Article technique

OUTIL D'AMÉLIORATION ÉNERGÉTIQUE DES BÂTIMENTS URBAINS INDIVIDUELS, DE L’INSTITUT DE VILLES DE NOUVELLE GÉNERATION

Abstract

L'un des segments les plus exigeants de la décarbonisation des bâtiments est la rénovation des bâtiments. C'est pourquoi l'Institut des villes de nouvelle génération (NGCI) a développé un outil de rénovation des bâtiments urbains, dans lequel tous les bâtiments sont simulés individuellement, en tenant compte d'aspects tels que l'ombrage ou les contiguïtés et en considérant autant de détails que possible. Pour évaluer l’impact de différentes solutions de décarbonation, trois scénarios avec différents niveaux d'ambition ont été mis en œuvre dans l'outil et les demandes résultant de ces scénarios ont été calculées, ainsi que les coûts d'investissement initiaux et les coûts opérationnels. Tous ces calculs ont permis de mettre en œuvre une stratégie détaillée de calcul du coût du cycle de vie (LCC). L'article décrit la structure robuste et évolutive qui a été développée dans le NGCI et l'application de cette structure pour calculer le coût du cycle de vie de différents scénarios de modernisation à Montréal. Les premiers résultats de la validation du concept sont présentés, et les différences avec la consommation de bâtiments réels sont mises en évidence.

Introduction

L'Institut des villes de nouvelle génération (NGCI) a pour objectif de créer des communautés écologiquement durables et agréables à vivre. Bien que les villes soient généralement l'échelle sur laquelle la plupart des recherches se concentrent, l'échelle qui représente le mieux la combinaison des objectifs de durabilité et d'habitabilité est celle des quartiers et des communautés, grâce à la création d'outils numériques.  Les outils numériques créent un monde virtuel de communautés durables pour tester et évaluer les stratégies de décarbonisation et leur impact sur l'habitabilité des quartiers, l'écrêtement des pointes de consommation d'énergie ou l'accès à la mobilité avant de passer à l'action et de dépenser de l'argent. L'un des segments les plus exigeants de la décarbonisation des bâtiments est la rénovation des bâtiments. Le secteur du bâtiment représente plus de 35 % de la consommation mondiale d'énergie et près de 38 % des émissions de CO2 si l'on tient compte de l'énergie intrinsèque (Programme et construction 2020). Les décisions que nous prenons concernant les bâtiments existants peuvent avoir un impact significatif sur les futures émissions de CO2. La rénovation est toujours une meilleure option que la reconstruction, en raison de la réduction des émissions de CO2 intrinsèques, mais un effort important doit être fait pour s'assurer qu'elle peut être attrayante pour toutes les parties prenantes. Selon des références récentes, le parc de bâtiments existants représentera 75 % des émissions de GES, tandis que les nouveaux bâtiments en représenteront 25 % (Tetteh et al., 2023). Au Canada, par exemple, le taux de remplacement des bâtiments anciens par des bâtiments neufs n'est que de 1 à 3 % par an (Zhang et al., 2021). Cependant, bien que l'objectif soit clair pour la plupart des politiciens et des pays, la modernisation massive et à grande échelle n'a pas lieu. Le manque d'informations détaillées sur le cycle de vie, qui permettrait d'évaluer l'impact de ces mesures (Prabatha et al. 2020), pourrait être l'une des raisons de cette absence de mise en œuvre.

L'outil de rénovation énergétique des bâtiments urbains du NGCI pourrait constituer une avancée grâce à son approche modulaire et évolutive, ainsi qu'à sa facilité d'application à n'importe quelle ville, compte tenu des ensembles de données réduits nécessaires à sa mise en œuvre dans le cadre d'une première approche approximative.

Modèles énergétiques pour les bâtiments urbains et les scenarios de rénovation

De nombreux logiciels pour simuler les performances d'un bâtiment dans un contexte urbain ont été développés ces dernières années. Cependant, la vraie question concernant ce type de logiciel est la capacité de mise à l’échelle, qui est réduite dans la plupart des cas. Pour une bonne évolutivité, une structure logicielle très complète doit être développée pour permettre l'évolution des ensembles de données et l'adaptation à différents outils tout en conservant une ontologie robuste. La structure développée dans le NGCI utilise deux composants fondamentaux : les modèles et les flux de travail. Les modèles calculent les propriétés et les comportements d'un système spécifique. Les flux de travail exécutent tous les modèles nécessaires à une simulation particulière. Le flux de travail doit préparer les données pour qu'elles correspondent à cette spécification, puis exécuter chaque modèle avec les données d'entrée dont il a besoin. Enfin, le flux de travail doit rassembler les données de sortie de chaque modèle pour générer les "résultats" de la simulation et mettre ces données de sortie à disposition.

Premier cas d’usage à Montréal

Dans le flux de travail des scénarios de rénovation, la ville de Montréal a été simulée dans son intégralité et quatre scénarios de rénovation ont été appliqués, y compris les coûts d'investissement et d'exploitation. Les principales décisions prises dans le cadre de ce travail ont été basées sur l'analyse énergétique, l'analyse de la rénovation et l'analyse économique. Les scénarios de rénovation décidés pour le premier flux de travail ont été établis comme un premier cas d'essai pour valider la méthodologie complète. Les quatre cas qui ont été développés dans le premier MVP du flux de travail sont les suivants : 0) Business as usual : statut actuel du bâtiment, avec sa peau, mais renouvellement des systèmes énergétiques une fois que sa durée de vie est terminée (avec la même performance que l'original). 1) Rénovation de l'enveloppe : l'enveloppe du bâtiment a été mise à jour en fonction de la législation en vigueur. 2) Optimisation des systèmes CVC + PV : une mise à jour des systèmes CVC aux meilleures technologies disponibles est effectuée, couplée à l'utilisation de la surface de toit disponible pour le PV, dans le cas où la surface ombragée est inférieure à 30 % de la surface totale. 3) Rénovation profonde : un scénario incluant les deux scénarios précédents

La première démonstration de faisabilité d'un calcul de rénovation pour une ville entière a été mise en œuvre sur l'île de Montréal. Le processus de nettoyage des données géospatiales a pris énormément de temps, notamment en raison de la qualité déficiente des ensembles de données d'entrée et du nettoyage nécessaire des données. Le jeu de données a été créé en combinant plusieurs jeux de données open-source fournis par Canmet, le gouvernement de la ville de Montréal et d'autres jeux de données (comme le geoindex de la ville de Laval). Plus de 5 sources de données ont été intégrés pour pouvoir s’assurer que le modèle physique soit représentatif de la réalité montréalaise. Néanmoins, nous verrons après que même avec un effort intense d’intégration, les résultats d’entré ne sont pas toujours ajustés avec la réalité. Un effort superieur d’homogeneisation des données est nécessaire si les villes veulent disposer d’outils comme la plateforme du NGCI.

Cependant, même si les jeux de données initiaux étaient assez complets, les différences de qualité et d'exhaustivité nous ont obligés à suivre certaines étapes nécessaires, comme (i) la division des empreintes dérivées du satellite sur la base des informations provenant des données parcellaires cadastrales de la ville, (ii) la correction des hauteurs des bâtiments à l'aide des données LiDAR, améliorant ainsi la précision de l'analyse et, en particulier, (iii) l'incorporation d'un algorithme pour détecter et nettoyer le chevauchement entre les bâtiments. Le résultat final intégré était une base de données geojson, avec les hauteurs corrigées des bâtiments, et un nombre important de caractéristiques de chacun des bâtiments (millésime, fonction, parmi une liste de plus de 250 fonctions, nombre de ménages, nombre d'étages). Cette base de données geojson a finalement été affinée avec une méthodologie permettant de reconnaître les murs voisins, en 2D et en 3D.

Comme nous l'avons mentionné, l'un des aspects clés du développement d'un modèle énergétique urbain ascendant est le développement d'archétypes aussi proches que possible de la réalité. Les archétypes choisis pour Montréal sont basés sur les développements de Canmet pour l'outil BTAP, qui hérite d'une grande partie du travail effectué par le NREL.

La première étape de notre plateforme consiste à capturer les jeux de données geojson (la plateforme peut également capturer les jeux de données CityGML, 3ds et obj). Une fois les données capturées, un modèle 3D extrudé de la ville, avec ses bâtiments et les murs avoisinants, est créé. Il s'agit de l'instance de la ville qui sera utilisée pour les simulations. L’étape (factory) de géométrie remplit les bâtiments en se basant sur les empreintes et les données de hauteur des bâtiments. Cependant, l’étape de géométrie capture l'enveloppe extérieure des bâtiments, ce qui surdimensionne généralement la surface réelle des bâtiments. Cette surface doit être corrigée par certains facteurs. La meilleure façon de la corriger est de disposer de données disponibles auprès des municipalités concernant les surfaces réelles des bâtiments, à partir des ensembles de données cadastrales ou fiscales. Dans l’étape de données urbaines, nous saisissons les ensembles de données existants et nous incorporons les valeurs pour corriger et ajuster les résultats, en fonction de la différence entre la surface calculée par le processus de l'ensemble de données géométriques et la surface réelle obtenue à partir de sources municipales ou gouvernementales dignes de confiance.

La deuxième étape est l'étape de construction. L’étape de construction développée dans le hub a utilisé les jeux de données du BTAP (OpenStudioStandards2023 2023), assignant chaque bâtiment a un archétype en fonction de sa utilisation. Cependant, la quantité limitée d'informations disponibles nous a poussés à rechercher d'autres jeux de données, tels que (Charbonneau 2011) ou (Decarbonizing Canada Large 2021). Dans la construction, nous avons inclus les pertes par infiltration et les ponts thermiques. Pour l'infiltration, la source principale a été le CNÉB, bien que des données provenant de jeux de données privés Energuide et (Charbonneau 2011) aient été utilisées pour ajuster les valeurs. Les ponts thermiques ont un effet significatif sur les pertes de chaleur des bâtiments, en particulier dans les bâtiments multi logement (IRLM) avec un grand nombre de balcons, ce qui nous a poussé à augmenter d'un certain pourcentage, en fonction du millésime, la valeur U des murs dans les IRLM. Lorsque les bâtiments LOD3 seront incorporés, une analyse plus détaillée sera mise en œuvre.

L'étape d'utilisation utilise directement le Code national de l'énergie pour les bâtiments du Canada, qui utilise des profils fixes pour chacun des bâtiments.

Pour l’étape de systèmes HVAC, nous avons utilisé les rénovations de l'air des profils du code de construction de Québec, avec récupération de chaleur dans les bâtiments à partir de 2011. Dans le cas de l'étape HVAC, une méthodologie pour alimenter de manière aléatoire l'étape de systèmes énergétiques a été mise en œuvre. Cette méthodologie a établi une séparation entre les bâtiments résidentiels, les bâtiments commerciaux et les bâtiments institutionnels. Le bilan annuel de chacun des secteurs a été utilisé pour répartir les bâtiments entre la consommation de gaz et la consommation d'électricité (Bilan énergie Montréal par secteurs, 2015). En ce qui concerne les typologies de systèmes, l'équivalence du CMNÉB (Canada 2022) a été utilisée.

Les données de coûts utilisées pour les différents sous-chapitres du cas de Montréal ont été basées sur (AECOM 2017), et adaptées à la monnaie locale et aux augmentations du prix des matériaux depuis l'édition du livre. Nous sommes conscients des limites de l'utilisation de références mondiales pour les coûts locaux, mais en première approximation, nous pensons que les valeurs sont réalistes.

Dans le cas de Montréal, le flux de travail des coûts de rénovation a été mis en œuvre avec certains paramètres économiques définis concernant le nombre d'années pour l'analyse des coûts du cycle de vie, l'indice des prix à la consommation, l'indice d'augmentation des prix de l'électricité et du gaz, le prix du CO2 et le taux d'actualisation.

Les résultats ont été stockés dans une base de données PostgreSQL, avec une première table qui définit les ensembles de données d'entrée utilisés pour le calcul, et une deuxième table qui stocke les demandes mensuelles de chauffage, de refroidissement et d'eau chaude domestique ainsi que la consommation d'énergie mensuelle consacrée à la couverture des demandes de chauffage, de refroidissement, d'eau chaude domestique, des appareils, de l'éclairage et de la distribution et de l'émission HVAC.

Premiers résultats et validation du processus

Après les résultats des premières simulations, nous avons analysé en détail l’origine des différences entre la consommation simulée et la consommation réelle. Les sources de l’erreur ont été analysés de deux point de vue: données d’entré et hypothèses de simulation. Dans une première étape, l’analyse s’est concentrée sur les divergences en superficie calculé par notre outil, sur la base des différentes sources de données géospatiales de la ville (CityGML, geojson et données évaluation foncière), et les divergences en consommation par mètre carré.

Nous avons analysé les données par rapport à trois groupes de bâtiments : maisons unifamiliales/duplex, bâtiments publics et bâtiments multi logement.

Maisons unifamiliales/duplex

Nous avons d’abord évalué la validité du processus dans deux grands secteurs de bâtiments unifamiliales/duplex de Montréal : le premier est dans la Pointe-Saint-Charles (entre les rues Wellington, Ash, Leber et Congrégation), avec une majorité de bâtiments construits avant 1946, et le deuxième est à Saint Leonard (entre boulevard Langelier, boulevard Robert, rue de Guyenne et rue Louis Sicard), avec des bâtiments des années 1960-1990.

L’utilisation de l’outil ColouringMontreal, développé par l’équipe du NGCI dans l’initiative ColouringCities, nous aide aussi à détecter les meilleurs quartiers à analyser.

 Figure 1: Deux zones choisies pour bâtiments unifamiliales/duplex

Les résultats par rapport à la superficie de bâtiments calculé montrent que les données d’entré à la simulation donnent des valeurs supérieures aux valeurs réels, obtenus à travers des données d’évaluation foncière. Le fait que la méthodologie capture le volume 3d extérieure incorpore des erreurs comme de surestimation de la superficie des deuxièmes étages ou l’incorporation de volumes extérieurs partiellement couverts dans l’analyse.

Nous avons filtré les logements, et nous avons 500 bâtiments. Entre ces bâtiments, nous voyons à la Figure 1 que la moyenne de superficie calculé avec les modèles est un 60% plus élevé que les valeurs extraites des données foncières.

Par rapport à la consommation individuelle des bâtiments, nous n’avons pas accès aux données réels de ces bâtiments et nous les avons, donc, comparés aux valeurs de la moyenne de bâtiments unifamiliales pour Québec. Nous savons que nous introduisons un certain biais, à cause des différentes météorologies de Québec, mais cette analyse nous permet de voir la distance que nous avons entre les bâtiments simulés et réels, en ce cas par mètre carré. Nous avons groupé les bâtiments par les mêmes groupes qui existent dans le document de la Base de données nationale de consommation énergétique[1], et extrait de nos simulations les données de consommation de chaleur et eau chaude sanitaire, pour pouvoir les comparer avec. La quantité de données pour les bâtiments de plus tard de 1977 n’est pas trop élevé (moins d’un 5% des bâtiments), mais la tendance nous montre que les valeurs obtenues pour l’outil, par rapport à la consommation spécifique par mètre carré, sont très alignés avec la consommation statistique.

Bâtiments tertiaires

Pour les bâtiments du secteur tertiaire, nous avons analysé la liste de bâtiments publiées par la ville de Montréal et leurs consommations[2]. Nous avons évalué 11 de ces bâtiments par rapport a sa superficie et a sa consommation. Par rapport à la superficie, on voit de résultats inégales. Les différences sont importantes, et en générale nous observons que l’utilisation des modèles 3d extraits des données de la ville nous donne un 30% plus de superficie que les données publiés par la Ville.

Par rapport à la consommation énergétique (énergie finale), avec la liste de la municipalité, nous comparons les résultats. Nous observons que dans certains cas la différence est importante, mais à niveau d’ordre de magnitude, nous sommes assez alignés. L’impact de la météorologie a été analysé (données HQ pour la station météorologique de MacTavish à Montréal par rapport au fichier epw utilisé[3]) et, a niveaux de dégrées jour, l’impact est de moins d’un 5%.

Bâtiments multi logement

Nous avons un set de données privés d’Hydro-Québec avec une liste de bâtiments multi logement. Même si nous n’avions pas le détail des métadonnées des bâtiments, nous disposons du numéro de logements par bâtiment. Avec le numéro de logements, nous avons multiplié par la moyenne de superficie des appartements à Montréal[4]. Dans ce cas, pour des questions de privacité, l’adresse des bâtiments a été effacé. La superficie des bâtiments, avec une exception (bâtiment unifié à niveau physique mais avec 2 adresses) est assez proche aux valeurs considérées.

Les consommations énergétiques ont été groupes par id de bâtiment. Les résultats, dans ce cas-là, montrent qu’il y a une différence importante entre les simulations et les valeurs réelles. Avec une analyse plus détaillée, nous constatons que la consommation des bâtiments plus âgés est trop basse, et nous pouvons faire l’hypothèse qu’ils ont des systèmes qui marchent partiellement avec du gaz. Même si ça peut expliquer une partie de la différence, Il convient d'approfondir les raisons de la différence entre la consommation réelle et la consommation estimée dans les immeubles multi-résidentiels.

Conclusions résultats et étapes suivantes

Après avoir évalué les résultats et les comparé avec des données réelles et statistiques, nous observons que l’ordre de magnitude des hypothèses d’entré et les résultats est aligné avec les consommations réelles. Mais il y a encore des différences, surtout dans certain type de bâtiments, par rapport à la superficie et à la consommation. Une première analyse nous pousse vers deux solutions :

• Appliquer une correction de la superficie des bâtiments, une fois simulé, en utilisant les valeurs des données d’évaluation foncière
• Améliorer le modèle d’infiltration, en incorporant le modèle d’infiltration NIST, soutenus par les travaux publiés par (Ng et al, 2021).

Pour peaufiner les modèles, nous avons besoin d’avoir accès aux données beaucoup plus détaillés à niveau temporaire des bâtiments, spécialement dans le secteur tertiaire. Dans les prochains mois, une initiative pour capturer des données de la ville de Montréal et les évaluer avec les outils de Concordia sera mise en place, en collaboration avec la ville, Hydro Québec, Energir, le ministère de l’Environnement, de la Lutte contre les Changements Climatiques, de la Faune et des Parcs, et Concordia.

Visualisation et résultats

À niveau économique, les résultats sont montrés dans la plateforme Citylayers, sous la forme d'un écran contextuel de visualisation clair, qui affiche un graphique radar qualitatif montrant la meilleure option en fonction de différents paramètres et critères, ainsi que des indicateurs numériques clairs, comparant les différents scénarios.

 Figure 7: Interface utilisateur Citylayers / Building retrofit tool

En conclusion, le nouvel ensemble d'outils de simulation des bâtiments urbains de NGCI permet d'effectuer une analyse rapide des coûts et des émissions de carbone de chaque bâtiment d'une ville. Basés sur des archétypes pour différentes utilisations des bâtiments, les modèles permettent de comparer différents choix de rénovation. Nous espérons ainsi soutenir et accélérer les actions de décarbonisation de l'environnement bâti municipal.

[1] https://oee.nrcan.gc.ca/organisme/statistiques/bnce/apd/showTable.cfm?type=CP&sector=res&juris=qc&year=2020&rn=33&page=0

[2] https://donnees.montreal.ca/dataset/consommation-emissions-batiments-municipaux

[3] https://energyplus.net/weather-location/north_and_central_america_wmo_region_4/CAN/PQ/CAN_PQ_Montreal.Intl.AP.716270_CWEC

[4] https://dailyhive.com/montreal/montreal-apartment-size-borough