Le sous-comptage d’un bâtiment ou d’un site vous donne une image claire de ce que vous avez consommé. Vous voyez le pic d’hier, le total du mois dernier, l’étage qui tire le plus. Cette visibilité se rentabilise déjà en repérant le gaspillage et en validant les factures.
Le problème, c’est que les décisions énergétiques portent sur demain, pas sur hier. Les frais de puissance sont fixés par le seul pic le plus élevé d’une période de facturation. La gestion des batteries, le décalage de charge et l’achat d’énergie à l’avance dépendent tous de la connaissance de la charge avant qu’elle n’arrive. Un compteur qui ne rapporte que le passé laisse de l’argent sur la table, parce que les actions qui réduisent les coûts doivent avoir lieu avant le pic, pas après l’avoir vu sur un graphique. La prévision, c’est ainsi que vous prenez de l’avance.
La charge énergétique est l’un des signaux les plus faciles à prévoir
Bonne nouvelle d’abord : la charge électrique est l’un des signaux IoT les plus prévisibles, parce qu’elle est portée par des rythmes humains et saisonniers qui se répètent. Un bâtiment commercial suit une courbe quotidienne, faible la nuit, qui monte le matin, culmine l’après-midi, et une courbe hebdomadaire, les jours de semaine différant des week-ends. Ajoutez un cycle annuel lié au chauffage et à la climatisation et vous obtenez un signal à la structure forte et stable.
Cette structure signifie que vous n’avez pas besoin d’une modélisation exotique pour obtenir une prévision utile. Un modèle saisonnier qui capte les motifs de l’heure de la journée et du jour de la semaine vous mènera presque au bout du chemin pour un bâtiment classique. C’est la même approche de référence saisonnière qui fonctionne pour toute la surveillance IoT, et l’énergie est le domaine où elle brille, parce que les cycles y sont si constants.
Le facteur qui casse un modèle purement calendaire : la météo
Une prévision fondée uniquement sur le calendrier suppose que chaque mardi de juillet se ressemble. Puis une vague de chaleur arrive et la charge de climatisation dépasse la prévision, précisément le jour où la prévision comptait le plus pour un frais de puissance.
La température est le facteur externe dominant de la charge énergétique dans la plupart des bâtiments, une prévision sérieuse doit donc l’inclure. En pratique, cela signifie intégrer une prévision météo locale dans votre modèle comme donnée d’entrée, aux côtés des variables calendaires. Puisqu’une Analysis TagoIO peut appeler une API météo externe, vous pouvez injecter la température prévue pour demain dans la prédiction de charge d’aujourd’hui. Ajouter la météo représente en général le plus grand gain de précision par rapport à une référence purement calendaire pour les signaux énergétiques.
D’autres facteurs utiles, selon le site : l’occupation, le planning de production et les événements connus comme un changement d’équipe ou un arrêt programmé. Chacun est une donnée d’entrée supplémentaire dont le modèle peut apprendre.
De la prévision à l’argent
Une prévision de charge ne vaut la peine d’être construite que si elle déclenche une action. Les plus courantes :
L’évitement de pic. Si la prévision indique que vous atteindrez un nouveau pic mensuel cet après-midi, vous pouvez délester une charge non critique ou solliciter une batterie avant que le pic ne fixe votre frais de puissance pour toute la période. C’est souvent la plus grande économie unique tirée d’une prévision énergétique.
L’approvisionnement et le décalage. Connaître le profil de charge de demain vous permet d’acheter de l’énergie ou de décaler les charges flexibles vers des créneaux moins chers.
La budgétisation et le contexte des anomalies. Une prévision de consommation à un mois donne aux finances un chiffre sur lequel s’appuyer, et elle sert aussi de contexte à la détection d’anomalies : une consommation bien au-dessus de la prévision est le signe que quelque chose ne va pas, un volet bloqué, une commande défaillante, une fuite.
Le construire sur TagoIO
La boucle s’adapte directement à la plateforme. Les données des compteurs arrivent sur TagoIO. Une Analysis planifiée lit l’historique de charge récent d’un compteur ou d’un groupe sélectionné par tags, récupère une prévision météo, exécute un modèle saisonnier ou d’apprentissage automatique, et réécrit la charge prédite sous forme de variable. Un dashboard trace la prévision face au réel, et une alerte se déclenche quand la prévision projette un nouveau pic avec assez d’avance pour agir.
Puisque TagoIO Analytics produit la prévision de charge aux côtés de vos données de compteurs, le modèle fondé sur la météo réside en un seul endroit, pas dans un système séparé que vous devez synchroniser.
Commencez par le pic, ajoutez la météo, puis agissez
Commencez par une prévision saisonnière de la mesure qui vous coûte le plus cher, en général le pic de demande, et tracez-la face au réel pour voir comment elle se comporte. Ajoutez la météo comme donnée d’entrée, parce que pour l’énergie c’est presque toujours la plus grande amélioration à elle seule. Ensuite, reliez la prévision à une action, le délestage de pic ou la sollicitation de batterie, et laissez-la commencer à se rentabiliser.
Voyez comment TagoIO Analytics exécute le modèle fondé sur la météo derrière une prévision énergétique.
La voie sans code, c’est TagoIO Analytics, qui prévoit la charge énergétique à votre place. Connectez-vous sur sight.tago.io/login avec votre compte TagoIO et entraînez un modèle sur les données de vos compteurs en quelques minutes, avec prévisions et détection d’anomalies, sans avoir besoin d’un data scientist.
