LES RESEAUX DE NEURONES

Télécharger le fichier pdf d’un mémoire de fin d’études

Les bâtiments connectés

Les nouvelles technologies de capteurs, couplées au développement du big data et du machine learning, permettent aujourd’hui de voir en chaque bâtiment un gisement important de données valorisables autrement que par leur simple attrait scientifique. On assiste donc dans le domaine du bâtiment et des secteurs associés à un fort développement d’applications dites « intelligentes », si bien que selon une certaine vision, le futur sera constitué de bâtiments intelligents, ou « smart buildings », interagissant au sein de « smart cities » constituant un réseau global « intelligent », ou « smart grid ». Les NTIC sont aujourd’hui fortement implantées dans le secteur du bâtiment, ce dernier représentant un gisement de données important et de forte valeur. Ainsi, selon le géant de l’informatique Cisco, 48 % des équipements machine to machine3 (M2M) en 2023 feront partie du secteur des « smart homes » [10]. Les décideurs et acteurs de l’énergie ont d’ailleurs très vite compris le potentiel de ces nouvelles technologies ainsi que leur rôle à jouer. Pour preuve, en 2015, le déploiement des compteurs communicants « Linky », pour le comptage de l’électricité, est inscrit dans la loi relative à la « transition énergétique pour la croissance verte », en application de directives européennes. La société Enedis4 s’engage alors en 2016 à équiper 35 millions de foyers français à l’horizon 2021, ceci afin de préparer la transition vers un réseau intelligent ou « smart grid ». Ce nouveau compteur, interrogeable et actionnable à distance, devrait en effet mener vers une meilleure gestion du réseau électrique, en permettant, entre autres, la relève automatique des consommations, la facturation sur consommation réelle, le pilotage des équipements pour l’effacement de consommation, la détection des pannes à distance, ou encore la facilitation de l’intégration des énergies renouvelables via une meilleure gestion de l’intermittence de production. À cela s’ajoute la possibilité pour le consommateur de connaître sa consommation en temps réel, lui permettant d’identifier certaines habitudes ou équipements énergivores et de pouvoir ainsi réduire sa consommation. Enfin, la valeur économique des données collectées, bien que difficilement estimable, est bien réelle, si bien que des offres commerciales de valorisation de ces données voient le jour. Parallèlement, et ce dans un but similaire, la société GRDF5 déploie depuis 2015 ses compteurs communicants « Gazpar », et espère avoir équipé les 11 millions de foyers français raccordés au réseau de gaz naturel d’ici à 2022.
Les nouvelles technologies de capteurs sans fil, couplées au développement du machine learning et de solutions de stockage dans le « cloud »6, ont permis à de nombreuses applications commerciales clé en main de voir le jour. Ces dernières visent à réduire notre consommation d’énergie tout en augmentant notre confort au sein du bâtiment, ceci à travers une interface de visualisation de l’énergie consommée et en allant parfois jusqu’au contrôle des équipements. L’information de base fournie à l’utilisateur reste la consommation énergétique du foyer mesurée en temps réel, pouvant être ventilée selon les usages. Vient ensuite la mise à disposition de l’historique des consommations, permettant par exemple de visualiser l’impact d’un comportement vertueux de manière à encourager la poursuite de celui-ci. La connaissance des habitudes de consommations peut par ailleurs alimenter des estimations de consommations futures, qui, associées à une offre de fourniture comprenant des périodes tarifaires, peut permettre au consommateur de modifier ses habitudes afin de réduire sa facture d’énergie. En plus d’une simple fonction de mesure et d’information, des systèmes tels que les thermostats intelligents peuvent être amenés à contrôler certains équipements. La grande majorité des solutions grand public visent le contrôle en température, comme les thermostats Ecobee, Netatmo, ou Nest. Ce dernier embarque des capteurs de température, d’humidité, de présence et de luminosité, et permet de contrôler la température ambiante via le pilotage du système de chauffage central. Le thermostat est connecté à Internet par Wi-Fi, la programmation horaire ainsi que la température de consigne peuvent donc être programmées à distance via une interface de gestion en ligne intégrant également des outils de visualisation de la consommation. Les fabricants de ces thermostats mettent en avant le caractère « intelligent » de ces systèmes de par leur capacité à apprendre des habitudes des occupants, et annoncent des économies d’énergie de l’ordre de 25 %. Ces derniers peuvent donc contrôler de manière autonome la température du logement après quelques semaines d’apprentissage. Certains sont également capables d’anticiper les changements de consigne en démarrant le chauffage à l’avance, en fonction de la température extérieure prévue. D’autres systèmes de régulation intelligents existent, permettant en plus un contrôle du chauffage zone par zone. C’est le cas des solutions EvoHome de Honeywell et Wiser de Schneider Electric, qui proposent, en plus d’une gestion intelligente du chauffage (anticipation, coupure lors d’absence ou d’ouverture de fenêtres, etc..), des vannes thermostatiques programmables et pilotables à distance. La régulation se fait donc zone par zone directement sur l’émetteur et non plus sur le système de chauffage central, portant les économies annoncées entre 30 % et 40 %.
Mis à part leur capacité d’anticipation, le fonctionnement est somme toute très similaire à un thermostat programmable classique, à la différence près qu’une fois l’apprentissage terminé, l’utilisateur est écarté du processus de régulation. Plusieurs études ont en effet montré que le potentiel de réduction de consommation d’énergie associé à l’utilisation d’un thermostat programmable classique est important, mais que celui-ci est partiellement, voir totalement inutilisé, du fait d’une mauvaise connaissance de l’outil. S’ajoute à cela bon nombre de croyances erronées selon lesquelles il serait par exemple plus économe de chauffer constamment, plutôt que de mettre en place une programmation horaire. Un inventaire de ces études et de leur différentes conclusions est disponible dans [11]. Celles-ci corroborent les observations faites par l’entreprise Manaslu Ing.7 sur un bâtiment de 32 logements équipés de thermostats programmables présents dans le séjour de chaque logement. Il a en effet été constaté que seulement 2 logements ont effectivement mis en place une programmation horaire de leur chauffage. Le développement des thermostats intelligents a donc été basé sur ce constat. Une étude menée sur un an aux Etats-Unis a comparé les économies d’énergie obtenues avec un thermostat intelligent Nest à celles obtenues avec un thermostat programmable classique, par rapport à une gestion manuelle du chauffage [12]. Les participants ont préalablement été formés à l’utilisation de ces outils, permettant ainsi d’écarter au maximum le facteur humain. Une économie d’énergie moyenne de 12,5 % a été enregistrée chez les utilisateurs du Nest après un an d’utilisation, alors que l’utilisation d’un thermostat programmable permettait déjà une réduction de 5 %. L’économie d’énergie obtenue grâce au thermostat Nest par rapport à une gestion manuelle du chauffage, semble bien en deçà des 25 % annoncés. Celle-ci est encore plus faible si l’on compare à une solution déjà optimisée, à savoir un thermostat programmable correctement paramétré.
Finalement, les économies d’énergie annoncées par les différents fabricants sont fortement dépendantes de la situation de référence et ne semblent réalistes que si l’on se base sur une situation reflétant une absence totale de régulation associée à un comportement peu vertueux. Cela peut malheureusement s’entendre lorsque l’on connait la réalité du terrain [11,13]. Par ailleurs, il semble que les économies réalisables sont principalement basées sur le caractère autonome de la régulation, permettant d’écarter l’utilisateur du processus. Un utilisateur averti serait en effet capable de générer des économies d’énergie significatives en appliquant les mêmes stratégies, relevant par ailleurs du bon sens, à savoir programmer un réduit de nuit, couper le chauffage en période d’inoccupation ou lors d’ouvertures de fenêtres, ou réguler la température des zones en fonction de leurs usages. En revanche, ces nouvelles solutions sont en mesure d’apporter un gain de confort au regard des solutions classiques, du fait de leurs capacités anticipatives. Cependant, ce dernier devrait plutôt s’accompagner d’une hausse de la consommation d’énergie par rapport à une solution déjà optimisée sans anticipation. Même s’il est difficile d’identifier avec précision l’intelligence mise en oeuvre dans ces nouveaux dispositifs de régulation, les économies d’énergie, bien que fortement dépendantes de la situation de référence, semblent non négligeables.

Principe de fonctionnement

Sur le plan structurel, un réseau de neurones se présente sous la forme d’un ensemble d’unités élémentaires (les neurones) interconnectées et regroupées en couches pour former un système avec une ou plusieurs entrées et une ou plusieurs sorties. L’information entre puis chemine au travers du réseau en subissant des transformations successives. Ils peuvent être utilisés pour diverses catégories de problèmes :
 Les problèmes de « régression » : C’est l’application la plus rencontrée en ingénierie, elle consiste en la modélisation de la relation liant des variables entre elles. La plupart des applications consistent en la représentation de phénomènes physiques où la sortie est estimée de manière quantitative.
 Les problèmes de « classification » : L’objectif est de déterminer l’appartenance à une classe en fonction des entrées. À la différence des problèmes de régression, la prédiction est ici d’ordre qualitatif.
 Les problèmes de « clustering », ou partitionnement de données : Ces applications visent à trouver dans le jeu de données des similarités sous-jacentes permettant de regrouper les données en ensembles dont on cherche à maximiser l’homogénéité. L’intérêt est de pouvoir travailler sur d’importantes quantités de données desquelles il serait très difficile pour un humain d’extraire le moindre schéma.
Les réseaux de neurones sont communément considérés comme des modèles de type « boite-noire » appartenant à la famille des modèles statistiques, en opposition aux modèles de connaissances, ou « boite-blanche ». Ainsi, si l’on s’attarde sur la transformation subie par l’information dans le cas de la modélisation d’un phénomène physique avec un réseau de neurones, cela ne nous renseigne pas sur le fonctionnement dudit phénomène. Cependant, de nombreuses recherches sont menées afin de pouvoir extraire des règles pouvant nous renseigner sur la signification des transformations subies par l’information à l’intérieur d’un réseau [28,29].

Neurone formel

Le neurone formel est l’élément de base d’un réseau de neurones et s’inspire du fonctionnement d’un neurone biologique. De façon très simplifiée, celui-ci peut être représenté sur la Figure 1-1 et est caractérisé par :
 Des synapses, constituants les connexions avec les autres neurones ;
 Des dendrites, constituants les entrées du neurone ;
 L’axone, constituant la sortie unique du neurone qui se ramifie ensuite ;
 Le noyau, qui centralise l’information et active la sortie en fonction des stimulations en entrée.
La plupart des modèles de neurones formels sont basés sur celui développé par Mc Culloch et Pitts [14]. Dans sa version la plus simple, tel qu’imaginé par ces auteurs, un neurone formel peut être décrit comme une cellule prenant une ou plusieurs entrées ?? (?=1,2,…,?) sur lesquelles sont réalisées deux opérations pour produire une sortie ? :
 Une somme pondérée des entrées par les coefficients ?? (?=1,2,…,?) appelés « poids synaptiques », pour produire un « potentiel post-synaptique » ? ;
 L’application d’une fonction ? appelée « fonction d’activation », qui donne la sortie du neurone en fonction du potentiel post-synaptique.
Afin de donner plus de liberté au réseau dans sa capacité de représentation, il est possible d’ajouter un biais ? au potentiel post-synaptique tel que représenté sur la Figure 1-2. Celui-ci peut être vu comme une entrée supplémentaire constante égale à 1, pondérée par la valeur du biais.
La fonction seuil est la plus proche du fonctionnement binaire d’un neurone biologique, c’est d’ailleurs celle choisie par Mc Culloch et Pitts pour leur neurone formel. Plusieurs autres fonctions d’activation ont été introduites depuis, afin de satisfaire aux besoins des algorithmes d’apprentissage modernes basés sur la rétropropagation du gradient. Toute fonction dérivable pourrait ainsi être utilisée en tant que fonction d’activation. En pratique, il est préférable qu’elle soit également bornée et monotone croissante [30]. Plusieurs fonctions d’activation existent [31], certaines d’entre elles sont représentées sur la Figure 1-3. Ces dernières sont généralement bornées entre -1 et 1, sauf pour la couche de sortie. A titre d’exemple, nous pouvons citer parmi les plus utilisées la fonction tangente hyperbolique (Eq.1.2) et la fonction sigmoïde (Eq.1.3).

Architecture

Les neurones sont organisés au sein du réseau en différentes couches interconnectées, au minimum de trois, reparties selon trois catégories.
 Couche d’entrée, par laquelle entre l’information ;
 Couche cachée, qui constitue le « coeur » du réseau, elle n’a aucun lien avec l’extérieur ;
 Couche de sortie, par laquelle sort l’information.
La structure d’un réseau peut donc être définie par son nombre de couches et le nombre de neurones par couche. Sa profondeur dépend du nombre de couches cachées : plus il est important et plus le réseau est qualifié de profond. Il existe différents types de connexions : les connexions intercouches (entre neurones de couches voisines), intracouche (entre neurones de la même couche), supracouche (entre neurones de couches non adjacentes) et l’auto-connexion (neurone connecté à lui-même). L’information circule différemment en fonction du type de réseau utilisé qui est défini selon la manière dont les neurones sont connectés entre eux. Lorsque l’information circule uniquement vers l’avant, autrement dit lorsque le réseau est acyclique, ce dernier peut être qualifié de statique ou de type feed-forward, tel que représenté sur la Figure 1-4.

Table des matières

CONTEXTE GENERAL DE LA THESE 
I. DU BIG DATA AU MACHINE LEARNING
II. LA CONSOMMATION ENERGETIQUE DU SECTEUR DU BATIMENT
III. LES BATIMENTS CONNECTES
IV. OBJECTIFS DE LA THESE
CHAPITRE 1 LES RESEAUX DE NEURONES
1.1 HISTORIQUE
1.2 PRINCIPE DE FONCTIONNEMENT
1. 3 NEURONE FORMEL
1.4 ARCHITECTURE
1.5 APPRENTISSAGE
1.6 PROCESSUS DE MISE EN OEUVRE D’UN RESEAU DE NEURONES
1.6.1 Choix des variables d’entrée
1.6.2 Collecte des données
1.6.3 Analyse et traitement des données
1.6.4 Séparation des données
1.6.5 Choix de la structure du réseau de neurones et de ses paramètres
1.6.6 Choix du critère d’évaluation de la performance
1.6.7 Apprentissage
1.7 APPLICATIONS A L’ENERGETIQUE DU BATIMENT
1.7.1 Conception du bâtiment
1.7.2 Contrôle des systèmes
1.7.3 Prédiction de la consommation d’énergie
1.7.4 Rénovation et évaluation de la performance énergétique
1.8 CONCLUSION DU CHAPITRE
CHAPITRE 2 CALIBRATION DE MODELE DE SIMULATION THERMIQUE DYNAMIQUE 
2.1 ETAT DE L’ART
2.1.1 Les notions de système et de modèle
2.1.2 Les modèles de simulation du bâtiment
2.1.3 Les sources d’incertitude
2.1.4 Les méthodes de calibration
2.1.5 Les indicateurs de performance
2.2 PRESENTATION GENERALE DU PROJET HIKARI
2.2.1 Contexte du projet
2.2.2 Situation géographique
2.2.3 Conditions météorologiques
2.3 PRESENTATION DU BATIMENT HIGASHI
2.3.1 Usages et caractéristiques de l’enveloppe
2.3.2 Systèmes terminaux
2.3.3 Instrumentation des zones de bureaux
2.4 DESCRIPTION DE LA METHODE DE CALIBRATION UTILISEE
2.5 PRESENTATION DU MODELE DE BATIMENT
2.5.1 Présentation générale
2.5.2 Données météorologiques
2.5.3 Modélisation du chauffage et du rafraîchissement
2.5.4 Modélisation des échanges d’air
2.5.5 Modélisation des apports internes
2.5.6 Modélisation des protections solaires
2.6 ANALYSE DES RESULTATS DE SIMULATION
2.6.1 Analyse statique en consommation d’énergie
2.6.2 Analyse dynamique des puissances appelées
2.6.3 Analyse statistique des températures de zones
2.6.4 Analyse dynamique des températures de zones
2.7 DISCUSSION SUR LES RESULTATS DE CALIBRATION
2.8 CONCLUSION DU CHAPITRE
CHAPITRE 3 MISE EN OEUVRE D’UN CONTROLEUR PREDICTIF BASE SUR L’UTILISATION DE RESEAUX DE NEURONES 
3.1 INTRODUCTION
3.1.1 Le contrôle en température dans le bâtiment et ses limites
3.1.2 Le contrôle prédictif
3.1.3 Objectifs et déroulement du chapitre
3.2 MISE EN OEUVRE D’UN CONTROLEUR PREDICTIF
3.2.1 Démarche
3.2.2 Structure du contrôleur
3.3 DEVELOPPEMENT DU RESEAU DE NEURONES COMME ELEMENT DU MODELE INTERNE
3.3.1 Choix du réseau de neurones et de ses paramètres
3.3.2 Génération des données d’apprentissage
3.3.3 Optimisation de la structure du réseau de neurones
3.3.4 Choix du critère de sélection
3.3.5 Résultats de l’optimisation et performance des réseaux de neurones
3.4 EVALUATION DES PERFORMANCES DU CONTROLE PREDICTIF EN CONDITIONS IDEALES
3.4.1 Contrôleurs de référence
3.4.2 Critères d’évaluation de la performance
3.4.3 Hypothèses de simulation
3.4.4 Application au modèle calibré et analyse des résultats
3.5 EVALUATION DES PERFORMANCES DU CONTROLE PREDICTIF EN CONDITIONS REALISTES
3.5.1 Prise en compte du comportement réel des zones adjacentes
3.5.2 Impact d’une perturbation non prévisible
3.6 CAS D’UN EMETTEUR INERTIEL
3.6.1 Présentation de la démarche
3.6.2 Description de l’émetteur
3.6.3 Analyse des résultats
3.7 CONCLUSION DU CHAPITRE
CONCLUSION GENERALE
REFERENCES
ANNEXES
Annexe 1 : Descriptif de l’entreprise Manaslu Ing.
Annexe 2 : Tableaux de résultats détaillés obtenus lors des tests en conditions idéales

Télécharger le rapport complet