L'analyse des données permet de mettre au point une nouvelle méthode de prévision de la consommation d'électricité

L'équipe a étudié six analyses de série chronologique faisant intervenir des méthodes de prévision et de lissage simples. Chaque modèle étudie différentes composantes des données collectées sur une période particulière (à savoir la présence de tendances, d'une saisonnalité, de cycles ou de mouvements irréguliers) et prolonge les estimations de ces composantes sur une période future pour effectuer des prévisions. L'équipe a utilisé chaque modèle pour prévoir la consommation d'électricité à six mois.

Elle a d'abord mis en pratique la méthode d'analyse de tendance, qui ajuste une ligne de tendance générale aux données de consommation électrique. Cette analyse permet d'illustrer la tendance de la série à croître ou à décroître sur le long terme pour une période donnée.

À l'aide de la méthode de décomposition, nommée ainsi parce qu'elle permet de « décomposer » un problème en plusieurs sous-problèmes, l'équipe a ensuite pu étudier des composantes des données qui n'étaient pas prises en compte dans la méthode d'analyse de tendance. En divisant les données de série chronologique pour la consommation d'électricité en sous-composantes (notamment la saisonnalité, les cycles et les variations aléatoires), l'équipe a pu évaluer l'influence de chaque composante sur les prévisions du modèle.

Le diagramme de série chronologique ci-dessus a décomposé les données en quatre composantes et a permis à l'équipe d'en évaluer la tendance et la saisonnalité.

Pour atténuer les fluctuations à court terme dans les données et mettre en évidence les tendances et les cycles à plus long terme, l'équipe a utilisé la moyenne de plusieurs observations consécutives de la série afin de calculer des moyennes mobiles. Dans ce modèle, les points de données obtenus en intégrant les dimensions de saisonnalité, de cycles et de variation aléatoire sont des approximations. Aussi, le lissage des données peut révéler des schémas importants qui seraient autrement difficiles à détecter.

L'équipe a bénéficié d'une perspective encore différente en utilisant la méthode de lissage exponentiel simple pour afficher les données. Cette technique affecte aux points de données des valeurs de pondération croissant de manière exponentielle avec le temps. Elle a ainsi permis de prévoir la consommation d'électricité de l'usine en mettant l'accent sur les données les plus récentes.

Le lissage exponentiel simple n'étant pas indiqué lorsque les données présentent une tendance, l'équipe a fait intervenir une deuxième composante en utilisant la méthode de lissage exponentiel double, qui prend en compte la possibilité d'une tendance dans la série. À l'instar de la précédente, cette méthode attribue des pondérations plus faibles aux observations les plus anciennes de la série chronologique, mais lisse ensuite la tendance et la pente en leur appliquant chacune des constantes différentes.

Pour que le lissage exponentiel double intègre la tendance et les variations saisonnières, l'équipe a utilisé une technique appelée méthode de Winters, afin d'estimer trois composantes de façon dynamique : le niveau, la tendance et la saisonnalité.

Le diagramme de la méthode de Winters ci-dessus rend compte des facteurs de tendance et de saisonnalité dans la série.

La diversité des méthodes de prévision et de lissage proposées dans Minitab a permis à l'équipe d'analyser, de représenter et d'évaluer les données en toute simplicité en mettant à profit chacune de ces différentes approches, ainsi que la méthode intégrant des facteurs propres à l'usine. Les résultats obtenus avec chaque modèle ont ensuite été comparés aux données réelles afin d'évaluer la précision de chaque méthode.

Le diagramme de série chronologique ci-dessus compare la consommation réelle de l'usine en kWh sur six mois aux prévisions de chaque modèle pour la même période. Les séries correspondant aux données de consommation réelle et aux prévisions calculées par l'équipe à l'aide de la nouvelle méthode sont mises en évidence à des fins de comparaison.

La méthode de prévision mise au point par l'équipe intégrait plusieurs facteurs propres au procédé de fabrication de l'usine, comme les exigences des machines, leur temps d'inactivité et le nombre de kilowatts consommés en fonction de chaque mode. L'équipe a ainsi pu utiliser ces facteurs pour ajuster les données de consommation brutes fournies par la société de distribution. Elle a ensuite comparé les résultats de chaque modèle établi à ceux obtenus avec sa propre méthode.