Diagnostics de Performance Energétique

Ce défi a été proposé par Enedis, partenaire de l’Open Data University.

Lancer ce défi sur un environnement de travail configuré proposé sur le Datalab "SSP Cloud" de l'INSEE

Evaluer l’impact de la classe de Diagnostic de Performance Energétique (DPE) sur les consommations électriques de logements et confronter les estimations issues des DPE à des mesures réelles.

Contexte du projet

Description rapide des utilisateurs, de la problématique, de l'état de l'art et des besoins.

Avec l’accélération du changement climatique et la hausse des prix de l’énergie, la sobriété énergétique est au cœur des préoccupations des Français. Aussi, afin d’éclairer et inspirer les acteurs de la transition écologique, Enedis propose des analyses et chiffres clés pour éclairer et orienter les décisions.

En particulier, un des leviers de réduction des gaz à effets de serre (GES) et des consommations énergétiques est l’amélioration de la performance énergétique des bâtiments. Ainsi, l’un des objectifs de la Stratégie Bas Carbone (feuille de route de la France pour réduire ses émissions de GES et atteindre la neutralité carbone en 2050), est de diminuer d‘ici 2030 les émissions de gaz à effets de serre des bâtiments.

Dans ce contexte, le Diagnostic de Performance Energétique (DPE) permet d’évaluer la performance énergétique et climatique d’un bâtiment. Il consiste en une étiquette pouvant aller de A à G pour chaque logement ou bâtiment, qui évalue sa consommation d’énergie et son impact en terme d’émission de GES. Il sert notamment à identifier les passoires énergétiques (étiquettes F et G du DPE, c’est-à-dire les logements qui consomment le plus d’énergie et/ou émettent le plus de gaz à effet de serre). Il a pour objectif d’informer l’acquéreur ou le locataire sur la « valeur verte », de recommander des travaux à réaliser pour l’améliorer et d’estimer ses charges énergétiques. De plus, la mise en location de ces passoires thermiques sera progressivement interdite (interdiction pour les bâtiments notés G+ au 1er janvier 2023, qui sera étendue par la suite). On trouvera plus d’informations ici.

Figure 1 : Exemple de DPE

Cependant, les consommations électriques affichées dans les DPE ne reposent souvent pas sur des consommations réelles mesurées mais sur des calculs conventionnels (méthode 3CL), c’est-à-dire des critères standardisés ne dépendant pas du style de vie et du taux d'occupation des maisons ou des appartements. Il est donc intéressant de confronter ces données au réel, d’une part afin de produire des estimations de l’impact de la classe énergétique DPE sur les consommations électriques en « conditions réelles » mais aussi d’autre part de mesurer l’ampleur de la variabilité dues aux comportements et modes de vie.

La problématique

Ce projet vous propose d’éclairer et motiver les décisions de rénovations en quantifiant l’impact d’une amélioration de DPE (qui peut en particulier être liée à des travaux de rénovation) sur les consommations électriques.

On souhaite répondre à l’une et/ou l’autre des deux questions suivantes :

• Combien gagne-t-on sur ses factures d’électricité (en kWh / an, voire en euros par an en prenant des hypothèses tarifaires) à passer d’une classe de DPE à une autre (ex : de G à F, ou de F à E, la valeur recherchée dépendant des classes concernées) ?
• Les estimations conventionnelles fournies dans les DPE reflètent-elles bien la réalité mesurée des consommations électriques (c’est-à-dire qu’en moyenne, pour différents types de bâtiments, la consommation mesurée est-elle proche de la consommation prédite par le DPE) ? Et quelle est la variabilité restante due à l’hétérogénéité des modes de vie et taux d’occupation (écart type entre la consommation mesurée et la consommation prédite par le DPE, pour différents types de logements) ?

Enfin, d’autres questions complémentaires pourront également être adressées :

• Détailler le gain de consommation dû à un changement de classe de DPE par usage : chauffage, eau chaude sanitaire, refroidissement, éclairage, autres (ces détails sont présents dans les données de DPE) ;
• Etudier l'impact des caractéristiques du bâtiment ou des équipements (du mode de chauffage, de l’isolation, de l’année de construction, etc…) sur la consommation électrique.

Objectifs du projet

L’objectif général du projet et impacts recherchés

Les travaux réalisés dans le cadre de ce projet permettront :

• D’éclairer les décisions de rénovation en quantifiant les gains potentiels associés à une amélioration de la performance énergétique d’un logement reflétée par une amélioration du DPE ;
• De valider la conformité au réel des estimations de consommation électrique présentées dans les DPE par des comparaisons aux données de consommations réelles et de quantifier la variabilité due aux comportements individuels.

Réalisations possibles

Les types de production qui peuvent être attendus des élèves.

Vous êtes libres de choisir les livrables que vous jugerez les plus pertinents pour répondre au mieux à la problématique proposée. Voilà quelques exemples de livrables possibles pour vous aider dans votre démarche :

• Data analyse - Calculer la consommation d’électricité en kWh/m²/an ou kWh/an par logement issue des données Enedis et la comparer avec les DPE proposés pour cette adresse. Réaliser des statistiques sur les distributions de ces écarts selon les types de logements (année de construction, qualité de l’isolation) et d’équipements (type de chauffage et d’eau chaude sanitaire,…) et commenter les résultats obtenus
• Datavisualisation - qui illustre le lien entre données de consommations estimées issues des DPE et issues des données Enedis et évaluent la variabilité non expliquée par le DPE : Boxplots, nuages de points, distributions, diagrammes de Sankey par niveau de de consommation, …
• Data analyse - qui reflète l’impact des classes de DPE (de A à G) sur les consommations électriques réellement mesurées. On cherchera en particulier à quantifier le gain en kWh/an et/ou en kWh/an/m² induit par une amélioration de classe DPE (passage de F à E, de E à D, etc…), pour chaque classe. On pourra ensuite valoriser ces gains en euros en prenant des hypothèses tarifaires. On pourra traiter différemment les logements selon leurs caractéristiques (type de chauffage notamment), ou encore faire intervenir d’autres variables explicatives. On pourra également produire ces analyses et visualisations en distinguant les usages (chauffage, eau chaude sanitaire, éclairage, refroidissement, autre).
• Data science - De manière plus exploratoire, essayer de prédire la consommation électrique des foyers français (en fonction du DPE, de l'adresse du logement et caractéristiques démographiques à notre disposition). Il est aussi possible d'imaginer une analyse de la contribution de chaque variable à la prédiction. Cela peut aussi être la construction d'un petit outil qui prédit les économies faites suite à une rénovation, modulées par des données météorologiques

Pour plus de chiffres et d’informations sur les consommations électriques annuelles des Français, on pourra par exemple aller sur le site https://observatoire.enedis.fr/thematique/consommation/indicateurs.

Valorisation du projet

La mise en avant des réalisations

Pour valoriser vos travaux, nous vous invitons à les partager avec l’ensemble de la communauté en publiant une réutilisation sur data.gouv.fr. Cela vous permettra notamment de :

• Profiter d’une visibilité accrue
• Obtenir des retours constructifs
• Engager un dialogue avec les producteurs de données
• Inspirer les autres

La marche à suivre est détaillée dans ce guide. Nous avons hâte de voir vos réalisations !

Les travaux déjà réalisés par d'autres étudiantes et étudiants

Vous pouvez retrouver les réalisations d'autres étudiantes et étudiants en fin de page. N'hésitez pas à vous en inspirer !

Ce défi est-il pour moi ?

Tous les défis sont accessibles à différents niveaux (les différentes réalisations possibles mobilisent des compétences hétérogènes pour un même défi).

Néanmoins, ce défi semble particulièrement adapté (mais pas exclusivement) à des participants de niveau : Confirmé

La principale difficulté identifiée est : Croiser les données de consommations, avec la base des DPE.

Pour faire votre choix, vous pouvez aussi vous appuyer sur :

• les réalisations possibles (voir ci-dessus)
• les mots-clés techniques : évaluer l'efficacité de modèles de prédiction, préparation des données, croisement de données difficile

Aspects techniques

Les contraintes techniques du projet : environnement matériel et logiciel, outils de développement, méthodologies, ressources de calcul, etc.

Données

La première étape des travaux consistera sûrement à fusionner les bases de données de DPE et de consommations électriques en se servant des adresses. Pour cela, il sera sans doute nécessaire au préalable de normaliser les adresses, c’est-à-dire de les traiter pour les mettre dans un format standard. On pourra pour cela utiliser l’API de la BAN.

Ces données ne seront pas représentatives de la France (voir les remarques ci-dessous) et ne peuvent donc pas être agrégées à la maille de la France entière. On suppose néanmoins que des chiffres obtenus sur l’intersection des deux périmètres pourront permettre de donner déjà des informations intéressantes bien que non exhaustives.

• Concernant l'ensemble des DPE mis à disposition par l'ADEME (logements existants et logements neufs).

Elles sont décrites ici : DPE Logements existants (depuis juillet 2021) (ademe.fr).
Il existe d’autres jeux de données de DPE sur les logements avant 2021 : DPE Logements (avant juillet 2021) (ademe.fr). Cependant, il ne nous semble pas possible de l’utiliser car les différentes sources d’énergie ne sont pas séparées et on ne peut donc pas isoler les consommations électriques.

Aussi, la base de DPE sur laquelle nous proposons de travailler est celle des DPE de logements existants après 2021. Cependant, elle ne regroupe que 6 millions de logements (soit environ 20%) : en effet, le DPE n’est pas obligatoire pour tous les logements mais seulement en cas de vente ou mise en location, ou pour les logements neufs.
Il aurait été intéressant de mener cette étude en combinant l’ensemble des sources d’énergie (gaz en particulier), néanmoins ces données ne sont pas disponibles à la maille des adresses, on se limitera donc aux consommations électriques. On propose de ne regarder que les consommations liées à l’électricité.

• Concernant les données de consommation par adresse mises à disposition par Enedis.

Enedis met à disposition des données de consommations annuelles d’électricité par adresse sur l’ensemble de son réseau : https://data.enedis.fr/explore/dataset/consommation-annuelle-residentielle-par-adresse/information/.

Ces données étant des données personnelles, dans un souci de respect de la vie privée, elles ne sont publiées que sur des adresses regroupant au moins 10 logements (10 Points de Livraison). On n’aura donc pas de données sur les maisons individuelles ou les immeubles de moins de 10 logements : on a 400 000 adresses. Pour chaque adresse, on connait le nombre de logements. On peut donc approximer la consommation de chacun des logements en divisant la consommation d’électricité totale par le nombre de logements. On peut également faire l’hypothèse que les logements situés à une même adresse sont relativement similaires en termes de caractéristiques de bâtiment et d’équipements.
Les données de consommations électriques, en kWh par an, sont fournies pour les années 2018 à 2022, pour 400000 adresses. Elles sont calculées à partir de mesures réelles remontées par des compteurs communicants lorsque ceux-ci sont disponibles (dans la grande majorité des cas en 2022 mais un peu moins sur les années plus anciennes) et sinon à partir de calculs basés sur les relevés de consommation semestriels utilisés pour la facturation, ventilés à un pas de temps fin selon des méthodes statistiques basées sur des panels de courbes de consommation.

Environnement de travail

Si vous le souhaitez, un environnement de travail déjà configuré sur le Datalab « SSP Cloud » de l’INSEE est à votre disposition, et lançable directement pour réaliser ce défi. Les données y sont préalablement chargées.

Le Datalab « SSP Cloud » est une plateforme mutualisée de traitement de données mise en œuvre par l’INSEE. Il propose un ensemble de services destinés aux traitements statistiques de données ainsi qu’à la gestion complète des projets de datascience. Pour en savoir plus, nous vous invitons à consulter la documentation du SSP Cloud.

Cette plateforme est ouverte aux agents publics ainsi qu’aux enseignants et étudiants d’universités publiques et du Groupe des écoles nationales d’économie et de statistique. Pour y accéder, il suffit de s’inscrire avec son adresse mail professionnelle, d’université ou d’école.

Réaliser ce défi sur l'environnement de travail configuré proposé sur le Datalab "SSP Cloud" de l'INSEE