Une nouvelle approche de modélisation pourrait faciliter la prévision de la consommation énergétique résidentielle

Prévoir la consommation énergétique des logements individuels constitue un défi permanent pour les chercheurs et les urbanistes. En effet, les modèles regroupent souvent les logements en grandes catégories en fonction de leur âge ou d’autres caractéristiques, sans tenir compte des différences de taille, de construction et de performance énergétique.

Une nouvelle approche mise au point par une équipe de recherche de l’Université Concordia, en collaboration avec des collègues de l’Université McGill, de Ressources naturelles Canada et du Conseil national de recherches Canada, pourrait toutefois améliorer considérablement la précision de ces prévisions. Comme le décrit la revue Energy & Buildings, ce modèle offre un meilleur moyen d’évaluer la consommation d’énergie dans les quartiers résidentiels et de cerner les possibilités de réduire celle-ci.

Cette méthode, appelée « filtrage en trois étapes », affine progressivement la manière dont les bâtiments sont représentés dans les modèles énergétiques urbains. Selon les chercheurs, ces modèles informatiques les aident à comprendre la consommation d’énergie au sein des quartiers et des villes, et peuvent éclairer les décisions relatives à l’efficacité énergétique et à la décarbonation des bâtiments.

L’équipe a testé son modèle sur 100 maisons individuelles sélectionnées au hasard à Montréal et dotées d’un système de chauffage électrique par plinthes. Elle a constaté que son approche réduisait l’erreur moyenne dans la prévision de la consommation électrique annuelle de chaque logement de 80,7 % – avec les méthodes existantes – à seulement 4,3 %, fournissant ainsi des données plus précises aux urbanistes et aux responsables des services publics.

Une analyse par archétype

La première étape limite l’analyse aux bâtiments similaires, évitant ainsi toute comparaison entre des types de logements fondamentalement différents. La deuxième étape consiste à regrouper les logements en fonction de plusieurs caractéristiques, notamment l’année de construction, l’aire de plancher, le nombre d’étages, le volume et la performance énergétique estimée, plutôt que de se fonder uniquement sur leur âge. Les logements sont ensuite regroupés en sept catégories distinctes en fonction de leurs similitudes, chaque catégorie représentant un archétype.

À la dernière étape, l’équipe de recherche règle le modèle pour chaque logement en fonction de son archétype correspondant. Des outils d’apprentissage automatique permettent de déterminer les caractéristiques du bâtiment qui ont la plus grande incidence sur la consommation d’énergie, tandis qu’une version simplifiée du modèle s’appuie sur des simulations énergétiques détaillées pour estimer rapidement la consommation d’énergie en fonction de différents paramètres. Ensemble, ces mesures réduisent considérablement la puissance de calcul nécessaire pour effectuer les réglages.

Après le regroupement initial, l’erreur moyenne de prévision est tombée à 23,3 %. À l’issue des réglages individuels, 83 % des logements présentaient des prévisions s’écartant de moins de 5 % de leur consommation annuelle d’électricité mesurée.

Cette approche évite d’avoir à concevoir et à mettre en œuvre un modèle distinct exigeant beaucoup de ressources pour chaque propriété. Elle pourrait rendre les estimations énergétiques détaillées, à l’échelle des bâtiments, plus pratiques pour les municipalités qui gèrent un vaste parc immobilier, plutôt que de les limiter à de petits échantillons ou à des moyennes générales par quartier.

Le mode de calcul simplifié offre en outre un avantage en matière de rapidité. Lors d’un test portant sur une maison représentative, le modèle optimisé des chercheurs s’est en effet révélé près de 22 fois plus rapide que les simulations classiques, tout en produisant des résultats comparables.

Un modèle évolutif adapté à la diversité du pays

Les résultats montrent que des estimations énergétiques plus précises et adaptées à chaque bâtiment pourraient, à terme, aider les municipalités à repérer les logements à forte consommation d’énergie, à prioriser les travaux de rénovation et à planifier la transition vers des bâtiments plus efficaces.

« Une ville comme Montréal se compose de nombreux quartiers différents, et chacun d’entre eux présente un profil de consommation d’énergie qui lui est propre », explique Wei Zhou, auteur principal et doctorant au Centre d’études sur les bâtiments à consommation énergétique nulle du Département de génie du bâtiment, civil et environnemental.

« Grâce à notre modèle, les urbanistes peuvent réaliser une analyse rapide et précise de zones particulières, et déterminer quel scénario de rénovation est le plus approprié. »

Bien que cette étude n’en soit encore qu’au stade de la validation de principe, Wei Zhou affirme qu’elle pourrait s’appliquer à d’autres villes, parcs immobiliers, systèmes de chauffage et conditions climatiques.

Des recherches complémentaires ont été menées par Navid Shirzadi, de Ressources naturelles Canada; Dongxue Zhan, Peng Liu, Liangzhu Wang et Andreas Athienitis, du Centre d’études sur les bâtiments à consommation énergétique nulle; Travis Moore, du Centre d’études sur les bâtiments à consommation énergétique nulle et du Conseil national de recherches Canada; ainsi que Shaoxiang Qin, du Centre d’études sur les bâtiments à consommation énergétique nulle et de l’Université McGill.

L’étude a bénéficié d’un financement du programme Accélération de Mitacs, du Conseil de recherches en sciences naturelles et en génie du Canada ainsi que du Fonds d’excellence en recherche Apogée Canada.

Lisez l’article : « Progressive filtering and cluster-localized calibration for customized UBEM ».