Tรฉlรฉcharger le fichier pdf d’un mรฉmoire de fin d’รฉtudes
Les bรขtiments connectรฉs
Les nouvelles technologies de capteurs, couplรฉes au dรฉveloppement du big data et du machine learning, permettent aujourdโhui de voir en chaque bรขtiment un gisement important de donnรฉes valorisables autrement que par leur simple attrait scientifique. On assiste donc dans le domaine du bรขtiment et des secteurs associรฉs ร un fort dรฉveloppement dโapplications dites ยซ intelligentes ยป, si bien que selon une certaine vision, le futur sera constituรฉ de bรขtiments intelligents, ou ยซ smart buildings ยป, interagissant au sein de ยซ smart cities ยป constituant un rรฉseau global ยซ intelligent ยป, ou ยซ smart grid ยป. Les NTIC sont aujourdโhui fortement implantรฉes dans le secteur du bรขtiment, ce dernier reprรฉsentant un gisement de donnรฉes important et de forte valeur. Ainsi, selon le gรฉant de lโinformatique Cisco, 48 % des รฉquipements machine to machine3 (M2M) en 2023 feront partie du secteur des ยซ smart homes ยป [10]. Les dรฉcideurs et acteurs de lโรฉnergie ont dโailleurs trรจs vite compris le potentiel de ces nouvelles technologies ainsi que leur rรดle ร jouer. Pour preuve, en 2015, le dรฉploiement des compteurs communicants ยซ Linky ยป, pour le comptage de l’รฉlectricitรฉ, est inscrit dans la loi relative ร la ยซ transition รฉnergรฉtique pour la croissance verte ยป, en application de directives europรฉennes. La sociรฉtรฉ Enedis4 sโengage alors en 2016 ร รฉquiper 35 millions de foyers franรงais ร lโhorizon 2021, ceci afin de prรฉparer la transition vers un rรฉseau intelligent ou ยซ smart grid ยป. Ce nouveau compteur, interrogeable et actionnable ร distance, devrait en effet mener vers une meilleure gestion du rรฉseau รฉlectrique, en permettant, entre autres, la relรจve automatique des consommations, la facturation sur consommation rรฉelle, le pilotage des รฉquipements pour lโeffacement de consommation, la dรฉtection des pannes ร distance, ou encore la facilitation de lโintรฉgration des รฉnergies renouvelables via une meilleure gestion de lโintermittence de production. ร cela sโajoute la possibilitรฉ pour le consommateur de connaรฎtre sa consommation en temps rรฉel, lui permettant dโidentifier certaines habitudes ou รฉquipements รฉnergivores et de pouvoir ainsi rรฉduire sa consommation. Enfin, la valeur รฉconomique des donnรฉes collectรฉes, bien que difficilement estimable, est bien rรฉelle, si bien que des offres commerciales de valorisation de ces donnรฉes voient le jour. Parallรจlement, et ce dans un but similaire, la sociรฉtรฉ GRDF5 dรฉploie depuis 2015 ses compteurs communicants ยซ Gazpar ยป, et espรจre avoir รฉquipรฉ les 11 millions de foyers franรงais raccordรฉs au rรฉseau de gaz naturel dโici ร 2022.
Les nouvelles technologies de capteurs sans fil, couplรฉes au dรฉveloppement du machine learning et de solutions de stockage dans le ยซ cloud ยป6, ont permis ร de nombreuses applications commerciales clรฉ en main de voir le jour. Ces derniรจres visent ร rรฉduire notre consommation dโรฉnergie tout en augmentant notre confort au sein du bรขtiment, ceci ร travers une interface de visualisation de lโรฉnergie consommรฉe et en allant parfois jusquโau contrรดle des รฉquipements. Lโinformation de base fournie ร lโutilisateur reste la consommation รฉnergรฉtique du foyer mesurรฉe en temps rรฉel, pouvant รชtre ventilรฉe selon les usages. Vient ensuite la mise ร disposition de lโhistorique des consommations, permettant par exemple de visualiser lโimpact dโun comportement vertueux de maniรจre ร encourager la poursuite de celui-ci. La connaissance des habitudes de consommations peut par ailleurs alimenter des estimations de consommations futures, qui, associรฉes ร une offre de fourniture comprenant des pรฉriodes tarifaires, peut permettre au consommateur de modifier ses habitudes afin de rรฉduire sa facture dโรฉnergie. En plus dโune simple fonction de mesure et dโinformation, des systรจmes tels que les thermostats intelligents peuvent รชtre amenรฉs ร contrรดler certains รฉquipements. La grande majoritรฉ des solutions grand public visent le contrรดle en tempรฉrature, comme les thermostats Ecobee, Netatmo, ou Nest. Ce dernier embarque des capteurs de tempรฉrature, dโhumiditรฉ, de prรฉsence et de luminositรฉ, et permet de contrรดler la tempรฉrature ambiante via le pilotage du systรจme de chauffage central. Le thermostat est connectรฉ ร Internet par Wi-Fi, la programmation horaire ainsi que la tempรฉrature de consigne peuvent donc รชtre programmรฉes ร distance via une interface de gestion en ligne intรฉgrant รฉgalement des outils de visualisation de la consommation. Les fabricants de ces thermostats mettent en avant le caractรจre ยซ intelligent ยป de ces systรจmes de par leur capacitรฉ ร apprendre des habitudes des occupants, et annoncent des รฉconomies dโรฉnergie de lโordre de 25 %. Ces derniers peuvent donc contrรดler de maniรจre autonome la tempรฉrature du logement aprรจs quelques semaines dโapprentissage. Certains sont รฉgalement capables dโanticiper les changements de consigne en dรฉmarrant le chauffage ร lโavance, en fonction de la tempรฉrature extรฉrieure prรฉvue. Dโautres systรจmes de rรฉgulation intelligents existent, permettant en plus un contrรดle du chauffage zone par zone. Cโest le cas des solutions EvoHome de Honeywell et Wiser de Schneider Electric, qui proposent, en plus dโune gestion intelligente du chauffage (anticipation, coupure lors dโabsence ou dโouverture de fenรชtres, etc..), des vannes thermostatiques programmables et pilotables ร distance. La rรฉgulation se fait donc zone par zone directement sur lโรฉmetteur et non plus sur le systรจme de chauffage central, portant les รฉconomies annoncรฉes entre 30 % et 40 %.
Mis ร part leur capacitรฉ dโanticipation, le fonctionnement est somme toute trรจs similaire ร un thermostat programmable classique, ร la diffรฉrence prรจs quโune fois lโapprentissage terminรฉ, lโutilisateur est รฉcartรฉ du processus de rรฉgulation. Plusieurs รฉtudes ont en effet montrรฉ que le potentiel de rรฉduction de consommation dโรฉnergie associรฉ ร lโutilisation dโun thermostat programmable classique est important, mais que celui-ci est partiellement, voir totalement inutilisรฉ, du fait dโune mauvaise connaissance de lโoutil. Sโajoute ร cela bon nombre de croyances erronรฉes selon lesquelles il serait par exemple plus รฉconome de chauffer constamment, plutรดt que de mettre en place une programmation horaire. Un inventaire de ces รฉtudes et de leur diffรฉrentes conclusions est disponible dans [11]. Celles-ci corroborent les observations faites par lโentreprise Manaslu Ing.7 sur un bรขtiment de 32 logements รฉquipรฉs de thermostats programmables prรฉsents dans le sรฉjour de chaque logement. Il a en effet รฉtรฉ constatรฉ que seulement 2 logements ont effectivement mis en place une programmation horaire de leur chauffage. Le dรฉveloppement des thermostats intelligents a donc รฉtรฉ basรฉ sur ce constat. Une รฉtude menรฉe sur un an aux Etats-Unis a comparรฉ les รฉconomies dโรฉnergie obtenues avec un thermostat intelligent Nest ร celles obtenues avec un thermostat programmable classique, par rapport ร une gestion manuelle du chauffage [12]. Les participants ont prรฉalablement รฉtรฉ formรฉs ร lโutilisation de ces outils, permettant ainsi dโรฉcarter au maximum le facteur humain. Une รฉconomie dโรฉnergie moyenne de 12,5 % a รฉtรฉ enregistrรฉe chez les utilisateurs du Nest aprรจs un an dโutilisation, alors que lโutilisation dโun thermostat programmable permettait dรฉjร une rรฉduction de 5 %. Lโรฉconomie dโรฉnergie obtenue grรขce au thermostat Nest par rapport ร une gestion manuelle du chauffage, semble bien en deรงร des 25 % annoncรฉs. Celle-ci est encore plus faible si lโon compare ร une solution dรฉjร optimisรฉe, ร savoir un thermostat programmable correctement paramรฉtrรฉ.
Finalement, les รฉconomies dโรฉnergie annoncรฉes par les diffรฉrents fabricants sont fortement dรฉpendantes de la situation de rรฉfรฉrence et ne semblent rรฉalistes que si lโon se base sur une situation reflรฉtant une absence totale de rรฉgulation associรฉe ร un comportement peu vertueux. Cela peut malheureusement sโentendre lorsque lโon connait la rรฉalitรฉ du terrain [11,13]. Par ailleurs, il semble que les รฉconomies rรฉalisables sont principalement basรฉes sur le caractรจre autonome de la rรฉgulation, permettant dโรฉcarter lโutilisateur du processus. Un utilisateur averti serait en effet capable de gรฉnรฉrer des รฉconomies dโรฉnergie significatives en appliquant les mรชmes stratรฉgies, relevant par ailleurs du bon sens, ร savoir programmer un rรฉduit de nuit, couper le chauffage en pรฉriode dโinoccupation ou lors dโouvertures de fenรชtres, ou rรฉguler la tempรฉrature des zones en fonction de leurs usages. En revanche, ces nouvelles solutions sont en mesure dโapporter un gain de confort au regard des solutions classiques, du fait de leurs capacitรฉs anticipatives. Cependant, ce dernier devrait plutรดt sโaccompagner dโune hausse de la consommation dโรฉnergie par rapport ร une solution dรฉjร optimisรฉe sans anticipation. Mรชme sโil est difficile dโidentifier avec prรฉcision lโintelligence mise en oeuvre dans ces nouveaux dispositifs de rรฉgulation, les รฉconomies dโรฉnergie, bien que fortement dรฉpendantes de la situation de rรฉfรฉrence, semblent non nรฉgligeables.
Principe de fonctionnement
Sur le plan structurel, un rรฉseau de neurones se prรฉsente sous la forme dโun ensemble dโunitรฉs รฉlรฉmentaires (les neurones) interconnectรฉes et regroupรฉes en couches pour former un systรจme avec une ou plusieurs entrรฉes et une ou plusieurs sorties. Lโinformation entre puis chemine au travers du rรฉseau en subissant des transformations successives. Ils peuvent รชtre utilisรฉs pour diverses catรฉgories de problรจmes :
๏ท Les problรจmes de ยซ rรฉgression ยป : Cโest lโapplication la plus rencontrรฉe en ingรฉnierie, elle consiste en la modรฉlisation de la relation liant des variables entre elles. La plupart des applications consistent en la reprรฉsentation de phรฉnomรจnes physiques oรน la sortie est estimรฉe de maniรจre quantitative.
๏ท Les problรจmes de ยซ classification ยป : Lโobjectif est de dรฉterminer lโappartenance ร une classe en fonction des entrรฉes. ร la diffรฉrence des problรจmes de rรฉgression, la prรฉdiction est ici dโordre qualitatif.
๏ท Les problรจmes de ยซ clustering ยป, ou partitionnement de donnรฉes : Ces applications visent ร trouver dans le jeu de donnรฉes des similaritรฉs sous-jacentes permettant de regrouper les donnรฉes en ensembles dont on cherche ร maximiser lโhomogรฉnรฉitรฉ. Lโintรฉrรชt est de pouvoir travailler sur dโimportantes quantitรฉs de donnรฉes desquelles il serait trรจs difficile pour un humain dโextraire le moindre schรฉma.
Les rรฉseaux de neurones sont communรฉment considรฉrรฉs comme des modรจles de type ยซ boite-noire ยป appartenant ร la famille des modรจles statistiques, en opposition aux modรจles de connaissances, ou ยซ boite-blanche ยป. Ainsi, si lโon sโattarde sur la transformation subie par lโinformation dans le cas de la modรฉlisation dโun phรฉnomรจne physique avec un rรฉseau de neurones, cela ne nous renseigne pas sur le fonctionnement dudit phรฉnomรจne. Cependant, de nombreuses recherches sont menรฉes afin de pouvoir extraire des rรจgles pouvant nous renseigner sur la signification des transformations subies par lโinformation ร lโintรฉrieur dโun rรฉseau [28,29].
Neurone formel
Le neurone formel est lโรฉlรฉment de base dโun rรฉseau de neurones et sโinspire du fonctionnement dโun neurone biologique. De faรงon trรจs simplifiรฉe, celui-ci peut รชtre reprรฉsentรฉ sur la Figure 1-1 et est caractรฉrisรฉ par :
๏ท Des synapses, constituants les connexions avec les autres neurones ;
๏ท Des dendrites, constituants les entrรฉes du neurone ;
๏ท Lโaxone, constituant la sortie unique du neurone qui se ramifie ensuite ;
๏ท Le noyau, qui centralise lโinformation et active la sortie en fonction des stimulations en entrรฉe.
La plupart des modรจles de neurones formels sont basรฉs sur celui dรฉveloppรฉ par Mc Culloch et Pitts [14]. Dans sa version la plus simple, tel quโimaginรฉ par ces auteurs, un neurone formel peut รชtre dรฉcrit comme une cellule prenant une ou plusieurs entrรฉes ?? (?=1,2,โฆ,?) sur lesquelles sont rรฉalisรฉes deux opรฉrations pour produire une sortie ? :
๏ท Une somme pondรฉrรฉe des entrรฉes par les coefficients ?? (?=1,2,โฆ,?) appelรฉs ยซ poids synaptiques ยป, pour produire un ยซ potentiel post-synaptique ยป ? ;
๏ท Lโapplication dโune fonction ? appelรฉe ยซ fonction dโactivation ยป, qui donne la sortie du neurone en fonction du potentiel post-synaptique.
Afin de donner plus de libertรฉ au rรฉseau dans sa capacitรฉ de reprรฉsentation, il est possible dโajouter un biais ? au potentiel post-synaptique tel que reprรฉsentรฉ sur la Figure 1-2. Celui-ci peut รชtre vu comme une entrรฉe supplรฉmentaire constante รฉgale ร 1, pondรฉrรฉe par la valeur du biais.
La fonction seuil est la plus proche du fonctionnement binaire dโun neurone biologique, cโest dโailleurs celle choisie par Mc Culloch et Pitts pour leur neurone formel. Plusieurs autres fonctions dโactivation ont รฉtรฉ introduites depuis, afin de satisfaire aux besoins des algorithmes dโapprentissage modernes basรฉs sur la rรฉtropropagation du gradient. Toute fonction dรฉrivable pourrait ainsi รชtre utilisรฉe en tant que fonction dโactivation. En pratique, il est prรฉfรฉrable quโelle soit รฉgalement bornรฉe et monotone croissante [30]. Plusieurs fonctions dโactivation existent [31], certaines dโentre elles sont reprรฉsentรฉes sur la Figure 1-3. Ces derniรจres sont gรฉnรฉralement bornรฉes entre -1 et 1, sauf pour la couche de sortie. A titre dโexemple, nous pouvons citer parmi les plus utilisรฉes la fonction tangente hyperbolique (Eq.1.2) et la fonction sigmoรฏde (Eq.1.3).
Architecture
Les neurones sont organisรฉs au sein du rรฉseau en diffรฉrentes couches interconnectรฉes, au minimum de trois, reparties selon trois catรฉgories.
๏ท Couche dโentrรฉe, par laquelle entre lโinformation ;
๏ท Couche cachรฉe, qui constitue le ยซ coeur ยป du rรฉseau, elle nโa aucun lien avec lโextรฉrieur ;
๏ท Couche de sortie, par laquelle sort lโinformation.
La structure dโun rรฉseau peut donc รชtre dรฉfinie par son nombre de couches et le nombre de neurones par couche. Sa profondeur dรฉpend du nombre de couches cachรฉes : plus il est important et plus le rรฉseau est qualifiรฉ de profond. Il existe diffรฉrents types de connexions : les connexions intercouches (entre neurones de couches voisines), intracouche (entre neurones de la mรชme couche), supracouche (entre neurones de couches non adjacentes) et lโauto-connexion (neurone connectรฉ ร lui-mรชme). Lโinformation circule diffรฉremment en fonction du type de rรฉseau utilisรฉ qui est dรฉfini selon la maniรจre dont les neurones sont connectรฉs entre eux. Lorsque lโinformation circule uniquement vers lโavant, autrement dit lorsque le rรฉseau est acyclique, ce dernier peut รชtre qualifiรฉ de statique ou de type feed-forward, tel que reprรฉsentรฉ sur la Figure 1-4.
|
Table des matiรจres
CONTEXTE GENERAL DE LA THESEย
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 DโUN RESEAU DE NEURONES
1.6.1 Choix des variables dโentrรฉe
1.6.2 Collecte des donnรฉes
1.6.3 Analyse et traitement des donnรฉes
1.6.4 Sรฉparation des donnรฉes
1.6.5 Choix de la structure du rรฉseau de neurones et de ses paramรจtres
1.6.6 Choix du critรจre dโรฉvaluation de la performance
1.6.7 Apprentissage
1.7 APPLICATIONS A LโENERGETIQUE DU BATIMENT
1.7.1 Conception du bรขtiment
1.7.2 Contrรดle des systรจmes
1.7.3 Prรฉdiction de la consommation dโรฉnergie
1.7.4 Rรฉnovation et รฉvaluation de la performance รฉnergรฉtique
1.8 CONCLUSION DU CHAPITRE
CHAPITRE 2 CALIBRATION DE MODELE DE SIMULATION THERMIQUE DYNAMIQUEย
2.1 ETAT DE LโART
2.1.1 Les notions de systรจme et de modรจle
2.1.2 Les modรจles de simulation du bรขtiment
2.1.3 Les sources dโincertitude
2.1.4 Les mรฉthodes 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 gรฉographique
2.2.3 Conditions mรฉtรฉorologiques
2.3 PRESENTATION DU BATIMENT HIGASHI
2.3.1 Usages et caractรฉristiques de lโenveloppe
2.3.2 Systรจmes 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 Prรฉsentation gรฉnรฉrale
2.5.2 Donnรฉes mรฉtรฉorologiques
2.5.3 Modรฉlisation du chauffage et du rafraรฎchissement
2.5.4 Modรฉlisation des รฉchanges dโair
2.5.5 Modรฉlisation des apports internes
2.5.6 Modรฉlisation des protections solaires
2.6 ANALYSE DES RESULTATS DE SIMULATION
2.6.1 Analyse statique en consommation dโรฉnergie
2.6.2 Analyse dynamique des puissances appelรฉes
2.6.3 Analyse statistique des tempรฉratures de zones
2.6.4 Analyse dynamique des tempรฉratures de zones
2.7 DISCUSSION SUR LES RESULTATS DE CALIBRATION
2.8 CONCLUSION DU CHAPITRE
CHAPITRE 3 MISE EN OEUVRE DโUN CONTROLEUR PREDICTIF BASE SUR LโUTILISATION DE RESEAUX DE NEURONESย
3.1 INTRODUCTION
3.1.1 Le contrรดle en tempรฉrature dans le bรขtiment et ses limites
3.1.2 Le contrรดle prรฉdictif
3.1.3 Objectifs et dรฉroulement du chapitre
3.2 MISE EN OEUVRE DโUN CONTROLEUR PREDICTIF
3.2.1 Dรฉmarche
3.2.2 Structure du contrรดleur
3.3 DEVELOPPEMENT DU RESEAU DE NEURONES COMME ELEMENT DU MODELE INTERNE
3.3.1 Choix du rรฉseau de neurones et de ses paramรจtres
3.3.2 Gรฉnรฉration des donnรฉes dโapprentissage
3.3.3 Optimisation de la structure du rรฉseau de neurones
3.3.4 Choix du critรจre de sรฉlection
3.3.5 Rรฉsultats de lโoptimisation et performance des rรฉseaux de neurones
3.4 EVALUATION DES PERFORMANCES DU CONTROLE PREDICTIF EN CONDITIONS IDEALES
3.4.1 Contrรดleurs de rรฉfรฉrence
3.4.2 Critรจres dโรฉvaluation de la performance
3.4.3 Hypothรจses de simulation
3.4.4 Application au modรจle calibrรฉ et analyse des rรฉsultats
3.5 EVALUATION DES PERFORMANCES DU CONTROLE PREDICTIF EN CONDITIONS REALISTES
3.5.1 Prise en compte du comportement rรฉel des zones adjacentes
3.5.2 Impact dโune perturbation non prรฉvisible
3.6 CAS DโUN EMETTEUR INERTIEL
3.6.1 Prรฉsentation de la dรฉmarche
3.6.2 Description de lโรฉmetteur
3.6.3 Analyse des rรฉsultats
3.7 CONCLUSION DU CHAPITRE
CONCLUSION GENERALE
REFERENCES
ANNEXES
Annexe 1 : Descriptif de lโentreprise Manaslu Ing.
Annexe 2 : Tableaux de rรฉsultats dรฉtaillรฉs obtenus lors des tests en conditions idรฉales
Tรฉlรฉcharger le rapport complet