Méthodologie pour estimer la consommation d’énergie dans les bâtiments en utilisant des techniques d’intelligence artificielle
Auteur / Autrice : | Subodh Paudel |
Direction : | Olivier Le Corre, Wil Kling, René Kamphuis |
Type : | Thèse de doctorat |
Discipline(s) : | Energétique, thermique et combustion |
Date : | Soutenance le 22/09/2016 |
Etablissement(s) : | Nantes, Ecole des Mines |
Ecole(s) doctorale(s) : | École doctorale Sciences pour l'ingénieur, Géosciences, Architecture (Nantes) |
Partenaire(s) de recherche : | Equipe de recherche : Energie |
Laboratoire : Laboratoire de génie des procédés - environnement - agroalimentaire / GEPEA | |
Jury : | Président / Présidente : Riad Benelmir |
Examinateurs / Examinatrices : Stéphane Lassue, Bruno Lacarrière | |
Rapporteurs / Rapporteuses : Frédéric Magoulès, Joseph Virgone |
Résumé
Les normes de construction pour des bâtiments de plus en plus économes en énergie (BBC) nécessitent une attention particulière. Ces normes reposent sur l’amélioration des performances thermiques de l’enveloppe du bâtiment associé à un effet capacitif des murs augmentant la constante de temps du bâtiment. La prévision de la demande en énergie de bâtiments BBC est plutôt complexe. Ce travail aborde cette question par la mise en œuvre d’intelligence artificielle(IA). Deux approches de mise en œuvre ont été proposées : « all data » et « relevant data ». L’approche « all data » utilise la totalité de la base de données. L’approche « relevant data » consiste à extraire de la base de données un jeu de données représentant le mieux possible les prévisions météorologiques en incluant les phénomènes inertiels. Pour cette extraction, quatre modes de sélection ont été étudiés : le degré jour (HDD), une modification du degré jour (mHDD) et des techniques de reconnaissance de chemin : distance de Fréchet (FD) et déformation temporelle dynamique (DTW). Quatre techniques IA sont mises en œuvre : réseau de neurones (ANN), machine à support de vecteurs (SVM), arbre de décision (DT) et technique de forêt aléatoire (RF). Dans un premier temps, six bâtiments ont été numériquement simulés (de consommation entre 86 kWh/m².an à 25 kWh/m².an) : l’approche « relevant data » reposant sur le couple (DTW, SVM) donne les prévisions avec le moins d’erreur. L’approche « relevant data » (DTW, SVM) sur les mesures du bâtiment de l’Ecole des Mines de Nantes reste performante.