Approches prédictives pour prévenir les pannes, contrôler les coûts et servir les clients
Des modèles statistiques permettent de déterminer où et quand une compagnie d'électricité doit couper la végétation.
L'un des coûts majeurs pour les fournisseurs d'électricité est la gestion de la croissance des arbres afin de maintenir les lignes de transmission « d'alimentation » à l'abri de toute prolifération et d'éviter les pannes. Une compagnie d'électricité du Sud, présente dans trois États, dépense jusqu'à 100 millions de dollars par an dans ce domaine. L'entreprise souhaitait explorer les moyens de défendre ce budget face aux mesures de réduction des coûts et d'optimiser la gestion de la végétation.
NTT DATA et son cadre d’architecture de décision ont permis au service public de progresser sur la courbe de maturité de l’analyse pour aider l’entreprise à comprendre non seulement ce qui s’est passé, mais aussi pourquoi cela s’est produit, ce qui se passera et comment cela peut influencer la prise de décision future.
Besoins commerciaux
La gestion de la croissance des arbres constitue un coût important pour les fournisseurs d'électricité, car elle permet d'éviter que les lignes de transmission ne soient envahies par la végétation et de prévenir les pannes. Ce service public souhaitait défendre son budget annuel de 100 millions de dollars afin d'éviter les mesures de réduction des coûts et d'optimiser ses pratiques de gestion de la végétation.
L'entreprise souhaitait également vérifier si l'utilisation de modèles statistiques pour déterminer où et quand couper la végétation autour des lignes d'alimentation pouvait accroître la fiabilité et réduire les coûts en évitant les pannes.
Résultats
- Moins de pannes liées à la végétation envahissante
- Atteindre des niveaux plus élevés de service continu
En permettant à l'entreprise d'élaguer la bonne végétation au bon moment, cette solution prédictive devrait permettre d'économiser entre 20 et 30 millions de dollars par an en coûts liés aux pannes.
Solution
Les horaires de rotation actuels du service public pour le rognage étaient basés sur un calendrier et ne tenaient pas compte des répercussions financières des pannes. Ils n'ont pas non plus tenu compte d'une mesure clé : les minutes des clients ont été interrompues.
Grâce au processus d'architecture décisionnelle, l'équipe de NTT DATA a mis au point un modèle statistique permettant de classer les lignes d'alimentation par ordre de priorité en fonction des économies de CMI prévues, et non pas seulement en fonction d'un calendrier. Une série de visualisations Microsoft Power BI, partagées par les trois sociétés d'exploitation, comprend des modèles prédictifs intégrés pour soutenir l'analyse commerciale et renforcer le pouvoir de décision.
En permettant à l'entreprise de couper la bonne végétation au bon moment, cette solution prédictive devrait permettre d'économiser entre 20 et 30 millions de dollars par an en coûts liés aux pannes. Il permet également d'améliorer la continuité du service aux clients en réduisant les interruptions dues à l'envahissement de la végétation.
À propos de l'étude de cas
Une compagnie d'électricité présente dans trois États américains utilise un cadre d'analyse décisionnelle et des visualisations Microsoft Power BI pour améliorer la prise de décision.