Data-driven methodologies and advanced machine learning models for predicting, evaluating, and recommending energy load measures and analysis in district area: Application of artificial intelligence

Résumé

Plusieurs méthodes de modélisation des systèmes énergétiques des districts ont été proposées comme solutions potentielles aux défis posés par la Modélisation des systèmes énergétiques des bâtiments et des districts. Une approche prometteuse consiste à utiliser des modèles à boîte blanche, qui reposent sur des équations physiques détaillées et des paramètres pour simuler avec précision les flux d'énergie et la dynamique des systèmes. Ces modèles offrent une grande précision et une compréhension approfondie des processus physiques au sein des bâtiments et des districts. Cependant, les modèles de type boîte blanche peuvent être intensifs en calcul et nécessitent souvent des données d'entrée très détaillées. D'autres approches, telles que les modèles de type boîte noire et les modèles hybrides, sont également explorées pour équilibrer la précision avec l'efficacité computationnelle, en particulier lorsque la disponibilité des données ou la complexité des systèmes limite la praticité des modèles à boîte blanche. Un autre méthode consiste à utiliser des modèles à boîte noire, y compris des algorithmes d'apprentissage automatique et des réseaux neuronaux artificiels. Les modèles à boîte noire se concentrent sur la reconnaissance des motifs et les relations statistiques dans les données plutôt que sur les principes physiques. Ils sont particulièrement utiles lorsque des données historiques abondantes sont disponibles, permettant de modéliser efficacement des relations complexes et non linéaires sans nécessiter de connaissances détaillées du système. Cependant, ces modèles manquent souvent d'interprétabilité, ce qui rend difficile la compréhension des processus sousjacents et des relations causales. Malgré cela, les modèles à boîte noire peuvent offrir une grande précision prédictive et sont moins gourmands en ressources computationnelles, ce qui les rend adaptés à la modélisation énergétique à grande échelle dans les districts, où des approximations rapides sont nécessaires. Cette étude se concentre sur l'utilisation d'applications d'apprentissage machine et de réseaux neuronaux profonds pour prédire et évaluer les mesures de demande énergétique et effectuer des analyses détaillées. Plus précisément, elle vise à développer des modèles capables de prévoir la demande énergétique, d'évaluer la distribution des charges et d'identifier les schémas de consommation dans diverses zones. L'étude inclut l'application de méthodes de régression, de classification et de regroupement (clustering), ainsi que des réseaux neuronaux profonds, pour capturer efficacement les tendances de consommation d'énergie linéaires et non linéaires. En utilisant ces techniques, l'étude cherche à générer des prévisions précises des charges énergétiques et à découvrir des informations sur les facteurs influençant la demande énergétique dans des environnements urbains complexes. La recherche s'applique à des études de cas concernant le campus de l'Université de la Colombie-Britannique (UBC) à Vancouver et la ville de Stockholm en Suède. Ces zones présentent des caractéristiques d'utilisation énergétique uniques en raison de leurs climats, infrastructures et densités de population différentes, ce qui en fait des cas idéales pour des analyses comparatives. Les objectifs de l'étude incluent l'amélioration de l'efficacité des systèmes de distribution d'énergie, l'identification des périodes de demande de pointe et le soutien à la planification énergétique durable pour de grandes zones de district. De plus, les informations recueillies peuvent éclairer les pratiques de gestion énergétique à l'échelle des districts et faciliter l'intégration des sources d'énergie renouvelable, contribuant ainsi au développement de systèmes énergétiques urbains plus intelligents et résilients. Cette thèse développe et évalue des méthodologies basées sur les données ainsi que des modèles avancés d’apprentissage automatique (ML) pour la prédiction, l’analyse et la recommandation de mesures de charge énergétique dans les systèmes énergétiques urbains à l’échelle des quartiers. Elle compare des outils de modélisation de type « boîte blanche », « boîte noire » et hybrides, en mettant l’accent sur leur applicabilité dans les pratiques de conseil en énergie. La recherche se concentre sur deux études de cas principales : le campus de l’Université de la Colombie-Britannique (UBC) et la ville de Stockholm. Pour UBC, divers modèles de ML et d’apprentissage profond notamment les arbres de décision, la régression par vecteurs de support et les réseaux de neurones artificiels ont été appliqués pour prévoir la consommation d’électricité, d’eau chaude et de gaz. Ces modèles ont atteint une précision prédictive élevée (par exemple, R² allant jusqu’à 0,94, faible MAE), et leurs performances ont été validées à l’aide d’une division structurée des données en ensembles d'entraînement, de test et de validation. Pour Stockholm, des méthodes de regroupement spatial (K-moyennes, regroupement agglomératif) ont été utilisées pour cartographier la demande de chaleur et attribuer les sources de chaleur résiduelle. Le coût actualisé de la chaleur (LCOH) a été calculé par groupe afin de soutenir la planification des infrastructures. Les résultats démontrent l’efficacité de la modélisation axée sur les données tant pour la prévision temporelle que pour l’optimisation énergétique spatiale. Les méthodologies proposées sont généralisables et peuvent guider des stratégies énergétiques urbaines évolutives et à faible émission de carbone.

Date	16 juin 2025
langue originale	Anglais américain
Établissement diplômant	École de technologie supérieure
Superviseur	Adrian Ilinca (Directeur(-trice))