07 / MACHINE LEARNING · ÉNERGIE
Energy Optimizer Pro
Projet de démonstration d'analyse énergétique des bâtiments : données synthétiques, comparaison de Random Forest, XGBoost et LightGBM pour prévoir la charge, suggestions à règles avec économie estimée, API FastAPI et tableau de bord Streamlit.
Vue d'ensemble
Projet de démonstration d'analyse énergétique des bâtiments : données synthétiques, comparaison de Random Forest, XGBoost et LightGBM pour prévoir la charge, suggestions à règles avec économie estimée, API FastAPI et tableau de bord Streamlit.
Le défi
Transformer des séries de consommation en prévisions fiables et en recommandations lisibles par les gestionnaires de bâtiments, sans faire passer des estimations pour des mesures.
Approche architecturale
Package Python pour données et modèles, API FastAPI pour prévisions et optimisation, tableau de bord Streamlit (source Next.js sans manifeste) ; exemples Docker et supervision avec Prometheus et Grafana.
La solution
Pipeline de préparation des données, comparaison entre Random Forest, XGBoost et LightGBM, moteur de suggestions à base de règles et un tableau de bord montrant consommation réelle, prévision et actions conseillées.
Fonctionnalités clés
- Prévision de la consommation avec trois modèles comparables
- Suggestions à règles avec économie estimée par heure
- Portefeuille de bâtiments par type et surface
- API FastAPI et tableau de bord Streamlit (Next.js en source uniquement)
Direction technologique
Les faits
- Trois modèles comparés : Random Forest, XGBoost, LightGBM
- Données synthétiques, économie estimée par plage horaire
- API FastAPI et tableau de bord Streamlit
Projet suivant