Publié le 6 Septembre 2023.

Dans notre espace de coworking Greenspace (le plus paisible de paris), la consommation d’électricité a toujours été une préoccupation majeure et nous œuvrons continuellement pour diminuer celle-ci afin de réduire notre empreinte carbone. Depuis plusieurs années, nous sensibilisons nos coworkers (entrepreneurs, freelances, salariés en télétravail) à l’importance d’adopter un comportement responsable et de faire preuve de sobriété énergétique (débrancher ses appareils lorsqu’ils ne sont pas utilisés, éteindre les lumières en partant,…). Néanmoins, malgré la diligence de toute la communauté Greenspace, cela n’est pas suffisant…

En effet, la configuration de notre espace de coworking (un espace de 760m² situé dans un immeuble industriel parisien du 11ème arrondissement, avec une hauteur sous un plafond de 4 à 7 mètres, recouvert de “verrières” en polycarbonate, et situé sous un toit en shed) en fait un lieu avec une isolation thermique relativement “légère” :

• L'été, pour garder nos espaces de coworking respirables malgré la chaleur, nous utilisons nos 11 climatiseurs réversibles (climatisation/chauffage), qui ont été changés il y a quelques années.

• L'hiver, en plus des climatiseurs réversibles qui sont notre principale source de chauffage, nous devons également allumer nos 13 radiateurs électriques pendant les vagues de froid. Ces radiateurs ont été récemment changés pour des modèles plus économes en énergie.

Seulement, malgré la mise en place de ces systèmes modernes, la configuration du lieu exige que ces systèmes soient fortement mis à contribution lors des vagues de froid et des pics de chaleur, ce qui impacte fortement notre consommation électrique. En cette année 2023, nous avons décidé d'agir concrètement et de réduire activement notre consommation électrique en optimisant l’usage de ces appareils.

Dès lors, afin de pouvoir observer précisément notre consommation électrique (et agir en conséquence pour la réduire), nous avons cherché l’appareil qui nous permettrait de suivre avec précision les variations de notre consommation électrique. Après avoir comparé les différentes solutions et objets connectés disponibles sur le marché (Ecojoko, Voltalis, etc.), nous nous sommes orientés vers la marque française éco-innovante Wattspirit et leur système éponyme Wattspirit (à partir du 1er avril 2023). Grâce à ce système, nous pouvons mesurer exactement et en temps réel la consommation électrique grâce au capteur optique LoraWatt, qui identifie les clignotements de la diode verte située sur le compteur électrique, puis transmet les informations sur la plateforme Wattspirit via la boîte LoraLink qui est connectée à Internet.. Ainsi, depuis le 1er avril 2023, nous avons une vision à la minute près de notre consommation. Pourtant, constater simplement ces données ne suffisait pas, il fallait aller plus loin en tirant pleinement partie. En travaillant sur un autre projet d'analyse de données ("Eurêka !" nous sommes-nous exclamés chez Greenspace), nous avons réalisé que nous disposions déjà des outils nécessaires pour mettre en œuvre et évaluer des actions concrètes de réduction de notre consommation électrique.

Plus concrètement, nous avons réalisé qu’en exploitant la puissance de ChatGPT, et notamment d’Advanced Data Analysis (ex-Code Interpreter) afin de mesurer l’impact de la consommation électrique (Wattspirit) en fonction de la température extérieure, nous pouvions mesurer l’impact d’une programmation adéquate de notre système de climatisation et ainsi optimiser notre gestion énergétique. En charge de ce projet, je vous raconte à travers cet article mon retour d’expérience sur l’utilité du module Advanced Data Analysis et comment celui-ci m’a aidé à réduire considérablement notre consommation d’énergie.

Pour mener ce projet, j’ai eu besoin d’outils et de données :

• Un abonnement ChatGPT Plus pour utiliser la puissance d’Advanced Data Analysis. Pour résumer, ce module permet à ChatGPT d'exécuter du code, possiblement avec un accès à des fichiers que vous aurez téléchargés. Vous pouvez demander à ChatGPT d'analyser des données, de créer des graphiques, d'éditer des fichiers, d'effectuer des calculs, etc. → abonnement de 24$/mois (soit environ 22€).

• Un système WattSpirit (capteur optique LoraWatt / répéteur LoraLink / dashboard Wattspirit) pour récolter les données de consommation énergétiques (exportables dans un fichier CSV) → coût à l’achat de 159€.

• Les données historiques des températures extérieures, par heure, sur la période du 1er Avril (date d’installation du système WattSpirit) au 24 Août 2023 (dernier jour pour les températures chaudes à Paris et aussi 1 semaine avant mon départ de Greenspace → il faut bien que je me laisse un peu de temps pour réaliser l’article ! ) sur la plateforme VisualCrossing → coût à l’achat de 0,35€

1 - L’Etat des lieux de notre consommation électrique

Pour commencer, nous devons comprendre quelle était la situation de notre consommation énergétique avant la mise en place d’actions particulières sur le système de climatisation. Pour ce faire, concentrons-nous sur le mois de Juin 2023.

• Date de Début : 1er Juin 2023 (début des températures chaudes et donc de l’utilisation de la climatisation, fréquentation de l’espace encore stable,… tout autant de facteurs qui permettent d’isoler la corrélation température extérieure/consommation électrique des autres variables ayant une incidence sur notre consommation électrique)

• Date de Fin : 1 juillet 2023 → date à laquelle nous avons commencé à modifier des réglages dans la programmation de la climatisation (cf. section suivante) de telle sorte à réduire notre consommation électrique tout en permettant à nos usagers de profiter d’un espace frais et de bonnes conditions de travail.

A - La préparation des données pour l’analyse

Pour commencer, nous avons exporté TOUTES les données de notre consommation électrique au format CSV (facilement réalisable depuis la plateforme WattSpirit) puis, nous avons fait de même, avec l’historique des températures extérieures sur la même période (depuis le site VisualCrossing). Ensuite, nous avons fait un peu de data cleaning (c’est l’étape qui consiste à préparer et transformer des données brutes pour les rendre exploitables, dans notre cas, par Advanced Data Analysis) sur ces 2 fichiers CSV afin que nous puissions les fusionner dans un seul et même DataFrame (Il s'agit d'une table à deux dimensions, similaire à une feuille de calcul Excel, avec des lignes et des colonnes mais tout cela en utilisant la bibliothèque Pandas sur Python).

En effet, dans notre cas, nous devions procéder aux transformations suivantes afin de rendre la fusion des données possible :

1. Format des dates (sur les 2 fichiers) : les deux fichiers représentaient les dates et heures de façon différente (US vs FR)→ Ainsi, nous avons prompté ChatGPT afin qu’il modifie la colonne appropriée de chaque fichier pour adopter un format Date/Heure uniforme sous cette forme JJ/MM/AAAA HH:MM:SS (ex : 31/03/2023 14:53:02)

2. Calculer la consommation électrique par heure : les données de consommation électriques comprennent un point de données pour chaque minute d’une journée. Or, nous possédons la température extérieure uniquement par heure. Ainsi, nous avons dû demander à ChatGPT de calculer la consommation électrique pour chaque heure d’une journée.

3. Fusionner les 2 sets de données : en fusionnant les deux sets de données avec comme colonne de référence celle présentant la date et l’heure, nous avons un DataFrame unique qui comprend 3 colonnes :

   1. Date et Heure

   2. Consommation électrique en kWh

   3. Température extérieure en degré Celsius

Je tiens à préciser que ces transformations ont été réalisées par ChatGPT en suivant la démarche décrite précédemment (c'est-à-dire en lui indiquant étape par étape les modifications à apporter). En effet, j’ai essayé de laisser ChatGPT réaliser lui-même le data cleaning mais il était souvent amené à faire des erreurs ou à procéder à des changements non pertinents. Ainsi, pour le moment, nous devons considérer ChatGPT comme un bon exécutant/assistant mais non comme un décideur ! Ce sera toujours à vous de mener l’analyse !

B - Notre consommation électrique avant la mise en places des mesures

Maintenant que nos données sont prêtes à être analysées, nous devons vérifier notre hypothèse sur l'influence des températures extérieures sur la consommation électrique, et quantifier précisément cette relation. Pour cela, nous allons calculer le coefficient de corrélation entre la température extérieure et notre consommation d'électricité. L'objectif est de déterminer dans quelle mesure la chaleur estivale fait augmenter notre consommation, du fait de l'utilisation de la climatisation. Pour ce faire, une représentation graphique est de mise (ici, nous avons demandé à ChatGPT de dessiner un graphique qui représente la consommation électrique et la température par heure sur la période du 1er juin au 1er juillet avec deux axes verticaux, l’un pour la température et l’autre pour la consommation électrique, et un axe horizontal qui représente les heures de la journée) !

Ainsi, les données sur la période du 1er juin au 1er juillet montrent une corrélation très élevée de 0,9313 (sur une échelle de 0 à 1, 1 représentant une corrélation parfaite) entre la température extérieure et la consommation électrique. Autrement dit, plus il fait chaud, plus nous utilisons la climatisation et donc consommons de l'électricité. Le principal facteur influençant notre consommation électrique chez Greenspace en été est donc bel et bien le système de climatisation ! Par ailleurs, en observant précisément les données, on remarque que la consommation électrique (tout comme la température) décroît en fin de journée aux alentours de 17h, mais atteint son minimum seulement vers 6h du matin, lorsque la température extérieure est la plus basse. Nous avons donc une fenêtre d'opportunité entre la fin de journée et le matin (où la consommation électrique devrait être minimale puisque personne ne fréquente l'espace). Enfin, cette forte corrélation confirme que d'autres facteurs envisageables (fréquentation, nombre d'appareils utilisés) ont un impact marginal sur la consommation totale : nous pouvons donc les exclure de cette analyse.

Maintenant, essayons de comparer le jour le moins chaud avec le jour de plus chaud de cette période. Ainsi, nous promptons ChatGPT de telle sorte à ce qu’il nous indique la température moyenne entre 08:00 et 20:00 (période où la température commence généralement à augmenter) du jour le plus chaud et la température moyenne entre 08:00 et 20:00 du jour le moins chaud de cette même période. Nous trouvons les résultats suivants :

• Jour le moins chaud : Vendredi 2 juin - température moyenne de 17.58°C (08:00-20:00) - température maximale de 21.3°C : Consommation électrique totale : 61,73 kWh.

• Jour le plus chaud : Vendredi 9 juin - température moyenne de 27.47°C (08:00-20:00) - température maximale de 30.3°C - Consommation électrique totale : 108,66 kWh ;

Ainsi, on observe entre ces 2 jours une augmentation de la consommation électrique de 76.02% ! C’est considérable, d’autant plus que la journée du 9 juin était loin d’être caniculaire. Évidemment, il est aussi possible qu’une petite partie de cette augmentation résulte d’une fréquentation de l’espace légèrement supérieure entre les deux journées mais, d’expérience, nous savons que les vendredis sont les jours les moins fréquentés de notre espace et que la fréquentation reste plutôt faible/modérée en été !

Il est important de noter que, sur cette période (avant la mise en place des actions visant à réduire la consommation électrique), la climatisation fonctionnait dans le but d’atteindre une température cible variant entre 23 et 25°C (en effet, nos usagers avaient tendance à l’ajuster eux-même…). Une fois la température cible atteinte, celle-ci continuait de fonctionner afin de maintenir la température cible. Par ailleurs, les ventilateurs intégrés au système de climatisation fonctionnaient en permanence, mais l’étaient à vitesse minimale (vitesse 1 sur 3).

2 - C’est l’heure de passer à l’action !

Maintenant que nous avons confirmé que des températures extérieures élevées étaient associées à une forte augmentation de notre consommation d’électricité, nous devons réfléchir à des réglages permettant de réduire l’usage de la climatisation tout en préservant le confort de nos usagers.

A - La programmation de la climatisation

Ainsi, sur près de 3 semaines, nous avons essayé différentes combinaisons de réglages afin de maximiser les économies d’énergies tout en prenant en compte les réactions que pouvaient avoir nos usagers. Après de multiples changements de réglages et après les retours de nos usagers, nous avons trouvé le bon équilibre et nous avons fini par adopter la programmation suivante (mis en place dès le 20 juillet 2023 ! ) :

• Pour l’espace “Patio” : température cible de 25°C / Extinction totale de la climatisation entre 20:00 et 8:00

• Pour l’espace “Terrasse” : température cible de 25°C / Extinction totale de la climatisation entre 21:00 et 8:00 (extinction plus tardive car cet espace est plus sensible à la chaleur étant situé plus haut)

• Pour l’espace “Jardin” : température cible de 26°C / Extinction totale de la climatisation entre 20:00 et 8:00 (la température cible est plus élevée car certains usagers de cet espace se plaignaient d’avoir trop froid).

A noter également :

• Les usagers ne peuvent plus changer eux-mêmes la programmation (nous conservons précieusement la télécommande dans notre bureau !) ;

• Une fois que le système de climatisation a atteint une température cible, celle-ci s’arrête et reprend son fonctionnement une fois que la température remonte

B - Aperçu des changements

Regardons la consommation électrique (WattSpirit) de 2 journées ayant une température moyenne similaire (une avant programmation / l’autre après programmation) afin d’observer comment cela impact la courbe de consommation d’électricité :

• Vendredi 9 juin : température moyenne de 27.47°C (08:00-20:00) - température maximale de 30.3° (atteinte à 17:00) ;

• Vendredi 22 août : température moyenne de 27,18°C (08:00-20:00) - température maximale de 30,6°C (atteinte à 16:00).

3 - Des résultats surprenants !

Passons maintenant à l’analyse des résultats. Avec plus d’un mois de données (34 jours), nous possédons assez de points de données pour pouvoir comparer la période du 1er juin au 1er juillet avec celle du 20 juillet au 24 août. Commençons par une comparaison globale de ces deux périodes sans que nous appliquions de filtre de température particulier.

Les résultats sont sans appel ! Entre les deux périodes, on note une réduction de notre consommation d’énergie moyenne de 33,06% ! C’est considérable (et bien au-delà de mes attentes, je dois dire). Cependant, il nous faut tempérer ces résultats et les creuser davantage. Nous allons maintenant comparer les deux périodes uniquement sur les jours où la température moyenne, entre 08:00 et 20:00, a été supérieure à 25°C → L’objectif est de mesurer l’impact précis de notre programmation de la climatisation.

Cette fois-ci, l’espace entre les courbes s’est bien réduit, signifiant une différence dans la consommation électrique moyenne des deux périodes mois importante. Néanmoins, c’est tout de même une économie d’énergie moyenne de 20,67% entre les deux périodes ! Enfin, observons les résultats concernant les 4 journées les plus chaudes de chaque période.

Après avoir retiré la journée du 17 août, pas assez chaude, et le 25 juin 2023, trop étouffante, on obtient une température moyenne (08:00-20:00) de 27,08°C pour la période du 1er juin au 1er juillet et de 26,98°C pour la période du 20 juillet au 24 août. Ces deux valeurs étant assez proches, nous pouvons convenablement analyser les résultats !

Point d’honneur pour ChatGPT et ses excellentes performances pour générer des graphiques avec peu de contexte donné dans chaque prompt. D’ailleurs, après avoir demandé qu’il génère pour la 1ère visualisation un graphique en linéaire (avec les 2 courbes), je n’ai eu qu’à lui indiquer les filtres à appliquer sur les données pour générer les graphiques suivants !

Roulement de tambours…. pour les 4 journées les plus chaudes des 2 périodes (25 juin / 17 août exclus), c’est donc 24,32% d’économie réalisée sur notre consommation électrique : pas mal, non ? Toutefois, il est crucial de le souligner une fois de plus ; bien que les résultats semblent précis, ils ne nous donnent qu’une idée approximative des économies réellement dues à la programmation de la climatisation. En effet, nous l’avons succinctement indiqué auparavant, ces résultats omettent des facteurs parmi lesquels l'affluence du lieu et donc le nombre d'appareils électriques en usage variant d'un jour à l'autre, ou d'une période à une autre. Intégrer ces autres variables, pour peu que cela soit réalisable au moment de l’analyse, aurait surement donné des résultats différents (bien qu’à la marge, compte tenu de la fréquentation estivale assez faible). Dès lors, j’ai fait le choix délibéré de me concentrer uniquement sur la corrélation température/consommation d’électricité afin d’éviter de complexifier l’analyse !

Néanmoins, il paraît clair que nos actions aient porté leurs fruits et aient eu un impact positif majeur sur la réduction de notre consommation électrique ! Maintenant, prenons un peu de recul et tirons quelques leçons de ce projet d’analyse !

Nos conclusions (oui, il y en a 2) !

A - Chez Greenspace : un pas de plus vers la sobriété énergétique

L'analyse que nous avons menée nous a permis de mieux comprendre l'influence de notre système de climatisation sur la consommation électrique. Après avoir quantifié cet impact, pris des mesures pour réduire notre consommation énergétique, nous avons pu constater des économies d’énergie significatives ! Avec le réchauffement de notre planète et l’augmentation des températures estivales année après année, l’impact de ces mesures sera d’autant plus fort pour les étés à venir !

En outre, à l'approche de l'hiver, nous mènerons à nouveau cette même analyse, cette fois-ci pour réduire notre consommation due au chauffage. Et oui ! nous possédons désormais les outils et la méthode pour effectuer rapidement et efficacement un tel examen. Évidemment, l’analyse de la consommation électrique n’est qu’un début : nous prévoyons d’évaluer la consommation d’eau, la fréquentation au sein de notre espace de coworking, l’utilisation de consommables,… afin de mettre en place les stratégies adaptées afin de d’évaluer et réduire autant que faire se peut notre empreinte carbone tout en assurant à nos usagers le meilleur service possible !

Toutes ces analyses sont dorénavant possibles, pour nous comme pour vous ! D’une part, la récolte des données est rendue accessible grâce à la montée en puissance de l'internet des objets, avec ses capteurs et appareils capables de mesurer avec précision nos comportements et nos usages : ils sont disponibles à des prix relativement contenus un peu partout en magasin et sur internet. D’autre part, avec l’avènement des LLMs (Large Language Models) tels que GPT-4 ou Claude 2, TOUT le monde (y compris les novices en analyse de données) est capable grâce à quelques prompts de commencer à exploiter les données récoltées par ces objets afin d’y donner du sens en tirer des connaissances permettant une (meilleure) prise de décision !

B - Advanced Data Analysis : la science des données désormais accessibles à tous ?

Revenons quelques instants sur le cas du module “Advanced Data Analysis” d’OpenAI que nous avons utilisé pour l’analyse des données. L’outil d’OpenAI s’est révélé d’une efficacité redoutable pour transformer les données bruts (Température / Consommation électrique → au format CSV), les analyser et finalement construire les représentations graphiques et statistiques qui nous ont permis un diagnostic de la situation initiale et l’évaluation de l’efficacité des mesures prises pour réduire la consommation d’électricité. Tout cela en seulement quelques minutes ! Ainsi, Advanced Data Analysis offre aux novices de l’analyse des données et aux profanes du codage la possibilité d’exploiter des données sans connaissances poussées : cette révolution de l’accessibilité permet dès aujourd’hui à de nombreux particuliers et professionnels d’analyser de larges ensembles de données, de programmer des logiciels/sites/applications/… ou encore automatiser de nombreuses tâches, ce qui était alors autrefois réservé à une petite minorité de techniciens qualifiés.

Néanmoins, il convient de nuancer les capacités de ces outils. Certes, la puissance de ces modèles est indéniable tout autant que leur facilité d’utilisation. Pourtant, l’outil d’OpenAI n’a su révéler toute sa puissance et son utilité uniquement car nous savions exactement ce que nous souhaitions obtenir de lui (et comment y parvenir). En effet, il est désormais de notoriété publique que la qualité de la réponse (output) de ces modèles de language (tel ChatGPT) est grandement conditionnée par la qualité du prompt qui leur est donné (input). Ainsi, pour maximiser l'efficacité de ChatGPT et son module Advanced Data Analysis (ou n’importe quel autre LLM), une connaissance basique en analyse des données et en visualisation semble constituer un pré-requis. C’est bien en guidant ChatGPT à travers des directives précises et avec un cheminement clair que celui-ci a pu nous offrir des insights réellement intéressants. Nous n’aurions surement pas obtenu les mêmes résultats (voire aucun résultat) si nous avions laissé ChatGPT réaliser de manière “autonome” (c’est-à-dire sans guidage) l’analyse… Enfin, même à supposer que vous possédiez des connaissances pointues en Science des Données, ChatGPT présente des limites qui sont inhérentes à sa nature ; il produit fréquemment des informations inexactes ou suit trop littéralement une instruction sans saisir sa signification globale. Il convient donc de l'utiliser avec discernement et de toujours vérifier la cohérence des résultats obtenus (ce que j’ai dû faire à quelques reprises au cours de cette analyse) !

En tout cas, à titre personnel ou parmi les autres membres de l’équipe Greenspace, nous continuerons à utiliser ChatGPT et sa fonction Advanced Data Analysis dans l’avenir et nous sommes impatients de voir ses prochaines évolutions ! Et vous ? Prêt à exploiter la fonction Advanced Data Analysis ?

Scott S. - Equipe Greenspace.