Assessing the energy performance of the building stock at a fine scale in order to massify the renovation works and fulfill the national commitments
Évaluation de la performance énergétique du parc bâti à fine échelle dans une optique de massification des travaux et d’atteinte des objectifs nationaux
Résumé
This thesis is concerned with the issue of improving the energy efficiency of buildings in France, which is essential for meeting national sustainability goals and reducing greenhouse gas emissions. The primary objective is to develop an explainable predictive model for estimating the energy efficiency of every building in France using observed EPCs. The study focuses on overcoming the challenges posed by the uncertain and incomplete nature of available data. The first chapter describes the data fusion process implemented to gather all available data about dwellings in a single data base. The second chapter proposes a prediction model that takes into account the uncertainty of buildings' locations. This regression model, called Mixture Kriging implements a Kriging approach with mixture distributions. It performs well at the city scale but is challenging to upscale nationally du to computational complexity. In the third chapter, the approach is shifted towards a constrained classification methodology. The Joint Kriging model performs a fuzzy classification under two simultaneous constraints: the weights used for the regression sum to 1 and the average over all predictions can be prescribed. Although it does not account for positional uncertainty, this model offers efficient and accurate predictions at large scales. Eventually, the fourth chapter focuses on enhancing prediction's performance by comparing Joint Kriging, FKNN and Random Forest with promising results.
This research demonstrates the feasibility of predicting building energy efficiency using geostatistical approaches and stresses the importance of considering geolocation data. The study suggests that \glsxtrshort{epc}s can be viewed not only as engineering outputs but also as geolocated data. This work also provides models that are explainable, and suitable for implementation in the U.R.B.S. software ONB. The predictive models help identify energy-inefficient buildings ("energy sieves") without physical inspections, achieving significant improvements in detection rates. This thesis contributes to both fields of environmental sciences and applied mathematics by providing innovative methods to evaluate and improve the energy performance of the building stock in France. The models developed are expected to assist policymakers and urban planners in making informed decisions for achieving energy efficiency and sustainability targets.
Cette thèse s'intéresse à la question de l'amélioration de l'efficacité énergétique des bâtiments en France, essentielle pour atteindre les objectifs nationaux de durabilité et réduire les émissions de gaz à effet de serre. Le principal objectif est de développer un modèle prédictif explicable pour estimer l'efficacité énergétique de chaque bâtiment en France en utilisant les DPE observés. L'étude s'attache à dépasser les difficultés posées par des données disponibles incertaines et incomplètes. Le premier chapitre décrit le processus de fusion des données mis en œuvre pour rassembler toutes les informations disponibles sur les logements dans une base de données unique. Le deuxième chapitre propose un modèle de prédiction qui prend en compte l'incertitude des emplacements des bâtiments. Ce modèle de régression, appelé Mixture Kriging, met en œuvre une approche de Krigeage avec des distributions de mélange. Il donne de bons résultats à l'échelle d'une ville mais est difficile à étendre à l'échelle du pays en raison de la quantité de calculs nécessaires. Dans le troisième chapitre, l'approche est orientée vers une approche de classification contrainte. Le modèle Joint Kriging réalise une classification floue sous deux contraintes simultanées : la somme des poids utilisés pour la régression est égale à 1, et la moyenne de toutes les prédictions peut être prescrite. Bien qu'il ne prenne pas en compte l'incertitude de position, ce modèle fournit efficacement des prédictions précises à grande échelle. Enfin, le quatrième chapitre se concentre sur l'amélioration des performances de prédiction en comparant Joint Kriging, FKNN et Random Forest. Et les résultats sont prometteurs.
Ce travail de recherche démontre que prédire l'efficacité énergétique des bâtiments est faisable en utilisant des approches géostatistiques. Il souligne aussi l'importance de prendre en compte les données de géolocalisation. L'étude suggère que les DPE peuvent être considérés non seulement comme des résultats de calculs d'ingénierie thermique, mais aussi comme des données géolocalisées. Ce travail propose également des modèles explicables et adaptés à une mise en œuvre dans le logiciel ONB d'U.R.B.S. Les modèles prédictifs aident à identifier les bâtiments énergétiquement inefficaces (« passoires énergétiques ») sans inspections physiques, réalisant des améliorations significatives dans les taux de détection. Cette thèse contribue à la fois aux sciences environnementales et aux mathématiques appliquées en fournissant des méthodes innovantes pour évaluer et améliorer la performance énergétique du parc immobilier en France. Les modèles développés sont destinés à aider les décideurs, en particulier les collectivités locales, à prendre des décisions éclairées pour atteindre les objectifs d'efficacité énergétique et de durabilité.
| Origine | Fichiers produits par l'(les) auteur(s) |
|---|
