IoT & Machine Learning

Introduction :

Les informations sur l’occupation des bâtiments sont essentielles à une gestion efficace de l’énergie dans les bâtiments grâce à l’adoption de stratégies de conservation de l’énergie et de contrôle centrées sur l’occupant. Ces stratégies visent à contribuer à l’optimisation de la consommation d’énergie tout en assurant le confort des occupants. Cette étude se concentre sur les techniques avancées de modélisation de l’occupation pour améliorer l’efficacité énergétique des bâtiments résidentiels, en utilisant diverses techniques basées sur les données. En utilisant une approche de Living Lab dans un cadre résidentiel, la recherche évalue la performance du modèle à l’aide de deux ensembles de données de vérité terrain : les capteurs IoT et les données d’enquête.

Problématique et Objectifs :

Dans un contexte de transition énergétique, l’habitat résidentiel constitue un levier stratégique, notamment en milieu urbain où la demande en climatisation, chauffage et eau chaude sanitaire est croissante. Les approches conventionnelles d’efficacité énergétique (isolation, équipements performants) négligent souvent l’impact du comportement des occupants. Or, ces derniers peuvent faire varier la consommation de ±40%, selon de nombreuses études. L’intégration d’objets connectés dans les habitations marocaines reste limitée, souvent pour des raisons de coût ou de méconnaissance. Cependant, des démonstrateurs comme le Nassim Living Lab à Marrakech montrent qu’une solution adaptée, sobre et contextuelle est possible.

Méthodologie :

Dans cette recherche, une méthodologie innovante est présentée. Elle combine des techniques basées sur les données avec un système basé sur les connaissances pour modéliser l’occupation basé sur des capteurs IoT intégrés et des données d’enquête. Le modèle proposé permet non seulement de déterminer le niveau d’occupation du bâtiment, mais aussi de déterminer si la zone occupée est activement utilisée ou désignée comme zone de couchage. Au lieu de considérer la maison entière comme une unité, cette approche formule la modélisation de l’occupation par zone. Ces systèmes seront en mesure de déterminer l’occupation dans chaque zone, et le système CVC du système sera opérationnel lorsqu’il y aura des personnes dans les espaces occupés. Cette approche ciblée minimise le gaspillage d’énergie en évitant le chauffage ou la climatisation inutiles des zones inoccupées, ce qui se traduit par d’importantes économies d’énergie au fil du temps.

Principaux Résultats :

Comparaison des Modèles

Deux approches de modélisation principales ont été élaborées et examinées pour obtenir des informations sur l’occupation : la modélisation binaire et un modèle plus complet. La modélisation binaire se concentre sur la prédiction de l’état d’occupation global du bâtiment, en déterminant s’il est occupé ou inoccupé. D’autre part, le modèle complet identifie l’occupation et catégorise l’espace occupé en zones actives ou de sommeil. Ce modèle vise à distinguer des sous-populations spécifiques et à saisir avec précision les différences d’occupation, en maintenant une riche profondeur de données en délimitant trois états d’occupation.

Modèle Binaire vs Modèle Multi-class

Les résultats de l’étude ont révélé que les modèles ont atteint des taux de précision allant de 70 % à 95,96 % dans la prédiction de l’occupation de l’ensemble du bâtiment et la modélisation de l’occupation par zone. En particulier, le modèle Random Forest a obtenu des résultats exceptionnels pour capturer les tendances d’occupation pour la classification binaire à l’aide de caractéristiques sélectionnées. De plus, pour la multi-classification des états d’occupant, il a constamment surpassé les autres modèles. L’intégration de techniques d’apprentissage automatique et de connaissances spécialisées dans le modèle de réseau bayésien (BN) a amélioré ses capacités en tant que modèle explicatif, permettant de prédire divers types d’occupation, y compris la présence générale, et fournissant une analyse détaillée de l’occupation des zones actives et endormies.

Publications et références

Bouyakhsaine, K., Brakez, A., & Draou, M. (2024). Prediction of residential building occupancy using Machine learning with integrated sensor and survey Data: Insights from a living lab in Morocco. Energy and Buildings, 319, 114519.

Bouyakhsaine, K., Brakez, A., & Draou, M. (2023, November). Data-Driven Approach for Residential Occupancy Modeling Using PIR Sensors: A Moroccan Case Study. In 2023 IEEE 6th International Conference on Cloud Computing and Artificial Intelligence: Technologies and Applications (CloudTech) (pp. 01-06). IEEE.