Oui. L'IA peut aider à identifier les bâtiments les moins performants d'un portefeuille avant de lancer des programmes de rénovation. Voici comment cela fonctionne :
- Analyse des données à l'échelle : L'IA examine les factures d'énergie, les modèles d'occupation, les caractéristiques des bâtiments et les données climatiques pour trouver les biens sous-performants.
- Amélioration du ciblage : En identifiant les bâtiments à haut risque, l'IA permet d'éviter de gaspiller des ressources sur des actifs peu prioritaires.
- Modèles avancés : Des techniques telles que la détection des anomalies, le regroupement et la modélisation prédictive permettent de classer les bâtiments en fonction de leurs performances et des risques qu'ils présentent.
- Intégration des données : L'IA combine diverses sources de données - comme les factures des services publics, les données des capteurs IoT et les journaux de maintenance - pour obtenir des informations plus précises.
- Appuie les experts : L'IA permet de mieux cibler les activités, ce qui garantit que les ingénieurs consacrent leur temps à ce qui a le plus d'impact.
Principaux avantages :
- Économies d'énergie potentielles : 10-40%.
- Des prédictions plus précises : Les modèles d'IA atteignent des taux d'erreur aussi bas que 5%, contre 18-25% pour les méthodes traditionnelles.
- Planification financière à long terme : L'IA soutient les stratégies d'investissement pluriannuelles, en réduisant les coûts et en augmentant le retour sur investissement.
L'IA ne remplace pas les audits d'experts, mais agit comme un outil de présélection pour guider des décisions plus intelligentes, fondées sur des données.
Webinaire de l'OAA : Utilisation de l'IA et de l'imagerie IR dans les rénovations énergétiques
sbb-itb-5be7949
Pourquoi les programmes de rénovation ne prennent pas en compte les bâtiments les moins performants ?
L'IA contre les méthodes traditionnelles : Performance et précision des rénovations de bâtiments
Les programmes de rénovation échouent souvent parce qu'ils se focalisent sur les mauvaises cibles. Cela est principalement dû à trois problèmes : des données incomplètes, l'accent mis sur les coûts plutôt que sur les performances, et l'impact financier d'un mauvais ciblage.
Lacunes dans la visibilité des données et du portefeuille
La qualité des données des portefeuilles de bâtiments est souvent incohérente. Un bâtiment peut disposer d'audits énergétiques détaillés et de relevés de compteurs, tandis qu'un autre n'a guère plus que sa superficie et son adresse dans ses dossiers. Cette disparité rend difficile une comparaison équitable des bâtiments.
"Les décisions de modernisation deviennent plus difficiles à prendre, non pas parce que les solutions ne sont pas disponibles, mais parce que les bâtiments varient en termes de préparation, de qualité des données et de contraintes. - Schneider Electric [3]
Les audits énergétiques traditionnels peuvent contribuer à combler ces lacunes, mais ils sont coûteux et prennent beaucoup de temps. En conséquence, les décisions sont souvent prises sur la base de données incomplètes, ce qui détourne les efforts des véritables améliorations basées sur les performances.
Priorité au coût plutôt qu'à la performance
Lorsque les budgets sont serrés, les propriétaires de bâtiments ont tendance à donner la priorité aux rénovations les moins coûteuses plutôt qu'à celles qui permettraient de réaliser les meilleures économies d'énergie. Cette approche axée sur les coûts conduit souvent à des prévisions d'économies peu fiables. Les modèles de planification basés sur la régression, par exemple, présentent des taux d'erreur allant de 18% à 25%, ce qui met en évidence les risques financiers liés au fait d'ignorer les données de performance [4]. À long terme, cet état d'esprit peut faire dérailler les efforts déployés pour atteindre une efficacité énergétique significative.
Le coût du ciblage des mauvais bâtiments
Se concentrer sur les mauvais bâtiments gaspille de l'argent et ralentit les progrès vers les objectifs de décarbonisation. En ciblant les bâtiments les moins performants - les "grands économiseurs" - on peut réduire la consommation d'énergie totale du portefeuille de 12-32%. [2]. Il devient de plus en plus risqué de rater ces opportunités à mesure que les réglementations énergétiques se durcissent et que les locataires exigent des espaces plus écologiques. Les bâtiments qui ne respectent pas les normes de performance peuvent être confrontés à des problèmes de conformité, à une réduction du potentiel de location et à une baisse de la valeur.
L'IA permet de sortir de ce cycle. En fournissant des informations précises et fondées sur des données, elle peut identifier les véritables sous-performances d'un portefeuille, aidant ainsi les propriétaires à prendre des décisions plus judicieuses.
"S'attaquer à l'efficacité énergétique est la voie la plus tangible vers la décarbonisation de l'immobilier, mais de nombreux propriétaires de bâtiments n'ont pas de feuille de route claire." - Ramya Ravichandar, vice-présidente de la gestion des produits, bâtiments intelligents et IOT, JLL. [1]
Comment l'IA identifie les bâtiments à haut risque et à fort impact
Pour les grands portefeuilles immobiliers, savoir par où commencer peut ressembler à chercher une aiguille dans une botte de foin. L'IA intervient en analysant systématiquement les données pour mettre en évidence les actifs qui requièrent une attention immédiate.
Méthodes d'IA pour le filtrage de grands portefeuilles
L'IA utilise des techniques avancées telles que la détection d'anomalies pour signaler une consommation d'énergie inhabituelle, la formation de grappes pour regrouper des bâtiments similaires et la modélisation prédictive pour estimer la demande d'énergie et les émissions futures. Ces outils permettent de classer les actifs en fonction des risques, ce qui facilite l'établissement des priorités d'action.
L'une des approches les plus remarquables est l'évaluation des risques. Cette méthode évalue les bâtiments sur la base de facteurs tels que leur exposition à des réglementations changeantes et leur potentiel à devenir des actifs abandonnés au fur et à mesure que les normes énergétiques deviennent plus strictes. En combinant des modèles tels que LSTM (réseaux de mémoire à long terme) et XGBoost, L'IA capture à la fois les modèles temporels et les interactions complexes entre les caractéristiques des bâtiments. Ces modèles hybrides sont très précis, avec une erreur quadratique moyenne (RMSE) inférieure à 5%, contre 18-25% pour les modèles de régression traditionnels. [4].
Lorsque des flux de données multiples sont intégrés, ces évaluations des risques deviennent encore plus précises.
Combiner plusieurs sources de données pour obtenir une image complète
Aucun ensemble de données ne peut fournir une perspective complète. L'IA rassemble différentes données, y compris les détails fondamentaux du bâtiment (comme la surface, l'âge, l'isolation et les systèmes CVC), les données opérationnelles provenant des compteurs intelligents et des systèmes de gestion des bâtiments, les journaux de maintenance de la GMAO et les facteurs contextuels tels que les modèles météorologiques et les horaires d'occupation. Les relevés d'émissions de carbone et les mesures de l'intensité de l'utilisation de l'énergie (EUI) sont également intégrés pour enrichir l'analyse.
L'IA excelle dans le traitement des données incohérentes. Par exemple, les modèles d'ensemble hybrides combinent des données de capteurs à haute fréquence provenant de bâtiments modernes avec des enregistrements plus rares provenant de bâtiments plus anciens [6]. Ce point est essentiel car les bâtiments anciens sont environ 1,65 fois plus sensibles aux variations de la demande d'énergie induites par le climat que les bâtiments plus récents, dont la consommation d'énergie est quasiment nulle. D'ici 2050, la demande d'énergie devrait augmenter de 199,1% dans les bâtiments traditionnels contre 120,7% dans les bâtiments plus efficaces. [6]. L'IA permet de quantifier cet "écart de résilience climatique", donnant aux gestionnaires d'actifs une alerte précoce sur les risques financiers potentiels.
Cette sélection précise jette les bases d'une expertise ciblée.
L'IA comme outil de sélection, pas comme décideur final
L'IA ne remplace pas les audits détaillés - elle se concentre sur les actifs qui nécessitent un examen plus approfondi. Cette approche permet de maîtriser les coûts tout en veillant à ce que l'expertise technique soit utilisée là où elle compte le plus.
"La valeur de l'IA réside dans sa capacité à apprendre les modèles de demande d'énergie des actifs immobiliers et à optimiser la distribution d'énergie." - Ramya Ravichandar, vice-président de la gestion des produits, bâtiments intelligents et IOT, JLL. [1]
L'IA détecte également des problèmes subtils tels que la "dégradation invisible". Par exemple, elle peut identifier une augmentation progressive de la consommation d'énergie qui pourrait passer inaperçue lors des inspections de routine. [7]. L'IA ne remplacera pas les ingénieurs, mais elle garantit que leurs efforts se concentrent sur les domaines où les rénovations et les investissements auront le plus d'impact.
Quels sont les besoins des modèles d'IA en matière de données pour bien fonctionner ?
Des données de qualité constituent l'épine dorsale de tout modèle d'IA visant à identifier les bâtiments à haut risque et à hiérarchiser les investissements de rénovation. La précision et la structure des données d'entrée déterminent directement la fiabilité des résultats du modèle.
Données de base pour l'analyse de l'IA
Les modèles d'IA s'appuient sur des données fondamentales que la plupart des propriétaires de bâtiments possèdent déjà :
- Registres des actifs
- Factures de services publics
- Dessins d'architecture
- Calendrier d'occupation
- Registres de maintenance
Ces points de données établissent une base de référence pour comprendre la consommation d'énergie d'un bâtiment, ses modes de fonctionnement et son historique d'entretien.
Cependant, l'accès à des registres détaillés varie. Les bâtiments dont les données sont limitées ne peuvent supporter que des mesures de base, telles que des recommandations générales basées sur le type, la taille et l'emplacement (actions de niveau 3). En revanche, des données complètes permettent des analyses plus précises et plus approfondies, qui améliorent considérablement la précision des prédictions de l'IA [3].
Une fois que ces données de base sont en place, des données avancées permettent de faire passer l'analyse au niveau supérieur.
Des données avancées qui améliorent la précision du modèle
L'ajout de données plus détaillées et plus spécifiques permet d'affiner les prédictions de l'IA. Par exemple :
- Données énergétiques normalisées en fonction des conditions météorologiques: Les fluctuations saisonnières sont éliminées, ce qui permet de révéler les véritables lacunes en matière d'efficacité.
- Enregistrements d'état au niveau du composant: Inclut des mesures telles que la transmission thermique (valeurs U) pour les murs et les fenêtres, les balayages thermographiques, le matériau et l'âge des tuyaux, et les données des capteurs IoT en temps réel (par exemple, les vibrations, la pression et la consommation de courant).
Lorsque l'IA analyse des signaux IoT multivariés - comme la comparaison de l'appel de courant du compresseur avec la température ambiante - elle peut détecter des défauts des semaines avant qu'ils ne provoquent une panne. En fait, certains systèmes peuvent identifier les problèmes 3 à 6 semaines à l'avance [5][7][9]. Ce type de maintenance proactive n'est possible qu'avec des données continues, granulaires et bien étiquetées.
Cependant, disposer des bonnes données n'est qu'une partie de l'équation. Une bonne gestion de ces données est essentielle.
L'importance de la gouvernance des données
Collecter des données est une chose, mais s'assurer qu'elles sont utilisables est un tout autre défi. Des problèmes tels que des noms incohérents, des entrées en double et des systèmes cloisonnés dans plusieurs propriétés peuvent entraver la capacité de l'IA à générer des informations fiables. Comme le dit le blog de Schneider Electric :
"La cohérence compte autant que la sophistication technique. Les décideurs en matière de portefeuille ont rarement besoin de prévisions précises, année par année... Ce dont ils ont besoin, c'est d'un moyen fiable de comparer les options"." [3]
Pour que les résultats de l'IA soient exploitables - en particulier lorsqu'ils éclairent des décisions de rénovation de plusieurs millions de dollars - les données doivent être centralisées, validées et formatées de manière cohérente. Sans une gouvernance claire des données, même les modèles les plus avancés peuvent produire des résultats auxquels il est difficile de se fier ou qu'il est difficile de mettre en œuvre [8].
L'établissement de normes de données à l'échelle du portefeuille n'est pas seulement une formalité technique ; il est essentiel pour libérer tout le potentiel de l'IA. Des données régies constituent la base d'informations basées sur l'IA qui conduisent à des investissements efficaces et ciblés en matière de rénovation.
Transformer les connaissances en matière d'IA en un plan d'investissement pour la modernisation
Une fois que l'IA aura identifié les bâtiments à haut risque, l'étape suivante consistera à transformer ces informations en stratégies d'investissement pratiques.
De la sélection des portefeuilles à la comparaison des scénarios
L'analyse détaillée de l'IA fournit une liste de bâtiments classés en fonction des risques, de la performance énergétique et des coûts prévus. Mais une liste classée ne suffit pas à inciter à l'action. Pour la rendre exploitable, segmentez la liste en plusieurs niveaux : les bâtiments nécessitant une attention immédiate, ceux qui peuvent attendre 2 à 3 ans et les propriétés pour lesquelles des ajustements opérationnels mineurs suffisent pour l'instant.
À partir de là, utilisez des comparaisons de scénarios pour évaluer les différentes priorités et les différents calendriers de rénovation. Les outils d'IA excellent dans les tests de résistance de ces scénarios par rapport aux contraintes du monde réel, telles que les limites budgétaires, les objectifs de réduction des émissions de carbone et les niveaux de risque acceptables. Ce processus permet d'affiner les décisions avant que les dépenses réelles ne commencent, créant ainsi une voie claire vers un modèle pluriannuel de CAPEX et d'OPEX.
Élaboration de plans pluriannuels de dépenses d'investissement et d'exploitation
Les comparaisons de scénarios jettent les bases d'une feuille de route d'investissement détaillée. Cette feuille de route évalue les options de rénovation selon plusieurs dimensions, notamment l'intensité de la consommation d'énergie, le retour sur investissement (RSI), le taux de rendement interne (TRI), la valeur actuelle nette (VAN) et les économies de CO₂ projetées. Ces paramètres sont souvent modélisés sur des périodes de 25 ans ou plus [5].
Cette perspective à long terme est cruciale. Sans analyse du coût du cycle de vie, les décisions de modernisation peuvent sembler moins coûteuses au départ, mais entraîner des dépenses plus élevées au fil du temps. Le passage de réparations réactives et d'urgence à un système de gestion de l'eau et de l'énergie est essentiel. modèle d'investissement prédictif permet non seulement de stabiliser les budgets, mais aussi de minimiser les mauvaises surprises financières. Les systèmes construits selon cette approche offrent souvent un retour sur investissement dans les 6 à 12 mois. [10].
Utiliser des plates-formes de gestion des actifs telles que Oxand Simeo™
Des plateformes telles que Oxand comblent le fossé entre les connaissances de l'IA et les plans d'investissement exploitables. Grâce à une vaste bibliothèque de 10 000 modèles de vieillissement et de performance énergétique et 30 000 actions de maintenance, Oxand Simeo™ simule la dégradation des actifs et les coûts d'intervention - pas besoin de matériel ou de capteurs supplémentaires. [10].
Voici deux exemples de son efficacité :
- In'li, un groupe français de gestion de biens immobiliers résidentiels, a intégré des objectifs de performance énergétique dans la planification de ses investissements en utilisant Oxand Simeo™. Leur responsable du budget et de l'évaluation des actifs explique :
"Nous nous sommes tournés vers Oxand parce que nous avions besoin d'un outil qui nous donnerait une vision prédictive - et pas seulement corrective - et nous aiderait à gérer nos investissements plus efficacement. Oxand s'est distingué par ses capacités de gestion des risques." [10]
- Le Département de la Meuse en France a dû faire face à des défis liés à des données fragmentées et dispersées dans de multiples systèmes. En consolidant ces données grâce à Oxand Simeo™, ils ont créé des projections d'investissement claires et prospectives. Leur directeur général des services a partagé :
"Nous avions besoin d'un outil qui nous permettrait de consolider les données fragmentées dont nous disposions et de les projeter d'une manière qui puisse être clairement présentée à nos élus, qui sont les décideurs." [10]
Ces deux exemples montrent comment les outils fondés sur les données peuvent aligner les actions à court terme sur les stratégies d'investissement à long terme, créant ainsi des plans directeurs à la fois pratiques et tournés vers l'avenir.
Conclusion : Faire de l'IA un élément standard de la planification des rénovations
Lorsque l'analyse du portefeuille n'est pas fiable, les propriétaires d'immeubles finissent souvent par dépenser de l'argent pour des actifs qui ne nécessitent pas d'attention immédiate, alors que les actifs critiques et à haut risque continuent de se détériorer. L'IA inverse ce scénario en fournissant un moyen cohérent et évolutif de déterminer où les interventions feront la plus grande différence.
Les chiffres le confirment. La recherche montre que les cadres décisionnels pilotés par l'IA peuvent augmenter les performances de près de 53% par rapport aux approches traditionnelles de planification de la rénovation [12]. À plus grande échelle, les organisations qui passent d'une maintenance réactive à des stratégies prédictives, informées par l'IA, peuvent réduire leur coût total de possession de près de 1,5 milliard d'euros. 30% au fil du temps [11].
L'IA excelle également dans la gestion de la complexité des scénarios du monde réel. Qu'il s'agisse d'actifs équipés de données de comptage détaillées ou d'actifs ne disposant que d'informations de base - comme le type, la taille ou l'emplacement du bâtiment - l'IA fournit des résultats précis dans un large éventail de conditions. Sa force réside dans la gestion cohérente de profils d'actifs divers et complexes à grande échelle.
Compte tenu de ces informations et des avantages évidents de l'IA, il est clair que cette technologie devrait devenir un élément essentiel de la planification des rénovations. Plutôt que d'être une solution ponctuelle, l'IA devrait servir de couche d'intelligence permanente, fondant les décisions d'investissement sur des informations solides et basées sur des données. Associée à des outils intégrés de gestion des actifs, l'IA permet aux propriétaires de bâtiments d'agir plus tôt, d'allouer les ressources de manière plus intelligente et de créer des programmes de rénovation qui restent efficaces pour les années à venir.
FAQ
De combien de données sur les bâtiments ai-je besoin pour que le filtrage par l'IA fonctionne ?
La quantité de données nécessaires varie en fonction de l'application, mais les grands ensembles de données sont généralement la norme. Ces ensembles de données comprennent souvent données sur les services publics, caractéristiques du bâtiment, l'utilisation de l'énergie, informations météorologiqueset images de télédétection. Par exemple, des outils d'IA ont été utilisés pour analyser des installations couvrant 40 millions de mètres carrés. En s'appuyant sur des mesures telles que l'intensité de l'utilisation de l'énergie, émissions de carboneet performance historique, Ces outils peuvent fournir des informations précises et exploitables.
Comment valider les résultats de l'IA avant d'engager des dépenses de rénovation ?
Pour s'assurer de la fiabilité des résultats de l'IA avant de s'engager dans des rénovations, il convient de prendre quelques mesures clés. Tout d'abord, cherchez à validation indépendante des capacités de l'IA. Vérifiez si elle a obtenu de bons résultats avec des portefeuilles similaires au vôtre. La transparence étant cruciale, vérifiez que le processus de mesure et de vérification (M&V) est clair et facile à auditer.
Demandez des références de bâtiments comparables en termes de la taille, le type et l'emplacement à la vôtre. Il est également important d'évaluer les performances de l'IA sur plusieurs sites, et non sur un seul projet pilote. Cela vous permettra de mieux comprendre sa cohérence et sa fiabilité. Et surtout, veillez à ce que les économies réalisées s'appuient sur un processus qui peut être mesuré et vérifié en toute confiance.
Comment les classements de l'IA peuvent-ils se transformer en un plan budgétaire de modernisation sur 3 à 5 ans ?
Les classements de l'IA offrent un moyen intelligent d'élaborer un plan budgétaire de rénovation sur 3 à 5 ans en examinant des facteurs critiques tels que l'efficacité énergétique, les exigences en matière de maintenance et l'empreinte carbone. Cette analyse permet d'identifier les bâtiments qui ont le plus besoin d'être rénovés, ce qui permet aux gestionnaires d'actifs de concentrer leurs investissements là où ils auront le plus d'impact. L'utilisation d'une stratégie à plusieurs niveaux permet d'organiser les actions dans une séquence logique, en équilibrant les améliorations immédiates et les objectifs à long terme. Cette approche garantit une utilisation efficace des ressources tout en alignant les budgets sur les objectifs de durabilité.
Articles de blog connexes
- Des gains rapides pour la durabilité : des mesures à faible coût d'investissement qui préparent votre portefeuille à des changements plus importants
- Plans de rénovation des bâtiments nationaux : Comment transformer une politique en une stratégie d'investissement de portefeuille
- Les bâtiments les moins performants : Comment identifier, trier et phaser les investissements dans un portefeuille
- Comment l'IA peut-elle soutenir la planification des investissements pour la décarbonisation dans les portefeuilles de bâtiments ?