XXX
e
Rencontres AUGC-IBPSA Chambéry, Savoie, 6 au 8 juin 2012
4
3. Analyse en composantes principales (ACP)
Une Analyse en Composantes Principales est menée sur les différents indicateurs
obtenus à l’échelle des parois pour le soleil. Le principe de l’ACP est dans un
premier temps brièvement présenté (pour un approfondissement de la méthode, voir
[ESC 08]), puis les résultats analysés.
3.1. Principe de l’ACP
L’analyse en composantes principales est une méthode d’analyse de données dite
factorielle qui vise à synthétiser l’information contenue dans un jeu de données
multidimensionnel. Pour ce faire, on cherche les sous-espaces propres qui
représentent le mieux le nuage de points des individus et on représente les variables
et les individus dans les plans factoriels définis par les premiers vecteurs propres.
Les données sont préalablement centrées et réduites afin d’obtenir une meilleure
représentation graphique d’une part (coïncidence du centre de gravité du nuage de
point avec l’origine des axes) et d’éviter une surreprésentation de l’une ou l’autre
des variables d’autre part. Cela permet notamment de représenter les variables dans
un cercle unitaire, la norme de chaque variable étant égale à son écart-type, soit 1.
Deux variables étant corrélées si elles sont « proches » l’une de l’autre en termes de
distance euclidienne, le coefficient de corrélation entre elles sera égal au cosinus de
l’angle formé par les deux vecteurs les représentant. Autrement dit on peut déduire
de l’angle entre les variables la relation qui existent entre elles :
- Angle de 90° : pas de corrélation entre les variables,
- Angle de 0° ou 180° : corrélation positive ou négative respectivement.
Les individus peuvent enfin être représentés dans le même plan factoriel en
traçant notamment les ellipses de confiance des différentes occurrences : des ellipses
qui ne se coupent pas traduisent des comportements singuliers des différentes
occurrences.
3.2. Résultats à l’échelle des parois : Analyse en composantes principales
L’analyse en composante principale va permettre d’analyser les résultats à
l’échelle des parois. En effet, on dispose d’un jeu de données de :
- 64 individus (2 zones, 2 types de parois, 2 météos, 2 isolations, 4
orientations)
- 4 variables quantitatives (potentiel concomitant, taux d’exploitation, taux de
couverture, taux de génération).
3.2.1. ACP sur toutes les parois
On réalise une première ACP sur toutes les parois sans distinction (figure 1).
L’ACP ne donne pas vraiment de corrélation entre le potentiel concomitant et les
différents indicateurs de performance même si deux tendances semblent se dégager.
En effet, les ellipses de confiance d’une part des deux versions de bâtiment, et
d’autre part des deux types de paroi, sont clairement séparées. On peut donc signaler
les comportements singuliers suivants :