docs(architecture): remet 40-data.md en accord avec le schema livre

L'avertissement affirmait qu'aucune table applicative n'existait, vingt lignes
avant la liste des tables d'authentification. La section « Modèle métier »
décrivait un modèle candidat que la « Modélisation détaillée » contredit
depuis la livraison du schéma : elle disparaît, et le gabarit d'hypertable
s'appuie désormais sur la révision réelle.

Les conventions annonçaient une colonne de partitionnement nommée horodatage,
alors qu'elle s'appelle timestamp. Les six tables data prennent leur nom au
singulier, et les questions tranchées par le schéma sortent des questions
ouvertes.

apps/backend/alembic/env.py

@@ -19,7 +19,7 @@ config = context.config
 if config.config_file_name is not None:
     fileConfig(config.config_file_name)
 
-config.set_main_option("sqlalchemy.url", get_settings().database_url.replace("%", "%%"))
+config.set_main_option("sqlalchemy.url", get_settings().database_url)
 
 target_metadata = Base.metadata
 

apps/backend/alembic/versions/e6d2026091501_create_data_schema.py

@@ -1,218 +0,0 @@
-"""Création des six tables Data et de l'hypertable reading.
-
-Revision ID: e6d2026091501
-Revises: 821f71be74c0
-"""
-
-from alembic import op
-import sqlalchemy as sa
-from sqlalchemy.dialects import postgresql
-
-revision = "e6d2026091501"
-down_revision = "821f71be74c0"
-branch_labels = None
-depends_on = None
-
-
-def upgrade() -> None:
-    # ### commands auto generated by Alembic - please adjust! ###
-    op.create_table(
-        "dataset",
-        sa.Column("dataset_id", sa.BigInteger(), autoincrement=True, nullable=False),
-        sa.Column("dataset_name", sa.Text(), nullable=False),
-        sa.Column("archive_sha256", sa.String(length=64), nullable=False),
-        sa.Column("storage_uri", sa.Text(), nullable=False),
-        sa.Column("source_timezone", sa.Text(), nullable=True),
-        sa.Column(
-            "metadata", postgresql.JSONB(none_as_null=True, astext_type=sa.Text()), nullable=False
-        ),
-        sa.CheckConstraint("dataset_id > 0", name="ck_dataset_positive_id"),
-        sa.PrimaryKeyConstraint("dataset_id"),
-        sa.UniqueConstraint("archive_sha256", name="uq_dataset_archive_sha256"),
-    )
-    op.create_table(
-        "site",
-        sa.Column("site_id", sa.Text(), nullable=False),
-        sa.Column("site_name", sa.Text(), nullable=False),
-        sa.Column("site_type", sa.Text(), nullable=False),
-        sa.Column("location", sa.Text(), nullable=True),
-        sa.Column("capacity_kw", sa.Double(), nullable=True),
-        sa.Column("status", sa.Text(), nullable=True),
-        sa.PrimaryKeyConstraint("site_id"),
-    )
-    op.create_table(
-        "prediction",
-        sa.Column("prediction_id", sa.BigInteger(), autoincrement=True, nullable=False),
-        sa.Column("site_id", sa.Text(), nullable=False),
-        sa.Column(
-            "created_at",
-            sa.DateTime(timezone=True),
-            server_default=sa.text("now()"),
-            nullable=False,
-        ),
-        sa.Column("target_at", sa.DateTime(timezone=True), nullable=False),
-        sa.Column("target_metric", sa.Text(), nullable=False),
-        sa.Column("period_minutes", sa.Integer(), nullable=True),
-        sa.Column("predicted_value", sa.Double(), nullable=True),
-        sa.Column("model_reference", sa.Text(), nullable=False),
-        sa.Column("status", sa.Text(), nullable=False),
-        sa.Column("failure_reason", sa.Text(), nullable=True),
-        sa.CheckConstraint(
-            "(status = 'available' AND predicted_value IS NOT NULL AND failure_reason IS NULL) OR (status IN ('insufficient_data', 'error') AND predicted_value IS NULL AND failure_reason IS NOT NULL)",
-            name="ck_prediction_status",
-        ),
-        sa.CheckConstraint(
-            "target_metric <> 'consumption_kwh' OR period_minutes IS NOT NULL",
-            name="ck_prediction_energy_period",
-        ),
-        sa.CheckConstraint(
-            "target_metric IN ('consumption_kwh', 'consumption_kw')", name="ck_prediction_metric"
-        ),
-        sa.CheckConstraint(
-            "period_minutes IS NULL OR period_minutes > 0", name="ck_prediction_period"
-        ),
-        sa.ForeignKeyConstraint(
-            ["site_id"], ["site.site_id"], name="fk_prediction_site", ondelete="RESTRICT"
-        ),
-        sa.PrimaryKeyConstraint("prediction_id"),
-        sa.UniqueConstraint("prediction_id", "site_id", name="uq_prediction_id_site"),
-    )
-    op.create_index(
-        "ix_prediction_site_target", "prediction", ["site_id", "target_at"], unique=False
-    )
-    op.create_table(
-        "reading",
-        sa.Column("reading_id", sa.BigInteger(), autoincrement=True, nullable=False),
-        sa.Column("site_id", sa.Text(), nullable=False),
-        sa.Column("timestamp", sa.DateTime(timezone=True), nullable=False),
-        sa.Column("source", sa.Text(), nullable=False),
-        sa.Column("dataset_id", sa.BigInteger(), nullable=True),
-        sa.Column("consumption_kw", sa.Double(), nullable=True),
-        sa.Column("consumption_kwh", sa.Double(), nullable=True),
-        sa.Column("consumption_euros", sa.Numeric(precision=14, scale=2), nullable=True),
-        sa.Column("voltage_v", sa.Double(), nullable=True),
-        sa.Column("current_a", sa.Double(), nullable=True),
-        sa.Column("power_factor", sa.Double(), nullable=True),
-        sa.Column("temperature_celsius", sa.Double(), nullable=True),
-        sa.Column("humidity_percent", sa.Double(), nullable=True),
-        sa.Column("solar_irradiance_wm2", sa.Double(), nullable=True),
-        sa.Column("is_working_hours", sa.Boolean(), nullable=True),
-        sa.Column("data_quality", sa.Text(), nullable=True),
-        sa.Column("null_reasons", postgresql.ARRAY(sa.Text()), nullable=True),
-        sa.Column(
-            "imputed_values", postgresql.JSONB(none_as_null=True, astext_type=sa.Text()), nullable=True
-        ),
-        sa.Column("imputation_method", sa.Text(), nullable=True),
-        sa.Column(
-            "ingested_at",
-            sa.DateTime(timezone=True),
-            server_default=sa.text("now()"),
-            nullable=False,
-        ),
-        sa.Column(
-            "raw_data", postgresql.JSONB(none_as_null=True, astext_type=sa.Text()), nullable=False
-        ),
-        sa.CheckConstraint(
-            "(source = 'csv' AND dataset_id IS NOT NULL) OR (source IN ('api_current', 'api_history') AND dataset_id IS NULL)",
-            name="ck_reading_dataset_source",
-        ),
-        sa.CheckConstraint(
-            "data_quality IS NULL OR data_quality IN ('good', 'partial', 'degraded', 'critical')",
-            name="ck_reading_quality",
-        ),
-        sa.CheckConstraint(
-            "source IN ('csv', 'api_current', 'api_history')", name="ck_reading_source"
-        ),
-        sa.CheckConstraint(
-            "(imputed_values IS NULL AND imputation_method IS NULL) OR (imputed_values IS NOT NULL AND imputation_method IS NOT NULL)",
-            name="ck_reading_imputation",
-        ),
-        sa.ForeignKeyConstraint(
-            ["dataset_id"], ["dataset.dataset_id"], name="fk_reading_dataset", ondelete="RESTRICT"
-        ),
-        sa.ForeignKeyConstraint(
-            ["site_id"], ["site.site_id"], name="fk_reading_site", ondelete="RESTRICT"
-        ),
-        sa.PrimaryKeyConstraint("reading_id", "timestamp"),
-    )
-    op.create_index("ix_reading_dataset_id", "reading", ["dataset_id"], unique=False)
-    op.create_index(
-        "ix_reading_site_timestamp", "reading", ["site_id", "timestamp"], unique=False
-    )
-    op.create_index(
-        "uq_reading_source",
-        "reading",
-        ["site_id", "timestamp", "source", sa.literal_column("coalesce(dataset_id, 0)")],
-        unique=True,
-    )
-    op.execute(
-        "SELECT create_hypertable('reading', by_range('timestamp'), create_default_indexes => FALSE)"
-    )
-    op.create_table(
-        "alert",
-        sa.Column("alert_id", sa.BigInteger(), autoincrement=True, nullable=False),
-        sa.Column("source_alert_id", sa.Text(), nullable=False),
-        sa.Column("site_id", sa.Text(), nullable=False),
-        sa.Column("source", sa.Text(), nullable=False),
-        sa.Column("timestamp", sa.DateTime(timezone=True), nullable=False),
-        sa.Column("type", sa.Text(), nullable=False),
-        sa.Column("severity", sa.Text(), nullable=False),
-        sa.Column("message", sa.Text(), nullable=False),
-        sa.Column("value", sa.Double(), nullable=True),
-        sa.Column("threshold", sa.Double(), nullable=True),
-        sa.Column("metric", sa.Text(), nullable=True),
-        sa.Column("prediction_id", sa.BigInteger(), nullable=True),
-        sa.Column(
-            "raw_data", postgresql.JSONB(none_as_null=True, astext_type=sa.Text()), nullable=False
-        ),
-        sa.CheckConstraint(
-            "severity IN ('low', 'medium', 'high', 'critical')", name="ck_alert_severity"
-        ),
-        sa.CheckConstraint("source IN ('api_mock', 'enervision')", name="ck_alert_source"),
-        sa.CheckConstraint(
-            "type IN ('spike', 'threshold', 'anomaly', 'outage', 'sensor')", name="ck_alert_type"
-        ),
-        sa.ForeignKeyConstraint(
-            ["prediction_id", "site_id"],
-            ["prediction.prediction_id", "prediction.site_id"],
-            name="fk_alert_prediction_site",
-            ondelete="RESTRICT",
-        ),
-        sa.ForeignKeyConstraint(
-            ["site_id"], ["site.site_id"], name="fk_alert_site", ondelete="RESTRICT"
-        ),
-        sa.PrimaryKeyConstraint("alert_id"),
-        sa.UniqueConstraint(
-            "source", "site_id", "source_alert_id", name="uq_alert_source_reference"
-        ),
-    )
-    op.create_index("ix_alert_site_timestamp", "alert", ["site_id", "timestamp"], unique=False)
-    op.create_table(
-        "recommendation",
-        sa.Column("recommendation_id", sa.BigInteger(), autoincrement=True, nullable=False),
-        sa.Column("alert_id", sa.BigInteger(), nullable=False),
-        sa.Column("action", sa.Text(), nullable=False),
-        sa.Column("explanation", sa.Text(), nullable=False),
-        sa.Column("rule_reference", sa.Text(), nullable=False),
-        sa.Column(
-            "created_at",
-            sa.DateTime(timezone=True),
-            server_default=sa.text("now()"),
-            nullable=False,
-        ),
-        sa.ForeignKeyConstraint(
-            ["alert_id"], ["alert.alert_id"], name="fk_recommendation_alert", ondelete="RESTRICT"
-        ),
-        sa.PrimaryKeyConstraint("recommendation_id"),
-        sa.UniqueConstraint("alert_id", "rule_reference", name="uq_recommendation_alert_rule"),
-    )
-    # ### end Alembic commands ###
-
-
-def downgrade() -> None:
-    op.drop_table("recommendation")
-    op.drop_table("alert")
-    op.drop_table("reading")
-    op.drop_table("prediction")
-    op.drop_table("site")
-    op.drop_table("dataset")

apps/backend/app/models/__init__.py

@@ -2,20 +2,8 @@
 # --autogenerate`, qui générerait alors un drop de sa table.
 
 from app.models.audit_log import AuditLog
-from app.models.energy import Alert, Dataset, Prediction, Reading, Recommendation, Site
 from app.models.login_attempt import LoginAttempt
 from app.models.refresh_token import RefreshToken
 from app.models.user import AppUser
 
-__all__ = [
-    "Alert",
-    "AppUser",
-    "AuditLog",
-    "Dataset",
-    "LoginAttempt",
-    "Prediction",
-    "Reading",
-    "Recommendation",
-    "RefreshToken",
-    "Site",
-]
+__all__ = ["AppUser", "AuditLog", "LoginAttempt", "RefreshToken"]

apps/backend/app/models/energy.py

@@ -1,210 +0,0 @@
-"""Tables du modèle de données EnerVision (CSV, API Mock et résultats ML)."""
-
-from datetime import datetime
-from decimal import Decimal
-from typing import Any
-
-from sqlalchemy import (
-    BigInteger,
-    Boolean,
-    CheckConstraint,
-    DateTime,
-    Double,
-    ForeignKey,
-    ForeignKeyConstraint,
-    Index,
-    Integer,
-    Numeric,
-    String,
-    Text,
-    UniqueConstraint,
-    func,
-    text,
-)
-from sqlalchemy.dialects.postgresql import ARRAY, JSONB
-from sqlalchemy.orm import Mapped, mapped_column
-
-from app.db.base import Base
-
-
-class Dataset(Base):
-    __tablename__ = "dataset"
-    __table_args__ = (
-        CheckConstraint("dataset_id > 0", name="ck_dataset_positive_id"),
-        UniqueConstraint("archive_sha256", name="uq_dataset_archive_sha256"),
-    )
-
-    dataset_id: Mapped[int] = mapped_column(BigInteger, primary_key=True, autoincrement=True)
-    dataset_name: Mapped[str] = mapped_column(Text)
-    archive_sha256: Mapped[str] = mapped_column(String(64))
-    storage_uri: Mapped[str] = mapped_column(Text)
-    source_timezone: Mapped[str | None] = mapped_column(Text)
-    # "metadata" est réservé par SQLAlchemy ; le nom SQL reste inchangé.
-    dataset_metadata: Mapped[dict[str, Any]] = mapped_column("metadata", JSONB(none_as_null=True))
-
-
-class Site(Base):
-    __tablename__ = "site"
-
-    site_id: Mapped[str] = mapped_column(Text, primary_key=True)
-    site_name: Mapped[str] = mapped_column(Text)
-    site_type: Mapped[str] = mapped_column(Text)
-    location: Mapped[str | None] = mapped_column(Text)
-    capacity_kw: Mapped[float | None] = mapped_column(Double)
-    status: Mapped[str | None] = mapped_column(Text)
-
-
-class Reading(Base):
-    __tablename__ = "reading"
-    __table_args__ = (
-        CheckConstraint(
-            "source IN ('csv', 'api_current', 'api_history')", name="ck_reading_source"
-        ),
-        CheckConstraint(
-            "(source = 'csv' AND dataset_id IS NOT NULL) OR "
-            "(source IN ('api_current', 'api_history') AND dataset_id IS NULL)",
-            name="ck_reading_dataset_source",
-        ),
-        CheckConstraint(
-            "data_quality IS NULL OR data_quality IN ('good', 'partial', 'degraded', 'critical')",
-            name="ck_reading_quality",
-        ),
-        CheckConstraint(
-            "(imputed_values IS NULL AND imputation_method IS NULL) OR "
-            "(imputed_values IS NOT NULL AND imputation_method IS NOT NULL)",
-            name="ck_reading_imputation",
-        ),
-        Index("ix_reading_site_timestamp", "site_id", "timestamp"),
-        Index("ix_reading_dataset_id", "dataset_id"),
-    )
-
-    reading_id: Mapped[int] = mapped_column(BigInteger, primary_key=True, autoincrement=True)
-    site_id: Mapped[str] = mapped_column(
-        Text, ForeignKey("site.site_id", name="fk_reading_site", ondelete="RESTRICT")
-    )
-    timestamp: Mapped[datetime] = mapped_column(DateTime(timezone=True), primary_key=True)
-    source: Mapped[str] = mapped_column(Text)
-    dataset_id: Mapped[int | None] = mapped_column(
-        BigInteger,
-        ForeignKey("dataset.dataset_id", name="fk_reading_dataset", ondelete="RESTRICT"),
-    )
-    consumption_kw: Mapped[float | None] = mapped_column(Double)
-    consumption_kwh: Mapped[float | None] = mapped_column(Double)
-    consumption_euros: Mapped[Decimal | None] = mapped_column(Numeric(14, 2))
-    voltage_v: Mapped[float | None] = mapped_column(Double)
-    current_a: Mapped[float | None] = mapped_column(Double)
-    power_factor: Mapped[float | None] = mapped_column(Double)
-    temperature_celsius: Mapped[float | None] = mapped_column(Double)
-    humidity_percent: Mapped[float | None] = mapped_column(Double)
-    solar_irradiance_wm2: Mapped[float | None] = mapped_column(Double)
-    is_working_hours: Mapped[bool | None] = mapped_column(Boolean)
-    data_quality: Mapped[str | None] = mapped_column(Text)
-    null_reasons: Mapped[list[str] | None] = mapped_column(ARRAY(Text))
-    imputed_values: Mapped[dict[str, Any] | None] = mapped_column(JSONB(none_as_null=True))
-    imputation_method: Mapped[str | None] = mapped_column(Text)
-    ingested_at: Mapped[datetime] = mapped_column(
-        DateTime(timezone=True), server_default=func.now()
-    )
-    raw_data: Mapped[dict[str, Any]] = mapped_column(JSONB(none_as_null=True))
-
-
-Index(
-    "uq_reading_source",
-    Reading.site_id,
-    Reading.timestamp,
-    Reading.source,
-    func.coalesce(Reading.dataset_id, text("0")),
-    unique=True,
-)
-
-
-class Prediction(Base):
-    __tablename__ = "prediction"
-    __table_args__ = (
-        UniqueConstraint("prediction_id", "site_id", name="uq_prediction_id_site"),
-        Index("ix_prediction_site_target", "site_id", "target_at"),
-        CheckConstraint(
-            "target_metric IN ('consumption_kwh', 'consumption_kw')",
-            name="ck_prediction_metric",
-        ),
-        CheckConstraint(
-            "period_minutes IS NULL OR period_minutes > 0", name="ck_prediction_period"
-        ),
-        CheckConstraint(
-            "target_metric <> 'consumption_kwh' OR period_minutes IS NOT NULL",
-            name="ck_prediction_energy_period",
-        ),
-        CheckConstraint(
-            "(status = 'available' AND predicted_value IS NOT NULL AND failure_reason IS NULL) OR "
-            "(status IN ('insufficient_data', 'error') AND predicted_value IS NULL "
-            "AND failure_reason IS NOT NULL)",
-            name="ck_prediction_status",
-        ),
-    )
-
-    prediction_id: Mapped[int] = mapped_column(BigInteger, primary_key=True, autoincrement=True)
-    site_id: Mapped[str] = mapped_column(
-        Text, ForeignKey("site.site_id", name="fk_prediction_site", ondelete="RESTRICT")
-    )
-    created_at: Mapped[datetime] = mapped_column(DateTime(timezone=True), server_default=func.now())
-    target_at: Mapped[datetime] = mapped_column(DateTime(timezone=True))
-    target_metric: Mapped[str] = mapped_column(Text)
-    period_minutes: Mapped[int | None] = mapped_column(Integer)
-    predicted_value: Mapped[float | None] = mapped_column(Double)
-    model_reference: Mapped[str] = mapped_column(Text)
-    status: Mapped[str] = mapped_column(Text)
-    failure_reason: Mapped[str | None] = mapped_column(Text)
-
-
-class Alert(Base):
-    __tablename__ = "alert"
-    __table_args__ = (
-        UniqueConstraint("source", "site_id", "source_alert_id", name="uq_alert_source_reference"),
-        Index("ix_alert_site_timestamp", "site_id", "timestamp"),
-        ForeignKeyConstraint(
-            ["prediction_id", "site_id"],
-            ["prediction.prediction_id", "prediction.site_id"],
-            name="fk_alert_prediction_site",
-            ondelete="RESTRICT",
-        ),
-        CheckConstraint("source IN ('api_mock', 'enervision')", name="ck_alert_source"),
-        CheckConstraint(
-            "type IN ('spike', 'threshold', 'anomaly', 'outage', 'sensor')", name="ck_alert_type"
-        ),
-        CheckConstraint(
-            "severity IN ('low', 'medium', 'high', 'critical')", name="ck_alert_severity"
-        ),
-    )
-
-    alert_id: Mapped[int] = mapped_column(BigInteger, primary_key=True, autoincrement=True)
-    source_alert_id: Mapped[str] = mapped_column(Text)
-    site_id: Mapped[str] = mapped_column(
-        Text, ForeignKey("site.site_id", name="fk_alert_site", ondelete="RESTRICT")
-    )
-    source: Mapped[str] = mapped_column(Text)
-    timestamp: Mapped[datetime] = mapped_column(DateTime(timezone=True))
-    type: Mapped[str] = mapped_column(Text)
-    severity: Mapped[str] = mapped_column(Text)
-    message: Mapped[str] = mapped_column(Text)
-    value: Mapped[float | None] = mapped_column(Double)
-    threshold: Mapped[float | None] = mapped_column(Double)
-    metric: Mapped[str | None] = mapped_column(Text)
-    prediction_id: Mapped[int | None] = mapped_column(BigInteger)
-    raw_data: Mapped[dict[str, Any]] = mapped_column(JSONB(none_as_null=True))
-
-
-class Recommendation(Base):
-    __tablename__ = "recommendation"
-    __table_args__ = (
-        UniqueConstraint("alert_id", "rule_reference", name="uq_recommendation_alert_rule"),
-    )
-
-    recommendation_id: Mapped[int] = mapped_column(BigInteger, primary_key=True, autoincrement=True)
-    alert_id: Mapped[int] = mapped_column(
-        BigInteger,
-        ForeignKey("alert.alert_id", name="fk_recommendation_alert", ondelete="RESTRICT"),
-    )
-    action: Mapped[str] = mapped_column(Text)
-    explanation: Mapped[str] = mapped_column(Text)
-    rule_reference: Mapped[str] = mapped_column(Text)
-    created_at: Mapped[datetime] = mapped_column(DateTime(timezone=True), server_default=func.now())

apps/backend/tests/db/test_data_schema.py

@@ -1,261 +0,0 @@
-from collections.abc import AsyncIterator
-from datetime import UTC, datetime
-from uuid import uuid4
-
-import pytest
-from sqlalchemy import insert, select, text
-from sqlalchemy.engine import make_url
-from sqlalchemy.exc import IntegrityError
-from sqlalchemy.ext.asyncio import AsyncConnection, create_async_engine
-
-from app.core.config import get_settings
-from app.models.energy import Alert, Dataset, Prediction, Reading, Recommendation, Site
-
-pytestmark = pytest.mark.integration
-MOMENT = datetime(2024, 1, 1, tzinfo=UTC)
-
-
-@pytest.fixture
-async def data_connection() -> AsyncIterator[AsyncConnection]:
-    url = make_url(get_settings().database_url)
-    if url.database != "enervision_test":
-        pytest.fail("Ces tests exigent DATABASE_URL vers enervision_test.")
-    engine = create_async_engine(url)
-    try:
-        async with engine.connect() as connection:
-            transaction = await connection.begin()
-            try:
-                yield connection
-            finally:
-                await transaction.rollback()
-    finally:
-        await engine.dispose()
-
-
-@pytest.fixture
-async def data_site(data_connection: AsyncConnection) -> str:
-    site_id = f"TEST-{uuid4()}"
-    await data_connection.execute(
-        insert(Site).values(site_id=site_id, site_name="Site de test", site_type="office")
-    )
-    return site_id
-
-
-async def test_reading_is_a_time_hypertable_when_migrated(
-    data_connection: AsyncConnection,
-) -> None:
-    query = text(
-        "SELECT column_name FROM timescaledb_information.dimensions "
-        "WHERE hypertable_schema = 'public' AND hypertable_name = 'reading'"
-    )
-
-    result = await data_connection.execute(query)
-
-    assert result.scalars().all() == ["timestamp"]
-
-
-async def test_reading_preserves_null_and_zero_when_inserted(
-    data_connection: AsyncConnection, data_site: str
-) -> None:
-    statement = insert(Reading).values(
-        site_id=data_site,
-        timestamp=MOMENT,
-        source="api_current",
-        consumption_kw=None,
-        consumption_kwh=0,
-        data_quality="partial",
-        null_reasons=["sensor_failure"],
-        raw_data={"consumption_kw": None},
-        imputed_values=None,
-        imputation_method=None,
-    )
-
-    await data_connection.execute(statement)
-    result = (
-        await data_connection.execute(
-            select(
-                Reading.consumption_kw,
-                Reading.consumption_kwh,
-                Reading.raw_data,
-                Reading.imputed_values,
-            ).where(Reading.site_id == data_site)
-        )
-    ).one()
-
-    assert tuple(result) == (None, 0, {"consumption_kw": None}, None)
-
-
-@pytest.mark.parametrize("source", ["csv", "api_current", "api_history"])
-async def test_duplicate_reading_is_rejected_when_key_matches(
-    data_connection: AsyncConnection, data_site: str, source: str
-) -> None:
-    dataset_id = None
-    if source == "csv":
-        dataset_id = (
-            await data_connection.execute(
-                insert(Dataset.__table__)
-                .values(
-                    dataset_name="Archive de test",
-                    archive_sha256=uuid4().hex + uuid4().hex,
-                    storage_uri="test://archive",
-                    metadata={},
-                )
-                .returning(Dataset.dataset_id)
-            )
-        ).scalar_one()
-    statement = insert(Reading).values(
-        site_id=data_site,
-        timestamp=MOMENT,
-        source=source,
-        dataset_id=dataset_id,
-        raw_data={},
-    )
-    await data_connection.execute(statement)
-
-    with pytest.raises(IntegrityError):
-        async with data_connection.begin_nested():
-            await data_connection.execute(statement)
-
-
-@pytest.mark.parametrize(
-    "changes",
-    [
-        {"source": "csv"},
-        {"source": "unknown"},
-        {"site_id": "UNKNOWN-SITE"},
-        {"data_quality": "unknown"},
-        {"imputed_values": {"consumption_kw": 12}},
-        {"imputation_method": "mean-v1"},
-    ],
-    ids=[
-        "csv_sans_dataset",
-        "source_inconnue",
-        "site_absent",
-        "qualite_inconnue",
-        "imputation_sans_methode",
-        "methode_sans_imputation",
-    ],
-)
-async def test_invalid_reading_is_rejected_when_constraints_fail(
-    data_connection: AsyncConnection, data_site: str, changes: dict[str, object]
-) -> None:
-    values: dict[str, object] = {
-        "site_id": data_site,
-        "timestamp": MOMENT,
-        "source": "api_current",
-        "raw_data": {},
-    }
-    values.update(changes)
-
-    with pytest.raises(IntegrityError):
-        async with data_connection.begin_nested():
-            await data_connection.execute(insert(Reading).values(**values))
-
-
-async def test_prediction_requires_period_when_energy_is_predicted(
-    data_connection: AsyncConnection, data_site: str
-) -> None:
-    statement = insert(Prediction).values(
-        site_id=data_site,
-        target_at=MOMENT,
-        target_metric="consumption_kwh",
-        predicted_value=12,
-        status="available",
-        model_reference="test-model/1",
-    )
-
-    with pytest.raises(IntegrityError):
-        async with data_connection.begin_nested():
-            await data_connection.execute(statement)
-
-
-async def test_unavailable_prediction_preserves_null_when_inserted(
-    data_connection: AsyncConnection, data_site: str
-) -> None:
-    statement = (
-        insert(Prediction)
-        .values(
-            site_id=data_site,
-            target_at=MOMENT,
-            target_metric="consumption_kw",
-            status="insufficient_data",
-            failure_reason="Historique trop court",
-            model_reference="test-model/1",
-        )
-        .returning(Prediction.predicted_value)
-    )
-
-    value = (await data_connection.execute(statement)).scalar_one()
-
-    assert value is None
-
-
-async def test_alert_rejects_prediction_when_site_differs(
-    data_connection: AsyncConnection, data_site: str
-) -> None:
-    other_site = f"TEST-{uuid4()}"
-    await data_connection.execute(
-        insert(Site).values(site_id=other_site, site_name="Autre site", site_type="office")
-    )
-    prediction_id = (
-        await data_connection.execute(
-            insert(Prediction)
-            .values(
-                site_id=data_site,
-                target_at=MOMENT,
-                target_metric="consumption_kw",
-                predicted_value=12,
-                status="available",
-                model_reference="test-model/1",
-            )
-            .returning(Prediction.prediction_id)
-        )
-    ).scalar_one()
-
-    with pytest.raises(IntegrityError):
-        async with data_connection.begin_nested():
-            await data_connection.execute(
-                insert(Alert).values(
-                    source_alert_id=str(uuid4()),
-                    site_id=other_site,
-                    source="enervision",
-                    timestamp=MOMENT,
-                    type="spike",
-                    severity="high",
-                    message="Test",
-                    prediction_id=prediction_id,
-                    raw_data={},
-                )
-            )
-
-
-async def test_recommendation_is_unique_when_alert_and_rule_match(
-    data_connection: AsyncConnection, data_site: str
-) -> None:
-    alert_id = (
-        await data_connection.execute(
-            insert(Alert)
-            .values(
-                source_alert_id=str(uuid4()),
-                site_id=data_site,
-                source="api_mock",
-                timestamp=MOMENT,
-                type="spike",
-                severity="high",
-                message="Test",
-                raw_data={},
-            )
-            .returning(Alert.alert_id)
-        )
-    ).scalar_one()
-    statement = insert(Recommendation).values(
-        alert_id=alert_id,
-        action="Vérifier la consommation",
-        explanation="Pic détecté",
-        rule_reference="spike-v1",
-    )
-    await data_connection.execute(statement)
-
-    with pytest.raises(IntegrityError):
-        async with data_connection.begin_nested():
-            await data_connection.execute(statement)

docs/architecture/40-data.md

@@ -4,12 +4,12 @@ PostgreSQL 17 avec l'extension TimescaleDB. Le choix, ses alternatives et ses co
 dans l'[ADR 0001](../adr/0001-postgresql-timescaledb.md), qui fait foi. Ce document décrit le
 système qui en découle.
 
-## Avertissement
+## Ce que couvre ce document
 
-**Aucune table applicative n'existe à ce jour.** `Base.metadata` est vide, `app/models/` ne
-contient qu'un commentaire, l'unique révision Alembic ne crée aucune table, et aucune hypertable
-n'a été déclarée. Tout ce qui suit sous le statut `Cible` est une proposition de structure, pas un
-relevé du code. Le modèle sera arrêté au jalon J2.
+**Dix tables applicatives existent** : quatre pour l'authentification, six pour les données
+d'énergie, dont l'hypertable `reading`. Les sections marquées `Fait` relèvent le code. Celles
+marquées `Cible` décrivent ce qui n'est pas écrit, au premier rang desquelles la chaîne
+d'ingestion, les agrégats continus, la compression et la rétention.
 
 ## Trois emplacements, trois rôles
 
@@ -35,7 +35,7 @@ Statut : `Fait`.
 - `db/init/100-extensions.sql` crée l'extension `timescaledb`.
 - `db/init/110-test-database.sql` crée `enervision_test`, dont le nom est attendu en dur par
   `apps/backend/tests/conftest.py`.
-- Quatre révisions Alembic. La première, `5353c0e4f094`, **ne crée aucune table** : elle
+- Cinq révisions Alembic. La première, `5353c0e4f094`, **ne crée aucune table** : elle
   établit `alembic_version` et refuse de s'appliquer si l'extension manque :
 
 ```sql
@@ -48,16 +48,18 @@ Cette garde forme paire avec le 503 de `/api/v1/health/ready`. Un bootstrap saut
 au démarrage de l'API : ces deux gardes le rendent visible tôt, des deux côtés.
 
 Les trois suivantes créent les tables de l'authentification, décrites plus bas : `app_user`,
-puis `login_attempt` et `audit_log`, puis `refresh_token`.
+puis `login_attempt` et `audit_log`, puis `refresh_token`. La cinquième, `e6d2026091501`, crée
+les six tables de données décrites en fin de document et déclare l'hypertable `reading`.
 
 ## Cycle de vie d'une mesure
 
-Statut : `Cible`. Aucun de ces maillons n'existe.
+Statut : `Cible`, sauf l'hypertable `reading` qui existe. Ni l'ingestion, ni les agrégats
+continus, ni la compression, ni la rétention ne sont écrits.
 
 ```mermaid
 flowchart LR
   src["Source de mesures"] -.-> ing["Ingestion Airflow"]
-  ing -.-> hy[("Hypertable mesure")]
+  ing -.-> hy[("Hypertable reading")]
   hy -.-> agg[("Agrégat continu")]
   hy -.-> comp["Compression"]
   hy -.-> ret["Rétention"]
@@ -133,67 +135,46 @@ donc **pas** une hypertable : une politique de rétention émettrait des `DELETE
 refuseraient. `login_attempt`, à l'inverse, est faite pour se purger, puisque son volume est
 piloté par l'attaquant.
 
-## Modèle métier
-
-Statut : `Cible`. Les entités ci-dessous sont des **candidates**, à valider en J2. Elles
-s'appuient sur les gabarits de [`apps/backend/TESTING.md`](../../apps/backend/TESTING.md), qui
-évoquent déjà un modèle `Site`, un `SiteRepository` et un `ConsumptionService` exposant un
-`total_kwh(site_id)`.
-
-```mermaid
-erDiagram
-  SITE ||--o{ POINT_DE_MESURE : porte
-  POINT_DE_MESURE ||--o{ MESURE : produit
-
-  SITE {
-    int id PK
-    string nom
-  }
-  POINT_DE_MESURE {
-    int id PK
-    int site_id FK
-    string libelle
-    string unite
-  }
-  MESURE {
-    timestamptz horodatage PK
-    int point_id PK
-    double valeur
-  }
-```
-
-`MESURE` est la table destinée à devenir une hypertable, partitionnée sur `horodatage`. Sa clé
-primaire doit inclure la colonne de temps : TimescaleDB l'exige, une clé sur le seul identifiant
-de point serait refusée.
-
 ## Gabarit de révision créant une hypertable
 
-Conforme à la règle de l'ADR 0001 : table et hypertable dans la même révision.
+Conforme à la règle de l'ADR 0001 : table et hypertable dans la même révision. La révision
+`e6d2026091501` en est l'exemple réel, réduit ici à l'essentiel.
 
 ```python
 def upgrade() -> None:
     op.create_table(
-        "mesure",
-        sa.Column("horodatage", sa.DateTime(timezone=True), nullable=False),
-        sa.Column("point_id", sa.Integer(), sa.ForeignKey("point_de_mesure.id"), nullable=False),
-        sa.Column("valeur", sa.Float(), nullable=False),
-        sa.PrimaryKeyConstraint("horodatage", "point_id"),
+        "reading",
+        sa.Column("reading_id", sa.BigInteger(), autoincrement=True, nullable=False),
+        sa.Column("site_id", sa.Text(), nullable=False),
+        sa.Column("timestamp", sa.DateTime(timezone=True), nullable=False),
+        sa.PrimaryKeyConstraint("reading_id", "timestamp"),
+    )
+    op.execute(
+        "SELECT create_hypertable('reading', by_range('timestamp'), "
+        "create_default_indexes => FALSE)"
     )
-    op.execute("SELECT create_hypertable('mesure', by_range('horodatage'))")
 
 
 def downgrade() -> None:
-    op.drop_table("mesure")
+    op.drop_table("reading")
 ```
 
+La clé primaire inclut la colonne de temps parce que TimescaleDB l'exige : toute contrainte
+unique d'une hypertable doit porter la colonne de partitionnement, et une clé sur le seul
+`reading_id` serait refusée par `create_hypertable`.
+
+`create_default_indexes => FALSE` écarte l'index que TimescaleDB pose d'office sur la seule
+colonne de temps : les index déclarés dans la révision le couvrent déjà.
+
 `drop_table` suffit au retour arrière : supprimer la table supprime l'hypertable et ses partitions.
 
 ## Conventions
 
-- **Noms au singulier**, en minuscules, sans préfixe de table.
+- **Noms au singulier**, en minuscules, sans préfixe de table : `app_user`, `reading`.
 - **Toute colonne de temps en `timestamptz`.** Jamais de `timestamp` nu : une mesure sans fuseau
   devient ininterprétable dès le premier changement d'heure.
-- **La colonne de partitionnement s'appelle `horodatage`** et entre dans la clé primaire.
+- **La colonne de partitionnement entre dans la clé primaire.** Dans `reading` elle s'appelle
+  `timestamp` : c'est un nom de colonne, son type reste `timestamptz`.
 - **Les politiques de rétention et de compression** vont dans `db/migrations/`, pas dans Alembic :
   elles ne découlent pas du schéma applicatif.
 - **Tout modèle doit être importé dans `app/models/__init__.py`**, sans quoi
@@ -201,13 +182,12 @@ def downgrade() -> None:
 
 ## Questions ouvertes
 
-Elles relèvent du jalon J2, « valider le périmètre retenu », et bloquent le modèle définitif.
+Elles relèvent du jalon J2, « valider le périmètre retenu ». Le schéma est livré : ce qui suit
+porte sur son exploitation, plus sur sa forme.
 
-- **Quelles sources de mesures**, et selon quel protocole elles sont collectées.
 - **Quelle granularité** à l'ingestion : la seconde, la minute, le quart d'heure.
 - **Quels agrégats continus**, et sur quelles fenêtres.
 - **Quelle profondeur de rétention** en données brutes, et à partir de quand on compresse.
-- **Quelles unités** sont manipulées, et si une même table les mélange.
 - **Multi-tenant ou non** : un site appartient-il à un client, et faut-il cloisonner les lectures.
 
 ## Modélisation détaillée des données
@@ -220,12 +200,11 @@ jusqu’aux recommandations proposées à l’utilisateur.
 ### Schéma de données
 
 Le diagramme ci-dessous présente les tables et leurs relations.
-Il décrit une structure de conception ; les migrations correspondantes
-restent à implémenter.
+La révision `e6d2026091501` les crée.
 
 ![Schéma de données EnerVision](images/EnerVision-schema-donnees.png)
 
-*Figure — Modélisation des données EnerVision.*
+*Figure : Modélisation des données EnerVision.*
 
 ### Description des tables
 
@@ -234,15 +213,15 @@ des données.
 
 | Table | Rôle | Origine des informations |
 |---|---|---|
-| `datasets` | Identifier les jeux historiques, retrouver leurs fichiers et conserver leurs métadonnées | Archive CSV/JSON et informations ajoutées lors de l’import |
-| `sites` | Regrouper les informations des sites : identifiant, nom, type et caractéristiques disponibles | CSV et API Mock `/api/v1/sites` |
-| `readings` | Stocker les mesures, leur provenance, leur qualité et les éventuelles valeurs imputées | CSV et API Mock `/current` et `/readings` |
-| `predictions` | Conserver les prévisions, leur période cible et la référence du modèle utilisé | Traitements ML d’EnerVision |
-| `alerts` | Enregistrer les alertes, leur type, leur gravité et leur message | API Mock `/alerts` et détections EnerVision |
-| `recommendations` | Proposer des actions et expliquer la règle qui les motive | Règles métier d’EnerVision |
+| `dataset` | Identifier les jeux historiques, retrouver leurs fichiers et conserver leurs métadonnées | Archive CSV/JSON et informations ajoutées lors de l’import |
+| `site` | Regrouper les informations des sites : identifiant, nom, type et caractéristiques disponibles | CSV et API Mock `/api/v1/sites` |
+| `reading` | Stocker les mesures, leur provenance, leur qualité et les éventuelles valeurs imputées | CSV et API Mock `/current` et `/readings` |
+| `prediction` | Conserver les prévisions, leur période cible et la référence du modèle utilisé | Traitements ML d’EnerVision |
+| `alert` | Enregistrer les alertes, leur type, leur gravité et leur message | API Mock `/alerts` et détections EnerVision |
+| `recommendation` | Proposer des actions et expliquer la règle qui les motive | Règles métier d’EnerVision |
 
 Les anomalies historiques décrites dans les JSON sont conservées
-dans `datasets.metadata`. Elles servent à l’analyse des données
+dans `dataset.metadata`. Elles servent à l’analyse des données
 et ne sont pas considérées comme des alertes actuelles.
 
 ### Relations entre les tables