Analyser les données pour les travaux de rénovation

La systématisation de la récolte et l’analyse des données d’énergie permet de développer des outils de suivi de rénovation avant et après travaux de plus en plus précis et ciblés. L’utilisation de tels outils aide à détecter les gisements d’économies d’un logement et à évaluer l’efficacité réelle des travaux effectués, afin d’offrir un accompagnement transparent et personnalisé aux ménages dans leurs travaux.

‍

Des données fines disponibles et pourtant peu exploitées

‍

Le déploiement à l’échelle nationale des compteurs communicants d’électricité (Linky) et de gaz (Gazpar) permet aujourd’hui aux ménages français de disposer d’informations sur leurs consommations d’énergie quotidiennes (parfois même des données au pas semi-horaire pour le compteur Linky).

‍

Les factures sont aujourd’hui le moyen privilégié pour accéder à la consommation des ménages. Cependant, ces factures ne sont qu’un résumé mensuel et ne permettent pas d’exploiter pleinement le potentiel des données des compteurs communicants. Utiliser ces données permet d’apporter une forte valeur ajoutée tout au long du parcours client (comme souligné dans le rapport Sichel) mais nécessite un outil comme la plateforme développée par Homeys pour les récupérer simplement.

‍

Combiner les données des compteurs communicants avec les données de l’Open-data comme les données météo ou les informations cadastrales permet de dresser un bilan complet de chaque logement. Ce bilan sert ensuite à recommander des travaux adaptés à chaque ménage et à analyser l’efficacité réelle des travaux réalisés.

‍

Des algorithmes poussés d’analyse de consommations énergétiques

‍

La récupération et l’agrégation de ces données énergétiques forment la base des algorithmes d’analyse et de prédiction de consommation. Ces algorithmes prennent principalement en compte deux éléments. Le premier est le facteur physique de la consommation des ménages, par exemple une baisse de la température extérieure qui entraîne une hausse du chauffage. Le second est l'utilisation d'intelligence artificielle pour déduire des informations indiscernables à l'œil nu. Par exemple, les algorithmes développés chez Homeys décomposent en quelques instants une consommation d’énergie en principaux postes de consommation (consommation de veille, chauffage, eau chaude sanitaire, etc.) tout en prenant en compte l’occupation du logement.

‍

Il est essentiel d’établir une méthodologie scientifique rigoureuse guidant l’évaluation de ces algorithmes. D’une part, elle fixe les différents objectifs que les modèles développés doivent atteindre (par exemple prédire la consommation d’un ménage avec moins de 5% d’erreur). Cela permet de s’assurer que l’algorithme prédise la consommation d’un ménage avec une grande précision. D’autre part, sa rigueur et sa transparence permettent à tout acteur externe de la contrôler et de s’assurer de la qualité des résultats.

‍

Enfin, il est primordial que cette méthodologie soit définie en amont du développement des algorithmes afin qu’elle guide ce développement et non qu’elle soit adaptée à ces algorithmes pour améliorer artificiellement les résultats obtenus.

‍

Les données avant travaux permettent d’identifier les gisements d’économies réalisables

‍

L’avantage de ces algorithmes est qu’ils sont adaptables à différents scénarios. La première application possible est l’identification de gestes à effet immédiat comme la diminution d’une consommation de veille anormalement élevée ou le réglage optimal d’une chaudière. Ces actions ont un impact instantané et ne nécessitent qu’un faible investissement de la part des ménages.

‍

D’autres gisements d’économies d’énergie, à plus fort potentiel mais nécessitant des changements plus conséquents (par exemple un changement de chaudière), sont également identifiables grâce à ces algorithmes. Les professionnels de la rénovation peuvent alors utiliser ces gisements identifiés pour proposer un devis sur mesure aux ménages. Les ménages bénéficient de leur côté d’une vision transparente sur leurs travaux afin d’établir une relation de confiance avec leur artisan.

‍

Finalement, l’application à grande échelle d’un tel outil ouvre la possibilité d’utiliser les économies réalisées par d’autres ménages avec des travaux similaires en exemple afin de prédire les économies réelles réalisables pour un ménage donné.

‍

Les données post-travaux pour suivre leur efficacité et être alerté en cas de dérive

‍

Une autre application possible de ces algorithmes est d’évaluer l’effet réel des travaux sur la consommation. En comparant ce qu’aurait été la consommation du ménage sans travaux avec la consommation réellement observée, on peut calculer les économies réelles engendrées grâce aux travaux. En plus de ses algorithmes de prédiction de consommation, Homeys a développé des algorithmes d’ajustement de ces économies par les normales de saison. Cette étape permet de s’affranchir des variations saisonnières (un hiver particulièrement doux implique une consommation moindre de chauffage) et de donner une vision long terme des économies annuelles moyennes qui seront réalisées.

‍

Bien souvent ces économies réelles ne sont pas au rendez-vous des économies théoriques annoncées (par exemple dans les fiches de CEE) pour diverses raisons comme un mauvais réglage des nouveaux équipements ou bien un effet rebond post-travaux. Un suivi régulier des économies réelles dans les mois suivant les travaux permet de détecter ces écarts et d’agir rapidement pour y remédier.

‍

Ce calcul d’économies permet également d’établir un diagnostic plusieurs mois après les travaux pour déterminer leur rentabilité à long terme et les comparer aux économies théoriques annoncées. En rassemblant l’ensemble des économies trouvées par type de travaux, il est possible d’ajuster les prévisions théoriques d’économies avec les économies observées en pratique pour rendre les futures recommandations de travaux plus précises.

‍