Building Energy Efficiency Analytics

Framework Python d'analyse de la performance énergétique d'un parc de 20 bâtiments : calcul d'IPE, détection d'énergivores, modélisation des leviers et quantification du ROI des rénovations. Stack : Python · pandas · scikit-learn · matplotlib · seaborn

1. Contexte métier
2. Problème résolu
3. Données utilisées
4. Méthodes et algorithmes
5. Démarche analytique
6. Métriques clés
7. Résultats obtenus
8. Valeur métier
9. Architecture du projet
10. Installation et usage
11. Compétences démontrées
12. Limites et améliorations
13. Contributors

Les bâtiments représentent 40% de la consommation énergétique finale en France et constituent le premier gisement d'économies d'énergie identifié par les plans nationaux de rénovation.

Un gestionnaire de parc immobilier ou un énergéticien (collectivité, foncière, industriel) doit :

• Connaître la performance réelle de chaque bâtiment (kWh/m²/an)
• Identifier les bâtiments les plus énergivores parmi des dizaines ou centaines de sites
• Comprendre les causes (ancienneté, isolation, type de chauffage, climat)
• Prioriser les investissements de rénovation selon le ROI énergétique

Ce projet simule ce cas d'usage sur un parc fictif de 20 bâtiments sur 3 années (2021–2023), couvrant des typologies variées : bureaux, logements, écoles, hôtels, entrepôts, commerces, hôpitaux, équipements sportifs.

"Sur notre parc, nous payons chaque mois des factures d'énergie sans savoir quels sites consomment anormalement, ni pourquoi. Comment identifier les priorités d'intervention et estimer le gain financier d'une rénovation ?"

Ce projet apporte :

• Calcul automatique de l'IPE (kWh/m²/an) — métrique universelle et réglementaire
• Détection statistique des énergivores sans seuil arbitraire (méthode IQR)
• Modèle explicatif des déterminants de la consommation (régression linéaire, R²=0.71)
• Quantification du potentiel d'économie en MWh et en euros par bâtiment

Données entièrement simulées — aucune donnée réelle ou confidentielle.

Température min/moy/max, DJU, précipitations, ensoleillement pour Paris, Lyon, Bordeaux, Rennes, Nice, Grenoble.

Choix IQR vs z-score : l'IQR est robuste aux valeurs extrêmes et ne suppose pas de distribution normale — adapté à un parc hétérogène (entrepôt vs crèche).

Données brutes (3 CSV — 20 bâtiments, 3 ans)
        │
        ▼
   Contrôle qualité (cohérence total = élec + gaz, anomalies gaz/PAC)
        │
        ▼
  Calcul IPE annuel (kWh/m²/an + normalisation DJU)
        │
        ├──→ Segmentation (DPE × type usage)
        ├──→ Détection énergivores (IQR)
        ├──→ Corrélation température / conso
        ├──→ Régression linéaire (R², coefficients)
        ├──→ Analyse avant/après rénovation
        └──→ Potentiel d'économie (MWh + €)
                │
                ▼
        Rapport Markdown + 8 figures

DJU — pourquoi normaliser ? Sans correction, un bâtiment à Lille (2 800 DJU/an) semble 30% moins performant qu'un bâtiment identique à Nice (1 800 DJU/an) — uniquement à cause du climat. La normalisation élimine ce biais.

Déterminants principaux :

1. Ancienneté : +1 an ≈ +2 kWh/m²/an
2. Climat (DJU) : +100 DJU ≈ +8 kWh/m²/an
3. Isolation "Mauvaise" vs "Bonne" : écart de 80–120 kWh/m²/an

Exemple de ROI simulé : un bâtiment de 8 500 m² avec IPE = 295 qui atteindrait la médiane (195) économiserait (295 − 195) × 8 500 × 0.12 = **102 000 €/an**.

• Priorisation immédiate : identifier en 5 minutes quels bâtiments auditer en urgence
• Budget rénovation objectivé : ROI estimé en €/an avant tout engagement
• Suivi de performance : mesurer l'effet réel d'une rénovation sur l'IPE

• Pipeline automatisable : le script tourne sur n'importe quel parc en changeant le CSV
• Connexion Power BI : les mêmes données alimentent le dashboard de pilotage
• Base de reporting réglementaire : DPE, BACS, décret tertiaire

Adapté pour : EDF, gestionnaires d'actifs immobiliers, collectivités, bureaux d'études énergie, utilities.

building-energy-efficiency-analytics/
│
├── data_sample/
│   ├── buildings_characteristics.csv    # 20 bâtiments, 13 attributs
│   ├── energy_consumption_monthly.csv   # 720 lignes (20 × 3 ans × 12 mois)
│   ├── meteo_sample.csv                 # 216 lignes (6 villes × 36 mois)
│   └── schema_reference.md
│
├── src/
│   ├── __init__.py
│   ├── energy_analyzer.py              # Classe EnergyAnalyzer (8 méthodes)
│   └── visualization.py               # Classe EnergyVisualizer (8 figures)
│
├── notebooks/
│   └── 01_energy_efficiency_analysis.py  # Pipeline complet (10 sections)
│
├── figures/                            # 8 visualisations générées
├── reports/
│   └── energy_audit_report_sample.md
│
├── docs/
│   ├── dictionnaire_donnees.md
│   ├── methodologie.md
│   └── guide_utilisateur.md
│
├── dashboard/
│   └── README.md                       # Modèle DAX Power BI
│
├── requirements.txt
├── .gitignore
├── LICENSE
└── README.md

git clone https://github.com/TSAGUE25/building-energy-efficiency-analytics
cd building-energy-efficiency-analytics
pip install -r requirements.txt
python notebooks/01_energy_efficiency_analysis.py

Utilisation directe des classes :

import pandas as pd
from src.energy_analyzer import EnergyAnalyzer
from src.visualization import EnergyVisualizer

buildings   = pd.read_csv('data_sample/buildings_characteristics.csv')
consumption = pd.read_csv('data_sample/energy_consumption_monthly.csv')

analyzer = EnergyAnalyzer(buildings, consumption)
annual   = analyzer.compute_annual_ipe()

print(analyzer.detect_high_consumers())   # Bâtiments énergivores
print(analyzer.savings_potential())       # Potentiel en €/an
reg = analyzer.run_regression()
print(f"R² = {reg['r2']:.3f}")

viz = EnergyVisualizer(output_dir='figures')
viz.plot_ipe_by_dpe(annual)
viz.plot_savings_potential(analyzer.savings_potential())

Sorties produites :

• figures/ — 8 visualisations PNG
• reports/energy_audit_report_sample.md — rapport Markdown auto-généré

Stack technique : pandas · numpy · scikit-learn (LinearRegression, LabelEncoder) · matplotlib · seaborn

Limites actuelles :

Pistes d'amélioration :

• Random Forest / XGBoost : capturer les interactions non linéaires (ancienneté × isolation)
• Clustering K-means : regrouper les bâtiments par profil de consommation
• API Enedis / GrDF : connexion aux données réelles de consommation
• GitHub Actions : automatisation mensuelle du pipeline + alertes IPE
• Analyse CO2 : intégration des facteurs d'émission par vecteur énergétique

• La capacité à appliquer une méthodologie d'audit énergétique complète : calcul IPE, normalisation DJU, détection IQR, sans seuil arbitraire
• La maîtrise de scikit-learn dans un contexte métier réglementé (DPE, décret tertiaire) : régression linéaire, LabelEncoder, R²=0.71
• La quantification du ROI d'une rénovation en MWh/an et €/an — directement exploitable pour un plan d'investissement
• La détection robuste d'énergivores via la méthode IQR : insensible aux distributions asymétriques, applicable sur parc hétérogène
• Un pipeline automatisable : changer le CSV suffit pour auditer tout nouveau parc (collectivité, foncière, industriel)
• La traduction de données techniques (kWh, DJU, étiquette DPE) en décision de gestion d'actifs immobiliers

Auteur : Emmanuel TSAGUE — Data Scientist / Data Analyst Formation : DataScientest | Domaines : Énergie · Industrie · Finance · Performance opérationnelle Contact : emmatsague@yahoo.fr | LinkedIn Données : entièrement simulées — aucune donnée réelle ou confidentielle