Application du Machine Learning pour la Prédiction de
la Consommation Énergétique dans un Entrepôt
Industriel
Nourhene Ouhibi
1. Introduction
Dans le domaine du génie industriel, la gestion de l’énergie est un problème
crucial. Les entrepôts de stockage, notamment ceux où les équipements produits
sont stockés avant d’être expédiés, consomment une quantité considérable
d’énergie pour des opérations telles que l’éclairage, le chauffage, la climatisation,
etc. Une gestion optimale de cette consommation est primordiale pour réduire les
coûts et améliorer l’efficacité énergétique. Ce projet vise à prédire la
consommation énergétique dans un tel entrepôt en utilisant des techniques de
Machine Learning.
2. Problématique
Le problème traité dans ce projet consiste à prédire la consommation énergétique
d’un entrepôt de stockage. L’entrepôt stocke des équipements produits, prêts à
être expédiés. Les facteurs influençant cette consommation incluent la
température, l’humidité, la superficie, l’occupation du lieu, ainsi que l’utilisation
de systèmes comme le chauffage, la ventilation et la climatisation (HVAC) et
l’éclairage. L’objectif est de prédire la consommation énergétique sur une
période de 24 heures, en utilisant les données historiques relatives à ces
paramètres.
3. Données Utilisées
Les données utilisées dans ce projet proviennent d’un ensemble de mesures
réalisées dans un entrepôt industriel. Les principales caractéristiques (ou
attributs) incluent :
• Température : Température ambiante de l’entrepôt.
• Humidité : Taux d’humidité dans l’entrepôt.
• Superficie : Superficie de l’entrepôt en pieds carrés.
• Occupancy : Nombre d’occupants ou de travailleurs présents dans l’entrepôt.
• HVACUsage : Utilisation des systèmes HVAC (chauffage, ventilation et
climatisation).
• LightingUsage : Utilisation de l’éclairage.
• RenewableEnergy : Quantité d’énergie renouvelable utilisée.
• DayOfWeek : Jour de la semaine (lundi, mardi, etc.).
• Holiday : Indicateur si la journée est un jour férié.
• Hour : Heure de la journée.
• Day : Jour du mois.
• Weekend : Indicateur si la journée est un weekend (samedi ou dimanche).
1
4. Algorithme Choisi
L’algorithme de Machine Learning choisi pour ce projet est la régression linéaire,
car il permet de modéliser la relation entre les différentes variables indépendantes
(comme la température, l’humidité, etc.) et la variable dépendante (la
consommation d’énergie). Ce modèle a été entraîné sur un jeu de données
historique pour apprendre cette relation et est utilisé pour prédire la
consommation énergétique future de l’entrepôt.
5. Résultats Attendus
Les résultats attendus incluent une prédiction fiable de la consommation
énergétique pour les prochaines 24 heures, en prenant en compte l’influence des
différents facteurs comme la température, l’humidité et l’occupation de
l’entrepôt. L’objectif est d’obtenir un modèle qui peut être utilisé pour prédire les
besoins énergétiques en fonction des conditions environnementales et
opérationnelles.
6. Instructions d’Exécution du Code
Le code Python et les fichiers nécessaires sont fournis dans un fichier ZIP. Suivez
les étapes ci-dessous pour extraire et exécuter le projet.
6.1 Extraction des Fichiers
1. Téléchargez le fichier ZIP contenant le code et les données nécessaires.
2. Extrayez le fichier ZIP dans un répertoire de votre choix. Le fichier ZIP contient
les fichiers suivants :
• [Link] : Le fichier Jupyter Notebook contenant le code Python.
• Energy [Link] : Le fichier contenant les données historiques de
consommation énergétique.
• [Link] : Le fichier listant les bibliothèques nécessaires pour exécuter
le code Python.
6.2 Installation des Bibliothèques
Le fichier ZIP contient un fichier [Link] qui répertorie toutes les
bibliothèques nécessaires pour exécuter le code Python. Pour installer les bibliothèques,
suivez ces étapes :
1. Ouvrez un terminal (ou invite de commande).
2. Accédez au répertoire où vous avez extrait les fichiers du ZIP.
3. Exécutez la commande suivante pour installer toutes les bibliothèques
nécessaires :
pip install -r [Link]
Cela installera toutes les bibliothèques répertoriées dans [Link].
2
6.3 Exécution du Code
Une fois les bibliothèques installées, vous pouvez exécuter le fichier Jupyter Notebook
[Link]. Pour ce faire :
1. Ouvrez un terminal et accédez au répertoire où vous avez extrait les fichiers.
2. Lancez Jupyter Notebook en utilisant la commande suivante :
jupyter notebook
Cela ouvrira une interface Web dans votre navigateur. Ensuite, ouvrez le fichier
[Link] et exécutez les cellules pour entraîner le modèle et effectuer des prédictions
sur la consommation énergétique.
Le script entraînera le modèle de régression linéaire sur les données historiques de
consommation énergétique et effectuera des prédictions pour les 24 prochaines heures.
Fonctionnalités principales :
a) Importation et visualisation des données :
o Chargement et affichage d’un jeu de données sur la consommation
énergétique (Energy_consumption.csv).
3
o Visualisation de la consommation énergétique sur une semaine et
exploration des relations entre l’énergie consommée et différentes
variables continues et catégorielles à l’aide de graphiques (scatterplots
et boxplots).
b) Ingénierie des caractéristiques :
o Extraction de variables temporelles telles que JourDeLaSemaine, Heure,
Jour et Weekend.
o Encodage des variables catégorielles (HVACUsage, LightingUsage et
Holiday) à l’aide d’un encodeur de labels (Label Encoding).
c) Entraînement du modèle : tenserflow
o Préparation des données pour l’apprentissage machine avec séparation
en ensembles d’entraînement et de test.
o Entraînement d’un modèle de régression linéaire pour prédire la
consommation énergétique à partir de variables telles que la
température, l’humidité, la superficie et les habitudes d’utilisation.*
4
d) Prédiction et évaluation :
o Évaluation des performances du modèle avec des métriques telles que
l’erreur quadratique moyenne (MSE), le score R² et l’erreur absolue
moyenne (MAE).
o Visualisation de la relation entre les valeurs réelles et prédites de la
consommation énergétique.
e) Prédiction sur les 24 prochaines heures :
o Simulation de données pour les 24 prochaines heures en utilisant des
modèles basés sur le jeu de données.
o Prédiction de la consommation énergétique pour les 24 prochaines
heures avec le modèle entraîné et visualisation des résultats.
7. Conclusion
Ce projet démontre l’application des techniques de Machine Learning dans le
domaine du génie industriel pour la gestion de la consommation énergétique. La
prédiction de la consommation d’énergie dans un entrepôt de stockage peut non
seulement aider à optimiser l’utilisation de l’énergie, mais également contribuer à
une gestion plus efficace des ressources.