Diagnostic et optimisation en ligne des systèmes de gestion de l'énergie pour bâtiments intelligents

On-line diagnosis and optimization of Energy Management Systems for Smart Buildings

• Auteur / Autrice : Luis Enrique Garcia Marrero
• Direction : Eric Monmasson, Giovanni Petrone
• Type : Thèse de doctorat
• Discipline(s) : Génie électrique et électronique
• Date : Soutenance le 10/12/2025
• Etablissement(s) : CY Cergy Paris Université en cotutelle avec Università degli studi (Salerne, Italie)
• Ecole(s) doctorale(s) : École doctorale Sciences et ingénierie
• Partenaire(s) de recherche : Laboratoire : Systèmes et Applications des Technologies de l'Information et de l'Energie
• Jury : Président / Présidente : Mickael Hilairet
• Jury : Examinateurs / Examinatrices : Eric Monmasson, Giovanni Petrone, Nicolas Patin, João Martins
• Jury : Rapporteurs / Rapporteuses : Nicolas Patin, João Martins
• DOI : 10.70675/d1b10ab7zb852z4f2czb462zecde768def81

Mots clés

Mots clés contrôlés

Domotique

Systèmes photovoltaïques

Mots clés libres

Surveillance non intrusive de la consommation (NILM)

Diagnostic photovoltaïque (PV)

Surveillance énergétique en temps réel

Informatique en périphérie

Bâtiments intelligents

Systèmes de gestion de l'énergie (EMS)

Non-Intrusive Load Monitoring (NILM)

Photovoltaic (PV) Diagnostics

Real-Time Energy Monitoring

Edge Computing

Smart Buildings

Energy Management Systems (EMS)

Résumé

Cette thèse présente un cadre intégré pour l'intelligence des côtés demande et offre dans les systèmes de gestion d'énergie (EMS) pour bâtiments intelligents, conçu pour des plateformes edge informatiques à ressources limitées. La partie sur la demande traite de la surveillance des appareils grâce à la méthode abordable Non‑Intrusive Load Monitoring (NILM). Les méthodes NILM actuelles d'avant‑garde souffrent d'une faible généralisation lors de variations de domaine et exigent beaucoup de calcul. D'abord, une étude théorique des architectures NILM basées sur des réseaux de neurones convolutionnels mesure la perte de performance sous changements de domaine via un développement de Taylor du premier ordre, et identifie les principales sources d'erreur affectant la généralisation. Pour remédier à cela, on propose un cadre NILM sans phase d'entraînement (training‑less), combinant un modèle probabiliste des états des appareils, une programmation dynamique pour des mises à jour séquentielles, un module léger d'estimation de la charge de base, et un algorithme d'apprentissage incrémental basé sur une population. La méthode fonctionne en temps réel, résiste aux changements de domaine, et élimine le besoin de grandes quantités de données spécifiques à chaque appareil. La partie sur l'offre se focalise sur le diagnostic des panneaux photovoltaïques (PV) à partir de modèles, avec un accent particulier sur l'identification des paramètres en conditions réelles. Les méthodes traditionnelles basées sur le modèle (modèle à diode unique ou ses variantes) supposent des conditions uniformes rarement atteintes dans la pratique. Sous des conditions non uniformes, estimer les paramètres du modèle à diode unique avec cette hypothèse cause des erreurs qui rendent les paramètres peu fiables pour le diagnostic. En premier lieu, on développe un cadre d'optimisation multi‑objectif pour identifier conjointement des paramètres dans les modèles PV statiques et dynamiques, intégrant des données de courbe courant‑tension (I‑V) avec des mesures de spectroscopie d'impédance électrochimique (EIS), afin de produire des estimations de paramètres physiquement valides. Cependant, cette approche dépend du matériel EIS, encore peu mature pour des applications PV en ligne. Pour surmonter cette limite, on introduit un modèle auto‑adaptatif à sept paramètres, le Double Single‑Diode Model (D‑SDM), qui n'utilise que les données I‑V pour estimer les paramètres. Une fonction d'erreur robuste permet d'isoler les segments valides de la courbe, et des algorithmes évolutionnaires sont employés pour l'ajustement, garantissant des estimations stables et précises en conditions réelles, et une détection fiable de phénomènes de dégradation comme l'augmentation de la résistance série. Enfin, pour démontrer la faisabilité pratique, les cadres NILM et de diagnostic PV sont intégrés dans une plateforme edge unifiée capable d'exécuter les deux tâches simultanément. Le système est testé sur un Raspberry Pi 4 exécutant Home Assistant, plateforme open‑source d'automatisation domestique. Tous les traitements s'effectuent localement sur l'appareil, et les résultats sont fournis via une interface unique qui garantit la vie privée et une utilisation facile. La validation expérimentale confirme que la plateforme maintient une faible latence, des performances stables et une opération continue tout en assurant la surveillance temps‑réel des demandes et de l'offre. De plus, pour permettre un déploiement à grande échelle des solutions de suivi énergétique edge‑based, cette thèse propose une stratégie commerciale combinant calcul local et services cloud optionnels tels que modélisation précise des appareils, prévision et informations automatisées. Cette stratégie cible les utilisateurs résidentiels, les propriétaires de systèmes PV et les installateurs professionnels, offrant une solution rentable et évolutive pour la surveillance et gestion énergétique en temps réel dans les bâtiments intelligents.

This thesis presents an integrated framework for demand- and supply-side intelligence in smart-building Energy Management Systems (EMS) designed for deployment on resource-constrained edge-computing platforms. The demand-side research focuses on appliance load monitoring using the cost-efficient Non-Intrusive Load Monitoring (NILM) approach. Current state-of-the-art NILM methods face limitations, including poor generalization to domain shifts and high computational requirements. Initially, a theoretical study of convolutional neural network-based NILM architectures is conducted, quantifying performance degradation under domain shifts through a first-order Taylor expansion and identifying the primary error sources that affect generalization. To solve this practical limitation, a novel training-less NILM framework is developed, combining a probabilistic appliance state model, dynamic programming for sequential updates, a lightweight base-load estimation module, and a population-based incremental learning algorithm. The proposed method operates in real-time, is robust to domain shifts, and eliminates the need for abundant appliance-specific training data.The supply-side research focuses on model-based PV diagnostics, with a particular emphasis on enhancing parameter identification under real-world operating conditions. Current model-based methods for monitoring PV modules typically rely on the single-diode model (SDM) or its variants, assuming uniform operating conditions that are rarely achieved in real-world applications. When a PV module operates under mismatching conditions, estimating SDM parameters under the assumption of uniformity introduces errors that render the parameters unreliable for diagnostic purposes. As a first step, a multi-objective optimization framework is developed for the joint identification of parameters in static and dynamic PV models, integrating current-voltage (I-V) curve data with electrochemical impedance spectroscopy (EIS) measurements to produce physically meaningful parameter estimates. However, this approach is currently limited by its reliance on EIS hardware, which is not yet sufficiently mature for online PV applications. To overcome this limitation, a self-adapting seven-parameter Double Single-Diode Model (D-SDM) is introduced, which estimates parameters using only I-V data. A robust error function is proposed to isolate valid curve segments, and evolutionary algorithms are employed for parameter fitting, ensuring stable and accurate estimation under real-world operating conditions, while reliably detecting degradation phenomena such as increases in series resistance. Finally, to demonstrate the practical feasibility of the technical advancements developed in this thesis, the NILM and PV diagnostic frameworks are deployed into a unified edge-computing platform capable of executing both tasks concurrently. The system is tested on a Raspberry Pi 4 running Home Assistant, an open-source platform widely used for home automation. All processing is performed locally on the edge device, and results are delivered through a single, integrated interface that ensures user privacy and ease of use. Experimental validation confirms that the platform maintains low latency, stable performance, and continuous operation while providing real-time demand- and supply-side monitoring. Furthermore, to support large-scale deployment of edge-based energy monitoring solutions, a commercialization strategy is proposed that combines local computation with optional cloud-based services such as accurate appliance modeling, forecasting, and automated insights. This strategy targets residential users, PV system owners, and professional installers, offering a scalable and cost-effective solution for real-time energy monitoring and management in smart buildings.