Predykcja klas energetycznych budynków z wykorzystaniem AutoML i Location Intelligence

W kontekście rosnącej presji regulacyjnej i ambitnych celów polityki klimatycznej, dostęp do wysokiej jakości danych o efektywności energetycznej budynków oraz narzędzi analitycznych pozwalających na badanie zjawiska staje się kluczowym elementem transformacji energetycznej.

Algolytics, dostawca zaawansowanych narzędzi analitycznych i danych lokalizacyjnych, opracował rozwiązanie umożliwiające prognozowanie charakterystyki energetycznej budynków mieszkalnych – z zastosowaniem własnej bazy danych oraz platformy AutoML Automatic Business Modeler (ABM).

Zastosowanie narzędzia do prognozowania efektywności energetycznej budynków jednorodzinnych

Narzędzie, które stworzyliśmy pozwala zidentyfikować budynki mieszkalne o niskiej efektywności energetycznej (klasy D–G wg planowanej klasyfikacji MRiT), a następnie oszacować potencjał termomodernizacyjny na poziomie gmin w całej Polsce. Projekt wpisuje się w potrzeby różnych grup interesariuszy, m.in.:

• banków – do targetowania zielonych produktów finansowych,
• samorządów (JST – jednostki samorządu terytorialnego) – w planowaniu polityki energetycznej i wdrażaniu programów dotacyjnych (np. „Czyste Powietrze”, KPO),
• firm energetycznych i ESCO (ang. Energy Service Companies) – do wstępnej kwalifikacji nieruchomości do modernizacji,
• deweloperów i zarządców nieruchomości – w ocenie portfela nieruchomości pod kątem efektywności energetycznej.
• właścicieli nieruchomości oraz rzeczoznawców energetycznych – w przygotowaniu do obowiązkowej certyfikacji energetycznej budynków (świadectwa charakterystyki energetycznej). 

Dane źródłowe i metodologia prognozowania efektywności energetycznej – CHEB i location intelligence

Dane wejściowe pochodziły z Centralnego Rejestru Charakterystyki Energetycznej Budynków (CHEB), który zawiera wskaźniki zużycia energii:

• EU – zapotrzebowanie na energię użytkową,
• EK – zapotrzebowanie na energię końcową,
• EP – zapotrzebowanie na nieodnawialną energię pierwotną (kluczowy wskaźnik dla klasyfikacji energetycznej).

Te informacje zostały wzbogacone o dane przestrzenne i socjoekonomiczne z systemu Location Intelligence Algolytics – zawierające m.in. szczegółowe cechy budynków (rok budowy, typ, liczba kondygnacji), dane demograficzne, dochodowe, otoczenie urbanistyczne, typy zabudowy oraz punkty POI (points of interest – np. sklepy, szkoły, usługi, komunikacja).

W modelowaniu wykorzystano technologię AutoML ABM, która automatyzuje cały proces: od selekcji cech i inżynierii zmiennych po wybór i tuning modeli. Finalny model osiągnął bardzo dobrą jakość predykcji – ROC AUC na poziomie ~80%.

Proces integracji danych przestrzennych i modelowania efektywności energetycznej

Aby wytrenować model wykonaliśmy nastepujące kroki

• Pozyskano dane energetyczne z CHEB i połączono z bazą Algolytics dla budynków jednorodzinnych.
• Zdefiniowano zmienną celu: 1 – klasy D/E/F/G, 0 – pozostałe.
• Przeprowadzono proces modelowania w ABM, wykorzystując bogaty zestaw cech lokalizacyjnych.
• Przescorowano pozostałe budynki jednorodzinne w bazie Algolytics.
• Obliczono zagregowany wskaźnik potencjału termomodernizacji dla wszystkich gmin w Polsce.

Wyniki scoringu potencjału termomodernizacji – analityka lokalizacyjna w działaniu

Model stworzony przez autoML wykorzystuje około 100 informacji opisujących budynek, jego otoczenie oraz charakterystykę socjo-demograficzną mieszkańców.

Skuteczność predykcyjna modelu to AUR ROC 80% (GINI 60%)

Poniżej projekcie ocen scoringowych na kilka obszarów:

Widzimy charakterystyczną zależność - budynki jednorodzinne zlokalizowane w obrębie terenów miejskich cechują się niską efektywnością energetyczną. Obszary podmiejskie to tereny o młodszej zabudowie wykonanej już przy zachowaniu wyższych standardów termoizolacji.

Praktyczne zastosowania modelu predykcyjnego efektywności energetycznej budynków

Tak skonstruowany model może służyć:

• do targetowania działań door-to-door przez firmy realizujące programy modernizacyjne,
• jako komponent systemu CRM do priorytetyzacji kontaktów z mieszkańcami domów o niskiej efektywności,
• do identyfikacji „zielonych okazji” inwestycyjnych przez instytucje finansowe,
• jako narzędzie wsparcia strategicznego dla JST i firm infrastrukturalnych planujących interwencje terytorialne,
• do wstępnej oceny klasy energetycznej budynków w kontekście przygotowania świadectwa charakterystyki energetycznej.

Kontekst regulacyjny i rola predykcji klasy energetycznej w polityce ESG i klasyfikacji energetycznej (certyfikat energetyczny)

Model wpisuje się w szerszy kontekst zmian regulacyjnych – m.in. projekt rozporządzenia MRiT wprowadzający obowiązkową klasyfikację energetyczną budynków (A+ do G). Wskaźnik EP stanie się podstawą tej klasyfikacji, a jego znajomość i wykorzystanie go w predykcji klasy energetycznej zyskają na znaczeniu zarówno przy transakcjach nieruchomościami, jak i w kontekście działań ESG (ang. Environmental, Social and Governance – środowiskowe, społeczne i ładu korporacyjnego), które coraz częściej determinują dostęp do kapitału i wsparcia publicznego.

Wsparcie procesu sporządzania świadectwa energetycznego 

W kontekście obowiązku posiadania świadectwa charakterystyki energetycznej przy sprzedaży, wynajmie czy oddaniu budynku do użytkowania, predykcja klasy energetycznej z wykorzystaniem wskaźnika EP jako jednej z wielu cech wejściowych, obok danych przestrzennych i socjoekonomicznych, staje się praktycznym narzędziem wspierającym właścicieli nieruchomości, deweloperów i zarządców.  

Model Algolytics umożliwia wstępną ocenę klasy energetycznej (od A⁺ do G), co pozwala na przygotowanie do certyfikacji, identyfikację budynków wymagających modernizacji oraz planowanie działań zgodnych z polityką ESG. Dzięki integracji danych z CHEB, Location Intelligence i technologii AutoML ABM, użytkownicy mogą uzyskać szybki i wiarygodny obraz efektywności energetycznej budynku jeszcze przed formalnym audytem.

Plany rozwoju: predykcja efektywności energetycznej dla budynków wielorodzinnych i publicznych oraz integracja z modelami oceny wartości nieruchomości

Planowane są rozszerzenia projektu na inne typy nieruchomości (wielorodzinne, publiczne) oraz integracja predykcji EP z modelami oceny wartości nieruchomości i popytu na rynku najmu. Analiza potencjału transformacyjnego na poziomie mikroregionów może wkrótce stać się standardowym komponentem polityk ESG, planowania przestrzennego i projektowania usług energetycznych.

Jeśli chcesz dowiedzieć się więcej o technologii Location Intelligence i AutoML Algolytics – zapraszamy do kontaktu.