Big Data & Bâtiment : des données de qualité pour une performance améliorée

Les données collectées dans le bâtiment sont aujourd’hui considérées comme le nouvel or noir de la transition énergétique et constituent la base des outils de diagnostic, de pilotage en temps réel, de maintenance prédictive et plus généralement de la maîtrise des consommations énergétiques des bâtiments. Néanmoins, ces données ne sont pas toujours directement exploitables.

La qualité des données mesurées, clé de voûte de la réduction du gap énergétique

La mesure et la valorisation des données est un point crucial pour la transition énergétique et environnementale du bâtiment. Piloter intelligemment les systèmes (CVC et autres), tout en préservant le confort des occupants est une manière de contrôler les consommations et de réduire l’écart constaté entre les performances attendues et réelles (gap de performance énergétique) en tenant compte des usages.

C’est dans cet objectif qu’a été développée BEMServer, la première plateforme open source de gestion de l’énergie des bâtiments. BEMServer centralise les données relatives d’un bâtiment en exploitation, les homogénéise et les rend utilisables par les gestionnaires de bâtiment ou les facility managers. Il intègre les données descriptives (typologies de bâtiments, des espaces, maquettes numériques BIM/IFC) et les données dynamiques remontées par les capteurs et organes de contrôles (GTB, GTC).

Mais qu’elle est donc la place de l’usager ? Comment prendre en compte les usages de façon plus réaliste dès la phase de conception afin d’éviter le gap énergétique ? C’est la question complexe à laquelle NOBATEK/INEF4, l’Université de Bordeaux via le laboratoire de Mécanique et d’Ingénierie I2M et le laboratoire grenoblois GSCOP essaient de répondre dans le cadre du projet de recherche PREDUSE, qui analyse des données collectées sur des sites pilotes à Bordeaux et ses environs.

La qualité des mesures apparait donc comme un verrou à l’exploitation des données pour des services tiers (assistance au pilotage, prédiction des consommations, détection de surconsommations…). Parallèlement, la qualité des données peut être altérée pour des causes techniques (problèmes de communication, de stockage des données, capteurs défaillants ou influencés par leur environnement) ou humaines (mauvaise installation ou identification des capteurs…). Quelles sont les erreurs les plus courantes liées à la mesure ? Comment les détecter et même les corriger ?

Intellib@t : développer des outils de prétraitement des données mesurées dans le bâtiment

Le projet Intellib@t vise à développer une méthodologie et des outils de prétraitement des données mesurées dans les bâtiments afin de renforcer leur qualité.

Ce projet de Recherche & Développement collaboratif est mené par NOBATEK/INEF4 et l’Université de Bordeaux, notamment le laboratoire I2M et le laboratoire bordelais de recherche en informatique (LaBRI), dans le cadre de leur équipe de recherche commune  (GP2E). Le Centre aquitain des technologies de l’information et électroniques (CATIE) apporte en parallèle son expertise en Intelligence Artificielle (IA) à l’équipe.

Deux axes sont abordés :

d’une part utiliser des connaissances métier afin d’adapter l’utilisation d’algorithmes à la problématique de la détection et correction d‘erreurs dans le domaine du bâtiment;
d’autre part qualifier les données tout au long d’une chaîne de traitement en leur associant des indicateurs de qualité au regard d’objectifs d’exploitation.
Une thèse encadrée par le laboratoire I2M et le LaBRI sur ces sujets est en cours : Enguerrand de Rautlin de la Roy, « Analyse de données dans les bâtiments connectés ».

Le projet se découpe en 5 phases :

• Élaboration d’une typologie d’erreurs les plus courantes dans la mesure du bâtiment : Terminée en novembre 2021, cette phase a donné lieu à un article de conférence : https://hal.archives-ouvertes.fr/hal-03498868/document
• Identification de techniques pertinentes pour l’identification/correction d’erreurs, en particulier les méthodes d’intelligence artificielle, de deep learning: pour ce faire, une veille continue suit son cours tout au long de la vie du projet INTELLIB@T.
• Identification d’un cas d’étude et test d’algorithmes: cela a été réalisé sur un cas d’étude consistant à identifier et corriger les données remontées par un capteur d’ouvertures/fermetures de fenêtres sur un logement en mesure continue. Ce travail a également donné lieu à un article de conférence, soumis et accepté à IBPSA France 2022.
• Élaboration d’indicateurs de qualité de données: en cours d’élaboration.
• Développement d’un prototype pouvant s’intégrer à BEMServer : cette phase a démarré avec le développement d’une première version d’un prototype qui sera enrichie avec l’ajout d’algorithmes d’IA supplémentaires d’ici la fin du projet.

Intellib@t doit s’achever en décembre 2022

Crédit photo : Canva
Consulter la source