Sans contrôle de la qualité de vos données, pas de performance énergétique !
L’amélioration des performances énergétiques du parc immobilier d’une collectivité peut lui permettre de dégager de substantielles économies. Parmi les premières étapes, la relève des données de consommation d’énergie générées par ses bâtiments est une action incontournable. Pas n’importe quelles données. La qualité de ces données est en effet déterminante pour garantir la valeur nécessaire à une analyse fiable avant d’engager les investissements énergétiques les plus pertinents. Mais comment contrôler cette qualité ? Réponse par Dominique Martin, responsable data chez Vertuoz by ENGIE.   Peut-on imaginer que les données issues de la télérelève ne reflètent pas la réalité ? Non. Pourtant, la réponse à cette question est loin d’être évidente, notamment pour les parcs de milliers de bâtiments à l’instar des collectivités. On peut constater des discontinuités, des data manquantes, des erreurs de saisie, des variations anormales, des pannes… C’est donc un sujet essentiel sur lequel les fournisseurs de solutions de relève se penchent sérieusement pour leurs clients. Différents modèles mathématiques se fondant sur des approches statistiques ont ainsi été développés pour contrôler et fiabiliser la qualité de ces données.  

Des algorithmes de détection d’anomalies pour corriger les données

Sur la durée, il est toujours essentiel de restituer les "bonnes" informations de terrain, celles qui correspondent à la réalité, aux véritables consommations. Ce seront ces données qui permettront d’obtenir des analyses fiables. Simple à comprendre, plus complexe à atteindre. Dans cette perspective, l’évolution des données de télérelève est comparée en permanence à l’allure générale des courbes de l’historique des consommations du bâtiment, en fonction de données d’influence (météo extérieure, fréquentation du bâtiment, usages…).
« Pour contrôler si la télérelève fonctionne correctement, nous utilisons un algorithme de détection d’anomalies pour identifier, corriger et nettoyer les données manquantes, anormales, fausses et absurdes, c’est-à-dire celles qui sortent de la distribution habituelle des points, indique Dominique Martin. Sur le principe, cet algorithme ressemble à ceux destinés à la détection de fraude dans une banque. »
La collectivité a ainsi la certitude d’avoir les données réelles de chacun de ses bâtiments, avant de commencer à travailler sur leurs performances énergétiques.  

Le regroupement des bâtiments par des algorithmes de clustering

Une fois que les données collectées auront ainsi été nettoyées et consolidées, l’objectif de la collectivité est de les classer et de les exploiter afin de dresser un panorama énergétique de son parc immobilier.
« La difficulté ici, poursuit Dominique Martin, c'est que les bâtiments diffèrent les uns des autres, tant sur leurs usages, la fréquentation du public, les horaires d’ouverture et leurs équipements. Des algorithmes permettent de regrouper les bâtiments dont les profils énergétiques sont semblables et de les comparer entre eux. Les meilleurs élèves en matière de consommation énergétique ont beaucoup à apporter aux bâtiments les plus énergivores de la collectivité. »
Les données de ces bâtiments vont également être rapprochées des moyennes nationales issues des bâtiments de référence de l’ADEME (classées en fonction du climat, de la localisation, voire de la taille de la collectivité) et des objectifs de consommation établis par le ministère de la transition écologique et solidaire – la RT2012 notamment – pour identifier des pistes d’économies d’énergie et les bâtiments prioritaires sur lesquels investir une rénovation énergétique.  

Des algorithmes d’intelligence artificielle afin de prévoir les comportements énergétiques

D’autres algorithmes vont permettre de planifier l’avenir énergétique du bâtiment à partir des données passées. « Sur les bases d’un historique des données de consommation constitué sur plusieurs années – nécessaire pour collecter des data sur différentes saisons – les algorithmes d’intelligence artificielle vont pouvoir modéliser les comportements énergétiques des bâtiments, » confie Dominique Martin. Les intérêts sont variés. La mise en place de tels modèles statistiques va non seulement aider la collectivité à anticiper ses achats d’énergie, dans une logique court terme de prévision de trésorerie, mais aussi à bâtir un budget énergétique sur le long terme, pour l’inscrire dans une planification financière globale. « Il est en plus possible d’intégrer des hypothèses d’actions de performance énergétique dans ces modèles, détaille Dominique Martin. Nous pouvons ainsi déterminer des objectifs de résultats et comparer les données réelles vis-à-vis de ces objectifs fixés. La démarche est particulièrement intéressante pour mesurer le retour sur investissement d’actions énergétiques et dans le cadre de Contrats de Performance Énergétique avec des collectivités. »
  • Posté le 14 juin 2019
  • |
  • Par Frederic Gaillot

Articles similaires