L'évolution de l'automatisation intelligente des bâtiments

Les systèmes intelligents d'automatisation des bâtiments sont passés de simples contrôleurs logiques programmables à des réseaux distribués sophistiqués qui intègrent des capteurs, des actionneurs et des analyses en nuage. Ces systèmes gèrent l'éclairage, CVC, la sécurité et d'autres sous-systèmes en temps réel, en vue d'améliorer l'efficacité opérationnelle tout en maintenant un environnement confortable pour les occupants. La tendance vers des bâtiments à énergie nette nulle, associée à des réglementations rigoureuses en matière de durabilité, a accéléré l'adoption de stratégies de contrôle avancées.

Avec la prolifération des dispositifs IoT, les bâtiments génèrent maintenant de vastes flux de données sur l'occupation, la météo, l'utilisation de l'énergie et l'état des équipements. Cette richesse de données pose cependant un défi : comment traiter et exploiter pour un contrôle optimal. Les contrôleurs traditionnels basés sur des règles ou PID sont en court lorsqu'ils font face à des interactions dynamiques et non linéaires entre sous-systèmes. L'optimisation multi-objectifs fournit un cadre systématique pour naviguer ces complexités, fournissant des solutions qui s'adaptent aux conditions changeantes tout en respectant des objectifs contradictoires.

Principes fondamentaux de l'optimisation multi-objectifs

Dans le contexte des bâtiments intelligents, les objectifs typiques sont de réduire la consommation d'énergie, de maximiser le confort thermique (mesuré par les indices PMV ou PPD), de minimiser les émissions de carbone et de réduire les coûts opérationnels.Ces objectifs sont souvent contradictoires, par exemple, réduire l'énergie CVCA peut dégrader le confort. Contrairement à l'optimisation mono-objectif, qui donne une solution optimale unique, MOO produit un ensemble de solutions de compromis connues sous le nom de front Pareto. Chaque solution sur ce front est optimale Pareto, ce qui signifie qu'aucun objectif ne peut être amélioré sans aggraver au moins un autre.

Les décideurs choisissent alors un point de fonctionnement privilégié à partir de ce front, souvent en utilisant des techniques telles que la somme pondérée, la programmation des objectifs ou des méthodes interactives. Les progrès récents dans les algorithmes métaeuristes et l'apprentissage des machines ont permis d'approximativement rapprocher le front Pareto pour les modèles de construction complexes en temps quasi réel.

Pareto Optimisation expliquée

Le concept d'optimalité de Pareto, nommé d'après l'économiste Vilfredo Pareto, est au cœur du MOO. Une solution est Pareto optimale s'il n'existe pas d'autre solution réalisable qui améliore au moins un objectif sans en dégrader un autre. L'ensemble de ces solutions forme le front de Pareto. Pour l'automatisation du bâtiment, cela signifie que pour un niveau donné de consommation d'énergie, le système peut trouver la stratégie de contrôle qui maximise le confort (ou minimise l'inconfort) sans gaspiller l'énergie. Inversement, pour un niveau fixe de confort, il peut minimiser l'énergie.

Méthodes de résolution des problèmes multi-objectifs

Il existe trois grandes catégories de méthodes de MOO : les méthodes a priori, où les préférences sont spécifiées avant l'optimisation (p. ex., somme pondérée); les méthodes a posteriori, qui génèrent l'ensemble du front Pareto et laissent le décideur choisir plus tard (p. ex., NSGA-II, MOPSO); et les méthodes interactives, où les préférences sont incorporées itérativement. Dans les applications de construction intelligentes, les méthodes a posteriori sont populaires parce qu'elles offrent une vue complète des compromis, permettant des stratégies d'adaptation qui répondent aux changements en temps réel.

Progrès récents dans les techniques d'optimisation multi-objectifs

La dernière décennie a été marquée par des progrès importants dans le développement algorithmique des MOO, guidés par les besoins de systèmes d'ingénierie complexes et la disponibilité de ressources informatiques plus puissantes.

Algorithmes évolutionnaires

Les algorithmes évolutionnaires (EA) sont des métaeuristes de population inspirés par l'évolution biologique. Ils appliquent itérativement la sélection, le croisement et la mutation pour améliorer un ensemble de solutions candidates. Pour le MOO, des variantes spécialisées ont été développées pour préserver la diversité et converger vers le vrai front Pareto. Deux exemples notables sont l'Algorithme génétique de tri non dominé (NSGA-II) et l'optimisation multi-objectif du swam de particules (MOPSO).

Algorithmes génétiques pour le contrôle des bâtiments

Par exemple, un GA peut simultanément optimiser les températures de consigne, les positions de l'amortisseur et les horaires d'éclairage. Une étude de Jahangiri et Allinson (2020) a démontré qu'un GA multi-objectifs réduisait de 25 % l'énergie CVC tout en maintenant le confort thermique dans des limites acceptables dans un bâtiment commercial. L'algorithme a exploré des milliers de stratégies de contrôle possibles avant de se rapprocher d'un front Pareto qui révélait des compromis inattendus, comme l'avantage d'autoriser de légères dérives de température pendant les heures inoccupées.

Optimisation du swarm des particules

L'optimisation des essaims de particules (PSO) simule le comportement social des oiseaux qui affluent ou qui s'y nourrissent. Chaque particule ajuste sa position en fonction de sa solution la plus connue et de la solution la plus connue de l'essaims. Dans la variante multi-objectifs (MOPSO), une archive stocke des solutions non dominées et les particules sont orientées vers des régions moins encombrées de l'espace objectif. MOPSO offre une convergence rapide et convient bien pour des applications en temps réel, comme l'ajustement des points de consigne HVAC toutes les 15 minutes sur la base des prévisions d'occupation.

Approches d'apprentissage automatique

L'apprentissage automatique (ML) améliore le MOO de deux manières principales : en construisant des modèles de substitution précis de la dynamique du bâtiment, et en apprenant les préférences des occupants ou les profils de confort. Les modèles de substitution, tels que les processus gaussiens ou les réseaux neuronaux, remplacent des simulations calculables coûteuses basées sur la physique, rendant possible l'optimisation en temps réel.

De plus, ML peut déduire le confort individuel des occupants de la température de la peau, de la fréquence cardiaque ou même de l'expression faciale, permettant un contrôle personnalisé. Un contrôleur multi-objectifs qui intègre de tels modèles peut équilibrer les économies d'énergie par rapport au confort de certains occupants dans une zone. Dans un récent projet au National Renewable Energy Laboratory (NREL), les chercheurs ont combiné l'apprentissage du renforcement avec le MOO pour créer un thermostat auto-apprentissage qui améliore continuellement ses décisions de compromis.

Méthodes hybrides

Par exemple, on peut utiliser un GA pour explorer le front Pareto à l'échelle mondiale, puis affiner les régions prometteuses avec une programmation quadrimatique séquentielle ou une optimisation bayésienne. Une autre approche consiste à intégrer un réseau neuronal dans un algorithme MOO pour ajuster adaptativement les taux de croisement ou de mutation en fonction de la diversité de la population. Ces hybrides ont démontré des performances supérieures dans les tests de référence et sont de plus en plus appliqués dans l'automatisation du bâtiment.

Applications et avantages dans les systèmes de construction intelligents

La mise en œuvre pratique d'une optimisation multi-objectifs dans les bâtiments intelligents procure des avantages tangibles dans plusieurs domaines. Les sections suivantes mettent en évidence les applications les plus efficaces.

Gestion de l'énergie et réduction de la charge maximale

En formulant le problème comme un compromis multi-objectifs entre le coût de l'énergie et le confort des occupants, les contrôleurs peuvent réduire les factures d'électricité de 20 à 30 % dans les bâtiments commerciaux typiques. Les formulations plus avancées comprennent également les signaux de réponse à la demande, le prix du temps d'utilisation et la production renouvelable sur place. Par exemple, un contrôleur intelligent de bâtiment utilisant le MOO peut pré- refroidir le bâtiment en utilisant de l'électricité de nuit à faible coût, en déplaçant la charge de refroidissement hors des heures de pointe.

Confort et productivité d'occupation

Le confort d'occupation n'est pas une seule métrique; il englobe les aspects thermiques, visuels, acoustiques et de qualité de l'air intérieur. L'optimisation multi-objectifs permet au système de les traiter simultanément. Par exemple, un optimisation peut choisir de baisser le point de consigne de température pendant un après-midi ensoleillé pour compenser l'éblouissement, tout en ajustant les positions aveugles et les lumières de gradation.

Réconciliations en matière de sécurité et de sûreté

Dans un bâtiment intelligent, le même cadre d'optimisation peut être étendu pour inclure des objectifs de sécurité. Par exemple, après des heures, les caméras peuvent passer à une résolution plus basse pour économiser de l'énergie, mais maintenir la précision de détection. Les optimisations peuvent régler les paramètres pour obtenir un taux faussement positif acceptable tout en minimisant l'énergie. Cette approche multi-objectifs garantit que la sécurité ne se fait pas à un coût déraisonnable, et que les protocoles d'intervention d'urgence sont au courant de l'énergie.

Défis et solutions de mise en œuvre

En dépit de cette promesse, le déploiement de MOO dans des systèmes d'automatisation de bâtiments réels est confronté à plusieurs obstacles. D'abord, les frais généraux de calcul : résoudre un problème multi-objectifs avec des dizaines de variables toutes les quelques minutes peut être trop lent pour le contrôle en temps réel. Les progrès dans le calcul des bords et l'aide au déchargement du cloud, tout comme l'utilisation de modèles de substitution. Deuxièmement, la précision du modèle : les modèles basés sur la physique sont souvent trop simplifiés, tandis que les modèles fondés sur les données nécessitent des données de formation étendues.

Orientations futures

Trois tendances sont particulièrement remarquables. D'abord, l'intégration des retours d'occupants via les smartphones ou les portables permettra aux systèmes d'apprendre en permanence des modèles de confort personnel. Cette personnalisation va transformer l'optimisation d'une approche basée sur la consigne en une approche humaine en boucle. Deuxièmement, la montée en puissance des jumeaux numériques – une réplique virtuelle du bâtiment qui reflète le statut en temps réel – permettra la formation hors ligne des algorithmes MOO sans perturber les opérations. Les jumeaux numériques peuvent simuler des milliers de scénarios, permettant au contrôleur de découvrir des fronts Pareto robustes.

Troisièmement, l'apprentissage fédéré permettra à plusieurs bâtiments de partager des idées d'optimisation sans centraliser les données sensibles.

La directive de l'Union européenne sur la performance énergétique des bâtiments (EPBD) encourage déjà l'adoption d'indicateurs de préparation intelligente qui évaluent la capacité d'un bâtiment à optimiser l'énergie et le confort. À l'avenir, nous pourrons voir les MOO devenir un élément standard des logiciels de gestion de bâtiments, intégrés dans des produits d'entreprises comme Siemens, Johnson Controls et Schneider Electric.

Conclusion

Les progrès réalisés dans l'optimisation multi-objectifs consistent à remodeler les systèmes d'automatisation intelligente des bâtiments. En dépassant le contrôle mono-objectif, les gestionnaires de bâtiments peuvent atteindre un environnement équilibré et réactif qui améliore simultanément l'efficacité énergétique, le confort des occupants et les coûts opérationnels. Le développement d'algorithmes évolutifs, de substituts d'apprentissage automatique et de techniques hybrides a rendu l'optimisation en temps réel possible, même pour les grands bâtiments commerciaux.