Méthodologie pour estimer la consommation d’énergie dans les bâtiments en utilisant des techniques d’intelligence artificielle

Methodology to estimate building energy consumption using artificial intelligence

• 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
• Partenaire(s) de recherche : Laboratoire : Laboratoire de génie des procédés - environnement - agroalimentaire / GEPEA
• Jury : Président / Présidente : Riad Benelmir
• Jury : Examinateurs / Examinatrices : Stéphane Lassue, Bruno Lacarrière
• Jury : Rapporteurs / Rapporteuses : Frédéric Magoulès, Joseph Virgone

Mots clés

Mots clés contrôlés

Immeubles intelligents

Intelligence artificielle

Économies d'énergie

Mots clés libres

Consommation d’énergie dans le bâtiment

Prévision

Bâtiment basse consommation

Intelligence artificielle

Jeu de données représentatives

Apprentissage en ligne et hors ligne

Building Energy Consumption

Prediction

Low Energy Building

Machine Learning

Small representative data

Online and Offline Learning

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.

High-energy efficiency building standards (as Low energy building LEB) to improve building consumption have drawn significant attention. Building standards is basically focused on improving thermal performance of envelope and high heat capacity thus creating a higher thermal inertia. However, LEB concept introduces alarge time constant as well as large heat capacity resulting in a slower rate of heat transfer between interior of building and outdoor environment. Therefore, it is challenging to estimate and predict thermal energy demand for such LEBs. This work focuses on artificial intelligence (AI) models to predict energy consumptionof LEBs. We consider two kinds of AI modeling approaches: “all data” and “relevant data”. The “all data” uses all available data and “relevant data” uses a small representative day dataset and addresses the complexity of building non-linear dynamics by introducing past day climatic impacts behavior. This extraction is based on either simple physical understanding: Heating Degree Day (HDD), modified HDD or pattern recognition methods: Frechet Distance and Dynamic Time Warping (DTW). Four AI techniques have been considered: Artificial Neural Network (ANN), Support Vector Machine (SVM), Boosted Ensemble Decision Tree (BEDT) and Random forest (RF). In a first part, numerical simulations for six buildings (heat demand in the range [25 – 85 kWh/m².yr]) have been performed. The approach “relevant data” with (DTW, SVM) shows the best results. Real data of the building “Ecole des Mines de Nantes” proves the approach is still relevant.