Analyse et Optimisation de la Consommation Énergétique

Pipeline complet d’analyse énergétique combinant SQL et Python pour la détection d’anomalies, la modélisation thermique et l’optimisation de la demande (DSM).

---

🚀 Aperçu du projet

• Détection d’anomalies : Approche hybride combinant Z-Score et Isolation Forest

• Modélisation : Analyse de la corrélation puissance–température via régression linéaire et Random Forest

• Optimisation : Réduction des pics de consommation via des stratégies DSM (Clipping , load shifting, load reduction)

---

🎯 Objectifs & Valeur Métier

Le but est de transformer des données brutes de compteurs en leviers décisionnels :

• Réduction des coûts : Éviter les pénalités liées aux dépassements de puissance souscrite

• Maintenance préventive : Détecter les dérives de consommation (anomalies) avant les défaillances

• Caractérisation thermique : Analyser la corrélation puissance–température pour isoler la part de consommation liée au climat (chauffage/clim)

• Modélisation prédictive : Développer des modèles pour anticiper la demande énergétique (Régression Linéaire, Random Forest)

• Efficacité énergétique : Simuler des stratégies DSM (Demand Side Management) pour lisser la courbe de charge

---

⚙️ Stack & Données

• Données : 30 jours (résolution horaire) | Compteur 1 (Tertiaire/HVAC) vs Compteur 2 (Industriel/Stable) | Variables (meter_id, timestamp, power_kw)

• Architecture :

  • SQL Server : Simulation de données, Nettoyage initial et Agrégations statistiques lourdes

  • Python : Nettoyage approfondi, Analyse de séries temporelles, Machine Learning (Scikit-Learn) et Visualisation (Seaborn/Matplotlib)

• Pipeline : Architecture modulaire orchestrée via main.py

---

🔁 Pipeline

flowchart LR

A[<b>🗄️ Génération & Analyse avec SQL<b>] --> B[<b>📊 Prétraitement & Séries Temporelles avec Python<b>]
B --> C[<b>🚨 Détection Anomalies<b>]
C --> D[<b>🌡️ Corrélation Puissance/Température<b>]
D --> E[<b>🤖 Modèles Prédictifs<b>]
E --> F[<b>⚡ Optimisation DSM<b>]
F --> G[<b>📊 Résultats<b>] 

%% Styles
classDef sql fill:#e3f2fd,stroke:#1e88e5,padding:50px,stroke-width:2px,color:#000;
classDef python fill:#e8f5e9,stroke:#43a047,padding:50px,stroke-width:2px,color:#000;
classDef dsm fill:#fce4ec,stroke:#d81b60,padding:50px,stroke-width:2px,color:#000;

%% Affectation
class A sql;
class B,C,D,E,F python;
class G dsm;

Loading

---

📈 Résultats clés

• Hybridation efficace : La combinaison Z-Score + Isolation Forest permet une détection d'anomalies robuste sur les deux profils

• Signature Thermique : Le profil tertiaire affiche une forte corrélation température/puissance, contrairement au profil industriel

• Performance du Random Forest : Ce modèle surpasse la régression linéaire en capturant les non-linéarités et les dynamiques temporelles

• Efficacité du DSM : Réduction significative des pointes de charge sans altération de la consommation énergétique totale

---

📊 Visualisations

Les figures suivantes illustrent les principaux résultats du pipeline :

Heatmap de consommation : On observe clairement une rupture de charge le week-end sur le compteur tertiaire, typique d'une gestion programmée du bâtiment (HVAC), contrairement au profil industriel plus stable.

Détection d’anomalies : Identification des pics critiques. L'approche hybride permet d'isoler les dérives ponctuelles tout en ignorant le "bruit" normal de l'activité.

Signature Thermique : Le modèle Random Forest capte mieux les non-linéarités et l'inertie thermique du système que la régression linéaire classique.

Optimisation DSM : Visualisation de l'écrêtage (Clipping), du déplacement de charge (Shifting) ainsi que la réduction de charge pour lisser la courbe de puissance.

---

🏭 Applications

• Monitoring énergétique : Suivi et analyse des consommations pour bâtiments tertiaires et sites industriels

• Gestion des systèmes HVAC : Optimisation des équipements thermiques en fonction des conditions climatiques

• Maintenance conditionnelle : Détection précoce des dérives de consommation et des comportements anormaux

• Optimisation de la demande (DSM) : Réduction des pics de puissance et amélioration du profil de charge

• Aide à la décision : Support au dimensionnement des contrats énergétiques et au pilotage des coûts

---

🚀 Améliorations

• Données réelles : Intégration de données issues de capteurs ou de systèmes de supervision (SCADA)

• Prévision avancée : Mise en place de modèles de séries temporelles pour anticiper la demande énergétique

• Temps réel : Déploiement d’un pipeline de traitement en continu pour le monitoring et la détection d’anomalies en temps réel

• Visualisation : Développement de dashboards interactifs (Power BI) pour le suivi opérationnel

• Industrialisation : Conteneurisation du projet (Docker) et automatisation du pipeline (CI/CD)

• Enrichissement des données : Ajout de variables (météo réelle, occupation, calendriers) pour améliorer les modèles

---

🏗️ Structure du projet

energy-demand-analytics/
│
├── README.md                                       # Documentation principale
├── LICENSE                                         # Licence MIT                          
├── requirements.txt                                # Dépendances Python nécessaires
├── main.py                                         # Orchestrateur central du pipeline
│
├── data/                                           # Dataset généré
│   └── energy_readings_month.csv
│
├── sql/                                            # Scripts SQL (Simulation & Analyse)
│   ├── 01_generate_energy_data.sql
│   └── 02_energy_analysis.sql
│
├── python/                                         # Modules de traitement Python
│   ├── P1_data_loading_cleaning.py
│   ├── P2_exploratory_analysis.py
│   ├── P3_time_series_analysis.py
│   ├── P4_anomaly_detection.py
│   ├── P5_temperature_correlation.py
│   ├── P6_machine_learning_models.py
│   ├── P7_demand_side_management.py
│   └── __init__.py
│
├── notebooks/                                      # Analyse interactive
│   └── energy_analysis_pipeline.ipynb
│
├── results/                                        # Graphiques exportés
│   ├── 01_power_timeseries.png
│   ├── 02_power_distribution.png
│   ├── 03_heatmap_power.png
│   ├── 04_power_autocorrelation.png
│   ├── 05_power_and_rolling_mean.png
│   ├── 06_coefficient_of_variation.png
│   ├── 07_anomaly_detection.png
│   ├── 08_energy_instability_index.png
│   ├── 09_power-temperature_correlation.png
│   ├── 10_power_vs_temperature_lag.png
│   ├── 11_linear_regression_vs_random_forest.png
│   └── 12_demand_side_management.png
│
└── .gitignore                                    # Fichiers à exclure du contrôle de version

---

▶️ Comment exécuter

# Cloner le dépôt
git clone https://github.com/FatehChaabat/energy-demand-analytics.git
cd energy-demand-analytics

# Installer les dépendances
pip install -r requirements.txt

# Exécuter tout le pipeline avec main.py
python main.py      

# OU ouvrir le notebook interactif
jupyter notebook notebooks/energy_analysis_pipeline.ipynb

---

👤 Auteur

Ingénieur en mécanique des fluides et systèmes énergétiques, avec un intérêt pour l’analyse de données, la modélisation et l’optimisation énergétique.

---

📄 Licence

Ce projet est sous MIT License – vous pouvez librement utiliser, modifier et partager le code et les fichiers, à condition de conserver la mention du copyright et de la licence.