Table of Contents
Contexte
Cette étude de cas s’applique à des zones de bâtiment équipées de capteurs mesurant la température et l’activité, d’un système de chauffage, de ventilation et de climatisation (CVC) contrôlable et, éventuellement, d’une installation photovoltaïque locale.
Objectif
Les bâtiments sont responsables de près d’un tiers de la consommation d’énergie et des émissions de CO2 dans le monde. Leur rôle dans l’atténuation du changement climatique est donc crucial. Les systèmes CVC représentent à eux seuls environ 40 % de la consommation totale d’énergie d’un bâtiment.
Dans cette étude de cas, nous montrons qu’il est possible de réduire la consommation des systèmes CVC en trouvant le compromis optimal entre la minimisation de la consommation d’énergie, la garantie d’un bon niveau de confort, la réduction des coûts énergétiques et la maximisation de l’utilisation des énergies renouvelables.
Solution
Energis a développé et déployé une solution consistant en un système d’IA basé sur des règles, capable de contrôler les appareils de CVC de manière intelligente et autonome au cours du programme de recherche Innoviris TeamUp.
La solution a été installée sur notre périphérique Raspicy et testée dans un scénario comprenant une zone de bureaux équipée de capteurs de température, d’humidité, de CO2, de mouvement et d’une installation photovoltaïque locale. La communication entre le contrôleur intelligent et le système de chauffage, de ventilation et de climatisation s’est faite par le biais du protocole ModBus, bien que plusieurs autres alternatives puissent être envisagées, comme la GTB et une API HTTP déjà existante.
Le contrôleur d’IA basé sur des règles dispose d’un moteur d’inférence qui applique des règles de condition-action stockées dans la base de connaissances pour prendre des décisions et déduire de nouveaux faits.
Dans un premier temps, un ingénieur des connaissances rassemble les connaissances du domaine (de construction) avec l’aide d’experts du domaine, puis convertit ces connaissances en règles qui peuvent être ajoutées à la base de connaissances du système.
Après cette phase initiale, le système fonctionne de manière autonome, en interagissant avec l’environnement pour percevoir son état (à quoi ressemble mon monde maintenant ?) et en appliquant les règles stockées dans la base de connaissances pour décider de la meilleure action à entreprendre (que dois-je faire maintenant en fonction de ce que je sais ?).
Outre l’utilisation des données des capteurs, le contrôleur à base de règles exploite les prévisions météorologiques et d’occupation pour s’adapter de manière proactive aux conditions prévues de l’environnement. Par exemple, il préchauffe la zone si l’on prévoit une occupation et une température extérieure basse dans les heures à venir.
Résultat
Comme nous l’avons démontré au cours de notre programme de recherche, notre contrôleur à base de règles a été capable d’améliorer le niveau de confort dans la zone, tout en réduisant la consommation d’énergie du système CVC sans aucune intervention humaine. L’algorithme d’optimisation a également pris en compte la production de SER, en tirant le meilleur parti de l’irradiation solaire chaque fois qu’elle est disponible.
De plus, la possibilité de prévoir les conditions météorologiques et d’occupation a été un facteur important pour augmenter l’efficacité énergétique, par exemple en tirant parti de l’inertie thermique du bâtiment à la fin de la journée de travail.
Suivi du contrôleur
Les deux panneaux du tableau de bord du contrôleur ci-dessous ont été utilisés pour surveiller la température intérieure et les actions entreprises. Le contrôleur préchauffe le bureau si la zone est froide et sera occupée dans les heures à venir. Il utilise au mieux la production photovoltaïque lorsque l’irradiation est suffisante et arrête de chauffer lorsqu’il est temps de tirer parti de l’inertie thermique du bâtiment jusqu’à la fin de la journée de travail.
Les panneaux de confort nous ont permis de surveiller le confort en profondeur, par exemple de suivre l’évolution des indices Predicted Percentage of Dissatisfied (PPD) et Predicted Mean Vote (PMV) utilisés par l’ASHRAE¹ pour évaluer le confort thermique. Le PPD, indiqué par une ligne verte dans le panneau de confort, estime le pourcentage de personnes qui ne sont pas satisfaites du niveau de confort actuel (refroidissement ou chauffage) et doit être inférieur à 20 % pendant les heures de travail (zone grise dans les tableaux de bord).
¹ American Society of Heating, Refrigerating and Air-Conditioning Engineers. www.ashrae.org
Suivi des indicateurs clés de performance
Une vue globale des conditions de confort était également nécessaire. Nous avons créé les tableaux de bord ci-dessous qui surveillent les scores de confort, par exemple la température et l’humidité. Ces scores indiquent le pourcentage de temps pendant lequel les conditions intérieures se situent dans la plage de confort durant les heures de travail.
Download Full Case Study
Découvrez en détail comment notre logiciel de gestion de l'énergie a amélioré les performances et la rentabilité