MetV STD(Résultats)

Onglet Mesure et Vérification

Afin d'afficher cet onglet dans Pleiades résultat, il est nécessaire de cocher au lancement du calcul la case

1 Les grandeurs d'intérêts

Ce sous-onglet permet de définir quelles sont les grandeurs d'intérêts qui vont permettre ensuite de calculer les ajustements. Par défaut, le logiciel vous propose quelques grandeurs classiques, à savoir consommations de chauffage, d'électricité, et les DJU.

Chaque grandeur est associée à un type (compteur d'énergie, rigueur climatique, analyse des occupants, etc).

Le bouton permet d'aller récupérer d'autres grandeurs du projet, filtrées par le type de résultat.

Il est ainsi possible de récupérer l'ensemble des grandeurs dans l'arborescence, et de les ajouter (double-clic ou à l'aide de la flèche verte).

Si on sélectionne plusieurs grandeurs, elles seront additionnées. Il est possible de sélectionner plusieurs grandeurs mais de n'en activer qu'une.

Il est nécessaire de sauver les grandeurs d'intérêts sélectionnées, et de les nommer. Celles-ci pourront être modifiées ensuite via le bouton

La valeur d'une grandeur peut être modifiée.

2 Mesures et vérifications

Ce sous-onglet permet de comparer les consommations du modèle Pleiades aux mesures mensuelles, en fonction des différentes variables d'ajustement choisies.

On ajoute les variables d'ajustement (abscisse) via le bouton , qui apparaissent dans la liste, puis on choisi la grandeur à afficher (ordonnée) à l'aide du bouton

2.1 Régression linéaire

Une fois les grandeurs et variables d'ajustement choisies, un calcul de régression linéaire est fait et le résultat affiché.

Le R² témoigne de la qualité des variables choisies. Il est courant de dire qu'à partir de R²=75%, la qualité est suffisante, et qu'à partir de 90% la corrélation est forte.

Le cv_RMSE (Coefficient of Variation of the Root-Mean-Square Error) est une mesure statistique qui nous permet de quantifier la capacité prédictive du modèle. On conserve une valeur limite inférieure à 20% pour que le modèle donne une représentation objective.

On retrouve également l'équation de la régression linéaire au format Y = aX1 + bX2 + [...] + c