Apprentissage par Renforcement — Gestion d'Énergie

Un agent Q-Learning apprend à minimiser les coûts énergétiques par essais et erreurs

L'apprentissage par renforcement (RL) permet à un agent d'apprendre une stratégie optimale par interaction avec un environnement, sans connaissance a priori du modèle. Applications : gestion d'énergie, robotique, trading, jeux.

Un système de gestion du chauffage/climatisation d'un bâtiment doit décider chaque heure l'action optimale (chauffer/maintenir/refroidir) pour minimiser les coûts en heures creuses/pleines tout en maintenant le confort.

Environnement bâtiment simulé (thermodynamique + tarifs), agent Q-Learning avec stratégie ε-greedy et décroissance de l'exploration, convergence en ~3000 épisodes, comparaison vs règle fixe.

Voir requirements.txt pour la liste complète.

reinforcement-learning-business-case/
├── README.md              ← Ce fichier
├── PORTFOLIO.md           ← Documentation complète du cas d'usage
├── .gitignore
├── requirements.txt
├── notebooks/             ← Jupyter Notebooks d'exploration
├── src/                   ← Code Python modulaire
├── data_sample/           ← Données simulées (anonymisées)
├── figures/               ← Graphiques et visualisations
├── reports/               ← Rapports et synthèses
└── docs/                  ← Documentation complémentaire

# 1. Cloner le dépôt
git clone https://github.com/TSAGUE25/reinforcement-learning-business-case.git
cd reinforcement-learning-business-case

# 2. Créer un environnement virtuel
python -m venv .venv
source .venv/bin/activate  # Linux/Mac
.venv\Scripts\activate    # Windows

# 3. Installer les dépendances
pip install -r requirements.txt

# 4. Lancer Jupyter
jupyter notebook

Reward cumulé, taux d'inconfort, KS statistic convergence, gain vs règle fixe

Réduction de 18 % des coûts énergétiques vs stratégie fixe (simulé).

Q-Learning tabulaire : ne passe pas à l'échelle (espace d'états continu). Environnement simplifié.

DQN (Deep Q-Network) pour espace d'états continu. Multi-agent pour bâtiments multiples.

Toutes les données utilisées dans ce projet sont simulées, synthétiques ou anonymisées. Aucune donnée réelle, confidentielle ou propriétaire n'est présente dans ce dépôt. Ce projet est un cas d'usage pédagogique à destination du portfolio professionnel d'Emmanuel TSAGUE.

TSAGUE EMMANUEL - Data Scientist
Specialise en Machine Learning, Data Analysis et systemes decisionnels.
Formation Datascientest 2024 | EDF MAD EDVANCE
Email : emmatsague@yahoo.fr
LinkedIn : emmanuel-tsague-114295414
GitHub : github.com/TSAGUE25