Optimiser le rendement chaufferie en usine
-
Secteur d'activité
Industrie -
Contexte client
Le client souhaite réduire la consommation énergétique. L'usine maintient en permanence une température de 21°C en salle blanche, toute l'année. Les travaux d'optimisation commencent par la chaufferie. -
Enjeux client
Prédire les besoins en chaleur en fonction de l'évolution des conditions extérieures. Cette étape de modélisation permettra de déterminer si les actions de réglages de la chaufferie améliorent la consommation énergétique. -
Contexte technologique
- SGBD : SQL Server 2008R2 & 2016
- Python 3.6
- Cloud AWS
- Pandas, Jupyter, Scikit-Learn, XGBoost
-
Délais
40 jours -
Résultat
- construction d'un modèle énergétique des bâtiments
- optimisation de la température de consigne
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