Energy Efficiency and Renewables meet Big Data – CISBAT2019
Author
Beatrice Huber
PNR 75 “Big Data”
CISBAT2019, une conférence internationale traitant des villes engagées dans la lutte contre le changement climatique, de l’efficacité énergétique et des énergies renouvelables à l’ère du digital, vise à promouvoir la durabilité dans l’environnement bâti grâce à un dialogue interdisciplinaire ainsi qu’à des présentations d’activités de recherche et développement novatrices. Qui dit recherche novatrice dit aussi big data. Deux sessions, au cours desquelles les travaux réalisés dans le cadre du PNR 75 ont été présentés, ont ainsi été consacrées aux méthodes axées sur les données.
Organisé par le Laboratoire d’énergie solaire et physique de l’EPFL, CISBAT2019 a eu lieu du 4 au 6 septembre à Lausanne, dans les locaux de l’école polytechnique. La conférence jouit d’une longue tradition. La première édition, nationale, a eu lieu en 1979. Mais depuis 1991, elle revêt un caractère international.
Après les discours de bienvenue de Jean-Louis Scartezzini, président de la conférence et chercheur principal d’un projet du PNR 75, et de Rolf Schmitz, responsable de la section Recherche énergétique à l’OFEN, Isabelle Bey de MétéoSuisse a présenté son exposé introductif «Climate Change: 1.5 °C versus 2 °C» mettant en lumière la grande différence entre ces deux valeurs. Le deuxième exposé de la journée, «Non-visual impact of light on human sleep and circadian physiology», a été assuré par Christian Cajochen de l’Université de Bâle.
Travaux présentés dans le cadre du Projet PNR 75 «HyEnergy»
Roberto Castello, l’un des chercheurs du PNR 75 s’est penché sur le «Deep Learning in the built environment: automatic detection of rooftop solar panels using Convolutional Neural Networks». La cartographie de l’emplacement et de la taille des installations solaires dans les zones urbaines peut fournir de précieuses informations en vue de la légifération, mais aussi en cas d’investissement dans des infrastructures d’énergie distribuée. Combinées à l’imagerie satellite et aérienne, les techniques de machine learning permettent de surmonter les limites des sondages et des bases de données lacunaires en fournissant cette cartographie à grande échelle.
Dans son exposé, Roberto Castello a indiqué comment une méthode supervisée, basée sur des réseaux neuronaux convolutifs, a été appliquée pour baliser les panneaux solaires sur toit et détecter leur taille au moyen d’une segmentation d’image en pixels. Les photos aériennes à haute résolution fournies par l’Office fédéral de topographie ont servi d’entrées pour l’algorithme. Différentes augmentations de données ont été explorées et les paramètres réseau ont été variés afin de maximiser la performance du modèle. Les résultats préliminaires montrent qu’il a été possible de détecter automatiquement la surface d’un ensemble de panneaux solaires au niveau du pixel avec une précision d’environ 0,94 et un indice de Jaccard allant jusqu’à 0,64 dans les images tests. Ces travaux jettent les fondements d’une estimation à l’échelle du territoire helvétique de l’utilisation actuelle de panneaux solaires. La corrélation avec les variables environnementales et socio-économiques locales permettrait d’extraire des modèles prédictifs favorisant l’adoption future de la technologie solaire dans les zones urbaines. Le cadre développé pourrait être adapté dans le contexte du projet HyEnergy et être ajusté pour segmenter directement la surface PV sur toit. Ceci permettrait de fournir une estimation très réaliste du potentiel technique PV solaire à l’échelle suisse.
Quel est le potentiel photovoltaïque solaire sur toit en Suisse? Une comparaison critique des méthodes
Autre chercheuse présentant les travaux du PNR 75, Alina Walch était l’auteure d’un exposé intitulé «Critical comparison of methods to estimate solar rooftop photovoltaic potential in Switzerland». Elle a comparé six études réalisées ces dernières années et traitant du potentiel photovoltaïque sur toit en Suisse. Son objectif était de comprendre les opportunités et les défis présentés par un photovoltaïque solaire (PV) dominant dans la palette énergétique helvétique. Une comparaison qualitative a mis en évidence les différentes méthodologies appliquées dans les études, tandis qu’une comparaison quantitative a montré comment ces méthodes peuvent influencer l’estimation potentielle. L’utilisation d’ensembles de données plus volumineux et de meilleure qualité pour l’analyse a permis de constater une forte tendance à l’augmentation des résolutions spatiales et temporelles. Les estimations axées sur des données intègrent le machine learning aux modèles physiques et aux systèmes d’information géographique afin d’obtenir une estimation précise du potentiel à grande échelle. L’analyse montre que les plus grandes différences sont causées par la source de l’entrée «rayonnement solaire», le calcul des effets d’ombrage sur les toits et l’estimation de la surface de toit disponible pour l’installation de panneaux PV. Ce dernier paramètre est le plus incertain dans les études présentées et ouvre ainsi des possibilités de futurs travaux.
Les résultats présentés sont pertinents pour les chercheurs, le législateur et les offices fédéraux, car ils soulignent l’importance d’une interprétation critique des chiffres présentés dans les différentes études. L’analyse montre également l’impact du big data sur l’estimation du potentiel d’énergie renouvelable à grande échelle, et comment les méthodologies «machine learning» peuvent être efficacement associées à des modèles physiques pour améliorer leurs performances et leur précision.
D’autres discussions relatives aux méthodes axées sur les données étaient intitulées «Combined geospatial and techno-economic analysis of deep building envelope retrofit», «Retrofitting a building stock: modelling and optimization for decision aiding at territory scale», «Cost-optimal retrofit analysis for residential buildings», «Statistical modelling of the energy reference area based on the Swiss building stock», «Using deep neural networks for predictive modelling of informal settlements in the context of flood risk», «Morphological based PV generation and energy consumption predictive model for Singapore neighbourhood», «Machine learning and geographic information systems for large-scale wind energy potential estimation in rural areas», «SCAFE: automated simultaneous clustering and non-linear feature extraction of building energy profiles» et «Data-driven short-term load forecasting for heating and cooling demand in office buildings».
IA et bâtiments
La deuxième journée a débuté par deux exposés. Arno Schlueter, de l’ETH de Zurich, a abordé le thème «Climate Changes: towards low-carbon, liveable cities», avant de laisser la parole à Charlotte Matthews, des Sidewalk Labs de New York, qui s’est penchée sur le sujet «District energy and the divergence from research into reality».
Les participants ont eu ensuite la possibilité d’assister à un atelier sur le thème «AI: Building Science 2.0», animé par Roberto Castello. Le rythme rapide de la transition digitale qui affecte notre société crée un nombre incalculable d’occasions d’accroître la productivité, l’efficacité et la durabilité dans de nombreux secteurs. La science du bâtiment aide les architectes durant le processus de conception et vient appuyer les décisions visant à améliorer le rendement énergétique des immeubles. La grande quantité de données digitales accessibles est un atout essentiel pour garantir la conformité des développements urbains actuels et futurs aux objectifs de la stratégie énergétique des différents pays.
Après une introduction rappelant les bases du machine learning et l’impact de l’intelligence artificielle (IA) dans différents domaines, de la science à l’art en passant par les jeux, les participants à l’atelier se sont succédé pour présenter leurs travaux. Les exemples proposés ont mis en évidence le rôle du big data et de l’IA dans l’optimisation de la consommation énergétique des bâtiments et dans la détection des faiblesses structurelles. Cela a suscité un débat animé sur la manière dont l’open data peut servir de catalyseur pour l’IA dans le domaine de la science du bâtiment, mais également sur l’importance de l’IA dans l’analyse et la structuration des données et, plus généralement, sur le rôle de la supervision humaine dans les processus contrôlés par l’IA.
De nouvelles possibilités avec la science ouverte
La troisième et dernière journée a été consacrée à des visites ainsi qu’à un atelier pratique sur la science ouverte, un concept qui convainc de plus en plus les organismes de financement comme le FNS et les universités. Elle permet en effet non seulement à tout un chacun d’accéder sans restrictions à des informations scientifiques précieuses, mais offre aussi de nouvelles possibilités de collaboration et de partage des connaissances, ainsi qu’une bien meilleure utilisation des données déjà disponibles. Soutenu par les projets PNR 75 et SCCER, l’atelier était dirigé par Roberto Castello et Dasaraden Mauree.
Au cours de l’atelier, les participants ont été guidés tout au long d’un flux de travail intégral typique, de la collecte des données à la publication des résultats. Se basant sur des ensembles de données disponibles gratuitement, ils ont appris à les récupérer à partir du portail Zenodo. Après une brève présentation du langage Git, ils ont ensuite pu récupérer un code accessible au public dans le répertoire GitHub, le personnaliser pour leur propre analyse et réintroduire leurs modifications dans le répertoire. Et pour conclure, une discussion a été menée sur la manière d’assurer la reproductibilité du flux du travail d’analyse via Renku, une plate-forme mise à disposition par l’équipe du Swiss Data Science Center. L’atelier avait pour objectif de permettre aux participants de faire l’expérience d’une analyse typique de données réelles, en parfaite conformité avec le principe FAIR.
Un grand merci aux coauteurs de ce communiqué: Alexandre Luyet, responsable de la SATW en Suisse romande, ainsi que Roberto Castello et Alina Walch, chercheurs au sein du PNR 75.