Anomalies énergétiques : vers une détection plus intelligente
🔎 Deux exemples concrets : dans un bureau, un éclairage allumé à 3h du matin est une anomalie contextuelle. Dans une chambre froide industrielle, une consommation électrique qui chute de 20% en pleine production est une anomalie ponctuelle invisible pour un seuil fixe.
Les 3 types d'anomalies énergétiques
En science des données, on distingue trois grandes familles d'anomalies. Pour bien comprendre, prenons deux exemples concrets : l'éclairage d'un bureau (secteur tertiaire) et une chambre froide industrielle (secteur industriel).
1. Anomalie ponctuelle
Une observation unique qui diffère fortement des autres valeurs.
Exemple tertiaire (éclairage) :
Un ballast défaillant provoque une chute soudaine de consommation :
500 W (normal) → 5 W (anormal) pendant 15 minutes.
→ Le bureau consomme soudainement beaucoup moins, signe d'un dysfonctionnement.
Exemple industriel (chambre froide) :
Un compresseur qui s'arrête brutalement :
45 kW (normal) → 5 kW (anormal) pendant 10 minutes.
→ Risque de remontée de température et de perte de marchandise.
2. Anomalie contextuelle
Une valeur normale dans un contexte devient anormale dans un autre (jour/nuit, été/hiver, production/arrêt).
Exemple tertiaire (éclairage) :
500 W à 14h = normal (bureau occupé).
500 W à 3h du matin = anormal → éclairage oublié.
Exemple industriel (chambre froide) :
35 kW en journée de production = normal.
35 kW la nuit (production arrêtée) = anormal → défaut d'isolation ou porte laissée ouverte.
3. Anomalie collective
Chaque valeur prise isolément semble normale, mais la séquence entière est anormale.
Exemple tertiaire (éclairage) :
Un couloir où la lumière s'allume normalement toutes les 5 minutes.
Si ce cycle se répète toute la nuit (détecteur de présence défaillant) → la séquence est anormale.
Exemple industriel (chambre froide) :
Consommation stable à 45 kW avec un cycle régulier de dégivrage.
Si les cycles de dégivrage disparaissent et que la consommation baisse progressivement à 35 kW sur 48h → risque de givrage et de perte de marchandise.
📐 Leçon clé : une alarme basée sur un seuil fixe ne peut pas détecter les anomalies contextuelles (ex : éclairage oublié la nuit) ni collectives (ex : dérive d'une chambre froide). Seule une approche intelligente, comprenant le contexte, le peut.
Pourquoi les seuils fixes échouent
Figure 1 : Les trois types d'anomalies dans une courbe de consommation électrique
La plupart des systèmes d'alarme utilisent des seuils fixes (ex : alerte si puissance > 100 kW ou < 10 kW). Cette approche, bien que simple, souffre de deux défauts majeurs.
Problème n°1 : des fausses alertes en cascade
Si le seuil est trop bas → déclenchements intempestifs. Les équipes finissent par ignorer les alertes.
Avec l'éclairage de bureau : un seuil bas à 100 W. En journée, la consommation descend parfois sous 100 W (personne dans la zone) → alerte. La nuit, une consommation anormale à 200 W (éclairage oublié) ne déclenche aucune alerte car elle reste au-dessus du seuil bas.
Avec la chambre froide : un seuil haut à 60 kW. En été, la consommation dépasse normalement 65 kW (chaleur extérieure) → alertes constantes. En hiver, une chute de consommation à 35 kW (défaut de dégivrage) ne déclenche aucune alerte.
Problème n°2 : des anomalies totalement invisibles
Une valeur peut être normale dans un contexte mais anormale dans un autre. Les seuils fixes ne captent ni le contexte ni les dérives progressives.
Avec l'éclairage : 500 W à 14h = normal. 500 W à 3h du matin = anormal (éclairage oublié).
Avec la chambre froide : 45 kW en production = normal. 45 kW en arrêt de production = anormal (défaut d'isolation ou consommation parasite).
📐 Le bilan : les seuils fixes génèrent soit trop de fausses alertes (alertes ignorées), soit trop de non-détections (anomalies non détectées). Dans tous les cas, le système ne remplit pas sa mission et le gaspillage énergétique continue.
Le coût des anomalies non détectées
Dans les bâtiments tertiaires et les installations industrielles, les anomalies de consommation représentent un gaspillage significatif souvent invisible :
- Éclairage oublié : des centaines d'euros par an pour un simple parking ou bureau
- Dérives progressives : vieillissement des équipements augmentant la consommation
- Défauts de pilotage : régulation mal configurée, programmation horaire erronée
- Talon anormal : consommation de base trop élevée la nuit ou en arrêt de production
Selon l'ACEEE (American Council for an Energy-Efficient Economy), les systèmes de gestion énergétique intégrant l'apprentissage automatique permettent de réduire la consommation d'énergie des bâtiments de manière significative.
Exemple concret :
- Bureau : éclairage allumé toute la nuit → +1000 kWh/an
- Chambre froide : dérive de compresseur → +5000 kWh/an
Vers une détection plus intelligente
Comprendre le contexte
L'approche intelligente apprend le "comportement normal" de chaque équipement et zone. Pour l'éclairage, elle sait qu'à 14h, 500 W est normal ; à 3h du matin, c'est une anomalie. Pour la chambre froide, elle sait que 45 kW en production est normal ; 45 kW en arrêt est anormal.
Détecter les dérives progressives
Une augmentation de 1% par mois de la consommation d'éclairage ou une baisse progressive de la consommation d'une chambre froide reste invisible pour un seuil fixe, mais une approche intelligente détecte cette tendance dès les premières semaines.
Réduire les fausses alertes
En intégrant le contexte (agenda d'occupation, jours fériés, saisons, cycles de production), l'approche intelligente réduit les alertes intempestives et permet aux équipes de se concentrer sur les anomalies réelles.
Exemple 1 : Éclairage de bureau
L'approche intelligente intègre :
- Horaires d'occupation (8h-19h)
- Jours fériés et week-ends
- Saisonnalité (ensoleillement)
Résultat : une alerte uniquement lorsque la consommation s'écarte du comportement attendu.
Exemple 2 : Chambre froide industrielle
L'approche intelligente intègre :
- Cycles de production et d'arrêt
- Cycles de dégivrage
- Température extérieure (saisonnalité)
Résultat : détection précoce d'une dérive (ex : givrage) avant qu'elle n'impacte la marchandise.
Nos travaux de recherche sur la détection d'anomalies
Wattnow mène une activité de recherche active sur la détection d'anomalies énergétiques. Nos travaux sont présentés lors de conférences internationales et publiés dans des revues académiques.
Nos publications récentes
Analyse comparative des méthodes disponibles pour la détection d'anomalies de consommation énergétique
Conférence : 2024 10th International Conference on Automation, Robotics and Applications (ICARA)
Résumé : Une étude comparative des méthodes existantes pour la détection d'anomalies dans la consommation énergétique, évaluant leurs performances sur des données réelles de bâtiments tertiaires et d'installations industrielles.
Vers une détection non supervisée des anomalies de consommation énergétique
Conférence : AIAI 2024 (Corfou, Grèce)
Résumé : Une approche non supervisée pour la détection d'anomalies, ne nécessitant pas d'exemples pré-étiquetés, particulièrement adaptée aux environnements industriels où les anomalies sont rares et variées.
Détection de défauts dans les images d'électroluminescence des panneaux photovoltaïques en utilisant des variantes légères de YOLOv9 à YOLOv12
Conférence : 2025 25th International Conference on Digital Signal Processing (DSP)
Résumé : Détection automatique de défauts dans les panneaux photovoltaïques à partir d'images d'électroluminescence, utilisant des variantes légères de YOLO pour une inspection rapide et efficace sur le terrain.
Conférences internationales
10th International Conference on Automation, Robotics and Applications
Athènes, Grèce, Février 2024
Corfou, Grèce, 16 Octobre 2024
Applications de l'intelligence artificielle à la détection d'anomalies
Istanbul, 18-19 Octobre 2024
Reconnaissance des formes en énergie
25th International Conference on Digital Signal Processing
Grèce, Juin 2025
📐 Une approche reconnue : Wattnow déploie ses modèles sur une infrastructure AWS sécurisée et évolutive. L'entreprise s'engage à une utilisation éthique des données, en s'appuyant uniquement sur des données publiques, sous licence ou autorisées par le client. → Découvrir la page Recherche & Développement de Wattnow
Des résultats terrain documentés
Wattnow intègre les approches de détection intelligente dans sa plateforme de surveillance énergétique. Résultats sur le parc client :
Détection des consommations hors plages horaires (éclairage, chauffage, climatisation)
Identification des dérives sur chambres froides, compresseurs et lignes de production
Comparaison automatique entre sites et détection d'anomalies relatives
📊 Résultat terrain : les clients Wattnow détectent et corrigent des anomalies qui restaient invisibles avec des approches classiques, générant des économies significatives sur leur facture énergétique.
Questions fréquentes sur la détection d'anomalies énergétiques
Une anomalie ponctuelle est une valeur isolée anormale (ex : chute soudaine de consommation). Une anomalie contextuelle est une valeur normale dans un contexte mais anormale dans un autre (ex : éclairage allumé la nuit ou chambre froide qui consomme en arrêt de production).
Parce qu'ils ne font pas la différence entre une consommation normale en journée et une consommation anormale la nuit, ni entre un comportement normal en production et anormal en arrêt. Une approche intelligente, elle, comprend le contexte d'occupation ou de production.
Wattnow a publié des travaux sur l'analyse comparative des méthodes de détection (ICARA 2024), la détection non supervisée (AIAI 2024) et la détection de défauts dans les panneaux solaires (MedPRAI24).
En intégrant le contexte (horaires d'occupation, jours fériés, saisons, cycles de production, historique), elle évite de déclencher des alertes pour des comportements normaux mais variables.
Ressources complémentaires
Détectez vos anomalies énergétiques
Wattnow vous aide à identifier les consommations anormales (éclairage oublié, dérives de chambres froides, etc.) grâce à une approche intelligente et contextuelle.
Programmer un échange