Le secteur de l’efficacité énergétique des bâtiments est confronté à un défi important en matière de gestion des données. À mesure que les audits, modèles et programmes d'efficacité énergétiques se multiplient, nous générons des quantités sans précédent de données EEM. Cependant, sans conventions de dénomination standardisées, une comparaison significative devient presque impossible. Ce qu’un programme appelle une « pomme », un autre pourrait l’étiqueter « orange » ou « poire », créant ainsi confusion et inefficacité.
Un article récent de l'ASHRAE Journal met en lumière ce problème, présentant des recherches menées à l'Université de Cincinnati qui ont analysé plus de 3 490 EEM provenant de diverses ressources industrielles, notamment la norme ASHRAE 100, le projet de recherche 1651 et Building EQ. Les résultats révèlent à la fois les meilleures pratiques et les pièges courants dans la documentation EEM.
Meilleures pratiques pour nommer les EEM
La recherche identifie quatre meilleures pratiques clés et huit erreurs courantes à éviter. Par-dessus tout, la clarté apparaît comme le facteur le plus critique dans la dénomination des EEM.
Considérez ces exemples contrastés :
- Mauvaise dénomination: « Moteurs hautes performances »
- Dénomination efficace: « Remplacez tous les moteurs de pompes et de ventilateurs par des moteurs à efficacité supérieure »
L’exemple efficace communique clairement :
- The action being taken (replace)
- The specific elements affected (pump and fan motors)
- The improvement being made (premium efficiency motors)
Tableau 1 : Conventions De Dénomination EEM – Meilleures Pratiques Par Rapport aux Erreurs Courantes
| Meilleures Pratiques | Erreurs courantes |
|---|---|
| Use precise, actionable verbs (install, replace, upgrade) | Using vague terminology (“high performance”) |
| Spécifier clairement les équipements/systèmes concernés | Omettre les éléments spécifiques en cours de modification |
| Inclure des objectifs de performance ou des niveaux d’efficacité | Manque de mesures d’amélioration mesurables |
| Maintenir une terminologie cohérente dans toute la documentation | Mélanger différentes conventions de dénomination |
| Indiquer l'emplacement ou la portée de l'application | Ne pas préciser où S’applique l’EEM |
| Inclure des stratégies de contrôle, le cas échéant | Omettre les paramètres opérationnels |
| Séparer les mesures distinctes en ESEE individuelles | Regrouper plusieurs mesures indépendantes |
| Utiliser la terminologie standard de l’industrie | Création de termes propriétaires ou non standards |
Cette précision élimine toute ambiguïté et garantit que toutes les parties prenantes comprennent exactement ce qui est proposé, mis en œuvre ou analysé.
Tableau 2 : Exemples de transformations de dénomination EEM
| Mauvaise description de l'EEM | Description EEM Améliorée |
|---|---|
| "Mise à niveau de l'éclairage" | « Remplacer les luminaires fluorescents T8 par des panneaux LED dans les bureaux » |
| «CVC Efficace» | « Installer des VFD sur les ventilateurs d'alimentation de la CTA et mettre en œuvre une réinitialisation de la pression statique » |
| « De meilleurs contrôles » | “Implement nighttime temperature setback (68°F heating, 78°F cooling)” |
| « Améliorations de l'enveloppe » | "Ajoutez De l'isolant cellulosique soufflé r-30 aux combles" |
| "Conservation de l'eau" | “Replace restroom fixtures with low-flow (1.28 GPF) toilets and (0.5 GPM) faucets” |
Tirer parti de l’IA pour la gestion EEM
Alors que les normes de performance des bâtiments et les lois sur l’audit énergétique deviennent de plus en plus courantes, le volume de données EEM continue de croître de façon exponentielle. Cela crée à la fois un défi et une opportunité.
Tableau 3 : Applications de l'IA pour la gestion de l'énergie des bâtiments
| Domaine D'application | Défi Actuel | Solution IA/LLM | Avantage |
|---|---|---|---|
| Catégorisation EEM | Dénomination incohérente entre les sources | Reconnaissance automatisée de mesures similaires | Permet une comparaison entre projets |
| Étiquettes de points BAS | Conventions de dénomination spécifiques au fournisseur | Reconnaissance de points standardisée | Rationalise l’intégration des jumeaux numériques |
| Analyse du rapport d'audit | Extraction manuelle des recommandations | Extraction automatisée des mesures clés | Accélère la planification de la mise en œuvre |
| Vérification des économies d'énergie | Comparaison difficile entre les programmes | Approches de mesure standardisées | Améliore la fiabilité des demandes d’épargne |
| Analyse des coûts de mise en œuvre | Méthodes de reporting des coûts variables | Comparaison des coûts normalisés | Meilleure prévision budgétaire |
| Priorisation des mesures | Décisions multifactorielles complexes | Algorithmes de classement basés sur les données | Séquence de mise en œuvre optimisée |
Large Language Models (LLMs) offer a promising solution for managing this data deluge. These AI tools can automatically recognize similar measures even when they’re described differently, enabling true “apples-to-apples” comparisons across thousands of buildings and audits. Such capabilities allow for more comprehensive analysis of EEM savings and implementation costs across diverse projects and jurisdictions.
Au-delà des EEM : des applications plus larges
The standardization principles and AI approaches developed for EEMs have applications throughout building systems management. Building Automation System (BAS) point labels represent another area plagued by inconsistent naming conventions. With different vendors using disparate labeling systems, integrating BAS points into digital twins becomes unnecessarily complex and time-consuming.
En appliquant des approches LLM similaires à la normalisation des points BAS, l’industrie pourrait surmonter un goulot d’étranglement majeur dans l’optimisation des performances des bâtiments. Cela permettrait :
- Création de jumeaux numériques plus efficace
- Analyse des tendances améliorée
- Mise en œuvre rationalisée des séquences de contrôle
- Traitement manuel réduit des données
La voie à suivre
Alors que le secteur du bâtiment poursuit sa transformation numérique, la normalisation de la terminologie et de la catégorisation devient de plus en plus critique. Les recherches présentées dans cet article représentent une étape importante vers la création d’un langage commun pour les mesures d’efficacité énergétique.
Tableau 4 : Ressources pour la normalisation de l'ESEE
| Ressource | Taper | Valeur pour les praticiens |
|---|---|---|
| Norme ASHRAE 100 | Norme de l'industrie | Fournit des catégories EEM de base |
| Projet de recherche ASHRAE 1651 | Référence de recherche | Détails de la méthodologie pour l'analyse EEM |
| Construire L’égalisation | Programme D'évaluation | Offre une approche standardisée pour l’évaluation des bâtiments |
| LEED v4.1 | Système de notation | Fournit une catégorisation des crédits liés à l’énergie |
| OIN 50001 | Norme de gestion | Établit un cadre pour la gestion de l’énergie |
| Score des actifs énergétiques des bâtiments du DOE | Outil D'évaluation | Standardise les mesures de performance énergétique des bâtiments |
En adoptant des pratiques de dénomination claires et en tirant parti des outils d’IA pour gérer la complexité croissante des données des bâtiments, les praticiens peuvent passer moins de temps à trier des informations désordonnées et plus de temps à améliorer réellement les performances des bâtiments – l’objectif ultime de toute initiative d’efficacité énergétique.
