Qu`est-ce que l`analyse des méga-données (Big Data

1
Qu’est-ce que l’analyse des mégadonnées (Big Data Analysis)?
Appliquée à l’opération des bâtiments
Congrès AQME 2016
Laval, 11 mai 2016
Daniel Choinière, ing.
© Sa Majesté la Reine du chef du Canada, représentée par le ministre des Ressources naturelles, 2016
En 2010, IBM avait comme publicité :
Sur une planète plus intelligente, les
réponses se cachent dans les données.
 Les plus grandes percées des prochaines décennies dans les
domaines des affaires et de la science, ainsi que dans la société en
général viendront de perspectives obtenues en analysant des
données en temps réel.
 Les données augmenteront de façon exponentielle en volume et
en complexité :
 Organiser votre information;
 Comprendre son contexte;
 Gérer son évolution en temps réel.
OBJECTIF D’APPRENTISSAGE
Introduction à l’analytique dans l’opération des bâtiments :
 Méthode d’analyse
 Outils mathématiques
 Facteurs de succès clés. Le bon outil pour mes besoins
Pourquoi analyser les données?
Consensus international :
Les bâtiments n’opèrent pas efficacement.
 Problèmes inconnus des opérateurs et des ingénieurs.
 Séquences d’opération ne sont pas optimales.
 Résultats :
 Inconfort;
 Dégradation des équipements;
 5 à 30 % de surconsommation d’énergie.
Projets de l’AIE-ECBCS (1994-2011)
Annexe 25
Annexe 34
Annexe 40
Annexe 47
• Méthodes de détection et de diagnostic de fautes (DDF) pour
systèmes CVC et R.
• Mise au point d’outils de DDF et application dans des bâtiments
réels.
• Mise au point de techniques de commissioning pour systèmes CVC
et R.
• Commissioning rentable des systèmes CVC et R des bâtiments
existants et des bâtiments à faible consommation d’énergie.
Rapports finaux : www.ecbcs.org
Fonctions – Outils – Données requises
Fonctions
Commissioning
continu automatique
 Détection et diagnostic de
fautes;
 Autocorrection des
défaillances;
 Gestion de la
performance des
équipements;
 Gestion du confort;
 Gestion de l’énergie;
 Audit énergétique en
temps réel.
Contrôle actif (solaire,
stockage, plancher
radiant, etc.)
 Prédictif;
 Adaptatif;
 Gestion de puissance.
Outils
Base de données
 Locale;
 Nuage.
Logiciels





Interfaces;
Structure;
Méthode;
Type d’analyse.
Service web ou résident
Sécurité informatique
Données
Données des
systèmes internes
 Du contrôle mécanique
CVC et R;
 Du contrôle d’éclairage;
 Des compteurs
d’énergie;
 Du contrôle
d’occupation;
 Du système d’alarme
incendie.
Données externes
 Prévisions météo;
 Tarifs des sources
d’énergie;
 Signal de prix d’énergie
ou demande de
réduction de la demande.
Facteurs influençant le choix du type
d’outil d’analyse
 Utilisateurs :
 Gestionnaire d’un parc immobilier, d’un immeuble, de l’énergie,
ingénieur, chef d’exploitation, opérateur, etc.
 Information recherché dans les résultats de l’outil:
 P. ex. Gestionnaire d’un parc immobilier : quel édifice a un faible
confort? Énergie? Entretien? Génération de rapports de performance
pour LEED, Boma
 Opérateur : Où est le problème sur tel système? Dit moi quoi faire?
 Prise de décisions en fonction de cette information.
 Données requises?
 Fréquence de consultation des analyses?
 Continue, horaire, quotidienne, mensuelle, etc.
 Intervalle des données à visualiser?

Continu, horaire, quotidien, mensuel, etc.
Approches Top-down vs Bottom-Up
Top-Down
Bottom-Up
 Échantillon minimal
d’entrées;
 Compteurs,
consommation et
production des
équipements;
 Analyser les grands
indicateurs de la
performance des
systèmes.
 À partir de toutes
les données
accessibles;
 Soupapes,
températures,
courants, etc.;
 Analyse des
défaillances par
composante des
systèmes.
Bottom-up
Méthodes d’analyse et de classification :
Outil intelligence artificielle
Méthodes fondées sur le «DATA Mining» et les modèles :
 Modèle physique :
 Bâtiment type;
 Bâtiment réel.

Utilise les lois de la
thermodynamique
 Modèle à partir des données :
 Inverse model (régression
et classement);
 Boîte noire :
Méthodes fondées sur la connaissance :
 Système expert;
 Raisonnement par cas;
 Logique floue
 Neural Network, PCA, nearest
neighbour, bayes, etc.
Outils fondés sur des modèles et du DATA mining
(p. ex. déviation du profil de consommation)
Données d’opération
Données d’apprentissage
 Filtrage, vérification du régime
stable, calcul d’indice.
Création d’un modèle de
référence
Création du modèle actuel
Calcul des résiduels
et classification
DATA Mining
Détermination de la présence
et du type de fautes
Transmission
des résultats
13
Méthode fondée sur la connaissance :
DDF pour unité de ventilation
Système expert (Analyse)
Analyse sous forme de règles :
Sélections des données et
des paramètres configurés.
 Selon le mode l’opération (arrêt,
chauffage, etc.), détection :
 Des symptômes anormaux;
 Des conditions normales.
Prétraitement des données.
Filtrage, calcul d’indice,
vérification du régime
permanent.
Calcul du mode d’opération.
Détection des anomalies :
 Filtrage et classement des fautes
possibles et impossibles
(bon fonctionnement).
Transmission du diagnostic
 Fautes résiduelles;
 Explication du raisonnement;
 Données utilisées.
15
Propriétés essentielles de la
méthodologie d’analyse (Annexe 34)
 La méthodologie doit être simple et facile sur plusieurs points :
 Facile à comprendre et à expliquer;
 Facile à mettre en œuvre. La configuration de la méthode pour un bâtiment
donné doit être simple et directe. Requiert peu de formation et de données
historiques d’apprentissage. L’installation est meilleure lorsqu’elle est faite par des
spécialistes;
 Facile à utiliser. L’utilisateur doit se sentir à l’aise avec l’opération de la
méthodologie. L’outil doit être adapté à chaque application et à l’utilisateur sur le
site : entrepreneur, agent de commissioning, ingénieur, gestionnaire immobilier, ou
opérateur;
 Facile à intégrer. L’outil doit être interopérable avec les systèmes de contrôle
existants et les données externes;
 Facile à modifier. Les mises à jour doivent être faciles à réaliser.
 Peu ou pas de fausses alarmes.
 Pas d’interférence avec l’opération normale.
 Rentable.
 Effet important sur l’économie d’énergie et le confort des occupants.
 L’utilisateur devrait pouvoir se fier à la méthode et même en devenir dépendant.
Conclusion : veiller à ce que l’outil
choisi corresponde aux besoins
La description des outils sur le marché :
 Montre de beaux graphiques et interfaces, en indiquant comme avantages :



Économie d’énergie;
Amélioration du confort;
Réduction des coûts d’entretien.
 Explique rarement comment les données sont analysées et quel est l’effort manuel
requis pour arriver aux résultats.
À vérifier :
 Quelle information est requise? Comment est-elle structurée? Données
d’apprentissage? Etc.
 Comment l’analyse produit les résultats requis?




Signale un changement dans un profil de consommation?
Montre une série de symptômes anormaux avec causes génériques possibles?
Montre les fautes précises à corriger, triées et filtrées, avec une explication de la détection et
une présentation des données utilisées?
Des rapports détaillés de la performance des systèmes mécaniques, électriques et des
conditions de confort? Classement des fautes à corriger, suivi des économies et des coûts
évités, etc.?
QUESTIONS
Contact : Daniel Choinière, ing.
Courriel : [email protected]
N’hésitez pas à nous contacter pour obtenir des conseils et de l’aide!