Modèles prédictifs et adaptatifs pour la gestion énergétique du bâtiment résidentiel individuel : réseaux de neurones artificiels basés sur les données usuellement disponibles

Predictive and adaptive models for individual residential building energy management : Artificial neural networks based on commonly available data

• Auteur / Autrice : Alexandra Delorme-Costil
• Direction : Jean-Jacques Bézian
• Type : Thèse de doctorat
• Discipline(s) : Energétique et transferts
• Date : Soutenance le 14/06/2018
• Etablissement(s) : Ecole nationale des Mines d'Albi-Carmaux
• Ecole(s) doctorale(s) : École doctorale Mécanique, énergétique, génie civil et procédés (Toulouse)
• Partenaire(s) de recherche : Laboratoire : Centre de recherche d'Albi en génie des procédés des solides divisés, de l'énergie et de l'environnement (Albi ; 2012-....) - Centre de recherche d'Albi en génie des procédés des solides divisés- de l'énergie et de l'environnement / RAPSODEE
• Jury : Président / Présidente : Bernard Baudoin
• Jury : Examinateurs / Examinatrices : Jean-Jacques Bézian, Belkacem Zeghmati, Christophe Ménézo, Laurent Zalewski, Stéphanie Giroux-Julien, Thomas Pedot
• Jury : Rapporteurs / Rapporteuses : Belkacem Zeghmati, Christophe Ménézo

Mots clés

Mots clés contrôlés

Habitations -- Économies d'énergie

Température -- Régulation

Eau chaude -- Approvisionnement

Pompes à chaleur

Réseaux neuronaux (informatique)

Mots clés libres

Réseau de neurones artificiels

Apprentissage par rétropropagation de l'erreur

Prédiction de consommation d'ECS

Prédiction de température intérieure du bâtiment

Pompe à chaleur

Bâtiment résidentiel individuel

Artificial neural network

Back-propagation learning

Forecasting of DHW demand

Forecasting of indoor temperature

Heat pump

Individual residential building

Résumé

L'utilisation de régulation prédictive permet de diminuer la consommation d'énergie des bâtiments résidentiels sans diminuer le confort de l'habitant. C'est dans ce but que la société BoostHeat développe une chaudière thermodynamique à grande efficacité énergétique. La production simultanée de l'eau chaude sanitaire (ECS) et du chauffage permet de nombreuses stratégies de régulation pour en optimiser les performances. L'utilisation de régulations prédictives permet d'anticiper les besoins énergétiques, de prendre en compte l'impact de l'inertie du bâtiment sur la température intérieure et ainsi de faire des choix de gestion de productions minimisant la consommation énergétique. Les modèles utilisés aujourd'hui dans les régulations prédictives sont contraignants. En effet, ces modèles nécessitent de grandes quantités de données, soit sur un échantillon représentatif de bâtiments, soit sur chaque bâtiment modélisé. Ils peuvent également avoir besoin d'études détaillées sur le bâtiment, les occupants et leurs habitudes de consommation. Afin de permettre à la société BoostHeat d'utiliser une régulation prédictive sur sa chaudière sans passer par une étape complexe de modélisation à chaque installation de chaudière, nous proposons des modèles adaptatifs utilisant les informations communément disponibles sur une installation classique. Nous choisissons de développer des réseaux de neurones artificiels pour la prédiction d'une part des consommations d'ECS et d'autre part de la température intérieure du bâtiment. Les réseaux de neurones artificiels sont déjà utilisés pour modéliser les consommations énergétiques d'un bâtiment spécifique, cependant nos modèles sont génériques et s'adaptent automatiquement au bâtiment dans lequel la chaudière est installée. Plusieurs modèles sont développés afin d'étudier l'impact du choix des entrées, des quantités de données d'apprentissage et de l'architecture du réseau de neurones artificiels sur la qualité de la prédiction. Les modèles de prédiction de consommation d'ECS ainsi réalisés sont testés sur trois cas expérimentaux alors que les modèles de prédiction de température intérieure sont testés sur deux cas expérimentaux et cent-vingt cas simulés. Cela permet de tester leur adaptation à l'ensemble du parc immobilier français. Nous montrons, pour la prédiction de consommation d'ECS comme pour la prédiction de température intérieure, que deux semaines de données collectées suffisent à une bonne adaptation des modèles à un cas spécifique. Le modèle le plus performant pour la prédiction de consommation d'eau chaude sanitaire a uniquement besoin des consommations des instants précédents. Le modèle de prédiction de température intérieure a de meilleures performances sur les bâtiments les moins isolés. Les résultats obtenus sont prometteurs pour l'application des régulations prédictives à grande échelle.

The use of predictive control permits to reduce the energy consumption of residential buildings without reducing the comfort of the inhabitant. The company BoostHeat develops a thermodynamic furnace with high energy efficiency for this purpose. Simultaneous production of domestic hot water (DHW) and heating allows many control strategies to optimize performance. The use of predictive controls makes it possible to anticipate energy needs, to take into account the impact of building inertia on indoor temperature and thus to make production management choices that minimize energy consumption. The models used today in predictive controls are binding. Indeed, these models require large amounts of data, either on a representative sample of buildings or on each modeled building. They may also need detailed studies of the building, the occupants and their consumption practices. In order to allow BoostHeat to use predictive control without going through a complex modeling step at every furnace installation, we propose adaptive models using information commonly available on a typical installation. We choose to develop artificial neural networks for the prediction on the one hand of the consumptions of DHW and on the other hand of the ambiant temperature of the building. Artificial neural networks are already used to model the energy consumption of a specific building, however our models are generic and automatically adapt to the building in which the furnace is installed. Many models are developed to study the impact of the choice of inputs, amounts of learning data and artificial neural network architecture on the accuracy of prediction. The DHW consumption prediction models are tested on three experimental cases while the indoor temperature prediction models are tested on two experimental cases and one hundred and twenty simulated cases. This makes it possible to test their adaptation to the entire French housing stock. We show, for the prediction of DHW consumption as for the indoor temperature prediction, that two weeks of collected data are sufficient for a good adaptation of the models to a specific case. The most efficient model for the prediction of domestic hot water consumption only needs the consumptions of the previous instants. The indoor temperature prediction model performs better on less isolated buildings. The results obtained are promising for the application of predictive controls on a large scale.