Application of clustering technique for the segmentation of building stocks to renovate

Application de techniques de clustering pour la segmentation de parcs de bâtiments à rénover

Yunseok Lee (1, 2) , Pierre Boisson (1) , Mathieu Rivallain (1) , Olivier Baverel (3, 4, 5, 6)

1 CSTB - Centre Scientifique et Technique du Bâtiment
2 UPE - Université Paris-Est
3 navier umr 8205 - Laboratoire Navier
4 ENPC - École des Ponts ParisTech
5 IFSTTAR - Institut Français des Sciences et Technologies des Transports, de l'Aménagement et des Réseaux
6 CNRS - Centre National de la Recherche Scientifique

The development of energy renovation strategies at the scale of an existing stock requires to model all buildings, taking into account the available information. Modeling approaches traditionally employ typologies regularly based on observable or known construction characteristics of buildings. But it is difficult to establish correlations between energy performance and these descriptive typologies. The aim of this contribution is to develop a building stock segmentation approach based on machine learning techniques. Different clustering algorithms have been applied to a real database of French homes. Their parameterization and the selection of the number of clusters were studied in order to assess the relevance of this approach. This first application gives encouraging results to segment a building stock according to descriptive but also performance criteria (such as energy consumption, energy savings and investment costs related to refurbishment scenarios).

L'élaboration de stratégies de rénovation énergétique à l'échelle d'un parc existant nécessite de modéliser l'ensemble des bâtiments, en tenant compte de l'information disponible. Les approches de modélisation recourent traditionnellement à des typologies, régulièrement fondées sur les caractéristiques constructives connues ou observables des bâtiments. Or il s'avère difficile d'établir des corrélations entre les performances énergétiques et ces typologies descriptives. L'objectif de cette contribution vise à développer une approche de segmentation du parc fondée sur des techniques d'apprentissage automatique. Différents algorithmes de clustering ont été appliqués sur une base de données réelle de logements français. Leur paramétrisation et le choix du nombre de clusters, ont été étudiés en vue d'apprécier la pertinence de cette approche. Cette première application donne des résultats encourageants pour segmenter un parc de bâtiments selon des critères descriptifs mais aussi performanciels (consommations ou économies d'énergie, couts d'investissement liés à des scénarios de réhabilitation). MOTS-CLÉS : parcs de bâtiments, clustering, performance énergétique

Mots clés: building stock; clustering; energy performance

Mots clés: parcs de bâtiments; performance énergétique

Domaines: Génie civil; Réhabilitation; Construction durable; Machine Learning [stat.ML]; Sciences de l'ingénieur [physics]

Yunseok Lee, Pierre Boisson, Mathieu Rivallain, Olivier Baverel. Application of clustering technique for the segmentation of building stocks to renovate. Conférence IBPSA 2016 , May 2016, Champs-sur-Marne, France. ⟨hal-01769069⟩