Prédiction d'économies d'énergie de bâtiments après rénovation par la modélisation basée sur les données

Au Canada, le secteur du bâtiment est l'un des secteurs les plus énergivores (Gouvernement Canada, 2021). Sur le cycle de vie d'un bâtiment, la phase d'utilisation est responsable de plus de 80% de la consommation énergétique. Les travaux de rénovation énergétique permettent de réduire cet impact énergétique. Les entreprises de services énergétiques (ESE) ont pour objectif de réaliser des projets de travaux de rénovation énergétique pour leurs clients. Lors de la phase de design des travaux, il est important de pouvoir quantifier le potentiel d'amélioration de l'efficacité énergétique associé aux travaux. Par ailleurs, les domaines de l'apprentissage machine et de la science des données sont aussi de plus en plus présents dans le secteur du bâtiment. Ainsi, le présent mémoire vise à prédire le potentiel de réduction de la consommation d'énergie associé à un projet de rénovation énergétique en utilisant les données d'anciens projets de rénovation énergétique, et de suggérer des mesures d'économie d'énergie. Ce mémoire se concentre sur les bâtiments de type éducatifs. La première partie porte uniquement sur les écoles primaires et vise à tester différents algorithmes d'apprentissage machine afin de prédire le potentiel d'économies d'énergie annuelles pour un nouveau projet de rénovation. L'étude utilise les paramètres du modèle « change-point » comme entrée du modèle et elle a permis d'identifier l'algorithme forêt aléatoire comme le plus efficace. Une seconde étude vise à améliorer et généraliser la méthode de prédiction des économies pour d'autres types de bâtiment éducatifs tels que des écoles secondaires, des universités et des centres de formations. On obtient finalement qu'avec les données d'anciens projets de travaux de rénovation énergétique de la base de données d'Ecosystem, la catégorie générale des écoles primaires et secondaires (K12) sont les bâtiments pour lesquels la méthode peut être validée, avec une erreur de prédiction CV(RMSE) de 42%. Parallèlement, une troisième étude est présentée. Elle cherche à recommander les mesures d'économie d'énergie à implémenter pour atteindre les économies d'énergies. Elle utilise la même source de données (K12) et un algorithme de voisinage kNN (« k-Nearest Neighbors ») est implémenté pour déterminer le regroupement des bâtiments voisins les plus similaires à partir du résultat intermédiaire de l'algorithme. Encore une fois, les paramètres du modèle « change-point » sont utilisés en entrée de l'algorithme. Une fois les voisins trouvés, les mesures d'économie d'énergie réalisées pour ces voisins sont récupérées et sont transférées en sortie de l'algorithme. Une recommandation avec un score F1 de 66% est alors atteinte pour la prédiction des mesures.