Modélisation thermique des bâtiments à partir des mesures en utilisant l’identification de systèmes hybrides

Data-driven building thermal modeling using system identification for hybrid systems

• Auteur / Autrice : Balsam Ajib
• Direction : Stéphane Lecœuche
• Type : Thèse de doctorat
• Discipline(s) : Automatique
• Date : Soutenance le 16/11/2018
• Etablissement(s) : Ecole nationale supérieure Mines-Télécom Lille Douai
• Ecole(s) doctorale(s) : École doctorale Sciences pour l'ingénieur (Lille)
• Partenaire(s) de recherche : Laboratoire : IMT Lille Douai
• Jury : Président / Présidente : Didier Defer
• Jury : Examinateurs / Examinatrices : Gilles Guérassimoff, Antoine Caucheteux, Sanda Lefteriu
• Jury : Rapporteurs / Rapporteuses : Thierry Poinot, Monika Woloszyn

Mots clés

Mots clés libres

Identification de systèmes

Systèmes hybrides

Pwarx

Modèles à commutation

Modélisation thermique des bâtiments

System identification

Hybrid systems

Pwarx

Switching models

Building thermal modeling

Résumé

Le secteur du bâtiment est un consommateur énergétique majeur, par conséquent, un cadre d’actions a été décidé au niveau international dans le but de limiter son impact. Afin de mettre en œuvre ces mesures, il est nécessaire d’avoir à disposition des modèles offrants une description fiable du comportement thermique des bâtiments. A cet effet, cette thèse propose l’application d’une nouvelle technique guidée par les données pour la modélisation thermique des bâtiments en se basant sur l’approche des systèmes hybrides, caractérisés par des dynamiques continues et événementielles. Ce choix est motivé par le fait qu’un bâtiment est un système complexe caractérisé par des phénomènes non-linéaires et l’apparition de différents événements. On utilise les modèles affines par morceaux ou PWARX pour l’identification de systèmes hybrides. C’est une collection de sous-modèles affines représentant chacun une configuration caractérisée par une dynamique particulière. Le manuscrit commence par un état de l’art sur les principales techniques de modélisation thermique des bâtiments. Ensuite, le choix d’une approche hybride est motivé par une interprétation mathématique basée sur les équations d’un circuit thermique. Ceci est suivi par une brève présentation des modèles hybrides et une description détaillée de la méthodologie utilisée. On montre ensuite comment utiliser la technique SVM pour classifier les nouvelles données. Enfin, l’intégration des modèles PWARX dans une boucle de contrôle hybride afin d’estimer le gain en performance énergétique d’un bâtiment après rénovation est présentée. La méthodologie est validée en utilisant des données issues de cas d’études variés.

The building sector is a major energy consumer, therefore, a framework of actions has been decided on by countries worldwide to limit its impact. For implementing such actions, the availability of models providing an accurate description of the thermal behavior of buildings is essential. For this purpose, this thesis proposes the application of a new data-driven technique for modeling the thermal behavior of buildings based on a hybrid system approach. Hybrid systems exhibit both continuous and discrete dynamics. This choice is motivated by the fact that a building is a complex system characterized by nonlinear phenomena and the occurrence of different events. We use a PieceWise AutoRegressive eXogeneous inputs (PWARX) model for the identification of hybrid systems. It is a collection of sub-models where each sub-model is an ARX equation representing a certain configuration in the building characterized by its own dynamics. This thesis starts with a state-of-the-art on building thermal modeling. Then, the choice of a hybrid system approach is motivated by a mathematical interpretation based on the equations derived from an RC thermal circuit of a building zone. This is followed by a brief background about hybrid system identification and a detailed description of the PWARX methodology. For the prediction phase, it is shown how to use the Support Vector Machine (SVM) technique to classify new data to the right sub-model. Then, it is shown how to integrate these models in a hybrid control loop to estimate the gain in the energy performance for a building after insulation work. The performance of the proposed technique is validated using data collected from various test cases.