Prévision, gestion et optimisation de l'énergie basées sur l'apprentissage automatique en vue d'un meilleur processus de décision en matière d'énergie
Model-Driven AI
Objectif du défi
L'objectif est d'aider à mieux comprendre la performance énergétique des bâtiments à grande échelle afin d'aider les parties prenantes à prendre de meilleures décisions en matière d'amélioration de l'efficacité énergétique.
Les enjeux
La nécessité d'une transition vers une économie à faible émission de carbone pour limiter les effets du changement climatique ne signifie pas seulement une utilisation accrue des énergies renouvelables, mais aussi une utilisation plus efficace de l'énergie dont nous disposons en évitant les gaspillages. Une meilleure gestion de l'énergie de nos bâtiments grâce à l'intelligence artificielle va exactement dans ce sens. En effet, les bâtiments sont responsables de plus de 40 % de la consommation d'énergie et des émissions de gaz à effet de serre dans le monde.
La modélisation et les prévisions énergétiques des bâtiments sont un outil essentiel pour fournir des informations quantitatives aux différentes parties prenantes et les aider à prendre des décisions en matière de planification énergétique, de conception de bâtiments, de maintenance prédictive, de recommandations de normes énergétiques, de définition de politiques, etc.
Différentes sources de "données" peuvent être utilisées conjointement pour la génération d'un modèle de prévision de la performance énergétique des bâtiments :
- Les données provenant de capteurs et de compteurs intelligents intégrés dans les bâtiments ;
- Données externes et environnementales telles que les données mesurées et les prévisions météorologiques ;
- Données simulées à partir du modèle de simulation énergétique du bâtiment.
Les Challenges
Cependant, le coût de l'équipement et de la surveillance des bâtiments avec des capteurs et des compteurs appropriés n'est pas négligeable. C'est notamment le cas des bâtiments anciens, qui présentent la plus forte consommation d'énergie, mais qui n'ont pas été conçus pour intégrer ces technologies. De plus, les données historiques sont difficiles à obtenir car ce type d'équipement de surveillance reste relativement récent. Enfin, les simulations numériques utilisées pour modéliser la consommation d'énergie sont coûteuses et ne sont pas toujours suffisamment précises, surtout si les données d'entrée ne sont pas disponibles et doivent être estimées.
Solutions IA possibles
L'apprentissage par transfert est une technique prometteuse pour développer des modèles de prédiction énergétique des bâtiments précis et fiables. Elle utilise les connaissances sur la performance énergétique acquises à partir d'un ensemble de bâtiments riches en informations (par exemple, les constructions récentes) pour les bâtiments avec des données limitées (par exemple, les logements anciens). Les stratégies d'apprentissage par transfert pourraient potentiellement réduire le temps et le coût de calcul, tout en améliorant la précision des prédictions. Un défi passionnant pour nos chercheurs en IA.
Sujets clés :
- Apprentissage par transfert
- Réponse à la demande
- Modélisation des réseaux intelligents