L'apprentissage automatique peut soutenir la planification urbaine pour l'utilisation de l'énergie

L’apprentissage automatique peut soutenir la planification urbaine pour l’utilisation de l’énergie

Organigramme pour le développement de modèles commerciaux avec l’ensemble de données de l’enquête sur la consommation d’énergie des bâtiments commerciaux (CBECS) et la base de données CoStar comme entrées de données. Puissance étiquetée en kilowattheure annuel (kWh). Crédit: Énergie et Bâtiments (2023). DOI : 10.1016/j.enbuild.2023.112965

Alors que Philadelphie s’efforce d’atteindre les objectifs d’émissions de gaz à effet de serre établis dans son plan 2050, une meilleure compréhension de la façon dont le zonage peut jouer un rôle dans la gestion de la consommation d’énergie des bâtiments pourrait permettre à la ville de réussir. Les chercheurs du College of Engineering de l’Université de Drexel espèrent qu’un modèle d’apprentissage automatique qu’ils ont développé pourra soutenir ces efforts en aidant à prédire comment la consommation d’énergie changera à mesure que les quartiers évoluent.

En 2017, la ville s’est fixé pour objectif de devenir neutre en carbone d’ici 2050, en grande partie grâce à une réduction des émissions de gaz à effet de serre provenant de la consommation d’énergie des bâtiments, qui représentaient à l’époque près des trois quarts de l’empreinte carbone de Philadelphie. Mais la clé pour atteindre cet objectif ne réside pas seulement dans l’établissement de pratiques d’utilisation durable de l’énergie pour les bâtiments actuels, mais également dans l’intégration de projections d’utilisation d’énergie dans les décisions de zonage qui orienteront le développement futur.

Et le défi pour Philadelphie, l’une des plus anciennes villes du pays, est que les types de bâtiments varient considérablement, tout comme leur consommation d’énergie. Ainsi, la planification d’une utilisation plus efficace de l’énergie au niveau de la ville n’est pas un problème avec une solution unique.

« Pour Philadelphie en particulier, les quartiers varient tellement d’un endroit à l’autre en termes de prévalence de certaines caractéristiques de logement et de types de zonage qu’il est important de personnaliser les programmes énergétiques pour chaque quartier, plutôt que d’essayer d’adopter des politiques générales de réduction des émissions de carbone dans toute la ville ou le comté. « , a déclaré Simi Hoque, Ph.D., professeur au College of Engineering qui a dirigé des recherches sur l’utilisation de l’apprentissage automatique pour la modélisation granulaire de l’utilisation de l’énergie récemment publiées dans la revue Énergie et Bâtiments.

L’équipe de Hoque pense que les programmes d’apprentissage automatique existants, correctement déployés, peuvent fournir des éclaircissements sur la manière dont les décisions de zonage pourraient affecter les futures émissions de gaz à effet de serre des bâtiments.

« À l’heure actuelle, il existe un énorme volume de données sur la consommation d’énergie, mais elles sont souvent trop incohérentes et désordonnées pour être raisonnablement utilisées. Par exemple, un ensemble de données correspondant à certaines caractéristiques du logement peut avoir des estimations d’énergie utilisables, mais un autre ensemble de données correspondant à fonctionnalités manquent trop de valeurs pour être utilisables », a-t-elle déclaré.

« L’apprentissage automatique est bien équipé pour relever ce défi car il peut apprendre et s’améliorer de manière itérative tout au long du processus de formation afin de réduire les biais et la variance malgré ces limitations de données. »

Pour glaner des informations à partir des données disjointes, l’équipe a développé un processus utilisant deux programmes d’apprentissage automatique : un qui peut démêler des modèles à partir de tranches massives de données et les utiliser pour faire des projections sur l’énergie future et un second qui peut identifier les détails du modèle. qui a probablement eu le plus grand effet sur la modification des projections.

Ils ont d’abord formé un programme d’apprentissage en profondeur, appelé Extreme Gradient Boosting (XGBoost), avec des volumes de données sur la consommation d’énergie commerciale et résidentielle pour Philadelphie provenant de l’enquête sur la consommation d’énergie résidentielle et de l’enquête sur la consommation d’énergie des bâtiments commerciaux de l’US Energy Information pour 2015, ainsi que les données démographiques et socio-économiques de la ville provenant de l’enquête sur les communautés américaines du US Census Bureau pour cette période.

Le programme a suffisamment appris des données pour pouvoir établir des corrélations entre une longue liste de variables, telles que la densité des bâtiments, la population d’une zone donnée, la superficie en pieds carrés du bâtiment, le nombre d’occupants, le nombre de jours d’utilisation du chauffage ou de la climatisation, et la consommation d’énergie de chaque maison ou bâtiment.

Alors que les modèles d’apprentissage en profondeur comme XGBoost sont très utiles pour faire des prévisions éclairées, étant donné un ensemble de données important et incohérent, leurs méthodes peuvent être obscurcies par la complexité des opérations qu’ils effectuent. Mais pour être un outil utile pour guider les planificateurs, l’équipe devait décompresser suffisamment le programme dit de la « boîte noire » pour transformer ses projections en recommandations.

Pour ce faire, ils ont utilisé une analyse des explications additives de Shapley, une évaluation utilisée dans la théorie des jeux pour répartir le crédit entre les facteurs qui ont contribué à un résultat. Cela leur a permis de déterminer dans quelle mesure un changement dans la densité des bâtiments ou la superficie en pieds carrés, par exemple, était pris en compte dans la projection du programme.

« Les modèles d’apprentissage automatique comme XGBoost apprennent à parcourir des ensembles de données pour accomplir une tâche spécifique, comme générer une prévision fiable d’un système, mais ils ne prétendent pas vraiment comprendre ou représenter les relations sur le terrain qui sous-tendent un phénomène », dit Hoque. « Et bien qu’une analyse de Shapley ne puisse pas nous dire quelles caractéristiques ont le plus grand impact sur la consommation d’énergie, elle peut expliquer quelles caractéristiques ont le plus d’impact sur la prédiction de la consommation d’énergie du modèle, ce qui reste une information très utile. »

Ensuite, l’équipe a mis le modèle à l’épreuve en fournissant des données d’entrée à partir d’un scénario hypothétique proposé par la Commission de planification régionale de la vallée du Delaware qui a estimé la poursuite du développement économique à Philadelphie jusqu’en 2045. Le scénario a suggéré une augmentation de la population de 17 % avec une augmentation proportionnelle de ménages, et il présente un certain nombre de possibilités d’emploi et de revenu différentes par région dans toute la ville.

Pour chaque scénario, le modèle a projeté comment les nouveaux développements résidentiels et commerciaux modifieraient les émissions de gaz à effet de serre provenant de la consommation d’énergie des bâtiments dans 11 parties différentes de la ville et quelles variables ont joué un rôle important dans la réalisation des projections.

En examinant spécifiquement la consommation d’énergie résidentielle pour le scénario 2045, le programme a suggéré que six des 11 zones réduiraient leur consommation d’énergie, principalement les régions à faible revenu. Alors que les régions à revenus mixtes, comme la partie la plus au nord de la ville, y compris Oak Lane, verraient probablement une augmentation de la consommation d’énergie.

Selon l’analyse de Shapley, la présence d’habitations unifamiliales attenantes (faible consommation d’énergie) par rapport aux maisons isolées (consommation d’énergie plus élevée) a joué un rôle important dans les projections, avec des coûts d’électricité mensuels élevés, des lots de moins d’un acre et des nombre de pièces par bâtiment, tous contribuant à réduire les prévisions de consommation d’énergie.

« Dans l’ensemble, le modèle de prédiction de l’énergie résidentielle révèle que les caractéristiques liées à une intensité de bâtiment plus faible sont liées à des estimations de consommation d’énergie plus faibles dans le modèle, par exemple une superficie de terrain plus faible, un nombre de pièces par unité inférieur », ont-ils écrit. « Ces résultats donnent des raisons de réexaminer les effets des politiques de zonage, couramment présentées comme une solution de logement abordable à Philadelphie et dans d’autres villes des États-Unis, et les changements ultérieurs de la consommation d’énergie dans ces zones. »

Du côté commercial du scénario, le modèle d’apprentissage automatique n’a pas prévu beaucoup de changement dans la consommation d’énergie dans les conditions de 2045 – la consommation d’énergie pour les plus grands bâtiments commerciaux est restée élevée. Et bien qu’il se soit limité à examiner seulement six variables – la superficie en pieds carrés, le nombre d’employés, le nombre d’étages, les degrés-jours de chauffage, les degrés-jours de climatisation et l’activité principale du bâtiment – en raison des données disponibles dans l’ensemble de formation, le L’analyse de Shapley a indiqué que la superficie des bâtiments et le nombre d’employés étaient les indicateurs les plus importants de la consommation d’énergie pour la plupart des types de bâtiments commerciaux.

« En ce qui concerne le secteur commercial, l’étude suggère que les bâtiments commerciaux dans les quantiles supérieurs de superficie et de nombre d’employés devraient être les principales cibles des programmes de réduction d’énergie », ont écrit les auteurs. « La recherche pose un seuil approximatif de 10 000 pieds carrés de surface totale de construction, les bâtiments au-dessus de ce marqueur étant prioritaires en raison de leur influence disproportionnée sur la prédiction énergétique du modèle. »

Bien que les chercheurs mettent en garde contre l’hypothèse d’un lien direct entre les variables et les changements d’utilisation de l’énergie dans le modèle, ils suggèrent qu’il est toujours très utile en raison de sa capacité à donner aux planificateurs un aperçu à la fois de haut niveau et granulaire de l’interaction des décisions de zonage et du développement. et leur effet sur la consommation d’énergie.

« Je vois beaucoup de potentiel dans l’utilisation de modèles d’apprentissage automatique comme XGBoost pour prévoir les augmentations ou les diminutions de la consommation d’énergie en raison de nouveaux projets de construction ou de changements de politique », a déclaré Hoque. « Par exemple, la construction d’une nouvelle ligne ferroviaire dans un quartier peut modifier la démographie et l’emploi d’un quartier, et nos méthodes seraient idéales pour incorporer ces informations dans le contexte d’un modèle de prédiction énergétique. »

L’équipe reconnaît que davantage de tests sont nécessaires et que le programme ne fera que s’améliorer à mesure qu’il recevra des données supplémentaires. Ils suggèrent qu’une prochaine étape de la recherche consisterait à se concentrer sur les zones de la ville à forte consommation d’énergie connue et à effectuer une analyse Shapely pour discerner certains des facteurs qui pourraient y contribuer.

« Nous espérons que cela fournira une ressource aux futurs chercheurs et décideurs afin qu’ils n’aient pas à parcourir toute la ville de Philadelphie, mais qu’ils puissent se concentrer sur les quartiers et les variables que nous avons signalés comme des domaines d’importance potentielle », a déclaré Hoque. . « Idéalement, les études futures utiliseraient des méthodes plus interprétables pour tester si ces caractéristiques correspondent vraiment à des estimations d’énergie plus élevées ou plus faibles dans une zone donnée. »