AccueilL’amélioration de la performance énergétique est au cœur des enjeux du secteur immobilier. Mais comment mettre en place une démarche d’energy management efficace ? Le paramétrage d’alertes automatiques en cas de dérive de consommation s’avère être une piste non négligeable. Le Blog de Deepki vous explique comment les algorithmes de machine learning peuvent vous venir en aide.
Détecter des dérives de consommation grâce à des algorithmes de machine learning, comment ça marche ?
Étape 1 : Collecte des données de consommation, météorologiques et calendaires sur un historique de 10 semaines pour entraîner l’algorithme et lui permettre par la suite de détecter des dérives de consommation sur une fenêtre de temps proche dans le passé. En effet, certains paramètres utilisés pour la prédiction nécessitent un temps de recul. Par exemple, il faut compter un décalage d’un jour minimum pour pouvoir utiliser le paramètre “température maximale atteinte par jour”.
Entraînement de l’algorithme de machine learning sur une fenêtre d’entraînement de 10 semaines en prenant en compte des données de consommation réelles (courbe bleue) ainsi que les différents paramètres retenus tels que la température maximale atteinte chaque jour (courbe rouge) ou bien encore la couverture nuageuse, le caractère ouvré ou férié du jour, etc.
Prédiction VS. prévision, quelle différence ?
Alors que la prédiction de données vise à comparer une consommation réelle présente ou passée à celle calculée par un modèle, la prévision de données vise à anticiper la consommation d’un site dans le futur.
Étape 2 : Sélection de paramètres pertinents à prendre en compte dans la construction du modèle.
Exemples de paramètres pouvant être retenus afin d’enrichir le modèle de détection de dérives de consommation.
Étape 3 : Entraînement du modèle basé sur un algorithme de forêts d’arbres décisionnels, aussi appelé « random forest ».
Illustration d’un arbre de décision utilisé comme modèle de prédiction de la consommation énergétique.
Lors de la période d’entraînement de l’algorithme, les valeurs seuils de chaque paramètre sont ajustées afin de minimiser les erreurs de prédiction, compte tenu des valeurs de consommation attendues.
Exemple d’ajustement des valeurs seuils de chaque paramètre grâce à la comparaison de la consommation prédite à l’heure H et de la consommation réellement consommée à la même heure.
Étape 4 : Prédiction de consommation sur la période de détection une fois les valeurs seuils du modèle ajustées lors de la période d’entraînement et détection de surconsommations ponctuelles sur un site donné.
L’écart du modèle par rapport aux valeurs de consommation réelle peut alors avoir deux causes :
- Une erreur de prédiction de la part du modèle
- Une surconsommation de la part du site
Ainsi, pour se prémunir des erreurs de prédiction de la part du modèle et être uniquement alerté en cas de surconsommation de la part du site, il est possible de se fixer un seuil d’erreur suffisamment grand, par exemple supérieur à 20%. De ce fait, les erreurs de prédiction de la part du modèle deviennent très improbables.
Exemple de détection de surconsommations ponctuelles sur un site. Lorsque l’erreur de prédiction est inférieure à 20%, on la néglige. Au-dessus de 20% en revanche, on repère l’erreur comme une probable surconsommation.
L’analyse de données existantes – ici, les consommations récentes croisées à divers paramètres extérieurs – par un algorithme de machine learning permet désormais de prédire la consommation « normale » d’un site. En comparant la consommation théorique prédite par l’algorithme à la consommation réelle du site, les gestionnaires de parc immobilier peuvent être alertés quasiment en temps réel en cas de dérive de consommation et mettre en place des actions correctives au plus vite. Et vous, qu’attendez-vous pour inclure la data à votre stratégie d’energy management ?
