Prédiction des performances énergétiques (DPE simulés)

Expert
Modèle prédictif des étiquettes DPE, consommation, émissions sur le parc non couvert par les DPE réels.
Authors

Pascal Schetelat

Antoine Breitwiller

La performance énergétique des bâtiments : un gisement de carbone pour l’atténuation du changement climatique

La performance énergétique des bâtiments est un enjeu majeur dans la lutte contre le changement climatique. Le secteur résidentiel représente en 2021 28 % du total de la consommation d’énergie finale consommée en France (Chiffres Clés Du Logement – Édition 2022 2022). Toujours en 2021, il représente 11 % du total national d’émissions de GES en France (hors émissions indirectes liées à l’électricité et aux réseaux de chaleur urbains) (Pellan et al. 2022). Il est donc crucial de comprendre et d’améliorer l’efficacité énergétique du parc immobilier.

Pour inciter et suivre les améliorations du parc bâti existant en France métropolitaine, l’outil réglementaire principal est le diagnostic de performance énergétique (DPE).

Initié en 2006, il a été réformé au 1er juillet 2021 avec l’entrée en vigueur de l’arrêté du 31 mars 2021 (Transition écologique 2021). Désormais, le DPE sert à identifier les passoires énergétiques, dont les conditions de location et de vente se durcissent progressivement.

Dans sa forme actuelle (DPE méthode 3CL 2021), un DPE repose sur la collecte de données de performances du bâti et des systèmes énergétiques par un diagnostiqueur. En conjonction avec un ensemble d’hypothèses conventionnelles (météo, usages…), ces données sont utilisées pour calculer les consommations conventionnelles des 5 usages réglementaires (chauffage, ECS, refroidissement, ventilation et éclairage) et leurs émissions de gaz à effet de serre (GES). Ce sont ces consommations et ces émissions qui sont utilisées pour classer un logement.

Les prédictions de performances énergétiques et environnementales de la BDNB

La raison d’être de la BDNB est de catalyser la transition écologique en apportant des données pertinentes aux acteurs de cette transition. À ce titre, nos prédictions sur la performance du parc existant, notamment nos prédictions de diagnostic de performance énergétique, revêtent une importance particulière.

Les prédictions de performances énergétique et environnementale de la BDNB permettent à la fois de prédire les classes DPE et d’identifier les gisements d’économie d’énergie et de réduction carbone. Ces prédictions apportent un conseil aux particuliers à l’échelle de chaque bâtiment tout en fournissant une vision stratégique à grande échelle.

TipEn résumé
  • 86 % de prédictions correctes des classes DPE à plus ou moins une étiquette près. 45 % de prédictions exactes (estimation par validation croisée).
  • Estiment les performances probables actuelles d’un logement qui ne dispose pas d’un DPE récent pour 95 % des logements.
  • Estiment les gains possibles pour un logement en cas de rénovation globale.
  • Donnent une image fidèle des performances du parc résidentiel existant d’un point de vue statistique à toutes les échelles.
  • Combinent une approche thermique classique avec un modèle d’IA générative probabiliste pour les performances de l’enveloppe et des systèmes.
  • Incluent un indicateur de fiabilité des prédictions pour chaque bâtiment estimé par propagation d’incertitudes.
  • Sont adaptables aux changements de réglementations (exemple : calcul DPE sur les petites surfaces).
  • Utilisées pour prédire les gains de valeur foncière à la vente après rénovation (valeur verte).
  • Utilisées pour prédire l’indicateur de surchauffe bâtiment BDNB (ISB-DH).
WarningRéforme du coefficient d’énergie primaire (millésime 2025-07a)

Depuis la version 2025-07a, les simulations DPE du CSTB utilisent le nouveau coefficient d’énergie primaire de 1,9. Cette modification de calcul sera appliquée au 1er janvier 2026 pour tous les DPE.

  • Version 2024-10c (coefficient 2,3) : 6,7 M de passoires (logements vacants et résidences secondaires inclus).
  • Version 2025-07a (coefficient 1,9) : 5,0 M de passoires, soit une diminution de 23 % liée à cette réforme du calcul.
Figure 1: Comparaison de la répartition réelle des étiquettes DPE (ADEME) et des prédictions BDNB à l’échelle nationale.

Demandez un échantillon des prédictions DPE

Fiche méthode

Nos prédictions ont pour objectifs :

  • estimer les performances probables à l’échelle d’un logement qui ne dispose pas d’un DPE récent ;
  • donner une image fidèle des performances globales du parc existant d’un point de vue statistique ;
  • estimer l’incertitude des prédictions sur chaque bâtiment ;
  • estimer les gestes d’amélioration probables pour chaque bâtiment et en chiffrer le gisement ;
  • rester robuste aux changements de méthodes de calcul des DPE, et fournir ainsi un laboratoire d’expérimentation aux pouvoirs publics.

Remplir ces objectifs n’est pas atteignable avec une approche purement data, qui consisterait en une simple tâche de classification supervisée des lettres des étiquettes. Outre les classes énergie et carbone, nous cherchons à connaître le niveau de performance du bâti, la nature des systèmes présents ou à évaluer l’efficacité de telle ou telle politique de rénovation, tout cela en restant cohérent à l’échelle d’un même bâtiment ou au niveau national.

Nos prédictions sont donc réalisées au niveau des performances de l’enveloppe et de la description des systèmes, qui sont à leur tour utilisées, avec les métrés issus de la BDNB, pour réaliser un calcul DPE et ainsi obtenir une classe. Cette méthode est illustrée sur la figure suivante :

Figure 2: Schéma de la chaîne de prédiction DPE : prédiction des performances d’enveloppe et systèmes, puis calcul DPE avec les métrés BDNB.

Enfin, les prédictions des DPE sont réalisées pour deux situations :

  • dans l’état actuel présumé du logement ;
  • après une rénovation globale du logement.

Les figures suivantes montrent les performances du modèle par validation croisée sur un échantillon de 87 000 DPE.

NoteValidation croisée

Pratique visant à évaluer la performance d’un modèle sur des données qui n’ont pas été vues pendant l’apprentissage, c’est-à-dire sa capacité à généraliser.

Ici, on compare les résultats de prédictions obtenues sans utiliser aucune donnée DPE aux DPE ADEME. L’évaluation évalue de bout en bout la procédure de prédiction :

  • inférence des performances de l’enveloppe et des systèmes (sans aucune information des DPE ADEME) ;
  • calcul des métrés et des masques solaires à partir des géométries BDNB ;
  • calcul DPE avec le moteur DPE BDNB.
Figure 3: Validation croisée de la consommation en énergie primaire.
Figure 4: Matrice de confusion des prédictions DPE (validation croisée).
Figure 5: Comparaison des prédictions en validation croisée et au niveau national.

Moteur de calcul DPE BDNB

Nous avons développé un moteur de calcul adapté au niveau de données disponible.

  • Le calcul du DPE repose sur des données d’entrée simplifiées (issues des DPE ADEME quand ils sont présents, ou de données prédites), tout en conservant les hypothèses et équations principales de la méthode DPE réglementaire conventionnelle 3CL-DPE 2021.
  • Le calcul est réalisé à l’échelle d’un groupe de bâtiments. La méthode DPE immeuble est utilisée pour les logements collectifs.
  • Les surfaces déperditives (murs, planchers, ponts thermiques) et masques solaires sont estimés à partir de la géométrie du groupe de bâtiments et de ses voisins.

Hypothèses principales :

  • rendements médians utilisés pour les systèmes de chauffage et d’ECS ;
  • limitation à 2 générateurs maximum pour les installations ;
  • répartition homogène des vitrages sur les façades extérieures.

Métrés et masques solaires pour le calcul DPE BDNB

Les métrés utilisés pour le calcul DPE BDNB (surfaces donnant sur l’extérieur, ponts thermiques, ombrage) sont estimés à partir des géométries BDNB (emprises au sol et hauteur, calcul de mitoyenneté des bâtiments). La validation de l’estimation des métrés est réalisée en recalculant les DPE ADEME avec ces métrés et le moteur DPE BDNB.

La figure suivante compare les consommations en énergie primaire des DPE ADEME avec celles obtenues par notre approche sur les mêmes DPE pour 2,1 millions de groupes de bâtiments. Non seulement la distribution des consommations en énergie primaire est préservée, mais elle gomme les effets de seuils constatés sur les DPE réels.

Figure 6: Comparaison des histogrammes d’énergie primaire (DPE ADEME vs moteur DPE BDNB).
Figure 7: Validation du moteur DPE BDNB utilisant les métrés de la BDNB (matrice de confusion).

Répartition des classes DPE sur le parc résidentiel

Dans la figure ci-dessous, la répartition des DPE ADEME pour 2,1 millions de groupes de bâtiments (0,6 M d’immeubles collectifs et 1,5 M de maisons individuelles), représentant 12,2 millions de logements, est comparée aux DPE recalculés avec le moteur DPE BDNB ainsi qu’aux prédictions DPE sur l’ensemble du parc résidentiel.

Les écarts observés s’expliquent principalement par l’absence d’effet de seuil dans notre modélisation, conduisant à une proportion plus élevée de logements classés F et G par rapport aux DPE ADEME.

Figure 8: Répartition des classes DPE : ADEME vs moteur DPE BDNB vs prédictions BDNB (millésime 2024-10.a).
  • Les DPE ADEME sélectionnés sont ceux réalisés avec une méthode 3CL conventionnelle (logement existant) avec une version ≥ 2.1 (après février 2022).
  • Les résultats concernent l’ensemble du parc résidentiel incluant les résidences principales, secondaires et logements vacants.
  • Depuis la version 2025-07a, ces résultats ont sensiblement évolué à cause de la réforme du coefficient d’énergie primaire à 1,9 (23 % de passoires en moins).

Estimation de l’état après rénovation globale

En plus de la prédiction des performances énergétiques initiales du bâtiment, nous sommes en mesure d’estimer l’impact d’une rénovation globale en appliquant des gestes de rénovation sur chacun des grands postes d’enveloppe et sur les systèmes de chauffage et d’eau chaude sanitaire. Ce scénario de rénovation reprend les exigences minimales sur les éléments d’isolation d’enveloppe du label BBC rénovation (Effinergie 2023). Sur les systèmes énergétiques, il est fait l’hypothèse d’une conversion systématique des systèmes existants vers des pompes à chaleur. Ce scénario est un potentiel « maximum » de rénovation, car il ne prend pas en compte les contraintes technico-économiques ou d’urbanisme d’application de ces gestes.

Enveloppe (exigences BBC rénovation)

  • murs extérieurs : U = 0,21 W/m²/K — R = 4,4 m²·K/W ~ 17 cm d’isolant (isolation thermique par l’extérieur) ;
  • plancher haut : U = 0,14 W/m²/K — R = 6,5 m²·K/W ~ 26 cm d’isolant ;
  • plancher bas : U = 0,23 W/m²/K ~ 15 cm d’isolant ;
  • baies vitrées : Uw = 1,3 W/m²/K, fenêtre battante 4/16/4 double vitrage peu émissif argon ;
  • ventilation : installation d’une VMC simple flux hygroréglable.

Système de chauffage

  • les chaudières (gaz, fioul, etc.) sont changées en pompe à chaleur air/eau ;
  • les systèmes individuels sans réseau de distribution (chauffage électrique, poêle à bois) sont remplacés par des pompes à chaleur air/air ;
  • les réseaux de chaleur sont inchangés.

Système d’ECS

  • pour tous les systèmes hors réseaux de chaleur, une transition est réalisée vers un chauffe-eau thermodynamique ou un système solaire pour la production d’eau chaude.

Calcul des étiquettes DPE appartement (table local_simulations_dpe)

En complément de la prédiction des performances énergétiques à l’échelle du groupe de bâtiments à l’aide d’une méthode dite « DPE immeuble », nous proposons également un calcul pour chaque appartement.

En effet, pour un même immeuble, les appartements qui le composent peuvent présenter une certaine diversité dans leurs étiquettes DPE. Il est important de pouvoir estimer cette diversité, car elle a des impacts significatifs sur les stratégies de rénovation et les obligations réglementaires de ces logements. Il est tout à fait possible d’avoir plusieurs logements passoires énergétiques (F ou G) dans des immeubles dont l’étiquette immeuble est D ou E par exemple. Identifier la proportion de logements F, G au sein de chaque immeuble et leur position permet de planifier des travaux de rénovation ciblés — comme une isolation de la toiture pour faire sortir ces logements F et G de l’état de passoire énergétique.

Si l’on considère les éléments performanciels comme identiques pour les appartements dans un même immeuble (isolation, performance des systèmes), la variabilité des performances énergétiques des appartements au sein d’un même immeuble est principalement due à leur disposition dans l’immeuble et à leur taille. En effet, dans le cas d’un DPE appartement situé au dernier étage, la surface déperditive inclut les murs extérieurs et toute la surface du plancher haut. En revanche, un logement en étage intermédiaire ne comptabilise que les murs extérieurs comme surface déperditive. Ainsi, les logements situés en étage intermédiaire obtiennent généralement de meilleures étiquettes DPE que ceux situés au dernier étage.

Figure 9: Illustration de la variabilité des étiquettes DPE selon la position du logement dans l’immeuble.

La disposition des logements et leur orientation au sein d’un même étage peuvent entraîner aussi des variations fortes d’étiquettes ; nous ne disposons toutefois pas d’informations suffisantes aujourd’hui pour modéliser cette variabilité correctement.

NotePrédiction des étiquettes DPE appartement à l’intérieur d’un immeuble
  • basée sur le calcul réalisé à l’immeuble ;
  • évaluation de la position de chaque logement (RDC, étage intermédiaire, dernier étage) ;
  • calcul des déperditions de plancher haut et de plancher bas pour chaque logement en fonction de sa position d’étage ;
  • au sein d’une même catégorie d’étage, les déperditions hors plancher haut et bas sont uniformes (non prise en compte de l’hétérogénéité de disposition des logements au sein d’un même étage) ;
  • la surface du logement est utilisée pour calculer les besoins conventionnels en eau chaude sanitaire de l’appartement.

Concernant l’hétérogénéité des étiquettes liée à la taille des appartements, celle-ci a été significativement réduite depuis l’introduction de nouveaux seuils réglementaires pour les appartements de petites surfaces (< 40 m²) le 1er juillet 2024 (Service-Public.fr 2024). Nos prédictions DPE prennent en compte ces nouvelles règles et proposent donc des estimations DPE actualisées avec cette évolution réglementaire.

Les résultats sont disponibles dans la table local_simulations_dpe.

Prédictions des performances thermiques pour le calcul DPE BDNB

Les performances présumées actuelles de l’enveloppe et des systèmes de chaque bâti sont tirées des DPE de l’ADEME rattachés à ce bâtiment, s’il en existe. En l’absence de DPE de l’ADEME ou en cas de DPE incomplet (par exemple, absence de performance de la toiture), les performances manquantes sont prédites en utilisant un modèle génératif d’apprentissage machine supervisé. Ce modèle est baptisé bat2vec-Energie. Ce modèle génératif probabiliste est utilisé pour tirer 100 échantillons Monte Carlo pour chaque bâtiment à usage résidentiel, ce qui permet d’évaluer l’incertitude des prédictions des DPE pour chaque bâtiment par propagation d’incertitude.

NotePropagation d’incertitude

La propagation d’incertitude désigne le processus par lequel les incertitudes associées aux variables d’entrée d’un modèle ou d’un calcul se répercutent sur les résultats de ce dernier. Elle vise à quantifier comment les erreurs, approximations ou variabilités dans les données ou les paramètres initiaux influencent les prédictions ou estimations produites.

Architecture du modèle de prédiction bat2vec-Energie

Figure 10: Architecture du modèle bat2vec-Energie (CVAE + Transformer).

bat2vec-Energie est un modèle d’apprentissage profond (deep learning) qui combine l’architecture des auto-encodeurs variationnels conditionnels (conditional variational auto-encoder, ou CVAE) avec l’architecture transformer popularisée dans les grands modèles de langage (LLM). Il est entraîné avec une stratégie de reconstruction (imputation) des données masquées. Comme tous les VAE (et CVAE), il s’agit par construction d’un modèle génératif probabiliste, c’est-à-dire qu’il est utilisé pour tirer un échantillon probable dans une distribution conditionnée par les entrées du modèle. Il est similaire dans son approche aux modèles de génération de données synthétiques utilisés dans l’industrie médicale pour l’imputation de données manquantes et l’anonymisation des données de santé. Pour plus de contexte sur les stratégies d’imputation de données tabulaires dans la littérature, le lecteur peut se référer à la revue (Fonseca and Bacao 2023).

La partie encodage du CVAE est constituée d’un transformer qui opère sur les données tabulaires en entrée, elles-mêmes transformées par embedding catégoriel (categorical embedding). La partie transformer repose sur les architectures TabTransformer (Huang et al. 2020) et FTTransformer (Gorishniy et al. 2021).

L’utilisation de modèles d’apprentissage profond est en rupture avec les réseaux bayésiens qui étaient utilisés historiquement pour la prédiction des DPE BDNB (millésime 2023-11 et antécédents). Ils remplissent néanmoins une tâche complètement analogue, dont les objectifs décrits dans (Schetelat et al. 2020) restent d’actualité.

Ce modèle est entraîné à reconstruire les performances du DPE étant données des performances partielles ou manquantes ainsi que des données contextuelles au bâtiment (les features du modèle).

Les données contextuelles sont les entrées obligatoires du modèle, supposées connues :

Table 1: Entrées contextuelles obligatoires du modèle bat2vec-Energie.
Variable Description
code_departement_insee Code département selon l’INSEE
usage_niveau_1_txt Description de l’usage du bâtiment (niveau 1)
usage_niveau_2_txt Description de l’usage du bâtiment (niveau 2)
nb_niveau Nombre de niveaux du bâtiment
mat_toit_txt Matériau de la toiture
mat_mur_txt Matériau des gros murs
hauteur_mean Hauteur moyenne du bâtiment
altitude_sol_mean Altitude du bâtiment
s_log Surface habitable totale du bâtiment
annee_construction Année de construction
nb_log Nombre de logements du bâtiment
ratio_hlm Ratio du nombre de logements HLM dans le bâtiment
ratio_location Ratio du nombre de logements loués dans le bâtiment
ratio_vacance Ratio du nombre de logements vacants dans le bâtiment
ratio_residence_secondaire Ratio du nombre de résidences secondaires dans le bâtiment

Les données reconstruites peuvent être partiellement ou intégralement manquantes. Dans le cas où aucun DPE de l’ADEME n’est présent, elles sont toutes manquantes. Dans le cas où un ou plusieurs DPE existent, mais où certaines données restent manquantes, les données existantes sont utilisées pour prédire celles qui sont manquantes. Le cas de figure le plus courant est celui des données absentes du DPE dans certains logements en fonction de leur position dans le bâtiment, comme la performance thermique du plancher haut (liée à l’isolation sous toiture). Le modèle de reconstruction se comporte comme un algorithme d’imputation, comblant les trous dans les données quand il y en a et tirant profit de l’ensemble des données existantes pour ce faire.

La liste des données reconstruites est la suivante :

Table 2: Variables reconstruites par bat2vec-Energie.
Variable Description Nb modalités
u_mur_exterieur Coefficient de transmission thermique moyen des murs extérieurs (W/m²/K) —
u_plancher_haut_deperditif Coefficient de transmission thermique moyen des planchers hauts (W/m²/K) —
u_baie_vitree Coefficient de transmission thermique moyen des baies vitrées, incluant la résistance additionnelle des fermetures (calcul Ujn) (W/m²/K) —
uw Coefficient de transmission thermique moyen des baies vitrées, sans prise en compte des fermetures (W/m²/K) —
facteur_solaire_baie_vitree Facteur de transmission du flux solaire par la baie vitrée (∈ [0, 1]) —
pourcentage_surface_baie_vitree_exterieur Pourcentage de surface de baies vitrées rapporté à la surface totale des murs extérieurs —
type_installation_chauffage Type d’installation de chauffage (collectif ou individuel) 2
type_generateur_chauffage Type de générateur de chauffage principal 25
type_installation_ecs Type d’installation d’eau chaude sanitaire (ECS) (collectif ou individuel) 2
type_generateur_ecs Type de générateur d’eau chaude sanitaire (ECS) principal 19
type_ventilation Type de système de ventilation du logement 13
classe_inertie Classe d’inertie pour le DPE (de légère à très lourde) 4
type_isolation_mur_exterieur Type d’isolation principal des murs donnant sur l’extérieur pour le DPE 9
type_isolation_plancher_haut Type d’isolation principal des planchers hauts déperditifs pour le DPE 9
type_isolation_plancher_bas Type d’isolation principal des planchers bas déperditifs pour le DPE 8
type_fermeture Type de fermeture principale installée sur les baies vitrées du DPE (volet, persienne, etc.) 8
traversant Indique si le logement est traversant (ventilation naturelle) 5

Le modèle est entraîné sur 2,3 millions de DPE qui ont été filtrés avec les critères suivants :

  • les données sont opposables, c’est-à-dire qu’elles ont été collectées après la dernière réforme du DPE (arrêté 2021) ;
  • les données saisies ne présentent pas d’incohérences ;
  • les données saisies sont cohérentes avec d’autres sources BDNB (exemple : période de construction) ;
  • exclusion des DPE « neufs » qui reposent sur une méthode de calcul différente.

Le détail des données de prédiction France entière est disponible en format parquet. Il contient 2 milliards de lignes (20 M de groupes de bâtiments × 100 tirages). Disponible sur demande pour les utilisateurs de la BDNB Expert (fichier prediction_enveloppe_et_systemes.pqt).

Estimation de la qualité du modèle par validation croisée

La validation croisée est réalisée sur un échantillon de 87 000 observations qui recouvrent la quasi-totalité des départements de l’hexagone.

Figure 11: Validation croisée des performances de l’enveloppe et des systèmes prédites par bat2vec-Energie (millésime 2024-10.a).

Le modèle parvient à prédire les performances sans introduire de biais dans les distributions de chacune des variables.

Données disponibles

Table 3: Tables BDNB publiant les prédictions DPE.
Table BDNB Description
batiment_groupe_simulations_dpe Résultats agrégés des simulations DPE pour les groupes de bâtiments à usage résidentiel
local_simulations_dpe Résultats agrégés des simulations DPE à l’échelle des locaux. Prend en compte la position du logement dans un bâtiment résidentiel collectif
batiment_groupe_delimitation_enveloppe JSON contenant, pour chaque façade, surfaces, orientations, masques d’ombrage (36 orientations) et nature d’adjacence (documentation en ligne)
prediction_enveloppe_et_systemes Tirage Monte Carlo des performances probables de l’enveloppe et des systèmes (format parquet, 100 tirages par groupe de bâtiments, 2 + milliards de lignes)

Table batiment_groupe_simulations_dpe

Contient les indicateurs de performances agrégées pour chaque bâtiment à usage résidentiel. Il s’agit des données visualisables librement sur https://gorenove.fr. Les étiquettes DPE prédites dans cette table sont calculées à l’échelle « bâtiment ». Pour les maisons individuelles il s’agit d’une estimation de l’étiquette DPE de la maison individuelle. Pour les logements collectifs, il s’agit d’une estimation de l’étiquette de l’immeuble dans son ensemble, comme pour le DPE collectif (Service-Public.fr, n.d.).

Les métadonnées du millésime en cours sont disponibles via l’API :

Les variables sont présentées par thèmes ci-dessous.

Table 4: Colonnes de classes DPE (avant / après rénovation).
Nom de la colonne Description Type
batiment_groupe_id Identifiant du groupe de bâtiment au sens de la BDNB varchar
code_departement_insee Code département INSEE varchar
etiquette_dpe_initial_a Probabilité d’avoir des logements d’étiquette A pour l’état actuel du bâtiment float4
etiquette_dpe_initial_b Probabilité d’avoir des logements d’étiquette B pour l’état actuel du bâtiment float4
etiquette_dpe_initial_c Probabilité d’avoir des logements d’étiquette C pour l’état actuel du bâtiment float4
etiquette_dpe_initial_d Probabilité d’avoir des logements d’étiquette D pour l’état actuel du bâtiment float4
etiquette_dpe_initial_e Probabilité d’avoir des logements d’étiquette E pour l’état actuel du bâtiment float4
etiquette_dpe_initial_f Probabilité d’avoir des logements d’étiquette F pour l’état actuel du bâtiment float4
etiquette_dpe_initial_g Probabilité d’avoir des logements d’étiquette G pour l’état actuel du bâtiment float4
etiquette_dpe_initial_error Code erreur sur la simulation de DPE pour l’état actuel du bâtiment float4
etiquette_dpe_initial_map Étiquette la plus probable pour l’état actuel du bâtiment. Adaptée pour les particuliers. varchar
etiquette_dpe_initial_map_2nd Les 2 étiquettes les plus probables (ex. F-G = F la plus probable, G la seconde). varchar
etiquette_dpe_initial_map_prob Probabilité associée à etiquette_dpe_initial_map. Ex. map=F, map_prob=0.64 → 64 % de chance que le bâtiment soit classé F. float4
etiquette_dpe_initial_map_2nd_prob Probabilité cumulée sur les 2 étiquettes de etiquette_dpe_initial_map_2nd. float4
etiquette_dpe_initial_inc Classe d’incertitude sur l’étiquette avec la plus grande probabilité avant rénovation (1 = peu fiable → 5 = fiable). float4
etiquette_dpe_renove_a … _g Idem etiquette_dpe_initial_a … _g après un scénario de rénovation globale « standard ». float4
etiquette_dpe_renove_error Code erreur sur la simulation de DPE après rénovation. float4
etiquette_dpe_renove_map Étiquette la plus probable après rénovation globale. varchar
etiquette_dpe_renove_map_2nd Les 2 étiquettes les plus probables après rénovation globale. varchar
etiquette_dpe_renove_map_prob Probabilité associée à etiquette_dpe_renove_map. float4
etiquette_dpe_renove_map_2nd_prob Probabilité cumulée des 2 étiquettes de etiquette_dpe_renove_map_2nd. float4
etiquette_dpe_renove_inc Incertitude sur l’étiquette la plus probable après rénovation (1–5). float4
Table 5: Colonnes de consommations énergétiques, émissions GES et gisements de gain (avant / après rénovation).
Nom de la colonne Description Type
indecence_energetique_initial Probabilité du bâtiment d’être en indécence énergétique dans son état initial. numeric
indecence_energetique_renove Probabilité du bâtiment d’être en indécence énergétique après rénovation globale. numeric
gisement_gain_conso_finale_total Estimation du gisement de gain de consommation finale totale. int4
gisement_gain_ges_mean Estimation moyenne du gisement de gain sur les émissions de GES. int4
gisement_gain_energetique_mean Estimation du gain énergétique moyen. int4
etat_initial_consommation_energie_estim_inc Incertitude sur la consommation énergétique finale avant rénovation [kWh/m²/an]. int4
etat_initial_consommation_energie_estim_lower Estimation basse de la consommation énergétique finale avant rénovation [kWh/m²/an]. int4
etat_initial_consommation_energie_estim_mean Estimation moyenne de la consommation énergétique finale avant rénovation [kWh/m²/an]. int4
etat_initial_consommation_energie_estim_upper Estimation haute de la consommation énergétique finale avant rénovation [kWh/m²/an]. int4
etat_initial_consommation_energie_primaire_estim_lower Estimation basse de la consommation d’énergie primaire avant rénovation [kWh/m²/an]. int4
etat_initial_consommation_energie_primaire_estim_mean Estimation moyenne de la consommation d’énergie primaire avant rénovation [kWh/m²/an]. int4
etat_initial_consommation_energie_primaire_estim_upper Estimation haute de la consommation d’énergie primaire avant rénovation [kWh/m²/an]. int4
etat_initial_consommation_ges_estim_inc Incertitude sur la consommation de GES avant rénovation [kgeqCO2/m²/an]. int4
etat_initial_ges_estim_lower Estimation basse des émissions de GES avant rénovation [kgeqCO2/m²/an]. int4
etat_initial_ges_estim_mean Estimation moyenne des émissions de GES avant rénovation [kgeqCO2/m²/an]. int4
etat_initial_ges_estim_upper Estimation haute des émissions de GES avant rénovation [kgeqCO2/m²/an]. int4
etat_initial_risque_canicule (déprécié) Estimation du risque canicule avant rénovation [1-5]. Voir ISB-DH. int4
etat_initial_risque_canicule_inc (déprécié) Incertitude de l’estimation du risque canicule avant rénovation [1-5]. Voir ISB-DH. int4
etat_renove_consommation_energie_estim_inc Incertitude sur la consommation énergétique finale après rénovation globale [kWh/m²/an]. int4
etat_renove_consommation_energie_estim_lower Estimation basse de la consommation énergétique finale après rénovation globale [kWh/m²/an]. int4
etat_renove_consommation_energie_estim_mean Estimation moyenne de la consommation énergétique finale après rénovation globale [kWh/m²/an]. int4
etat_renove_consommation_energie_estim_upper Estimation haute de la consommation énergétique finale après rénovation globale [kWh/m²/an]. int4
etat_renove_consommation_energie_primaire_estim_lower Estimation basse de la consommation d’énergie primaire après rénovation globale [kWh/m²/an]. int4
etat_renove_consommation_energie_primaire_estim_mean Estimation moyenne de la consommation d’énergie primaire après rénovation globale [kWh/m²/an]. int4
etat_renove_consommation_energie_primaire_estim_upper Estimation haute de la consommation d’énergie primaire après rénovation globale [kWh/m²/an]. int4
etat_renove_consommation_ges_estim_inc Incertitude sur la consommation de GES après rénovation globale [kgeqCO2/m²/an]. int4
etat_renove_ges_estim_lower Estimation basse des émissions de GES après rénovation globale [kgeqCO2/m²/an]. int4
etat_renove_ges_estim_mean Estimation moyenne des émissions de GES après rénovation globale [kgeqCO2/m²/an]. int4
etat_renove_ges_estim_upper Estimation haute des émissions de GES après rénovation globale [kgeqCO2/m²/an]. int4
etat_renove_risque_canicule (déprécié) Estimation du risque canicule après rénovation [1-5]. Voir ISB-DH. int4
etat_renove_risque_canicule_inc (déprécié) Incertitude de l’estimation du risque canicule après rénovation [1-5]. Voir ISB-DH. int4
Table 6: Données intermédiaires (volumes, surfaces) issues du moteur DPE BDNB.
Nom de la colonne Description Type
volume_habitable Volume habitable du bâtiment [m³] int4
volume_brut Volume brut du bâtiment [m³] int4
surface_facade_vitree Estimation de la surface de façade vitrée [m²] int4
surface_facade_totale Estimation de la surface totale de façade (murs + baies) [m²] int4
surface_facade_mitoyenne Estimation de la surface de façade donnant sur un autre bâtiment [m²] int4
surface_facade_ext Estimation de la surface de façade donnant sur l’extérieur [m²] int4
surface_enveloppe Estimation de la surface de l’enveloppe [m²] int4
surface_verticale Estimation de la surface verticale du bâtiment [m²] int4
surface_deperditive Estimation de la surface déperditive du bâtiment [m²] int4
surface_deperditive_verticale Estimation de la surface déperditive verticale du bâtiment [m²] int4
surface_toiture Estimation de la surface de toiture du bâtiment [m²] int4
sh Estimation de la surface habitable du bâtiment [m²] int4

Table local_simulations_dpe

Les étiquettes DPE estimées dans cette table sont une prédiction des étiquettes de chaque appartement situé dans un immeuble de logements collectifs. Cette table reprend les mêmes indicateurs que batiment_groupe_simulations_dpe, mais calculés pour chaque position du logement. Un indicateur supplémentaire position_logement est une estimation de la position du logement au sein du bâtiment : étage intermédiaire, sous un plancher haut déperditif (sous toiture) ou sur un plancher bas déperditif (rez-de-chaussée).

Colonnes supplémentaires par rapport à batiment_groupe_simulations_dpe :

Table 7: Colonnes supplémentaires de local_simulations_dpe.
Nom de la colonne Description Type
cstb_local_oid Identifiant local généré par auto-incrément (anonyme, non persistant, non signifiant). int4
local_id Identifiant du local dans les Fichiers Fonciers (concaténation de ccodep et invar). varchar(12)
position_logement Position du logement : all_deper (plancher haut et bas déperditifs), pb_deper (plancher bas déperditif), ph_deper (plancher haut déperditif), intermediaire (plancher bas et haut non déperditifs). text

Table batiment_groupe_delimitation_enveloppe

Utilisée en entrée du calcul 3CL, la table batiment_groupe_delimitation_enveloppe contient les colonnes suivantes pour l’ensemble des groupes de bâtiments dotés de géométries :

Table 8: Colonnes de batiment_groupe_delimitation_enveloppe.
Nom de la colonne Description Type
batiment_groupe_id Identifiant du groupe de bâtiment au sens de la BDNB varchar
code_departement_insee Code département INSEE varchar
delimitation_enveloppe_dict JSON contenant la description de l’ensemble des parois text

La colonne delimitation_enveloppe_dict est un json contenant, pour chaque batiment_groupe_id, la liste de toutes les parois extérieures constitutives d’un bâtiment (murs, planchers haut/bas). Ces données sont calculées par traitement des emprises au sol des batiment_construction extrudées par leur hauteur (géométries 2.5D). Le calcul d’adjacence et de masquage solaire est estimé en prenant en compte les géométries 2.5D de l’ensemble des bâtiments environnants. Les données sources (emprises au sol, hauteur) sont issues de la BD_TOPO.

Il s’agit d’une liste de dictionnaires avec les clés suivantes :

  • z0 : altitude au pied de la construction ;
  • azimuth : orientation de la paroi (N : 0 ; E : 90 ; S : 180 ; W : 270) ;
  • hauteur : hauteur (en m) de la face (0 pour les parois horizontales) ;
  • inclination : 90 → vertical ; 0 → orienté vers le bas (sol) ; 180 → orienté vers le haut (plancher haut) ;
  • cat_adj : type d’adjacence de la paroi. adjacent : touche une autre paroi (mur mitoyen). non_adjacent : en contact avec l’ambiance extérieure ;
  • wall_type : type de paroi (floor | roof | vertical) ;
  • wall_id : identifiant de la paroi ;
  • area : surface de la paroi (m²) ;
  • perimeter : périmètre de la paroi (m) ;
  • shading_mask_36 (ARRAY) : masque solaire, élévation de l’occultation par tranche de 10° à partir de l’azimut 0 (Sud).

Exemples d’usage

Exemple 1 : passoires énergétiques d’un département

Récupérer, pour un département donné, les bâtiments dont l’étiquette DPE prédite la plus probable est F ou G, avec leur probabilité et leur indicateur de fiabilité.

SELECT batiment_groupe_id,
       etiquette_dpe_initial_map,
       etiquette_dpe_initial_map_prob,
       etiquette_dpe_initial_inc
FROM bdnb_v07.batiment_groupe_simulations_dpe
WHERE code_departement_insee = '21'
  AND etiquette_dpe_initial_map IN ('F', 'G')
ORDER BY etiquette_dpe_initial_map_prob DESC
LIMIT 100;
import pandas as pd
from sqlalchemy import create_engine

engine = create_engine("postgresql+psycopg2://user:pwd@host/bdnb")

sql = """
SELECT batiment_groupe_id,
       etiquette_dpe_initial_map,
       etiquette_dpe_initial_map_prob,
       etiquette_dpe_initial_inc
FROM bdnb_v07.batiment_groupe_simulations_dpe
WHERE code_departement_insee = %(dep)s
  AND etiquette_dpe_initial_map IN ('F', 'G')
ORDER BY etiquette_dpe_initial_map_prob DESC
LIMIT 100
"""

df = pd.read_sql(sql, engine, params={"dep": "21"})
import pandas as pd
import requests

resp = requests.get(
    "https://api.bdnb.io/v1/bdnb/donnees/batiment_groupe_simulations_dpe",
    params={
        "select": (
            "batiment_groupe_id,"
            "etiquette_dpe_initial_map,"
            "etiquette_dpe_initial_map_prob,"
            "etiquette_dpe_initial_inc"
        ),
        "code_departement_insee": "eq.21",
        "etiquette_dpe_initial_map": "in.(F,G)",
        "order": "etiquette_dpe_initial_map_prob.desc",
        "limit": 100,
    },
    headers={"X-Gravitee-Api-Key": "<votre-clef>"},
    timeout=30,
)
resp.raise_for_status()
df = pd.DataFrame(resp.json())

Exemple 2 : gisement de gain énergétique par commune

Calculer, à l’échelle d’une commune, le nombre de bâtiments passoires, le gisement de gain de consommation finale totale et le gain énergétique moyen après un scénario de rénovation globale « standard ».

SELECT
    COUNT(*) FILTER (WHERE etiquette_dpe_initial_map IN ('F', 'G')) AS nb_passoires,
    COUNT(*)                                                        AS nb_batiments,
    SUM(gisement_gain_conso_finale_total)                           AS gisement_conso_finale_total_kwh,
    AVG(gisement_gain_energetique_mean)::int                        AS gain_energetique_moyen_kwh_m2_an,
    AVG(gisement_gain_ges_mean)::int                                AS gain_ges_moyen_kgco2_m2_an
FROM bdnb_v07.batiment_groupe_simulations_dpe AS dpe
JOIN bdnb_v07.batiment_groupe AS bg
    ON bg.code_departement_insee = dpe.code_departement_insee
   AND bg.batiment_groupe_id     = dpe.batiment_groupe_id
WHERE bg.code_commune_insee = '21231';
import pandas as pd
from sqlalchemy import create_engine

engine = create_engine("postgresql+psycopg2://user:pwd@host/bdnb")

sql = """
SELECT
    COUNT(*) FILTER (WHERE etiquette_dpe_initial_map IN ('F', 'G')) AS nb_passoires,
    COUNT(*)                                                        AS nb_batiments,
    SUM(gisement_gain_conso_finale_total)                           AS gisement_conso_finale_total_kwh,
    AVG(gisement_gain_energetique_mean)::int                        AS gain_energetique_moyen_kwh_m2_an,
    AVG(gisement_gain_ges_mean)::int                                AS gain_ges_moyen_kgco2_m2_an
FROM bdnb_v07.batiment_groupe_simulations_dpe AS dpe
JOIN bdnb_v07.batiment_groupe AS bg
    ON bg.code_departement_insee = dpe.code_departement_insee
   AND bg.batiment_groupe_id     = dpe.batiment_groupe_id
WHERE bg.code_commune_insee = %(insee)s
"""

df = pd.read_sql(sql, engine, params={"insee": "21231"})
Warning

L’API PostgREST n’expose pas les jointures. Ce cas d’usage nécessite deux appels et un merge côté client.

import pandas as pd
import requests

HEAD = {"X-Gravitee-Api-Key": "<votre-clef>"}
BASE = "https://api.bdnb.io/v1/bdnb/donnees"

# 1) Groupes de bâtiments de la commune 21231
bg = pd.DataFrame(
    requests.get(
        f"{BASE}/batiment_groupe",
        params={"select": "batiment_groupe_id,code_departement_insee",
                "code_commune_insee": "eq.21231"},
        headers=HEAD, timeout=60,
    ).json()
)

# 2) Simulations DPE pour ces bâtiments (filtre sur le département de la commune)
dpe = pd.DataFrame(
    requests.get(
        f"{BASE}/batiment_groupe_simulations_dpe",
        params={"select": ("batiment_groupe_id,etiquette_dpe_initial_map,"
                           "gisement_gain_conso_finale_total,"
                           "gisement_gain_energetique_mean,"
                           "gisement_gain_ges_mean"),
                "code_departement_insee": "eq.21"},
        headers=HEAD, timeout=120,
    ).json()
)

df = bg.merge(dpe, on="batiment_groupe_id", how="inner")

resume = pd.Series({
    "nb_passoires":                    df["etiquette_dpe_initial_map"].isin(["F", "G"]).sum(),
    "nb_batiments":                    len(df),
    "gisement_conso_finale_total_kwh": df["gisement_gain_conso_finale_total"].sum(),
    "gain_energetique_moyen_kwh_m2_an": int(df["gisement_gain_energetique_mean"].mean()),
    "gain_ges_moyen_kgco2_m2_an":      int(df["gisement_gain_ges_mean"].mean()),
})

Références

Chiffres Clés Du Logement – Édition 2022. 2022. Service des données et études statistiques (SDES), Commissariat général au développement durable (CGDD), Ministère de la Transition écologique (MTE). https://www.statistiques.developpement-durable.gouv.fr/edition-numerique/chiffres-cles-du-logement-2022/pdf/Chiffres-cles-logement-2022.pdf.
Effinergie. 2023. “Infographie BBC Effinergie Rénovation – Résidentiel.” https://www.ecologie.gouv.fr/sites/default/files/documents/20231221_Infographie_BBC%20Effinergie%20r%C3%A9novation%20-%20en%20r%C3%A9sidentiel.pdf.
Fonseca, J., and F. Bacao. 2023. “Tabular and Latent Space Synthetic Data Generation: A Literature Review.” Journal of Big Data 10: 115. https://doi.org/10.1186/s40537-023-00792-7.
Gorishniy, Yury, Ivan Rubachev, Valentin Khrulkov, and Artem Babenko. 2021. “Revisiting Deep Learning Models for Tabular Data.” Advances in Neural Information Processing Systems 34: 18932–43. https://proceedings.neurips.cc/paper_files/paper/2021/file/9d86d83f925f2149e9edb0ac3b49229c-Paper.pdf.
Huang, Xin, Ashish Khetan, Milan Cvitkovic, and Zohar Karnin. 2020. TabTransformer: Tabular Data Modeling Using Contextual Embeddings. arXiv preprint. https://arxiv.org/abs/2012.06678.
Pellan, M., M. Louërat, J. El Beze, and G. Habert. 2022. “A Holistic Perspective on the French Building and Construction GHG Footprint.” IOP Conference Series: Earth and Environmental Science (Berlin, Germany), IOP conf. Ser.: Earth environ. Sci., vol. 1078: 012049. https://doi.org/10.1088/1755-1315/1078/1/012049.
Schetelat, P., L. Lefort, and N. Delgado. 2020. “Urban Data Imputation Using Multi-Output Multi-Class Classification.” Proceedings of uSim Conference 2020: 2nd uSim Conference of IBPSA-Scotland (Edinburgh, Scotland) 2: 126–33.
Service-Public.fr. 2024. “DPE Des Petites Surfaces : Nouveaux Seuils Au 1er Juillet 2024.” https://www.service-public.fr/particuliers/actualites/A17154.
Service-Public.fr. n.d. “DPE Collectif.” https://www.service-public.fr/particuliers/vosdroits/F37504.
Transition écologique, Ministère de la. 2021. Arrêté Du 31 Mars 2021 Relatif Au Diplôme de Performance Énergétique Pour Les Bâtiments Ou Parties de Bâtiments à Usage d’habitation En France Métropolitaine. Journal officiel de la République française. https://www.legifrance.gouv.fr/jorf/id/JORFTEXT000043353381.