, les informations de calendrier et – lorsqu’ils sont disponibles – les mesures actuelles et les informations d’exploitation sont combinées.
aimpera Energy Forecasts produit des prévisions pour des points de marché (MaLo) individuels, des groupes de clients et des sous-portefeuilles, et les agrège en prévisions de périmètre d’équilibre cohérentes. Les actualisations glissantes permettent de réagir aux nouvelles données et aux changements à court terme.
Les régies municipales d’énergie (Stadtwerke) et les fournisseurs d’énergie peuvent ainsi améliorer leurs processus de prévision et réduire potentiellement les coûts d’énergie d’ajustement liés aux erreurs de prévision. Le Forecast Benchmark permet d’étudier, sur la base de données réelles, si et dans quelle mesure une amélioration est obtenue.
Pour quelles courbes de charge RLM les prévisions de charge fondées sur l’IA sont-elles particulièrement pertinentes ?
Les prévisions de charge RLM (mesure de courbe de charge enregistrée) fondées sur l’IA sont particulièrement intéressantes pour les profils de consommation complexes ou très fluctuants, difficiles à représenter avec les méthodes de prévision classiques.
Des exemples typiques sont les entreprises industrielles avec des plannings d’équipes changeants, des arrêts de production, des fermetures annuelles, des pointes de charge irrégulières ou des changements de comportement de consommation à court terme.
aimpera prend en compte les séries temporelles historiques et les facteurs d’influence pertinents afin de reproduire ces particularités dans les prévisions. Les modèles peuvent être utilisés pour des clients individuels, des sous-portefeuilles sélectionnés ou de plus grands portefeuilles énergétiques.
Savoir si l’IA donne réellement de meilleurs résultats pour un profil de charge donné doit être vérifié à l’aide de données réelles historiques et d’une comparaison équitable avec les prévisions existantes.
Vos prévisions ont-elles un potentiel d’amélioration ?
Découvrons-le – avec une comparaison de prévisions méthodologiquement équitable sur vos données.