Académique Documents
Professionnel Documents
Culture Documents
THESE
Présentée par
Mr MOSTEFAOUI Sid Ahmed Mokhtar
Thème :
SOUTENUE LE :…/…/2015
Devant le jury composé de :
Je voudrais remercier toutes les personnes ayant soutenu et encadré mon travail. En
premier lieu, je remercie sincèrement et très chaleureusement, mon encadreur, Mme ZAOUI
Lynda, Maître de Conférences à l’Université de Science et Technologie Mohamed Boudiaf -
Oran, pour tout, que ce soit pour sa disponibilité, sa contribution majeure à l'orientation des
travaux de recherche et ses idées originales qui ont servi à enrichir le contenu de cette thèse.
i
ii
Résumé :
Dans la littérature, la majorité des travaux dans le domaine des bâtiments intelligents se
focalisent sur l’étude de confort thermique sous l’angle d’une approche dite analytique dont
les expériences sont réalisées dans des chambres climatiques sous des conditions
prédéterminées qui font que cette approche est réductrice de la complexité du réel. Des études
in situ ont permis de mettre les bases d’une approche adaptative, qui caractérise le confort
thermique à travers les interactions adaptatives entre l’occupant et son environnement. Le
premier objectif de cette thèse est la modélisation du confort multisensoriel englobant les
conforts thermique, visuel, acoustique et qualité de l’air dans le contexte de l’approche
adaptative, le second objectif est de modéliser le comportement adaptatif des occupants d’un
bâtiment vis-à-vis des situations changeantes. Ce qui nous conduit à proposer une nouvelle
méthode pour la conception d’un contrôleur adaptatif. Cette thèse s’inscrit dans le cadre du
projet PENATES (PilotagE du confort NATif dans un Environnement Sensoriel) qui a pour
but d’étudier et de modéliser la notion de confort dans un bâtiment intelligent eu égard aux
économies d’énergie. Nos études ont été réalisées au sein du laboratoire LIG (Laboratoire
d’Informatique de Grenoble) qui nous a offert la plateforme DOMUS où nous avons réalisé
les expérimentations pour la conception d’une base de données (corpus) sur laquelle nous
avons appliqué des techniques de DataMining afin de concevoir notre modèle. Un élément clé
de ce travail était l’utilisation des réseaux bayésiens qui sont des outils puissants pour le
raisonnement et la décision sous incertitude. Les résultats obtenus sont probants, le contrôleur
bayésien adaptatif construit a permis de prédire une moyenne de 70% des interactions
adaptatives adéquates à une situation d’inconfort.
Abstract
In the literature, the majority of work in the field of intelligent buildings focuses on the
study of thermal comfort in terms of an analytical approach where experiments are realized in
climatic rooms under predetermined conditions. In this work, we aim to model the multi-
sensory comfort in the context of adaptive approach by modeling the adaptive behavior of
occupant toword building changing situations. The work is part of PENATES project
(PilotagE du confort NATif dans un Environnement Sensoriel), which aims to study and model
the concept of comfort in a smart building with consideration of energy savings. Our studies
iii
are performed in the laboratory LIG (Laboratoire d'Informatique de Grenoble) who offered
us the DOMUS platform where we have realized our experiments in order to build a database
on which we applied techniques of DataMining to design our model. A key element is the use
of Bayesian networks that are powerful tools for reasoning and decision under uncertainty.
The results obtained are conclusive, the Bayesian adaptive controller built allowed to predict
an average of 70% adequate adaptive interaction to an uncomfortable situation.
iv
Sommaire
v
Sommaire
Remerciement …..…………………..……..…………………….………………………….………i
Dédicace ………………………………….……………………………………….…………………ii
Résumé ……………..……..……………………………………………………………………….iii
Abstracts ………...………………………………………………………………....…………..…..iii
Sommaire ………………………………………………………………………………..………….iv
Liste des figures …………………………………………………………………....….…………viii
Liste de tableaux ……………………………………………………………………..…………….xi
Introduction générale ……..………………………………………………………………………..1
iv
I.9.3 L’architecture UPnP: Universal Plug and Play …………………………………………17
I.9.3.1 La découverte……………………………………………………………………18
I.9.3.2 La description …………………………………………………………………...18
I.9.3.3 Le contrôle ………………………………………………………………………18
I.9.3.4 La présentation…………………………………………………………………..18
I.9.3.5 Modèle UPnP ……………………………………………………………………19
I.9.4 Le protocole DMX (Digital MultipleX) ………………………………………………...19
v
II.3.1.2 La boucle physiologique ……………………………………………………….40
vi
IV.4.1.3.a Prédiction des interactions adaptatives ………………………………81
Bibliographie ……………………………………………………………………………………….91
vii
Liste des figures
Liste des figures
viii
Figure IV.4 La diversité des technologies et des services présents à Domus………………… 68
Figure IV.5 Le Système Adaptatif proposé………………………………………………….. 69
Figure IV.6 Déroulement temporel d'une expérimentation …………………………………. 72
Figure IV.7 Interface de contrôle des modalités visuelles et sonores………………………… 74
Figure IV.8 Interface mobile de réponse au questionnaire commun aux expérimentations…. 74
Figure IV.9 modèle Bayésien proposé………………………………………………………. 77
Figure IV.10 La corrélation entre le confort multi-sensoriel et les ambiances spécifiques…… 83
Figure IV.11 La corrélation entre les ambiances spécifiques et les objets……………………. 83
Figure IV.12 Représentation modulaire du contrôleur bayésien………………………………. 85
ix
Liste des tableaux
x
Liste des tableaux
xi
Introduction générale
Introduction générale
L'être humain, du fait qu'il passe plus de 80% de son temps dans les habitats, aspire de plus
en plus au confort qu'il soit acoustique, thermique ou visuel. Cette notion est complexe car elle fait
intervenir plusieurs paramètres à la fois humains (perception) et physiques (mesures). D’un autre
coté, le confort de l'environnement dans un lieu de travail contribue fortement à la satisfaction et la
productivité des occupants, mais par contre nécessite une consommation d'énergie qui est
directement liée au coût de fonctionnement d'un bâtiment. Ces deux facteurs, la consommation
d'énergie et les conditions de confort environnemental sont le plus souvent en conflit (Un niveau de
confort élevé demande une consommation d’énergie excessive).
Au cours des vingt dernières années, une attention particulière a été apportée à l'architecture
bioclimatique des bâtiments. Cette architecture est orientée vers les économies d'énergie et le
confort, en utilisant par exemple le vitrage et l'ombrage des systèmes, les espaces solaires, la
ventilation naturelle, la masse thermique, les murs trombes, les systèmes de refroidissement avec
évaporation et rayonnement, etc… L'architecture bioclimatique se concentre sur la conception et la
construction de bâtiments qui exploitent le rayonnement solaire et la ventilation naturelle pour le
chauffage et le refroidissement naturel du bâtiment.
La qualité de vie dans les bâtiments (les conditions de confort) est déterminée par quatre
facteurs fondamentaux: confort thermique, confort visuel, confort acoustique, et qualité de l'air
intérieur (QAI). Des études réalisées en chambres climatiques, ont permis de normaliser ces facteurs
suivant une approche analytique. Dans cette approche, le confort thermique est déterminé par
l'indice PMV (Predictive Mean Vote) qui prévoit le vote de sensation thermique moyenne sur une
échelle standard pour un grand groupe de personnes. Par la suite, la Société américaine de
l’ingénierie de réfrigération, chauffage et climatisation (ASHRAE) a élaboré un indice de confort
thermique en utilisant un codage -3 Pour très froid, -2 pour froid, -1 pour légèrement froid, 0 pour
neutre, +1 pour un peu chaud, +2 pour chaud, et +3 pour très chaud. Puis, l’indice PMV a été
adopté par la norme ISO 7730 qui recommande de maintenir le PMV au niveau 0 avec une
tolérance de 0,5 comme le meilleur confort thermique.
Le confort visuel est déterminé par le niveau d'éclairement (mesurée en lux) et par l'éclat qui
est une lumière ou une lueur vive projetée par un corps qui réfléchit la lumière.
La qualité de l'air intérieur peut être indiquée par la concentration de dioxyde de carbone
(CO2) dans un bâtiment [1,3]. Cette concentration de CO2 provient de la présence des habitants
1
Introduction générale
dans le bâtiment et de diverses autres sources de pollution (NOx, composés organiques volatils
totaux (COVT), particules respirables, etc). La ventilation est un moyen efficace de contrôle de la
qualité de l'air intérieur (QAI) dans les bâtiments. La fourniture d'air extérieur frais et l’élimination
des polluants de l'air et les odeurs de l’espace intérieur est nécessaire pour maintenir les niveaux de
QAI acceptables. Toutefois, les taux de ventilation à l'intérieur de bâtiments doivent être
sérieusement réduites afin de contrôler la charge thermique d'une manière efficace et de réduire la
consommation de l'énergie.
Une première approche dite analytique a été définie, elle se focalise sur l’aspect physique en
définissant des équations qui caractérisent le degré du confort satisfaisant l’occupant, telle que
l’équation de bilan thermique qui exprime l’échange thermique entre l’occupant et son
environnement. Cette approche apporte une vision réductrice du confort basée sur les mécanismes
physiques et physiologiques. Les études expérimentales réalisées in situ (dans les lieux) ont permis
de constater une divergence entre la réalité et les prévisions des normes actuelles qui restreignent
les conditions du confort dans des intervalles étroits et définis indépendamment de la subjectivité
des comportements humains.
Ces études in situ ont permis de développer une nouvelle approche, l’approche adaptative,
qui caractérise le confort à travers les interactions adaptatives entre l’occupant et son
environnement, sans une représentation explicite des mécanismes du confort.
Ce travail de recherche s’inscrit dans le cadre des efforts menés pour maîtriser les impacts
environnementaux du bâtiment tout en assurant une qualité des ambiances intérieures satisfaisante.
Il consiste à explorer l’approche adaptative du confort pour développer un modèle des systèmes
intégrant la complexité du confort multisensoriel et contribuant à une meilleure prise en compte des
interactions comportementales entre l’occupant et le bâtiment. Autrement dit, la recherche d’un
modèle d’abstraction du bâtiment intelligent d’une part, et l’exploitation des services du bâtiment
intelligent pour optimiser le confort des habitants d’autre part.
Pour atteindre notre objectif, nous avons mis en œuvre une démarche méthodologique
adaptée à la nature multidisciplinaire du confort. Une étude bibliographique va nous permettre en
premier lieu d’identifier les différents mécanismes mis en jeu ainsi que les différentes approches
modélisant le confort dans les bâtiments. Il est aussi nécessaire de caractériser les multiples
interactions en conditions réelles. Cette caractérisation conduit à mener une étude expérimentale in
situ qui va nous permettre premièrement de concevoir un modèle probabiliste qui représente la
corrélation entre les différents types du confort pour une modélisation multiparamétrique et le
comportement adaptatif des occupants et deuxièmement d’évaluer le modèle conçu. En s’appuyant
sur les résultats de l’expérimentation, la modélisation probabiliste (bayésienne) du confort
2
Introduction générale
multisensoriel dans le bâtiment permettra la caractérisation des éléments constitutifs d’un système
incertain et dynamique intégrant l’occupant dans son environnement bâti. La puissance des réseaux
bayésiens tel que le calcul des inférences permet à un tel contrôleur intelligent de prédire les
interactions adéquates à une situation d’inconfort (détectée automatiquement) ce qui traduit
l’approche adaptative. De cette phase de modélisation débouchera un modèle opératoire permettant
la prise en compte des différents mécanismes du confort multisensoriel. Ce modèle peut être intégré
dans une plateforme et permettra grâce aux validations une caractérisation énergétique du confort
multisensoriel à travers les comportements de l’occupant.
Ce travail se compose de quatre chapitres organisés de la façon suivante.
Dans le premier chapitre nous présentons les notions relatives aux bâtiments intelligents.
Ceci nous mènera à présenter un état de l’art permettant de mettre en évidence le concept d’un
bâtiment intelligent, en présentant les différentes technologies mises en place dans ces lieux, afin
d’implémenter la notion de l’interopérabilité entre les objets intelligents. A la fin de ce chapitre,
nous étudions les BEMS « Building Energy Management Systems », qui sont des outils de la
gestion assistée dans un bâtiment.
Le deuxième chapitre est consacré à l’exploration des différentes approches de modélisation
des conforts : thermique, visuel, Qualité de l’air intérieur et acoustique. Nous présentons en
première partie l’approche analytique englobant de nombreux modèles mathématiques ont été
définis à partir des expérimentations réalisées dans des conditions prédéfinies telles que les
chambres climatiques. Ainsi les différents mécanismes mis en jeu sont détaillés et précisés afin de
cerner le rôle des différents paramètres et caractéristiques physiques, physiologiques et
psychologiques dans la perception du confort par l’occupant de son environnement. Dans la
deuxième partie nous présentons l’approche adaptative qui étudie l’ensemble des réactions d’un
occupant constituant la base de l’adaptation.
Dans le troisième chapitre, nous allons présenter dans un premier temps les différentes
techniques de l’intelligence artificielle utilisées pour le contrôle du confort dans les bâtiments.
Nous passerons en revue les techniques de commande depuis les PID classiques jusqu’à celles
élaborées par des méthodes de contrôle avancé telles que la logique floue, les réseaux de neurones
et les systèmes multi-agents. La seconde partie de ce chapitre sera consacrée à mettre en évidence
les principes de base des réseaux bayésiens en termes de structure et apprentissage de paramètres.
Cette technique constitue la base de notre modèle de conception d’un contrôleur adaptatif du
bâtiment intelligent.
Dans le dernier chapitre, nous décrivons la conception du modèle probabiliste du confort
multi-sensoriel proposé qui modélise le comportement adaptatif de l’occupant. Nous débutons par
3
Introduction générale
la présentation de l’appartement DOMUS où nous avons effectué les scénarios de nos expériences.
Puis, nous présentons l’architecture globale de notre système en détaillant par la suite les étapes de
développement du modèle dont la première consiste au prétraitement de données afin de concevoir
une base de données (corpus) contenant toutes les traces des scénarios réalisés. La deuxième étape
consiste à formaliser les connaissances identifiées dans le corpus par un modèle causale (réseau
bayésien), et de les expliciter par des expressions probabilistes (paramètres) résultant des techniques
d’apprentissage appropriées (Maximum de Vraisemblance, l’algorithme EM), ces paramètres avec
les techniques de l’inférence dans les réseaux bayésiens nous permettent de calculer les formules de
la prédiction des interactions nécessaires face à une situations d’inconfort rencontrée. Dans la
dernière étape, nous procédons à la validation de notre modèle sur un corpus test.
Nous terminons ce travail par une conclusion générale qui retrace le contenu de notre thèse
et présentons les perspectives envisagées.
4
Chapitre I
Au cours de son cycle de vie, qui peut varier de quelques mois à des centaines d'années, un
bâtiment consomme des ressources de la nature, produit de grandes quantités d'émissions et affecte
l'écosystème de différentes manières. En plus de l'objectif général de maximiser la qualité d'un
bâtiment, le processus de conception de tels bâtiments devrait avoir pour objectif la réduction de la
consommation de ressources et les émissions pendant toutes les étapes de cycle de vie, telles que
l'exploitation, l'entretien et la rénovation. A cet effet, parmi les démarches adoptées, la
maximisation des boucles fermées consiste en la réutilisation ou le recyclage des éléments
constructifs et les matériaux ainsi la récupération de chaleur. Réduire l'impact environnemental
conduit à réduire les flux de l'énergie et augmenter en même temps la qualité globale d'un bâtiment
sans dégradation du niveau de confort ou de la qualité de l’intérieur.
La consommation d'énergie dans les bâtiments commerciaux représente un coût direct pour
l'entreprise, tandis que le confort thermique, le confort visuel et la qualité de l'air intérieur de
l'environnement intérieur ont une incidence importante sur la productivité des occupants. Il est plus
qu'évident que l'amélioration de l'efficacité et la réduction du coût de l'énergie peuvent avoir des
effets bénéfiques sur la compétitivité, l'environnement, la santé et le bien-être des occupants. Les
avantages de l'installation des BEMS « Building Energy Management Systems » sont donc directs
et indirects ainsi que microéconomique et macroéconomique. Outre les avantages
environnementaux évidents, d'autres améliorations sont possibles grâce aux installations des BEMS.
Le BEMS peut être un outil de la gestion assistée dans un bâtiment. Les programmes de gestion de
la maintenance assistée par ordinateur fournissent au personnel de gestion les outils nécessaires
pour protéger les équipements, contrôler les coûts et les charges de travail de planification,
5
Chapitre I Les Bâtiments intelligents
examiner les tendances historiques et gérer les matériaux et la planification des budgets. La
planification de la maintenance comprend l’ordre de travail, l’historique de l'entretien, l'inventaire
du matériel, l'analyse financière et de l'information de gestion, etc. Le programme de mesure des
services offre les moyens d’enregistrer et contrôler dynamiquement la consommation d'énergie en
temps réel. Le PEP (The heating/cooling plant efficiency program) peut surveiller en permanence
l'efficacité des systèmes de HVAC (chauffage, ventilation et climatisation) car une petite
diminution de l'efficacité opérationnelle de ces grands systèmes centraux peut entraîner une
augmentation significative de la consommation d'énergie et une dégradation du confort dans le
bâtiment.
6
Chapitre I Les Bâtiments intelligents
Dans [1], Barry définit le SBI comme l'intégration d'un ensemble de services et de systèmes
en un tout unifié. D'une manière générale les composants sont:
Systèmes de gestion de l'énergie
Systèmes de contrôle de la température
Contrôle et la réduction de l’éclairage
Systèmes d’accès et de localisation
Systèmes de sécurité
Sécurité des personnes (pare-feu)
Services de télécommunications
Bureautique
Systèmes informatiques
Réseaux locaux
Systèmes de gestion d’information
Systèmes de câblage
Systèmes de maintenance
Systèmes experts
Les systèmes ci-dessus peuvent être classés sous trois rubriques principales, à savoir :
7
Chapitre I Les Bâtiments intelligents
I.4 HVAC
Les opérations de l’économie de l'énergie dans les bâtiments nécessitent des systèmes de
contrôle de chauffage, ventilation et climatisation (HVAC).
Les commandes du système HVAC forment le lien informationnel entre les différentes demandes
d'énergie des systèmes primaires et secondaires d'un bâtiment et les exigences (généralement)
uniformes pour les conditions environnementales de l'intérieur.
Le système HVAC doit être conçu de façon:
Un des développements les plus importants dans la technologie des contrôles intelligents
basés sur les microprocesseurs est l'utilisation du contrôle intelligent de l’éclairage. Ces contrôles
permettent une grande flexibilité, ce qui conduit à une meilleure gestion de la lumière. Ils
8
Chapitre I Les Bâtiments intelligents
9
Chapitre I Les Bâtiments intelligents
une solution de conception statique ne peut pas résoudre ces conflits, l'adaptabilité de la façade
devient une nécessité.
Les objets présents dans le bâtiment peuvent se regrouper en quatre catégories qui se
justifient par des différences : différences d’usage (domaine d’application), différence de durées de
vie (et donc du renouvellement technologique) ainsi que différences d’intégration dans le bâti
(contraintes de fabrication et de conception).
Il existe communément quatre catégories d’objets présents dans l’habitat : les objets blancs,
désignant les appareils électroménagers, les objets bruns et les objets gris qui correspondent
respectivement aux objets liés aux loisirs numériques (téléviseur, chaîne Hi-fi, etc.) et à la micro-
informatique (ordinateur familial, imprimantes, etc.), ils doivent leur qualificatif à la couleur
historique de ces objets, les premiers objets bruns ayant eu une enveloppe en bois, et les premiers
produits liés à l’informatique personnels ayant été de couleur grise, et enfin les objets «du bâtiment»
qui sont les objets liés à la gestion technique du bâtiment, indépendamment de l’aménagement [2].
Selon Cisco (Communiqué de presse) un objet intelligent est un objet capable de s’identifier
(par opposition à un objet passif) et/ou qui peut effectuer des tâches plus sophistiquées, comme un
capteur ou un actuateur. Un capteur peut obtenir des informations telles que la température, les
vibrations, le bruit, la lumière, le son ou encore la pollution, tandis qu’un actuateur est un élément
responsable d’une action, comme, par exemple, faire tourner un miroir ou modifier l’état d’un agent
actif comme un thermostat. Dans [3], les auteurs ont proposé la définition suivante « objet physique
capable de percevoir son environnement et d’interagir avec d’autres objets, un système
d’information et des utilisateurs ».
10
Chapitre I Les Bâtiments intelligents
Figure I.2 : Les objets communicants d’un bâtiment (Source : Schneider Electric)
11
Chapitre I Les Bâtiments intelligents
I.8 L’interopérabilité
Le bâtiment intelligent est donc considéré comme un ensemble de sous systèmes d’objets
intelligents. Or, l’hétérogénéité des objets rend difficile leur collaboration, il est donc indispensable
de concevoir un ensemble de protocoles communs à ces objets afin de pouvoir standardiser les
moyens de communication. Cela nous conduit à définir un contexte d’interopérabilité nécessaire à
la bonne coopération des objets entre eux, mais aussi nécessaire au déploiement d’applications et
services entre ces objets.
L’interopérabilité est un préalable nécessaire au travail collaboratif. En effet, c’est elle qui
définit le cadre de l’échange entre deux ou plusieurs entités. Cette notion est ainsi reprise dans de
nombreux domaines, en particulier dans les transports tels que le transport ferroviaire (écartement
des rails, uniformisation des signaux ferroviaires pour les liaisons transfrontalières) et le transport
aérien (création de l’espace aérien pour une zone déterminée).
12
Chapitre I Les Bâtiments intelligents
Selon Kintzig, [6] l’interopérabilité est la capacité des systèmes initialement indépendants et
différents, à pouvoir fonctionner en interaction. D’autres définitions sont données, nous pouvons
citer par exemple celles mentionnées dans le tableau suivant :
13
Chapitre I Les Bâtiments intelligents
d’identification automatique RFID en définissant les fréquences, les vitesses de transmission, les
délais, les codifications, les protocoles et les systèmes anticollision. D’autre part, les normes
« applicatives » sont des normes fixées par des catégories d’utilisateurs des standards
technologiques. Dans ce sens, la traçabilité des objets est une application qui constitue un domaine
en pleine effervescence [4].
KNX est un bus de terrain qui interconnecte tous les constituants de l’installation électrique
pour former un réseau garantissant la transparence et la fluidité des échanges, tous les objets
"dialoguent" sur un seul câble de bus, ce qui permet de fédérer la totalité des sous-systèmes
fonctionnels du bâtiment au sein d’une solution ouverte et communicante. Le bus KNX équipe les
bâtiments aussi bien résidentiels que tertiaires, commerciaux ou industriels.
L’architecture KNX définit un modèle à raisonnement distribué. Chaque objet contient une
ou plusieurs applications qui exposent chacune un certain nombre de paramètres. Ces paramètres
«objets de groupe » communicants sont reliés entre eux par un identifiant, dit «adresse de groupe »,
permettant d’établir un échange multicast, entre objets de même type qui est défini par une
stratégie, et seuls les objets de sémantiques complémentaires peuvent être associés. Lorsqu’un
événement change une valeur d’un objet, cette nouvelle valeur est alors diffusée aux autres objets. Il
est également possible de consulter la valeur d’un objet via un mécanisme de lecture.
Tel que KNX est défini dans la norme, deux niveaux réalisent l’interopérabilité entre objets.
Un niveau d’interopérabilité « Runtime Interworking » (figure I.3), qui sert d’élément applicatif, et
un niveau de communication « Common Kernel » (figure I.3), qui permet l’échange des données
14
Chapitre I Les Bâtiments intelligents
entre les applications indépendamment des objets physique. Ce niveau de communication est
composé de trois parties communes à l’ensemble des produits KNX : une partie d’écriture de valeur
sur un identifiant de groupe (groupValueWrite), une partie de lecture sur un identifiant de groupe
(groupValueRead), ainsi qu’une trame de réponse à une trame de lecture (groupValueReadResp).
Ces parties permettent l’échange des données entre les différents objets de groupe affectés à chaque
application. Les données échangées suivent un format correspondant à l’objet de groupe servi.
La couche applicative est constituée de blocs fonctionnels. Comme le montre la figure I.4,
ces blocs, décrits dans la norme, peuvent être assemblés afin de constituer un modèle d’application,
appartenant à un domaine d’application. Ils spécifient les objets de communication nécessaires pour
réaliser une fonction et définissent le comportement de la fonction, ainsi que ses paramètres. Cette
standardisation permet d’assurer un comportement uniforme entre applications, tout en permettant
l’extension de ces applications
Les modèles d’applications sont décrits par la norme KNX [11] de manière graphique, en
suivant des conventions qui font intervenir différents éléments présentés précédemment:
Un nom unique pour l’application qui, par convention, utilise le préfixe « CH_ »
Des objets de communication en entrée
Des objets de communication en sortie
Une liste de paramètres
Les blocs fonctionnels sont, dans KNX, internes à l’application. Ils correspondent à des
briques d’applications et ils peuvent alors être composés pour former une application. Ces briques
d’applications définissent et décrivent le comportement de l’objet, ainsi que les types de données
qui lui sont associés. Par convention, le nom de ces blocs fonctionnels utilise le préfixe « FB_ ».
15
Chapitre I Les Bâtiments intelligents
La couche objet de communication (figure I.4) expose les variables représentatives du bloc
fonctionnel. Ces variables (données), regroupées en trois types (entrée, paramètre, sortie), sont
décrits par un format, un encodage, une unité, et une plage [11].
I.9.2 RFID
Insérer une clé pour démarrer un véhicule, badger pour accéder à un bâtiment ou une salle,
valider un titre de transport dans le bus ou le métro sont des gestes entrés dans le quotidien de bon
nombre d’entre nous. Nous utilisons des technologies de capture automatique de données basées sur
les ondes et rayonnements radiofréquence. Cette technologie est connue sous le nom de RFID pour
Identification RadioFréquence. Les conditions de lecture de ces étiquettes sont donc différentes et
demandent généralement des distances de détection plus importantes. Donc la RFID est une
Technologie d'identification automatique qui utilise le rayonnement radiofréquence pour identifier
les objets porteurs d'étiquettes lorsqu'ils passent à proximité d'un interrogateur.
Pour transmettre des informations à l’interrogateur (encore appelé station de base ou plus
généralement lecteur), un tag RFID est généralement muni d’une puce électronique associée à une
antenne. Cet ensemble, appelé inlay, est ensuite packagé pour résister aux conditions dans
lesquelles il est amené à vivre. L’ensemble ainsi formé est appelé tag, label ou encore transpondeur.
Les informations contenues dans la puce électronique d’un tag RFID dépendent de l’application. Il
peut s’agir d’un identifiant unique UII (Unique Item Identifier) ou code EPC (Electronic Product
Code), etc Une fois écrit dans le circuit électronique, cet identifiant ne peut plus être modifié mais
uniquement lu WORM (Write Once Read Multiple). Certaines puce électroniques disposent d’une
autre zone mémoire dans laquelle l’utilisateur peut écrire, modifier, effacer ses propres données. La
taille de ces mémoires varie de quelques bits à quelques dizaines de kilobits.
16
Chapitre I Les Bâtiments intelligents
17
Chapitre I Les Bâtiments intelligents
I.9.3.1 La découverte
La découverte permet à un dispositif UPnP de prévenir les points de contrôle du réseau de
ses services. Parallèlement, quand un point de contrôle est connecté au réseau, le protocole de
découverte permet à ce point de contrôle de rechercher les dispositifs intéressants sur le réseau. Les
échanges fondamentaux dans ces deux cas, sont des messages contenant les informations
spécifiques essentielles sur le dispositif et un de ses services, comme, par exemple, son type, son
identifiant ou un pointeur vers des informations plus détaillées.
I.9.3.2 La description
L’étape de description permet au point de contrôle d’apprendre davantage sur le dispositif et
ses possibilités, ou pour interagir avec celui-ci, il doit récupérer la description du dispositif depuis
l'URL fournie par celui-ci dans le message de découverte.
La description UPnP d'un dispositif est exprimée en XML et comprend des informations
spécifiques au fournisseur du dispositif comme le nom du modèle, le numéro de série ou le nom du
fournisseur, des URL vers les sites web des fournisseurs.
I.9.3.3 Le contrôle
Après qu'un point de contrôle ait reçu une description du dispositif, celui-ci peut envoyer
des actions au service d'un dispositif. Pour cela, un point de contrôle envoie un message de contrôle
approprié à l'URL de contrôle du service (fournie par la description du dispositif). Les messages de
contrôle sont également décrits en XML en utilisant SOAP.
Comme tout appel de fonction, en réponse aux messages de contrôle, les services renvoient des
valeurs spécifiques aux actions. Les effets de ces actions, le cas échéant, sont visibles par le
changement des variables qui décrivent l'état d'exécution du service.
Une description de service UPnP inclut une liste d'actions auxquelles le service répond et
une liste des variables qui caractérisent le service à l'exécution. Quand ses variables changent, le
service publie des mises à jour. Les mises à jour sont des messages XML de type GENA contenant
le nom des variables et leurs valeurs. Les points de contrôles peuvent s'abonner pour les recevoir.
I.9.3.4 La présentation
Dernière étape du réseau UPnP. Elle permet à un point de contrôle de recevoir une page
depuis l’URL de présentation du dispositif (si ce dernier admet une URL), de charger la page dans
un navigateur web, selon les capacités de la page, et de permettre à un utilisateur de contrôler le
dispositif et/ou de voir l'état d'un dispositif. Les possibilités d'une telle page peuvent changer en
fonction des capacités du périphérique qui présente la page à l'utilisateur.
18
Chapitre I Les Bâtiments intelligents
19
Chapitre I Les Bâtiments intelligents
20
Chapitre I Les Bâtiments intelligents
21
Chapitre I Les Bâtiments intelligents
h) Vitesse de transmission
La vitesse de transmission des données et les temps associés sont les suivants :
I.9.5.2 Avantages
22
Chapitre I Les Bâtiments intelligents
M2M consiste en l’utilisation d’un device (capteur, compteur, etc) pour capturer un
événement (température, mesure sismique, consommation d’électricité, qualité de l’eau état
d’environnement, etc.) qui est relayé à travers un réseau de communication mobile, fixe ou hybride
à une application (du système d’information de l’entreprise qui utilise ces devices M2M). Cette
dernière traduit l’événement capturé en des informations significatives (un inconnu a pénétré le
local sans autorisation, la température a dépassé le seuil acceptable, la qualité de l’eau n’est pas
satisfaisante, etc). Une solution M2M est le résultat d’une interaction continue entre les devices
M2M, les réseaux de communication et les applications.
Le M2M résulte de la convergence de trois familles de technologies : des objets intelligents
reliés par des réseaux de communication avec un centre informatique capable de prendre des
décisions.
23
Chapitre I Les Bâtiments intelligents
I.10 Conclusion
Au cours de ce chapitre, nous avons illustré les principes d’un bâtiment intelligent par la
présentation de quelques définitions issues de la littérature.
L’intelligence d’un bâtiment se traduit par l’évolution naturelle des dispositifs informatiques,
modifiant peu à peu l’environnement quotidien des utilisateurs, dont celui de l’habitant. Cette
discipline met en œuvre plusieurs domaines, dont les buts sont d’augmenter le nombre de dispositifs
numériques au sein d’un environnement, d’utiliser ces dispositifs comme moyens d’interactions
avec l’utilisateur, et d’augmenter l’intelligence des services rendus aux utilisateurs. Dans ce
contexte, nous avons présenté les différentes technologies mis en œuvre par les concepteurs tels que
le standard KNX considéré comme le protocole le plus répandu, dans le domaine des bâtiments
intelligents, pour réaliser l’interopérabilité entre les différents dispositifs constituant ce genre de
systèmes. Dans le chapitre suivant nous allons effectuer un état de l’art permettant la présentation
des différentes approches de modélisations des différents types de confort (thermique, acoustique,
olfactif, visuel).
24
Chapitre II
Approches de modélisation
du confort
Chapitre II
Deux approches pour la modélisation du confort ont été développées dans la littérature,
notamment pour le confort thermique. Une première approche, l’approche analytique, présente des
méthodes de prévision de la sensation et du degré d'inconfort (insatisfaction) des personnes
exposées à des ambiances modérées, elle permet de déterminer analytiquement et d'interpréter le
confort par le calcul des indices, donnant les conditions des ambiances considérées acceptables et
les conditions représentant les situations d’inconfort. La deuxième approche dite adaptative vise à
déterminer les différents critères physiques et physiologiques et prend en considération les
interactions adaptatives en étudiant leurs mécanismes tels que l'ajustement comportemental et
l'expérience thermique.
Dans ce chapitre nous présentons les modèles existants en matière de confort (thermique,
qualité de l’air, visuel et acoustique). Nous présentons un état de l’art sur les différents modèles
proposés dans le cadre des deux approches analytique et adaptative, qui nous permettra de
caractériser les ressources et les besoins de l’être humain en matière de confort. Les différents
mécanismes mis en jeu sont détaillés et précisés afin de cerner le rôle des différentes variables et
caractéristiques physiques, physiologiques et psychologiques dans la perception thermique, visuelle
et acoustique par l’homme de son environnement.
Cette approche a été développée pour prévoir les réactions physiologiques du corps humain
en fonction des paramètres environnementaux, représentatifs de l’environnement intérieur, dans les
conditions permanentes ou transitoires, Dans Cette approche, certains modèles considèrent le corps
humain par un bloc unique, d’autres plus complexes divisent le corps en plusieurs segments et
permettent de simuler la dynamique des réponses physiologiques. Nous présentons ci-après les
principaux modèles pour les différents types de confort.
25
Chapitre I Les Bâtiments intelligents
Le modèle PMV, pour (Predicted mean vote), a été établi dans les années soixante-dix par
Fanger [12]. Le PMV est un indice qui prédit la valeur moyenne des votes d'un grand groupe de
personnes sur une échelle de 7 points de sensation thermique (voir le tableau II.1), basé sur
l'équilibre thermique du corps humain. L’équilibre thermique est obtenu lorsque la production de
chaleur interne dans le corps est égale à la perte de chaleur vers l'environnement. Dans un
environnement modéré, le système de thermorégulation humaine tentera automatiquement de
modifier la température de la peau et la sécrétion de sueur pour maintenir l'équilibre thermique.
Très chaud +3
chaud +2
Tiède +1
Neutre 0
Frais -1
Froid -2
Très Froid -3
26
Chapitre I Les Bâtiments intelligents
L’indice PMV est calculé en fonction de l’écart entre la chaleur produite et la chaleur
dissipée (bilan thermique) par le corps humain, sa formule est donnée par :
PMV=[0,303 exp(-0,036 M)+0,028] L (II.1)
Avec :
L=M- W+E+K+Eres +Cres +R+C (II.2)
où :
L : Bilan thermique
M : Métabolisme de travail
W : travail extérieur fourni
Cres : convection respiratoire = f (ta,M)
Eres : évaporation respiratoire = f (Hum, M)
C : convection = f (ta,Va,clo)
R : rayonnement = f (tr,clo)
K : conduction = f (ta, surface,…)
E : évaporation = f (SW, hum, Va, clo)
ta, tr, Va, Hum représentent les paramètres de climat
M, clo les paramètres liés au travail
PMV peut être calculé pour différentes combinaisons de taux métabolique, de l'isolation des
vêtements, de la température de l'air, de la température radiante moyenne, de la vitesse de l'air et de
l'humidité de l'air (ISO 7726).
Il existe plusieurs manières de déterminer le PMV, nous citons :
De l'équation (II.1) à l'aide d'un ordinateur.
Directement à partir des tables (ISO 7730) de valeurs PMV qui sont données pour
différentes combinaisons d'activités, vêtements, température opératoire et la vitesse relative.
Par mesure directe, en utilisant un capteur d'intégration (températures équivalentes et
opératoires).
Le PMV peut être utilisé pour vérifier si un environnement thermique donné est conforme
aux critères de confort, et d'établir des critères pour les différents niveaux d'acceptabilité. En fixant
PMV = 0, une équation est établie qui prévoit des combinaisons de l'activité, l'habillement et les
paramètres environnementaux qui fourniront, en moyenne, une sensation thermique neutre.
27
Chapitre I Les Bâtiments intelligents
28
Chapitre I Les Bâtiments intelligents
1,33
Icls = -0,095 (II.4)
M -W +0,74
M et W s’expriment en met et Icls en clo.
Le SET est un indice de confort thermique intégrant l’effet des six paramètres de base, et
applicable dans des conditions transitoires chaudes, modérées ou froides. Les sensations thermiques
peuvent être déduites des différentes valeurs de SET à partir du Tableau II.2 [17].
De plus, Gagge propose de remplacer la température opérative par la température effective
dans le calcul du PMV. Le PMV ainsi calculé et noté PMV*, permet de mieux prendre en compte
les effets de l’humidité en zone chaude [18].
Cependant, l’utilisation de ces modèles reste limitée à des ambiances modérées,
stationnaires et homogènes c'est-à-dire une proportion infinitésimale des cas rencontrés dans le
bâtiment. C’est avec précautions qu’ils seront utilisés.
29
Chapitre I Les Bâtiments intelligents
Chaud, inconfortable,
30.0 – 34.5 Sueur
inacceptable
Légèrement chaud,
25.6 – 30.0 Sueur faible, vasodilatation
légèrement inacceptable
Légèrement frais,
17.5 – 22.2 Vasoconstriction
légèrement inacceptable
Le confort visuel est une résultante subjective liée à la quantité, la distribution et la qualité
de la lumière. L’environnement visuel nous assure une sensation de confort quand nous pouvons
percevoir les objets nettement et sans fatigue dans une ambiance plaisante. L’obtention d’une
sensation visuelle confortable dans un bâtiment favorise le bien-être des occupants. En revanche, un
éclairage faible ou trop fort, mal distribué dans l’espace ou dont le spectre lumineux est mal ajusté à
la sensibilité de l’œil provoque une fatigue ou une sensation d’inconfort et d’une performance
visuelle réduite. Le confort visuel dépend de plusieurs variables physiques telles que l’éclairement,
la luminance, le contraste, l’éblouissement et le spectre lumineux (Voir tableau II.3).
30
Chapitre I Les Bâtiments intelligents
Lumineuse (cd)
Mesure de l'aspect lumineux d'une surface éclairée ou d'une
source, dans une direction donnée et dont dépend la
Luminance sensation visuelle de luminosité. L’appareil de mesure : L cd / m²
luminancemètre
Lux (lx), 1
Eclairement La quantité de lumière reçue sur une surface d’un mètre
carré. L’appareil de mesure : luxmètre. E Lux = 1
lumineux
Lumen/m
Appréciation subjective de la différence d'apparence entre
deux parties du champ visuel vues simultanément ou
Contraste successivement. Il peut s'agir d'un contraste de couleur, d'un C
contraste de luminance.
Tableau II.3 : Variables constituant les éléments de grandeurs qualifiants du confort visuel
Une source lumineuse aura un bon rendu des couleurs dans la mesure où elle émet des
radiations proches des sensibilités maximales des yeux aux couleurs, situées vers 450 nm pour le
bleu, 540 nm pour le vert et 610 nm pour le rouge. Vu que la couleur de la lumière influence
directement notre perception de la couleur des objets, elle agit fortement sur la sensation de confort
visuel qui lui est associée.
Les radiations colorées émises par les objets de l’environnement peuvent produire certains
effets psycho-physiologiques sur le système nerveux. Les couleurs de grande longueur d’onde ont
un effet stimulant tandis que celles de courte longueur d’onde ont un effet calmant. Les couleurs
intermédiaires (jaune, vert) procurent, de même que le blanc, un effet tonique et favorable à la
concentration. Les couleurs foncées et le gris ont par contre une action déprimante. En outre, les
couleurs peuvent contribuer dans une large mesure à modifier la dimension apparente des surfaces
et des volumes. Les couleurs chaudes seront de préférence utilisées dans des locaux de grandes
dimensions tandis que les couleurs froides seront choisies pour les locaux de dimensions réduites.
Il est déconseillé d’utiliser simultanément des teintes froides et des couleurs chaudes car ceci
gêne l’adaptation de l’œil et crée des perturbations visuelles. Un éclairage chaud est donc, un
éclairage dont la température est faible (1000°K) comparé à un éclairage froid dont la température
est plus élevée (supérieur à 3000°K). Un éclairage à température neutre correspond à une
température de 2700°K.
31
Chapitre I Les Bâtiments intelligents
La couleur de la lumière la mieux adaptée à un espace dépend de différents facteurs tels que
le climat, le type de local, la couleur des murs et le niveau d’éclairement. Les teintes chaudes sont
préférées dans les climats froids et les teintes froides dans les climats chauds.
Une lumière de couleur chaude est généralement confortable dans une habitation. Dans les bureaux,
il est recommandé de choisir des lampes ayant une température de couleur comprise entre 3000 et
6000 K. Pour les locaux aveugles, il est indispensable d’utiliser des teintes de couleur froide
(température de couleur >5000 K), appelées “lumière du jour” parce qu’elles sont favorables au
bien-être des occupants. Le Facteur de Lumière Jour (FLJ) se définit comme le rapport entre
l’éclairement naturel intérieur (Eint) et l’éclairement extérieur (Eext) simultanés sur une surface
horizontale.
E int
FLJ= 100 (II.5)
E ext
La couleur de la lumière doit être adaptée au niveau d’éclairement. Quand le niveau
d’éclairement augmente, la température de couleur de la lumière doit également augmenter. Le
diagramme de Kruithof (figure II.2) donne à cet effet les valeurs recommandées de la température
de couleur en fonction de l’éclairement. Seule la zone B correspond à la zone de confort. Pour une
personne se trouvant dans la zone A, l’impression visuelle correspond à une ambiance lumineuse
irréelle, trop chaude, la température de couleur est trop faible pour le niveau d’éclairement
considéré. Dans la zone C, l’ambiance lumineuse est trop froide, la température de couleur de la
source est trop importante par rapport au niveau d’éclairement atteint.
Ce diagramme a été établi à la suite d’enquêtes auprès de sujets soumis à des éclairages
variables en luminosité et en température.
32
Chapitre I Les Bâtiments intelligents
II.2.2.2 L'éblouissement
L’éblouissement est dû à une luminosité trop intense de surfaces mises dans la direction de
la vision ou à un contraste lumineux trop important entre surfaces adjacentes. Ce qui met l’individu
en situations d’inconfort visuel. L’éblouissement peut être direct ou indirect (réfléchi). Plusieurs
travaux de recherches [20] sont menés afin de définir un indice mesurant cet inconfort visuel.
L’indice UGR (Unified Glare Ratio), le plus communément utilisé, s’exprime à partir de
paramètres spécifiques à la caractérisation de la lumière et en fonction de la position de
l’observateur.
0,25 n L2i ω
UGR=8 log (II.6)
L b i=1 p 2
UGR Sensation
10 Perceptible
16 Acceptable
22 Inconfortable
28 Intolérable
Pour le confort visuel, il n’existe pas de modèle général formulant ce type de confort. En
revanche il existe une forme se basant sur des critères spécifiques, dont les valeurs recommandées
sont standardisées par la norme NF EN 12464-1 détaillées sur le tableau II.5.
33
Chapitre I Les Bâtiments intelligents
La qualité de l’air à l’intérieur des locaux est un facteur important dans le domaine du
confort pour les occupants. Les polluants de l’air intérieur peuvent avoir des effets variés sur la
santé des individus, dont la plupart ne sont pas spécifiés. En effet, il existe deux sources de
pollutions, extérieures (dioxyde de carbone, particules...) qui pénètrent dans le bâtiment, et
intérieurs (monoxyde de carbone dû à des appareils de chauffage défectueux, plomb, amiante,
fumée de cigarettes...). Il existe d’autres sources de pollutions dont les effets ne sont pas connus
jusqu’à présent (produits d’entretien, peintures, colles...). La qualité de l'air intérieur peut être
mesurée par la concentration de dioxyde de carbone (CO2) dans un bâtiment. La concentration de
34
Chapitre I Les Bâtiments intelligents
CO2 provient de la présence des habitants dans le bâtiment et de diverses autres sources de
pollution (NOx, composés organiques volatils(COV), particules respirables, etc.).
Source Polluants
Air extérieur : chauffages, transports SO2, NOx, CO, hydrocarburs
Industries, nature, agriculture Poussières, bactéries, spores, pollens
Occupants Odeurs, CO2, vapeur d’eau, particules
Tabac, feux ouverts CO, aldéhydes, particules
Combustion de gaz CO, CO2, vapeur d’eau, NOx, particules
Matériaux Aldéhydes, amiante, solvants, composantes organique volatiles
Produits divers Odeurs, solvants, COV
Terrain Radon, méthane
35
Chapitre I Les Bâtiments intelligents
d’une ensemble de consultations et d’observations ainsi que par une collecte d’informations, la
formulation d’une hypothèse et des essais qui se poursuivent jusqu’à ce qu’une solution soit
trouvée.
Pour développer des critères de confort de la qualité de l’air, des expérimentations
statistiques ont été menées, sur des groupes de personnes. Les résultats de ces travaux ont permis la
définition des formules, révélant alors le pourcentage d’insatisfaits lié au confort olfactif. Dans [21]
Fanger a déterminé une formule à partir de ces observations. Cependant, l’utilisation de cette
méthode présente des difficultés dues à la nature des variables utilisées, comme la concentration en
odeurs sensuelles qui est difficilement mesurable.
-1,83
Ci0,25
PDodeurs =395e (II.7)
Où :
PDodeurs : pourcentage d’insatisfaits lié aux odeurs de l’air intérieur.
Ci : concentration en odeurs corporelles des personnes présentes dans la pièce
Le dioxyde de carbone ou gaz carbonique, est incolore et inodore. Il s’agit d’un constituant
normal de l’atmosphère à une concentration de 330 à 350 ppm. Sa concentration dans l’air des
bureaux peut dans certaines conditions fournir une bonne indication du taux de ventilation. À
l’intérieur, il est principalement produit par le métabolisme humain. Les occupants des bureaux
exhalent du dioxyde de carbone à raison d’environ 0,3 L/min lorsqu’ils effectuent de légères tâches
de bureau.
Pour cette raison, d’autres travaux, montrent que le CO 2 peut être utilisé comme un indice
global significatif de la qualité de l’air, et ce pour remédier au problème de mesurabilité de certains
paramètres de la qualité de l’air. Un taux élevé de CO2 indique un nombre important de personnes
dans l’espace, et/ou un manque de ventilation, interprétant probablement une forte concentration de
polluants dans l’air. Des travaux de recherches [22] ont permis d'exprimer la notion de satisfaction
par l'expression suivante :
36
Chapitre I Les Bâtiments intelligents
de vue de l’auditeur. Point de vue qui dépend non seulement de l’histoire individuelle mais
également des valeurs propres au groupe social auquel on appartient [23].
Cette qualité, et le confort qu’elle procure, peuvent avoir une influence sur la qualité du
travail, du sommeil, et sur les relations entre les usagers du bâtiment. Quand la qualité de
l’ambiance se détériore et que le confort se dégrade, les effets observés peuvent se révéler
rapidement très négatifs, comme la baisse de productivité, voire même des problèmes de santé.
Les attentes des usagers concernant le confort acoustique consistent généralement à vouloir
concilier deux besoins :
D’une part, ne pas être dérangés ou perturbés dans leurs activités quotidiennes par
des bruits aériens (provenant d’autres locaux voisins), des bruits de chocs ou
d’équipements (provenant des différentes parties du bâtiment) et par les bruits de
l'espace extérieur (transports, passants, chantier, etc.)
D’autre part, garder le contact auditif avec l’environnement intérieur (logement, salle
de classe, bureau) et extérieur en percevant les signaux qui leur sont utiles ou qu’ils
jugent intéressants.
Pour obtenir les conditions techniques les plus favorables, il convient d’assurer [23] :
L’isolation acoustique des locaux ;
L’affaiblissement des bruits de chocs et d’équipements ;
Le zonage acoustique pour certains locaux pour répondre à la variété des activités
des usagers pour lesquels les locaux ont été conçus ;
L'adaptation de l'acoustique interne des locaux et la réduction des bruits gênants
produits à l’intérieur même du local.
Le bruit est caractérisé par les critères d’intensité (niveau de bruit) et de fréquence. Ces deux
critères sont souvent unifiés dans le contexte du confort acoustique, par l’unité dB(A). Cette unité
permet la pondération de bruit correspondant à chaque octave (en tenant compte de la fréquence).
La pondération s’effectue en fonction d’une courbe isosonique prévue à cet effet. Le dB(A) est
notamment utilisé pour les normes en vigueur concernant le confort acoustique. Par exemple, la
norme EN 15251 indique un niveau de pression acoustique pondéré compris entre 25 dB(A) et 40
dB(A) pour les pièces résidentielles.
Le confort acoustique a également pour inconvénient de ne pas avoir de moyen dynamique
de régulation de l’environnement intérieur, contrairement au confort thermique (par le chauffage et
la climatisation), au confort visuel (par l’éclairage et les occultations) et à la qualité de l’air (par la
ventilation ou la diffusion de parfums). On peut rarement contrôler le bruit, on ne peut que le limiter
37
Chapitre I Les Bâtiments intelligents
ou le subir. Ainsi, les méthodes orientées sur le bâti s’avèrent être les seules pouvant quantifier une
estimation du confort acoustique. Cette quantification, qui n’est donc pas subjective, explique
probablement que le bruit soit la première source de gêne des habitants des grandes agglomérations
[2].
38
Chapitre I Les Bâtiments intelligents
39
Chapitre I Les Bâtiments intelligents
40
Chapitre I Les Bâtiments intelligents
Une personne acclimatée à la chaleur présente une répartition optimisée de la sudation sur sa peau
par rapport à une personne non acclimatée.
41
Chapitre I Les Bâtiments intelligents
Dans la littérature, peu de travaux ont été menés pour définir une méthodologie de mesure
du confort multi-sensoriel dans un bâtiment. Parmi ces travaux, nous trouvons ceux [28] visant à
développer un indice de confort global dans un bâtiment. Dans cette étude, 200 sujets ont été
soumis à un questionnaire. Chaque sujet devait ainsi restituer sa perception de l’environnement, en
évaluant chaque type de confort (acoustique, qualité de l’air, éclairage et thermie). Chaque
évaluation était ensuite détaillée en fonction des constituants de chaque domaine. Les résultats issus
de ces tests, seront analysés pour retenir une échelle multicritère, permettant alors l’évaluation des
jugements subjectifs. Sur cette échelle, les variables sont alors notées de 1 (totalement inacceptable)
à 6 (très acceptable), et sont pondérées par les coefficients issus de l’étude.
Cette approche détermine le confort d’une manière globale, et totalement subjective puisque
aucune grandeur physique n’intervient. De plus, elle présente un inconvénient majeur, en effet
dans le cas où une variable est jugée inacceptable, et que les autres sont acceptables, le mécanisme
d’évaluation jugera alors l’environnement comme confortable.
D’autres travaux sont menés pour étudier le lien entre les grandeurs physiques d’un bâtiment
et la perception, mettant le confort comme une représentation globale. Il n’y aurait donc pas
plusieurs conforts sensoriels élémentaires (thermique, visuel, acoustique, olfactif), mais un confort
qui se construirait sur l’ensemble des perceptions.
II.5 Conclusion
42
Chapitre I Les Bâtiments intelligents
Dans le chapitre suivant nous allons montrer l’intégration des différents outils
informatiques, en matière d’intelligence artificielle, en mettant en évidence les principes des
contrôleurs flous, neuronaux et à base de systèmes multi-agents.
43
Chapitre III
L’intelligence artificielle
dans les bâtiments
Chapitre III
L’application des méthodes intelligentes dans les systèmes de contrôle des bâtiments a
débuté dans les années 90. Les techniques de l’intelligence artificielle (IA) ont été appliquées pour
le contrôle de deux types de bâtiments, conventionnels et bioclimatiques. Les contrôleurs
intelligents, sont optimisés par l'utilisation d'algorithmes évolutionnaires qui ont été développés
pour le contrôle des sous-systèmes d'un bâtiment intelligent. La synergie de la technologie des
réseaux de neurones, logique floue et algorithmes évolutionnaires a défini ce qu’on appelle
l’Intelligence Computationnelle (CI), qui a commencé à être appliquée dans les bâtiments. Pour
surmonter la caractéristique non linéaire du PMV, la temporisation, et l'incertitude du système,
certains algorithmes de contrôle avancés ont intégré le contrôle flou adaptatif et le contrôle optimal
de confort. Une sorte de contrôleur de réseau de neurones direct, basé sur un algorithme de rétro-
propagation, a été conçu et appliqué avec succès dans les systèmes de chauffage. Les réseaux de
neurones ont été largement utilisés au Japon où ils ont été appliqués à des produits commerciaux
tels que les climatiseurs, les ventilateurs électriques, etc. Par exemple un système de deux réseaux
de neurones a été incorporé dans un climatiseur pour assurer l’ajustement de l'équipement aux
préférences des utilisateurs.
Les principes des différentes techniques de l’intelligence computationnelle utilisées pour
concevoir des contrôleurs des bâtiments seront définis en premier lieu, nous présenterons en
particulier, les contrôleurs FLC (Fuzzy Logic Controller), neuronaux et à base des Systèmes
multiagents. Nous introduirons dans la seconde partie de ce chapitre, les concepts généraux du
formalisme que nous utiliserons pour la conception de notre modèle, à savoir les réseaux bayésiens
considérés comme un outil solide pour la modélisation des systèmes incertains, leur puissance se
résume dans l’inférence, la déduction et l’optimisation des décisions.
44
Chapitre III L’intelligence artificielle dans les bâtiments
Les interactions de l'utilisateur ont toujours un effet direct sur le système en cours d'examen
afin de donner à l'utilisateur l'impression qu'il contrôle son propre environnement. Les utilisateurs
d'un système d'éclairage électrique peuvent changer l’état de l’éclairage, ou choisir son niveau. Les
utilisateurs du système de chauffage peuvent modifier le point de consigne de température. Une
augmentation de ce seuil déclenche immédiatement le système de chauffage jusqu'à tant que la
température intérieure est inférieure à cette valeur de consigne. En outre, les personnes utilisant les
stores peuvent choisir toute position d’obscurité qu'ils désirent.
Le processus de contrôle combiné pour les systèmes ci-dessus nécessite une performance
optimale de tous les sous-systèmes, sous l'hypothèse de base qu’ils fonctionnent correctement, afin
d'éviter les conflits qui surgissent entre les préférences des utilisateurs et les opérations simultanées
de ces sous-systèmes de contrôle. Mathews et al. [29] ont développé des stratégies de contrôle de
coûts efficaces pour atteindre l'énergie optimale et des conditions de confort acceptables.
45
Chapitre III L’intelligence artificielle dans les bâtiments
A l'origine, le but du développement des systèmes de contrôle pour les bâtiments est
principalement la minimisation de la consommation d'énergie. Les thermostats ont été utilisés pour
le contrôle du feedback de la température. Afin d'éviter les changements fréquents entre les deux
états d'un thermostat, des thermostats avec une zone morte ont été introduits et utilisés, ce type de
contrôle est appelé le contrôle bang-bang avec une zone morte. Toutefois, les dépassements de la
température contrôlée n’ont pas été évités, ce qui a entraîné une augmentation de la consommation
d'énergie. Afin de résoudre le problème, les concepteurs ont utilisés les contrôleurs PID
(Proportional-Integrate-Derivative).
Un contrôleur PID permet d’effectuer une régulation en boucle fermée (un système est dit en
boucle fermée lorsque la sortie du procédé est prise en compte pour calculer l'entrée) d’une
grandeur physique d'un système. Autrement dit, il cherche à réduire l'erreur entre la consigne et la
mesure. Donc, il génère un signal de commande à partir de la différence entre la consigne et la
mesure.
Le correcteur PID agit de trois manières :
action proportionnelle : l'erreur est multipliée par un gain G
action intégrale : l'erreur est intégrée et divisée par un gain T i
action dérivée : l'erreur est dérivée et multipliée par un gain T d
Il existe plusieurs architectures possibles pour combiner les trois effets (série, parallèle ou
mixte), on présente ici une architecture parallèle :
46
Chapitre III L’intelligence artificielle dans les bâtiments
1
C p =G 1+ +Td ×p (III.1)
T×p
i
47
Chapitre III L’intelligence artificielle dans les bâtiments
suivantes : la définition d’une zone de confort thermique, le profil d’occupation, les prévisions
météorologiques, les prix des énergies, les couplages thermiques entre les pièces, ainsi que
différents types de contraintes (puissance maximale disponible). Pour les exploiter au mieux, les
travaux de recherche se sont orientés vers des structures de contrôle plus évoluées, basées sur
l’intelligence artificielle ou des approches de type contrôle optimale, ce que nous présentons dans la
section suivante.
48
Chapitre III L’intelligence artificielle dans les bâtiments
De nombreuses méthodes existent pour utiliser la logique floue dans le contrôle en boucle
fermée.
La structure la plus simple consiste à utiliser les mesures des signaux du processus en tant
que données d'entrée et de sortie du contrôleur flou pour commander les actionneurs du processus.
Ce système de logique floue pur est appelé contrôleur FLC (Fuzzy Logic Controller).
Contrairement aux techniques classiques de contrôle, un FLC est plus utilisé dans les
processus mal définis, complexes qui peuvent être contrôlés par un opérateur humain qualifié sans
grande connaissance de leurs dynamiques sous-jacentes. L'idée de base des FLCs est d'intégrer
«l'expérience d'expert» d'un opérateur humain dans le contrôle d'un processus dont la relation entrée
- sortie est décrite par une collection de règles de contrôle floues (par exemple, IF-THEN)
impliquant des variables linguistique plutôt que par un modèle dynamique complexe. L'utilisation
de variables linguistiques, de règles de contrôle flou, et le raisonnement approximatif fournit un
moyen d'intégrer l'expérience d'experts humain dans la conception du contrôleur. Une architecture
typique de FLC est illustrée ci-dessus (figure III.2), elle se compose de quatre parties principales:
un fuzzificateur, une base de règles floues, un moteur d'inférence, et un défuzzificateur.
a) La Fuzzification : La fuzzification est l'opération qui consiste à affecter pour chaque
entrée physique, un degré d'appartenance à chaque sous-ensemble flou. En d'autres
termes c'est l'opération qui permet le passage du numérique (grandeurs physiques) au
49
Chapitre III L’intelligence artificielle dans les bâtiments
Figure III.3 : Fonctions d'appartenance pour les entrées PMV, concentration de CO2 et
l’éclairement d’un contrôleur PID flou [34].
50
Chapitre III L’intelligence artificielle dans les bâtiments
Figure III.4 : Règles de base du contrôle thermique et du contrôle de l'ouverture de la fenêtre [34]
ZE : Zéro, NEG : Négative, POS : Positive, (ah, w) : variables de signal de contrôle thermique et
ouverture de la fenêtre
Dans [34] l’auteur a proposé un contrôleur flou qui dispose de six entrées (le PMV, la
température ambiante Tamb, la concentration de CO2, le changement de la concentration de CO2,
l’index éblouissement (DGI) et de l'intensité (PEB)), et quatre sorties (AH / AC, l'ombrage,
l'éclairage artificiel, et angle d'ouverture de la fenêtre (AW)). Dans la conception des règles floues,
des fonctions triangulaires et trapézoïdales ont été utilisées pour définir les relations entrée-sortie.
Autrement dit, la priorité est donnée à des techniques passives (réduire d'environ 80 % de dépenses
d'énergie par rapport à un bâtiment) pour obtenir le confort intérieur. Pendant les saisons modérées,
les règles floues permettent un refroidissement naturel par des ouvertures de fenêtres afin d'atteindre
le confort thermique en utilisant la ventilation naturelle. Pendant l'hiver et l'été, les fenêtres restent
fermées pour éviter les pertes thermiques, et les gains solaires sont contrôlés afin de permettre le
chauffage passif pendant l'hiver et couper le chauffage excessif pendant l'été.
51
Chapitre III L’intelligence artificielle dans les bâtiments
Les règles floues d'éclairage intérieur sont conçues de manière à donner la priorité à
l'éclairage naturel. L'éclairage électrique est déclenché quand la luminosité intérieure est nulle, soit
pendant la nuit ou dans des conditions nuageuses. Quand la luminosité intérieure augmente,
l'éclairage électrique est immédiatement désactivé et l'ombrage ajuste le confort visuel intérieur.
L'indice de performance dans le système de commande de bâtiment est la minimisation de la
consommation d'énergie.
Toujours dans le contexte des bâtiments, Dounis et al [33] ont proposé un contrôleur flou
dont les entrées sont l’indice PMV et la température extérieure. Les paramètres : chauffage
auxiliaire (AH), refroidissement auxiliaire (AC), et l'angle d'ouverture de la fenêtre de ventilation
(AW) sont les sorties du contrôleur. Ces sorties sont des signaux déterministes qui commandent les
actionneurs de processus.
Le contrôleur présenté en Fig III.5 est constitué de deux boucles générales. Chaque boucle
peut agir indépendamment ou être liée pour travailler en même temps [35]. La première boucle est
la '' boucle d'éclairage '' constituée de blocs qui contrôlent la position de volet roulant selon le point
de consigne. La seconde est la '' boucle thermique '' qui se compose de deux contrôleurs distincts,
l'un pour la saison d'été et l'autre pour la saison d'hiver, Ils sont composés de blocs, qui orientent le
store selon la température de consigne. La boucle thermique comprend également le
fonctionnement contrôlé du chauffage et de la ventilation. Tous les régulateurs sont conçus comme
un système de régulation en cascade. Un contrôleur flou est utilisé en tant que régulateur principal
52
Chapitre III L’intelligence artificielle dans les bâtiments
et le contrôleur PID (PID/V type) est utilisé comme un auxiliaire. Les principaux régulateurs flous,
traitant les mesures de conditions internes et externes et les valeurs de consigne comme entrées,
déterminent la position souhaitée du volet roulant comme une sortie.
Les contrôleurs flous pour le positionnement de volet roulant dans le système de contrôle
sont:
Contrôleur flou de l’éclairage: contrôle la position de volet roulant selon le profil de
l'éclairage de consigne. Les variables d'entrée sont l’éclairage de consigne intérieur et la différence
entre l'éclairage intérieur et l'éclairage de consigne.
Contrôleur flou thermique (En hiver et en été): commande la position de volet roulant
selon les conditions thermiques en hiver/été. Les grandeurs d'entrée sont le rayonnement solaire
global et la différence de température entre la température de consigne et la température intérieure
mesurée.
Exemple de paramètres d'été [35]:
Output_signal=(fuzzy_roll_summer/100×T_error×0.5)
(III.2)
+(fuzzy_roll_winter/100×(100-T_error)×0.5)
Les réseaux de neurones sont utilisés dans le domaine de la thermique des bâtiments pour
résoudre différents problèmes. En contrôle de confort thermique [36] et dans le contrôle de la
température des systèmes de chaudière [37], des contrôleurs de réseau de neurones directs (NNC)
sont utilisés. Ces régulateurs sont pratiques et contrairement aux contrôleurs de réseau de neurones
indirects, ils ne nécessitent pas le modèle d'identification du bâtiment.
La figure III.6 montre la structure d'un contrôleur de réseau neurone bicouche à entrées
multiples et à sortie unique (MISO « multi-input and single-output ») [36].
53
Chapitre III L’intelligence artificielle dans les bâtiments
e : La dérivée de l'erreur
u : le signal de commande pour le bâtiment.
Les équations de ce contrôleur de réseau de neurone sont :
υ=w11e+w12 e+w13 b (III.3)
1
u=φ(υ)= (III.4)
1+exp(-υ 2 )
E E PMV u E u
w ij (III.5)
w ij PMV u w ij PMV w ij
Où est l'entrée de la couche de sortie du RN; w11 et w12 sont les poids synaptiques; w13 est
Pour le contrôle des systèmes complexes les concepteurs doivent concevoir et mettre en
œuvre des systèmes de contrôle en temps réel qui utilisent un groupe de contrôleurs au lieu d'un
seul contrôleur. En outre, le facteur humain est impliqué dans le système de contrôle, soit en
récompensant une stratégie de contrôle spécifique (apprentissage par renforcement) ou en rejetant
cette stratégie. Ces systèmes sont appelés Centric Systems human [39]. Actuellement, l’objectif de
l'ingénierie de contrôle est de subdiviser le problème en plusieurs sous-problèmes simples
(structuration). La conception du système multi-contrôleur est effectuée et le système est mis en
œuvre dans un cadre plus général, basé sur les contrôleurs-agents. Dans cette architecture, pour un
fonctionnement optimal, ces contrôleurs-agents sont guidés par un agent coordonnateur [40].
Les approches adoptées pour contrôler l'environnement de l'utilisateur, telles que les réseaux
de neurones qui sont basés sur la théorie classique de l'apprentissage automatique, utilisent des
54
Chapitre III L’intelligence artificielle dans les bâtiments
fonctions objectives qui visent soit à dériver une fonction de contrôle minimisée qui satisfait les
besoins des utilisateurs sur un niveau moyen, soit à optimiser des besoins contradictoires (par
exemple de l'efficacité énergétique et le confort des utilisateurs). Dans les deux cas, les utilisateurs
ont une participation limitée dans le fonctionnement du système et pour cette raison, ils doivent
tolérer un certain degré d'inconfort.
Une solution à ce problème est proposée par la combinaison des systèmes basés sur le
comportement avec des systèmes basés sur l'intelligence informatique [41]. Le principal avantage
des systèmes qui sont basés sur le comportement est qu'ils rejettent le modèle théorique et le
remplace par le modèle réel. Le système comportemental est un contrôleur flou où un algorithme
génétique va réguler la base de connaissances et les fonctions d'appartenance. Les sorties du
contrôleur flou sont pondérés par le coordinateur et transmises aux actionneurs.
Les systèmes de contrôle qui ont été développés en utilisant des techniques classiques de
l'IA sont automatisés mais ne sont pas autonomes. Les méthodologies et les techniques développées
pour les systèmes autonomes intelligents, comme des robots mobiles, ont été transférées et utilisées
dans les bâtiments afin de les doter de cette intelligence. Dans [42], les auteurs ont développé un
système multi-agents basé sur la logique floue et les algorithmes génétiques. Pour diminuer la
complexité, le système sera divisé en trois comportements constants: (a) la sécurité, (b) le danger et
l'économie, et (c) un comportement de confort adapté à l'action et au comportement des habitants.
Les techniques qui divisent un problème en sous-problèmes plus petits, sont appelées les
techniques diviser-et-conquérir (divide-and-conquer) [43]. Ces techniques constituent également un
processus de haut en bas (top-down). En général, il n'y a pas de méthodes standards ou classiques
pour diviser de manière optimale un problème en sous-problèmes. Chaque problème complexe a ses
propres particularités et son analyse peut révéler les moyens appropriés pour effectuer la tâche. En
général, des techniques heuristiques sont mises en œuvre à cet effet.
Dans ce cas, on résout les sous-problèmes par la conception des agents contrôleurs qui sont
basés sur la logique floue et qui peuvent être optimisés en utilisant les algorithmes génétiques. Un
superviseur intelligent coordonne le fonctionnement des contrôleurs-agents [44]. Ce superviseur est
une procédure importante car il conduit au fonctionnement normal de l'ensemble du système. En
d'autres termes, il permet de résoudre le problème initial.
Le concept d’agent intelligent (AI) a été introduit récemment dans le domaine de
l'informatique. Il a été largement utilisé dans le domaine de l'intelligence artificielle et est
étroitement lié à l'objet de résolution des problèmes distribués [43]. Un AI se compose d'une entité
virtuelle (logiciel) qui a essentiellement les propriétés suivantes:
Il a la capacité de communiquer et d'interagir avec son environnement.
55
Chapitre III L’intelligence artificielle dans les bâtiments
Figure III.7 : Schéma du système contrôlé, les contrôleurs-agents et le coordinateur intelligent [38]
56
Chapitre III L’intelligence artificielle dans les bâtiments
indique que le contrôleur va devenir actif ou inactif. Lorsque le coordinateur reçoit des signaux
d'activation de tous les contrôleurs-agents, il prend sa décision et envoie des signaux vers eux. Si un
agent contrôleur reçoit un signal d'acquittement positif, il devient ou reste actif, sinon il devient ou
reste inactif. En outre, si un contrôleur-agent est actif, il calcule l'action de contrôle et l'envoie vers
les actionneurs.
57
Chapitre III L’intelligence artificielle dans les bâtiments
58
Chapitre III L’intelligence artificielle dans les bâtiments
partir d’informations incomplètes. Quelle est, par exemple, la probabilité qu’un patient soit atteint
de telle ou telle maladie, sachant que certains symptômes ont été observés, mais que d’autres
informations ne sont pas connues ? Quelle est la configuration des variables représentant l’état de
chacun des composants d’un système, sachant que tel ou tel comportement a été remarqué ?
Construire un réseau bayésien c'est donc :
Définir le graphe du modèle
Définir les tables de probabilités de chaque variable, conditionnellement à ses
parents.
Le graphe est aussi appelé la "structure" du modèle, et les tables de probabilités ses
"paramètres". Généralement, la structure est définie par des experts et les tables de probabilités
calculées à partir de données expérimentales par des méthodes d’apprentissage.
Dans le cas où toutes les variables sont observées, la méthode la plus simple et la plus
utilisée est l’estimation statistique qui consiste à estimer la probabilité d’un événement par la
fréquence d’apparition de l’événement dans le corpus. Cette approche, appelée Maximum de
Vraisemblance (MV), est donnée par :
N i , j ,k
Pˆ ( X i xk Pa( X i ) x j ) ˆ jMV
, j ,k (III.7)
k
N i , j ,k
Soit X (l )
x k(l1) , x k(l2) ,..., x kn(l ) un exemple de notre base de données. La vraisemblance de cet
exemple conditionnellement aux paramètres du réseau est :
P (X x ( l ) ) P (X 1 x k(1l ) ,..., X n x k( ln ) )
i 1 P (X i x k(1l ) Pa (X i ) x (j l ) , )
n
(III.8)
n
i , j ( l ), k ( l )
i 1
59
Chapitre III L’intelligence artificielle dans les bâtiments
L’examen détaillé du produit l i , j ( l ),k ( l ) nous montre que le terme i , j , k (pour i, j, k fixés)
apparaît autant de fois que l’on trouve la configuration X i xk et X i xk dans les données, soit
N i , j ,k
.
La vraisemblance des données peut donc se réécrire :
n N n qi ri
L( D ) i , j (l ),k (l ) i , ji,,kj ,k
N
(III.10)
i 1 l 1 i 1 j 1 k 1
Nous savons aussi que les i , j , k sont liés par la formule suivante :
ri ri 1
i , j ,k 1
k 1
soit i , j ,r 1 i , j ,k
i
k 1
n qi ri 1
ri 1
L L( D ) N i , j ,k log i , j ,k N i , j ,ri log 1 i , j ,k (III.12)
i 1 j 1 k k 1
La valeur ˆi , j ,k du paramètre i , j , k maximisant la vraisemblance doit annuler cette dérivée et vérifie
donc :
N i , j ,k N i , j ,ri
k 1,...,ri 1 (III.14)
ˆi , j ,k ˆ i , j ,ri
Soit
N i , j ,1 N i , j ,2 N i , j ,ri kri 1 N i , j , k ri
... ri N i , j ,k (III.15)
ˆi , j ,1 ˆi , j ,2 ˆi , j ,ri k 1ˆi , j ,k k 1
60
Chapitre III L’intelligence artificielle dans les bâtiments
D’où
N i , j ,k
ˆi , j ,k k 1,...,ri (III.16)
ri
N
k 1 i , j ,k
L’estimation bayésienne suit un principe quelque peu différent. Il consiste à trouver les
paramètres les plus probables sachant que les données ont été observées, en utilisant des a priori
sur les paramètres. La règle de Bayes nous énonce que :
P D PD P LD P (III.17)
n qi ri
P
i , j , k 1
i , j ,k (III.18)
i 1 j 1 k 1
P( X i xk Pa( X i ) x j )
. Un des avantages des distributions exponentielles comme celle de
Dirichlet est qu’elle permet d’exprimer facilement la loi a posteriori des paramètres P D [48] :
P D
n qi ri
Ni , j , k i , j , k 1
i , j ,k (III.19)
i 1 j 1 k 1
En posant N i', j , k N i , j , k i , j , k 1 , on retrouve le même genre de formule que dans l’équation III.12.
Un raisonnement identique permet de trouver les valeurs des paramètres i , j , k qui vont maximiser
P D
.
L’approche de maximum a posteriori (MAP) nous donne alors :
N i , j ,k i , j ,k 1
Pˆ ( X i xk Pa( X i ) x j ) ˆiMAP
, j ,k (III.20)
(N k i , j ,k i , j ,k 1)
i , j ,k
Où sont les paramètres de la distribution de Dirichlet associée à la loi a priori
Pˆ (X i x k Pa(X i ) x j )
.
61
Chapitre III L’intelligence artificielle dans les bâtiments
Une autre approche bayésienne consiste à calculer l’espérance a posteriori des paramètres i , j , k au
lieu d’en chercher le maximum. Nous obtenons alors par cette approche d’espérance a posteriori
(EAP) [48] :
N i , j ,k i , j ,k
Pˆ ( X i xk Pa( X i ) x j ) ˆiEAP
, j ,k (III.21)
(N
k i , j ,k i , j ,k )
Les estimations que nous venons d’évoquer (maximum de vraisemblance, maximum a posteriori et
espérance a posteriori) ne sont valables que si les variables sont entièrement observées. D’autres
méthodes peuvent donc s’appliquer aux cas où certaines données sont manquantes.
III.3 Conclusion
Dans ce chapitre, nous avons présenté les systèmes de contrôle pour la gestion de l'énergie et
le confort dans les bâtiments. Au début, nous avons défini le problème dans son ensemble, où
l'énergie, le confort et le contrôle sont impliqués. Ensuite, nous avons présenté les systèmes de
contrôle conventionnels pour les bâtiments dont le développement de ces systèmes de contrôle
intelligents dans le cadre de l'intelligence informatique (logique floue, réseaux de neurones, agents)
a mis la base pour améliorer l'efficacité des systèmes de contrôle dans les bâtiments. De nouvelles
façons de concevoir des systèmes humano centriques résulte du développement du domaine
scientifique de l'intelligence informatique. L’application de ces systèmes aux bâtiments en résulte
que l'on appelle '' les bâtiments intelligents ''. L'architecture d'un système de contrôle multi-agents,
pour l'efficacité énergétique et le confort dans un environnement de bâtiment, a ensuite été présenté.
A la fin de ce chapitre, nous avons présenté les réseaux bayésiens dont leur utilisation pour
la modélisation de systèmes complexes passe inévitablement par la détermination de la structure et
des paramètres du réseau. Nous avons vu dans la dernière section comment construire ce modèle à
partir d’expertises, ou de données complètes, en présentant les deux méthodes : statistique et
bayèsienne.
62
Chapitre IV
Modélisation bayésienne
d’un contrôleur adaptatif
pour le bâtiment
Chapitre IV
IV.1 Introduction
Au chapitre précédent, nous avons étudié les différents contrôleurs utilisés pour définir le
confort au sein d’un bâtiment. Nous avons vu que ces contrôleurs se basent, dans leur conception,
sur les modèles analytiques du confort, tel que l’indice PMV dans le confort thermique, ce qui rend
ces contrôleurs subjectifs.
Dans ce chapitre, nous allons présenter notre travail qui consiste à explorer l’approche
adaptative du confort pour développer un modèle d’un contrôleur intégrant la complexité du confort
multi sensoriel et contribuant à une meilleure prise en compte des interactions comportementales et
adaptatives entre l’occupant et le bâtiment via des objets communicants. Ce travail commence par
une étude expérimentale in situ qui va permettre par la suite la conception d’un modèle probabiliste
(bayésien), cette modélisation du confort multisensoriel dans le bâtiment intelligent permettra la
caractérisation des éléments constitutifs d’un système incertain et dynamique intégrant l’occupant
dans son environnement bâti. La puissance des réseaux bayésiens tel que le calcul des inférences
permet à un tel contrôleur intelligent de prédire les interactions adéquates à une situation
d’inconfort (détectée automatiquement) ce qui traduit l’approche adaptative.
Par la conception de ce contrôleur bayésien nous aurons réalisé la tâche de modélisation
multiparamétrique du « confort » par apprentissage automatique des conditions de confort à partir
des activités et des profils des usagers, cette tâche nous a été affectée dans la cadre du projet
(PENATES) PilotagE du confort NATif dans un Environnement Sensoriel.
63
Chapitre IV Modélisation bayésienne d’un contrôleur adaptatif pour le bâtiment
Notre travail s’inscrit dans le cadre du projet franco-algérien PENATES (Pilotage du confort
natif dans un Environnement Sensoriel), ce programme scientifique consiste à se donner tout
d’abord les moyens de mettre des sujets humains en situation d’expérimentation et d’observation
sur des plates-formes réelles (Tâche 1 + Tâche 2) puis de recueillir des données comportementales
pour ces sujets (Tâche 2) permettant de constituer un corpus significatif à partir duquel un modèle
probabiliste sera réalisé (Tâche 3). A partir de ce modèle, deux applications seront développées
servant de démonstrateurs dans deux situations données (Tâche 4). Enfin la validation du modèle et
l’évaluation des démonstrateurs avec un panel de sujets sera faite (Tâche 5).
Le programme de travail se décompose comme suit :
a) Tâche 1 = adaptation technique de la plate-forme existante (DOMUS) par intégration des
capteurs/actionneurs multi-sensoriels
Intégration d’écrans tactiles muraux et logiciels associés liés à la communication et
l’animation vis-à-vis des utilisateurs
Intégration d’un système de contrôle de l’éclairage, du son et de la qualité olfactive
de l’air (capteurs et actionneurs)
Intégration d’interfaces tangibles et design d’objets d’interaction pour le contrôle des
ambiances de salles
b) Tâche 2 = mise en place de scénarios d’usage puis analyse d’activités sur un panel de sujets
recueillies à partir des capteurs (MultiCom pour la plateforme hôtellerie), cette tâche est
réalisée dans [2].
Exécution de scénarios prédéfinis par des sujets
Enregistrement et constitution d’un corpus annoté
Analyse d’activité pour constituer une base de données structurée
c) Tâche 3 = modélisation multiparamétrique du « confort » par apprentissage automatique des
conditions de confort à partir des activités et des profils des usagers
Bibliographie et choix des meilleures approches pour la modélisation du problème
posé
Modélisation et test d’écart du modèle aux données
d) Tâche 4 = développement d’une application de démonstration
e) Tâche 5 = validation technique et évaluation complète (acceptabilité et utilisabilité) auprès
d’un panel d’usagers.
64
Chapitre IV Modélisation bayésienne d’un contrôleur adaptatif pour le bâtiment
65
Chapitre IV Modélisation bayésienne d’un contrôleur adaptatif pour le bâtiment
L’appartement Domus a été construit dans le cadre de l’institut Carnot LSI46. Il s’agit du
prototype d’un appartement intelligent de 40 m², illustré en figure IV.2. Cet appartement est
composé de 3 pièces principales : (1) un espace cuisine, servant de lieu d’entrée comprenant un
«coin repas » et une kitchenette, (2) une chambre avec salle de bains et (3) un bureau. Il est situé au
sein de la plate-forme expérimentale MultiCom [49], et dispose ainsi de ses outils expérimentaux.
Chacune des pièces a été équipée avec du mobilier standard, ainsi que des équipements
habituels (luminaires, équipement de cuisine, multimédia, etc.), afin d’en faire un appartement
fonctionnel et habitable, au plus proche de la réalité. La kitchenette, par exemple, est pourvue
d’espaces de rangements, de plaques de cuissons, d’un évier, d’un réfrigérateur et des ustensiles de
cuisine. La chambre dispose d’un lit ainsi que d’espaces de rangements (figure IV.2 et IV.3).
En plus de l’aménagement mobilier, l’appartement dispose des réseaux techniques
standards: eau, ventilation et électricité. Les réseaux d’eau (eau froide et eau chaude) sont fournis
par le bâtiment, la ventilation (double flux) est quant à elle autonome, équipée d’un bypass pour
pouvoir optimiser ses paramètres. Le réseau électrique est spécifique aux architectures domotiques,
où la distribution et la gestion des différents objets sont assurées par différents actionneurs situés
dans le tableau électrique.
66
Chapitre IV Modélisation bayésienne d’un contrôleur adaptatif pour le bâtiment
Figure IV.3: Photos de l'aménagement de l’appartement, avec en haut à gauche l’espace cuisine, en
haut à droite la chambre, en bas à gauche le bureau et en bas à droite la salle de bains
Pour mettre en place un système d’interopérabilité la plateforme Domus a été équipée, au fil
des projets, avec les technologies suivantes :
KNX pour les réseaux domotiques (éclairage, volets roulants, interrupteurs, capteurs
température, luminosité…)
X2D pour des détecteurs d’ouverture sans fil (portes, fenêtres et placards)
UPnP/DLNA pour les loisirs numériques (téléviseur, diffusion sonore type
multizones)
RFID pour les interactions tangibles
67
Chapitre IV Modélisation bayésienne d’un contrôleur adaptatif pour le bâtiment
Figure IV.4: La diversité des technologies et des services présents à Domus [2]
68
Chapitre IV Modélisation bayésienne d’un contrôleur adaptatif pour le bâtiment
Actionneurs
Prediction des actions
adaptatives
Prétraitement de Capteurs,
Evaluation de l’inconfort données Camera,RFID…
Evaluation de l’ambiance
Plateforme
(DOMUS)
Le système proposé a une architecture modulaire : le premier module contient des capteurs
offrant des valeurs multisensorielles, à savoir : le degré de l’humidité, la température, l’éclairage et
le bruit. Ces différentes valeurs seront les entrées du deuxième module. Ce dernier se chargera de
leur prétraitement soit leur formatage et leur traduction. Le troisième module occupe le rôle de
contrôleur dans le système. Il est conçu selon une nouvelle approche basée sur les réseaux
bayésiens. Les informations (observations) fournies par le module de prétraitement constituent les
69
Chapitre IV Modélisation bayésienne d’un contrôleur adaptatif pour le bâtiment
entrées de ce module qui évalue les différents types d’ambiances afin de juger du degré de
l’inconfort du bâtiment. Par la suite, le contrôleur décide les actions adaptatives nécessaires à la
restauration du confort perdu. Ces actions seront exécutées par le module d’actionneurs de la
plateforme. Dans la section suivante nous allons expliquer les différentes étapes de construction de
modèle bayésien de ce contrôleur adaptatif.
70
Chapitre IV Modélisation bayésienne d’un contrôleur adaptatif pour le bâtiment
intelligents. L’ensemble de ces objets intelligents nous permet d’obtenir des informations relatives à
l’environnement intérieur, suivant deux plans :
La mesure objective des grandeurs physiques
Les informations relatives à la perception des habitants, par une méthode adaptative
Le réalisme de l’appartement nous permet alors de mener des études dans des conditions
quasi-réelles. Ces expérimentations ont pour but de valider, en partie, le modèle adaptatif du confort
multisensoriel pour l’habitat intelligent, que nous proposons. L’appartement Domus est un outil de
simulation de l’habitat intelligent, avec une orientation centrée sur les usages. Ainsi, cet outil est
différent de ceux utilisés classiquement pour les études sur le confort, que l’on dénomme chambres
climatiques, et dont la caractéristique principale est de pouvoir piloter finement l’ambiance, en
particulier l’ambiance thermique. C’est ce type d’outil qui a été utilisé afin de conclure notre étude
où les paramètres thermiques d’une pièce, la température de rayonnement et la température de l’air,
étaient modifiés artificiellement afin d’étudier le ressenti des occupants. Les paramètres d’ambiance
de Domus varient de manière identique à ceux d’un habitat réel : en fonction des conditions
externes, de la composition du bâti ainsi que des apports internes, apports dus aux objets tels que les
lumières ou la ventilation.
Le confort étant subjectif, nous avons utilisé un questionnaire [2] permettant de collecter la
perception de l’ambiance par l’utilisateur. Ce questionnaire considère le confort comme étant
multisensoriel, et qui est composé d’échelles de jugement et d’échelles de perception.
71
Chapitre IV Modélisation bayésienne d’un contrôleur adaptatif pour le bâtiment
a) Déroulement
Le protocole de déroulement des expérimentations proposé est constitué de trois tâches à
effectuer par les sujets. Chacune de ces tâches a été définie en fonction des possibilités qu’offrait
l’aménagement de l’appartement, ainsi que des activités courantes au sein d’un habitat intelligent.
L’étape de préparation de l’expérience comprend les tâches de mise en fonctionnement de
l’outil expérimental, dispositif par dispositif. Trois types d’activités ont été identifiés : une activité
studieuse (pour laquelle l’attention du participant est toute tournée vers l’activité), une activité de
loisirs (pour laquelle l’attention du participant ne se focalise pas sur son activité) et une activité de
tâches ménagères (qui requiert un niveau intermédiaire d’attention).
72
Chapitre IV Modélisation bayésienne d’un contrôleur adaptatif pour le bâtiment
contexte de l’habitat, le superviseur a proposé au sujet de cuisiner un plat dans la cuisine. Une
recette avec les ingrédients et ustensiles nécessaires ont été mis à disposition. Le choix d’une
activité culinaire permet notamment de perturber l’environnement olfactif du sujet.
Pendant la réalisation de nos scénarios, l’occupant peut intervenir afin de modifier les
paramètres d’ambiance suivants :
L’éclairage ambiant et la température d’éclairage : en utilisant une interface tactile,
l’expérimentateur peut varier à distance les éclairages directs des différentes zones
de l’appartement.
La température d’éclairage indirect : Cet éclairage était en effet utilisé en éclairage «
blanc », et pouvait être modifié par l’expérimentateur sur des températures plus
chaudes ou plus froides.
Le rapport entre l’éclairage naturel et l’éclairage artificiel, en ouvrant ou fermant les
stores, à partir de la même interface que pour l’éclairage.
Le bruit d’ambiance, dont le but était de modifier artificiellement l’environnement
sonore. Pour ceci, trois bruits de fond présélectionnés ont été utilisés : un bruit de
pluie, un bruit de vent et un bruit d’oiseaux. Ce fond sonore pouvait être réglé à
partir d’une interface spécifique.
La ventilation mécanique centralisée : Celle-ci étant surdimensionnée par rapport au
volume de l’appartement, une forte puissance permet de simuler des variations d’air
importantes.
Pendant l’expérimentation, le sujet devait compléter, toutes les cinq minutes, le
questionnaire présenté. Dans les scénarios de validation, et afin d’éviter la redondance des données,
nous avons prolongé cet intervalle de temps, en demandant à l’occupant de ne remplir le
questionnaire qu’après la modification des paramètres d’ambiance ou de perceptions.
Afin d’étudier le comportement adaptatif des occupants, celui-ci avait la liberté de modifier
lui-même l’ambiance dans l’appartement (aucune consigne le lui interdisant ne lui ayant été
donnée), il pouvait donc, ouvrir une fenêtre pour supprimer une odeur désagréable à son goût ou,
plus simplement, enlever son pull-over s’il a trop chaud. Ces actions ont alors changé l’état de
perception, il était donc indispensable de les connaître au moment de l’analyse des résultats.
73
Chapitre IV Modélisation bayésienne d’un contrôleur adaptatif pour le bâtiment
74
Chapitre IV Modélisation bayésienne d’un contrôleur adaptatif pour le bâtiment
La phase de conclusion était constituée d’un entretien individuel avec le sujet, afin de savoir
si la séance s’était bien passée. En fonction du déroulement de la séance, l’expérimentateur pouvait
demander au sujet des informations complémentaires en vue de justifier un comportement observé.
b) Participants
Les 20 participants de l’expérimentation présentée, ont été recrutés sur la base du volontariat
parmi les contacts de l’équipe de recherche, sans condition d’âge ni de catégorie
socioprofessionnelle. Tandis que 3 candidats ont participé, dans la suite de cette expérimentation,
pour l’objectif de concevoir une base de données de validation. Leurs profils (23 candidats) sont
présentés dans le tableau IV.3.
75
Chapitre IV Modélisation bayésienne d’un contrôleur adaptatif pour le bâtiment
participant par exemple) et par l’observation de l’expérimentateur (pour l’indice de vêture par
exemple). Pendant le déroulement des scénarios, nous avons recueilli les traces de la
communication des objets dans Domus, les réponses au questionnaire (le même questionnaire
complété toutes les cinq minutes par le sujet), les traces des variations d’ambiance appliquées par
l’expérimentateur et les annotations de comportement prises par l’expérimentateur. Nous rappelons
que toutes ces données possèdent un repère temporel (timecode) qui permet de les mettre en relation
les unes avec les autres.
76
Chapitre IV Modélisation bayésienne d’un contrôleur adaptatif pour le bâtiment
Niveau Confort
Inconfort
Ce modèle bayésien comprend quatre niveaux ; le premier contient les variables représentant
les objets (capteurs), chaque variable contient toutes les valeurs (états) fournies par un capteur.
Dans certains cas ces valeurs deviennent des intervalles, par exemple celle de la température ayant
les valeurs T1, T2, et T3 qui représentent respectivement les intervalles [15°-20°], [21°-25°] et [26°-
30°]. Ces variables de niveaux 1 influent directement sur celles du deuxième niveau contenant les
quatre variables des différents types d’ambiance (Acoustique, visuelle, thermique et olfactive). Le
troisième niveau ne contient qu’une seule variable représentant les degrés de l’inconfort, à partir de
ce niveau et des différents niveaux des ambiances spécifiques nous pouvons prédire les interactions
adaptatives nécessaires dans cette situation d’inconfort. Ces actions sont les valeurs des variables du
niveau quatre de notre modèle, représentant les actionneurs de la plateforme.
Au départ, nous allons utiliser les données fournies par les capteurs comme observations
(évidence) puis exploiter les caractéristiques des réseaux bayésiens pour pouvoir prédire les
différentes valeurs des variables du modèle telles que l’ambiance, l’inconfort et les actions de
restauration du confort.
77
Chapitre IV Modélisation bayésienne d’un contrôleur adaptatif pour le bâtiment
Ouv_Volets Down, up
Sonde_Temp [-2,40]
Cap_Hum [0,100]
Sonde_Lum [0,32767]
Capteurs
Temp_Ext [-10,50]
Ventilation {0,1}
78
Chapitre IV Modélisation bayésienne d’un contrôleur adaptatif pour le bâtiment
La structure du réseau ainsi définie, il ne reste plus qu’à calculer ces paramètres qui
représentent les distributions des probabilités. Les données de corpus (observations) nous
permettent d’estimer les distributions des probabilités conditionnelles qui peuvent être faites par un
simple calcul de fréquences (Maximum de vraisemblance MV). Toutefois, lorsqu’une valeur d’un
attribut A ne se produit pas avec une valeur donnée de son nœud parent B, l’estimation du P( A B)
produit une valeur nulle, et rend difficile l’étape de prédiction. Pour surmonter ce problème, nous
utiliserons l’estimateur de Laplace. Compte tenu d’un facteur prédéfini f, s’il ya N instances de n
exemple pour un problème de k valeurs, Laplace estime la probabilité par N f / n k f .
Une fois les observations (données de capteurs) obtenues et formatées, nous pouvons
calculer la distribution des probabilités pour chaque variable.
La probabilité d’observer une interaction P ( I j x ) , peut être calculée comme suit :
NB I j x
P I j x (IV.1)
N
Où :
Les probabilités conditionnelles pour les attributs discrets sont calculées à partir de la
fréquence en comptant le nombre d'occurrences de chaque valeur d'attribut à chaque valeur que le
nœud parent peut prendre. Cette probabilité conditionnelle peut être calculée comme suit:
NB Ambiance y, Objet z
P Ambiance y Objet z (IV.2)
NB Objet z
Où :
79
Chapitre IV Modélisation bayésienne d’un contrôleur adaptatif pour le bâtiment
Ambiance y et Objet z
NB(Objet z) : Le nombre de lignes dans le corpus dont Objet z
Les distributions des probabilités (conditionnelles et à priori) des interactions du corpus
d’apprentissage et les différentes variables (capteurs, ambiances, inconfort) sont données dans les
tableaux suivants :
1) Exemple des probabilités à priori des interactions sur la sonde de température et la
ventilation
Interaction sur la
sonde de 0.13 0.32 0.55
température
Interaction sur la
0.72 0.28
ventilation
80
Chapitre IV Modélisation bayésienne d’un contrôleur adaptatif pour le bâtiment
IV.4.1.3 La prédiction
A ce stade notre objectif est de montrer comment inférer (prédire) les différentes
informations nécessaires permettant le contrôle des différents niveaux (Ambiances, Inconfort et
interactions adaptatives) de notre système étant donné que certaines informations fournies par les
capteurs sont récemment observées.
81
Chapitre IV Modélisation bayésienne d’un contrôleur adaptatif pour le bâtiment
P( I j A, D) P( I k A, D) k j (IV.4)
avons :
et
Donc : P(I A, D) P(I)* P(D | I) * P(A | I, D)/P(D)* P(A | D) 1/ * (P(I)* P(D | I) * P(A | I, D))
comparer ces deux probabilités il suffit de calculer le numérateur : P(I)* P(D|I)* P(A|I,D) ) pour I=
i, et I=j, où P(I), P(D|I) et P(A|I,D) sont des paramètres de notre réseau bayésien.
L’objectif maintenant est de prédire le confort/inconfort globale sachant que les degrés des
ambiances élémentaires sont prédits. Pour ceci, nous avons privilégié une approche Bayésienne
(Figure IV.10), inspiré des travaux de Rohles [50], dont le confort global est présenté par une
pondération linéaire selon la formulation suivante :
Nous proposons ici de ré-exprimer cette formule en utilisant les RB, dont la figure IV.10
montre les relations de causalité entre les ambiances (perceptions) élémentaires et l’inconfort
82
Chapitre IV Modélisation bayésienne d’un contrôleur adaptatif pour le bâtiment
global. Formellement la corrélation entre les ambiances spécifiques sera modélisée par la
probabilité conditionnelle :
Inconfort
Inconfort
A ce stade, l’objectif est l’estimation de la probabilité P( D A) , pour ceci nous allons utiliser la loi
P D|A
P D, A
P( D, A, I ) P( I )* P D|I * P A|D, I
I I
(IV.7)
P A P( A) P( A)
Notons que pour toutes les valeurs di de D, 1/P(A) est constant, donc pour juger l’inconfort
avec un degré di nous devons comparer les probabilités P(D = di A) et P(D dk A) dk , il suffit
Objets
Lampe Radiate Ventil Fenêtre
ur
Figure IV.11: La corrélation entre les ambiances spécifiques et les objets
83
Chapitre IV Modélisation bayésienne d’un contrôleur adaptatif pour le bâtiment
Afin de caractériser une ambiance pour qu’elle puisse être confrontée au jugement des
occupants, nous proposons un modèle bayésien permettant d’associer à chaque domaine sensoriel
les différentes contributions des objets intelligents. A ce niveau, l’objectif est de prédire les valeurs
des ambiances spécifiques (élémentaires) de l’état de l’ensemble des objets (capteurs) de notre
bâtiment. Formellement nous calculons la probabilité conditionnelle P(Ambiance|Objects).
Notons que pour les probabilités P( Ambiancei = x Objectk = y) , 1/ P (Objectk = y) est un constant.
En conséquence, pour comparer ces probabilités pour les différentes valeurs x d’une variable
Ambiancei = x , il suffit de calculer le numérateur :
Pour calculer P(Ai= aj) nous allons utiliser la marginalisation de la probabilité jointe locale
P( Inconfort , Ambiance, Interactions) .
= å å
I D
P (Interactions )* P ( Inconfort|Interaction)* P ( Ambiancei = x|Interaction, Inconfort )
Dans notre contexte, le but de l’inférence est de calculer les nouvelles probabilités des
degrés des ambiances élémentaires, l’inconfort ou les interactions à faire pour restaurer le confort
perdu, étant donné que certaines valeurs de capteurs sont observées.
84
Chapitre IV Modélisation bayésienne d’un contrôleur adaptatif pour le bâtiment
La figure ci-dessus montre une représentation modulaire de notre contrôleur bayésien dont
trois unités de calcul vont coopérer pour réagir avec les actionneurs par des interactions adaptatives.
La probabilité d’une interaction augmentera ou diminuera. Nous nous concentrons sur les
plans de variation des valeurs de notre (RB), dans lesquels la probabilité de l’interaction a
augmenté. Après chaque mise à jour (détection d’un changement), nous vérifions la nouvelle
probabilité de déclencher ou non une interaction adaptative. Si la probabilité d’une interaction
dépasse un certain seuil, l’interaction sera alors déclenchée. Si aucune interaction ne dépasse le
seuil, nous attendons la prochaine mise à jour. Après l’expiration du timeout, nous réinitialisons la
phase de détection.
Pour évaluer le contrôleur nous voyons comment chaque variation d’une information d’un
capteur dans le corpus influence le déclenchement d’une interaction adaptative. Á priori le modèle
bayésien n’indique rien sur le plan d’interactions, mais après l’application d’un simple calcul
d’influence entre les variables et l’interaction, nous pouvons clairement identifier les variations
impliquées dans le plan d’une interaction.
Le tableau IV.4 montre l’influence de chaque variation représentée par la nouvelle
probabilité de l’interaction. Les variations de AmbianceVisuel et Inconfort global ont une influence
critique sur l’interaction Ii (allumer lampe par exemple), car la probabilité de déclenchement de
l’interaction, sachant chacune de ces variations, dépasse 50% (voir tableau IV.4). Les autres
variations ont une influence faible (rien faire) sur les réactions, car la probabilité de déclencher
l’interaction, sachant chacune de ces variations, diminue.
85
Chapitre IV Modélisation bayésienne d’un contrôleur adaptatif pour le bâtiment
AT 0.27
AT , AA 0.21
Nous pouvons faire le même travail avec les autres nœuds de notre RB, en prenant chaque
variable avec ces parents.
Pour tester notre contrôleur, nous allons illustrer la phase de prédiction avec des scénarios de
trois sujets, extraits des données de corpus. Ces scénarios ont été retirés de l’étape d’apprentissage,
86
Chapitre IV Modélisation bayésienne d’un contrôleur adaptatif pour le bâtiment
à savoir la construction du RB pour les utiliser dans la phase de prédiction et ils seront utilisés pour
tester notre approche.
A priori la probabilité, avant toute variation, que l’interaction Ij soit déclenchée est 0.11.
Après avoir généré chaque Interaction, nous avons mis à jour ces observations dans le RB et nous
avons inféré la nouvelle probabilité de déclencher les interactions. Selon les nouvelles probabilités,
il est clair qu’après la variation de AmbianceVisuel , nous pouvons confirmer que l’interaction peut
être déclenchée.
Dans le scénario de chaque participant, nous avons pris les données de capteurs
(observations), les annotations de jugement des ambiances de ce participant et ses interactions
adaptatives avec la plateforme pour restaurer le confort global. Par la suite, nous avons comparé les
prévisions d’interactions déduites à partir de notre modèle, avec les annotations et les interactions
des participants dans le corpus de test. Nous avons eu le résultat suivant:
Pourcentage de Pourcentage de
mêmes valeurs même
Participants Scenario
d’inconfort Interactions
prédites prédites
1 1 75% 63%
1 2 50% 71%
1 3 93% 84%
1 4 82% 87%
1 5 76% 92%
1 6 61% 33%
1 7 57% 66%
1 8 79% 83%
1 9 58% 69%
2 1 62% 80%
2 2 33% 42%
2 3 65% 51%
2 4 93% 80%
2 5 58% 42%
2 6 74% 95%
2 7 84% 88%
2 8 60% 71%
2 9 87% 81%
2 10 55% 62%
2 11 90% 91%
2 12 71% 86%
Moyenne 69,67% 72,24%
Tableau IV.11: Pourcentage des interactions prédites avec succès à partir des données de test
87
Chapitre IV Modélisation bayésienne d’un contrôleur adaptatif pour le bâtiment
En comparant ces résultats de prédiction à celles du corpus de test, nous avons constaté que 70%
des cas d’inconfort et une moyenne de 72% des interactions adaptatives, observés dans le corpus de
test, ont été prédits automatiquement avec succès par le contrôleur bayésien. Le reste des cas non
prédits reflète la subjectivité du confort, ce qui permet de confirmer les résultats de Gallissot [2].
IV.7 Conclusion
Dans ce chapitre, nous avons proposé une nouvelle méthode pour modéliser l'adaptation dans le
bâtiment basé sur les réseaux bayésien. Notre approche utilise des observations historiques pour
construire un RB modélisant le confort multi-sensoriel et le comportement adaptatif des occupants
pour restaurer le confort.
Notre approche a l'avantage de rendre l’automatisation de l’adaptation plus facile en raison de la
simplicité et de l'efficacité des inférences dans les RBs. Elle est plus facile à mettre en œuvre et
n’implique pas une grande contribution des connaissances d’experts pour déterminer le confort
globale et les interactions adaptatives.
Contrairement aux approches existantes, des mesures de sensation et d'adaptation ne sont pas
implicitement prévues par les experts, mais elles sont automatiquement calculées à partir de
données d'observations.
88
Conclusion Générale
Conclusion générale
Au cours de ce travail, nous nous sommes intéressés à l’étude de la notion de confort multi-
sensoriel au sein des bâtiments intelligents, par la présentation d’un état de l’art sur les deux
approches analytique et adaptative.
L’approche analytique considère le confort à travers l’évaluation des paramètres (bilan
thermique du corps humain, spectre lumineux, concentration CO 2,…). Le calcul de ces paramètres
permet de prédire le niveau de confort via des indices déterminés par les expérimentations en
chambres climatiques. Cependant, ces indices, considérés universels, montrent une faiblesse pour la
prédiction des conditions de confort rencontrées dans les études in situ. Ils ne sont adéquats que
pour le cas des chambres climatiques.
L’approche adaptative suppose le confort à travers les réponses comportementales (par
rapport à une situation d’inconfort) qui caractérisent l’adaptation de l’occupant à son
environnement. Cette approche, utilise les résultats des études expérimentales in situ pour définir
les conditions de confort en fonction des données environnementales (intérieures et extérieures). En
comparant les deux approches, l’approche analytique se focalise sur l’aspect physique et
physiologique du confort, tandis que l’approche adaptative traite le confort à travers les réactions
comportementales et adaptatives de l’occupant dans son environnement.
Puis, nous avons présenté les principaux systèmes de contrôle du confort dans les bâtiments
ce qui les rend des lieux intelligents. Le développement de ces systèmes de contrôle a fait appel aux
techniques de l'intelligence informatique telles que la logique floue, les réseaux de neurones, les
agents, qui ont mis la base pour améliorer l'efficacité des systèmes de contrôle dans les bâtiments.
L’application de ces systèmes aux bâtiments a donné naissance à ce qu’on appelle '' les bâtiments
intelligents ''. Par exemple, pour un contrôleur flou la structure la plus simple consiste à utiliser les
mesures des signaux du processus en tant que données d'entrée et de sortie du contrôleur flou pour
commander les actionneurs du processus.
Finalement, Nous avons proposé dans cette thèse une nouvelle méthode pour la conception
d’un contrôleur adaptatif. En utilisant un solide outil théorique, notre approche utilise l’historique
des observations (scénarios réalisés dans la plateforme DOMUS) pour construire un réseau bayésien
de quatre niveaux. Le premier niveau représente la couche de données c.-à-d. les entrées de notre
contrôleur fournies par les capteurs, ensuite ces données seront exploitées par le deuxième niveau
comme évidence pour servir au calcul des degrés des ambiances spécifiques (Thermiques, Visuelle,
89
Conclusion Générale
Acoustique, Qualité de l’air). Le troisième niveau permet l’évaluation du confort global et à partir
de cette évaluation nous procédons, dans le quatrième niveau, à la prédiction des interactions
adaptatives pour restaurer le confort global. Pour évaluer notre contrôleur, nous avons utilisé une
autre partie de la base de données des expérimentations, puis nous avons comparé les interactions
prédites par le contrôleur aux celles effectuées par les sujets de l’expérimentation, dans la même
situation d’inconfort, donc les mêmes valeurs d’entrée (capteurs). Les résultats de la validation
semblent être pertinents puisque le contrôleur a réussi à prédire une moyenne 80% des interactions
désirées, les 20% non prédites reflètent la subjectivité de la sensation du confort.
Notre approche a pour avantage de rendre la prédiction des interactions adaptatives plus
facile grâce à la simplicité et l’efficacité des techniques d’inférence dans les réseaux bayésiens. Elle
tire profit des données disponibles, et n’implique qu’une légère contribution des connaissances
d’experts pour déterminer les interactions adaptatives. En plus, les situations d’inconfort peuvent
être identifiées et les fausses interactions sont implicitement filtrées en se concentrant sur les
interactions pertinentes.
Dans un travail futur, il est souhaitable d’intégrer ce contrôleur bayésien, soit par
implémentation dans une plateforme comme Domus, soit par simulation en utilisant des outils
comme DEVS (Discret Event System Specification) qui est un formalisme modulaire et
hiérarchique permettant de faire la modélisation, la simulation et l’analyse de systèmes complexes,
qui sont pour la plupart du temps des systèmes à événements discrets décrits, par des fonctions de
transitions d’états, ce qui nous permet de procéder au test et à la validation de ce travail pour la mise
en œuvre du contrôleur.
90
Bibliographie
[1] M.Barry. Intelligent buildings. IEEE Communications Magazine, Vol. 29, pages 24-27, 1991.
[3] R. Borovoy, M. McDonald, F. Martin, and M. Resnick. Things that blink: Computationally augmented
name tags. IBM Systems Journal, 35(34), 488-495, 1996.
[4] A. Cea Ramirez. Contribution à la Modélisation et à la Gestion des Interactions Produit-Processus dans
la Chaîne Logistique par l’Approche Produits Communicants. Thèse, Université Henri Poincaré - Nancy
I, 2006.
[5] E. Bajic. Ambient Networking for intelligent objects management, mobility and services. Séminaire
Institut For Manufacturing - IFM Université de Cambridge , Angleterre, 2 April, 2004.
[6] C.Kintzig, G.Poulain, G.Privat, P.Favennec. Objets Communicants. Hermes Science. France Télécom
R&D et Lavoisier, Paris, 2002.
[7] IEEE Standard Computer Dictionary. A Compilation of IEEE Standard Computer Glossaries . IEEE
Std 610, 1. doi:10.1109/IEEESTD.1991.106963.
[8] D.Chen and G. Doumeingts. European initiatives to develop interoperability of enterprise applications-
basic concepts, framework and roadmap. Annual Reviews in Control, 27(2), 153-162. 2003.
[9] F. Vernadat. Enterprise modeling and integration: principles and applications, page 513, Chapman &
Hall. 1996.
[10] P. Wegner. Interoperability. ACM Comput. Surv., 28(1), 285-287. New York, NY, USA: ACM. 1996.
[11] KNX Association. Chapter III - Datapoint Types. The KNX Standard v2.0, 2010.
[12] PO. Fanger. Thermal comfort: analysis and applications in environmental engineering, Danish
Technical Press, New York: McGraw-Hill, 1972.
[13] AFNOR. NF EN ISO 7730. Ambiances thermiques modérées - Détermination des indices PMV et PPD
et spécifications des conditions de confort thermique. Paris: AFNOR, 1995.
91
Bibligraphie
[14] A. P.Gagge, J.A.J Stowijk and Y. Nishi. An effective temperature scale based on a simple model of
human physiological regulatory, ASIIRAE Trans., vol. 77, 247-262, 1971.
[15] B. Moujalled. Modélisation dynamique du confort thermique dans les bâtiments naturellement ventilés.
Thèse de doctorat, Institut National des Sciences Appliquées de Lyon, 2007.
[16] ASHRAE. Thermal Comfort. In: ASHRAE handbook of fundementals. SI Edition. Atlanta: ASHRAE,
pages, 28-81, 1997.
[17] KEN. Parsons. Human thermal environment. 2nd Edition. London: Taylor & Francis, page, 527, 2003.
[18] A.P.Gagge, A.P. Fobelets et L.G. Berglund. A standard predictive index of human response to the
thermal environment. ASHARE transactions, vol. 92, Part 2B, pages, 709-731. 1986.
[20] J. Wienold and J. Christoffersen. Evaluation methods and development of a new glare prediction
model for daylight environments with the use of CCD cameras. Energy and Buildings, 38(7), 743-757,
2006.
[21] P. O. Fanger. Introduction of the olf and the decipol units to quantify air pollution perceived by humans
indoors and outdoors. Energy and Buildings, 12(1), pages, 1-6, 1988.
[22] ECA. Guidelines for Ventilation Requirements in Buildings ». Environement and Quality of Life, 11.
Note : European Collaborative Action, 1992.
[23] CSTB. confort acoustique. Référentiel technique de certification. Bâtiments Tertiaires - Démarche HQE,
2005.
[24] M. A. Humphreys and J. F. Nicol. Understanding the adaptive approach to thermal comfort .
ASHRAE transactions Symposia, 104(1b), 991-1004. ASHRAE. 1998.
[25] R.Cantin, B. Moujalled et G. Guarracino. Complexité du confort thermique dans les bâtiments. 6ème
congrès Européen de Science des Systèmes, Paris, 2005.
[26] J. Nicol Fergus, A. Humphreys Michael. Adaptive thermal comfort and sustainable thermal standards
for buildings. Energy and buildings, 34 (6). 2002.
[27] R. J. De dear, G.S. Brager et D. Cooper. Developing an Adaptive Model of Thermal Comfort and
Preference. en ligne. Disponible sur: http://atmos.es.mq.edu.au/~rdedear/RP884_Final_R-eport.PDF.
92
Bibligraphie
[28] F. H. J.Rohles, , J. E. J.Woods and P. R. Morey. Indoor environment acceptability: the development
of a rating scale ». ASHRAE transactions, 95, 23-27. American Society of Heating, Refrigerating and
Air-conditioning Engineers, 1989.
[29] EH. Mathews, DC. Arndt, CB. Piani and E. Heerden. Developing cost efficient control strategies to
ensure optimal energy use and sufficient indoor comfort. Applied Energy, 66, pages, 35-59, 2000.
[30] C. Altrock, HO. Arend, B. Krause, C. Steffens, E. Behrens-Rommler. Adaptive fuzzy control
applied to home heating system. Fuzzy Sets and Systems, ;61: 29–35. 1994.
[31] MM. Ardehali, M. Saboori, M. Teshnelab. Numerical simulation and analysis of fuzzy PID and PSD
control methodologies as dynamic energy efficiency measures. Energy Conversion and Management,
45, pages, 81-92, 2004.
[32] G. Leng, T.M. McGinnity, G. Prasad. An approach for on-line extraction of fuzzy rules using a self-
organising fuzzy neural network, Fuzzy Sets and Systems, 150, pp.211-243, 2005.
[33] AI. Dounis, DE. Manolakis. Design of a fuzzy system for living space thermalcomfort regulation.
Applied Energy, 69:44-119, 2001.
[34] D. Kolokotsa. Design and implementation of an integrated intelligent building indoor environment
management system using fuzzy logic, advanced decision support techniques, local operating network
capabilities and smart card technology. PhD. Technical University of Crete, 2001.
[35] A. Günther, and P. R. Von Rohr. Structure of the temperature field in a flow over heated waves.
Experiments in Fluids, Vol. 33, pages 920-930, 2002.
Z.Kristl, M.Kosir, M.Trobec Lah, A.Krainer. Fuzzy control system for thermal and visual comfort in
building, Renewable Energy, 33, 694-702. 2008.
[36] J. Liang, R. Du. Thermal comfort control based on neural network for HVAC application. In: Control
applications 2005, CCA 2005, proceedings of 2005, IEEE conference. p. 819-24. 2005.
[37] A. Kanarachos, K. Geramanis. Multivariable control of single zone hydronic heating systems with
neural networks. Energy Conversion Management,;39(13):1317–1336. 1998.
[38] A.I. Dounis, C. Caraiscos. Advanced control systems engineering for energy and comfort management
in a building environment-A review, Renewable and Sustainable Energy Reviews, vol. 13, n. 6-7, pp.
1247, 2009.
[39] W. Pedrycz. From granular computing to computational intelligence and human-centric systems. IEEE
Connections, 3(2):6-11, 2005.
93
Bibligraphie
[40] AJN. Breemen, TJA. Vries. Design and implementation of a room thermostat using an agent-based
approach. Control Engineering Practice, 001;9:233–48.
[42] H. Barrios, S. Viazzo, C. Rey et S. Poncet. Simulation numérique d’un écoulement de convection
mixte en aval d’une marche. 14èmes Journées Internationales de Thermique, Djerba, Tunisie, 2009.
[44] AI. Dounis, C. Caraiscos. Intelligent technologies for energy efficiency and comfort in a building
environment. In: International conference of technology and automation, p. 5–91. 2005.
[45] G. Weiss. Multi-agent systems. A modern approach to distributed artificial intelligence. Cambridge,
MA: MIT Press; 2000.
[46] Z. Mo, A. Mahdani. An agent-based simulation-assisted approach to bi-lateral building systems control.
In: Eighth international IBPSA conference, pages.4–11, 2003.
[47] J. Pearl. Probabilistic Reasoning in Intelligent Systems : Networks of Plausible Inference. Morgan
Kaufmann, second edition. 1988.
[48] R. Christian. The bayesian Choice : a decision-theoretic motivation. Springer, New York, 1994.
94