TECHNIQUE DE MESURE ET DE RÉGULATION
Install Magazine 969 – avril 2020
Chauffer plus intelligemment avec l’intelligence artificielle
Des algorithmes d’auto-apprentissage permettent de chauffer plus intelligemment
Jusqu’à présent, l’optimisation de la régulation était une tâche laborieuse. L’intelligence artificielle simplifie grandement le processus. (Source : Zukunft Altbau)
Le système d’IA peut également commander les installations d’énergie renouvelable. (Source : Sonnenhaus Institut e.V.)
Geen fotobijschrift!
Le Fraunhofer-Institut für Solare Energiesysteme ISE est un centre de recherche allemand sur l’énergie solaire. Il a développé des réseaux de neurones auto-apprenants pour la régulation des systèmes de chauffage. Ces réseaux analysent le comportement thermique des bâtiments individuels, sans avoir besoin d’une analyse préalable de la physique du bâtiment. Grâce à cette intelligence artificielle, les installations de chauffage peuvent alors être régulées plus efficacement et à moindre coût. Les premiers résultats révèlent une économie d’énergie d’au moins 7%.
La consommation énergétique du parc immobilier doit baisser de manière significative pour réussir la transition énergétique. Cela est possible, entre autres, par une régulation efficace du système de chauffage. En faisant usage des réseaux de neurones, l’on peut y contribuer afin de réaliser des économies d’énergie d’envergure. Ce n’est pas seulement moins cher pour l’utilisateur en raison des coûts de chauffage réduits. Les coûts de réglage d’une installation de chauffage pour déterminer la courbe de chauffe optimale ; la pose, la mise en service, la maintenance et l’optimisation de l’installation peuvent également diminuer sensiblement grâce à une régulation intelligente.
Des algorithmes d’auto-apprentissage pour chauffer les bâtiments
Dans le cadre du projet ANNsolar (Artificial Neural Networks Solar), Fraunhofer ISE, en collaboration avec des partenaires de l’industrie, a testé l’utilisation de l’intelligence artificielle pour une installation solaire thermique. L’objectif était de jeter les bases de l’application des réseaux de neurones. En plus de développer des topologies de réseau appropriées et de déterminer les exigences matérielles, la recherche s’est concentrée sur les algorithmes d’auto-apprentissage. Dans ce contexte, une régulation ANN a été développée, et la recherche s’est portée sur les économies qui en découleraient. En outre, les coûts et bénéfices de ce système ont été déterminés. Finalement, le concept de la régulation ANN a été testé en pratique dans un bâtiment.
Le nouveau réseau de neurones pour la régulation du chauffage est une solution logicielle. Elle fait une prédiction de l’évolution attendue de la température ambiante, sans requérir une simulation physique du bâtiment et de son comportement thermique. Par ailleurs, une prédiction est faite de la température du ballon tampon. Sur cette base, l’algorithme de régulation calcule la température de départ requise et détermine quand la chaudière doit faire l’appoint de chauffe. Ces informations sont ensuite transmises à un régulateur de chauffage conventionnel. Le réseau de neurones recueille en permanence les données du bâtiment en termes de température extérieure, d’ensoleillement, de température de départ du chauffage, de la date et de l’heure. En outre, des données sur les prévisions météorologiques sont collectées via Internet.
Ces données sont constamment évaluées et comparées à la température ambiante mesurée. Ce faisant, le réseau détermine indépendamment la relation entre les données en entrée et la température ambiante. Après un certain temps, le réseau sait comment la température ambiante évoluera pour une situation donnée. Forte de cette information, la régulation augmentera ou diminuera ensuite le chauffage. Une différence essentielle avec les systèmes de régulation conventionnels est que personne n’a à régler ou à optimiser la courbe de chauffe. C’est généralement un travail laborieux, qui ne donne des résultats qu’après de multiples d’essais. Toutefois, ce système-ci le fait automatiquement. Tant pour les applications d’énergie renouvelable telles l’énergie solaire thermique, la biomasse, les pompes à chaleur et les chaudières à combustibles fossiles.
Les algorithmes d’IA permettent d’évaluer automatiquement les conditions individuelles. Comme le climat local, le comportement thermodynamique d’un bâtiment, les propriétés de l’installation de chauffage et le système de transfert thermique. Sur cette base, ils peuvent alors faire des prédictions sur l’évolution de la température ambiante et de l’état du ballon tampon. Le fonctionnement est ainsi optimisé. La combinaison de réseaux de neurones auto-apprenants (ANN) et d’un système d’identification linéaire (LSI) pour l’analyse de la partie linéaire et non linéaire du comportement dynamique de l’installation rend possible d’avoir une solution d’IA robuste pour la régulation du chauffage. Les algorithmes requis pour cela ont été développés par Fraunhofer ISE et intégrés dans un code.
Prédiction de la température ambiante et de celle du ballon tampon
Les prédictions de la température ambiante et de la température du ballon tampon constituent le fondement du concept de régulation. Ces valeurs peuvent être assez précisément prédites avec une combinaison d’ANN et de LSI. Ce postulat a été testé sur la base des données de mesure d’une installation en pratique. L’apprentissage des réseaux ANN s’est fait sur la base de ces données. Les réseaux ANN formés ont atteint la précision suivante (chacun pour le quantile à 80%) : température ambiante +/- 0,5 K, température du ballon tampon +/- 10 K. Nous tenons à souligner une fois de plus que ces prédictions ont été faites sans simulation de la physique du bâtiment. Cela fait de cette méthode un excellent outil pour donner des prédictions rapides et économiques.
La régulation ANN détermine la température de consigne du circuit de chauffage et, si nécessaire, enclenche la chaudière à combustible fossile pour un chauffage d’appoint. Les autres fonctions ne diffèrent pas vraiment de celles d’un système de régulation conventionnel. La régulation ANN fait usage des prédictions du réseau neuronal précité. Pour déterminer la température de départ, le réseau fait varier la consigne aussi longtemps qu’il faut jusqu’à ce que la température ambiante prédite corresponde à celle souhaitée. Cela équivaut à une détermination automatique de la courbe de chauffage. Tout en tenant compte de facteurs supplémentaires tels que les gains solaires passifs ou l’utilisation d’une chaudière. Que le chauffage d’appoint fossile soit enclenché ou non en soutien des collecteurs solaires est déterminé en fonction de la température prédite du ballon tampon. Si elle reste suffisamment élevée dans la période pour laquelle la prédiction s’applique, la chaudière ne doit pas s’enclencher. Cela évite les démarrages inutiles du brûleur et maximise le rendement solaire.
Fraunhofer ISE a testé avec succès l’efficacité de la régulation pendant un an et demi dans un bâtiment test. Cela a permis de valider les différentes fonctions du système. Trois partenaires industriels ont également participé au projet : Prozeda, Sorel et Steca. La prochaine étape est un test de terrain avec un plus grand nombre d’applications. Diverses entreprises industrielles ont déjà manifesté leur intérêt.
Conclusion
Le projet a clairement démontré l’utilité des réseaux de neurones : ils sont en mesure de réguler plus efficacement les installations de chauffage à moindre coût. Le principal avantage est qu’ils peuvent déterminer automatiquement une courbe de chauffe sans simulation préalable du bâtiment ni analyse de régulation. Contrairement à une courbe de chauffe classique, cette méthode de régulation prend également en compte des facteurs supplémentaires, tels que les apports solaires. De cette manière, l’installation et la mise en service du système de régulation sont facilitées. Cela économise de nombreuses heures de travail. En outre, ce système offre des possibilités de combinaison avec des énergies renouvelables, tels les collecteurs solaires thermiques. En prédisant avec précision la température du ballon tampon, l’utilisation d’un chauffage fossile d’appoint peut être réduite au minimum et augmente de cette façon le rendement des collecteurs solaires.
Comparé à une régulation conventionnelle optimisée, ce système a permis d’économiser au moins 7% lors des essais pratiques. Nous pouvons nous attendre à des économies d’au moins 12% par rapport aux systèmes non optimisés (ce qui est le cas en général). Ce système de régulation est donc un moyen économique et efficace de réaliser des économies d’énergie dans les bâtiments existants pour une grande variété de systèmes de chauffage.
Réseaux de neurones : le cerveau comme modèle
Comment fonctionnent les réseaux de neurones ? Comme le cerveau humain ; ils sont capables de développer des stratégies de régulation basées sur l’expérience pratique. La structure est basée sur les connaissances biologiques relatives au fonctionnement du cerveau.
Un réseau de neurones artificiels est constitué de nœuds (neurones) dans lesquels ont lieu des opérations de calcul simples, en combinaison avec une évaluation mutuelle de ces opérations. Si le résultat de ce processus dépasse un certain seuil, des informations sont envoyées d’un nœud à un autre.
La caractéristique la plus intéressante des réseaux de neurones est leur capacité d’auto-apprentissage. Par « apprentissage », nous entendons dans ce contexte-ci que le système est capable d’établir une relation entre les signaux entrants et ceux sortants. Sur cette base, le système s’adapte lui-même pour garantir que les valeurs calculées correspondent aussi étroitement que possible aux valeurs mesurées. Cela se fait sur la base de données d’apprentissage. Si, de cette manière, l’on simule les processus techniques, aucune information supplémentaire n’est nécessaire relative aux phénomènes physiques sous-jacents. Il suffit que les données d’apprentissage soient suffisamment présentes pour déterminer les relations dans le processus.
Il semble à propos d’utiliser de tels réseaux pour la régulation d’installations de chauffage. Pour les systèmes de chauffage, un réseau peut déterminer à la fois le comportement thermique du bâtiment et l’impact de l’ensoleillement, afin de faire des prédictions sur les températures dans le ballon tampon.
Par le Dr. Wolfgang Kramer
