Contribution à l'efficacité énergétique des maisons intelligentes : un framework de gestion automatisée

Contributing to the Energy Efficiency of Smart Homes : An Automated Management Framework

• Auteur / Autrice : Houssam Kanso
• Direction : Ernesto José Exposito Garcia, Adel Noureddine
• Type : Thèse de doctorat
• Discipline(s) : Informatique
• Date : Soutenance le 09/12/2022
• Etablissement(s) : Pau
• Ecole(s) doctorale(s) : École doctorale sciences exactes et leurs applications (Pau, Pyrénées Atlantiques ; 1995-)
• Partenaire(s) de recherche : Laboratoire : Laboratoire d'Informatique de l'Université de Pau et des Pays de l'Adour - Laboratoire Informatique de l'Université de Pau et des Pays de l'Adour
• Jury : Président / Présidente : Cong-Duc Pham
• Jury : Examinateurs / Examinatrices : Ernesto José Exposito Garcia, Adel Noureddine, Jean-Marc Menaud, Romain Rouvoy, Chantal Taconet
• Jury : Rapporteurs / Rapporteuses : Jean-Marc Menaud, Romain Rouvoy

Mots clés

Mots clés contrôlés

Domotique

Économies d'énergie

Internet des objets

Mots clés libres

Internet des objets

Systèmes cyber-Physiques

Green IT

Apprentissage par renforcement

Internet of Things

Cyber-Physical Systems

Green IT

Reinforcement Learning

Résumé

Ces dernières années, la consommation électrique des systèmes cyber-physiques (CPS) a augmenté en raison du nombre croissant d'équipements connectés (par exemple, appareils intelligents, équipements IoT...), principalement dans le secteur résidentiel. Un grand nombre d'appareils intègrent des capteurs leur permettant de produire des données décrivant l'état d'un appareil ou le comportement d'une personne (par exemple, capteur de température, capteur de présence...). En outre, de nombreux appareils sont équipés d'actionneurs capables d'accomplir des tâches ayant un impact sur l'environnement (par exemple, le contrôle de la lumière, le système de chauffage, de ventilation, de climatisation...). Ces dispositifs ont le potentiel de collecter une grande quantité de données qui peuvent être utiles pour l'estimation et la gestion de l'énergie. Cependant, les approches actuelles de gestion de l'énergie sont principalement appliquées à des modèles limités d'appareils dans des domaines spécifiques et sont difficiles à mettre en œuvre dans d'autres scénarios.Ces approches actuelles présentent des limites en termes de leur niveau d'autonomie, leur flexibilité, leur généricité, les métriques contrôlées et l'hétérogénéité des dispositifs étudiés.Afin de répondre à ces lacunes, nous présentons, dans cette thèse, une approche de gestion de l'énergie pour les environnements connectés basée sur la génération de modèles d'estimation de puissance, la représentation d'une description formelle des connaissances liées à l'énergie et à l'utilisation des techniques d'apprentissage par renforcement (RL) pour accomplir des actions énergétiques efficaces. Nous illustrons notre proposition dans le domaine de la maison intelligente.Nous présentons d'abord une approche de modélisation autonomique de la puissance utilisée pour générer des modèles précis d'estimation de la puissance en temps réel pour tout type de dispositif dans des environnements hétérogènes.Ensuite, nous présentons une extension orientée énergie pour une ontologie de référence. Elle vise à représenter les concepts utiles impliqués dans la gestion de l'énergie dans les environnements connectés.De plus, nous développons les algorithmes de notre approche RL qui exploitent les connaissances de l'estimateur de puissance et de l'ontologie pour générer l'agent RL et des environnements d'apprentissage correspondants. Nous présentons également différentes fonctions de récompense basées sur les préférences des utilisateurs et la consommation d'énergie.L'approche proposée donne de bons résultats compte tenu de la faible période de convergence, du niveau de satisfaction des préférences des utilisateurs et de la diminution significative de la consommation d'énergie.La principale contribution de cette thèse est de garantir une gestion autonome de la consommation d'énergie. Elle fournit également une visibilité sur les pertes d'énergie en estimant la consommation d'énergie des dispositifs de manière automatisée. Elle propose également une manière de représenter les connaissances liées à l'énergie. Enfin, elle garantit que des actions efficaces sur le plan énergétique sont exécutées dans des environnements hétérogènes.

In recent years, the power consumption of Cyber-Physical Systems (CPS) has been increasing due to the increasing number of connected devices (e.g., smart appliances, plug-and-play IoT devices...), mainly in the residential sector. A large number of devices integrate sensors allowing them to produce data describing the state of a device or the behavior of a person (e.g., temperature sensor, presence sensor...). In addition, numerous devices are equipped with actuators capable of accomplishing tasks impacting the environment (e.g., light control, heating, ventilation, air-conditioning system...). These devices have the potential of collecting a large amount of data that can be useful for power estimation and management. However, current energy management approaches are mostly applied to limited types of devices in specific domains and are difficult to implement in other scenarios. They fail when it comes to their level of autonomy, flexibility, genericity, monitored metrics, and heterogeneity of studied devices.To address these shortcomings, we present, in this thesis, an energy management approach for connected environments based on generating power estimation models, representing a formal description of energy-related knowledge, and using reinforcement learning (RL) techniques to accomplish energy-efficient actions. We illustrate our proposal in the smart home domain. We first present an automated power modeling approach used to generate accurate real-time power estimation models for any type of devices in heterogeneous environments. Then, we present an energy-oriented extension for a reference ontology. The latter aims to represent useful concepts used for energy management purposes in connected environments. Furthermore, we develop algorithms that exploit knowledge from both the power estimator and the ontology, to generate the corresponding RL agent and environment. We also present different reward functions based on user preferences and power consumption. The proposed approach performs well given the low convergence period, the high level of user preferences satisfaction, and the significant decrease in energy consumption.The main contribution of this thesis is to guarantee autonomic management of energy consumption. It also provides visibility on energy drains by estimating the power consumption of devices in an automated manner. It lays out a way to represent energy-related knowledge. Finally, it ensures that energy-efficient actions are executed in heterogeneous environments.