Energy / GreenTech

GridSense

Le réseau, vu clairement, demi-heure par demi-heure.

Client
Voltane Energy
Année
2025
Durée
12 mois
Taille de l'équipe
9 ingénieurs
GridSense

Démo interactive

Une maquette interactive du produit que nous avons développé — cliquez, explorez.

app.gridsense.com
LIVE
08:16:58 UTC
EK
E. Kaminski
Grid operator
612 MW

Generation

▲ 1.2% / 15m

548 MW

Demand

▼ 0.4% / 15m

50.02 Hz

Grid frequency

▲ 0.1% / 15m

71 %

Renewables

▲ 2.3% / 15m

Generation mix

Wind
33%
Solar
17%
Hydro
15%
Gas peaker
28%

Regional power flow

64 MW net · exporting

Solar Array168 MWWind Farm241 MWBattery 120MWh42 MWSubstation N7ONLINEResidential214 MWIndustrial334 MW

Consumption vs generation — today

DemandGeneration

Anomaly alerts

3

Turbine underperformance

Cairnmuir Wind · 09:41

Transformer thermal signature

Substation N7 · 09:37

Inverter drift detected

Kestrel Field Solar · 09:12

Fleet status

60 sites reporting · 2.4M readings/hr

Interface de démonstration en anglais.

01

Le défi

Le parc de Voltane avait triplé en trois ans, mais chaque site rapportait encore via son propre historien SCADA, ses unités et sa propre notion de l’heure. Les traders chiffraient leurs positions sur des données de settlement à la demi-heure que la finance rapprochait à la main — avec quinze jours de retard et des litiges à six chiffres par trimestre. Les pannes arrivaient par téléphone depuis les équipes terrain, pas par alertes ; un transformateur a chauffé onze jours avant d’être remarqué, pour une réparation quarante fois plus chère qu’une intervention précoce. Les obligations de reporting Ofgem se durcissaient, et le conseil voulait une vision parc avant d’engager 200 M£ de capacité supplémentaire.

02

Notre solution

Nous avons construit une couche d’ingestion qui parle MQTT et OPC-UA en périphérie, normalise chaque flux dans un schéma commun et verse 2,4 millions de relevés par heure dans TimescaleDB. Un tableau de bord React piloté par WebSocket offre aux opérateurs une carte temps réel du parc, avec zoom du portefeuille à l’onduleur en trois clics. Des modèles Python de détection d’anomalies — un par classe d’actifs, réentraînés chaque semaine — signalent dérives, sous-performances et signatures thermiques des heures ou des jours avant la panne, routés vers le bon ingénieur avec le contexte. Le rapprochement de settlement s’exécute désormais automatiquement sur les données comptées, avec des rapports Ofgem prêts pour audit, sur Azure Kubernetes Service en infrastructure as code.

03

Résultats

2.4M
Relevés compteurs traités par heure
-65%
Écarts de settlement
73%
Détection de pannes plus rapide
+9%
Disponibilité du parc

Stack technique

MQTTOPC-UATimescaleDBPythonReactWebSocketAzure AKS

Vous faites face à un défi similaire ?

Nous avons déjà résolu ce type de problème. Parlons de la façon dont cette expérience peut s'appliquer à votre situation.

Discuter de votre projet

Étude de cas suivante

Clausecraft →