Real-time data driven model predictive control for efficient energy consumption in smart buildings

Résumé

Le Modèle de contrôle prédictif (MPC) a reçu beaucoup d’attention ces dernières années, principalement dans le domaine du contrôle du chauffage, ventilation et climatisation (CVC) dans les bâtiments intelligents. Le MPC est un contrôle optimal qui améliore l’efficacité énergétique des systèmes CVC. Ceci est réalisé par l’utilisation d’une approche de contrôle orientée modèle qui intègre une représentation mathématique avec les facteurs les plus importants qui affectent la dynamique du bâtiment. Cependant, la conception d’un modèle précis qui modélise la dynamique du système physique est une tâche difficile dans les applications pratiques, en particulier pour les bâtiments multizone qui possèdent différents types de systèmes CVC. En outre, la non-linéarité de la dynamique thermique des bâtiments rend la prédiction de la température de l’air intérieur (IAT) plus difficile car elle est affectée par des facteurs complexes tels que les paramètres contrôlés et non contrôlés, les conditions météorologiques et l’occupation, entre autres. Les bâtiments intelligents modernes sont équipés de multiples capteurs qui collectent des données, lesquelles sont ensuite utilisées par des techniques de contrôle pour améliorer l’efficacité énergétique tout en maintenant un niveau de confort optimal. La disponibilité de données historiques offre la possibilité de développer des solutions de contrôle orienté données et basées sur des algorithmes d’intelligence artificielle. Le contrôle orienté données réduit les coûts et le temps de calcul du MPC, qui nécessite un processus de modélisation précis et complexe. Ainsi, l’objectif de cette thèse est de fournir un cadre de contrôle CVC efficace et évolutif qui minimise la consommation d’énergie, l’émission de carbone, la demande de pointe et l’inconfort pendant les heures d’occupation sous des contraintes d’auto-ajustement du point de consigne, de la rampe de température et du cycle des équipements, en intègrant un modèle de prédiction de température multi-étapes qui prend en compte la sensibilité des paramètres de contrôle. Afin d’atteindre cet objectif, quatre questions clés doivent être adressées dans notre cadre, qui sont résumés comme suit : i) comment modéliser l’IAT dans un bâtiment intelligent multizone et pour différents types de systèmes CVC sans diminuer la précision de la prédiction ? ii) comment prédire avec précision l’IAT à plusieurs étapes dans un cadre MPC orienté données sans biaiser la décision d’optimisation? iii) comment concevoir et déployer un problème d’optimisation MPC orienté données, efficace adapté à une application de système CVC en temps réel ? iv) comment modéliser un système de contrôle oriente données plus évolutif pour le système CVC tout en réduisant la consommation d’énergie et l’empreinte carbone ? Dans le cadre de nos contributions pour résoudre le premier problème souligné ci-dessus afin de modéliser avec précision un modèle de prédiction de l’IAT pour un bâtiment multizone possédant plusieurs types de systèmes CVC, nous proposons un nouveau modèle de prédiction de l’IAT basé sur des réseaux récurrents à mémoire court et long terme (LSTM). Deux modèles ont été conçus, LSTM-MISO et LSTM-MIMO, soit une approche à entrées multiples et sortie unique et une approche à entrées multiples et sortie multiple, respectivement. Ces approches sont basées sur une prédiction directe séquence-à-séquence (S2S) pour prédire plusieurs étapes à la fois. En outre, une analyse de sélection des caractéristiques a été effectuée pour obtenir une structure de modèle appropriée pour les systèmes de volume d’air variable (VAV) et de volume d’air constant (CAV). Puisque le comportement de la température dépend des variables de contrôle du système CVC, on constate que la prise en compte de ces variables de contrôle par le modèle augmente la précision de la prédiction de l’IAT. La performance des différentes stratégies a été évaluée sur la base de deux études de cas sur des données opérationnelles de bâtiments intelligents réels utilisant des systèmes VAV et CAV. Pour les deux bâtiments, les résultats expérimentaux ont montré que les modèles proposés sont plus performants que les modèles de perceptrons multicouches en réduisant le pourcentage d’erreur absolu moyen de 50%. Pour répondre au second problème, nous étendons le premier objectif de recherche et proposons un nouveau modèle de prédiction de l’IAT à plusieurs étapes basées sur un LSTM multivariable sensible au contexte (CAM-LSTM). Celui-ci est utilisé dans un cadre MPC orienté données sans biaiser la décision d’optimisation. Le CAM-LSTM est basé sur une interaction de haut niveau et de bas niveau entre les caractéristiques des paramètres d’entrée et qui tient compte de la relation sensible entre la température et les paramètres de contrôle. De plus, le CAM-LSTM utilise un réseau de neurones à double flux basé sur des séries temporelles multivariables de paramètres contrôlés et non contrôlés. En outre, un mécanisme d’attention est appliqué aux paramètres contrôlés pour leur attribuer le poids optimal afin d’améliorer la prédiction de la température de chaque zone. Pour aborder le troisième problème, nous proposons un cadre de contrôle en temps réel efficace, basé sur un MPC orienté données utilisant l’algorithme génétique (MPC-GA). Il permet un fonctionnement optimal du système CVC validé expérimentalement dans un bâtiment commercial multizone. Le MPC-GA utilise le modèle CAM-LSTM dans le cadre MPC et il minimise : la consommation d’énergie, la demande de pointe et l’inconfort pendant les heures d’occupation sous des contraintes d’auto-ajustement du point de consigne, de la rampe de température et du cycle des équipements. Une heuristique utilisant un algorithme génétique est développée pour obtenir la combinaison optimale de contrôle du modèles MPC-GA en temps-réel pour toutes les zones sur un horizon de prédiction. Les résultats d’expérimentation ont montré que le MPC-GA surpasse les systèmes de contrôle RBC avec plus de 50% et 80% de réduction de la consommation d’énergie et de l’inconfort, respectivement. Enfin, nous présentons une approche évolutif distribuée basée sur des multi-agents pour le contrôle optimisé d’un bâtiment intelligent multizone. L’approche utilise un ensemble d’agents locaux qui représentent les zones individuelles du bâtiment, coordonnés par un agent central. Pour chaque horizon de contrôle, le coordinateur minimise les émissions globales de carbone et attribue un budget d’énergie individuel à chaque agent local. Celui-ci minimise l’inconfort dans sa zone tout en respectant le budget d’énergie attribué par le coordinateur. Nous proposons une heuristique basée sur un algorithme génétique pour trouver les séquences de contrôle optimisées dans chaque zone, et formulons un modèle de programmation linéaire en nombres entiers (ILP) pour le problème du coordinateur qui peut être résolu à l’aide d’un solveur ILP. Pour un jour d’essai hivernal représentatif, la méthodologie proposée a permis de réaliser des économies d’énergie de 8,8% et de réduire l’empreinte carbone de 23,4%.

Date	27 févr. 2023
langue originale	Anglais américain
Établissement diplômant	École de technologie supérieure
Superviseur	Mohamed Cheriet (Directeur(-trice)) & Kim Khoa Nguyen (Codirecteur(-trice))