Chapitre 12 : Gestion de l’Incertitude et de la Précision dans les Résultats de M&V

Gestion de l’Incertitude et de la Précision dans les Résultats de M&V

Il est essentiel de reconnaître que la M&V, bien qu’elle s’efforce de fournir des chiffres d’économies d’énergie précis et vérifiables, est intrinsèquement soumise à une certaine incertitude. Ce chapitre va explorer en profondeur cette notion, ses origines, les moyens de la quantifier et de la minimiser, et surtout, l’importance de communiquer clairement cette incertitude pour une interprétation réaliste des résultats.

Définition de l’Incertitude et de la Précision en M&V

Avant d’aller plus loin, il est important de distinguer clairement incertitude et précision, deux termes souvent confondus mais distincts :

• Incertitude : L’incertitude caractérise l’étendue des valeurs possibles que peut prendre une grandeur mesurée ou calculée. Elle exprime le manque de certitude quant à la valeur “vraie” de l’économie d’énergie. L’incertitude est souvent exprimée sous forme d’un intervalle (par exemple, économies de 10% ± 5%) ou en pourcentage (par exemple, incertitude de ± 10%).
• Précision : La précision décrit le degré de finesse d’une mesure ou d’un calcul. Un instrument de mesure précis donne des lectures avec une faible dispersion autour de la valeur moyenne. Dans le contexte de la M&V, la précision peut se référer à la résolution des instruments de mesure, à la finesse des modèles de simulation, ou au niveau de détail des données collectées. Attention : Précision n’est pas synonyme d’exactitude. On peut avoir une mesure très précise (faible dispersion) mais inexacte (éloignée de la valeur vraie) si l’instrument est mal calibré ou s’il existe un biais systématique.

En M&V, notre objectif est d’atteindre à la fois une bonne précision (mesures fines et répétables) et une faible incertitude (estimation fiable et proche de la valeur réelle des économies).

Sources d’Incertitude en M&V

L’incertitude en M&V provient de multiples sources, que l’on peut regrouper en grandes catégories :

1. Incertitudes liées aux Instruments de Mesure :

   • Précision et résolution limitées des instruments : Tout instrument de mesure a une précision et une résolution limitées, définies par le fabricant. Cette imprécision intrinsèque introduit une incertitude dans les données collectées.
   • Erreurs de calibration et dérive : Les instruments peuvent être mal calibrés au départ, ou se décalibrer avec le temps (dérive). Cela introduit des erreurs systématiques dans les mesures. La calibration périodique est essentielle pour minimiser cet effet.
   • Erreurs de lecture et de relevé : Des erreurs humaines peuvent se produire lors de la lecture manuelle des compteurs ou de la transcription des données. Les systèmes de télérelève automatisés peuvent réduire ce type d’erreur.
   • Erreurs de placement des capteurs : Un capteur mal positionné (par exemple, un capteur de température trop proche d’une source de chaleur) peut fournir des mesures non représentatives de la grandeur que l’on souhaite réellement mesurer (par exemple, la température ambiante moyenne d’une pièce).

2. Incertitudes liées aux Données Collectées :

   • Qualité et complétude des données de facturation : Les factures d’énergie peuvent contenir des erreurs (erreurs de lecture des compteurs, erreurs de facturation, estimations), être incomplètes (périodes manquantes), ou avoir une granularité limitée (facturation mensuelle alors que des variations plus fines seraient souhaitables).
   • Lacunes et erreurs dans les données de sous-comptage et de capteurs : Des données de sous-comptage ou de capteurs peuvent être manquantes (pannes de communication, problèmes d’enregistrement), erronées (défauts de capteurs, erreurs de transmission), ou bruitées (fluctuations aléatoires).
   • Représentativité des données d’occupation et d’activité : Les données d’occupation (nombre d’occupants, horaires) et d’activité (niveau de production) sont souvent estimées ou basées sur des données agrégées. Ces estimations peuvent être imprécises et ne pas refléter parfaitement les variations réelles.
   • Variabilité naturelle de la consommation énergétique : Même en l’absence de projet, la consommation énergétique d’un bâtiment fluctue naturellement en fonction du climat, de l’occupation, de l’activité, de facteurs aléatoires (comportements des occupants, événements ponctuels). Cette variabilité intrinsèque rend plus difficile l’isolement de l’impact des mesures d’efficacité énergétique.

3. Incertitudes liées aux Hypothèses de Calcul et aux Méthodes d’Analyse :

   • Simplifications des modèles de calcul : Les modèles de calcul des économies (notamment en Options A et B) reposent souvent sur des simplifications et des hypothèses (par exemple, hypothèse de linéarité, estimations forfaitaires). Ces simplifications introduisent des écarts par rapport à la réalité.
   • Choix de la période de référence : Le choix de la période de référence peut influencer les résultats. Une période de référence qui n’est pas parfaitement représentative de la consommation “typique” avant projet peut introduire un biais.
   • Méthodes d’ajustement de la ligne de base : Les méthodes d’ajustement de la ligne de base (ajustements climatiques, etc.) sont des approximations. Il existe différentes méthodes possibles, et le choix d’une méthode plutôt qu’une autre peut influencer les résultats et l’incertitude associée.
   • Hypothèses sur les facteurs non mesurés : En Option A, certains paramètres ne sont pas mesurés mais estimés (par exemple, les heures d’utilisation). La pertinence de ces estimations influence la précision des résultats.
   • Limitations des logiciels de simulation (Option D) : Même les logiciels de simulation énergétique les plus sophistiqués reposent sur des modèles physiques simplifiés et des algorithmes numériques qui introduisent une certaine approximation. La calibration du modèle vise à réduire cette approximation, mais ne la supprime pas totalement.

4. Incertitudes liées aux Facteurs d’Ajustement :

   • Qualité des données des facteurs d’ajustement : Les données utilisées pour les ajustements (données climatiques, données d’occupation, données de production) sont elles-mêmes sujettes à incertitude (précision des stations météo, estimations d’occupation, etc.).
   • Pertinence des indicateurs d’ajustement : Les indicateurs choisis pour les ajustements (DJC/DJR, indicateurs de production) peuvent ne pas parfaitement capturer l’influence réelle des facteurs externes sur la consommation. La relation entre consommation et facteurs externes peut être complexe et non linéaire.
   • Choix de la méthode d’ajustement : Le choix de la méthode d’ajustement (normalisation par ratio, régression, etc.) influence l’incertitude résiduelle. Des méthodes plus simples peuvent introduire une plus grande incertitude que des méthodes plus sophistiquées.

Quantification de l’Incertitude

Il est important de quantifier l’incertitude associée aux résultats de la M&V, plutôt que de simplement l’ignorer ou de la minimiser. La quantification de l’incertitude permet de :

• Communiquer de manière réaliste sur la fiabilité des résultats.
• Évaluer la robustesse des conclusions et des décisions basées sur la M&V.
• Identifier les sources d’incertitude les plus importantes et prioriser les efforts pour les réduire.
• Comparer différents projets de M&V en tenant compte de leur niveau d’incertitude.

Méthodes courantes pour quantifier l’incertitude :

1. Analyse de Sensibilité :

   • Principe : Faire varier les paramètres clés et les hypothèses de calcul dans une plage de valeurs raisonnables (correspondant à l’incertitude estimée sur ces paramètres) et observer l’impact sur les résultats des économies d’énergie.
   • Objectif : Identifier les paramètres qui ont le plus d’influence sur l’incertitude globale. Déterminer la sensibilité des résultats aux hypothèses de calcul.
   • Méthodes : Analyse “one-at-a-time” (faire varier un paramètre à la fois), analyses de scénarios (combinaisons de valeurs de paramètres), méthodes statistiques (par exemple, méthode de Monte Carlo).

2. Calcul de l’Incertitude Propagée (Propagation d’Erreurs) :

   • Principe : Estimer l’incertitude (souvent sous forme d’écart-type ou d’intervalle de confiance) associée à chaque donnée d’entrée (mesures, estimations, paramètres de modèles). Utiliser des méthodes mathématiques (propagation des incertitudes) pour calculer l’incertitude résultante sur les économies d’énergie.
   • Objectif : Obtenir une estimation quantitative de l’incertitude globale, en tenant compte de la combinaison des incertitudes de différentes sources.
   • Méthodes : Formules de propagation d’incertitudes basées sur le calcul différentiel, méthodes de simulation (Monte Carlo). Peut être complexe à mettre en œuvre en pratique.

3. Analyse Statistique des Données :

   • Régressions Linéaires et Intervalles de Confiance : Lorsque des modèles de régression linéaire sont utilisés pour les ajustements, les statistiques de la régression (intervalles de confiance des coefficients, erreur standard de la régression) peuvent fournir des informations sur l’incertitude associée aux ajustements et aux économies calculées.
   • Analyse des Résidus (pour la calibration des modèles – Option D) : L’analyse statistique des résidus (erreurs entre les valeurs simulées et les valeurs réelles) lors de la calibration des modèles de simulation permet d’évaluer la qualité de la calibration et l’incertitude résiduelle du modèle. Les indicateurs comme le CV-RMSE (Coefficient of Variation of the Root Mean Squared Error) fournissent une mesure de cette incertitude.

4. Jugement d’Expert et Expérience :

   • Estimation qualitative de l’incertitude : Dans certains cas, une quantification précise de l’incertitude peut être complexe ou impossible. Le jugement d’experts (ingénieurs, spécialistes de la M&V) basé sur leur expérience et leur connaissance du projet peut permettre d’estimer qualitativement le niveau d’incertitude (par exemple, incertitude faible, modérée, élevée).
   • Utilisation de valeurs par défaut et de marges de sécurité : Dans certaines situations (notamment en phase de conception ou pour des estimations préliminaires), il peut être approprié d’utiliser des valeurs par défaut pour certains paramètres et d’appliquer des marges de sécurité conservatrices pour tenir compte de l’incertitude.

Il est important de choisir une méthode de quantification de l’incertitude adaptée à la complexité du projet, aux ressources disponibles, et aux objectifs de la M&V. Même une estimation qualitative de l’incertitude est préférable à l’absence totale de considération de ce facteur.

Stratégies pour Minimiser l’Incertitude

Bien que l’incertitude soit inhérente à la M&V, il existe de nombreuses stratégies pour la minimiser et améliorer la précision et la fiabilité des résultats :

1. Utiliser des Instruments de Mesure Précis et Calibrés :

   • Choisir des instruments avec une classe de précision adaptée aux exigences du projet.
   • Privilégier les instruments de qualité, fiables et robustes.
   • Mettre en place un programme de calibration et de vérification périodique des instruments.
   • Conserver les certificats de calibration et documenter les procédures.

2. Mettre en Œuvre des Protocoles de Collecte de Données Rigoureux :

   • Définir précisément les points de mesure et documenter leur localisation.
   • Établir des procédures claires et standardisées pour le relevé et l’enregistrement des données.
   • Utiliser des systèmes de télérelève automatisés pour réduire les erreurs de relevé manuel.
   • Former le personnel chargé de la collecte des données.
   • Mettre en place des contrôles qualité des données (validation, détection des anomalies).

3. Valider et Nettoyer les Données Collectées :

   • Effectuer des contrôles de cohérence et de plausibilité des données.
   • Identifier et corriger les erreurs de saisie et de transmission.
   • Détecter les valeurs aberrantes et les anomalies (et les investiguer).
   • Gérer les données manquantes (estimation, interpolation, exclusion – avec prudence et documentation).
   • Croiser les données de différentes sources (si possible).

4. Choisir des Méthodes de Calcul et d’Ajustement Adaptées :

   • Sélectionner des méthodes de calcul et d’ajustement (Options M&V, méthodes d’ajustement climatique) adaptées à la complexité du projet, aux données disponibles, et aux exigences de précision.
   • Privilégier les méthodes robustes et validées (par exemple, régressions linéaires plutôt que normalisation par ratios si possible).
   • Justifier et documenter les choix méthodologiques.

5. Réaliser une Calibration Rigoureuse des Modèles de Simulation (Option D) :

   • Utiliser des données de calibration de qualité et représentatives.
   • Mettre en œuvre un processus de calibration itératif et méthodique.
   • Utiliser des indicateurs statistiques (NMBE, CV-RMSE) et des validations graphiques pour évaluer la qualité de la calibration.
   • Documenter en détail le processus de calibration et les paramètres ajustés.
   • Réaliser une analyse de sensibilité du modèle calibré.

6. Adopter des Approches Conservatrices :

   • En cas d’incertitude sur le choix d’une hypothèse ou d’une valeur de paramètre, privilégier l’option conservatrice, qui minimise les économies d’énergie estimées. Par exemple, choisir des rendements d’équipements prudents, minimiser les ajustements de la ligne de base en cas de doute, etc.
   • Utiliser des marges de sécurité dans les garanties de performance.

7. Faire Réviser la M&V par un Expert Indépendant :

   • Demander à un expert en M&V indépendant de revoir le plan de M&V, les données, les calculs, et les résultats. Une revue indépendante permet d’identifier d’éventuelles erreurs ou biais et de renforcer la crédibilité de la M&V.

Communication de l’Incertitude des Résultats

Il est essentiel de communiquer clairement l’incertitude associée aux résultats de la M&V à toutes les parties prenantes (propriétaire, ESCO, financeurs, auditeurs, etc.). Une communication transparente sur l’incertitude permet :

• D’éviter de donner une illusion de précision absolue qui n’est pas réaliste en M&V.
• D’interpréter les résultats de manière réaliste et éclairée. Par exemple, des économies de 10% ± 5% ne signifient pas la même chose que des économies de 10% ± 1%. Dans le premier cas, l’intervalle d’incertitude est plus large et la confiance dans la valeur exacte de 10% est plus faible.
• De prendre des décisions plus robustes en tenant compte de l’incertitude. Les décisions basées sur la M&V (par exemple, validation de garanties, décisions d’investissement) peuvent être ajustées en fonction du niveau d’incertitude.
• De renforcer la crédibilité et la transparence du processus de M&V. Reconnaître et quantifier l’incertitude montre un souci de rigueur et de professionnalisme.

Méthodes de communication de l’incertitude :

• Exprimer les résultats sous forme d’intervalles : Indiquer les économies d’énergie avec un intervalle d’incertitude (par exemple, “Économies d’énergie annuelles : 15 000 kWh ± 2 000 kWh”).
• Exprimer l’incertitude en pourcentage : Indiquer l’incertitude relative en pourcentage des économies (par exemple, “Économies d’énergie de 10% avec une incertitude de ± 15%”).
• Présenter des fourchettes de scénarios : Présenter les résultats sous forme de scénarios (scénario central, scénario pessimiste, scénario optimiste) basés sur les analyses de sensibilité.
• Inclure une section dédiée à l’incertitude dans le rapport de M&V : Décrire explicitement les sources d’incertitude, les méthodes utilisées pour la quantifier, et les limites des résultats.
• Communiquer visuellement l’incertitude : Utiliser des graphiques avec des barres d’erreur ou des intervalles de confiance pour représenter visuellement l’incertitude.

En conclusion, la gestion de l’incertitude et de la précision est un aspect fondamental de la M&V. Reconnaître et quantifier l’incertitude, mettre en œuvre des stratégies pour la minimiser, et communiquer clairement sur l’incertitude associée aux résultats sont des garanties de rigueur, de crédibilité et d’interprétation réaliste de la M&V. Une M&V qui intègre et gère l’incertitude est une M&V plus mature, plus responsable et plus utile pour la prise de décision et l’amélioration continue de la performance énergétique.