SolarOps Monitor

Agent IA avec Splunk qui surveille les installations solaires au Bénin, détecte les pannes et envoie des alertes de maintenance automatiques.

Comment

Inspiration

Dans une ferme solaire de 2MW à Ouidah, 1 panneau défectueux = 3000 FCFA de perte/jour. Le problème : Le technicien le découvre 3 semaines après, sur la facture. D'ici là, 63.000 FCFA sont partis en fumée.

Au Bénin et en Afrique, on installe des parcs solaires. Mais on ne les "surveille" pas. Pas de NOC, pas d'agent IA, pas d'alerte en temps réel. Quand le parc tombe, on le sait quand les clients appellent.

Moniteur SolarOps est né de cette cécité opérationnelle. L'idée : Un agent Splunk qui ne dort jamais. Il surveille chaque string, chaque onduleur, chaque kWh. Et il prévient avant la panne. Passer du "On répare" au "On prévient".

Ce que fait le projet

Moniteur SolarOps est un agent de monitoring autonome pour parcs solaires, natif Splunk. Il transforme les logs bruts des onduleurs en actions concrètes.

En 3 couches :

  1. Ingestion : L'agent collecte en temps réel les métriques Modbus/Sunspec des onduleurs, météo, irradiation, production kWh. Tout est envoyé vers Splunk.
  2. Détection : L'IA agentic de SolarOps détecte les anomalies : perte de rendement >5%, hotspot, défaut d'onduleur, poussière, ombrage. Pas de seuils fixes, l'agent apprend.
  3. Action : L'agent crée un ticket, envoie une alerte WhatsApp/SMS au technicien avec GPS + diagnostic : "String 4, Bloc B : Perte 18%. Cause probable : poussière. Action : Nettoyage".

Résultat : Temps moyen de détection MTTD : <5min. Avant : 21 jours.

Comment nous l'avons construit

On a construit pour le terrain : parcs isolés, connexion 4G instable, équipe technique de 2 personnes. L'agent est 100% compatible Splunk, comme le demande le hackathon :

Collecteur : Python + SDK Splunk. Protocole Modbus TCP pour lire les onduleurs Huawei, SMA, Growatt sans API propriétaire. Backend IA : Splunk MLTK + modèle Isolation Forest. L'agent apprend le comportement normal de chaque string. Détection d'anomalie sans règles manuelles. Tableau de bord : Dashboard Splunk temps réel : Carte thermique du parc, KPI PR Performance Ratio, alertes priorisées. Notification : Webhook Splunk -> API WhatsApp Business. Le technicien reçoit le diagnostic + photo satellite du bloc concerné. Edge : L'agent peut tourner sur un Raspberry Pi sur site. Pas besoin de cloud H24 si la 4G tombe.

Difficultés rencontrées

  1. Pas de standard : Chaque marque d'onduleur parle son dialecte Modbus. On a dû écrire 3 adaptateurs pour normaliser les données dans Splunk.
  2. Faux positifs : Un nuage = alerte. On a donc ajouté la donnée météo en temps réel pour que l'agent différencie "panne" vs "ciel couvert".
  3. Connexion instable : Sur site, la 4G coupe. On a mis un buffer local sur l'agent Edge. Les données sont envoyées à Splunk dès la reconnexion, sans perte.
  4. 72h de hackathon : Calibrer un modèle ML en 3 jours c'est impossible. On a donc simulé 6 mois de données de production avec dégradation pour entraîner l'agent.

Réussites dont nous sommes fiers

  1. Agent autonome : L'agent détecte, diagnostique et notifie sans intervention humaine. C'est ça l'"Agentic Ops".
  2. Gain financier : Sur un parc simulé de 1MW, on évite 4.2 millions FCFA de pertes/an juste en réduisant le MTTD de 21j à 5min.
  3. Intégration Splunk : 100% natif. Pas de SaaS externe. Le client utilise son Splunk existant. Déploiement <1h.
  4. Contexte Afrique : On a pensé poussière harmattan, ombrage baobab, coupure réseau. Un agent californien ne tiendrait pas ici.

Ce que nous avons appris

  1. Les données ne suffisent pas : Avoir 10.000 points de données/minute ne sert à rien si le technicien ne sait pas quoi faire. L'agent doit dire l'action.
  2. Ops = Humain : Le meilleur agent IA échoue si le SMS n'arrive pas au bon technicien, au bon moment. L'UX de l'alerte est aussi critique que l'IA.
  3. Splunk est un OS : En 72h on a vu que Splunk n'est pas juste des logs. Avec MLTK + Alertes, c'est une plateforme pour construire des agents autonomes.

La suite pour Moniteur SolarOps

Le monitoring est la base. La suite c'est l'automatisation. Phase 1 - Immédiat : Pilote sur 1 parc de 500kW au Bénin. Objectif : 0 panne non détectée pendant 3 mois. Phase 2 - 6 mois : Agent prédictif. L'IA prédit la panne 7 jours avant : "Onduleur 3 : Condensateur à 80% d'usure. Planifier maintenance". Phase 3 - 1 an : Intégration robot de nettoyage. L'agent détecte la poussière et déclenche le robot automatiquement. Zéro intervention humaine. Vision : Rendre chaque parc solaire en Afrique aussi fiable qu'une centrale nucléaire. Avec 1 agent Splunk comme chef d'équipe.

On ne surveille pas les panneaux. On protège les kWh.

Built With

Share this project:

Updates