Project in Explainability AI (WANG Prosper, VANSIELEGHEM Antoine, DUONG Wendy, SHAMIEH George, ESILV DIA6)
Projet d’analyse et de modélisation de la consommation énergétique en France métropolitaine à partir de données ouvertes.
- Étudier la consommation énergétique par région et par mois
- Analyser l’impact de la météo sur la consommation
- Prédire la consommation future
- Détecter des anomalies et regrouper les régions par profil
| Modèle | But |
|---|---|
| 🔹 Régression | Prédire la consommation à partir des températures |
| 🔹 Séries temporelles (Prophet) | Prévoir la consommation mensuelle par région sur 12 mois |
| 🔹 Clustering (KMeans) | Regrouper les régions selon température et consommation |
| 🔹 Anomalies (Isolation Forest) | Détecter des pics ou baisses anormales de consommation |
Consommation_Production.ipynb→ Notebook principal contenant toutes les modélisationsTemperatures_quotidiennes_departmentales.ipynb→ Préparation des données météodf_anomalies.csv,df_clust.csv, etc. → Fichiers intermédiaires pour Power BIProjet_ExplainabilityAI.pdf→ Cahier des charges / document de spécificationsPowerBI_Visuals.pbix→ (à venir) Tableau de bord interactif Power BI
- Consommation énergétique (RTE via data.gouv.fr)
- Températures journalières par département (Météo France / open-meteo.com)
- Données fusionnées, nettoyées et agrégées par mois
- Intégrer des données socio-économiques (revenus, logement, densité)
- Améliorer les modèles avec des features plus riches
- Développer un tableau de bord dynamique (Power BI)
📌 Réalisé dans le cadre du cours "Explainability & AI", ESILV (2025)