Bâtiment intelligent : Contrôle optimal de la CVC via des techniques de machine learning et modélisation dun bâtiment par réseaux de neurones artificiels
CMA / UC Berkeley
SOPHIA / BERKELEY
Réalisé par : JEBALI Ghassene
Promotion : 2015
La consommation mondiale d'énergie augmente constamment alors que les ressources énergétiques sont de moins en moins disponibles. Par conséquent, loptimisation de la consommation d'énergie est devenue une priorité. Dans un bâtiment résidentiel moderne, la CVC (Chauffage, Ventilation, Climatisation) consomme plus de la moitié de la consommation totale. Dans les bâtiments commerciaux, la CVC, l'éclairage et les appareils électriques peuvent atteindre 85%.
Ainsi, pour réduire la consommation d'énergie dans les bâtiments, plusieurs solutions peuvent être explorées, telles que le renforcement de l'isolation thermique ou le développement de systèmes de production d'énergie à haut rendement. De nombreux efforts ont été faits pour trouver les nouvelles approches pour gérer la consommation d'énergie dans les bâtiments. Dans cette optique, la gestion intelligente de ces consommations est une préoccupation majeure pour les fournisseurs et consommateurs d'énergie. Dans ce contexte, il est nécessaire d'aller au-delà des systèmes de contrôle traditionnels basés sur les instructions simples dutilisateurs.
Les travaux menés au cours de cette mission peuvent être divisés en 2 parties. L'objectif de la première partie est d'utiliser les données fournies par un réseau de capteurs via des méthodes de machine learning afin de contrôler les services d'un bâtiment automatiquement et intelligemment tout en tenant compte non seulement ses propriétés physiques, mais aussi de son utilisation réelle et le confort des occupants. La deuxième partie concerne la modélisation dun bâtiment en utilisant un réseau de neurones artificiel afin de comprendre comment il réagit aux différentes variables qui participent à la détermination de sa consommation d'énergie.
Mots-clés : Bâtiment intelligent, efficacité énergétique, machine learning, modélisation, réseaux de neurones.