Projet de Recherche BIoT - Building & Internet of Things

Optimisation et contrôle prédictif de la performance de bâtiments intelligents centrés sur l'usage

 

Équipe : Sûreté De Fonctionnement et aide à la Décision

Labellisation :

Durée : 3 ans (01/01/2020 - 31/12/2022)

Provenance des fonds : AAP Attractivité du RFI WiSE

Personnels impliqués du LARIS : Marie-Lise Pannier, David Bigaud, Chuhao Jiang (doctorant)

Partenaires du projet : Alain Godon (Polytech Angers)

https://biot.u-angers.fr/

 

Rapport et Soutenance de thèse Chuaho JIANG

Chuaho JIANG
Towards user-centric optimisation and predictive control approaches of the performance of smart buildings
4 décembre 2023 (Dir. de thèse: D. BIGAUD; co-encadrant: M.-L. PANNIER)
jury : D. BIGAUD, A. CHARKI, D. DEFER (rap.), M. DUQUESNE (rap.), A. GODON, M.-L. PANNIER, T.-T. VOGT WU, M. WOLOSZYN

Contexte

Aujourd'hui la seule dimension technique ne suffit plus à mesurer et caractériser la performance en exploitation d'un bâtiment. Des solutions de type GTB (pour Gestion Technique des Bâtiments) ou BMS, en anglais (pour Building Management System), ont déjà été intégrées aux bâtiments mais la redéfinition de la notion de performance d'un bâtiment impose une nouvelle vision. Le concept de Bâtiment intelligent ou Smart Building porte cette nouvelle vision qui couvre non seulement la gestion des dimensions techniques d’un bâtiment, mais également l'impact de l’ensemble des acteurs intervenant ou occupant le bâtiment.

Adossé au concept précédent, celui de Cognitive Building Management (CBM) est une des principales opportunités pour l’Internet des Objets. Un bâtiment va être équipé de nombreux capteurs / actuateurs qui permettent de rendre actifs un ensemble d’éléments actuellement passifs (e.g., de type capteur d’ouverture de fenêtre, mesure de la qualité de l’air intérieur, capteur de présence, de position, détermination des besoins et mesure des consommations énergétiques en temps réel, …). Tous ces capteurs génèrent un ensemble de données qui doivent être analysées par des algorithmiques spécifiques afin d’améliorer le confort et l’expérience utilisateur, d’optimiser la gestion, de réduire les coûts.

 

Problématiques

Le projet BIoT (Building Internet of Things), financé par le RFI WiSE dans le cadre de son AàP Attractivité, intégrera quatre sujets principaux : le développement de modèles cognitifs (et statistiques) d'occupation, la modélisation de l'occupation et des usages par techniques d'apprentissage, la simulation et l'optimisation des performances du bâtiment, le pilotage par modèles prédictifs de contrôle des systèmes du bâtiment.

BIoT se concentrera principalement sur les volets associés à la modélisation de l'occupation par les techniques d'apprentissage (e.g. modèles multi-agent et apprentissage par renforcement) et sur les modèles prédictifs de contrôle optimal.

• Modélisation (stochastique et robuste) par apprentissage de l'occupation et des usages : même si les travaux actuels vont dans le sens de l'amélioration, le rôle de l'occupant reste rarement pris en considération en phase d'exploitation-maintenance des bâtiments. Cela s’explique notamment par le manque de modèles pour représenter l’occupation de manière réaliste. Très souvent les profils d'occupation sont insuffisamment dynamiques, i.e. ils sont statiques sur certaines de leurs dimensions (e.g., un profil d'occupation variable selon le moment de la journée est généré mais il n'est pas variable dans l'espace du bâtiment). Si ceci peut aisément être corrigé dans le cas de bâtiments résidentiels avec un nombre limité d'occupants, cela devient un réel défi dans le cas de bâtiments à usage de bureau ou commerciaux où différents profils se côtoient et interagissent.
  De plus, les profils d'occupation sont fortement dépendants de la saison, de la météo, du moment de la journée, des préférences de l'occupant, de son comportement individuel ou collectif (s'il est seul ou en famille, s’il travaille dans un bureau individuel ou en open-space), …. Par conséquent, il est nécessaire d'adopter a minima des méthodes stochastiques (e.g., type chaînes de Markov) pour générer des profils réalistes sensibles à l'ensemble de ces paramètres à forte variabilité temporelle. On préférera ici s'orienter vers les méthodes d'apprentissage automatique ou par renforcement pour leur aptitude à garantir la robustesse des modèles d'occupation avec prise en compte des incertitudes. Le LARIS dispose déjà de compétences dans l'exploitation mais également dans le développement de méthodes d'apprentissage telles que les arbres décisionnels, les réseaux de neurones artificiels ou les réseaux bayésiens (qui ont été récemment appliqués au domaine de la détection de dérives de performance de bâtiments). Nous souhaitons toutefois explorer le concept, nouveau pour le laboratoire, de modèles multi-agent pour la prédiction des actions des occupants et la caractérisation individuelle de données de confort thermique, visuel, aéraulique ou encore acoustique.
  Les modèles d'occupation et d'usages seront exploités dans un avatar digital (ou digital twin) du bâtiment et couplés à des outils de simulations thermiques dynamiques pour calibrer plus finement les modèles énergétiques et ainsi servir de bases plus fiables aux études d'optimisation. Ils seront également exploités au sein de l'avatar digital pour le suivi et le contrôle en temps quasi-réel des équipements énergétiques du bâtiment.

• Pilotage par modèles prédictifs de contrôle des systèmes du bâtiment : le second sujet entrant dans le thème de recherche de BIoT est celui du pilotage et du contrôle des systèmes du bâtiment centré sur l'occupant. Au regard de l'importance du rôle de ce dernier, tant dans l'expression de ses besoins que dans ses interactions avec le bâtiment, le contrôle centré sur l'occupant est une alternative viable au contrôle automatique et systématique. Aujourd'hui, ou très bientôt, les équipements techniques du bâtiment (e.g., CVC, voire éclairage, occultations) intégreront des capteurs et des actionneurs permettant d'ajuster en temps réel ou d'anticiper certains de leurs réglages sur la base des données historiques - grâce à l'apprentissage empirique - et ceci sans devoir constamment interroger les occupants sur leurs préférences.
  Ainsi, le contrôle centré sur l'occupant fait apparaître deux volets de recherche. Le premier concerne la définition des stratégies de contrôle optimisées s'adaptant en fonction des activités des occupants et appropriées pour le contrôle en temps quasi-réel. Le second est celui des modèles prédictifs de contrôle qui anticipent les activités des occupants et s'appuient sur des prévisions sur l'environnement (e.g., données météorologiques) et la dynamique des bâtiments pour prédéfinir la stratégie optimale de contrôle.