Comprendre la détection d’anomalies énergétiques grâce à l’IA et à la data science
🔎 Le constat : dans les installations industrielles et tertiaires, les comportements anormaux apparaissent bien avant qu'une dérive ne soit visible. Une augmentation inhabituelle de consommation, un fonctionnement hors plage horaire… autant de signaux faibles que les seuils fixes ne captent pas.
La solution : les techniques de détection d'anomalies basées sur les statistiques, le machine learning et le deep learning.
- Les 3 types d'anomalies
- Méthodes statistiques (Z-Score, IQR)
- Machine learning supervisé (XGBoost, Random Forest)
- Machine learning non supervisé (Clustering, Isolation Forest)
- Deep learning & Autoencoders
- Pourquoi combiner plusieurs méthodes ?
- R&D Wattnow : publications & conférences
- Wattnow : déploiement terrain
- FAQ
Les 3 types d'anomalies en surveillance énergétique
En data science, on distingue trois grandes familles d'anomalies. Chacune nécessite une approche algorithmique spécifique.
1. Anomalies ponctuelles (Point Anomalies)
Une observation unique qui diffère fortement des autres valeurs.
Un compresseur consomme habituellement entre 20 et 25 kW. À un instant donné :
65 kW→ Cette mesure isolée est clairement anormale.
2. Anomalies contextuelles (Contextual Anomalies)
Une valeur normale dans un contexte devient anormale dans un autre.
Une consommation de 100 kWh peut être :
✓ Normale pendant les heures de production
✗ Anormale durant une période d'arrêt
3. Anomalies collectives (Collective Anomalies)
Chaque valeur prise isolément semble normale, mais la séquence entière est anormale.
Séquence : 21 kW → 22 kW → 20 kW → 23 kW
Chaque valeur est cohérente. Mais si ce cycle se répète toute la nuit alors que l'installation est censée être arrêtée → l'ensemble devient anormal.
📐 À retenir : Une alarme basée sur un seuil fixe ne peut pas détecter les anomalies contextuelles ni collectives. C'est pourquoi l'IA est indispensable.
Les méthodes statistiques : Z-Score et Intervalle Interquartile (IQR)
Ces approches constituent souvent la première étape. Simples à comprendre, rapides à déployer et peu gourmandes en ressources.
Z-Score
Mesure l'écart entre une observation et la moyenne. Plus cet écart est important, plus l'observation est suspecte.
Observations situées au-delà de ±3 écarts-types sont généralement considérées comme anomalies potentielles.
Méthode IQR (Intervalle Interquartile)
S'appuie sur les quartiles plutôt que la moyenne. Robuste face aux valeurs extrêmes.
Anomalies : valeurs situées en dessous de Q1 – 1,5×IQR ou au-dessus de Q3 + 1,5×IQR.
Apprentissage supervisé : quand les anomalies sont connues
Lorsque des exemples d'anomalies sont déjà disponibles et étiquetés, les modèles supervisés (XGBoost, Random Forest, LightGBM) apprennent à distinguer comportements normaux et situations anormales.
Exemple : Surveillance d'un compresseur industriel
Un modèle XGBoost est entraîné à prédire la température normale d'un compresseur à partir de :
- Consommation énergétique
- Charge
- Température ambiante
- Temps de fonctionnement
Température prédite par le modèle : 75°C
Température réellement mesurée : 95°C
→ L'écart significatif (20°C) indique une anomalie potentielle (défaut de refroidissement, usure mécanique…), même si la consommation électrique semble normale.
Apprentissage non supervisé : détecter l'inconnu
Dans la majorité des environnements industriels, les anomalies sont rares et non documentées. Les approches non supervisées identifient les comportements inhabituels sans exemples pré-étiquetés.
Clustering (K-Means, DBSCAN)
Les algorithmes de regroupement identifient les zones de fonctionnement normal. Les observations éloignées des clusters habituels sont considérées comme suspectes.
Isolation Forest
Principe simple : les anomalies sont plus faciles à isoler que les comportements normaux. Les observations isolées rapidement dans les arbres de décision obtiennent un score d'anomalie élevé. L'un des algorithmes les plus utilisés pour la détection d'anomalies industrielles.
Autoencoders : la puissance du deep learning pour les systèmes complexes
Lorsque les volumes de données deviennent importants et les interactions entre variables complexes, les Autoencoders offrent des performances remarquables.
Principe : entraîner un réseau de neurones uniquement sur des données normales. Le modèle apprend à :
- Compresser les données
- Les reconstruire
- Mesurer l'erreur de reconstruction
Lorsque l'erreur devient importante → le comportement diffère du fonctionnement habituel → anomalie.
Exemple : Détection sur compresseur
Variables surveillées : consommation, pression, température, temps de fonctionnement.
Fonctionnement normal → Autoencoder reconstruit correctement.
Défaut apparaît → erreur de reconstruction augmente → alerte déclenchée.
📐 Avantage clé : les Autoencoders sont particulièrement adaptés aux équipements complexes pour lesquels il est difficile de définir des règles fixes.
Pourquoi combiner plusieurs méthodes ?
Aucune méthode ne permet à elle seule de détecter tous les types d'anomalies. Les systèmes de surveillance énergétique les plus performants combinent plusieurs approches :
| Méthode | Type d'anomalie ciblée |
|---|---|
| Méthodes statistiques (Z-Score, IQR) | Écarts simples, valeurs aberrantes isolées |
| Modèles supervisés (XGBoost, Random Forest) | Défauts connus et documentés |
| Algorithmes non supervisés (Isolation Forest, Clustering) | Nouveaux comportements, anomalies inconnues |
| Deep Learning (Autoencoders) | Systèmes complexes et multivariés |
✅ Bénéfice : cette approche hybride permet de détecter aussi bien les anomalies ponctuelles que les comportements contextuels ou les dérives progressives, là où les règles classiques échouent.
Wattnow R&D : publications scientifiques et conférences internationales
Wattnow mène une activité de recherche active en IA pour l'énergie. Nos travaux sont régulièrement présentés lors de conférences internationales, garantissant que nos innovations sont validées académiquement et pertinentes pour l'industrie.
Axes de recherche majeurs
Frameworks avancés pour identifier les comportements irréguliers avec un minimum de fausses alertes.
Stratégie robuste pour reconstruire les jeux de données énergétiques incomplets (mécanisme MCAR).
Modèles IA pour anticiper la production photovoltaïque à partir des données météo.
Modèles IA pour anticiper la demande énergétique des bâtiments et machines industrielles.
Publications scientifiques récentes
Imputation des données énergétiques manquantes : gérer le mécanisme MCAR (Missing Completely at Random)
Conference : Pattern Recognition and Artificial Intelligence, Springer LNNS 2025
Résumé : Une approche d'imputation robuste pour les jeux de données énergétiques incomplets, surpassant les méthodes classiques pour restaurer la qualité des données de consommation et production.
Détection de défauts dans les installations photovoltaïques par vision par ordinateur
Statut : Recherche en cours
Résumé : Détection et classification automatique de défauts dans les installations PV à partir d'images d'électroluminescence.
Conférences internationales (sélection)
| Conférence | Date | Sujet |
|---|---|---|
| IEEE/PES/IAS PowerAfrica (PAC 2024) Johannesburg, Afrique du Sud | 7-11 Octobre 2024 | Conférence internationale sur les systèmes d'alimentation électrique, l'intégration des énergies renouvelables et les technologies de réseau intelligent. Solutions innovantes de surveillance énergétique pour les services publics africains |
| AIAI 2024 Université Ionienne, Corfou, Grèce | 16 Octobre 2024 | 26ème Conférence Internationale sur les Applications et Innovations en Intelligence Artificielle. Algorithmes d'IA avancés pour la reconnaissance des modèles de consommation énergétique et la détection d'anomalies |
| MedPRAI24 Université Istinye, Istanbul, Turquie | 18-19 Octobre 2024 | 6ème Conférence Méditerranéenne sur la Reconnaissance des Formes et l'Intelligence Artificielle. Nouvelles approches pour identifier les modèles de gaspillage d'énergie dans les installations commerciales et industrielles |
| DSP 2025 Costa Navarino, Messénie, Grèce | Juin 2025 | 25ème Conférence Internationale sur le Traitement Numérique du Signal. Algorithmes de traitement du signal pour l'analyse des données des compteurs intelligents et la surveillance de la qualité de l'alimentation |
📐 Infrastructure & éthique : Wattnow déploie son IA sur une infrastructure AWS sécurisée et évolutive, garantissant fiabilité et performance continue. 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.
Wattnow : déploiement terrain des modèles de détection d'anomalies
Wattnow intègre ces différentes approches (statistiques, ML supervisé/non supervisé, Autoencoders) dans sa plateforme de monitoring énergétique.
Cas d'usage clients
Détection des consommations hors plages horaires (éclairage, CVC, bureautique)
Identification des dérives sur compresseurs et lignes de production
Benchmark automatique entre sites et détection d'anomalies relatives
📊 Résultat terrain : les clients Wattnow réduisent leur consommation énergétique de 10 à 30% sur les postes où des anomalies étaient détectées mais restées invisibles sans IA.
FAQ sur la détection d'anomalies énergétiques
Une anomalie ponctuelle est une valeur isolée anormale (ex : pic de consommation à 65 kW). Une anomalie contextuelle est une valeur normale dans un contexte mais anormale dans un autre (ex : 100 kWh acceptable en production, anormal la nuit).
Les seuils fixes ne détectent ni les anomalies contextuelles (dépendent du moment) ni les dérives progressives (augmentation lente mais constante). L'IA s'adapte automatiquement au contexte.
Un algorithme de machine learning non supervisé qui isole les anomalies plus rapidement que les points normaux dans des arbres de décision. Très efficace pour la détection d'anomalies industrielles.
Ils nécessitent un volume de données suffisant (plusieurs mois) et une phase d'entraînement, mais Wattnow automatise ce processus. Idéal pour les systèmes complexes multivariés.
Commencer par les méthodes statistiques (Z-Score, IQR) sur les compteurs principaux, puis ajouter Isolation Forest, et enfin des modèles supervisés si des anomalies sont documentées.
Ressources complémentaires
Déployez la détection d'anomalies IA sur vos sites
Wattnow intègre méthodes statistiques, Isolation Forest, Autoencoders et une R&D active pour une surveillance énergétique de pointe. POC 4 semaines.
Programmer un échange technique