Utilisation du module IPMVP

Le module IPMVP construit un modèle de baseline (régression) et calcule les économies d’énergie selon l”Option C (mesure au niveau du site). La fonction principale Mathematical_Models retourne un tuple de 9 éléments ; il n’existe pas d’objet model avec des attributs .r2 ou des méthodes plot_* (voir IPMVP — Exemple complet (Option C) pour un exemple exécutable complet).

Signature

from IPMVP.IPMVP import Mathematical_Models

res = Mathematical_Models(
    y, X,
    start_baseline_period, end_baseline_period,
    start_reporting_period, end_reporting_period,
    print_report=False,
    seuil_z_scores=8,
    degree=1,
    site="****",
    imposed_intercept=None,
    niveau_confiance=0.8,
)
(y_pred, df, conformite, table_incertitude,
 y_pred_report, df_report, conformite_report,
 table_incertitude_report, df_savings) = res

Paramètres

  • y : consommation énergétique (Series indexée par le temps) ;

  • X : variable(s) explicative(s) (DataFrame, ex. [["DJU"]]) ;

  • start/end_baseline_period : période de référence (datetime) ;

  • start/end_reporting_period : période de suivi (datetime) ;

  • degree : degré du polynôme (1=linéaire, 2=quadratique, 3=cubique) ;

  • print_report : si True, génère un rapport .docx (via docx_report) ;

  • seuil_z_scores : seuil d’exclusion des points aberrants (défaut 8) ;

  • imposed_intercept : impose la constante du modèle. None (défaut) = constante estimée librement ; 0 = régression par l’origine ; toute autre valeur = « talon » de consommation imposé. Les pentes sont alors ajustées sur le résidu \(y - b_0\), puis l’ordonnée est fixée à \(b_0\) ;

  • niveau_confiance : niveau de confiance du calcul d’incertitude (défaut 0,8). Pilote la statistique de Student et donc la precision_absolue / precision_relative de table_incertitude.

Valeurs de retour

  • y_pred : consommation prédite sur la baseline (DataFrame) ;

  • df : coefficients et indicateurs du modèle baseline, en colonne "ANTE-POST" (lignes coef_const, coef_DJU…, r2, rmse, cv_rmse, ddof, serr_*, stat_t_*) ;

  • conformite : DataFrame des indicateurs (r2, cv_remse, stat_t_*) avec la colonne conformité IPMVP (booléens) ;

  • table_incertitude : incertitude baseline (gamma, niveau_confiance, stat_t_normale, Erreur type (rmse), precision_absolue +/-, precision_relative) ;

  • y_pred_report, df_report, conformite_report, table_incertitude_report : équivalents pour la période de suivi (colonne "POST-ANTE") ;

  • df_savings : économies ANTE-POST / POST-ANTE (relevé, prédiction, pourcentage d’économie).

Critères de validation (ASHRAE Guideline 14)

R² (coefficient de détermination) :

\[R^2 = 1 - \frac{\sum (y_i - \hat{y}_i)^2}{\sum (y_i - \bar{y}_i)^2} \qquad\text{seuil usuel } R^2 \ge 0.75\]

CV(RMSE) — coefficient de variation du RMSE :

\[\text{CV(RMSE)} = \frac{1}{\bar{y}} \sqrt{\frac{\sum (y_i - \hat{y}_i)^2}{n - p}}\]

Seuils de référence ASHRAE : ≤ 15 % (mensuel) / ≤ 30 % (horaire).

Note

Ces indicateurs sont fournis dans le DataFrame conformite retourné, avec le verdict conformité IPMVP. Le seuil cv_remse codé dans le module est unique (0,2 = 20 %), sans distinction mensuel/horaire.

Détection des valeurs aberrantes

Le module utilise la méthode du z-score :

\[z_i = \frac{y_i - \bar{y}}{\sigma_y}\]

Les points avec \(|z|\) > seuil_z_scores (défaut 8) sont exclus.

Variables explicatives (X)

Le plus souvent, X contient les degrés-jours unifiés (DJU). Le module calcule les DJU par la méthode COSTIC (voir Degrés-Jours Unifiés (DJU)) ; on peut aussi ajouter d’autres variables selon le contexte :

# Bâtiment thermiquement sensible
X = df[["DJU"]]
# Site industriel : ajouter des inducteurs de production
X = df[["DJU", "tonnes_produites", "heures_fonctionnement"]]

Granularité temporelle

Mathematical_Models s’applique à des données horaires, journalières ou mensuelles. Les données mensuelles offrent le meilleur compromis précision/simplicité pour la plupart des projets M&V.

df_monthly = df.resample("MS").sum()   # agrégation mensuelle
X = df_monthly[["DJU"]]
y = df_monthly["consommation_kWh"]

Incertitude propagée des économies

La fonction incertitude_savings propage l’erreur-type du modèle de référence (rmse, ddof, moyenne de consommation) sur une durée de contrat et une période de reporting, selon le protocole IPMVP :

from IPMVP.IPMVP import incertitude_savings

inc = incertitude_savings(
    rmse, ddof, moyenne,
    gain_pct=0.18,            # économie mensuelle attendue
    duree_contrat_mois=60,
    duree_reporting_mois=12,
    niveau_confiance=0.8,     # défaut 0,8
)

Formule (identique au calcul Excel M&V) :

\[t = t_{\text{Student}}\!\left(\tfrac{1+\text{conf}}{2},\; ddof\right) \qquad \text{prec}_{\text{abs}}(m) = t \cdot rmse \cdot \sqrt{m}\]

où \(m\) est le nombre de mois. La fonction est pure (aucun effet de bord) et retourne un dict contenant les clés contrat et reporting (chacune : mois, economie_kwh, precision_absolue_kwh, precision_relative). Voir IPMVP — Exemple complet (Option C) pour une sortie réelle.

Références

  • IPMVP Volume I (2012), Efficiency Valuation Organization (EVO) ;

  • ASHRAE Guideline 14 : Measurement of Energy, Demand, and Water Savings ;

  • ISO 50015 : Systèmes de management de l’énergie — Mesure et vérification.