Méthode statistique de classification automatique des mesures de consommations de bâtiments d’enseignement en eau, gaz et électricité pour la mise en évidence d’anomalies de fonctionnement
Résumé
Fleet managers are increasingly equipping their buildings with many sensors. The analysis of the data resulting from these measurements remains complicated and is often limited to the definition of alert thresholds. This article aims to develop an analysis methodology based on the development of statistical indicators. Their monitoring will make it possible to detect changes in the behavior or performance of the systems. The automated highlighting of malfunctions and changes may trigger alerts.
Our first approach focuses on data processing from colleges managed by the department of Pas de Calais. 117 college buildings are instrumented with different sensors (water, electricity, gas, indoor and outdoor temperature…) and provide data since 2015. Several seasons cycles are exploitable. Data Mining methods, including the Clustering approach, were used to extract information from the measurements in two colleges in 2015 and 2016. The results of the data classification were able to detect rare days of operation. exploiting the results of the classification of the data.
Les gestionnaires de parc équipent de plus en plus leurs bâtiments avec de nombreux capteurs. L’analyse des données issues de ces mesures reste pourtant compliquée et se limite souvent à la définition de seuils d’alerte. Cet article vise à développer une méthodologie d’analyse basée sur l’élaboration d’indicateurs statistiques. Leur suivi pourra permettre de détecter des évolutions de comportement ou de performance des systèmes. La mise en évidence automatisée d’anomalies de fonctionnement pourra déclencher des alertes. Notre première approche se concentre sur le traitement de données issues de collèges gérés par le département de Pas de Calais. 117 bâtiments de collège sont instrumentés avec différents capteurs (eau, électricité, gaz, température intérieure et extérieure, …) et fournissent des données depuis 2015. Plusieurs cycles de saisons sont exploitables. Des méthodes de Data Mining, y compris l'approche de Clustering, ont été utilisées pour extraire des informations à partir des mesures en 2015 et 2016. Les résultats de la classification des données ont permis de mettre en évidence des jours de fonctionnement rares en exploitant les résultats de la classification des données.
| Origine | Fichiers produits par l'(les) auteur(s) |
|---|