La gestion énergétique des bâtiments constitue un enjeu majeur, ce secteur représentant 43% de la consommation énergétique française. Les exigences climatiques, la hausse des prix de l'énergie et les directives européennes incitent à une amélioration continue de la performance énergétique, notamment via une meilleure gestion des systèmes de Chauffage, Ventilation et Climatisation. Le développement de l'Internet des Objets favorise le déploiement de capteurs dans les bâtiments, ouvrant la voie à des bâtiments « intelligents », pilotés par la donnée. La collecte de données est nécessaire à la connaissance de la performance énergétique des bâtiments, mais elle reste insuffisante. C'est pourtant souvent à ce stade que s'arrêtent les outils classiques de Gestion Technique du Bâtiment. Les données historiques sont stockées, sans être réellement exploitées. Ces données constituent une opportunité, puisqu'elles reflètent le fonctionnement réel du bâtiment.
Cette thèse explore l'apport effectif des données des capteurs à la compréhension du comportement énergétique des bâtiments. Deux verrous scientifiques se dégagent. Le premier concerne la fiabilité des données obtenues grâce à des capteurs disposés dans le bâtiment, prérequis indispensable à toute démarche de valorisation. Le second porte sur la valorisation de ces données, permettant d'en extraire une connaissance utile du bâtiment et de ses occupants.
Pour répondre à ces verrous, le monitoring de quatre salles de classe d'un bâtiment de l’Université de Toulouse est mis en place, à l'aide d'une trentaine de capteurs. Les mesures couvrent l'ambiance thermique, la concentration en CO2, l'éclairement, le bruit, l'occupation et les données météorologiques. Cette instrumentation constitue une preuve de concept sur le site universitaire, permettant d'en tirer des enseignements. La fiabilité de capteurs commerciaux est d'abord évaluée en enceinte climatique, avant leur déploiement dans les salles. Cette évaluation révèle que toutes les données ne présentent pas le même niveau de fiabilité. Ce travail constitue un socle de données fiables, exploitées ensuite sur deux années de monitoring. L’analyse de ces données s'effectue suivant trois approches. L'analyse univariée est menée grandeur par grandeur sur l'ensemble des deux années. Elle dresse un état des lieux du comportement thermique, de la qualité de l'air et des conditions d'usage des salles, difficilement accessible sur des périodes plus courtes. L'analyse bivariée explore les relations entre occupation et variables d'ambiance. L'analyse multivariée combine l'ensemble des grandeurs mesurées. Elle permet d'identifier des profils d'usage typiques des salles, chacun associé à une combinaison spécifique de grandeurs d'ambiance. Ces analyses orientent ensuite une démarche centrée sur la prédiction de l'occupation des salles à partir des données d'ambiance. Une confrontation est menée entre approches statistiques classiques et méthodes d'apprentissage automatique, permettant d'évaluer le gain de performance réel apporté par l'Intelligence Artificielle. Les méthodes d'apprentissage automatique tendent à offrir une meilleure performance au prix d'une explicabilité plus limitée, tandis que les approches classiques, plus interprétables, présentent une performance prédictive plus modeste. Le choix dépend ainsi du contexte d'application visé. Enfin, des simulations de bâtiments sont réalisées afin de générer des données synthétiques, en complément des données expérimentales. Exploitées comme des données de capteurs, elles permettent d'étudier dans quelle mesure des éléments caractérisant l'inertie du bâtiment peuvent être retrouvés à partir de leur analyse. Cette démarche ouvre des perspectives d'application à des données réelles.
L'ensemble de ce travail s'étend ainsi de l'instrumentation et de la fiabilisation des données jusqu'à leur exploitation statistique. Il contribue à la valorisation des données de capteurs dans le secteur du bâtiment. |
Building energy management has become a major challenge. The building sector accounts for 43% of France's total energy consumption. Climate concerns, rising energy costs, and European directives are driving continuous improvements in building energy performance, particularly through better management of Heating, Ventilation, and Air Conditioning systems. In this context, the development of the Internet of Things has led to the increasing deployment of sensors in buildings, paving the way for data-driven smart buildings. Data collection is essential for assessing building energy performance, but it remains insufficient on its own. This stage often represents the limit of conventional Building Management Systems, where historical data are stored but not fully exploited. These data constitute a valuable resource, as they reflect the actual operation of buildings under real conditions.
This thesis investigates the effective contribution of sensor data to the understanding of building energy behavior. Two scientific challenges are identified. The first concerns the reliability of data acquired from sensors deployed throughout a building, which is a prerequisite for any meaningful valorization process. The second concerns the valorization of the data, which involves extracting useful knowledge about the building and its occupants.
To address these challenges, a monitoring system has been implemented in four classrooms of a building at the University of Toulouse, using more than thirty sensors. Measurements include temperature, humidity, CO2 concentration, illuminance, noise levels, occupancy, and weather data. This instrumentation serves as a proof of concept on the university campus and provides valuable insights. The reliability of commercial sensors is first assessed in a climatic chamber before their deployment in the classrooms. This evaluation shows that not all sensors provide the same level of reliability. The resulting dataset establishes a reliable foundation for the analysis of two years of monitoring data.
The collected data are then analyzed using three complementary approaches. Univariate analysis is conducted for each variable over the entire two-year monitoring period. This approach provides a comprehensive overview of thermal behavior, indoor air quality, and occupancy conditions that would be difficult to capture over shorter periods. Bivariate analysis investigates the relationships between occupancy and indoor environmental variables to characterize their interactions. Finally, multivariate analysis combines all measured variables to identify typical room usage profiles, each associated with a specific combination of indoor environmental conditions. These analyses subsequently support a study focused on predicting classroom occupancy from environmental sensor data. Conventional statistical approaches are compared with machine learning methods to assess the actual performance gains provided by Artificial Intelligence. Machine learning techniques tend to offer higher predictive performance but offer lower interpretability, whereas traditional statistical methods are easier to interpret but deliver more modest predictive accuracy. The most appropriate approach depends on the intended application context. Finally, building simulations are performed to generate synthetic data complementing the experimental measurements. Treated in the same way as sensor data, these synthetic datasets are used to investigate the extent to which building inertia characteristics can be inferred through data analysis. This approach opens perspectives for applications to real-world data.
Overall, this work covers the entire process from instrumentation and data reliability assessment to statistical data analysis. It contributes to the valorization of sensor data in the building sector and provides insights into their actual contribution to understanding building energy behavior. |