Ce graphique détaillé présente la méthodologie de l'équipe de recherche, qui s'appuie sur des méthodes d'apprentissage en profondeur pour aider à transformer les données de simulation pertinentes en stratégies de contrôle en temps réel des opérations de construction. Le bâtiment et ses systèmes réels, combinés à la modélisation et aux simulations ainsi qu'à d'autres données, influencer le système de gestion du bâtiment, conduisant à un meilleur contrôle des opérations du bâtiment. Crédit :Laboratoire national du Nord-Ouest du Pacifique
Les bâtiments américains consomment environ 40 pour cent de l'énergie américaine, dont une grande partie est consacrée au chauffage, refroidissement, et aération. Des méthodes de contrôle améliorées peuvent aider à réduire la consommation d'énergie. Le contrôle prédictif par modèle (MPC) a montré un potentiel de réduction substantielle de la consommation d'énergie dans les bâtiments. Cependant, il n'a pas été largement adopté en raison d'un certain nombre de problèmes de mise en œuvre.
Récemment, Le PNNL a démontré que l'apprentissage en profondeur peut être utilisé pour surmonter certains de ces défis, ouvrant la voie à une adoption plus large du MPC dans les bâtiments. "Pour une application réussie dans les bâtiments, la méthode doit être moins coûteuse et plus facile à mettre en œuvre, et cela a été l'objet de notre travail, " explique Jan Drgona, un associé de recherche postdoctoral du PNNL.
MPC traditionnel basé sur la physique et ses défis
MPC optimise le contrôle sur un horizon temporel reculé, et dans un bâtiment, la méthode peut optimiser le contrôle pour les 24 heures suivantes à des intervalles de 15 minutes. MPC utiliserait un modèle du bâtiment pour évaluer ses performances au cours des prochaines 24 heures selon différentes stratégies de contrôle pour les hypothèses d'occupation fixe et de météo. Les paramètres de contrôle pour les 15 premières minutes sont mis en œuvre, la réponse du bâtiment est mesurée, et le processus est répété avec des conditions initiales et des prévisions météorologiques mises à jour.
Une partie essentielle de MPC est le modèle lui-même. MPC a été initialement utilisé pour optimiser les processus chimiques industriels grâce à des modèles basés sur la physique. Le MPC basé sur la physique s'est également avéré efficace dans les bâtiments. En réalité, des tests sur le terrain menés par la KU Leuven University dans un immeuble de bureaux en Belgique ont montré des économies d'énergie allant jusqu'à 50 %. MPC a également amélioré le confort thermique dans le bâtiment en maintenant les températures plus proches des limites prescrites, ce qui peut améliorer la productivité et le bien-être des occupants.
Le déploiement de MPC dans une grande partie du parc immobilier n'a pas été possible en raison des coûts d'installation élevés. Chaque bâtiment est unique et nécessite son propre modèle personnalisé basé sur la physique. Les modèles basés sur la physique sont coûteux en temps de calcul, limitant le nombre d'alternatives de stratégie de contrôle qui peuvent être explorées et nécessitant souvent du matériel dédié.
Une solution potentielle ?
Une équipe de recherche de Jan Drgona, Draguna Vrabie du PNNL, et Lieve Helsen de la KU Leuven a développé une approche qui surmonte les défis informatiques du MPC. L'équipe a utilisé un MPC basé sur la physique pour former des modèles de réseau de neurones d'apprentissage en profondeur.
Les modèles de réseaux de neurones produisent des actions de contrôle qui se rapprochent étroitement de celles produites par les MPC basés sur la physique, mais le font beaucoup plus rapidement tout en utilisant beaucoup moins de puissance de calcul. En termes simples, les chercheurs apprennent à l'apprenti bon marché (réseau de neurones) à imiter le comportement de l'expert beaucoup plus cher (MPC basé sur la physique).
« Nous nous retrouvons avec un contrôleur intelligent hautes performances avec une fraction du coût d'exécution du contrôle prédictif de modèle classique, " dit Drgona.
Il ajoute, « Il reste beaucoup de travail à faire pour parvenir à des résultats robustes, méthodes évolutives applicables aux systèmes de construction à grande échelle. En appliquant ces méthodes, nous sommes sur la bonne voie pour réduire les coûts d'ingénierie et parvenir à une solution générique largement disponible pour la communauté du contrôle des bâtiments. »
Drgona et ses collègues ont discuté de leurs méthodes dans « Supprimer la complexité de mise en œuvre du contrôle prédictif de modèle basé sur la physique pour les bâtiments via l'apprentissage en profondeur ». Cet article a été présenté lors d'une session d'atelier à la Conférence sur les systèmes de traitement de l'information neuronale à Vancouver, Canada, en décembre 2019.
