Consommation d'énergie des bâtiments publics de l'EMS

De Metabolisme territorial
Aller à : navigation, rechercher

Questionnaire semi-directif

  • Quel est votre rôle vis-à-vis de la question des données de consommation énergétique ?
  • Trouvez l'approche d'analyse sous six dimensions parlante ? claire ?
  • Avez-vous découvert certaines informations dans le rapport ? Lesquelles ?
  • Les représentations proposées sont-elles claires et parlantes ?
  • Y-a-t-il des informations que vous auriez souhaité obtenir ?

Contexte et objectifs de l'étude

L'étude présentée ici s'inscrit dans le cadre d'une thèse préparée par Benoit Ribon au sein du Laboratoire Image Ville Environnement (LIVE, Université de Strasbourg/CNRS) et financée par l'Agence de l'environnement et de la maîtrise de l'énergie (ADEME).

La thèse s'intéresse au "métabolisme" des territoires. Ce terme, inspiré de la biologie, désigne l’ensemble des ressources mobilisées par un organisme vivant (aliments et oxygène) pour son fonctionnement, et la façon dont elles sont transformées avant d’être rejetées. Dans l'approche du métabolisme territorial, l'organisme est un territoire (une ville, une région, ...) : les ressources qu'il mobilise (matière et énergie) sont extraites de l'environnement ou importées et en sortie nous trouvons les rejets dans l'environnement et les produits exportés (voir Figure 1).

Les études de métabolisme territorial visent de dresser des bilans entrées/sorties afin d'obtenir une vue globale des besoins matériels et énergétique d'un territoire. Dans les études les plus poussées, l'objectif est d'aller également comprendre la dynamique interne du système. De ce point de vue là, on peut assimiler l'étude du métabolisme à une analyse de flux de matière et d'énergie (AFME) à l’échelle d'un territoire.

Les AFME présentent un large panel d'applications : au-delà d'une simple évaluation des impacts environnementaux de l'activité d'un territoire, elles permettent d'améliorer des processus, de construire une vision partagée des dynamiques d'un territoire, d'aborder la question de la résilience, d'améliorer l'aménagement du territoire, ... Ce potentiel d'application fait de l'AFME un outil clef pour la transition socio-écologique.

Toutefois, la réalisation d'AFME à l'échelle des territoires est une tâche complexe. Il faut pouvoir collecter un grand nombre de données de différentes sources, les agréger et les mettre en cohérence, puis en resituer une synthèse exploitable pour appuyer les décisions politiques ou économiques.

L'objet particulier de la thèse est de réfléchir aux approches qui permettent d'améliorer le processus de traitement des données. Ces travaux ont notamment conduit à la conception d'un Système d'Information pour l'Analyse du Métabolisme des Territoires (SINAMET). Le SINAMET est encore en phase de prototypage : l'étude présentée ici vise justement à tester ses fonctionnalités à partir d'un cas réel et de valider la pertinence d'un tel système.

Présentation des données sources

Nous travaillons à partir de la liste des factures de consommation d'énergie adressées à la Ville ou à l'Eurométropole de Strasbourg. Ce sont deux entités juridiques distinctes, mais avec des services administratifs fusionnés. Le Département Approvisionnement Energie et Magasin de la Mission Achats Opérationnels traite donc les factures pour ces deux entités. L'énergie est consommée par différents éléments du patrimoine public : chauffage et éclairage des bâtiments, éclairage des rues, feux de signalisation, ...

Les informations obtenues par l'intermédiaire des agents de la collectivité prennent la forme d'un tableur regroupant les données de 145797 factures couvrant une période allant du 1er janvier 2009 au 31 décembre 2017. Ces factures représentent 754 GWh de consommation pour un montant total de 92 millions d'euro TTC.

Les données disponibles pour chaque facture sont :

  • Le type d'énergie (parmi : Chauffage urbain, Électricité -ES Tarif Bleu, Vert ou Jaune-, Fioul et Gaz naturel)
  • La références en cours de l'abonnement
  • Le nom du bâtiment / de l'élément public
  • L'adresse du bâtiment (Numéro / Nom de rue / Code Postal / Ville)
  • La date d'émission de la facture
  • La date de début et de fin de la période facturée
  • La quantité d'énergie consommée (en kWh)
  • Le montant de la facture (en euros TTC)
  • L'adresse du compteur (Numéro / Nom de rue / Code Postal / Ville)
  • La nature du budget (qui permet notamment de distinguer les deux collectivités : Ville et Eurométropole)

Dans nos travaux, nous complétons ces données avec d'autres informations :

  • Les informations climatiques, notamment les DJU18 mois par mois,
  • Les données locales de l'énergie pour contextualiser le poids de la collectivité,
  • Les données d'équivalence CO2 & énergie primaire (voir : http://www.bilans-ges.ademe.fr/ )

Importer les données sources au sein du SINAMET

Afin de structurer les données et pouvoir les exploiter, nous procédons en deux étapes : 1) Création du modèle territorial 2) Ajout des flux de consommations

Pour pouvoir spatialiser les flux et exploiter l'information géographique associée, nous utilisons le découpage cadastral de l'Eurométropole. Ensuite, nous associons chaque bâtiment présent dans la liste de factures à la parcelle correspondante. Une fois que tous les bâtiments sont présents dans la base de données du SINAMET, nous ajoutons les données de consommation à chaque bâtiment.

L'importation des données permet de les structurer automatiquement dans une base de données intégrée au SINAMET. Cette structuration vers permettre de traiter facilement et automatiquement les données pour les analyser selon différents axes : temporel, spatial, économique, environnemental, ...

Exporter les données

Le véritable intérêt du SINAMET n'est pas de pouvoir importer des données de sources variées, mais de pouvoir les sélectionner et les traiter automatiquement grâce à quelques lignes de codes.

Toutefois l'exportation de données nécessite d'identifier les typologies d'informations que l'on souhaite analyser.

Problèmes identifiés dans les données sources

Le traitement de données est incontournable pour analyser de grandes quantités de données. Toutefois, les données que l'on cherche à analyser sont parfois erronées ou incohérentes et peuvent entacher la qualité des analyses.

En particulier, nous avons identifié trois typologies de problèmes : les problèmes de dates, les problèmes d'adressage et les problèmes d'identification.

Dates et convention de définition des périodes

Les données de facturation incluent la période pendant laquelle l'énergie facturée a été consommée. Toutefois, plusieurs types de problèmes ont été rencontrés dans les analyses.

D'une part, la convention de définition des périodes est variable. Dans certains cas, la période est indiquée avec les dates de début et de fin inclues : La date de début de la facture suivante est donc un jour après la date de fin de la précédente. Dans d'autres cas, les périodes se chevauchent : La date de début de la facture suivante est la même que la date de fin de la précédente. Pour un troisième groupe de facture, la période n'a pas de sens : il s'agit du jour de livraison de l'énergie et les dates de début et de fin d'une facture sont les même. Il s'agit essentiellement du fioul, mais des factures d'autres fluides indiquent également un seul jour sans que nous sachions pourquoi.

Selon les types d'énergies, les conventions sont variables. Pour le chauffage urbain, plus de 99,3 % des factures adoptent la première convention (dates inclues), sans que l'on soit capable d'expliquer pourquoi les 0,7 % restants adoptent l'autre convention (chevauchement des dates). Ces factures sont en effet sporadiques et s'inscrivent dans des séries (même bâtiment, même abonnement) ne suivant pas toujours la même convention pour définir une période. C'est encore plus ambigüe avec le gaz naturel pour lequel 83 % des factures de gaz présentent une période en dates inclues et 16 % avec un chevauchement. Pour les factures d'électricité, c'est majoritairement l'inverse : 90 % des factures (en tarif bleu), et plus de 98 % (tarifs jaune et vert) présentent un chevauchement des dates. Quant au fioul, c'est plus simple : à l'exception de 4 factures manifestement erronées (voir point suivant), les autres factures n'indiquent pas de période, mais le jour de livraison.

Erreur de dates

Nous avons remarqué que les périodes de facturation contiennent parfois des erreurs. Il n'est toutefois pas toujours possible de repérer une erreur : par exemple, une période indiquée du 05/06/2011 au 04/08/2011 semble tout à fait cohérente et rien ne permet de vérifier si ces données sont justes ou non. Dans certains cas, l'erreur est cependant flagrante : nous avons identifié 176 factures dont la période est négative, c'est-à-dire avec une date de fin antérieure à la date de début. Nous avons également identifié des dates aberrantes, comme une facture dont la période court jusqu'au 13/10/2140 (c'est plus probablement jusqu'au 13/10/2014).

En plus des périodes négatives, et des dates aberrantes, il existe un troisième moyen pour vérifier la cohérence des données : s'assurer que les factures s'enchainent temporellement les unes après les autres. Nous pouvons également illustrer ce problème de cohérence avec l'exemple de cinq factures successives d'un même compteur qui couvrent les périodes suivantes : 23/05/2012 -> 18/06/2012 ; 19/06/2012 -> 03/08/2012 ; 01/05/2010 -> 11/09/2012 ; 01/09/2012 -> 15/10/2012 ; 16/10/2012 -> 22/11/2012. Nous remarquons que la troisième facture ne s'enchaine pas logiquement avec les quatre autres ; nous pouvons supposer qu'il y a là une erreur, sans toutefois pouvoir en être certain. De manière théorique, il ne devrait ainsi pas y avoir de période qui ne soit pas couverte par une facture, et aucune période ne devrait être couverte par deux factures ou plus. En pratique, si la première assertion semble applicable, la seconde pose problème : les opérateurs énergétique recourent souvent à des rattrapages tarifaires ou à la régulation des consommations estimées. Cela se traduit par des factures supplémentaires qui viennent corriger d'autres factures, et donc couvrir la même période de facturation.

Ainsi, sur l'ensemble des factures, nous avons mis de coté 260 factures (4,8 GWh / 290 k€) pour lesquelles nous avons un problème de dates. Ces factures ne figurent ainsi pas dans les résultats présentés par la suite.

Géocodage de l'adresse

  • Usage d'abréviation
  • Orthographe/Syntaxe incorrect
  • Problèmes du moteur de recherche (Nominatim)
  • Evolution des adresses

Données de consommation négatives ou nulles

Les consommations (en kWh) et les montant facturées (en €) peuvent parfois être surprenant. Par exemple, les factures qui présentent des consommations et des montants facturés négatifs. Il s'agit là probablement de régulation sur des consommations estimées trop à la hausse.

Dans les données fournies, il y a également un nombre important de factures (39972) qui indiquent 0 kWh consommés, mais un prix facturé qui n'est pas nul. Pour l'essentiel, il s'agit des factures de gaz naturel pour lesquels nous n'avons plus les informations sur la consommation en kWh depuis septembre 2015. Dans d'autres cas, il s'agit d'installations sur l'espace public (feux de signalisation, éclairage, ...) dont on suppose le fonctionnement constant et dont la facturation est forfaitaire.

Nous trouvons aussi dans la liste 1416 factures avec une consommation négative mais un prix positif (relevons comme cas extrême cette facture de -18756 kWh pour un prix de +2466,79 €), compensées en grande partie par les 150 factures qui présentent un prix négatif associé à une consommation positive.

Analyse des données

L'objectif du SINAMET est de pouvoir développer facilement des algorithmes de traitement de données relatives aux flux de matière et d'énergie. Toutefois, le type d'information que doivent permettre d'extraire ces algorithmes reste à définir. Nous proposons dans cette partie plusieurs approches qui permettent de "lire" les données de différentes manières.

Échelles d'analyse des données

Les données de facturation importées dans le SINAMET sont automatiquement structurées au sein d'un modèle territorial qui comprend cinq échelles : l'Eurométropole de Strasbourg, ses XX communes qui la compose, les XX sections, les XX parcelles cadastrale et les bâtiments qui figurent dans la liste de factures. Aussi, les analyses que nous proposons par la suite peuvent être facilement menées à chacune de ces cinq échelles.

Profil de consommation global et individuel

Le profil de consommation permet de mieux connaître la dynamique énergétique d'une installation en fonction du temps. Cette dynamique repose sur plusieurs cycles cumulés qui sont généralement : un cycle quotidien (avec des différences entre le jour et la nuit dues à l'éclairage et les appareils utilisés), un cycle hebdomadaire (différences entre la semaine et le week-end) et un cycle annuel (différences entre l'hiver et l'été notamment pour le chauffage et l'éclairage). Avec les données disponibles, seul les cycles annuels seront visibles.

Le SINAMET permet d'éditer le profil de consommation d'un bâtiment ou d'un groupe de bâtiment (groupe géographique ou groupe administratif). Ce profil est disponible selon quatre unités : watt-heure énergie finale ou primaire (Wh, Wh-EP), euro TTC (€) et kilogramme équivalent CO2 (kg eq. CO2). Nous pouvons ainsi voir figure X le profil de consommation des bâtiments sous gestion ville entre 2009 et 2017 inclus, en MWh et en euros.

[FIGURE : PROFIL CONSO (Ville ou EMS ?) - KWH + Euros]

Le profil de consommation peut être facilement obtenu avec différents niveaux de détail : brut (selon date facture), mois par mois, ou année après année. Il est possible de superposer à ces courbes les données climatiques, notamment les DJU18 (Degrés-Jour Unifié) qui permettent de quantifier les besoins de chauffage liés au climat.

[FIGURES : KWH mois / mois + DJU 18]

  • Dépendant DJU18
  • Profil de consommation en euros / en kWh (EF ou EP) / en kg Eq CO2 + En euros / kwH

Analyse du profil de consommation

Problèmes de données sur les années 2016 - 2018

Profil X-Y et recherche de corrélation

Entre kWh et DJU18, entre euros et kWH, entre g eqCO2 et DJU18 (+ il fait froid, plus l'énergie est carbonée)

Profils spécifiques

  • Bâtiments avec la plus grande variabilité de conso, absolu ou relative aux DJU18
  • Bâtiments avec la plus grande évolution entre 2 années
  • Bâtiments avec rupture de série

Courbe de répartition

Pour une année données, combien de bâtiment représentent 50 % de la consommation ? Pour la connaissance de la typologie du patrimoine

Contextualisation

Données de conso : Française, Régionales, Départementale, EMS, Ville

Pour électricité et pour gaz (inclut chauffage urbain ?)

Cartographie

Les données étant spatialisées, il est possible de produire automatiquement des cartes représentant certaines caractéristiques. Par exemple la carte des bâtiments reliés à l'un des réseaux de chauffage urbaine, avec la consommation en 2016 (Figure X). Nous produisons également la carte des 30 bâtiments dont la consommation a le plus augmenté (en %) entre 2015 et 2016 (les données 2017 n'étant pas complètes).

Interface graphique

Pas la priorité, mais :

  • Possibilité de naviguer à travers les territoires
  • Création de graphiques personnalisés

Amélioration possible

Utiliser le code bâtiment de la BDD IDBât pour rendre plus robuste le modèle territorial.

Ajouter des infos comme la surface des bâtiment pour approfondir les analyses

Autre vues ?

Durée de traitement

Conclusions

Cette étude menée sur les données de consommation d'énergie du patrimoine de la Ville et de l'Eurométropole de Strasbourg visait à tester les fonctionnalités du prototype du Système d'Information pour l'Analyse du Métabolisme des Territoires (SINAMET) que nous avons conçu dans le cadre d'une thèse.

Le bilan est assez positif. Le modèle de données proposé par le SINAMET a permis de charger les données de consommation, puis l'ensemble des fonctionnalités support du SINAMET ont permis d'implémenter facilement différentes typologies de traitement pour obtenir les résultats présentés ici. Toutefois, notre approche n'est pas exempte de limites qu'il reste à surmonter. Tout d'abord, le SINAMET n'est évidemment pas capable de corriger des erreurs présentes dans les données sources. Il peut aider à les identifier, mais cela requière une intervention spécifique pour chaque typologie d'erreur. Ensuite, nos algorithmes manquent encore de performances : les temps de traitement sont parfois excessivement longs. Le prototype du SINAMET n'est ainsi pas encore pleinement opérationnel.

Outre l'amélioration du SINAMET, la question des typologies d'analyses que l'on peut mener sur de telles données reste ouverte. Notre objectif est de pouvoir proposer une pluralité de vues, afin de diversifier l'information que l'on peut extraire et s'adapter aux différents acteurs tant par la forme que par le fond des données représentées. Nous avons proposé plusieurs typologies d'analyses possible, mais cela doit être aussi une incitation à en proposer d'autres.

Autres Références

  • Shahrokni, H., Levihn, F., & Brandt, N. (2014). Big meter data analysis of the energy efficiency potential in Stockholm’s building stock. Energy and Buildings, 78, 153–164. doi:10.1016/j.enbuild.2014.04.017