IPMVP — Exemple complet (Option C)

Code à copier

import pandas as pd
from datetime import datetime
from IPMVP.IPMVP import Mathematical_Models

# --- Données mensuelles livrées avec le paquet : consommation + DJU ---
df = pd.read_excel("src/IPMVP/IPMVP_input.xlsx")
df["Mois"] = pd.to_datetime(df["Mois"])
df = df.set_index("Mois")
col_conso = [c for c in df.columns if c.lower().startswith("consommation")][0]
X, y = df[["DJU"]], df[col_conso]

# --- Ajustement baseline + calcul des économies (tuple de 9 éléments) ---
(y_pred, df_bl, conformite, table_inc,
 y_pred_report, df_report, conformite_report, table_inc_report,
 df_savings) = Mathematical_Models(
    y, X,
    datetime(2016, 9, 1), datetime(2021, 5, 1),    # période de référence
    datetime(2021, 10, 1), datetime(2022, 10, 1),  # période de suivi
    degree=1, seuil_z_scores=3, site="exemple_site",
    imposed_intercept=None,   # None = constante libre ; 0 = régression par l'origine
    niveau_confiance=0.8,     # niveau de confiance de l'incertitude
    print_report=True,        # génère le rapport .docx + les figures matplotlib
)

# --- Prints de revue de chaque sortie ---
print("=== MODÈLE BASELINE (df_bl) ===");       print(df_bl)
print("\n=== CONFORMITÉ IPMVP (conformite) ==="); print(conformite)
print("\n=== INCERTITUDE MODÈLE (table_inc) ===");print(table_inc)
print("\n=== ÉCONOMIES (df_savings) ===");        print(df_savings)

Résultats

df_bl — coefficients, qualité d’ajustement, erreurs types, statistiques de Student :

                  ANTE-POST
coef_const   -320568.488196
coef_DJU        3564.640541
r2                 0.810000
rmse          236260.000000
cv_rmse            0.530000
ddof              42.000000
serr_const     66779.500000
serr_DJU         262.400000
stat_t_const      -4.800000
stat_t_DJU        13.600000

conformite — verdict IPMVP :

              valeur  conformité IPMVP
r2              0.81              True
cv_remse        0.53             False
stat_t_const   -4.80             False
stat_t_DJU     13.60              True

table_inc — incertitude du modèle (niveau de confiance 80 %) :

                         valeurs
gamma                       0.10
niveau_confiance            0.80
stat_t_normale              1.30
Erreur type (rmse)     236260.04
precision_absolue +/-  307618.95
precision_relative          0.69

df_savings — économies (détaillées au chapitre Mesure des économies) :

                           ANTE-POST    POST-ANTE
Relevé de consommation    3914387.73  19655625.79
Prédiction                4624795.55  16156026.80
pourcentage d'économie>0       18.15        17.80

Interprétation

Le modèle de référence est Conso = 3564,64 × DJU − 320568,49 : il explique 81 % de la variance (r2 = 0,81) et la variable DJU est très significative (stat_t_DJU = 13,6). Le cv_remse (0,53) dépasse le seuil IPMVP de 0,20 — dispersion résiduelle à réduire (variables explicatives supplémentaires ou meilleure granularité). Le calcul des économies est traité au chapitre suivant, Mesure des économies.

Note

Mathematical_Models retourne un tuple de 9 éléments ; il n’existe pas d’objet model avec attributs .r2 ou méthodes plot_*. Les figures et les tables baseline et reporting sont produites dans le rapport .docx généré par print_report=True (via docx_report).