Apprentissage, prédiction et optimisation des apports énergétiques pour un bâtiment à faible impact environnemental

par Louis Desportes

Projet de thèse en Stic - ed em2psi

Sous la direction de Inbar Fijalkow et de Pierre Andry.

Thèses en préparation à Cergy-Pontoise , dans le cadre de ED EM2PSI - Économie, Management, Mathématiques, Physique et Sciences Informatiques , en partenariat avec Equipes Traitement de l'Information et Systèmes (laboratoire) depuis le 09-10-2018 .


  • Résumé

    Les progrès récents dans les domaines de l'architecture, des matériaux de construction, des dispositifs thermiques permettent d'envisager la conception de bâtiments à énergie positive à l'horizon 2020 pour les constructions neuves. Ces techniques visent principalement à améliorer l'efficacité énergétique des bâtiments, de coupler des énergies renouvelables et de rendre le bâtiment ”intelligent” pour anticiper les usages et le stockage de l'énergie. Cette thèse concerne la partie ”intelligente” de gestion de l'énergie. Elle porte sur l'apprentissage et la prédiction des apports énergétiques à partir d'un modèle simulé du futur bâtiment, puis de leur utilisation pour contrôler le stockage de l'énergie produite selon les usages et les conditions. Les étapes envisagées sont les suivantes : • la constitution d'une étude bibliographie à l'interface du génie climatique, de l'intelligence artificielle et de l'optimisation de ressources dans un contexte d'équilibrage de charges/flux, • la mise en place du modèle simulé du futur bâtiment, avec les acteurs partenaires du projet EcobioH2, • la proposition d'un modèle d'apprentissage profond permettant de prédire les apports énergétiques pour un horizon définit (de quelques heures à une journée. Dans un premier temps, le modèle sera basé sur une catégorisation dépendante (1 des apports extérieurs (données climatiques du site ou de la ville d'avignon) ainsi que (2) de l'équilibre thermique intérieur, qui génère les besoins d'énergie. La température intérieure repose sur une politique de confort, • la comporaison de ces résultats avec des méthodes de répartition de charge basées sur l'optimisation ”surrogate”.

  • Titre traduit

    Learning, Forecasting and optimization of energy supply for a low environmental impact building


  • Résumé

    Recent progress in architecture, building materials, and thermal appliances enable to consider the design of positive energy building in new constructions for 2020. Those techniques mainly aim to improve the energy efficiency of buildings, to pair up renewable energies and to make the building 'smart' by anticipating uses and energy storage. This thesis concerns the 'smart' part of energy management. It touches upon learning and forecasting of energy flows from a simulated model of the upcomming building. Then usign those energy flows to control storage of produced energy according to usage and conditions. Considered steps are as follows: - Construction of a bibliographic study addressing climate control, artificial intelligence and resources optimization in order to balance load/flows. - The setup of a simulated model of the coming building, with partners from the EcoBioH2 project - Proposition of a deep-learning model enabling the prediction of energy flow for a defined horizon (from a few hours to a full day). First, the model will be based upon a ***dependent*** categorization (1) of external inflows (climatic data from the site or the city of Avignon) as well as (2) the thermal equilibrium inside the building, that causes energy requirement. The internal temperature lie on a comfort policy. - Comparison of those results with load balancing methods based on surrogate optimization.