Python fournit un langage commun à l’ingénierie des données, au calcul scientifique et au Machine Learning. Son écosystème permet de relier ingestion, analyse, modélisation, visualisation et logique applicative dans des workflows qui restent lisibles, testables et réutilisables.
Pipelines d’ingestion et de transformation, modèles de données, tests et monitoring : une base fiable pour les systèmes opérationnels et l’analytics.
Des modèles conçus et évalués avec méthode, puis intégrés aux systèmes opérationnels et suivis en production.
Conception et développement de systèmes logiciels fiables et évolutifs
Extraire des insights et construire des modèles prédictifs à partir des données en utilisant les statistiques, le machine learning et la programmation
Des métriques fiables et des outils d’analyse pour suivre les performances, comprendre les écarts et guider les décisions.
Applique des méthodes scientifiques rigoureuses pour explorer, tester et valider des idées basées sur les données.
Des métriques fiables et des outils d’analyse pour suivre les performances, comprendre les écarts et guider les décisions.
Préparation de séries temporelles de production photovoltaïque agrégée pour plusieurs départements français, avec calcul de variables de position solaire et normalisation par ciel clair utilisées par le pipeline de prévision.
Traitement de séquences d’images Meteosat Second Generation, extraction des zones géographiques associées à chaque région de prévision et alignement temporel avec les séries de production PV correspondantes.
Développement d’un modèle basé sur ConvLSTM pour apprendre les relations spatio-temporelles entre des séquences successives d’images satellites et la production photovoltaïque régionale.
Les séquences d’images sont combinées à des informations de position solaire afin d’estimer une production PV normalisée par ciel clair.
Mise en place du pipeline PyTorch d’entraînement et de validation pour des volumes importants d’images et de séries temporelles, couvrant la préparation des données, l’entraînement, la sauvegarde des modèles et leur application à de nouvelles périodes.
Les sorties du modèle sont reconverties à l’échelle de la production PV puis comparées aux mesures et à une prévision de persistance à l’aide de métriques de prévision standard.
Le même pipeline de modélisation est évalué pour l’estimation de l’état courant et la prévision à court terme à partir de séquences d’images satellites.
Les expérimentations sont menées sur plusieurs zones géographiques et différentes périodes afin d’évaluer la cohérence de l’approche.
Une prévision de persistance est utilisée comme référence, fournissant un benchmark simple et interprétable pour évaluer le modèle de Deep Learning.
Les modèles entraînés sont appliqués à des périodes mises de côté pour l’évaluation. Les productions PV prédites et mesurées sont ensuite comparées à l’aide de séries temporelles et de métriques synthétiques.
Traitement de signaux multidimensionnels acquis lors de contrôles périodiques par courants de Foucault des tubes de générateurs de vapeur.
Les variations de vitesse de la sonde peuvent décaler des motifs pourtant comparables. Le pipeline effectue donc un recalage des signaux avant leur comparaison.
Le déplacement de la sonde est reconstruit à partir de la séquence d'acquisition et de sa vitesse. Des repères géométriques connus, notamment le passage des plaques entretoises, permettent ensuite d'affiner la correspondance entre le signal et sa position physique le long du tube.
Ce recalage fournit une base cohérente pour comparer les mesures provenant de tubes de géométrie similaire.
Le Dynamic Time Warping (DTW) est utilisé pour synchroniser des signaux d'inspection comparables avec une référence commune tout en tenant compte des variations locales de vitesse d'acquisition.
Ce recalage permet de mieux distinguer une déviation réelle du signal d'un simple décalage de position.
Après synchronisation, l'algorithme Local Outlier Factor (LOF) identifie les signaux qui présentent localement un comportement différent de celui observé sur des tubes comparables.
L'objectif n'est pas de remplacer le diagnostic de l'expert, mais de repérer les zones potentiellement anormales et de cibler les signaux à examiner en priorité.
Les comparaisons sont effectuées entre groupes de tubes présentant des géométries similaires afin de distinguer autant que possible les effets structurels attendus des réponses atypiques.
Les algorithmes ont été intégrés dans une application destinée aux ingénieurs et spécialistes du contrôle.
L'interface permettait de parcourir les campagnes d'inspection et les différents tubes, de visualiser les signaux bruts et traités, d'examiner les zones automatiquement signalées et de replacer les résultats dans leur contexte physique.
L'objectif n'était pas de remplacer l'expertise CND par une classification entièrement automatique.
Le traitement automatique servait à orienter l'analyse vers les signaux présentant les comportements les plus atypiques et à concentrer l'effort de revue sur les cas les plus pertinents.
L'application permettait l'analyse interactive des signaux, la validation des anomalies détectées, la comparaison de résultats d'inspection et la production des sorties nécessaires au workflow de contrôle.
Traitement d'événements de détection d'oiseaux enregistrés par des systèmes de suivi par caméra déployés sur plusieurs parcs éoliens.
Les métadonnées de détection et les séquences vidéo permettaient de reconstruire des trajectoires approximatives dans le plan de l'image et d'analyser la manière dont les oiseaux approchaient et évoluaient autour de la zone du rotor.
Une étude distincte s'appuyait sur des données issues d'un radar aviaire 3D installé à proximité d'éoliennes.
Le radar fournissait des trajectoires avec position spatiale, altitude et vitesse de vol, permettant d'étudier les déplacements des oiseaux sur une zone beaucoup plus large que celle couverte par les caméras individuelles.
Les trajectoires étaient croisées avec des données météorologiques et des informations sur le fonctionnement des turbines afin d'étudier les variations de comportement en fonction des conditions environnantes.
Les détections par caméra ont été utilisées pour évaluer le comportement des oiseaux lors du déclenchement de dispositifs automatiques d'effarouchement acoustique.
Les trajectoires avant et après les signaux d'avertissement ou de dissuasion étaient comparées afin d'identifier un éventuel changement mesurable de direction et de déterminer si l'oiseau s'éloignait ensuite de la zone du rotor.
L'analyse prenait notamment en compte les changements de cap, la proximité relative à l'éolienne et les différences entre les trajectoires exposées ou non à l'effarouchement.
Les systèmes caméra reposant sur un point de vue unique, ces mesures étaient considérées comme des indicateurs de trajectoire et de proximité dans l'image, et non comme des positions 3D mesurées.
Pour les données radar, du clustering KMeans et des analyses statistiques ont été utilisés afin d'identifier des familles de trajectoires récurrentes et de caractériser les déplacements des oiseaux autour des éoliennes.
Développement d'outils Streamlit pour l'exploration hors ligne des données de détection et de trajectoire.
L'interface permettait de filtrer et de comparer les détections, les trajectoires et les conditions environnementales selon différentes périodes et conditions de fonctionnement.
Des cartes interactives et des visualisations de trajectoires permettaient d'étudier les déplacements autour des éoliennes, les motifs de vol récurrents et la distribution spatiale de l'activité aviaire.
Les données radar permettaient également une exploration en trois dimensions à partir des positions et altitudes mesurées.
Les visualisations facilitaient l'examen d'événements individuels d'effarouchement, notamment en comparant la trajectoire de l'oiseau avant et après le déclenchement des signaux acoustiques.
L'objectif de l'analyse des données caméra était de déterminer si les trajectoires enregistrées permettaient de mettre en évidence une réponse comportementale mesurable aux dispositifs d'effarouchement acoustique.
Plutôt que de considérer qu'un avertissement déclenché était nécessairement efficace, l'analyse examinait les changements réels de trajectoire et de proximité observés après l'intervention.
L'étude radar 3D apportait une vision complémentaire de l'activité aviaire autour des éoliennes, permettant d'analyser les routes de vol, les comportements d'évitement et leurs relations avec les conditions météorologiques sur des périodes étendues.
Les analyses et visualisations produites servaient de support technique pour évaluer les systèmes de suivi et les dispositifs de réduction du risque aviaire autour des parcs éoliens.
Construction d'un jeu de données de fiabilité cohérent à partir des états opérationnels et des informations de connectivité provenant d'un parc hétérogène de bornes de recharge.
Pour chaque point de charge, l'état opérationnel et la disponibilité de la connexion sont combinés sur une base temporelle commune afin d'évaluer la disponibilité de manière homogène entre les équipements et les sites.
La logique de reporting prend également en compte l'évolution du parc dans le temps : périodes de mise en service, équipements remplacés ou retirés, fenêtres de reporting propres aux sites et changements d'affectation.
Les calculs portent ainsi uniquement sur les équipements effectivement attendus en fonctionnement pendant chaque période considérée.
Développement de métriques de disponibilité par point de charge reposant à la fois sur le caractère opérationnel de l'équipement et sa connexion à la plateforme de recharge.
La méthodologie combine plusieurs informations opérationnelles plutôt que de dépendre d'un état unique, afin d'obtenir une représentation plus robuste de la disponibilité des bornes.
Plusieurs métriques complémentaires ont été mises en place afin de représenter différents contextes opérationnels et différentes interprétations de la disponibilité.
Cette approche permet d'analyser la fiabilité sans imposer une définition unique à l'ensemble des situations de fonctionnement.
Le modèle intègre les périodes de reporting applicables ainsi que les exclusions de disponibilité validées afin de produire des métriques cohérentes pour les usages opérationnels, clients et de reporting.
La méthodologie a été développée dans le contexte de l'évolution des exigences de fiabilité des infrastructures de recharge, notamment en Californie, tout en couvrant un parc de bornes beaucoup plus large.
Conception d'un modèle analytique centré sur chaque point de charge, avec construction d'intervalles de disponibilité pouvant ensuite être agrégés de manière cohérente au niveau de la borne, du site ou du portefeuille.
Les données sont ramenées sur une base temporelle commune avant agrégation, ce qui permet de calculer simplement une disponibilité pondérée par le temps sur des équipements hétérogènes.
Mise en place de validations automatisées portant notamment sur la couverture des équipements, les périodes de reporting, les exclusions de disponibilité et la cohérence des métriques.
Le pipeline fournit ainsi une définition reproductible de la disponibilité, indépendante de calculs spécifiques réalisés directement dans les tableaux de bord.
Les modèles sont exploités sous forme de workflows analytiques en production, avec transformations versionnées, tests automatisés et documentation des définitions utilisées.
Développement d'un reporting permettant d'analyser la disponibilité depuis une vue synthétique du portefeuille jusqu'aux sites et points de charge individuels.
Cette structure permet de passer d’un indicateur global aux équipements et périodes responsables des variations observées.
Les métriques de fiabilité sont également intégrées aux outils de reporting orientés clients, aux côtés des autres informations de performance des infrastructures de recharge.
Le même modèle de données alimente les analyses opérationnelles, le reporting interne et les vues destinées aux clients, assurant une définition cohérente de la fiabilité entre les différents usages.
Intégration du framework de disponibilité dans le reporting opérationnel et orienté clients.
Les vues de reporting permettent de comparer le portefeuille de recharge, les sites et les points de charge individuels.
La même définition de la fiabilité est utilisée dans ces différentes vues afin de conserver une interprétation cohérente.
Prévision spatio-temporelle de la production photovoltaïque régionale à partir de séquences d’images Meteosat, avec un modèle ConvLSTM entraîné et évalué face aux mesures et à une référence de persistance.
Industrialisation d’un logiciel destiné aux experts CND, combinant recalage des signaux, DTW et détection statistique d’anomalies afin de cibler les signaux atypiques à examiner en priorité lors des contrôles de générateurs de vapeur.
À la croisée de la biodiversité et de l’énergie éolienne, ce projet analyse le comportement des oiseaux autour des turbines à partir de détections par caméra et de trajectoires radar 3D. Il étudie leurs déplacements, leurs réactions à l’effarouchement acoustique et l’influence de la météo et du fonctionnement des éoliennes.
Développement de bout en bout et modernisation d’une plateforme data couvrant l’ingestion en production, l’analytics engineering, les contrôles qualité et le reporting pour des usages opérationnels, métier et orientés clients.
Analyse de la fiabilité de plus de 70 000 bornes gérées, avec reconstruction d’une disponibilité cohérente par point de charge à partir de l’état opérationnel, de la connectivité, de l’historique des équipements et des exclusions pour le reporting opérationnel et client.
