Gestion intelligente d'un radiateur électrique par apprentissage des habitudes de vie

Intelligent management of an electric radiator by learning lifestyle habits

• Auteur / Autrice : Omar Abdelaaziz Kabbaj
• Direction : Laurent Delahoche, Bruno Marhic
• Type : Projet de thèse
• Discipline(s) : Informatique-25DIN0
• Date : Inscription en doctorat le 11/01/2024
• Etablissement(s) : Amiens
• 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

Radiateur électrique

Habitudes de vie

Intelligence artificielle

Gestion intelligente

Electric radiator

Lifestyle habits

Artificial intelligence

Intelligent management

Résumé

La thèse vise la sobriété énergétique par une utilisation intensive des techniques d'intelligence artificielle. Les informations traitées seront celles collectées par des capteurs installés dans un bâtiment. Le traitement dit intelligent de ces données consistera à partitionner l'espace des données pour caractériser l'activité des occupants. L'apprentissage automatique de modèles visant à décrire des habitudes de vie devront permettre de prédire des occupations et des catégories d'activité sur du court terme ou du long terme. Les modèles auto adaptatifs proposés auront pour ambition de piloter le confort thermique en minimisant la consommation énergétique. La régulation thermique de l'enveloppe consistera à commander les dispositifs de chauffe en fonction d'un contexte d'utilisation prédit. La prédiction d'une occupation ou d'une activité devra permettre de générer une consigne optimale au sens de la moindre consommation énergétique. Le cadre markovien sera sur cette thèse plus particulièrement exploité. L'apprentissage par renforcement sera exploré et discuté. Il reposera sur un processus de décision markovien (MDP) qui propose un cadre adapté au problème visant à apprendre à réaliser un but. Les paradigmes d'apprentissage seront dans un premier temps testés sur une cabine expérimentale et dans un second temps en environnement réels. Les solutions proposées seront évaluées par rapport à la réduction de la consommation énergétique obtenue.

This thesis aims to achieve energy efficiency through the intensive use of artificial intelligence techniques. The information processed will be that collected by sensors installed in a building. Intelligent processing of this data will involve partitioning the data space to characterize occupant activity. The automatic learning of models designed to describe lifestyle habits should enable occupancy and activity categories to be predicted over the short or long term. The self-adapting models proposed will aim to control thermal comfort while minimizing energy consumption. The thermal regulation of the envelope will consist in controlling the heating devices according to a predicted context of use. The prediction of occupancy or activity should enable the generation of an optimal setpoint in the sense of least energy consumption. The Markov framework will be used in this thesis. Reinforcement learning will be explored and discussed. It will be based on a Markov decision process (MDP), which offers a framework adapted to the problem of learning to achieve a goal. The learning paradigms will first be tested on an experimental cabin and then in real environments. The proposed solutions will be evaluated in terms of the reduction in energy consumption achieved.