Méthodologie & Modèle de calcul

Protocole de collecte de données, définitons techniques et modèle de calcul pour la modélisation de la puissance électrique et de l'énergie consommée par les centres de données au Québec.

Sources Typologie Modèle de calcul Incertitudes Données ouvertes Bibliographie

Cadre de recherche et inspirations méthodologiques

Cette démarche s'inscrit dans un projet de recherche collaborative porté par le Collectif NRS, en partenariat avec CO lab et des travaux de maîtrise professionnelle en action climatique de l'Université Laval. Le protocole d'estimation de puissance et de consommation s'inspire du cadre méthodologique prospectif développé par l'ADEME pour la France et adapté pour les plateformes cartographiques ouvertes par Hubblo.

Sources de données et protocole de collecte

Typologie et classification des infrastructures

Typologie Description technique & Usage PUE indicatif
Retail Infrastructures d'hébergement mutualisées d'une capacité électrique inférieure à 10 MW et d'une superficie de 5 000 à 21 000 pi², caractérisées par une allocation fragmentée des baies serveurs (1 à 10 racks par client). En raison de la forte hétérogénéité des charges de calcul et d'une densité de puissance moyenne relativement faible (environ 3 à 5 kW par baie), leur indicateur d'efficacité énergétique (PUE) se situe généralement dans une fourchette sous-optimale de 1,6 à 2,0. 1,60 – 2,00
Wholesale Installations de grande capacité, opérant au-delà de 10 MW sur des surfaces allant de 21 000 à 100 000 pi², dédiées à la location d'espaces de type « salle blanche » de grande envergure. L'homogénéisation partielle des équipements informatiques et les économies d'échelle réalisées sur les systèmes de refroidissement mécaniques permettent d'abaisser le PUE moyen entre 1,3 et 1,5. 1,30 – 1,50
Hyperscale Complexes de calcul massif dépassant généralement les 40 MW de puissance et les 100 000 pi² de superficie, conçus sur mesure avec des densités thermiques extrêmes allant de 15 kW à plus de 40 kW par baie. Une ingénierie thermique hautement optimisée, exploitant des techniques de refroidissement liquide (direct-to-chip) ou de refroidissement par air extérieur (free cooling), permet d'atteindre de bons rendements thermodynamiques, avec un PUE oscillant entre 1,10 et 1,20. 1,10 – 1,20
HPC Infrastructures spécialisées conçues pour l'exécution de calculs intensifs, caractérisées par une très haute densité de puissance (généralement > 15 kW par baie) et des architectures de refroidissement avancées, incluant souvent le refroidissement liquide direct. Leur PUE peut varier considérablement selon les technologies de refroidissement utilisées et les optimisations mises en œuvre, se situant typiquement dans une fourchette allant de 1,10 à 1,50. 1,10 – 1,50
Crypto Infrastructures de calcul distribué à haute intensité énergétique, affichant de fortes densités de puissance, mais typiquement dépourvues des redondances électromécaniques (onduleurs, génératrices) propres aux architectures résilientes de niveaux Tier III ou IV. 1,05 – 1,15
Quantique Installations hébergeant des processeurs quantiques à qubits, nécessitant des infrastructures de refroidissement capables de maintenir des états thermiques de l'ordre de 10 à 25 millikelvins (-273,14 °C). N/A (Cryogénie)

Modèle de calcul

Estimation de la surface informatique utile (Salle TI)

SIT = Sretenue × 0,50

Nous reprenons ici l'hypothèse posée par l'ADEME et Hubblo dans leur rapport prospectif sur les centres de données : la surface de plancher informatique (« white space » ou salle blanche) représentant l'espace occupé par les baies serveurs est estimée à 50 % de la surface bâtie au sol. Les 50 % restants sont alloués aux locaux techniques électromécaniques (transformateurs, onduleurs/UPS, génératrices, groupes froids, distribution électrique et voies d'accès).

SIT : Surface utile de salle blanche dédiée aux serveurs (en pi²).
Sretenue : Si la surface annoncée existe, elle est retenue en priorité (Sannoncée × 50 %). Si la surface annoncée n'existe pas et que le centre de données est en opération, la surface calculée par cadastre SIG est utilisée (Scalculée × 50 %). Sinon (site en projet ou en construction sans surface annoncée), SIT est fixé à 0.
0,50 : Ratio technique plancher utile / locaux auxiliaires.

Estimation de la puissance électrique installée (Mégawatts)

Pestimée (MW) = ( SIT × Dtype ) / 1 000 000

Lorsque la puissance électrique installée n'est pas publiquement divulguée par l'exploitant, elle est modélisée à partir de la surface utile de salle blanche (SIT en pi²) et de la densité de puissance surfacique (Dtype en W/pi²), puis convertie en mégawatts. Les valeurs de faible et haute densité proviennent du rapport prospectif de l'ADEME, tandis que les densités appliquées au minage de cryptomonnaies et à l'informatique quantique sont des hypothèses de modélisation établies par notre équipe.

Densités de puissance surfacique appliquées (W/pi²) :

Classe de densité Densité surfacique (W/pi²) Usages typiques associés
Faible densité 186 W/pi² Retail colocation classique, hébergement web mutualisé.
Haute densité 557 W/pi² Wholesale moderne, Hyperscale cloud, serveurs virtualisés.
Minage Cryptomonnaies 743 W/pi² Racks ASIC ultra-denses, calcul de blocs intensif.
Informatique Quantique 93 W/pi² Environnements de laboratoire cryogénique de recherche.
Pretenue : Si la puissance électrique est explicitement annoncée par l'exploitant dans des sources vérifiables (Pannoncée > 0), cette valeur fait autorité et prévaut sur l'estimation calculée. Pour les sites en projet ou en construction, seule la puissance annoncée est comptabilisée dans la catégorie prévisionnelle.

Modélisation de la consommation électrique annuelle (TWh/an)

Eannuelle (TWh/an) = ( P × Taux de charge × 8 766 h ) / 1 000 000

L'énergie électrique annuelle théorique absorbée par le parc en service est modélisée en appliquant un taux de charge moyen (facteur d'utilisation annuel de la puissance installée) spécifique à chaque typologie d'installation, sur une base de 8 766 heures par an (365,25 jours).

Facteurs de charge par profil d'activité :

Type d'infrastructure Taux de charge annuel appliqué Justification empirique & Référence
Retail / Wholesale / Hyperscale 28,77 % (0,28768) Facteur d'utilisation moyen des parcs de colocation et cloud documenté dans les études prospectives sectorielles (ADEME / Hubblo).
HPC / Supercalculateurs / IA 90,00 % (0,90000) Exécution continue de charges de calcul scientifique et pipelines d'entraînement de modèles d'apprentissage profond.
Minage de cryptomonnaies 93,48 % (0,93482) Exploitation quasi-ininterrompue 24h/24 des mineurs ASIC pour maximiser le rendement du capital machine.
Informatique quantique 100,00 % (1,00000) Maintien permanent des cycles cryogéniques sous vide thermique continu.

Limites méthodologiques et gestion des incertitudes

Données ouvertes, reproductibilité & Gouvernance

Téléchargement des jeux de données complets

L'intégralité des données géospatiales, des attributs techniques, des calculs de puissance et des métadonnées de recensement est accessible librement aux formats ouverts :

Télécharger GeoJSON (Points & Attributs) ↗ Télécharger GeoJSON (Polygones Bâtiments) ↗ Exporter en tableau CSV ↗

Les données et visualisations sont diffusées sous licence libre Creative Commons Attribution - Pas d'Utilisation Commerciale - Partage dans les Mêmes Conditions 4.0 International (CC BY-NC-SA 4.0).

Bibliographie & Références

Références bibliographiques académiques et rapports institutionnels (norme APA 7ᵉ édition).

  1. ADEME. (2026, janvier). Prospective d’évolution des consommations des data centers en France de 2024 à 2060. Agence de la transition écologique. https://drive.google.com/drive/folders/1KZbRKnUiiXPXJQP0i6qakcH1UZtYJyxT
  2. CIRAIG. (2022, avril). Empreinte environnementale de l’infonuagique du gouvernement du Québec. Centre international de référence sur l'analyse du cycle de vie et la transition durable, Polytechnique Montréal.
  3. Commission de l'éthique en science et en technologie (CEST). (2024). Les effets environnementaux des technologies numériques : une perspective éthique. Avis institutionnel, Gouvernement du Québec.
  4. EPRI. (2024). Powering Intelligence: Analyzing Artificial Intelligence and Data Center Energy Consumption. Electric Power Research Institute.
  5. Globe Content Studio. (2026, juillet). How modular data centres can power Canada’s AI future. The Globe and Mail.
  6. Hubblo. (2024). DCWatch : Data Collection Process & Known Limits Documentation. Plateforme cartographique internationale des centres de données. https://dcwatch.hubblo.org/
  7. Hydro-Québec. (2025, octobre). État d’avancement 2025 du plan d’approvisionnement 2023-2032. Suivi de la décision D-2023-109, Régie de l’énergie du Québec. https://www.regie-energie.qc.ca/storage/app/media/Suivis/Suivi%20D-2023-109/etat-davancement-2025.pdf
  8. International Energy Agency (IEA). (2018). Technology Roadmap: Low-Carbon Transition in the Cement Industry. https://iea.blob.core.windows.net/.../TechnologyRoadmapLowCarbonTransitionintheCementIndustry.pdf
  9. International Energy Agency (IEA). (2020). Energy Technology Perspectives 2020. https://iea.blob.core.windows.net/.../Energy_Technology_Perspectives_2020_PDF.pdf
  10. International Energy Agency (IEA). (2025). World Energy Outlook special report (AI and Energy). IEA Publications.
  11. Luccioni, S., & Jernite, Y. (2025, août). How Your Utility Bills Are Subsidizing Power-Hungry AI. Tech Policy Press. https://www.techpolicy.press/how-your-utility-bills-are-subsidizing-power-hungry-ai/
  12. Ministère de l'Économie, de l'Innovation et de l'Énergie du Québec (MEIE). (2026). Rapport préliminaire en vue du Plan de gestion intégrée des ressources énergétiques. Gouvernement du Québec.
  13. Régie de l'énergie du Québec. (2026). Dossier R-4333-2026 : Demande du Distributeur relative à la fixation des tarifs centres de données et pour usage cryptographique appliqué aux chaînes de blocs. https://www.regie-energie.qc.ca/fr/participants/dossiers/r-4333-2026
  14. Sanon, N. (2025, décembre). The Triple-Bottom Line for AI Data Centers: Minimizing Water, Waste and Watts for Sustainability [Projet de fin d'études MBA]. McGill-HEC, Montréal, Canada.
  15. Shehabi, A., Smith, S., & Hubbard, A. (2024). 2024 United States Data Center Energy Usage Report. Energy Analysis & Environmental Impacts Division, Lawrence Berkeley National Laboratory. https://escholarship.org/content/qt32d6m0d1/qt32d6m0d1.pdf
  16. The Shift Project. (2025, octobre). Intelligence artificielle, données, calculs : quelles infrastructures dans un monde décarboné ? https://theshiftproject.org/app/uploads/2025/09/Synthese-RF-PIA-1.pdf
  17. Thève, A. (2026). À la recherche des centres de données Québécois [Document de cadrage]. Collectif NRS. https://docs.google.com/document/d/1KTpCvJ-vEf3w7dQ9WooWHU3BEfqG7dOdpxkb7rs0Xrw/
  18. Thomas, C. (2026, hiver). Projet : Cartographie des centres de données au Québec (Collectif NRS) [Rapport 2]. Maîtrise en action climatique, Université Laval, Québec, Canada.
  19. World Economic Forum. (2024). Circular water solutions key to sustainable data centres. https://www.weforum.org/stories/2024/11/circular-water-solutions-sustainable-data-centres/

Participer à l'amélioration de la méthodologie

Vous êtes chercheur·se, ingénieur·e en efficacité énergétique, exploitant ou citoyen·ne détenant des données ? Vos retours et contributions sont essentiels pour affiner le modèle.

Écrire à [email protected] En savoir plus sur l'équipe ↗