1️⃣ Le code répond-il aux exigences du
cahier des charges ?
✅ Réponse courte
👉 Oui, ton code répond très bien au cahier des charges, et il constitue une preuve de
concept complète et cohérente du projet « Optimisation énergétique d’un bâtiment à l’aide
de l’IA ».
📊 Correspondance code ↔ cahier des charges
Exigence du cahier des Présence dans le
Commentaire
charges code
Dataset énergétique ✅ Oui Dataset réel/synthétique chargé depuis
dataset_PFA.xlsx
Prétraitement des données ✅ Oui Gestion dates, interpolation, nettoyage
Analyse exploratoire
✅ Oui Corrélations + séries temporelles
(EDA)
Modèle IA de prédiction ✅ Oui RF, SVR, KNN, DT, Régression linéaire
Comparaison des modèles ✅ Oui MAPE + R²
Module d’optimisation ✅ Oui Scénarios HVAC, éclairage, PV, occupation
Gain énergétique ≥ 10 % ✅ Oui (simulé) Calcul explicite du gain
⚠️Dépend des
Précision < 5 % Le code vérifie automatiquement
résultats
Données valides > 95 % ✅ Oui Calcul de taux_validite
Temps < 1 s ✅ Oui Modèles légers, prédiction instantanée
Heatmap, séries temporelles, barres
Visualisations claires ✅ Oui
coût/conso
📌 Conclusion jury
Le code couvre l’ensemble du cycle IA : données → prédiction → optimisation →
décision, exactement comme demandé.
2️⃣ Explication globale du projet (version
jury)
Ce projet vise à développer un système intelligent capable de prédire et d’optimiser la
consommation énergétique d’un bâtiment en intégrant des données climatiques, d’occupation
et de production photovoltaïque.
L’approche repose sur l’intelligence artificielle pour anticiper la consommation et simuler
des stratégies d’optimisation permettant de réduire la consommation électrique et les coûts,
tout en maintenant le confort des occupants.
3️⃣ Explication détaillée du code bloc par
bloc
🔹 1. Chargement et prétraitement des données
🎯 Objectif
Préparer des données propres, exploitables et fiables pour l’IA.
Ce que fait le code :
Chargement du dataset énergétique
Vérification de la structure et des types
Transformation de la date en variables temporelles :
o année, mois, jour, heure, jour de semaine
Interpolation des valeurs manquantes
Calcul du taux de validité des données
🔑 Message clé jury
Cette étape garantit la fiabilité des données, un critère essentiel pour tout système intelligent.
🔹 2. Analyse Exploratoire des Données (EDA)
🎯 Objectif
Comprendre les relations entre les variables énergétiques.
Méthodes utilisées :
Matrice de corrélation
o Identifie l’influence de la température, de l’irradiance, de l’occupation
Cette matrice de corrélation montre les relations entre les variables énergétiques,
climatiques et d’occupation du bâtiment.
Température extérieure
Elle est fortement corrélée positivement avec la climatisation (≈ +0,71), ce qui est
logique : plus il fait chaud, plus la climatisation consomme.
À l’inverse, elle est fortement corrélée négativement avec le chauffage (≈ −0,69).
Irradiance solaire
Elle est positivement corrélée à la production photovoltaïque, et modérément
corrélée à la climatisation, car les journées très ensoleillées sont souvent plus
chaudes.
Occupation
Elle présente une forte corrélation avec plusieurs postes de consommation, ce qui
montre que la présence des occupants influence directement la consommation
électrique globale.
Humidité
Son influence est plus faible, ce qui indique qu’elle joue un rôle secondaire par rapport
à la température et à l’occupation.
Analyse temporelle
o Évolution des postes de consommation
o Production photovoltaïque
🔑 Message clé jury
L’EDA permet de justifier scientifiquement le choix des variables utilisées dans le modèle IA.
🔹 3. Modélisation par Intelligence Artificielle
🎯 Objectif
Prédire la consommation énergétique du bâtiment.
Modèles testés :
Régression linéaire
KNN
Arbre de décision
SVR
Random Forest (retenu)
Évaluation :
MAPE → précision relative
R² → qualité de la prédiction
Indicateurs d’évaluation du modèle
MAPE (Mean Absolute Percentage Error)
Il mesure l’erreur moyenne en pourcentage entre la consommation réelle et la
consommation prédite.
👉 Plus le MAPE est faible, plus le modèle est précis.
R² (coefficient de détermination)
Il indique la capacité du modèle à expliquer la variabilité des données réelles.
👉 Plus R² est proche de 1, meilleure est la qualité de la prédiction.
🔑 Message clé jury
Le Random Forest est retenu car il offre le meilleur compromis entre précision et robustesse.
🔹 4. Prédiction d’un jour donné
🎯 Objectif
Montrer l’aspect opérationnel du système.
Données météo + occupation simulées
Prédiction automatique de la consommation nette
🔑 Message clé jury
Le système est capable de fournir une prédiction énergétique quotidienne exploitable par un
gestionnaire.
🔹 5. Module d’optimisation énergétique (cœur du projet)
🎯 Objectif
Réduire la consommation sans dégrader le confort.
Scénarios simulés :
Pilotage intelligent HVAC
Réduction éclairage grâce à la lumière naturelle
Adaptation à l’occupation
Maximisation de l’autoconsommation PV
➡️Chaque action applique un facteur de réduction réaliste.
🔑 Message clé jury
Ce module simule un contrôleur énergétique intelligent, équivalent à un MPC simplifié.
🔹 6. Résultats et gains énergétiques
Consommation avant / après optimisation
Calcul du gain énergétique (%)
Conversion en gain économique (MAD)
🔑 Message clé jury
Le projet ne se limite pas à la technique, il démontre un impact économique concret.
🔹 7. Visualisation
🎯 Objectif
Aide à la décision pour l’utilisateur.
Comparaison claire avant / après
Lecture intuitive consommation / coût
🔑 Message clé jury
Les visualisations facilitent l’appropriation du système par un gestionnaire énergétique.
🔹 8. Vérification du cahier des charges (automatique)
Le code vérifie :
Précision du modèle
Gain énergétique
Qualité des données
Temps de calcul
🔑 Message clé jury
Le respect du cahier des charges est vérifié automatiquement, ce qui renforce la crédibilité
du projet.
🏁 Conclusion finale (à dire au jury)
Ce projet constitue une preuve de concept fonctionnelle d’un système intelligent
d’optimisation énergétique.
Il combine données réelles, intelligence artificielle, simulation d’optimisation et analyse
économique.
Il répond pleinement aux exigences du cahier des charges et ouvre la voie à des évolutions
vers des bâtiments intelligents intégrant batteries et pilotage temps réel.