Régulation intelligente du confort thermique

Intelligent Control of Heating Comfort

• Auteur / Autrice : Amine Maniar
• Direction : Laurent Delahoche, Mourad Zegrari
• Type : Projet de thèse
• Discipline(s) : Informatique-25DIN0
• Date : Inscription en doctorat le 30/09/2022
• Etablissement(s) : Amiens en cotutelle avec Université Hassan II
• Ecole(s) doctorale(s) : École doctorale Sciences, technologie et santé (Amiens)
• Partenaire(s) de recherche : Laboratoire : Laboratoire des technologies innovantes (Amiens ; 2004-....)

Mots clés

Mots clés libres

Efficacité énergétique

Apprentissage

Commande

Intelligence Artificielle

Classification

Régulation

Command

Energy efficiency

Classification

Artificial intelligence

Machine Learning

Control

Résumé

L'enjeu de ces travaux sera de prédire des trajectoires de régulation thermiques dans un bâtiment intelligent en fonction du comportement des occupants et des objectifs recherchés. L'objectif visé est de maintenir un confort thermique optimal pour une consommation énergétique minimale. Ces trajectoires seront obtenues à l'aide de modèles dont les paramètres seront appris. Cette phase d'apprentissage s'appuiera sur des méthodes de partitionnement automatique de l'espace des données visant à extraire des classes caractéristiques d'événements (habitudes de vie) récurrents. L'approche prédictive sera couplée à une couche décisionnelle constituée de deux types d'algorithme : des algorithmes inférentiels visant à produire des décisions en fonction d'une base de règles et des algorithmes d'optimisation multi-objectifs visant à satisfaire l'ensemble des contraintes liées au confort. L'approche multi-objectifs prendra en charge le nécessaire arbitrage sur un ensemble de critères parfois contradictoires. Nous nous interrogerons enfin sur les lois de commande permettant d'exploiter les consignes produites par nos modèles prédictifs.

The goal of this work will be to predict thermal control trajectories in an smart building according to the behavior of the occupants and the objectives pursued. The objective is to maintain an optimal thermal comfort for a minimal energy consumption. These trajectories will be obtained using models whose parameters will be learned. This learning stage will be based on automatic partitioning methods of the data space to extract characteristic classes of recurrent events (life patterns). The predictive approach will be combined with a decision layer consisting of two types of algorithms: inferential algorithms to product decisions according to a rule base and multi-objective optimization algorithms aiming at satisfying all the constraints related to comfort. The multi-objective approach will take into account the arbitration on a set of contradictory criteria. Finally, we will consider the control laws that can be used to exploit the information produced by our predictive models.