Formation Data for Green : Analyser les données énergétiques pour réduire la facture

Programme de la formation
Data for Green : Analyser les données énergétiques pour réduire la facture

• Introduction à la donnée énergétique et ses sources

  - Identifier les sources de données énergétiques (compteurs, capteurs, factures).
  - Distinguer les types de données (instantanées, agrégées, historiques).
  - Caractériser la granularité et la fréquence des relevés énergétiques.

• Collecte et préparation des données énergétiques

  - Décrire les méthodes de collecte de données (API, CSV, bases de données).
  - Appliquer des techniques de nettoyage de données (gestion des valeurs manquantes, outliers).
  - Structurer les jeux de données pour l'analyse (formatage, agrégation).

• Visualisation des consommations énergétiques

  - Utiliser des graphiques de séries temporelles pour représenter les consommations.
  - Créer des tableaux de bord pour le suivi des indicateurs clés.
  - Interpréter les tendances et les motifs saisonniers de consommation.

• Analyse descriptive des séries temporelles énergétiques

  - Calculer des statistiques descriptives (moyenne, médiane, écart-type) sur les consommations.
  - Identifier les périodes de pointe et de creux de consommation.
  - Décomposer une série temporelle en tendance, saisonnalité et résidu.

• Détection d'anomalies de consommation (méthodes statistiques)

  - Appliquer des méthodes statistiques (écarts-types, Z-score) pour la détection d'anomalies.
  - Interpréter les seuils d'alerte pour les consommations anormales.
  - Distinguer les anomalies techniques des anomalies comportementales.

• Détection d'anomalies de consommation (méthodes avancées)

  - Utiliser des algorithmes de clustering pour identifier des profils de consommation anormaux.
  - Mettre en œuvre des techniques de détection d'anomalies basées sur l'apprentissage automatique.
  - Valider la pertinence des alertes générées par les modèles.

• Introduction à la modélisation prédictive énergétique

  - Expliquer les principes de la régression linéaire pour la prédiction.
  - Sélectionner les variables explicatives pertinentes (météo, occupation, production).
  - Évaluer la performance d'un modèle prédictif (R², RMSE).

• Modélisation prédictive avancée des consommations

  - Construire des modèles de régression multiple pour la prédiction énergétique.
  - Intégrer des variables catégorielles et des interactions dans les modèles.
  - Utiliser des techniques de validation croisée pour fiabiliser les prédictions.

• Indicateurs de Performance Énergétique (IPE)

  - Définir des Indicateurs de Performance Énergétique (IPE) pertinents.
  - Calculer des IPE normalisés (kWh/m², kWh/unité produite).
  - Suivre l'évolution des IPE pour évaluer l'efficacité des actions.

• Quantification des économies d'énergie

  - Appliquer la méthode de mesure et vérification (M&V) pour quantifier les économies.
  - Utiliser des modèles de régression pour établir une ligne de base énergétique.
  - Calculer les économies brutes et nettes après intervention.

• Analyse financière des actions d'efficacité énergétique

  - Estimer le coût des actions de réduction de consommation.
  - Calculer le retour sur investissement (ROI) et le temps de retour simple.
  - Quantifier l'impact financier des économies d'énergie réalisées.

• Optimisation énergétique et cas d'usage

  - Appliquer les méthodes d'analyse pour l'optimisation de la consommation électrique industrielle.
  - Corréler les données météorologiques et de consommation pour la réduction des coûts de chauffage.
  - Identifier les équipements énergivores via l'analyse de sous-comptage.