Étude de l’apport de l’intelligence artificielle pour l’optimisation robuste de la gestion énergétique des bâtiments

Contexte et enjeux :

Il est nécessaire de réduire fortement la consommation d’énergie du secteur du bâtiment. Les actions de réduction peuvent être en lien d’une part avec la rénovation thermique (isolation) mais aussi avec la gestion énergétique, objet de cette thèse. L’optimisation peut réduire les pointes de consommation de manière importante : il est possible d’annuler la demande de chauffage à certaines heures dans certains bâtiments sans nuire au confort. Cette possibilité constitue un élément de réponse face aux perspectives d’électrification des usages (chauffage en particulier), de pénétration des énergies renouvelables, et de gestion de crises liées aux avaries dans la production centralisée ou au contexte international. L’I.A pourrait permettre d’améliorer ces stratégies optimales en prenant en compte les incertitudes sur les prévisions météo et les comportements des occupants.

Objectifs et méthodes :

Dans une application en commande prédictive, il est essentiel d’évaluer la précision du modèle prédictif car une erreur de prédiction peut annihiler l’intérêt de l’optimisation. Lorsque ce modèle est issu de l’apprentissage automatique, sa précision dépend du choix de l’algorithme d’apprentissage et de son paramétrage, de la durée des mesures et des grandeurs mesurées. Un apport original de la thèse sera alors d’évaluer ces différents choix à l’aune d’un critère de performance intégrant la qualité des données d’entrée, la précision du modèle prédictif en association avec l’algorithme d’optimisation, et les incertitudes sur les prévisions météorologiques et celles concernant les comportements des occupants. Des solutions basées sur l’intelligence artificielle seront étudiées, en remplacement des modèles physiques qui nécessitent de multiples informations (composition des parois et autres caractéristiques techniques) souvent difficiles à collecter, et une certaine expertise en modélisation (découpage des bâtiments en « zones thermiques » par exemple). L’apprentissage automatique permet d’obtenir un modèle à partir de mesures déjà effectuées par les systèmes de gestion technique des bâtiments, ce qui évite cette étape de collecte de données techniques et de modélisation physique. La durée du calcul est réduite, ce qui permet d’optimiser la régulation sur un horizon de temps de plusieurs jours de manière opérationnelle et d’évaluer les conséquences des incertitudes sur les prévisions. L’intérêt de cette approche pourra être évalué sur une étude de cas.