Likewatt

Un constat de départ : le développement des projets faisant appel à l’énergie décentralisée est de plus en plus croissant mais de nouvelles difficultés apparaissent malgré les nombreux progrès technologiques dans ce domaine. Et pour cause : ces nouveaux projets doivent s’insérer dans de nouveaux marchés et cadres règlementaires bien plus complexes que ceux des premières années (vente totale de la production « fatale »). Pour que ces projets soient rentables aujourd’hui, il faut qu’ils soient adaptés à la consommation des clients ou qu’ils répondent à des besoins du réseau électrique.

Le couplage de différentes sources de production (solaire, éolien, pile à combustible, etc.) avec des systèmes de stockage d’énergie (batteries, H2) et de nouveaux usages rajoute à la profitabilité de ces systèmes. Le cumul des services rendus (autoconsommation, effacement, vente de surplus, etc.) contribue également à ces bénéfices. Mais des outils manquent à l’instruction de ces nouveaux contextes par les acteurs, qu’ils soient professionnels dans la filière, ou demain, les consommateurs finaux qui deviendront consomm’acteurs.

« Nous vivons un grand changement du paradigme de l’approvisionnement énergétique. Toutes les conditions économiques, politiques, environnementales… poussent à la transformation du réseau électrique d’un système central unidirectionnel tel qu’on l’a toujours connu à des systèmes décentralisés optimisés au cas par cas. » affirme Chady Kharrat, fondateur et CEO de Likewatt, après une carrière d’abord comme ingénieur R&D chez EDF, puis CTO d’EDF Store & Forecast qu’il a fondé en 2014. Expert en optimisation, technologies et marchés énergétiques il revendique le leitmotiv de Likewatt : « L’énergie est notre avenir, optimisons-la ».

Optimiser la solution énergétique, c’est justement ce que fait le logiciel de Likewatt, baptisé Optiwize. Il révolutionne la démarche d’étude des projets d’autoconsommation des bâtiments en permettant aux utilisateurs de collecter et d’analyser en quelques secondes toutes les données techniques nécessaires à l’étude (autoconsommation électrique au pas 10 minutes, données météo typiques, structure tarifaire précise, empreinte CO2…) puis de simuler ou d’optimiser le dimensionnement des projets rapidement sans sacrifier la fiabilité des résultats techniques ou financiers. « Le machine learning permet de mieux décrire les modèles de consommation et le potentiel de production locale tandis que l’intelligence artificielle se charge d’optimiser leur fonctionnement prévu » rajoute Chady KHARRAT. D’autant plus que le logiciel représente un large panel de technologies, de marchés, de cadres d’usage ou de financement modélisés facilitant la comparaison détaillée et complète de différents scénarios possibles.