Fichier 287

Publications

Le Big Data et Energie

Le Big Data et Energie

Par Rémy sfez, business manager network - le 21 février 2018

Big%20data

Pour de nombreux opérateurs Télécoms, les OpEx liés à la consommation énergétique (OpEx Energie) dépassent 20% des OpEx totaux, tout particulièrement dans les pays en développement. Face à des ARPU en stagnation, à une concurrence de plus en plus féroce et aux investissements grandissants réclamés pour satisfaire les usages data des consommateurs comme des entreprises, le contrôle de la consommation énergétique devient un objectif critique.

La maîtrise de la consommation énergétique a un impact positif à la fois sur les dépenses et l’image

Réduire sa consommation énergétique peut impacter un opérateur de plusieurs façons :
- en réduisant ses OpEx Energie : ceux-ci dépendent de la consommation et du tarif. Dans les pays où les prix de l’énergie explosent, les OpEx Energie peuvent représenter une part non négligeable des coûts.
- en réduisant son empreinte carbone : ceci impacte
o la notation de l’entreprise : certaines agences de notation prennent en compte la responsabilité sociale de l’entreprise dans leurs critères d’évaluation
o l’image : certains clients peuvent quitter l’opérateur pour un fournisseur dont le respect de l’environnement est plus visible
o (dans certains cas) le montant des taxes carbone
L’empreinte carbone dépend de la consommation énergétique et du taux d’émission du pays où l’opérateur est installé (ce taux reflétant le poids des énergies fossiles dans la production énergétique du pays)

L’IT et le réseau sont les principales sources de consommation énergétique

On considère généralement que 80% de la consommation énergétique d’un opérateur provient de son système d’information et de ses réseaux (ITN), les bâtiments et véhicules représentant les derniers 20%.

Le Big Data : un outil puissant pour identifier des sources d’économies d’énergie ITN

Les opérateurs disposent de nombreuses sources d’information pour les aider à maîtriser leurs OpEx Energie :

  • Les factures énergétiques
  • Les capteurs de consommation énergétiques, au moins sur les sites
  • L’OSS (Operating Sub-Systems) des équipements ITN qui contient généralement des informations sur le trafic, la qualité de service, la consommation énergétique, les paramètres, la température, etc.
  • Les inventaires des réseaux et des sites
  • Etc.

A ce jour, très peu de ces données sont utilisées pour contrôler les OpEx Energie : le Big Data est un moyen de combiner ces différentes informations pour détecter et tirer le meilleur parti de sources d’économie : la clé de cette approche consiste à identifier les cas d’usage les plus appropriés.

Les cas d’usage sur la réduction des coûts sont les plus simples à mettre en œuvre. Ils s’appliquent aux contrats entre les opérateurs et les fournisseurs d’énergie, les « tower company », leurs partenaires avec qui ils partagent le RAN, etc.
- Détection des erreurs de facturation : l’opérateur bénéficie immédiatement de remboursements
- Optimisation de la puissance énergétique souscrite : en fonction du profil de consommation d’un site, sa puissance souscrite peut être réduite ce qui réduira les tarifs d’abonnement et/ou d’usage

Des cas d’usage plus complexes peuvent être identifiés en relation avec les opérations (voire l’ingénierie) des équipements ITN. Par exemple, le Big Data pourrait permettre de :
- Mesurer et benchmarker l’efficacité énergétique d’un site en phase opérationnelle (en utilisant l’indicateur PUE (Power Usage Efficiency)
- Identifier les sites pour lesquels cette efficacité énergétique est particulièrement faible
- Pour ces sites, identifier des points d’amélioration, qui peuvent être de natures diverses :
o Correction du paramétrage lié à la température
o Remplacement de la climatisation par des méthodes plus efficaces (refroidissement hybride/ free cooling, ventilation,…)
o Remplacement des redresseurs obsolescents
o Etc.

Il existe en réalité de très nombreux cas d’usage. Une grande partie de l’effort consistera à analyser les données, « créer » des cas d’usage percutants (par exemple des « quick-wins » ou des cas d’usage pour lesquels les économies potentielles sont élevées) et les spécifier pour une mise en œuvre dans un outil de Big Data.

Le chemin vers une mise en œuvre généralisée du Big Data pour maitriser la consommation énergétique est encore long mais les perspectives sont prometteuses : Google a récemment annoncé avoir réalisé 15% d’économies d’énergie sur ses data centers grâce à cette approche.

z