République Algérienne Démocratique et Populaire وزارة التعليـــــم العــــــالي والبحـــــث العلمــــي Ministère de l’Enseignement Supérieur et de la Recherche Scientifique UNIVERSITE DES SCIENCES ET DE LA TECHNOLOGIE d’ORAN Mohamed Boudiaf Faculté des Mathématiques et informatique Département d’Informatique Spécialité : Informatique Option : Informatique THESE Présentée par Mr MOSTEFAOUI Sid Ahmed Mokhtar Pour l’obtention du diplôme de Doctorat Es-Sciences en Informatique Thème : Modélisation multiparamétrique du confort dans un bâtiment intelligent par apprentissage automatique SOUTENUE LE :…/…/2015 Devant le jury composé de : Qualité Nom et prénom Grade Etb. d’origin Président Mr BELBACHIR F. Professeur Université de l’USTO-MB Examinateur Mr CHOUARFIA A. Professeur Université de l’USTO-MB Examinateur Mr YOUSFAT A. Professeur Université de Sidi Bel Abbes Examinateur Mr BELALEM G. Professeur Université d’Oran Examinateur Mr DAHMANI Y. Maître de Conférences Université de Tiaret Encadreur Maître de Conférences Université de l’USTO-MB Mme ZAOUI L. REMERCIEMENTS En premier lieu, je remercie « ALLAH » de m’avoir donné la force, le courage et la volonté pour achever ce travail. 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. Je tiens également à remercier : Monsieur Faouzi BELBACHIR, Professeur à l’Université de Science et Technologie Mohamed Boudiaf – Oran pour m’avoir accepté au sein de son Laboratoire Systèmes Signaux et Données LSSD et d’avoir accepté de présider ce jury, Monsieur Abdallah CHOUARFIA, Professeur à l’Université de Science et Technologie Mohamed Boudiaf - Oran, Monsieur AbdArrahmen YOUSFAT, Professeur à l’Université de Sidi Bel abbes, Monsieur Ghalem BELALEM, Professeur à l’Université d’Oran et Monsieur Youcef DAHMANI, Maître de conférences à l’Université de Tiaret, pour l’intérêt qu’ils ont porté à ce travail en m’honorant par leur présence dans le jury. Mes remerciements s’adressent également à Mr Jean CAELEN et toute l’équipe Multicom avec laquelle j’ai eu la chance de travailler dans une ambiance réellement motivante. 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. Mots clés : Bâtiment intelligent, confort multisensoriel, modélisation, approche adaptative, Réseaux Bayésiens 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 multisensory 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. Keywords: Intelligent Building, Comfort, modeling, adaptive approach, Bayesian Network 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 Chapitre I : Les bâtiments intelligents I.1 Introduction……………………………………………………………………………….………5 I.2 Qu’est ce qu’un bâtiment intelligent ?……………………………………………………………6 I.3 Composants du bâtiment intelligent ……………………………………………………………...7 I.4 HVAC …………………………………………………………………………………………….8 I.5 Le contrôle intelligent de l’éclairage ……………………………………………………………..8 I.6 Contrôle Intelligent de composants de construction ……………………………………………...9 I.7 Les objets intelligents …………………………………………………………………………...10 I.7.1 Définition d’un objet intelligent ………………………………………………………...10 I.7.2 Caractéristiques des objets intelligents ………………………………………………….10 I.8 L’interopérabilité …………………………………………………………….………………….12 I.9 Différentes technologies pour l’interopérabilité ……………………………..………………….13 I.9.1 Le standard KNX ………………………………………………………………………..14 I.9.2 RFID …………………………………………………………………………………….16 I.9.2.1 Interrogateurs RFID……………………………………………………………..17 I.9.2.2 Tag RFID ………………………………………………………………………17 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 I.9.4.1 Caractéristiques du protocole DMX …………………………………………….20 I.9.5 Le protocole X2D ……………………………………………………………………….22 I.9.5.1 Protocole Radio …………………………………………………………………22 I.9.5.2 Les avantages ……………………………………………………………………22 I.9.6 M2M …………………………………………………………………………………….23 I.10 Conclusion ……………………………………………………………………………………..24 Chapitre II : Approches de modélisation du confort II.1 Introduction …………………………………………………………………………………….25 II.2 L’approche analytique ………………………………………………………………………….25 II.2.1 Le confort thermique …………………………………………………………………...26 II.2.1.1 Le modèle PMV-PPD…………………………………………………………..26 II.2.1.2 Le modèle à deux nœuds de Gagge : ET*, SET & PMV* …………………….29 II.2.2 Le confort visuel………………………………………………………………………..30 II.2.2.1 Le spectre lumineux ……………………………………………………………31 II.2.2.2 L'éblouissement ………………………………………………………………...33 II.2.3 La qualité de l’air ………………………………………………………………………34 II.2.3 Mesure de la qualité de l’air ……………………………………………………...35 II.2.4 Le confort acoustique …………………………………………………………………..36 II.3 L’approche adaptative ………………………………………………………………………….38 II.3.1 Le principe de l’adaptation ……………………………………………………………..39 II.3.1.1 La boucle comportementale ………………………………………………...….40 v II.3.1.2 La boucle physiologique ……………………………………………………….40 II.3.1.3 La boucle psychologique ……………………………………………………….41 II.4 Le confort multi-sensoriel dans les bâtiments ………………………………………………….41 II.5 Conclusion ……………………………………………………………………………………...42 Chapitre III : L’intelligence artificielle dans les bâtiments III.1 Introduction ……………………………………………………………………………………44 III.2 Le contrôle dans les bâtiments ………………………………………………………………...45 III.2.1 Les contrôleurs Classique PID ………………………………………………………...46 III.2.2 Les contrôleurs à base de l’intelligence computationnelle ……………………………48 III.2.2.1 Le contrôleur FLC……………………………………………………………..49 III.2.2.2 Contrôleurs de réseau de neurones…………………………………………….53 III.2.2.3 Contrôleurs à base d’agents intelligents……………………………………….54 III.3 Les réseaux bayésiens …………………………………………………………………………58 III.3.1 Apprentissage des paramètres d’un réseau bayésien ………………………………….59 III.3.1.1 Apprentissage statistique………………………………………………………59 III.3.1.1 Apprentissage bayésien ……………………………………………………….61 III.3 Conclusion …………………………………………………………………………………….62 Chapitre IV : Modélisation bayésienne d’un contrôleur adaptatif pour le bâtiment IV.1 Introduction……………………………………………………………………………………63 IV.2 Structuration du projet PENATESen tâches ………………………………………………...64 IV.3 L’appartement DOMUS ………………………………………………………………………65 IV.4 La modélisation bayésienne d’un bâtiment intelligent ………………………………………..68 IV.4.1 Processus de la modélisation du confort multisensoriel et le comportement adaptatif par les réseaux bayésiens …………………………………………………………………………..70 IV.4.1.1 Prétraitement des données d’observations ……………………………………70 IV.4.1.2 Construction du modèle bayésien ……………………………………………..76 IV.4.1.3 La prédiction …………………………………………………………………..81 vi IV.4.1.3.a Prédiction des interactions adaptatives ………………………………81 IV.4.1.3.b Prédiction de l’inconfort global ………………………………………82 IV.4.1.3.c Prédiction de la perception de l’ambiance ……………………………83 IV.5 Contrôleur bayésien proposé…………….……………………………………………………84 IV.6 La phase de test………………………………………………………………………………...86 IV.7 Conclusion …………………………………………………………………………………….88 Conclusion générale…………………………………………………………………………………89 Bibliographie ……………………………………………………………………………………….91 vii Liste des figures Liste des figures Figure I.1 Services du bâtiment intelligent………………………………………………… 7 Figure I.2 Les objets communicants d’un bâtiment (Source : Schneider Electric)….…….. 11 Figure I.3 Architecture du protocole KNX ……………………………………………….. 14 Figure I.4 Modèle commun du protocole KNX…………………………………………… 15 Figure I.5 Système RFID……………………………………………………………….….. 16 Figure I.6 Tag RFID……………………………………………………………….……….. 17 Figure I.7 Modèle Ecore décrivant un objet UPnP ……………………………………….. 19 Figure II.1 PPD en fonction du PMV………………………………………………………. 28 Figure II.2 Diagramme de Kruithof…………………………………………………………. 32 Figure II.3 Les mécanismes d’adaptations ………………………………………………….. 39 Figure II.4 Le feedback comportemental ………………………………………………….. 40 Figure II.5 Le feedback physiologique …………………………………………………….. 41 Figure II.6 Le feedback psychologique …………………………………………………….. 41 Figure III.1 Schéma d’un contrôleur PID ………………………………………………….. 47 Figure III.2 Schéma général d’un contrôleur flou (FLC) …………………………………… 49 Figure III.3 Fonctions d'appartenance pour les entrées PMV, concentration de CO2 et l’éclairement d’un contrôleur PID flou ………………………………………… 50 Figure III.4 Règles de base du contrôle thermique et le contrôle de l'ouverture de la fenêtre.. 51 Figure III.5 Schéma d’un contrôleur de boucle de luminosité et de thermique ……………. 52 Figure III.6 Schéma d’un contrôleur de réseaux de neurones ……………………………... 53 Figure III.7 Schéma du système contrôlé, les contrôleurs-agents et le coordinateur intelligent………………………………………………………………………... 57 Figure IV.1 La plateforme MultiCom ……………………………………………………….. 66 Figure IV.2 La plateforme DOMUS………………………………………………………….. 67 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…………………………………………………………………. 67 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 Tableau I.1 Définitions de l'interopérabilité…………………………………………………….. 13 Tableau II.I l'échelle PMV de 7 points de sensation thermique ………………………………… 26 Tableau II.2 Correspondance entre SET sensation et état physiologique ……………………… 30 Tableau II.3 Variables constituant les éléments de grandeurs qualifiants du confort visuel … 31 Tableau II.4 Echelle d'inconfort associée à l'UGR …………………………………………… 33 Tableau II.5 Valeurs de la norme NF EN 12464-1………………………………………………. 34 Tableau II.6 Sources courantes de pollution de l’air et polluants associés………………………. 35 Tableau IV.1 Echelle de confort…………………………………………………………………... 71 Tableau IV.2 Echelle de perception………………………………………………………………. 72 Tableau IV.3 Profil des participants à l’expérimentation…………………………………………. 75 Tableau IV.4 Corpus d’apprentissage…………………………………………………….………. 76 Tableau IV.5 L’ensemble des variables du Modèle Byésien……………………………………... 79 Tableau IV.6 Distributions des probabilités de l’interaction sur la sonde de température………... 80 Tableau IV.7 Distributions des probabilités de l’interaction sur la ventilation................................ 80 Tableau IV.8 Distributions de la probabilité conditionnelle de l’ambiance thermique…………… 81 Tableau IV.9 Influence des variations de l’ambiance sur les interactions………………………... 86 Tableau IV.10 Influence de l’ensemble des variations sur une interaction………………………... 86 Tableau IV.11 Pourcentage des interactions prédites avec succès à partir des données de test……. 87 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 Les bâtiments intelligents Chapitre I Les bâtiments intelligents I.1 Introduction 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. I.2 Qu’est ce qu’un bâtiment intelligent ? Le bâtiment intelligent se définit comme une structure à haute efficacité énergétique, intégrant pour sa gestion des équipements consommateurs, des équipements producteurs et des équipements de stockage. L’application des nouvelles technologies de l'information et de la communication à un bâtiment tertiaire a pour nom la gestion technique des bâtiments (GTB). La GTB est un système informatique généralement installé dans de grands bâtiments ou dans des installations industrielles afin de superviser l’ensemble des systèmes qui y sont installés (alimentations en énergie, éclairage, climatisation, ventilation et chauffage, contrôle d’accès, vidéosurveillance, etc.). Lorsque ces nouvelles technologies sont appliquées à une maison, on parle de domotique. En effet, la domotique est l’ensemble des techniques et technologies (physique du bâtiment, informatique et télécommunications) permettant l’automatisation et l’amélioration des services (confort) au sein d’une maison, d’un appartement ou d’un ensemble de bureaux. Donc, un bâtiment intelligent est celui qui crée un environnement qui maximise le confort des occupants de l'immeuble tout en permettant en même temps une gestion efficace des ressources avec des coûts minimaux de temps de vie. Le système de Bâtiment Intelligent (SBI) dispose de flexibilité et de modularité pour s'adapter à chaque changement. Dans un bâtiment typique, les systèmes de climatisation (chauffage, ventilation et climatisation HVAC), l'éclairage, le tissu extérieur, les systèmes de sécurité, et les ordinateurs fonctionnent de façon indépendante; par conséquent, la gestion des bâtiments essaie de satisfaire des demandes contradictoires. Mais si l'on ajoute un SBI global et intégré interconnectant les différents sous-systèmes à travers un cadre de contrôle unique, alors le bâtiment, l’usine, l’hôtel, ou toute autre structure de ce type peut répondre à son environnement en temps opportun et rentable. 6 Chapitre I Les Bâtiments intelligents I.3 Composants du bâtiment intelligent 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 Figure I.1 : Services du bâtiment intelligent 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: à être en mesure de maintenir un environnement intérieur confortable de bâtiment à maintenir une qualité de l'air acceptable à l’intérieur du bâtiment à être le plus simple et le moins couteux et à répondre à des critères de fonctionnement d’un système fiable pendant toute sa durée de vie à aboutir à un fonctionnement du système efficace dans toutes les conditions Un défi considérable est présenté au concepteur du HVAC pour concevoir un système de contrôle fiable en terme d’économie de la consommation d’énergie. Afin de réaliser un contrôle approprié sur la base de la conception du système de contrôle, le HVAC lui-même doit être réalisé et calibré en fonction des plans des systèmes mécaniques. Cela doit inclure des systèmes primaires et secondaires de tailles appropriées. En outre, la stratification de l'air doit être évitée, des dispositions appropriées pour les capteurs de contrôle est nécessaire, la protection contre le gel est nécessaire dans les climats froids, et l'attention doit être accordée à minimiser la consommation d'énergie soumis à un fonctionnement fiable en assurant le confort des occupants. La variable principale commandée dans les bâtiments est la température de la zone (et dans une moindre mesure la qualité de l'air dans certains bâtiments). Le contrôle de température de la zone implique de nombreux autres types de contrôle dans le cadre des HVACs primaires et secondaires, y compris le contrôle de la chaudière et du refroidissement, le contrôle du ventilateur, le contrôle du débit d'air, le contrôle de l'humidité, et la commande du système auxiliaire (par exemple commande de stockage thermique). Dans ce cas, le «contrôle» se réfère uniquement à la commande automatique de ces sous-systèmes. I.5 Le contrôle intelligent de l’éclairage 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 permettent de créer un environnement esthétique en assurant une économie d'énergie en même temps. Le concept derrière ces contrôles est de faire fonctionner l'éclairage automatique en fonction de la zone, la période, le niveau de l’ambiance lumineuse, ou l’occupation du bâtiment. L'aspect le plus important est la programmabilité, c'est la capacité de se rappeler les niveaux d'éclairage comme une série de paramètres. Ces paramètres, appelés aussi des scènes, peuvent être rappelés automatiquement par le système variateur ou par le système central de gestion du bâtiment. Les contrôles d'éclairage peuvent être soit autonomes, ou des systèmes en réseau où les grandes unités de variateur sont montées dans une armoire électrique et exploitées par un réseau de périphériques externes tels que des capteurs et panneaux de commande. Les systèmes en réseau ont l'avantage de permettre le contrôle des différentes pièces ou zones à partir de nombreux points. Dans un cadre domestique, ce pourrait être un panneau de l'interrupteur mural monté près de l'entrée principale qui commande plusieurs chambres. Les informations provenant du système d'éclairage peuvent également être utilisées pour déterminer la consommation d'énergie ou pour imiter les modèles d'occupation lorsque la maison est inoccupée. I.6 Contrôle Intelligent de composants de construction Dans la conception du bâtiment intelligent, la façade du bâtiment constitue l’interface entre l’environnement intérieur et extérieur. Cette interface du bâtiment est donc un modérateur des flux, sa fonction est l’ajustement des gains et des pertes (en termes de d’énergie thermique et lumineuse, par exemple) en provenance et vers l’intérieur, à travers des éléments statiques tels que la masse de bâtiment ou de façon cohérente grâce à une intervention manuelle ou de contrôle automatique. Certains éléments qui doivent être régulés par l’interface du bâtiment sont l'humidité, l'air, le son, la lumière, la chaleur, la pollution et la sécurité. Pendant la mise en œuvre de toute stratégie de contrôle spécifique, on doit également tenir compte des conflits qui surgissent entre ces paramètres. Il y a de nombreuses interprétations de ce qui constitue une façade intelligente, allant d'une simple solution de conception appropriée au projet du bâtiment prévu, à un système avec le potentiel et la capacité d'adaptation. L'équilibrage des flux à la façade, en particulier en réponse aux variations journalières ou saisonnières, se traduit souvent par la nécessité d'un contrôle automatique. Par exemple, la lumière du jour est souhaitable en évitant l'éblouissement, les gains solaires sont utiles en hiver mais pas en été, la ventilation naturelle peut être préférable, mais le bruit et les polluants atmosphériques peuvent être un problème, une bonne vue est souhaitable, mais la sécurité doit être maintenue. Hors 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. I.7 Les objets intelligents 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 microinformatique (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]. I.7.1 Définition d’un objet intelligent 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 ». I.7.2 Caractéristiques des objets intelligents A partir de ces définitions nous pouvons faire apparaître plusieurs critères concernant l’objet intelligent. Ces critères ont été développés dans [4], considérant alors qu’un objet intelligent doit satisfaire les propriétés suivantes: Capacités de mémorisation : pour le stockage de données caractéristiques de l’objet lui-même (identification) et de son environnement Capacités de perception : pour la perception de son environnement physique et informatique dans le but de s’adapter et gérer son évolution 10 Chapitre I Les Bâtiments intelligents Capacités de communication : afin de pouvoir rechercher, sélectionner et échanger des informations avec des objets pairs Capacités d’action : pour le traitement d’information et l’exécution de mécanismes afin d’accomplir une tâche Capacités de décision : pour la prise en compte de son environnement physique et informatique dans le but de prendre des décisions de manière autonome ou concertée Figure I.2 : Les objets communicants d’un bâtiment (Source : Schneider Electric) Dans le cas d’un objet intelligent, il est nécessaire de l’identifier automatiquement en disposant d'un langage de communication approprié entre l’objet et des ressources informatiques distribuées, afin d'étendre, par exemple, la capacité de stockage disponible sur l’objet. La notion d’objet physique et d’objet virtuel est implicite. Les interactions entre des objets et des acteurs d’un système (utilisateurs, machines, processus, autres objets, etc.) requièrent l’implémentation de mécanismes d’action et de décision avancés distribués sur l’objet et sur une infrastructure informatique pour gérer effectivement la relation objet - contexte dans son cycle de vie. Les objets intelligents peuvent être classifiés en quatre catégories [5] du plus élémentaire au plus complexe : L’objet porteur de données : C’est un objet qui peut stocker ou transporter des données élémentaires (minimales) sous formes de bits, nombres ou textes, qui seront accessibles par d’autres ressources pour des raisons de contrôle ou de manipulation 11 Chapitre I Les Bâtiments intelligents (transformation) de l’objet. Dans le domaine de la production industrielle, cette approche peut profiter des techniques de code à barre ou de radiofréquence comme moyen de transport d’information par identification automatique. L’objet pointeur vers un système d’information : Ce type d’objets peut fournir des informations de son identification à une infrastructure informatique qui les exploite pour établir des liens entres ces objets physique dans un monde virtuel (applications informatique) pour qu’elles soient accessibles par d’autres ressources (utilisateurs, administrateurs,…) via des interfaces informatiques (web par exemple). L’objet fournisseur et demandeur de services : Dans cette approche, l’objet communiquant évolue dans son environnement en utilisant ses capacités de mémorisation, de perception, d’action et de communication avec les autres acteurs pour prendre des décisions de façon autonome afin de gérer son évolution. Les services demandés par des objets communicants peuvent être accessibles à partir de différentes sources telles que des bases de données distantes, d’autres objets, ou plus généralement, à partir de ressources Internet. L’objet sensitif enrichi de capteurs et d’actionneurs : Dans cette approche les objets sont dotés physiquement de capteurs ou actionneurs afin de leurs permettre de capter des données de leurs environnement, de communiquer avec d’autres entités à proximité, et de traiter localement les données d’une façon autonome. 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 : Définition de l’interopérabilité Auteur - référence « La capacité de deux ou plusieurs systèmes ou composants à échanger IEEE [7] des informations et à utiliser les informations échangées » « Réussie si et seulement si l’interaction entre les systèmes impliqués Chen et Doumeingts [8] couvre les aspects données, ressources et processus métiers en utilisant les sémantiques définies dans le domaine métier » « La capacité à communiquer avec des systèmes pairs et accéder à leurs Vernadat [9] fonctionnalités » « L’aptitude de deux systèmes (ou plus) à communiquer, coopérer et Wegner [10] échanger des données et services, et ce malgré les différences dans les langages, les implémentations et les environnements d’exécution ou les modèles d’abstraction » Tableau 1.1 : Définitions de l'interopérabilité Selon [8], les différents niveaux de l’interopérabilité se généralisent en trois approches : Fédérée, où les entités concernées ne disposent pas de format commun pour l’échange et s’ajustent l’une et l’autre Unifiée, où chacune des entités conserve son format de référence avec la définition d’un méta-format pour établir une correspondance Intégrée, où chaque entité utilise un format commun pour tous les modèles. Ces approches doivent soulever plusieurs défis: un défi d’ordre conceptuel (diversité des concepts), un défi d’ordre technologique (diversité des technologies de communication et de présentation des données) et un défi organisationnel (différents modes de travail) I.9 Différentes technologies pour l’interopérabilité Dans le domaine de la technologie de l’interopérabilité au sein des bâtiments intelligents, nous pouvons distinguer les normes dites « technologiques» des normes dites « applicatives ». Par normes « technologiques » nous entendons toutes les normes qui concernent la communication entre lecteurs RFID et étiquettes ainsi que la gestion de données contenues dans les étiquettes. D’une part, les standards technologiques établissent les bases techniques d’un système 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]. I.9.1 Le standard KNX 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. Figure I.3: Architecture du protocole KNX [2] 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 Figure I.4: Modèle commun du protocole KNX 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. Figure I.5: Système RFID 16 Chapitre I Les Bâtiments intelligents I.9.2.1 Interrogateurs RFID Ce sont des dispositifs actifs, émetteurs de radiofréquences qui vont activer les tags qui passent devant eux en leur fournissant l'énergie dont ils ont besoin pour fonctionner. Outre de l'énergie pour l'étiquette, l'interrogateur envoie des commandes particulières auxquelles répond le tag. L'une des réponses les plus simples possibles est le renvoi d'une identification numérique. La fréquence utilisée par les interrogateurs est variable selon le type d'application visé et les performances recherchées. I.9.2.2 Tag RFID C'est un dispositif récepteur, que l'on place sur les éléments à tracer (objet, animal...). Ils sont munis d'une puce contenant les informations et d'une antenne pour permettre les échanges d'informations. Figure I.6: Tag RFID Les liaisons Radiofréquences permettent la communication entre l'identifiant et un interrogateur, sans nécessité de visibilité directe. De plus, il est également possible de gérer la présence simultanée de plusieurs identifiants dans le champ d'action du lecteur (anticollisions). L’intégration du RFID au sein du système permet d’interagir avec le bâtiment intelligent via des objets tangibles. I.9.3 L’architecture UPnP: Universal Plug and Play Le protocole UPnP (Universal Plug and Play) est un protocole issu du monde informatique. Il est maintenu par l’UPnP Forum qui publie les spécifications et standardise les services afin d’assurer une compatibilité entre constructeurs. Il se base sur une architecture orientée webservices, où chaque produit propose un ou plusieurs services, contenant chacun des variables d’état. UPnP permet à des périphériques de se connecter aisément et de simplifier l’implémentation de réseaux à la maison (partages de fichiers, communications, divertissements) ou dans les entreprises. L'architecture UPnP permet une mise en réseau poste à poste d'ordinateurs personnels, d'appareils réseaux et de périphériques sans fil. C'est une architecture ouverte, distribuée, basée sur les protocoles TCP/IP, UDP et HTTP. 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 I.9.3.5 Modèle UPnP Le protocole UPnP repose sur un modèle applicatif illustré en figure I.7. L’élément principal est un produit (« device »), qui peut contenir d’autres produits. Chaque produit contient un ou plusieurs services. Ces services sont composés d’actions et de variables. Chacune de ces 4 entités contient des propriétés descriptives, telles que des identifiants, des icônes, des informations quant à la nature du produit (constructeur, modèle, etc.) ou des informations quant à la nature de l’entité. Figure I.7: Modèle Ecore décrivant un objet UPnP [2] I.9.4 Le protocole DMX (Digital MultipleX) Avant le DMX, la commande d'éclairage (en théâtre par exemple) se réalisait par la commande comprise entre 0 et 10 volts de gradateurs reliés à une ou plusieurs sources lumineuses branchées en parallèle : 0 V pouvant signifier l'extinction totale, 10 V l'allumage complet. Certains gradateurs sont équipés de façon à réagir aux tensions comprises entre 0 V et 10 V (pour des effets d'ambiance en n'allumant la source qu'à moitié par exemple). Ce manque d'homogénéité a mené à la mise en place en 1986 par USITT (United Institute of Theatre Thechnology) d'une nouvelle norme, numérique, appelée DMX. Le protocole DMX repose sur la norme EIA RS-485. Il permet de contrôler 512 canaux correspondant à un codage sur 9 bits d'adressage. Sur chaque canal on affecte une valeur comprise en 0 et 255 (codage de 8 bits par canal), comme certains systèmes demandent plusieurs canaux pour fonctionner, la norme prévoit d'utiliser au maximum 32 systèmes de 16 canaux chacun. Les systèmes DMX sont mis en série ce qui simplifie grandement la tâche, il faut seulement s'occuper de leur alimentation. Dans le domaine de théâtre (par exemple), l’objectif était de piloter un gradateur par projecteur, maintenant grâce à un “régénérateur de signal” ou 19 Chapitre I Les Bâtiments intelligents “répétiteur” ou “Data Booster”(amplificateur de signal) on peut atteindre 32 systèmes ( par exemple : dimmer RVB, stroboscope, débit d'air, machine à fumée, changeurs de couleurs et formes (GoboFlower), projecteurs asservis (Scanner et Lyres), rampes de couleurs). I.9.4.1 Caractéristiques du protocole DMX a) Protocole des données Le protocole est basé sur la norme décrivant la communication RS-485 (ou EIA-485). Ce standard décrit une méthode de transmission de données numériques entre des appareils de contrôle (jeu d'orgues) et des gradateurs. Il concerne : les caractéristiques électriques le format des données leur protocole les types de câble les connecteurs Les données transmises doivent être au format série asynchrone. Les données concernant les gradateurs doivent être transmises en ordre séquentiel en commençant par le gradateur n°1 et en terminant par le dernier numéro de gradateur installé, (au maximum 512). Avant la transmission du premier niveau, un signal “RESET” doit être envoyé suivi par un code “NULL START”. Les niveaux utilisables pour les gradateurs varient de 0 à 255 (00 à FF en hexadécimal) correspondant aux niveaux en provenance du jeu d’orgues (de 0 à FULL suivant une progression linéaire). Ces valeurs numériques ne doivent pas nécessairement avoir une relation avec les niveaux présents à la sortie du gradateur, lesquels seront définis par le gradateur lui-même. b) Signal de “RESET” (”Initialiser”) Le signal de “RESET” est une interruption d'au moins 88 ms (le temps de 2 mots). Cette interruption peut être définie comme une transition d'un niveau haut vers un niveau bas maintenu pendant au moins 88 ms. Une interruption de n'importe quelle durée dépassant 88 ms peut être utilisée. Plusieurs “RESETS” non séparés par une information de niveau peuvent également être utilisés. c) Code “NULL START” Le code “NULL START” sera défini comme un mot sans caractère (que des "0") suivi par un “RESET”. Le code “NULL START” permet d'identifier les paquets d’informations suivants comme des informations de niveaux concernant les gradateurs dans l'ordre séquentiel. 20 Chapitre I Les Bâtiments intelligents d) Codes “START” en option Afin de prévoir une expansion future et un système mieux adaptés pour le contrôle d'appareils d’un autre type, (que des gradateurs), ce standard prévoit la place pour 255 codes “START” supplémentaires. Ces codes supplémentaires ne sont pas définis à ce jour mais seront précisés dans le futur. Pour cette raison, un gradateur recevant n'importe quel ensemble d'informations avec un code “START” autre que le “NULL START” suivant le “RESET”, doit les rejeter durant tout le temps pendant lequel ces informations sont transmises sur la ligne vers un autre appareil que les gradateurs, (en attente d’un “NULL START”). e) Nombre maximum de gradateurs Chaque ligne de télécommande peut transporter des informations pour 512 gradateurs au maximum. D'autres lignes seront utilisées si l'usage d'un plus grand nombre de gradateurs s'avère nécessaire. f) Nombre minimum de gradateurs Il n'y a pas de nombre minimum de gradateurs raccordés sur la ligne de télécommande. Le signal de RESET peut être transmis après n'importe quel nombre d'information concernant le niveau d'un gradateur sans dépasser 512. g) Format des données Le DMX 512 est un protocole de communication basé sur un bus numérique utilisant 3 fils (2 pour le signal qui est symétrisé + la masse). Les câbles utilisés sont cependant des XLR à 5 broches car la paire 4 et 5 était prévue à l'origine pour une évolution du DMX vers un retour d'information (bidirectionnalité). Celle-ci a d'ailleurs été mise en place sans standardisation par divers fabricants. Le brochage est normalisé comme suit: Broche n°1 :0V(masse) Broche n°2 : Data – Broche n°3 : Data + Broche n°4 : NC Broche n°5 : NC A noter que certain constructeurs utilisent des connectiques XLR à 3 broches seulement, bien que la norme en impose 5 (cela permet de faire quelques économies). Dans tous les cas, il est important d'utiliser un câble constitué d'une paire torsadée blindée. Un câble micro ne fait donc pas l'affaire, même si la connectique utilisée par l'appareil DMX est de type 3 broches. 21 Chapitre I Les Bâtiments intelligents h) Vitesse de transmission La vitesse de transmission des données et les temps associés sont les suivants : Vitesse de transmission de données : 250 kilobits/s Durée d'un bit : 4 ms Durée d'un mot : 44 ms Temps maximum de rafraîchissement : 22,71 ms Rafraîchissement pour 512 gradateurs : 44,03 fois/s incluant le RESET et le START I.9.5 Le protocole X2D Le protocole X2D est un protocole de communication développé par la société Delta Dore depuis plus d’une vingtaine d'années. Il s’agit d’un système de transmission sécurisé, brevetée et propriété de Delta Dore. Le protocole X2D utilise la technologie courant porteuse ou radio (868 MHz), et permet de faire communiquer et commander les équipements électriques autour d'un concept domotique. Afin d’améliorer le confort de vie chez soi mais aussi dans le cadre professionnel. Dans le cadre de la domotique, on trouve un mélange cohérent des appareils de la gamme de gestion de l’énergie, systèmes de sécurité, automatismes et même de l’audio-visuel. I.9.5.1 Protocole Radio Le protocole X2D utilise les fréquences radio 434 Mhz et 868 Mhz : double fréquences éloignées appelée Bi-bande. Elle permet d’assurer une transmission avec une portée radio de 200 à 300 mètres en champ libre. L’utilisation de deux fréquences totalement différentes améliore la qualité de la transmission radio. Elles sont émises en même temps pour que l’une ou l’autre soit reçue par la centrale. La fréquence 868 Mhz n’est pas perturbée par des émissions permanentes comme : les casques sans fil, wifi...etc. I.9.5.2 Avantages Parmi les avantages du protocole X2D nous citons : Fiabilité de la fréquence radio 868 MHz : évite tout risque de perturbation. Grande portée de 100m en champ libre entre émetteur et récepteur ou entre deux récepteurs associés en réseau maillé. Augmentation de la portée initiale par répétition du signal radio sur chaque récepteur. Retour de l’information sur les commandes bidirectionnelles. 22 Chapitre I Les Bâtiments intelligents Transmission numérique sécurisée grâce à la fonction rolling code. Chaque récepteur peut être commandé par 16 émetteurs différents. Chaque émetteur peut commander un nombre illimité de récepteur sur chaque voie de commande. Pas d’onde dangereuse pour la santé. En effet, les émissions sont ponctuelles (moins d’une seconde) et de très faible puissance, elles rendent leur utilisation inoffensive pour l’être humain et les animaux domestiques. Pour illustrer l’intégration des objets X2D au sein d’un bâtiment intelligent, nous reprenons l’exemple cité dans [2] d’une fenêtre équipée d’un détecteur d’ouverture. L’application souhaitée est alors : Pouvoir être notifié de l’état de la fenêtre (ouvert/fermé) depuis l’interface de service. Notifier la régulation de chauffage de l’ouverture de fenêtre. Pour ceci, une classe de transformation a été spécifiée. Cette classe permet de recevoir les messages issus de l’interface radio X2D, et de les identifier (par leur type et leur adresse source). Pour chaque trame de type « DetectionMessage » reçue, la classe identifie de manière unique la source, et extrait la donnée utile (relative à l’état d’ouverture de la fenêtre). Cette donnée est alors adressée (par une ou plusieurs adresses de groupe), et est ensuite transmise sur le bus virtuel, se propageant ainsi à l’ensemble des dispositifs. I.9.6 M2M (Machine to Machine) 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 Les usages du Machine To Machine sont multiples : La gestion de flotte, la gestion de la chaîne d’approvisionnement (Supply Chain Management), la télésurveillance, la surveillance des biens et des personnes, la domotique résidentielle ou d’entreprise, le télépaiement automatique. 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 Approches de modélisation du confort II.1 Introduction 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 interactions adaptatives en étudiant leurs prend en considération les 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. II.2 L’approche analytique 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 II.2.1 Le confort thermique Vu l’importance de l’effet du confort thermique sur le comportement des occupants, de nombreuses recherches ont été menées dans ce domaine. Ces travaux sont réalisés dans des chambres climatiques (in situ), sur des prototypes ou avec des êtres humains. Ils ont pour objectif de définir les paramètres de confort et d’acceptabilité des ambiances thermiques. Plusieurs modèles, de différentes natures, ont été développés. On peut citer les modèles physiques qui sont souvent des instruments de mesure dont les réponses physiques à l’ambiance thermique sont semblables à celles du corps humain, les modèles thermiques utilisés pour la détermination des caractéristiques thermiques des vêtements et enfin les modèles empiriques et les modèles rationnels. Les modèles empiriques établissent, à travers les expérimentations dans les chambres climatiques ou in situ, une régression statistique en combinant les effets de deux ou plusieurs variables physiques et/ou physiologiques en une seule variable. Les modèles rationnels sont fondés sur des estimations des différentes formes d’échanges de chaleur entre le corps humain et les ambiances thermiques, ainsi que du bilan thermique et de la contrainte physiologique résultante. II.2.1.1 Le modèle PMV-PPD 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 Tableau II.1 : l'échelle PMV de 7 points de sensation thermique 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) L=M- W+E+K+Eres +Cres +R+C (II.2) Avec : 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 Pour déterminer l’acceptabilité de l’ambiance thermique, Fanger a lié le PMV à un autre indice, le PPD «Predicted Percentage of Dissatisfied », qui prévoit le pourcentage des personnes qui seront insatisfaites dans l’ambiance considérée. Les personnes insatisfaites sont celles dont le vote de sensation n’est pas compris dans l’intervalle [-1,1]. La relation prévoit un minimum de pourcentage d’insatisfaits de 5% pour un vote égal à zéro (sensation neutre), puis ce pourcentage augmente de façon symétrique de part et d’autre du vote zéro vers les sensations chaude et froide. PPD 100 95 exp (0, 03353 PMV 4 0, 2179 PMV 2 ) (II.3) Figure II.1 : Le PPD en fonction du PMV Le PPD prédit le nombre de personnes thermiquement insatisfaits dans un groupe de personnes. Le reste du groupe se sentira thermiquement neutre, légèrement chaud ou légèrement froid. Comme le PMV a été déterminé dans des conditions stationnaires (chambres climatiques), son application reste limitée aux ambiances stationnaires et homogènes où les conditions ne varient pas, ou peu, dans le temps. Si une ou plusieurs variables fluctuent faiblement, le PMV peut être utilisé à condition de considérer leurs moyennes pondérées en fonction du temps pendant la période de 1 h précédente [13]. 28 Chapitre I Les Bâtiments intelligents II.2.1.2 Le modèle à deux nœuds de Gagge : ET*, SET & PMV* Gagge a développé un modèle dynamique simplifié de la thermorégulation [14]. Ce modèle décompose le corps humain en deux compartiments cylindriques (La peau et le noyau central). Les échanges entre les deux compartiments considérés isothermes sont modélisés sous forme de conduction tissulaire et convection sanguine. Contrairement au modèle de Fanger, ce modèle permet de calculer les variables physiologiques (températures cutanées et internes, mouillure cutanée) dans des conditions transitoires [15]. La température cutanée, la mouillure cutanée et le flux de chaleur cutané sont utilisés pour le calcul de l’indice ET* (new Effective Température). L’indice ET* dépend de la vêture et de l’activité du sujet. Pour standardiser le calcul, un nouvel indice, le « SET » (Température Effective Standard) a été défini [16]. Le SET représente la température sèche équivalente d’une enceinte isotherme à 50 % d’humidité relative, dans laquelle un sujet, portant une vêture standardisée par rapport à son activité, échangerait la même quantité de chaleur et aurait la même mouillure cutanée que dans l’enceinte réelle dans laquelle il se trouve [15]. Icls = 1,33 -0,095 M -W +0,74 (II.4) 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 SET (°C) Sensation Etat physiologique d’un individu sédentaire > 37.5 Très chaud, inconfortable Défaillance de la régulation 34.5 – 37.5 Chaud, très inacceptable Sueur abondante 30.0 – 34.5 Chaud, inconfortable, inacceptable Sueur Légèrement chaud, 25.6 – 30.0 Sueur faible, vasodilatation légèrement inacceptable 22.2 - 25.6 Confortable et acceptable Neutralité Légèrement frais, 17.5 – 22.2 Vasoconstriction légèrement inacceptable 14.5 – 17.5 Frais et inacceptable Refroidissement lent du corps 10.0 – 14.5 Froid et très inacceptable Frisson Tableau II.2 : Correspondance entre SET sensation et état physiologique [19] II.2.2 Le confort visuel 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). Terme Définition La quantité d'énergie émise par une source sous forme de Flux lumineux rayonnement visible dans toutes les directions par unité de temps Intensité Mesure de l'importance du flux lumineux émis dans une direction donnée par une source ponctuelle. Symb Unité Lumen F (lm) I Candela 30 Chapitre I Les Bâtiments intelligents Lumineuse Luminance (cd) Mesure de l'aspect lumineux d'une surface éclairée ou d'une source, dans une direction donnée et dont dépend la sensation visuelle de luminosité. L’appareil de mesure : luminancemètre L cd / m² Lux (lx), 1 Eclairement lumineux La quantité de lumière reçue sur une surface d’un mètre carré. L’appareil de mesure : luxmètre. E Lux = 1 Lumen/m Contraste Appréciation subjective de la différence d'apparence entre deux parties du champ visuel vues simultanément ou successivement. Il peut s'agir d'un contraste de couleur, d'un contraste de luminance. C Tableau II.3 : Variables constituant les éléments de grandeurs qualifiants du confort visuel II.2.2.1 Le spectre lumineux 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. FLJ= E int 100 E ext (II.5) 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. Figure II.2 : Diagramme de Kruithof 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. UGR=8 log 0,25 n L2i ω L b i=1 p 2 (II.6) Lb : luminance de fond (en candela/m²) p: facteur de Guth, fourni dans des tables spécifiques, représentant la position d'une source par rapport à l'axe vertical. Li : Luminance de la source d’éblouissement (en candela/m²) ω: angle solide des parties lumineuses de chaque luminaire au niveau de l'œil de l'observateur. UGR Sensation 10 Perceptible 16 Acceptable 22 Inconfortable 28 Intolérable Tableau II.4: Echelle d'inconfort associée à l'UGR [2] 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 Zones Luminosité UGR Indice de rendu Zone de circulation et couloirs 100 28 40 Escaliers 150 25 40 Magasins, entrepôts 100 25 60 Magasins de vente 300 22 80 Zone de caisse 500 19 80 Espaces publics, halls d’entrée 100 22 80 Guichets 300 22 80 300 22 80 500 22 80 500 19 80 Salle de conférences 500 19 80 Salle de dessin industriel 750 16 80 – classement 300 19 80 dactylographie, lecture 500 19 80 poste CAO 500 19 80 – reception 300 22 80 – archives 200 25 80 Restaurants, hôtels Réception, caisse, concierge Cuisines Bâtiments scolaires - Salles de classe en primaire et secondaire Eclairage des bureaux : Tableau II.5: Valeurs de la norme NF EN 12464-1 II.2.3 La qualité de l’air 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 Tableau II.6 : Sources courantes de pollution de l’air et polluants associés La ventilation d’un bâtiment et le respect des taux réglementaires de renouvellement d’air sont indispensables pour : Éliminer les pollutions nocives ou toxiques de l’air Préserver la santé et le confort des occupants Prévenir certaines pathologies du bâtiment liées à l’humidité par exemple (condensation, moisissures), ainsi que les produits conservés à l’intérieur Le système de CVC (Chauffage, ventilation, climatisation), par exemple, doit fournir des quantités adéquates d’air extérieur en fonction des taux d’occupation et des activités qui ont lieu à l’intérieur de l’immeuble (normes de l’ASHRAE). Le taux minimal de ventilation doit être maintenu continuellement pendant l’occupation : le volume d’air extérieur ne doit jamais tomber sous 7,5 L/s par personne et les bureaux doivent recevoir 10 L/s par personne. II.2.3.1 Mesure de la qualité de l’air L’évaluation de la qualité de l’air intérieur (QAI) vise à isoler et à atténuer un ou plusieurs problèmes liés à l’environnement. L’approche est orientée vers la recherche de solutions et la réduction systématique de l’éventail des possibilités. L’évaluateur doit étudier soigneusement les indices pour résoudre le problème. La plupart des plaintes, particulièrement dans les petits bâtiments, peuvent être réglées sur place par une personne qui comprend l’exploitation de l’immeuble et les aspects techniques de la QAI. L’évaluation se fait généralement dans le cadre 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 PDodeurs =395e Ci0,25 (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 : Pins =395 e-15,15(CO2 int -0,25 -COext 2 ) (II.8) Où : Pins: pourcentage d’insatisfaits lié aux odeurs de l’air intérieur (%) CO2int, CO2ext: concentration intérieure et extérieure de CO2 (ppm) II.2.4 Le confort acoustique La notion de "confort acoustique", comme celle de "qualité d’ambiance sonore" d’un lieu, peut être appréhendée en ayant recours à deux dimensions ou facettes complémentaires. La qualité et quantité d’énergie émise par les sources, et la qualité et quantité des événements sonores du point 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]. II.3 L’approche adaptative Pour le confort thermique dans les bâtiments, une autre approche a été développée. Cette approche, dite adaptative, [24] est basée sur les résultats des enquêtes menées dans des bâtiments in situ dont l’objectif est de créer une large base de données sur les conditions thermiques dans différents types de bâtiment, pour climats et régions distincts, par la mesure des valeurs physiques de l’ambiance thermique. Ces valeurs sont liées aux réponses subjectives des occupants sur la qualité de leurs ambiances thermiques. Les occupants indiquent, au moment de la mesure, leurs sensations thermiques sur l’échelle de l’ASHRAE. Cette base de données est étudiée par des méthodes statistiques pour déterminer une combinaison de variables (température, humidité et vitesse d’air) jugées neutre ou confortable par les occupants, ce qui permet, par la suite, la définition des conditions de confort thermique dans d’autres bâtiments dans des circonstances similaires. L’approche adaptative a commencé à susciter plus d’intérêt lorsque les chercheurs ont montré qu'en appliquant les indices établis par l’approche analytique à leur base de données, le confort prévu ne correspondait pas toujours au confort perçu par les occupants. L’écart était plus marqué dans les bâtiments non climatisés que dans ceux climatisés. En effet, les conditions dans ces derniers s’approchent souvent des conditions statiques des chambres climatiques qui ont servi pour développer les outils de l’approche analytique [25]. Par contre, dans les bâtiments non climatisés, les conditions sont dynamiques et suivent les changements du climat extérieur. La plage de confort trouvée dans ces bâtiments est plus large que celle donnée par les outils de l’approche analytique [26]. Pour expliquer ces résultats, certains chercheurs ont adoptés la thèse de l’adaptation selon laquelle des facteurs en dehors de la physique et la physiologie influencent la perception du confort thermique [26]. Il s’agit du contexte dans lequel se déroulent les études, notamment le climat, la région et le type du bâtiment. En effet, au lieu de subir les conditions de son ambiance, l’occupant réagit en s’adaptant à son ambiance. Cette approche met en doute la causalité linéaire de l’approche analytique (physique, physiologie, confort). L’adaptation s’exprime par des boucles de rétroaction (comportementale, physiologique et psychologique) qui se met en œuvre face à une situation 38 Chapitre I d’inconfort. Les Bâtiments intelligents Ces boucles peuvent être les réactions comportementales, l’acclimatation, l’accoutumance ou les attentes des occupants. II.3.1 Le principe de l’adaptation Le principe de l’approche adaptative est le suivant : « Si un changement se produit de manière à produire de l’inconfort, les individus réagissent dans un sens qui tend à restaurer leur confort » [24], l’ensemble de ces réactions constituent la base de l’adaptation. Un occupant aura donc plus de possibilités de se trouver dans une situation de confort dans un bâtiment offrant plus de moyens d’adaptation (ouverture de fenêtres, ventilateur, store…). Comme dans les chambres climatiques, les conditions d’ambiance sont imposées aux individus, les conditions de confort établies ne tiennent pas compte de l’interactivité de l’occupant et sa capacité d’adaptation, ce qui est également le cas des bâtiments climatisés [25]. De Dear définit trois catégories d’adaptation selon leurs natures : comportemental, physiologique et psychologique [27]. Figure II.3 : Les mécanismes d’adaptations [15] 39 Chapitre I Les Bâtiments intelligents II.3.1.1 La boucle comportementale Les adaptations comportementales (ajustements) ont un effet direct dans le jugement des ambiances et la tenue du confort thermique. Ces ajustements sont plus ou moins intentionnels comme ils peuvent devenir le contraire dans un contexte particulier (perturbation). Ils peuvent être classifiés en quatre classes selon leurs effets [15] : Modifier la production de chaleur interne (réduire ou augmenter le niveau d’activité, faire une sieste, prendre une boisson chaude ou froide) Modifier les échanges de chaleur du corps avec l’environnement (ajouter/enlever une pièce de vêtement, augmenter/réduire la surface d’échange en modifiant la posture) Modifier les conditions de l’ambiance thermique (ouvrir ou fermer une fenêtre ou un store, ajuster le thermostat, déclencher un ventilateur, un climatiseur ou un chauffage d’appoint, etc.) Changer l’environnement thermique (se déplacer vers une autre pièce, renforcer l’isolement thermique des locaux, installer un store, un ventilateur de plafond, ou un climatiseur, etc.) L'adaptation comportementale représente le feedback le plus immédiat lié à l'environnement thermique. En termes simples, si une personne est mal à l'aise ou prévoit de le devenir, elle prendra des mesures correctives (interactions adaptatives). Ce qui a été considéré comme conséquence finale dans le modèle de bilan thermique statique (la sensation consciente de l'inconfort thermique), devient le point de départ de ce feedback dans le modèle adaptatif. Figure II.4 : Le feedback comportemental [27] II.3.1.2 La boucle physiologique L’acclimatation physiologique au froid est principalement associée au maintien de température plus chaude de la peau et l'augmentation de la production interne de chaleur, même si on ne sait pas dans quelle mesure l'augmentation du taux métabolique peut se produire sans frissons. Autrement, l'adaptation au froid est essentiellement comportementale. La réponse physiologique de prolonger le stress thermique induite par un régime de travail dans un climat chaud est une capacité accrue de la transpiration pour une charge thermique donnée. 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. Figure II.5 : Le feedback physiologique [27] II.3.1.3 La boucle psychologique La boucle psychologique englobe l’aspect cognitif et culturel de l’adaptation à travers les notions de l’accoutumance et de l’expectative qui peuvent influencer la perception thermique [27]. C’est surtout cet aspect de l’adaptation qui est exclu par les expérimentations dans les chambres climatiques. Il permet d’expliquer en partie des écarts obtenus dans les études in situ entre le confort prévu par les indices rationnels et le confort réel qui est plus proche des conditions réelles rencontrées, surtout dans les bâtiments à ventilation naturelle. Selon Humphreys, les personnes s’accoutument aux conditions rencontrées dans leurs lieux de vie habituels [24]. Elles ont une sensation chaude si l’ambiance est plus chaude que d’habitude, et froide si elle est plus froide que d’habitude. Cette adaptation par accoutumance dépend du passé thermique (expérience et mémoire) de chaque individu qui lui sert de références pour évaluer son environnement. Sa réponse, et ses réactions, dépendront de ses expectatives et de sa personnalité [27]. Figure II.6 : Le feedback psychologique [27] II.4 Le confort multi-sensoriel dans les bâtiments Plusieurs travaux de recherche ont montré l’existence de liens entre les différents types de confort. Nous pouvons remarquer, par exemple, que les sources lumineuses telles que les projecteurs peuvent être considérés comme des sources thermiques. Ces liens, créent une difficulté augmentée pour l’obtention d’un environnement intérieur confortable, à cause de l’intégration de ces liens dans les différents modèles conçus. 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 Dans ce chapitre, nous avons présenté un état de l’art concernant la modélisation de différents types de confort sous deux approches : analytique et adaptative. L’approche analytique considère le confort thermique à travers le calcul du bilan thermique du corps humain, ce calcul prédit le niveau de confort à travers des paramètres déterminés par les expérimentations en chambres climatiques. Cependant, ces indices ne peuvent pas prédire les conditions de confort rencontrées dans les études in situ. La subjectivité du confort a donné lieu à une nouvelle approche dite adaptative, dont nous avons présenté les trois catégories d’adaptation selon leurs natures : comportemental, physiologique et psychologique. Cependant, ces approches se sont focalisées uniquement sur le confort thermique et ne prennent pas en compte les interactions entre les différents types de conforts. Dans la dernière section, la notion du confort multi-sensoriel a été introduite. L’état de l’art a montré que les études faites sont souvent subjectives et ne reposent pas sur des grandeurs physiques mesurables et de plus, les liens existant entre les différents types de confort n’ont pas été abordés dans ces travaux. 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’intelligence artificielle dans les bâtiments III.1 Introduction 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 rétropropagation, 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 L’intelligence artificielle dans les bâtiments Chapitre III III.2 Le contrôle dans les bâtiments La régulation du climat du bâtiment est un problème à plusieurs paramètres n’ayant pas de solution unique, particulièrement dans les bâtiments solaires. Plus précisément, les objectifs d'un système de gestion intelligente de l'énergie et du confort sont les suivants: Haut niveau de confort: Apprendre la zone de confort à partir des préférences de l'utilisateur, garantir un niveau élevé de confort (thermique, de la qualité de l'air et l'éclairement) et une excellente performance dynamique. Les économies d'énergie: Combiner le contrôle des conditions de confort avec une stratégie d'économie d'énergie. Contrôle de la qualité de l'air: Fournir un système de contrôle de la ventilation (Contrôle de la concentration du CO2) La satisfaction des besoins ci-dessus exige un contrôle des actionneurs suivants: Systèmes d'ombrage, pour contrôler le rayonnement solaire de la lumière naturelle et réduire l'éblouissement L’ouverture de Fenêtres pour la ventilation naturelle ou systèmes de ventilation mécanique, pour contrôler la circulation d'air naturelle et le changement de l'air intérieur. Systèmes d'éclairage électrique Systèmes de chauffage / refroidissement auxiliaires. 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 L’intelligence artificielle dans les bâtiments Chapitre III Les différentes approches de conception des systèmes de contrôle des environnements intérieures des bâtiments peuvent être classées dans les catégories suivantes: 1. les méthodes classiques 2. les techniques de l'intelligence computationnelle 3. les systèmes de contrôle intelligents à base de systèmes multi-agents. Cependant, il faut noter que le chevauchement entre ces catégories est inévitable. Par exemple, les algorithmes génétiques peuvent régler un contrôleur flou, ou un agent de contrôle peut être développé par la logique floue. III.2.1 Les contrôleurs Classique PID 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 L’intelligence artificielle dans les bâtiments Chapitre III Figure III.1 : Schéma d’un contrôleur PID La fonction de transfert est donnée par : 1 C p =G 1+ +Td ×p T×p i (III.1) Où Ti et Td sont des constantes de temps et G est le gain de la partie proportionnelle. Les différents paramètres à déterminer sont G, Ti et Td pour réguler la grandeur physique du procédé ayant pour fonction de transfert H(s). Il existe de nombreuses méthodes pour trouver ces paramètres. Cette recherche de paramètre est communément appelée synthèse. Pour ces trois paramètres, le réglage au-delà d'un seuil trop élevé a pour effet d'engendrer une oscillation du système de plus en plus importante menant à l'instabilité. L'analyse du système avec un PID est très simple mais sa conception peut être délicate, voire difficile, car il n'existe pas de méthode unique pour résoudre ce problème. Il faut trouver des compromis, le régulateur idéal n'existe pas. En général, on se fixe un cahier des charges à respecter sur la robustesse, le dépassement et le temps d'établissement du régime stationnaire. Les méthodes de réglage les plus utilisées en théorie sont les méthodes de Ziegler-Nichols (en boucle ouverte et boucle fermée), la méthode de P.Naslin (polynômes normaux à amortissement réglable), la méthode du lieu de Nyquist inverse (utilise le diagramme de Nyquist). Dans le contexte des bâtiments, les paramètres du régulateur s’adaptent en fonction du comportement du système, ce qui peut être efficace lors de l’installation du matériel. La non-linéarité des différents types d’équipements HVAC constitue un autre inconvénient dans l’autoréglage. Ainsi, la prise en compte des connaissances particulières des équipements thermiques utilisés dans les bâtiments exige l’emploi d’un niveau supérieur de contrôle, qui ne peut plus être synthétisé sous la forme d’un simple contrôleur PID. Les principales connaissances supplémentaires qui peuvent être utilisées sont les 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. III.2.2 Les contrôleurs à base de l’intelligence computationnelle La nécessité d'obtenir des économies d'énergie et de garantir des conditions de confort, en tenant compte les préférences des utilisateurs, a conduit les chercheurs à développer des systèmes intelligents de gestion de l'énergie dans les bâtiments (Building Intelligent Energy Management Systems-BIEMS), principalement pour les grands bâtiments comme les immeubles administratifs, les hôtels, les bâtiments publics et commerciaux, etc. Ces systèmes sont conçus pour surveiller et contrôler les paramètres environnementaux de microclimat du bâtiment et de réduire au maximum la consommation d'énergie et les coûts opérationnels. Un grand nombre de travaux concernant l'application de techniques floues sur BIEMS peut être trouvé dans la littérature. Les résultats sont plus probants que ceux des systèmes de contrôle classiques. La nécessité d'un modèle mathématique du fonctionnement d'un bâtiment qui est un obstacle à l'application des méthodes de contrôle classiques dans les bâtiments, constitue une innovation générale dans le développement de systèmes automatiques de contrôle. En intégrant des variables de haut niveau qui définissent le confort dans les contrôleurs intelligents, il était possible de contrôler le confort sans entrer dans le contrôle des variables de niveau inférieur, comme la température, l'humidité et la vitesse de l'air. Dans de tels systèmes, l'utilisateur commence à participer dans la spécification du confort souhaité. Les algorithmes et méthodes génétiques provenant de la théorie du contrôle adaptatif sont utilisés pour optimiser les contrôleurs flous. Le contrôle à base de la logique floue a été utilisé par exemple, dans une nouvelle génération de contrôleurs de four qui appliquent le contrôle adaptatif de chauffage afin de maximiser à la fois l'efficacité énergétique et le confort dans un système de chauffage de maison individuelle [30]. Le développement de contrôleurs flous pour contrôler le confort thermique, le confort visuel, la ventilation naturelle, et le contrôle combiné de ces soussystèmes a conduit à des résultats remarquables [31]. 48 L’intelligence artificielle dans les bâtiments Chapitre III III.2.2.1 Le contrôleur FLC 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). Figure III.2 : Schéma général d’un contrôleur flou (FLC) 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 L’intelligence artificielle dans les bâtiments Chapitre III symbolique (variables floues). Autrement dit un fuzzificateur a pour effet de transformer les données mesurées nettes (par exemple, la vitesse est de 10 m/h) en valeurs linguistiques appropriées (par exemple, la vitesse est trop lente). Figure III.3 : Fonctions d'appartenance pour les entrées PMV, concentration de CO2 et l’éclairement d’un contrôleur PID flou [34]. b) La base de connaissance : La base de connaissance comprend une connaissance du domaine d’application et les buts du contrôle prévu. Elle est composée de : - La base de règles floues stockant la connaissance empirique du fonctionnement du processus des experts du domaine. - La base de règle constituant un ensemble d’expressions linguistiques structurées autour d’une connaissance d’expert, et représentée sous forme de règles : 50 L’intelligence artificielle dans les bâtiments Chapitre III Si < condition > Alors < conséquence > c) La défuzzification : C'est l'opération inverse de la fuzzication, qui consiste à transformer un nombre flou B en une grandeur numérique y0. d) Règles d’inférence floue : Le moteur d'inférence est le noyau d'un FLC, et il a la capacité de simuler la prise de décision humaine en effectuant un raisonnement approximatif pour atteindre une stratégie de contrôle souhaitée. Les règles d'inférence peuvent être décrites de plusieurs façons, linguistiquement, symboliquement ou bien par matrice d'inférence, dans ce dernier cas, une matrice dite d’inférence rassemble toutes les règles d'inférence sous forme d’un tableau. Dans le cas d'un tableau à deux dimensions, les entrées du tableau représentent les ensembles flous des variables d'entrées [32]. L'intersection d'une colonne et d'une ligne donne l'ensemble flou de la variable de sortie définie par la règle. 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. Figure III.5 : Schéma d’un contrôleur de boucle de luminosité et thermique [35] 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 L’intelligence artificielle dans les bâtiments Chapitre III 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) +(fuzzy_roll_winter/100×(100-T_error)×0.5) (III.2) III.2.2.2 Contrôleurs de réseau de neurones 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]. Figure III.6 : Schéma d’un contrôleur de réseaux de neurones [38] 53 L’intelligence artificielle dans les bâtiments Chapitre III Ce contrôleur dispose de deux entrées et une sortie: e : L'erreur entre valeur de consigne de PMV et la valeur de retour, 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 1+exp(-υ 2 ) (III.4) u=φ(υ)= w ij E E PMV u E u w ij PMV u w ij PMV w ij (III.5) Où est l'entrée de la couche de sortie du RN; w11 et w12 sont les poids synaptiques; w13 est le poids synaptique de l'entrée fixe b = 1; ( ) est la fonction d'activation (fonction sigmoïde unipolaire); u est la sortie de la couche de sortie; et est le paramètre de learningrate. L’apprentissage d’un réseau de neurone est essentiellement l’ajustement de ces coefficients de poids de manière à optimiser les fonctions de coûts. La détermination des poids de ces interactions entre les neurones est basée de l’algorithme de descente de gradient. Au début, cet algorithme assigne des valeurs aléatoires aux poids du réseau, les deux signaux de l’entrée du contrôleur sont obtenus et la sortie est calculée. Par la suite, l’algorithme met à jour les poids ainsi que le signal de sortie. III.2.2.3 Contrôleurs à base d’agents intelligents 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 L’intelligence artificielle dans les bâtiments Chapitre III 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 L’intelligence artificielle dans les bâtiments Chapitre III Il est capable de percevoir l'environnement local. Il est guidé par des objectifs de base. Il a des comportements de rétroaction (feedback). En général, La conception d'un système de contrôle multi-agent est réalisée en trois étapes [45]: La Structuration: qui permet de décomposer l'ensemble du problème dans un ensemble de problèmes partiels indépendants. La Résolution des sous-problèmes individuels: qui permet de résoudre les problèmes partiels par la conception d’agents contrôleurs qui savent comment résoudre ces problèmes. La combinaison des solutions individuelles: qui permet de regrouper l'ensemble des agents mis en œuvre en un ensemble cohérent pour coordonner leurs activités. Dans les bâtiments intelligents, le contrôle des conditions de confort et, simultanément, la conservation de l'énergie dans ces bâtiments est assuré par le développement de systèmes intelligents. Mo et Mahdani [46] ont développé une plateforme à base d'agents, pour les opérateurs et occupants individuels de bâtiments, pour négocier leurs activités de contrôle. Dounis et Caraiscos [44] ont proposé l'utilisation d'un superviseur intelligent qui coordonne la coopération optimale des agents contrôleurs locaux. Le résultat est que le contrôle total est atteint, les préférences des occupants sont satisfaites, les conflits sont évités et la consommation d'énergie est conditionnellement minimisée. Dans un bâtiment, les variables contrôlées sont l’indice PMV, le niveau d'éclairement (lux), et la concentration de CO2 (ppm). Les actionneurs qui sont utilisés sont le système auxiliaire de chauffage / refroidissement, la ventilation mécanique, l'ombrage, et l'éclairage électrique. Pour contrôler tout le fonctionnement de l'immeuble, cinq contrôleurs intelligents et locaux sont développés et optimisés hors ligne en utilisant des algorithmes génétiques. Ces cinq contrôleurs de niveau inférieurs sont guidés par un coordonnateur intelligent de niveau supérieur. Figure III.7 : Schéma du système contrôlé, les contrôleurs-agents et le coordinateur intelligent [38] 56 L’intelligence artificielle dans les bâtiments Chapitre III Les entrées et sorties des contrôleurs locaux sont : Contrôleurs FCA1 et FCA2 : les entrées sont l’erreur d'éclairage et son taux de variation. Les sorties sont les signaux de contrôle de l’ombrage et de l'éclairage électrique. Contrôleurs FCA3 et FCA4 : Les entrées sont l’erreur PMV et son taux de variation, les sorties sont les signaux de contrôle du système de chauffage / refroidissement. Contrôleur FCA5 : les entrées sont la concentration de CO2 et son taux de variation, la sortie est le signal de contrôle de la ventilation mécanique. L'opération de communication d'un contrôleur-agent avec son environnement est indiquée sur la figure III.7. Pour chaque agent contrôleur FCAi, il y a un signal d’activation wi f inputsi , qi , où la variable q i désigne l'état d de l’agent contrôleur, et le signal d'acquittement i qui rend l’agent contrôleur actif ( qi 1 ) ou non ( qi 0 ). Dans chaque période (échantillon ou pas de temps), l'agent contrôleur effectue une série de tâches de communication. Tout d'abord, il reçoit un échantillon de mesures et l'utilise pour calculer le signal d’activation wi et par la suite envoie ce signal au coordinateur/superviseur. Ce signal 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 L’intelligence artificielle dans les bâtiments Chapitre III III.3 Les réseaux bayésiens : Les modèles graphiques probabilistes, et plus précisément les réseaux bayésiens, initiés par Judea Pearl dans les années 1980 [47], sont des outils de représentation de la connaissance qui permettent de calculer des probabilités conditionnelles portant des solutions à différentes sortes de problématiques telles que la décision, la prédiction etc. La structure d’un réseau bayésien est un graphe dont les nœuds représentent des variables aléatoires, et les arcs (le graphe est orienté) reliant ces variables sont rattachés à des probabilités conditionnelles (table de paramètres). Notons que le graphe est acyclique. Formellement, un réseau bayésien B (G , ) est défini par : G (X , E ) est un graphe dirigé sans circuit dont les sommets représentent un ensemble de variables aléatoires X X 1 , X 2 ,..., X n P (X i Pa(X i )) est la matrice des probabilités conditionnelles du nœud i connaissant l’état de ses parents Pa(Xi) dans G. La partie graphique du réseau bayésien indique les dépendances (ou indépendances) entre les variables et donne un outil visuel de représentation des connaissances, outil plus facilement appréhendable par ses utilisateurs. De plus, l’utilisation de probabilités permet de prendre en compte l’incertain, en quantifiant les dépendances entre les variables. Un réseau bayésien B (G , ) représente une distribution de probabilité sur X dont la loi jointe globale peut se simplifier d’une manière compacte : P( X 1 , X 2 ,...,X n ) i1 P( X i Pa( X i )) n (III.6) Cette décomposition de la loi jointe globale en un produit de termes locaux dépendant uniquement du nœud considéré et de ses parents dans le graphe, est une propriété fondamentale des réseaux bayésiens. Elle est à la base des premiers travaux portant sur le développement d’algorithmes d’inférence, qui calculent la probabilité de n’importe quelle variable du modèle à partir de l’observation même partielle des autres variables. Ces méthodes de propagation d’information dans un graphe utilisent évidemment la notion de probabilité conditionnelle, i.e. quelle est la probabilité de Xi sachant que j’ai observé Xj , mais aussi le théorème de Bayes, qui permet de calculer, inversement, la probabilité de X j sachant Xi, lorsque P (X i X j ) est connu. La modélisation d’un système par un réseau bayésien, puis l’utilisation d’algorithmes d’inférence, ont fait des réseaux bayésiens des outils idéaux pour le raisonnement ou le diagnostic à 58 L’intelligence artificielle dans les bâtiments Chapitre III 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. III.3.1 Apprentissage des paramètres d’un réseau bayésien Nous présentons ici des méthodes d’estimation de distributions de probabilités (les paramètres) à partir de données disponibles. Nous décrirons ici les méthodes les plus utilisées dans le cadre des réseaux bayésiens, selon que les données à notre disposition sont complètes ou non. III.3.1.1 Apprentissage statistique : 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 : Pˆ ( X i xk Pa( X i ) x j ) ˆ jMV , j ,k N i , j ,k N i , j ,k k (III.7) Où N i , j , k est le nombre d’événements dans la base de données pour lesquels la variable X i est dans l’état x k et ses parents sont dans la configuration x j . 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 L’intelligence artificielle dans les bâtiments Chapitre III La vraisemblance de l’ensemble des données D est : N n N l 1 i 1 l 1 L( D ) P ( X x (l ) ) i , j ( l ),k ( l ) (III.9) 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 : qi n N n i 1 l 1 i 1 ri L( D ) i , j (l ),k (l ) i , ji,,kj ,k N (III.10) j 1 k 1 La log-vraisemblance s’écrit alors : n qi ri L L( D ) log L( D ) Ni , j ,k log i , j ,k (III.11) i 1 j 1 k 1 Nous savons aussi que les i , j , k sont liés par la formule suivante : ri 1 ri i , j ,k 1 soit k 1 i , j ,r 1 i , j ,k i k 1 Réécrivons la log-vraisemblance à partir des i , j , k indépendants : ri 1 n qi ri 1 L L( D ) N i , j ,k log i , j ,k N i , j ,ri log 1 i , j ,k i 1 j 1 k k 1 (III.12) Et sa dérivée par rapport à un paramètre i , j , k est : N i , j ,ri N i , j ,k N i , j ,ri LLD N i , j ,k ri 1 i , j ,k i , j ,k i , j ,k i , j ,ri 1 i , j ,k k 1 (III.13) 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 ˆ ˆ i , j ,k k 1,...,ri 1 (III.14) i , j ,ri Soit ri N i , j ,ri kri 1 N i , j , k N i , j ,1 N i , j ,2 ... ri N i , j ,k ˆi , j ,1 ˆi , j ,2 ˆi , j ,ri k 1ˆi , j ,k k 1 (III.15) 60 L’intelligence artificielle dans les bâtiments Chapitre III D’où ˆi , j ,k N i , j ,k k 1,...,ri ri N k 1 i , j ,k (III.16) III.3.1.1 Apprentissage bayésien 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) Lorsque la distribution de l’échantillon suit une loi multinomiale, la distribution a priori conjuguée est la distribution de Dirichlet : P qi n ri i , j , k 1 (III.18) i , j ,k i 1 j 1 k 1 où i , j , k sont les coefficients de la distribution de Dirichlet associée à la loi a priori 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 i 1 (III.19) 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 : Pˆ ( X i xk Pa( X i ) x j ) ˆiMAP , j ,k N i , j ,k i , j ,k 1 (N k Où i , j ,k i , j ,k i , j ,k 1) (III.20) 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] : Pˆ ( X i xk Pa( X i ) x j ) ˆiEAP , j ,k N i , j ,k i , j ,k (N k i , j ,k i , j ,k ) (III.21) 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 Modélisation bayésienne d’un contrôleur adaptatif pour le bâtiment 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 IV.2 Structuration du projet PENATES en tâches 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 IV.3 L’appartement DOMUS L’appartement Domus est un espace de recherche destiné à l’étude des usages au sein de l’habitat intelligent. L’objectif, lors de la construction de Domus, était de disposer d’un appartement intelligent, intégré dans un environnement propice à l’expérimentation orientée usage. Le cahier des charges peut se résumer ainsi : Domus doit être un appartement réaliste, aussi bien au niveau de la configuration des pièces, du mobilier que de l’équipement. Il doit être complètement adaptable pour pouvoir modifier aisément le comportement de l’équipement ou intégrer de nouveaux équipements. Enfin, l’appartement doit disposer d’une instrumentation permettant de fournir un ensemble de données sur l’usage avec le même niveau de qualité et de complétude qu’un laboratoire d’utilisabilité [2]. Domus fait partie de la plateforme LIG/Multicom qui est utilisée comme support aux expérimentations réalisées par l’équipe elle-même ou en collaboration avec d’autres équipes de recherche, qu’elles soient originaires du laboratoire LIG ou non. Comme l’illustre la figure IV.1 la plateforme est constituée de six espaces. Un premier espace central, donnant sur l’entrée de la plateforme, a pour rôle principal l’accueil des sujets et des visiteurs (accueil des participants). À partir de cet espace, il est possible d’accéder directement à tous les autres espaces de la plateforme. Un espace est notamment réservé pour les démonstrations des nouveaux dispositifs d’interaction réalisés par l’équipe (espace démos). L’espace d’expérimentation lui-même est constitué de trois pièces : une salle d’expérimentation, un plateau d’expérimentation, et une régie destinée à recueillir les flux d’informations en provenance des deux autres espaces d’expérimentation. Le plateau constitue un espace modulaire de simulation d’environnements interactifs. Il permet l’aménagement d’expérimentations nécessitant une surface importante. La plateforme a, par exemple, été utilisée pour évaluer de nouveaux dispositifs de médiation avec les visiteurs. Pour cela, trois salles d’un Muséum ont été reconstituées de manière réaliste sur la plateforme, en utilisant les véritables collections d’un musée. Actuellement, la plateforme est utilisée en partie (2/5èmes) pour l’appartement Domus. 65 Chapitre IV Modélisation bayésienne d’un contrôleur adaptatif pour le bâtiment Figure IV.1 : La plateforme MultiCom 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.2: La plateforme DOMUS 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 DMX512 pour l’éclairage d’ambiance ZigBee « Green Power » pour des mesures énergétiques localisées Figure IV.4: La diversité des technologies et des services présents à Domus [2] La raison d’être de l’appartement Domus est de fournir un environnement propice à l’évaluation des usages dans l’habitat intelligent. Pour remplir son objectif, Domus doit à la fois être construit comme un habitat réaliste et inclure des instruments nécessaires à l’observation de l’activité des habitants au sein de l’appartement. Cette observation repose sur deux approches différentes [2]. En premier lieu, l’appartement dispose d’un système « classique » d’observation basé sur six caméras IP haute résolution avec microphones intégrés. Situées au plafond, pour plus de discrétion, ces caméras permettent d’observer l’activité des occupants. Elles sont utilisées principalement lors des phases de mise au point et lors des expérimentations de courte durée. De plus, un système permet de les couper électriquement via un interrupteur général avec voyant de contrôle visible par le sujet. Une régie de contrôle numérique « régie multimédia » permet de gérer les caméras et les enregistrements. En second lieu, un système de traces numériques permet de capturer l’ensemble des événements induits par les commandes des systèmes de l’appartement, qu’ils aient pour origine les actions de l’utilisateur (par exemple : l’action sur un bouton), ou les décisions des systèmes intégrés à l’appartement (par exemple : le changement d’ambiance lumineuse à l’initiative du contrôleur de confort). Tous ces événements, représentant l’évolution de l’état de l’appartement, sont capturés. IV.4 La modélisation bayésienne d’un bâtiment intelligent Le travail a pour but d’étudier et de modéliser la notion de confort dans un bâtiment intelligent eu égard aux économies d’énergie. Avec le « développement durable » les économies 68 Chapitre IV Modélisation bayésienne d’un contrôleur adaptatif pour le bâtiment d’énergie dans le bâtiment deviennent incontournables. Nous sommes convaincus que l’acceptabilité de ces économies auprès des occupants passe par la garantie qu’ils aient un confort égal ou supérieur. Dans le contexte d’étudier le problème de perception multisensorielle liée au confort et de développer des technologies mettant en œuvre des solutions pérennes consistant à mettre un système de régulation multiparamétrique et intelligent des ambiances d’une pièce (DOMUS) prenant en compte les variables environnementales (issues d’un réseau de capteurs), nous travaillons à concevoir ce système par la modélisation multiparamétriques du confort en utilisant des méthodes probabilistes d’apprentissage automatique (les réseaux bayésiens) qui sont bien adaptées. La fouille de données qui nous intéresse est d'abord de classifier les comportements des sujets et ensuite de prédire suivant certains paramètres le comportement à avoir devant certaines situations. Ce système aura la capacité de s’adapter en permanence après une phase d’apprentissage initiale. Il ne s’agit pas de travailler directement sur les économies d’énergie ni sur les infrastructures des bâtiments mais d’optimiser l’utilisation des ressources existantes (éclairage, sonorisation, chauffage/climatisation, services, appareillages) pour obtenir un confort maximal. Controlleur bayésien adaptatif Actionneurs Prediction des actions adaptatives Evaluation de l’inconfort Prétraitement de données Capteurs, Camera,RFID… Evaluation de l’ambiance Plateforme (DOMUS) Figure IV.5: Le Système Adaptatif proposé 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. IV.4.1 Processus de la modélisation du confort multisensoriel et le comportement adaptatif par les réseaux bayésiens Dans cette section, nous expliquons comment modéliser le confort multisensoriel et le comportement adaptatif d’un occupant par les RB, en exploitant l’historique des observations (expérimentations) réalisées dans l’appartement DOMUS. Notre approche comprend trois étapes principales : 1) Prétraitement des données d’observations : cette étape concerne le prétraitement de l’historique des observations. Le résultat de cette étape est un ensemble de données formatées. 2) Construction du RB : dans cette étape, nous définissons la structure de notre modèle bayésien, puis nous estimons la distribution des probabilités de chaque variable du RB. 3) Prédiction de l’inconfort et les interactions adaptatives : dans cette étape nous prédisons l’inconfort multisensoriel et les actions adaptatives qui réduisent l’inconfort par l’application des mécanismes d’inférence des RB. IV.4.1.1 Prétraitement des données d’observations Afin de construire notre base de données d’apprentissage visant à modéliser le confort multisensoriel et les interactions des occupants, nous avons utilisé le corpus réalisé par Galissot [2] dans la tâche 2 du projet PENATES. Pour enrichir notre base de données, nous avons effectué de nouveaux scénarios, suivant le même protocole utilisé dans [2]. Ces expérimentations ont plusieurs objectifs. En premier lieu, il s’agit d’étudier la perception subjective des habitants, selon divers critères, afin de cerner leur comportement face au confort d’ambiance. En second lieu, nous nous sommes intéressés à la mesure, au sein d’un habitat intelligent, de l’inconfort des habitants en fonction de leur comportement. Afin de valider le modèle de perception du confort des habitants, nous avons préparé et conduit une suite d’expérimentations qui se sont déroulées au sein de l’appartement Domus qui présente l’avantage d’être doté d’un nombre important de capteurs, et plus largement d’objets 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. Grandeur Echelle de perception Confort Général Confort thermique Confort Visuel Très désagréable à très agréable Qualité de l’air Confort Acoustique Tableau IV.1: Echelle de confort Grandeur Echelle de perception Température Très froid à très chaud Humidité Très humide à très sec Luminosité Très sombre à très lumineux Ventilation Trop faible à trop fort 71 Chapitre IV Modélisation bayésienne d’un contrôleur adaptatif pour le bâtiment Odorat Très désagréable à très agréable Son Très désagréable à très agréable Tableau IV.2: Echelle de perception 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). Figure IV.6: Déroulement temporel d'une expérimentation Le premier scénario de l’expérimentation (S1) est localisé dans le bureau de l’appartement. Les caractéristiques de ce scénario sont de produire une situation de quasi-travail, situation dans laquelle le sujet est en posture assise et concentré sur la tâche qu’il doit effectuer. Le dispositif en place a pour but de préparer l’environnement pour une activité demandant un certain niveau de concentration. Le deuxième scénario de l’expérimentation (S2) est situé dans la chambre. L’objectif de ce scénario est de produire une situation de détente. Pour ceci, la tâche qui était demandée au sujet était de visionner la télévision, ayant accès à une vidéothèque de documentaires. Aucune posture particulière n’était imposée, les sujets se plaçaient dans la posture qu’ils jugeaient la plus confortable. Enfin, le troisième scénario (S3) consistait à produire une situation où le sujet était actif physiquement, mais pour laquelle l’attention nécessaire n’était pas maximale. Pour ceci, et dans le 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 Figure IV.7: Interface de contrôle des modalités visuelles et sonores Figure IV.8: Interface mobile de réponse au questionnaire commun aux expérimentations 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. ° 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 Date Sexe Age 24/03/2011 09:00 28/03/2011 09:00 28/03/2011 17:00 28/03/2011 19:00 29/03/2011 14:00 30/03/2011 18:00 31/03/2011 10:00 31/03/2011 16:00 01/04/2011 14:00 05/04/2011 17:00 06/04/2011 10:00 06/04/2011 15:00 06/04/2011 17:00 07/04/2011 10:00 07/04/2011 13:00 07/04/2011 16:00 11/04/2011 12:00 11/04/2011 14:00 12/04/2011 10:00 15/04/2011 14:00 24/12/2013 10:00 24/12/2013 14:00 25/12/2014 11:00 M F M M M F F F F F F F M M M F F F M F M M M > 60 30-40 40-50 30-40 > 60 20-30 30-40 < 20 40-50 30-40 30-40 < 20 < 20 20-30 > 60 < 20 20-30 50-60 50-60 < 20 40-50 30-40 30-40 Tableau IV.3: Profil des participants à l’expérimentation c) Les données recueillies Les données récoltées pendant le déroulement de cette première expérimentation sont issues de 177 sources. Pour chaque sujet, nous avons les données personnelles le concernant (âge, poids, indice de vêture). Ces données ont été obtenues par un questionnaire papier (pour l’âge du 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. Tableau IV.4: Une partie du corpus d’apprentissage IV.4.1.2 Construction du modèle bayésien La structure bayésienne proposée modélise les informations sensorielles de l’ambiance, l’inconfort, et les liens existants entre ces niveaux. Nous exploitons ensuite ce réseau probabiliste pour prédire les différents types de l’ambiance, l’inconfort et les actions appropriées pour restaurer le confort perdu. Formellement chaque niveau est représenté par un vecteur ; le vecteur de l’ambiance est formulé par A ( AT , AV , AI , AA ) , (Ambiance thermique, visuelle, qualité de l’air et l’ambiance acoustique), et le vecteur des interactions noté I ( I1 , I 2 , I 3 ,..., I N ) représente l’ensemble des interactions sur les objets. Les autres variables de notre modèle bayésien sont présentés dans le tableau IV.4. 76 Chapitre IV Modélisation bayésienne d’un contrôleur adaptatif pour le bâtiment Niveau Interaction Interactions Niveau Confort Inconfort Niveau Ambiance Ambiance Niveau Contribution Objets Figure IV.9: Le modèle Bayésien proposé 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. Variable Interaction_ventilation Domaine Niveau dans le modèle LS, HS (low speed, high speed) Interactions Interaction_Sonde_Tempé T1, T2, T3 77 Chapitre IV Modélisation bayésienne d’un contrôleur adaptatif pour le bâtiment Interaction_Sonde_Lum Off, L1, L2, On Ouv_Volets Down, up Ang_Stores Down, up, lam_O, lam_C Interaction_Sonde_Hum N1, N2, N3 Ouv_Fenêtre Open, Closed Confort_G Très désagréable à très agréable AmbT Très froid à très chaud AmbV Très sombre à très lumineux Inconfort Ambiance AmbA Très désagréable à très agréable AmbO Très désagréable à très agréable Sonde_Temp [-2,40] Cap_Hum [0,100] Sonde_Lum [0,32767] Capteurs Temp_Ext [-10,50] Cap_CO2 [0, 4294967295] Ventilation {0,1} 78 Chapitre IV Modélisation bayésienne d’un contrôleur adaptatif pour le bâtiment Detect_Volet {Up, Down} Detect_Stores { Down, up, lam_O, lam_C } Tableau IV.5: L’ensemble des variables du Modèle Byésien 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 : P I j x NB I j x (IV.1) N Où : x Augmenter, diminuer,laisser Domaine de la variable x. NB I j x : nombre N: Taille du corpus de lignes où ( I j x) 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: P Ambiance y Objet z NB Ambiance y, Objet z (IV.2) NB Objet z Où : NB(Ambiance y et Objet z) : Le nombre de lignes dans le corpus 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 Mettre en T1 Mettre en T2 0.13 0.32 Mettre en T3 Interaction sur la sonde de 0.55 température Tableau IV.6: Distributions des probabilités de l’interaction sur la sonde de température Où Ti représente l’intervalle de la sonde de température. T1=[15°-20°], T2=[21°-25°] et T3=[26°-30°]. Interaction sur la ventilation Mettre en LS (Low Mettre en HS (High speed) speed) 0.72 0.28 Tableau IV.7: Distributions des probabilités de l’interaction sur la ventilation 2) Exemple d’une partie de la table de la probabilité conditionnelle de l’ambiance thermique : Confort Globale Interaction Interaction Ambiance (Confort_G) Ventilation Chaudière Thermique Très Désagréable LS T1 Très Froid 0.02 Très Désagréable LS T1 Froid 0.07 P(AmbT/CG,Iv,Ich) 80 Chapitre IV Modélisation bayésienne d’un contrôleur adaptatif pour le bâtiment Très Désagréable LS T1 Neutre 0.11 Très Désagréable LS T1 Chaud 0.37 Très Désagréable LS T1 Très Chaud 0.41 Très Désagréable LS T2 Très Froid 0.13 Très Désagréable LS T2 Froid 0.17 Très Désagréable LS T2 Neutre 0.20 Très Désagréable LS T2 Chaud 0.19 Très Désagréable LS T2 Très Chaud 0.30 Très Désagréable LS T3 Très Froid 0.38 Très Désagréable LS T3 Froid 0.24 Très Désagréable LS T3 Neutre 0.18 Très Désagréable LS T3 Chaud 0.19 Très Désagréable LS T3 Très Chaud 0.01 Très Désagréable HS T1 Très Froid 0.02 Très Désagréable HS T1 Froid 0.04 Très Désagréable HS T1 Neutre 0.1 Très Désagréable HS T1 Chaud 0.33 Très Désagréable HS T1 Très Chaud 0.50 Désagréable LS T1 Très Froid 0.12 Désagréable LS T1 Froid 0.10 Désagréable LS T1 Neutre 0.16 Désagréable LS T1 Chaud 0.28 Désagréable LS T1 Très Chaud 0.34 Tableau IV.8: Distributions de la probabilité conditionnelle de l’ambiance thermique 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. IV.4.1.3.a Prédiction des interactions adaptatives L’objectif maintenant est la prédiction des interactions sur les actionneurs du bâtiment étant donné le contexte actuel (l’ambiance et l'inconfort). Cette prédiction des interactions est exprimée par la probabilité : 81 Chapitre IV Modélisation bayésienne d’un contrôleur adaptatif pour le bâtiment P(Interaction j Ambiance, Discomfort) (IV.3) Pour choisir l’interaction j nous devons avoir P( I j A, D) P( I k A, D) k j (IV.4) Où I=j est la j ième interaction, D est l’inconfort et A représente l’ambiance. Pour calculer la probabilité P I | A, D , on utilise la probabilité jointe locale P(I,A,D) . Nous avons : P(I,A, D) = P(I)* P(D | I) * P(A | I, D) (IV.5) et P(I,A, D) = P(D) * P(A | D) * P(I | A, D) 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)) Notons que pour les probabilités P( I = i A, D) et P( I j A, D) , α est constant, donc pour 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. IV.4.1.3.b Prédiction de l’inconfort global 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 : Confort global = aConfortthermique + bConfortvisuel + cConfortolfactif + dConfortacoustique (IV.6) 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 : P( Iinconfort AmbianceThermique , AmbianceVisuelle , AmbianceQAI AmbianceAcoustique ) Inconfort Inconfort A/Visu al Ambiance A/Therm al A/Acous tic A/Olfact Figure IV.10: La corrélation entre le confort multi-sensoriel et les ambiances spécifiques A ce stade, l’objectif est l’estimation de la probabilité P( D A) , pour ceci nous allons utiliser la loi de Bayes et la probabilité jointe locale P( D, A, I ) . P D|A P D, A P A P( D, A, I ) P( I )* P D|I * P A|D, I I I P( A) P( A) (IV.7) 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 i ( P(I i)* P(D I i)*P(A I i,D)) de calculer : Où : (IV.8) P(I), P(D|I) et P(A|I,D) sont des paramètres du modèle bayésien. IV.4.1.3.c Prédiction de la perception de l’ambiance Ambiance Objets A/Visu e A/Ther mal A/Acous tic Lampe Radiate ur Ventil A/Olfact Fenêtre 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). En utilisant la loi de Bayes, nous avons : P (Ambiance|Objets)= P (Ambiance, Objets) P (Objets) = P (Ambiance)P (Objet | Ambiance) (IV.9) P (Objets) 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 : P( Ambiancei = x)* P(Objet j = y Ambiancei = x) (IV.10) Dont P(O|Ai= aj) est un paramètre de notre réseau bayésien. Pour calculer P(Ai= aj) nous allons utiliser la marginalisation de la probabilité jointe locale P( Inconfort , Ambiance, Interactions) . Nous avons : P ( Ambiancei = x ) = å å I = å å I P ( Ambiancei = x, Interaction, Inconfort ) D P (Interactions )* P ( Inconfort|Interaction)* P ( Ambiancei = x|Interaction, Inconfort ) D Dont P( Interactions) , P ( Inconfort|Interaction)et P(Ambiancei = x|Interaction, Inconfort ) sont des paramètres de notre réseau bayésien. IV.5 Contrôleur bayésien proposé 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 Figure IV.12: Représentation modulaire du contrôleur bayésien 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 Ambiances Changement P(I j = allum _ lamp Ambiance j , Discomfort ) AmbianceThermique Chaud vers froid 0.27 AmbianceVisuel Lumineux vers Très sombre 0.92 AmbianceQAI trop fort vers Trop faible 0.17 Ambiance Acoustique agréable vers très désagréable Inconfort global agréable vers très désagréable 0.17 0.81 Tableau IV.9: Influence des variations de l’ambiance sur les interactions Cette analyse ne concerne que la première étape de la prédiction, à savoir si un seul paramètre est observé. Maintenant, nous allons voir comment effectuer cette analyse sur la base des variations rapportées. Changement P( I j = allum _ lamp Ambiance j , Discomfort ) AT 0.27 AT , AA 0.21 AT , AA , AQAI Les mêmes variations citées en dessus 0.23 AT , AA , AQAI , AV 0.91 AT , AA , AQAI , AV , IncG 0.94 Tableau IV.10: Influence de l’ensemble des variations sur une interaction Nous pouvons faire le même travail avec les autres nœuds de notre RB, en prenant chaque variable avec ces parents. IV.6 La phase de test 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: Participants Scenario 1 1 1 1 1 1 1 1 1 2 2 2 2 2 2 2 2 2 2 2 2 1 2 3 4 5 6 7 8 9 1 2 3 4 5 6 7 8 9 10 11 12 Moyenne Pourcentage de mêmes valeurs d’inconfort prédites 75% 50% 93% 82% 76% 61% 57% 79% 58% 62% 33% 65% 93% 58% 74% 84% 60% 87% 55% 90% 71% 69,67% Pourcentage de même Interactions prédites 63% 71% 84% 87% 92% 33% 66% 83% 69% 80% 42% 51% 80% 42% 95% 88% 71% 81% 62% 91% 86% 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 multisensoriel 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. [2] M.Gallissot. Modéliser le concept de confort dans l’habitat intelligent : du multisensoriel au comportement”, Thesis, University Joseph Fourier, Grenoble, 2012. [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 applicationsbasic 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. [19] D. A. MC intyre. Indoor Climate. Londres : Applied Science Publishers, 1980. [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 selforganising 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. [41] V. Callaghan, G. Clarke, A. Pounds-Cornish and S. Sharples. Buildings as intelligent autonomous systems: a model for integrating personal and building agents. In: 6th international conference on intelligent autonomous systems;.p.7–25. 2000. [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. H. Hagras, V. Callaghan, M. Colley, G. Clarke. A hierarchical fuzzy-genetic multiagent architecture for intelligent buildings online learning, adaptation and control. Information Sciences, 150:33–57. 2003. [43] J. Ferber. Multi-agent systems-an introduction to distributed artificial intelligence. Addison-Wesley, 1999. [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. [49] J. Caelen. La plate-forme MultiCom : un laboratoire d’usage et d’utilisabilité. Interfaces Homme Machine, pages, 69-75, Cépaduès Ed. 1999. 94