Etape 1 : Identifier l’usage du machine learning

Avant d’optimiser le rendement de la chaufferie, l’objectif premier était d’explorer les données de supervision. Ceci dans le but d’identifier des cas d’usage : recherche de signaux faibles, de motifs, de tendances dans les données.

Pour cela plusieurs méthodes d’analyse ont été utilisées. Séries temporelles, détection d’anomalies, clustering et régressions sont au menu.
Ainsi nous sommes parvenu à élaborer un premier modèle du rendement à l’issu de cette première phase. Comme résultat, une prédiction au jour du rendement énergétique à partir de données historiques et de prévisions météorologiques avec une erreur relative de 0.81 % pour un prévision j+1 :

Etape 2 : modéliser les besoins en chaleur

Par la suite, l’objectif s’affine pour basculer sur une prédiction des besoins en chaleur en fonction de l’évolution des conditions extérieures. Ceci afin de diminuer la consommation énergétique.
Les méthodes de régression, modélisation et prédiction de séries temporelles continuent d’être utilisées et creusées.

Finalement les résultats escomptés sont :

 

  • construction d’un modèle énergétique des bâtiments
  • optimisation de la température de consigne