Etude de Consommation de l’Energie

ACP Electrique au Centre "TOTAL" en 13/14

REALISER PAR :

 HAMZA MJIHDI
 ZAKARIA JERBOUAI
 YASSINE OUARAICH
ENCADRÉ PAR : Mlle R. El Mehdi
 Remerciement

Nous ne laisserons pas passer cette occasion sans exprimer nos

remerciements et gratitude aux professeurs de l‟Ecole Nationale des

Sciences Appliquée d‟Oujda (ENSAO) qui ont veillé au long de notre

formation à nous professer une théorie riche et aussi des conseils

professionnels pour une ouverture claire sur le monde des pratiques.

Nous tenons à vous remercier Mlle R. El Mehdi sincèrement

pour votre encadrement et vos encouragements.

 Introduction

Dans le cadre de la formation que nous avons acquis durant la fin du

premier semestre de la première année en Génie Industriel en Analyse des

données multi variées à l‟Ecole Nationale des Sciences Appliquées Oujda Nous

avons réalisé un travail d'étude et de recherche ,

Celui-ci nous a permet d‟initier à la recherche, d‟appliquer les connaissances

acquises pendant notre scolarité et de favoriser le travail en groupe encadré par

notre honorable et remarquable professeur Mlle R. El Mehdi.

Le projet que nous allons réaliser consiste à effectuer une étude sur la base

de données touchant «la consommation de l‟énergie électrique du Station

d'essence “TOTAL” se trouvant à Oujda au Maroc dans les deux années

2013/2014 à l‟aide du logiciel informatique SPSS.

 1-Présentation de la base de données:
Nous effectuerons Notre étude sur cette base concernant la consommation de l‟énergie
électrique en 2013/2014 au Station d'essence „‟ TOTAL „‟

Mois HPointe Hpleines HCreuses Consm (Mwh) Mpayer

(Mwh) (Mwh) (Mwh)
janv-13 5,565 27,986 4,283 37,834 40303,72
févr-13 4,885 28,132 3,878 36,895 39210,27
mars-13 4,375 29,201 4,404 37,98 39964,5
avr-13 2,543 30,225 3,386 36,154 35029,33
mai-13 1,916 33,351 3,045 38,312 40492,3
juin-13 1,808 34,173 2,948 38,929 40911,02
juil-13 2,004 31,915 3,793 37,712 39834,29
out 13 2,088 32,576 3,07 37,734 36466,61
sept-13 2,098 35,437 3,08 40,615 45056,61
oct-13 3,258 34,958 3,522 41,738 46257,95
nov-13 4,57 32,345 3,239 40,154 45666,76
déc-13 7,152 40,43 3,601 51,183 57173,2
janv-14 8,234 39,423 3,959 51,616 61370,9
févr-14 6,299 35,889 3,153 45,341 55211,4
mars-14 3,257 34,496 3,399 41,152 49179,89
avr-14 1,529 34,467 2,63 38,626 46526,23
mai-14 1,494 33,112 2,472 37,078 44425,13
juin-14 1,972 35,193 3 40,165 47692,37
juil-14 2,189 26,476 2,907 31,572 39632,09
août-14 3,236 48,693 3,905 55,834 63306,85
sept-14 1,733 39,354 3,004 44,091 51511,8
oct-14 2,673 36,546 2,941 42,16 50167,57
nov-14 4,401 33,925 3,125 41,451 49825,58
déc-14 5,863 38,322 3,7 47,885 57014,54

 Remarque :

- Nous remarquons que le tableau ne contient aucune case vide.

- Ce tableau se compose de 24 individus qui représentent les mois des deux années 2013/2014,
et de 5 variables qui représentent la consommation et le montant à payer et les Hpleines,
Hcreuses ,Hpointe.
 La désignation des individus :

- Hpleines: Heures pleines (les heures de travail complètes dans la station).

- Hpointe: Heures de Pointe (Heures supplémentaires aux heures normales du
travail).
- HCreuses :Heures creuses (les heures de travail correspondant à une baisse
demande).
- Consm : la Consommation de l‟énèrgie electrique au centre.
- Mpayer : Montant à payer DH.
-

2-Analyse des données:

 Analyse des composantes principales (ACP):

L‟analyse en composantes principales consiste à effectuer le changement de base.

Ceci se manifeste dans le passage de la représentation dans la base canonique des variables
initiales à une représentation dans la base des facteurs définis par les vecteurs propres de la
matrice des corrélations.
On constate que c‟est un outil de réduction de la dimension des corrélations.

a- Calcul des valeurs propres

Les valeurs propres sont :

λ = 3,164
1 λ = 1,380
2 λ =0,395
3

λ4 λ =0,061
4 λ = 3,374E-6
5

b- Choix des axes principaux :

On choisit les axes qui représentent un maximum d‟informations des données initiales,
d‟aprés le tableau suivant on a :
Total Variance Explained

Initial Eigenvalues Rotation Sums of Squared Loadings

Compon
ent Total % of Variance Cumulative % Total % of Variance Cumulative %

1 3,164 63,287 63,287 2,825 56,502 56,502

2 1,380 27,601 90,888 1,719 34,386 90,888

3 ,395 7,894 98,782

4 ,061 1,218 100,000

5 3,374E-6 6,749E-5 100,000

Extraction Method: Principal Component Analysis.

Ԏ1=63,287 Ԏ2=27,601 Ԏ3=7,894

Ԏ4=1,218 Ԏ5=6,749E-5
On remarque que Ԏ1+Ԏ2=90,888 .

L‟inertie expliquée par les deux premiers axes représente 90,888% de l‟inertie total, donc on
retient les deux premiers axes factoriels.

On peut Aussi confirmer cela à l „aide de la courbe suivante dont les deux premières valeurs
propres sont alignées par une droite ,on négligeant les autres variables trouvées au dessous de
cette droite.

c-Le graphe des variables sur le Plan 1x2

Voire (Fig 3) .

 Interprétations des variables par rapport l‟axe 1 :

On constate que la variable HCreuses est opposée aux autres variables.

D‟aprés le Graphe on peut dire que toutes les variables sont biens représentées puisqu‟elles sont
proches de cercle de rayon 1 et de centre 0.

 Interprétations des variables par rapport l‟axe 2:

On constate que la variable HPleines est opposée aux autres variables.

 d-Le graphe des individus sur le plan 1X2

Voire (Fig1)
 Interprétation des individus par rapport à l‟axe 1 :

D‟après le graphe tous les mois de l‟année 2014 sauf mai et juil plus dec14 et sept14 opposent
les mois restants des deux années 2014 et 2013.

 Interprétation des individus par rapport à l‟axe 2 :

D‟après le graphe les mois (jan-dec-fév-out) de l‟année 2014 et (jan-mars-fév-juil-out-nov-

déc) de l‟année 2013 opposent les mois (mars-juil-juin-sept-mai-avr-act)en 2014 et (mai-sept-
juin-oct) en 2013

e-Interprétation des individus et des variables dans le Plan 1x2 :

La consommation de l‟énergie électrique pendant les heures pleines est élevée durant le
mois aout14 ce qui mène à l‟augmentation de la consommation totale ,cette augmentation
pousse le Montant à payer durant même mois à s‟élever puisque il ya une forte relation entre
les 2 Variables :

(la Consommation et le montant à payer ) ,Alors si on compare les positions des variables
“Heures Pleines” ,”Cosm “et “Mpayer” par rapport au mois out14 ,On va remarquer que cet
individu et ces variables sont proches entre eux .Contrairement aux mois :Juil14,Avr13 et
Fév 13 dont la consommation totale de l‟énergie électrique est basse ce qui implique un
montant à payer bas .

La Consommation de l‟énergie électrique en heures de pointes est élevée Durant les mois
fév13, déc13, jan14, déc14, si on compare les positions de variable “HPointes” par rapport au
mois fév13, déc13, jan14, déc14,On va remarquer qu‟ils sont proches entre eux. Mais la
position de même variable, est opposée aux positions des mois Mai14,Avr14 et jui14 ce qui
implique que la consommation en Heures de pointes Durant ces mois est très basse.

La Consommation de l‟énergie électrique en Heures creuses durant les mois,

Avril14,Mai14,,Jui14 est basse car si on compare les positions de ces mois par rapport à la
position de variable” HCreuses” par rapport à l‟axe 1 on va constater qu‟ils sont opposes
,pour la consommation élevée pendant les Heures Creuses.

Alors d‟aprés la comparaison entre les deux graphes :Le graphe des individus sur le plan 1x2 et
Le graphe des variables sur le plan 1x2 ,on constate que les 3 mois Mars13,Jan13 et Fév13
sont approchés de l‟axe contenant la variable “HCreuses” ce qui confirme la consommation
élevée Durant ces mois.
 ANNEXE

Matrice de correlation
a
Correlation Matrix

Hpointe Hpleines Hcreuses Consommation Montant

Correlation Hpointe 1,000 ,180 ,610 ,556 ,525

Hpleines ,180 1,000 ,007 ,915 ,861

Hcreuses ,610 ,007 1,000 ,307 ,123

Consommation ,556 ,915 ,307 1,000 ,927

Montant ,525 ,861 ,123 ,927 1,000

a. This matrix is not positive definite.

Total Variance Explained

Initial Eigenvalues Extraction Sums of Squared Loadings

Compo
nent Total % of Variance Cumulative % Total % of Variance Cumulative %

1 3,164 63,281 63,281 3,164 63,281 63,281

2 1,381 27,610 90,891 1,381 27,610 90,891

3 ,395 7,892 98,783

4 ,061 1,217 100,000

5 -4,599E-16 -9,198E-15 100,000

Extraction Method: Principal Component Analysis.

a
Component Matrix

Component

1 2

Hpointe ,661 ,628

Hpleines ,848 -,479

Hcreuses ,383 ,832

Consommation ,987 -,115

Montant ,943 -,227

Fig 2
Fig 3