Smart Building Antoine Delley, Urs Grossenbacher, Julien Jeanneret, Andres Perez-Uribe, Stéphane Pierroz © IT Valley | Equipe Smart Building | 4.10.2012.

Slides:



Advertisements
Présentations similaires
European Conference of REgion on Climate Action
Advertisements

IMPACT ENVIRONNEMENTAL DES TICS IREST TIC et développement durable 17 juin 2010.
Architecture et construction
- Mise en situation (cycle central)
La plateforme CLAIRE-SITI
Présentation de la société, des logiciels et des services
SIMBIO vers des outils logiciels collaboratifs pour réussir le grenelle dans le bâtiment.
Performance énergétique des bâtiments
Confort et Domotique - Introduction
Séminaire des lycées éco-responsables
Lycee Jean Rostand Présentation du suivi du puits canadien.
L’ efficacité énergétique des maisons en forme de dôme
THÈME APPLICATION OF THE ARTIFICIAL NEURAL NETWORK FOR MODELING THE THERMAL BEHAVIOR OF BUILDING IN HUMID REGION Léopold Mbaa, Pierre Meukamb, Alexis.
ACTUALITE Déjà plus de participants aux formations FEE Bat
Puits canadien : récupération d'énergie et confort Pastoukhov Mikhail, groupe 1010, PAEGCA Consultante linguistique: Gagalinska O. S., enseignante de.
FORMATION DANS LE CADRE DE LA PROMOTION SOCIALE DES SALARIES DU PRIVE Domaine : Environnement et Énergies Renouvelables.
BÂTIMENTS « ZERO ENERGIE» ЗДАНИЯ С НУЛЕВЫМ ПОТРЕБЛЕНИЕМ ЭНЕРГИИ
Laboratoire LCOMS Equipe « Evaluation de Performance et Systèmes d’Aide à la Personne » (EPSAP) Guy Bourhis CENRob 4-5 avril.
RETScreen® Projets de production de chaleur et de froid
Rôle, Fonction et Intégration
l’Homme et le Métier que celui-ci exerce
LA CO-PROSPECTIVE© La Co-Prospective © :
Jeudi 21 mars ème Forum STI2D Venteea Une meilleure intégration des énergies renouvelables éoliennes aux réseaux de distribution.
Préqualification OMS des Produits Médicamenteux
Dessalement par énergie
Suivi des performances énergétiques basse consommation d’énergie
Séminaire de contact Bruxelles 20 novembre 2008
Architecture et Construction
Les réseaux de neurones
Retours d’expériences: Quelles mesures pratiques en faveur de la maîtrise de l’énergie dans un établissement scolaire? Ville du Gosier Solange RANCE,
Journée de lancement du Réseau Thématique Pluridisciplinaire 32
ADAMOS Une plate-forme pour concevoir et évaluer des services proactifs Système proactif ? qui évolue en fonction des paramètres de lenvironnement physique.
Mesure des performances WEB en introduisant un contrôle dadmission.
Le système micro-onduleur Enphase Energy Joanne Pochet– Marketing Manager France/Bénélux
Systèmes d’informations : Définition, Composantes, Rôles et Approches.
Direction générale de l’Aviation civile direction de la Technique et de l’Innovation sous-direction Etudes et Recherche appliquée direction des services.
intelligente et collaborative
Introduction Des communes et régions de l’Arc jurassien sont actuellement impliquées dans des projets visant l’autonomie énergétique Quelques exemples.
Procédé et dispositif de refroidissement d’un moteur de véhicule automobile Système de Refroidissement à Régulation Électronique S2RE L. Tomaselli Direction.
Arkhênum Patrimoine du Futur. Répartitions par types d’erreurs mineures.
Les équipements des immeubles collectifs
HISTOIRE & IDENTITE 1995 : FONDATION DE GELTECH: 2007: CREATION D’ECOPACH Lux.: Employés: 2 collaborateurs C.A.: ,00 € 2004 : GELTECH RECHERCHE.
Stock Overflow Fantastic 6.
Syndicat Mixte du Pays Midi Quercy INFORMATIONS TECHNIQUES 6 JUIN 2008, NEGREPELISSE Confort thermique et maîtrise des charges énergétiques.
Modélisation du problème
La Maison Passive MIM 18_04_07. Ce que la "maison passive" n'est pas : " une maison qu'on ne chauffe jamais " FAUX Il faut la chauffer, mais ses besoins.
17/01/2011 Le train et la voiture électrique: nouveaux concepts de mobilité pour le 21e siècle Koen Van De Putte – Change en Corporate office NMBS-Holding.
Rencontre RGE Damien MONOT Pôle énergie Franche-Comté.
Azy Building Tout un univers dédié à la vie des bâtiments
EPAP – Epreuve pratique d’activité pédagogique
EPAP 01 : Sorbetière Bilan Energétique Global
Epreuve pratique appliquée à la procrastination
1 1. Isolation thermique 2. Gains solaires 3. Étanchéité à l’air 4. Ventilation 5. Systèmes et auxiliaires 6. Énergie primaire 7. Répondre à la réglementation.
Formation - Responsable PEB - BSE
Les Smart-Grids, Un outil de performance pour votre entreprise industrielle : enjeux, retours d’expérience et perspectives.
1 Pour les BSE, les données d’inertie sont à compléter pour chaque espace au niveau du nœud « Inertie ».
RT 2012 – Thermal Regulation 2012 How is the RT 2012 introduced in lifelong learning pathways in France.
Modélisation des Actions Mécaniques Première sti2d
BATEX 2011 Nom du projet: Adresse: Maitre d’ouvrage: Concepteurs: Affectation du bâtiment: logement, bureaux,……. Superficie plancher total: ……m² Superficie.
SBA 2016 M ANIFESTE /01/2016 – W ORKSHOP 1.
Vécu dans un immeuble de bureaux PASSIF Aurélie PIETTE Energie & Habitat 28 novembre 2009.
Régulation CVC terminale Contrôleurs Configurables RCL-PFC
CEA dapnia Saclay 24 Janvier LA COMMANDE PREDICTIVE FONCTIONNELLE de Jacques RICHALET COPPIER Hervé ESIEE-Amiens
Challenge des technologies durables Année Efficacité Energétique JULIEN Alexandre LEPROU Jérémy.
Présentation JADORR - Outil météo – 12 mai 2016 La météo à la Station Biologique : un bref historique 2013 : une station météo automatique Evolution du.
1  Objectifs du programme de formation : Assurer la montée en compétence des interlocuteurs « énergie » des entreprises et favoriser le partage des expériences,
„Smart Office“ : à la croisée des révolutions numérique et énergétique Günther Schneider, Président E.ON Connecting Energies SAS Paris, 17 mai 2016.
Boîtiers d’ambiance Allure TM Pour tous les contrôleurs ECB - BACnet, ECL - L ON W ORKS, et ECLYPSE - BACnet/IP & Wi-Fi.
 Lycée Déodat de Séverac. ➲ Toutes les matières utilisent l'informatique mais jusqu'à présent la programmation restait en post bac. ➲ Avec l'ISN vous.
Engineering Science TR2I – 23 & 24 mai 2016 Laboratoire des Technologies Innovantes (LTI) UPRES – EA 3899 Directeur: Pr. Hassen BEJI Université de Picardie.
Transcription de la présentation:

Smart Building Antoine Delley, Urs Grossenbacher, Julien Jeanneret, Andres Perez-Uribe, Stéphane Pierroz © IT Valley | Equipe Smart Building |

Objectifs du projet Modélisation du bâtiment Smart Control Smart View Réseaux de neurones Résultats Contenu © IT Valley | Equipe Smart Building |

Objectif du projet Les bâtiments utilisent environ la moitié de l'énergie primaire consommée en Suisse !  et d'offrir une meilleure information à l'usager sur sa consommation d'énergie totale, au moyen des technologies web.  L'objectif était de mettre en œuvre des procédés issus de l'intelligence artificielle pour optimiser la consommation d'énergie thermique des bâtiments. © IT Valley | Equipe Smart Building |

Technologies  Puits canadien et ventilation forcée  Dalles actives  Surfaces vitrées actives  Ouvrants avec commande centralisée  Sondes géothermiques  Capteurs solaires  Mini-centrale météorologique  Accès aux prévisions et à l'historique climatique local, etc. © IT Valley | Equipe Smart Building |

Architecture de Smart Building Base de données et passerelle Smart Control Smart View © IT Valley | Equipe Smart Building |

Modélisation du bâtiment Urs Grossenbacher, EnergieBüro Grossenbacher © IT Valley | Urs Grossenbacher |

Objectifs … et de disposer d'un environnement de simulation qui produise des résultats reproductibles. Le modèle doit permettre de comprendre les particularités du bâtiment réel … © IT Valley | Urs Grossenbacher |

Titre Texte © IT Valley | Urs Grossenbacher |

Smart Control Julien Jeanneret, HES-SO//Fribourg, Infoteam © IT Valley | Julien Jeanneret |

Smart Control  inertie thermique du bâtiment,  inertie thermique du système de livraison de chaleur et de froid,  degré d'exposition solaire de chaque secteur du bâtiment,  prévisions météorologiques,  occupation des salles, etc. Smart Control optimise la valeur des paramètres de régulation thermique de manière prédictive et autodidacte. La stratégie de régulation tient compte des valeurs actuelles des paramètres internes et externes et des conditions auxquelles le bâtiment sera soumis dans les jours à venir : © IT Valley | Julien Jeanneret |

Titre Texte © IT Valley | Julien Jeanneret |

Smart View Stéphane Pierroz, HES-SO//Fribourg, Softcom © IT Valley | Stéphane Pierroz |

Smart View met à disposition les informations relatives à la consommation d'énergie thermique et électrique et à la température des locaux. Smart View Il le fait sous une forme adaptée aux divers publics (management, régie, conciergerie, utilisateurs). Smart View tient compte des concepts de télémétrie et de réseau électrique intelligents (Smart Metering, Smart GRID). © IT Valley | Stéphane Pierroz |

Titre Texte © IT Valley | Stéphane Pierroz |

Réseaux de neurones Andres Perez-Uribe, HEIG-VD (HES-SO//Vaud), Kevin Georgy & Carlos Andres Peña HEIG-VD (HES-SO//Vaud) © IT Valley | Andres Perez-Uribe |

Réseaux de neurones Il s’agit d’un module de prédiction de la température des salles d’un bâtiment du type « smart building ». Ce module fait partie de l’application « smart control ». Objectif: permettre au système d’optimisation des consignes de l’application « smart control » d’utiliser des modèles de chaque salle pour prédire les futures températures ambiantes de manière à trouver les consignes les plus économes en terme énergétique tout en conservant un niveau de confort acceptable. © IT Valley | Andres Perez-Uribe |

Intégration dans le système | 14/04/2015© IT Valley | Antoine Delley

Principe de fonctionnement | 14/04/2015© IT Valley | Antoine Delley données historiques modèle (TDNN) données “temps-réel” prédictions

Procédure d’entraînement | 14/04/2015© IT Valley | Antoine Delley Algorithme: « Scaled conjugate gradient » [1], plus performant qu’une simple descente de gradient [1] «Pattern recognition and Machine Learning », M. Bishop, Springer 2006

Exemple d’expérience | 14/04/2015© IT Valley | Antoine Delley Prédiction de la temperature d’une salle 24h après, toutes les 6h Données des conditions environnementales des 72h precédentes, toutes les 6h Consignes programmées

Résultats de prédiction: données issues du modèle IDA du bâtiment | 14/04/2015© IT Valley | Antoine Delley vert : temp. « réelle », bleu : temp. prédite Température (degrés) Temps (Périodes de 6h) Les changements brusques ne sont pas prédits, mais l’erreur de prédiction en moyenne reste mois d’un degré et la tendence de la température dans les salles est correctement prédite.

Module de prédiction à l’aide des réseaux de neurones: état actuel et résultats  Implémentation de l’algorithme d’apprentissage en C#  Tests préliminaires montrant la capacité du système à prédire la temperature d’une salle après 24h, avec un erreur de moins d’un degré (tendance globale) mais avec certaines difficultés à prédire les changements brusques | 14/04/2015© IT Valley | Antoine Delley

Résultats Antoine Delley, HES-SO//Fribourg © IT Valley | Equipe Smart Building |

 Quelques mots sur l’essai pilote, les financements, les publications, le brevet, …  etc.. Résultats © IT Valley | Antoine Delley |

Titre Texte © IT Valley | Equipe Smart Building |

Titre Texte © IT Valley | Equipe Smart Building |

Merci de votre attention! © IT Valley | Delley/Grossenbacher |