Efficacité énergétique et big data, deux notions au cœur de l’actualité. La première fait consensus dans la société civile du fait de l’importance de réduire les dépenses énergétiques, le second regroupe des technologies de collecte et traitement de gros volumes de données hétérogènes en alliance avec l’intelligence artificielle (machine learning). Appliqué à l’énergie, le big data fournit des systèmes intelligents capables de faire des prédictions et de dégager des espaces d’optimisation. Ainsi, on constate que les entreprises qui utilisent le big data pour gérer leur management énergétique réduisent d’environ 20% leurs dépenses énergétiques. Efficacité énergétique et big data : le duo semble gagnant. Ainsi, dans quelle mesure et à quelles conditions le Big Data est-il au service de l’efficacité énergétique ?

Le Big data, une technologie puissante…

Kenneth Cukier, dans le TedTalk « Big data is better data », compare le big data à la découverte du feu par l’homme : une découverte révolutionnaire aux applications multiples (presque illimitées) mais dont la maturité est loin d’être atteinte, en particulier dans la gestion des données.

 

En effet, le big data fait référence à l’explosion du volume de données et des nouveaux moyens technologiques pour y répondre. Avant, 4000 ans plus tôt, quelques données étaient gravées sur un disque en argile, lourd et inchangeable. Depuis le milieu du XXème siècle, on stocke toujours des données sur des disques électroniques, en plus grande quantité, plus faciles à chercher, copier et partager.  Au début des années 2000, vint l’ère du big data. L’expression « big data » est employée pour la première fois par deux chercheurs de la NASA en 1997 et répond au principe des « trois V » : le volume de plus en plus colossal des données, la variété de ces données qui peuvent être brutes ou structurées et issues de sources différentes (PC, smartphones, tablettes, objets connectés, capteurs, etc.), la vélocité de données produites, récoltées et analysées en temps réel. On peut ajouter un quatrième « V » à cette définition pour la véracité qui évoque la nécessité de vérifier la crédibilité de la source et la qualité du contenu afin de pouvoir exploiter ces données.

Le big data a vu son essor poussé par la puissance croissante des microprocesseurs, la baisse des coûts de stockage et la vitesse des réseaux. Cette capacité à traiter de gros volumes d’informations avec des moyens informatiques de plus en plus standards permet de collecter, stocker, analyser, des données qui recèlent des informations précieuses pour qui sait les utiliser. Et ce, dans tous les domaines de l’astronomie à la médecine en passant par le marketing. Cela donne le pouvoir de prendre des décisions pertinentes voire de révéler des tendances dont on ne soupçonnait pas l’existence. Comme le dit Kenneth Cukier, dans le TedTalk « Big data is better data », plus de données ne donnent pas seulement plus d’informations sur la même chose, c’est voir de nouvelles choses, voir plus clairement et différemment. Ainsi, le big data rend accessible la complexité, transforme les données en un ensemble d’informations intelligibles qui soient facilement compréhensibles et exploitables. C’est véritablement l’interprétation des données, autrement dit leur donner le bon sens, qui leur confère toute leur valeur. Par exemple, la façon de s’asseoir unique à chacun est une donnée. Cette donnée devient une information cruciale si cette empreinte physique est utilisée pour créer les systèmes antivols des voitures ou pour détecter la fatigue sur la route si le corps s’affale.

…au service de l’efficacité énergétique active

En 2006, une directive du Parlement européen définit l’efficacité énergétique comme « le rapport entre les résultats, le service, la marchandise ou l’énergie que l’on obtient et l’énergie consacrée à cet effet ». Plus spécifiquement, l’efficacité énergétique active vise à réaliser des économies d’énergie en optimisant le fonctionnement des équipements et des systèmes énergétiques grâce à des systèmes intelligents de mesure, de contrôle et de régulation (ex. : chauffage/climatisation, éclairage).

Décret sur l'effacementL’objectif est double : économique et écologique. Economique car l’efficacité énergétique vise à réduire les dépenses énergétiques, soit consommer moins d’énergie (qui coûte cher) et assurer la sécurité de l’approvisionnement. Écologique car, comme débattu à la COP21, les modes de consommation et de production d’énergie sont les principaux responsables du dérèglement climatique : l’énergie est responsable de presque 80% des émissions de gaz à effet de serre. Dans le cadre de l’accord international de la COP21, chaque pays doit avoir un plan de transition énergétique afin que la température moyenne globale ne dépasse pas le seuil de 2°C. Les pays européens agissent alors de concert : le recours à l’efficacité énergétique permettrait d’économiser 150 milliards d’euros par an dans l’UE. D’où la stratégie 20/20/20 qui prévoit, d’ici 2020, une réduction de 20 % des gaz à effet de serre, l’augmentation de la place des énergies renouvelables à 20 % et une réduction de la consommation d’énergie de 20 %[1].

L’amélioration de l’efficacité énergétique consiste donc soit à augmenter le niveau de service rendu à consommation d’énergie constante, soit d’économiser l’énergie à service rendu égal, soit de réaliser les deux conjointement. Deux principaux leviers de l’efficacité énergétique active : la mesure des consommations et la régulation/gestion. Ce sont des leviers fortement actionnés grâce à l’aide du big data dans les différents domaines de l’efficacité énergétique.

Les bâtiments représentent le gisement d’économies majeur car ce sont les principaux consommateurs d’énergie: bâtiments industriels (31 %), secteur résidentiel (21 %), grands bâtiments (18 %) et data centers (2 %)[2]. Une bonne efficacité énergétique active des bâtiments signifie un équilibre entre production et consommation d’énergie. Les solutions recherchées sont celles permettant l’optimisation des consommations sans incidence sur le confort des habitants ou l’activité des occupants.

À l’instar de Matrix, on peut imaginer le monde comme une série de données de toutes natures. Au niveau du bâtiment (ou d’un parc de bâtiments), les données utiles peuvent être : adresse, surface, équipements (éclairage, chauffage), consommation, factures, courbe de charge, nombre d’occupants, nombre de visiteurs, activité, etc.

Il y a alors deux niveaux d’action. Dans un premier temps, on peut tout simplement mesurer les consommations en installant des compteurs communicants (type Linky) et des capteurs, qui vont remonter les données. Ces dernières seront traitées et analysées, mettant directement en évidence des pics de consommation ou de déperditions d’énergie. Des mesures correctives seront alors menées afin de réaliser des économies. Le bémol de ce premier niveau d’action est que ce n’est ni en temps réel ni automatisé. Il y a alors, dans un second temps, la possibilité de réguler et gérer l’énergie d’un bâtiment via des systèmes intelligents autonomes. En effet, la démocratisation des objets connectés, des prises aux luminaires en passant par la machine à café, génèrent un flot de données, le big data du bâtiment.

L’analyse de ce big data du bâtiment à un instant donné permet une gestion centralisée et fine des ressources, car les systèmes sont en mesure de prendre seuls des décisions (machine learning). Le but est d’assurer le confort des utilisateurs et optimiser les coûts énergétiques via le chauffage, la climatisation, l’éclairage. En parallèle, les données deviennent plus accessibles et consultables via smartphone et tablette. Cette connectivité en temps réel est nécessaire pour des décisions rapides et précises.

Neyro-fotolia.com-Smarthouse-1024x952

Parmi les acteurs sur ce marché, on retrouve Deepki qui a développé un algorithme prédictif capable d’identifier à distance les économies d’énergie sur des parcs de bâtiments. Ou encore Embix et son outil Urban Power, qui mise d’un côté sur le temps réel : des données recueillies chaque minute afin que les pics de consommation ou les dépressions soient plus visibles et les données plus parlantes. De l’autre, ils ont conçu des adaptateurs transformant les données dans un même format, vu qu’elles proviennent d’éco-quartiers (résidentiel et activités professionnelles) et sont donc très hétérogènes.

Côté industrie, Energiency ou encore Blu.e Pilot proposent des solutions big data taillées pour les industriels, permettant d’économiser 20% de l’énergie sans investissement. Ce sont des solutions cloud pour comprendre et analyser les consommations d’un site via les systèmes d’information de l’usine et les capteurs installés par l’industriel. Elles identifient les gisements d’économies en modélisant le comportement énergétique du site afin de déterminer son optimum technico-économique. Par ailleurs, elles proposent un plan d’action énergétique, ainsi qu’un suivi en temps réel des données de consommation via un navigateur web ou une application.

Toutefois, ces solutions big data pour l’efficacité énergétique promettent des résultats sans investissement car elles agissent uniquement sur l’efficacité énergétique dite active. Elles montrent donc très rapidement leurs limites car atteindre une excellente efficacité énergétique passe également par l’efficacité passive et interactive

Le big data est dans une moindre mesure au service de l’efficacité énergétique passive et interactive…

L’efficacité énergétique passive vise à réduire les déperditions d’énergie en renforçant la performance thermique d’un bâtiment, autrement dit améliorer son isolation (double vitrage, construction avec des matériaux isolants) ou en renouvelant des équipements trop consommateurs d’énergie (la ventilation, les équipements de chauffage, ampoules, etc.). Il s’agit donc d’une écoconception en amont qui nécessite parfois d’importants investissements et dans laquelle le big data joue un rôle bien moindre. Parmi les postes où les économies sont possibles, on identifie[3] :

  • Étanchéité du bâtiment : une bonne isolation représente une bonne part de la marge de progression possible en matière d’économies d’énergies.
  • Éclairage : il représente 15% de la consommation électrique spécifique. Les économies d’électricité peuvent dépasser les 50% si l’on met en place des luminaires peu consommateurs d’énergie (généralement classe A et au-delà).
  • Chauffage : l’installation d’appareils de chauffage peu puissants et des émetteurs adaptés permet des économies pouvant aller jusqu’à 30%. La qualité du dimensionnement d’une installation sera également décisive.
  • Eau chaude sanitaire : l’installation d’équipements à haute performance permettrait des économies jusqu’à 70%
  • Biens de consommation : renouveler les équipements par des produits moins énergivores plus performants et plus respectueux contribue à l’efficacité énergétique. Les économies d’énergie seraient de 60% pour les réfrigérateurs et congélateurs, de 47% pour les fours et de 44% lave-linges et sèche linges

L’efficacité énergétique interactive concerne les besoins des utilisateurs et se rapporte notamment aux pertes dues aux mauvais usages. C’est la sensibilisation par l’information et la formation des utilisateurs qui permet une baisse immédiate des consommations.

La science du comportement le prouve. Et Alex Laskey en a fait son fonds de commerce. Il a créé Opower, une entreprise qui propose aux fournisseurs d’énergie des comptes-rendus personnalisés de consommation énergétique à destination de leurs clients. L’idée derrière ? Nous, êtres humains, sommes plus enclins à faire quelque chose lorsque l’on pense que les autres le font mieux que nous. En effet, une étude menée en 2003 par le psychologue Robert Cialdini (l’Université de l’Etat d’Arizona) a tenté de comprendre ce qui pourrait pousser les personnes à éteindre la climatisation et allumer le ventilateur. Serait-ce l’argent ? Le sentiment de faire le bien ? Pour sauver la planète ? Rien de tout cela. Il s’est avéré que le seul moyen infaillible de pousser quelqu’un vers une action donnée était de lui dire que son voisin faisait la même chose. Autrement dit, la pression sociale est le véritable moteur, ce qui en fait un puissant outil.

Outil qu’Alex Laskey a mis au service de la lutte contre les problèmes d’énergie auxquels le monde fait face. Il a été constaté que la consommation d’énergie diminue lorsque les utilisateurs reçoivent ces rapports – montrant la consommation d’énergie de leurs voisins – et cette diminution semble durable. En 2013, Opower a permis d’économiser 2 TWh, soit l’équivalent de l’électricité nécessaire pour une ville de 250 000 habitants pendant un an[4].

…d’autant plus qu’il est lui-même un grand consommateur d’énergie

Server room interiorFace aux apports du big data, on peut en oublier qu’il a un coût écologique. En effet, dans les coulisses du big data, existent des infrastructures bien réelles qui ont une consommation énergétique et un impact carbone forts. En 2015, le patrimoine mondial de données atteindra 8 zétaoctets. Pour donner un ordre d’idées, 1 zétaoctet est en mesure de stocker deux milliards d’années de musique. Or, face à ce déluge de données, des infrastructures gigantesques sont donc déjà nécessaires pour stocker, mais également pour traiter. L’analyse de données, provenant d’observations d’un environnement énergétique donné (un immeuble ou une usine par exemple), nécessite des moyens de calcul très importants, concentrés dans des grands centres (Data center). Des travaux menés par le CNRS[5] rappellent que les technologies de l’information sont de grandes consommatrices d’énergie et produisent des gaz à effet de serre à toutes les étapes de leur cycle de vie. Pour le big data et plus particulièrement durant la phase d’utilisation, ce sont  les équipements (notamment les objets connectés), les réseaux et les centres de données qui sont en cause.

Néanmoins, des solutions de réutilisation de l’énergie dégagée par les data center sont mises en place, à l’instar de Stimergy. Cette start-up a signé un partenariat avec la piscine de la Butte aux Cailles, dans le 13ème arrondissement de Paris, pour installer ses serveurs dans les sous-sols de l’établissement. Ainsi, leurs serveurs généreront, grâce à une chaudière spéciale, une partie de la chaleur nécessaire au chauffage d’un bassin de la piscine.

…et porte en lui de sérieuses dérives

Comparable à l’or noir de l’ère numérique, le big data peut dériver vers big brother à l’image de HAL, le terrifiant ordinateur à l’œil rouge qui accumulait toutes sortes de données et devinait tout dans le film (visionnaire) de Stanley Kubrick, 2001 L’Odyssée de l’espace.

Un exemple édifiant en Allemagne, en janvier 2012, où deux hackers ont démontré qu’il était possible d’intercepter les données transitant entre un compteur de nouvelle génération et la compagnie d’électricité nationale. Ils affirmaient être en mesure, après avoir analysé les données, de connaître le nombre d’ordinateurs ou de téléviseurs dans la maison, le programme de télévision regardé, et si le film DVD en cours de lecture était protégé ou non par un copyright.

Il est force de constater les possibles dérives car le big data charrie avec lui des questions de sécurité, de confidentialité et de vie privée. Mais également de santé : par exemple, certaines communes de France refusent l’installation de Linky (le compteur communicant d’EDF) à cause des ondes électromagnétiques produites par le compteur afin de communiquer les données.

Le big data permet de réduire la consommation énergétique tout en générant lui-même une demande énergétique croissante. Le défi est donc de veiller à ce que le coût écologique et environnemental du big data soit compensé par les progrès qu’il permet dans l’efficacité énergétique, et à ce que ses dérives soient limitées.

[1] http://ec.europa.eu/energy/en/topics/energy-efficiency

[2] http://www.schneider-electric.fr/sites/france/fr/solutions/energy_efficiency/efficacite-energetique.page

[3] http://www.fieec.fr/iso_album/dp_fieec_-_efficacite_energetique_des_batiments_-_sept_2011.pdf

[4] http://blog.ted.com/the-psychology-of-energy-savings-talking-behavioral-economics-with-alex-laskey-and-sendhil-mullainathan/

[5] https://lejournal.cnrs.fr/billets/le-big-data-est-il-polluant