Eau’bservatoire CROUS TPG — V11 analyse multi-échelles

Eau’bservatoire CROUS TPG — V11 · analyse multi-échelles

15 résidences · Année → Semestre → Mois → Jour · détection d’anomalies, indicateurs et alertes

Résidences15périmètre CROUS logement

Période analysée——

Volume analysé—m³

Points signalés—anomalies connues / statistiques

Analyse multi-échelles — détection

La détection combine deux références : une référence robuste (médiane + MAD) et une référence dynamique (z-score sur les périodes précédentes). À l’échelle journalière, elle peut être complétée par la persistance et le signal nocturne ; un signal nocturne seul ne constitue pas une preuve de fuite. Démarche : repérez une rupture à l’année ou au mois, puis descendez vers la donnée journalière lorsqu’elle existe (onglet « Analyse conso journalière »).

Période	Valeur	MAD robuste	Z dynamique	Statut

Comment lire ce tableau

Période. Une ligne = une période : une année, un semestre, un mois ou un jour selon l’échelle choisie dans le sélecteur. La série analysée couvre toutes les périodes disponibles pour la résidence sélectionnée (ou l’ensemble du campus) ; les points manquants restent manquants, aucun remplissage artificiel n’est effectué.

Sélection des lignes. Le tableau n’affiche pas toutes les périodes : n’y figurent que celles dont au moins un des deux indicateurs dépasse son seuil, ou qui appartiennent à la liste des anomalies connues (documentées lors des expertises précédentes). Si aucune ligne n’apparaît, aucune période ne dépasse les seuils avec les réglages choisis — les seuils sont indiqués ci-dessous et pourront être ajustés.

MAD robuste. Écart de la période à la médiane de la série, exprimé en écarts-types robustes : z = 0,6745 × (valeur − médiane) / MAD, où MAD est l’écart absolu médian des écarts à la médiane. Ce score est peu sensible aux valeurs extrêmes (contrairement à la moyenne et à l’écart-type classiques, qu’un seul point aberrant peut fausser). Il répond à la question : « cette période est-elle atypique par rapport à toute la série ? ». Seuil d’alerte : |z| > 3,5.

Z dynamique. Écart de la période à la moyenne mobile des 8 périodes précédentes, exprimé en écarts-types de cette fenêtre glissante. Il répond à la question : « cette période marque-t-elle une rupture par rapport au comportement immédiatement antérieur ? » — utile pour un pic brutal au sein d’une série globalement élevée. Seuil d’alerte : |z| > 2,5 (à partir de 4 périodes de recul).

Statut. connue = anomalie déjà documentée ou observée ; statistique = signalée par les scores uniquement, à confirmer par une enquête de terrain avant toute conclusion.

Analyse de la consommation journalière DÉMO si aucune donnée réelle importée

Cette échelle n’est affichée que pour les résidences disposant de données journalières. L’outil accepte directement un export SIGDU (pas horaire ou 15/30 min) et l’agrège pour la visualisation. Le jeu de démonstration est volontairement séparé des données historiques réelles.

Anomalies journalières

Importer un export SIGDU

Mode d’emploi — 4 étapes :

Téléchargez le modèle CSV : il reprend la structure exacte d’un export SIGDU (une ligne par compteur : ID puis Building, puis une colonne par relevé horaire).
Ouvrez-le dans Excel ou LibreOffice et remplacez les lignes d’exemple par vos lignes SIGDU (copier-coller).
Enregistrez au format CSV (séparateur point-virgule).
Importez le fichier ci-dessous : les sites et la période reconnus sont récapitulés après l’import.

Après un import réussi, « Enregistrer l’outil » télécharge une copie autonome du tableau de bord intégrant vos données : en rouvrant ce fichier enregistré, les données importées sont restaurées automatiquement (badge DONNÉES RÉELLES), sans nouveau fichier CSV à fournir.

Format attendu (export SIGDU « large ») : colonne ID (identifiant compteur), colonne Building (bâtiment), puis une colonne par date/heure de relevé (14/09/2026 01:00 ou 2026-09-14 02:00:00). Valeurs en m³, décimales à virgule ; les cellules vides sont ignorées. Les noms de bâtiments sont rapprochés automatiquement des résidences de l’historique (ex. Résidence_Galilée → GALILEE, Village_02 → Village 2) ; les sites non résidentiels (restaurants, ateliers…) sont conservés tels quels. Un format long (date ; résidence ; volume) reste accepté.

CSV point-virgule ou virgule · dates JJ/MM/AAAA ou AAAA-MM-JJ · décimales à virgule ou point.

Indicateurs et alertes — comparer les résidences

Comparaison des résidences du campus à une même échelle : année, semestre ou jour (si des données journalières ont été importées). Une résidence est signalée à surveiller quand son indicateur s’écarte de plus de 3 écarts-types robustes de la médiane du campus à la même échelle — un écart structurel, pas une preuve de fuite.

Résidence	Conso.	Logements	m³/logement	Alerte

Visualisateur — vos propres données

Vous disposez de vos propres séries de consommation (autre établissement, autre périmètre, autre bâtiment) ? Téléchargez le modèle, renseignez vos relevés, indiquez le nom et le type de bâtiment, puis importez : la série est visualisée ici avec la même détection d’anomalies (MAD robuste + Z dynamique). L’échelle (année, semestre, mois ou jour) est reconnue automatiquement à partir du format des dates. Plusieurs séries peuvent être chargées et superposées sur le même graphique ; le format SIGDU « large » est également accepté (une série par bâtiment, agrégée par jour). Les données restent dans votre navigateur ; le bouton « Enregistrer l’outil » (onglet Analyse conso journalière) les conserve dans la copie sauvegardée.

Format : deux colonnes date;volume. Dates selon la granularité de votre série : 2024 (année), 2024-S1 (semestre), 2024-03 (mois), 2024-03-14 ou 14/03/2024 (jour). Décimales à virgule acceptées. Minimum 5 points. Le format SIGDU « large » (ID ; Building ; relevés horaires) est aussi reconnu : chaque bâtiment devient une série journalière.

CSV point-virgule ou virgule.

Séries chargées

Cochez ou décochez les séries pour les superposer sur le graphique — la lecture est surtout pertinente entre séries de même échelle. Un import au format SIGDU « large » est automatiquement agrégé par jour.

Série importée

Aucune série importée. Téléchargez le modèle, renseignez vos relevés puis importez le fichier ci-dessus.

Période	Valeur	MAD robuste	Z dynamique	Statut

Architecture V11

Donnée → Observation → Spatialisation → Détection → Diagnostic. La logique reprend le protocole GT-A : profils de référence, débit de fond, anomalies multi-niveaux et validation sur les fuites connues.

Échelle	Donnée	Usage
Année	15 résidences · 1999–2025	tendance longue, ruptures structurelles
Semestre	15 résidences · 2021–2025	saisonnalité et comparaison S1/S2
Mois	résidences disponibles · 2012–2025	saisonnalité fine, ruptures et valeurs atypiques
Jour	uniquement si télérelève disponible	profil horaire, nuit, persistance, anomalies

Important : les données annuelles, semestrielles et mensuelles intégrées dans cette V10 proviennent du jeu V8. La donnée journalière n’est pas présente dans le fichier V8 lui-même ; elle est donc importable séparément et le mode démo est explicitement signalé. Un modèle CSV reprenant la structure des exports SIGDU (ID ; Building ; un relevé par colonne horaire) est téléchargeable depuis l’onglet « Analyse conso journalière ».