La loi Elan rend obligatoire l’installation de système d’individualisation des frais de chauffage collectif. Concrètement, ce type de dispositif repose sur l’installation de répartiteurs de frais de chauffage électroniques. Outre qu’ils collectent les données, certains de ces équipements sont aujourd’hui capables d’apporter davantage de services et notamment de réaliser des prévisions de consommations énergétiques, grâce à des algorithmes. Voici comment.

 

Collecter et suivre les consommations énergétiques, c’est désormais une obligation dans le secteur du logement collectif. Les prévoir, c’est mieux s’il agit d’améliorer l’efficacité énergétique et d’amorcer de nouveaux comportements chez les occupants. Une promesse devenue réalité grâce à la data-science et aux algorithmes couplés dans le cadre de l’exploitation de répartiteurs de frais de chauffage électroniques, fonctionnant en télérelève. « Passer d’une approche de collecte à une approche servicielle ne s’improvise pas. Elle nécessite une double approche » explique Dominique Martin, responsable data pour Vertuoz & Blu.e chez Ssinergie ENGIE solutions.

 

Normaliser les données en amont de la collecte

Une approche prédictive de la consommation énergétique nécessite la mise à disposition de données de consommation exploitables, donc qualitatives. « Il arrive que les données transmises par la collecte révèle des écarts très importants d’une session à l’autre » explique Dominique Martin. « On peut passer en 24 h d’une valeur de 15 000 kWh à 2 000 kWh, alors que ces données devraient être relativement linéaires et progresser d’un jour à l’autre. Cela traduit des défaillances ou des dysfonctionnements au niveau des compteurs. » 

Il est possible aujourd’hui d’améliorer la qualité de ces données par l’utilisation d’algorithmes qui vont d’une part vérifier la cohérence des données entre elles et d’autre part reconstituer les données manquantes. « L’algorithme est aussi capable de calculer un indice de fiabilité de la télérelève sur un index réel (issu d’une télérelève) ou sur un index calculé (par une plateforme logicielle) en fonction de l’environnement de données disponibles pour le modèle. Ce dernier paramètre conditionne sa capacité à évaluer la fiabilité de la relève transmise. » rajoute Dominique Martin. 

 

Fiabiliser les données de prévision

Une fois collectées et optimisées, ces données indiquent par logement une consommation de référence fiable. Alors seulement, elles peuvent être passées au crible d’autres algorithmes qui permettent d’établir des prévisions de consommation fin de mois, sur la base de leur consommation passée. Ici, l’objectif est d’inciter l’occupant à suivre ses consommations d’énergie et à changer ses comportements.

Pour produire ce type de données, un algorithme de machine learning est utilisé. « L’algorithme travaille compteur par compteur, suit la consommation et ses variations selon la température extérieure, le type de compteur. Nous le réentraînons régulièrement : on compare les prévisions avec la consommation réelle et nous le relançons si nous constatons des dérives afin qu’il progresse dans la qualité de ses prévisions. » Chez Vertuoz, une expérience de ce type est en cours sur 12 000 compteurs, avec plusieurs modèles d’apprentissage mis en place par compteur. Les séquences de ré-entraînement sont entièrement automatisées.  

Chez Vertuoz notamment, des développements sont en cours qui visent à produire non seulement des prévisions de consommations fin de mois, mais à livrer à l’occupant une projection de la facture attendue, « ce qui est plus impactant pour engager des changements de comportement » précise Dominique Martin. 

Quand elle est qualifiée et bien monitorée, la data porte ses fruits. La dernière étude de l’ADEME le prouve : dans les pays qui l’ont mis en place à grande échelle, l’individualisation des frais de chauffage a permis de faire baisser de 15 % en moyenne les consommations énergétiques.

 

Individualiser les frais de chauffage avec Vertuoz Habitat +

Vertuoz Habitat+ est une solution parfaitement adaptée pour déployer l’individualisation des frais de chauffage dans les logements collectifs. Elle fonctionne aussi bien avec des données issues de compteurs individuels de chauffage que des répartiteurs électroniques installés sur les radiateurs. 

La solution comporte un module de récolte de données et un module de prévision des consommations. Ce dernier repose sur l’utilisation de l’algorithme Gradiant boosting, choisi par les équipes de Ssinergie et Vertuoz pour la qualité des résultats obtenus, « y compris quand la qualité des données d’entrée n’est pas optimale, ce qui est un vrai facteur de différenciation » met en perspective Dominique Martin.