{"id":777,"date":"2019-12-19T00:00:00","date_gmt":"2019-12-18T23:00:00","guid":{"rendered":"https:\/\/blog.deepki.com\/2019\/12\/19\/configuration-dalertes-surconsommation-temps-reel-grace-machine-learning-etapes-cles\/"},"modified":"2023-05-23T12:02:06","modified_gmt":"2023-05-23T10:02:06","slug":"configuration-dalertes-surconsommation-temps-reel-grace-machine-learning-etapes-cles","status":"publish","type":"post","link":"https:\/\/www.deepki.com\/fr\/blog\/configuration-dalertes-surconsommation-temps-reel-grace-machine-learning-etapes-cles\/","title":{"rendered":"Configuration d\u2019alertes de surconsommation en temps r\u00e9el gr\u00e2ce au machine learning : les 4 \u00e9tapes cl\u00e9s"},"content":{"rendered":"

L<\/span>\u2019am\u00e9lioration de la performance \u00e9nerg\u00e9tique<\/a> est au c\u0153ur des enjeux du secteur immobilier. Mais comment mettre en place une d\u00e9marche d\u2019energy management<\/a> efficace ? Le param\u00e9trage d\u2019alertes automatiques en cas de d\u00e9rive de consommation s\u2019av\u00e8re \u00eatre une piste non n\u00e9gligeable. Le Blog de Deepki vous explique comment les algorithmes de machine learning<\/a> peuvent vous venir en aide.<\/strong><\/span><\/p>\n

D\u00e9tecter des d\u00e9rives de consommation gr\u00e2ce \u00e0 des algorithmes de machine learning, comment \u00e7a marche ?<\/strong><\/span><\/h2>\n

\u00c9tape 1<\/strong> : Collecte des donn\u00e9es<\/a> de consommation, m\u00e9t\u00e9orologiques et calendaires sur un historique de 10 semaines pour entra\u00eener l\u2019algorithme et lui permettre par la suite de d\u00e9tecter des d\u00e9rives de consommation<\/strong> sur une fen\u00eatre de temps proche dans le pass\u00e9. En effet, certains param\u00e8tres utilis\u00e9s pour la pr\u00e9diction<\/a> n\u00e9cessitent un temps de recul. Par exemple, il faut compter un d\u00e9calage d\u2019un jour minimum<\/strong> pour pouvoir utiliser le param\u00e8tre \u201ctemp\u00e9rature maximale atteinte par jour\u201d.<\/span><\/p>\n

\"configurer<\/span><\/p>\n

Entra\u00eenement de l\u2019algorithme de machine learning sur une fen\u00eatre d’entra\u00eenement de 10 semaines en prenant en compte des donn\u00e9es de consommation r\u00e9elles (courbe bleue) ainsi que les diff\u00e9rents param\u00e8tres retenus tels que la temp\u00e9rature maximale atteinte chaque jour (courbe rouge) ou bien encore la couverture nuageuse, le caract\u00e8re ouvr\u00e9 ou f\u00e9ri\u00e9 du jour, etc.<\/em><\/span><\/p>\n\n\n

\n

Pr\u00e9diction VS. pr\u00e9vision, quelle diff\u00e9rence ?<\/strong><\/span><\/p>\n

Alors que la pr\u00e9diction de donn\u00e9es vise \u00e0 comparer une consommation r\u00e9elle pr\u00e9sente ou pass\u00e9e \u00e0 celle calcul\u00e9e par un mod\u00e8le, la pr\u00e9vision de donn\u00e9es vise \u00e0 anticiper la consommation d\u2019un site dans le futur.<\/span><\/p>\n<\/div><\/div>\n\n\n

<\/p>\n

\u00c9tape 2<\/strong> : S\u00e9lection de param\u00e8tres pertinents \u00e0 prendre en compte dans la construction du mod\u00e8le.<\/span><\/p>\n

\"S\u00e9lectionner<\/span><\/p>\n

Exemples de param\u00e8tres pouvant \u00eatre retenus afin d\u2019enrichir le mod\u00e8le de d\u00e9tection de d\u00e9rives de consommation.<\/em><\/span><\/p>\n

\u00c9tape 3<\/strong> : Entra\u00eenement du mod\u00e8le bas\u00e9 sur un algorithme de for\u00eats d\u2019arbres d\u00e9cisionnels, aussi appel\u00e9 \u00ab random forest \u00bb.<\/span><\/p>\n

\"Entrainement<\/span><\/p>\n

Illustration d\u2019un arbre de d\u00e9cision utilis\u00e9 comme mod\u00e8le de pr\u00e9diction de la consommation \u00e9nerg\u00e9tique.<\/em><\/span><\/p>\n

Lors de la p\u00e9riode d’entra\u00eenement de l\u2019algorithme, les valeurs seuils de chaque param\u00e8tre sont ajust\u00e9es afin de minimiser les erreurs de pr\u00e9diction<\/strong>, compte tenu des valeurs de consommation attendues.<\/span><\/p>\n

\"Ajuster<\/span><\/p>\n

Exemple d\u2019ajustement des valeurs seuils de chaque param\u00e8tre gr\u00e2ce \u00e0 la comparaison de la consommation pr\u00e9dite \u00e0 l\u2019heure H et de la consommation r\u00e9ellement consomm\u00e9e \u00e0 la m\u00eame heure.<\/em><\/span><\/p>\n

\u00c9tape 4<\/strong> : Pr\u00e9diction de consommation sur la p\u00e9riode de d\u00e9tection une fois les valeurs seuils du mod\u00e8le ajust\u00e9es lors de la p\u00e9riode d’entra\u00eenement et d\u00e9tection de surconsommations ponctuelles sur un site donn\u00e9.<\/span><\/p>\n

L\u2019\u00e9cart du mod\u00e8le par rapport aux valeurs de consommation r\u00e9elle peut alors avoir deux causes :<\/span><\/p>\n