Télécharger la présentation
La présentation est en train de télécharger. S'il vous plaît, attendez
Publié parHrodger Chauveau Modifié depuis plus de 9 années
1
Smart Building Antoine Delley, Urs Grossenbacher, Julien Jeanneret, Andres Perez-Uribe, Stéphane Pierroz © IT Valley | Equipe Smart Building | 4.10.2012
2
Objectifs du projet Modélisation du bâtiment Smart Control Smart View Réseaux de neurones Résultats Contenu © IT Valley | Equipe Smart Building | 4.10.2012
3
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 | 4.10.2012
4
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 | 4.10.2012
5
Architecture de Smart Building Base de données et passerelle Smart Control Smart View © IT Valley | Equipe Smart Building | 4.10.2012
6
Modélisation du bâtiment Urs Grossenbacher, EnergieBüro Grossenbacher © IT Valley | Urs Grossenbacher | 4.10.2012
7
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 | 4.10.2012
8
Titre Texte © IT Valley | Urs Grossenbacher | 4.10.2012
9
Smart Control Julien Jeanneret, HES-SO//Fribourg, Infoteam © IT Valley | Julien Jeanneret | 4.10.2012
10
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 | 4.10.2012
11
Titre Texte © IT Valley | Julien Jeanneret | 4.10.2012
12
Smart View Stéphane Pierroz, HES-SO//Fribourg, Softcom © IT Valley | Stéphane Pierroz | 4.10.2012
13
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 | 4.10.2012
14
Titre Texte © IT Valley | Stéphane Pierroz | 4.10.2012
15
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 | 4.10.2012
16
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 | 4.10.2012
17
Intégration dans le système | 14/04/2015© IT Valley | Antoine Delley
18
Principe de fonctionnement | 14/04/2015© IT Valley | Antoine Delley données historiques modèle (TDNN) données “temps-réel” prédictions
19
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
20
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
21
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.
22
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
23
Résultats Antoine Delley, HES-SO//Fribourg © IT Valley | Equipe Smart Building | 4.10.2012
24
Quelques mots sur l’essai pilote, les financements, les publications, le brevet, … etc.. Résultats © IT Valley | Antoine Delley | 4.10.2012
25
Titre Texte © IT Valley | Equipe Smart Building | 4.10.2012
26
Titre Texte © IT Valley | Equipe Smart Building | 4.10.2012
27
Merci de votre attention! © IT Valley | Delley/Grossenbacher | 3.11.2011
Présentations similaires
© 2024 SlidePlayer.fr Inc.
All rights reserved.