Vers des approaches d’optimisation centrée sur l’utilisateur et de contrôle prédictif de la performance des bâtiments intelligents

Towards user-centric optimisation and predictive control approaches of the performance of smart buildings

• Auteur / Autrice : Chuhao Jiang
• Direction : David Bigaud, Marie-Lise Pannier
• Type : Thèse de doctorat
• Discipline(s) : Mécanique des fluides, énergetique, thermique, combustion, acoustique
• Date : Soutenance le 04/12/2023
• Etablissement(s) : Angers
• Ecole(s) doctorale(s) : Sciences de l'ingénierie et des systèmes (Centrale Nantes)
• Partenaire(s) de recherche : Laboratoire : LARIS. Laboratoire Angevin de Recherche en Ingénierie des Systèmes (EA7315) - Laboratoire Angevin de Recherche en Ingénierie des Systèmes / LARIS
• Jury : Président / Présidente : Monika Woloszyn
• Jury : Examinateurs / Examinatrices : Abdérafi Charki, Alain Godon, Tingting Vogt Wu
• Jury : Rapporteurs / Rapporteuses : Didier Defer, Marie Duquesne

Mots clés

Mots clés contrôlés

Capteurs (technologie)

Habitations -- Économies d'énergie

Apprentissage automatique

Domotique

Mots clés libres

Maison intelligente

Optimisation du placement de capteur

Détection des actions des occupants

Smart house

Machine learning

Optimal sensor placement

Occupants activity detection

Résumé

En réponse aux transitions énergétique et numérique dans le secteur du bâtiment, le concept de Smart Building gagne en importance. La gestion optimisée de ces bâtiments devrait permettre une réduction des coûts et des consommations énergétiques en phase d’exploitation. Cependant, l’amélioration des performances énergétiques ne doit pas se faire au détriment du confort des usagers. Le succès d’un système de gestion intelligente des bâtiments dépend en grande partie de la participation active de ses occupants et il est important de prendre en compte les "humains dans la boucle". De plus, pour des raisons économiques et environnementales,le déploiement de capteurs et actionneurs intelligents doit se faire avec parcimonie. Dans ce contexte, l’objectif de la thèse est d’optimiser le placement de capteurs multi-physiques pour détecter une ou plusieurs actions de l’occupant qui serviront à développer des stratégies de gestion efficaces centrées sur l’utilisateur. Une détection correcte de l’occupation peut nécessiter l’utilisation de nombreux capteurs intelligents mesurant diverses grandeurs physiques. De plus, les quelques ensembles de capteurs sélectionnés doivent être adaptés pour décrire le confort à certains endroits précis du bâtiment où les occupants sont plus susceptibles de se trouver. Le placement optimal des capteurs a été étudié en utilisant la méthode indépendante efficace afin d’assurer une caractérisation parcimonieuse et efficace de l’occupation et du confort (chapitre 3). L’inclusion des utilisateurs nécessite une meilleure compréhension de leurs activités. Des algorithmes d’apprentissage automatique sont ensuite appliqués pour détecter soit les ouvertures de fenêtres, soit la présence d’occupants dans une pièce. L’un des défis concerne l’efficacité de la détection d’activité pour les données non étiquetées (c’est-à-dire lorsque le statut d’occupation réel est inconnu). Elle a été abordée à l’aide d’algorithmes non supervisés ou semi-supervisés (chapitre 4). Un autre défi consiste à déterminer quel type d’activité est associé à différents effets sur les conditions environnementales intérieures. Pour traiter cet aspect, il a été proposé dans la thèse d’utiliser des méthodes d’analyse des causes racines et plus particulièrement les réseaux bayésiens (chapitre 5). Une fois que l’occupation est mieux comprise à partir d’un ensemble réduit de capteurs, une stratégie de gestion plus efficace et centrée sur l’usager peut être définie. La cohérence du cadre proposé a été prouvée en appliquant les méthodes sur deux études de cas complémentaires. Le premier est une étude de cas simulée sur laquelle des simulations énergétiques dynamiques de bâtiments et des simulations CFD sont effectuées pour évaluer les températures intérieures et les charges énergétiques pour différents scénarios d’occupation prédéfinis. Pour la deuxième étude de cas, une instrumentation a été conçue et déployée dans un bâtiment réel : les capteurs multi-physiques intelligents installés permettent de collecter des données sur l’environnement intérieur, ainsi que sur l’occupation.

In response to the energy and digital transitions in the building sector, the concept of Smart Building is gaining importance. The optimized management of these buildings should enable a reduction in costs and energy consumption in the operating phase. However, the improvement of the energy performances should not be at the expense of user comfort. The success of a smart house system largely depends on the active participation of its occu pants and it is important considering the ”humans in the loop”. In addition, for economic and environmental reasons, the deployment of smart sensors and actuators must be done sparingly. In this context, the aim of the PhD is to optimize the placement of multi-physical sensors to detect one or more occupant’s actions that will serve to develop efficient usercentric management strategies. A correct detection of occupancy may re quire using a lot of smart sensors measur ing various physical quantities. Furthermore, the few sets of sensors selected must be adapted to describe the comfort at some specific places in the building where the occupants are more likely to be. Optimal sensor placement has been investigated using the effective independent method in order ensure a sparse and efficient characterization of the occupancy and comfort (chapter 3). The inclusion of humans in the loop requires a better understanding of their activities. Machine learning algorithms are then applied to detect either windows openings or the presence of occupants in a room. One of the challenges concerns the efficiency of activity detection for unlabeled data (i.e., when the actual occupancy status is unknown). It has been approached using unsupervised or semi-supervised algorithms (chapter 4). Another challenge is to classify which type of activity is associated with different effects on indoor environmental conditions. To deal with this aspect, it has been proposed in the thesis to use self learning algorithm and root cause analysis methods and more particulary Bayesian networks (chapter 5). Once the occupancy is better understood from a reduced set of sensors, this knowledge is intended to be used to define an efficient user-centric energy management strategy. The consistency of the proposed framework was proven by applying the methods on two complementary case studies. The first one is a simulated case study on which dynamic building energy simulations and computational fluid dynamics simulations are performed to assess indoor temperatures and energy loads for different predefined occupancy scenarios. For the second case study, an instrumentation has been designed and deployed in a real building: the installed smart multi-physical sensors allow collecting data on the indoor environment, as well as on the occupancy.