⚡ Module Analyse Énergétique
Guide de présentation condensé
Application LPN-MS • 2026
Vue d'ensemble
Le module importe un fichier CSV ou Excel et expose 8 sections d'analyse automatique : statistiques,
visualisation, décomposition, prédiction IA, bilan énergétique, détection d'anomalies, prévision avancée et
référence théorique.
Les 8 sections — synthèse
Section Rôle
1. Profil Énergétique Statistiques résumées (moyenne, médiane, min/max, CV, outliers) +
histogramme KDE
2. Visualisation 5 graphiques : série temporelle, scatter/régression, boxplot, heatmap
corrélation, violin plot
3. Décomposition Sépare tendance, résidu et rythmes cachés (FFT) dans le signal
4. Prédiction IA 4 modèles (Linéaire, Ridge, Gradient Boosting, XGBoost) —
évaluation R², RMSE, importance des variables
5. Bilan & DPE Entonnoir énergie utile/pertes + étiquette DPE (A→G) selon
kWh/m²/an
6. Détection Pointes Signalement automatique des pics anormaux via seuil σ (sigma)
7. Prévision MSD Centrale énergétique : nettoyage Z-score, Energy Gap, 4 modèles
comparés, export .pkl / CSV
8. Théorie & Formules P=UI, Q=mCpΔT, η, COP, cos φ — référence scientifique intégrée
Section 1 — Profil Énergétique
Statistiques clés : moyenne, médiane, min/max, coefficient de variation (CV), outliers, skewness. Graphique :
histogramme (barres violettes) + courbe KDE lisse + lignes moyenne (jaune) et médiane (verte).
• CV < 10 % → consommation stable ; CV > 50 % → très irrégulière
• Lignes jaune et verte éloignées → des pics tirent la moyenne vers le haut
Section 2 — Visualisation (5 graphiques)
• Série temporelle : ligne bleue + moyenne mobile 7 pts (jaune) — repère tendances et irrégularités
• Scatter / Régression : nuage de points + droite de tendance + R² affiché
• Boxplot : médiane, boîte (50 % des valeurs), moustaches, points aberrants
• Heatmap corrélations : cases rouges/cyan (+1) ou bleu (-1) montrent les liens entre variables
• Violin plot : largeur = fréquence des valeurs — complète le boxplot
Section 3 — Décomposition du signal
• Signal original + tendance de fond (courbe jaune)
• Résidu : ce qui reste après retrait de la tendance (fluctuations imprévisibles)
• Spectre FFT : détecte les rythmes dominants (ex. cycle mensuel de 30 jours)
Section 4 — Prédiction IA
Étapes : choisir variable cible → variables explicatives → modèle → % test → cliquer Entraîner.
Modèle Description courte
Régression Linéaire Règle simple, rapide, interprétable
Ridge Linéaire stabilisée quand les variables se ressemblent
Gradient Boosting Apprend de ses erreurs successivement — puissant
XGBoost Version optimisée du Boosting — meilleure performance générale
Indicateurs de performance
R² Résultat Interprétation
> 0,85 Excellent ✅ Modèle fiable
0,6 – 0,85 Correct 🟡 Perfectible
< 0,6 Faible 🔴 À améliorer avant usage
RMSE : erreur moyenne en unités réelles — plus c'est petit, mieux c'est.
Graphiques : nuage Réel vs Prédit (points proches de la diagonale = bon modèle) + barres d'importance des
variables.
Section 5 — Bilan & DPE
Entonnoir : énergie totale (bleue) → énergie utile (verte) → pertes (rouge). Le curseur de rendement permet
une démo en direct.
Étiquette DPE
Classe kWh/m²/an Niveau
A 0 – 50 Champion ✅
B 51 – 90 Très économe
C 91 – 150 Bien
D 151 – 230 Moyen
E 231 – 330 Mauvais
F 331 – 450 Très mauvais
G > 450 Gouffre énergétique 🔴
Calcul automatique : consommation totale ÷ surface → classe A à G.
Section 6 — Détection de Pointes
• Sélectionner la variable à surveiller
• Régler σ : σ=2 (sensible) → σ=3 (seulement les vrais gros pics)
• Résultat : ligne bleue + points rouges (anomalies) + seuil jaune pointillé
Section 7 — Prévision Centrale MSD
• Étape 1 — Nettoyage : suppression des valeurs Z-score > 3
• Étape 2 — Energy Gap : écart Ch6 − Ch7 → proche de zéro = centrale équilibrée
• Étape 3 — 4 modèles comparés : Linéaire, Arbre de Décision, Random Forest, XGBoost
• Export : meilleur modèle (.pkl) + données nettoyées (CSV)
Section 8 — Théorie & Formules
• P = U × I (puissance électrique, W)
• Q = m × Cp × ΔT (chaleur absorbée/dégagée)
• η = E_utile / E_totale × 100 % (rendement)
• COP = E_utile / W (pompe à chaleur)
• cos φ = P / S (facteur de puissance)
3 phrases clés pour la présentation
Ouverture : "Ce module transforme un fichier Excel en diagnostic complet de votre consommation."
Milieu : "Il analyse le passé, visualise le présent, prédit le futur et détecte les anomalies — automatiquement."
Clôture : "L'objectif : savoir exactement où va votre énergie, pour ne plus en gaspiller une seule unité."
Application LPN-MS — Analyse Énergétique Avancée — 2026