Partenaire: ENSMA et CNH2
Auteurs: Ladjel Bellatreche, Felix Garcia, Don Nguyen Pham, Pedro Quintero Jiménez
Accès aux publications ici.
La réduction des émissions de carbone dans l’atmosphère est devenue une question de santé urgente. L’énergie des bâtiments et de leur construction représente plus d’1/3 de la consommation énergétique finale mondiale et contribue à près d’1/4 des émissions de gaz à effet de serre dans le monde. Les systèmes de chauffage, de ventilation et de climatisation (CVC) sont d’importants consommateurs d’énergie et sont responsables d’environ 18 % de la consommation d’énergie totale des bâtiments. Pour réduire cette énorme quantité d’énergie, le concept Net-Zero Energy Building (nZEB) a été imposé par les autorités énergétiques. Ils recommandent une utilisation massive de la technologie des énergies renouvelables. Avec la popularisation du Smart Grid, des appareils de l’Internet des objets et de l’apprentissage automatique (ML), quelques approches basées sur les données ont émergé pour atteindre cet objectif crucial. En analysant ces approches, nous constatons qu’il leur manque une méthodologie complète avec un cycle de vie bien identifié qui favorise la collaboration entre les acteurs du nZEB. Dans cet article, nous partageons notre vision du développement de systèmes de gestion de l’énergie pour nZEB dans le cadre du programme IMPROVEMENT EU Interreg Sudoe. Dans un premier temps, nous proposons une méthodologie complète (SONDER), associée à un cycle de vie bien identifié pour développer des solutions pilotées par les données. Deuxièmement, une instanciation de cette méthodologie est donnée en considérant une étude de cas pour prédire la consommation d’énergie du système d’eau chaude sanitaire de l’hôpital régional de La Axarquia, en Espagne, qui comprend des sections de gaz et d’électricité. Cette prédiction est réalisée à l’aide de quatre techniques ML : régression multivariée, XGBoost, Random Forest et ANN. Nos résultats obtenus montrent l’efficacité de SONDER en offrant une collaboration fluide entre les acteurs du projet et l’efficacité de prédiction d’ANN.
