Contrˆ ole avanc´e

Les structures de contrˆole dit intelligent forment une classe de techniques de com-mande construites sur diverses approches d’intelligence artificielle. Parmi les plus connues, on trouve la logique floue, les r´eseaux de neurones, les m´ecanismes d’apprentissage et les algorithmes g´en´etiques. Cette nouvelle g´en´eration de contrˆole, bas´ee sur l’intuition et le ju-gement a pour objectif de parvenir `a un contrˆole simple, adaptatif et performant, sans avoir recours `a un mod`ele structurel du processus. Leurs performances sont en g´en´eral compar´ees `

a celles des r´egulateurs classique de type PID, et leur sup´eriorit´e r´eside principalement dans le fait que des connaissances suppl´ementaires sur le comportement du syst`eme (exprim´ees dans le langage naturel logique floue ou assimil´ees par des m´ethodes d’apprentissage -r´eseaux de neurones) ou un certain degr´e d’optimalit´e (algorithmes g´en´etiques) sont pris en compte. Ces m´ethodes sont appliqu´ees `a la r´egulation thermique dans les bˆatiments depuis les ann´ees 1990, dont la plupart des travaux sont r´ef´erenc´es dans l’article [50]. Nous proposons ici de survoler rapidement ces techniques et quelques unes de leurs applications. 2.1.3.1 R´eseaux de neurones

Comme leur nom l’indique, les r´eseaux de neurones artificiels (souvent abr´eg´e par ANN, de l’anglais artificial neural networks) essayent de copier la structure du neurone biologique. Le neurone est un syst`eme de traitement d’information, caract´eris´e par un nombre tr`es important d’entr´ees et une seule sortie. Ces r´eseaux sont souvent employ´es pour r´esoudre des probl`emes de reconnaissance et de classification. Leur fonctionnement est bas´e sur des algorithmes d’apprentissage, qui leur fait m´emoriser et classer les donn´ees. Ils ont ´et´e utilis´es dans le domaine de la thermique des bˆatiments pour r´esoudre diff´erents probl`emes.

Ils ont ´et´e introduits pour d´efinir la notion de confort thermique [15], dans les cas o`u le calcul de l’indice PMV n’est pas envisageable. Une exp´erience dans une pi`ece climatis´ee a ´et´e effectu´ee afin de prouver l’efficacit´e de la m´ethode. Par extension, l’´evaluation du confort thermique individuel est ´etudi´ee dans [106, 100]. De plus, dans [100], il est propos´e une structure de contrˆole mixte, o`u l’on trouve ´egalement une strat´egie d’apprentissage pour ´etablir la zone de confort thermique en fonction de commandes des utilisateurs, avec en plus une strat´egie de contrˆole `a puissance minimale pour r´ealiser des ´economies

d’´energie.

On trouve des ANN ´egalement dans la mod´elisation du comportement thermique et ´energ´etique d’une enceinte, mod´elisation qui peut ˆetre utilis´ee par exemple pour obtenir une pr´ediction de la temp´erature dans une serre, ou la pr´ediction de la consommation ´energ´etique d’un bˆatiment solaire passif mono-zone dont les m´ethodes sont d´etaill´ees res-pectivement dans [60] et [87].

Enfin, pour am´eliorer les performances de contrˆole, les r´eseaux de neurones ont ´et´e utilis´es pour modifier en ligne les trois param`etres du PID d’un r´egulateur de climatisation [194]. Pour un syst`eme similaire, l’´etude de deux cat´egories de m´ethodes d’apprentissage de type feedforward est pr´esent´ee dans [81]. Un autre usage des r´eseaux de neurones a ´et´e propos´e dans [191], afin de calculer le moment optimal pour d´eclencher le chauffage, apr`es une p´eriode d’inoccupation. Dans cet algorithme, les variables d’entr´ees du r´eseau sont la temp´erature int´erieure, la temp´erature ext´erieure et ses gradients. L’inconv´enient de la technique r´eside dans le fait qu’elle a besoin d’un nombre significatif de donn´ees pour la proc´edure d’apprentissage afin qu’elle offre des solutions pr´ecises.

2.1.3.2 Logique floue

Un autre type de contrˆole intelligent est bas´e sur de la logique floue. Cet outil exploite davantage la performance qualitative du cerveau humain. Le syst`eme flou repose alors sur une connaissance pr´ealable sur le processus. Cette connaissance s’exprime sous la forme d’un ensemble de r`egles, qui peuvent s’´enoncer de mani`ere g´en´erale comme : ≪`a telle situation convient tel comportement≫.

La mod´elisation des syst`emes ou des composantes du CVC par la logique floue per-met de surmonter l’absence d’un mod`ele math´ematique du processus. Un tel exemple est pr´esent´e dans le cas d’un ´echangeur de chaleur avec une caract´eristique non-lin´eaire [177]. Dans cet article, le mod`ele flou sert `a pr´edire le comportement du syst`eme pour appliquer ensuite une commande de type pr´edictif. Les auteurs utilisent un superviseur de type flou pour ajuster les param`etres du contrˆoleur. Dans [171], la logique floue permet de mod´eliser et identifier un syst`eme de climatisation, mod`ele qui sera ensuite utilis´e comme mod`ele de commande.

La commande floue a ´et´e adopt´ee dans diff´erents travaux de recherche, comme par exemple, pour la r´egulation d’une chaudi`ere [77], d’un ventilo-convecteur [66] ou d’une climatisation [179]. Dans [49, 91], la logique floue permet de d´evelopper un sch´ema de commande pour le contrˆole de l’´eclairage et de la temp´erature dans les bˆatiments. Un exemple int´eressant est celui de la commande d’un syst`eme de chauffage pour un bˆatiment `

a ´energie renouvelable [192], o`u les auteurs proposent une structure de contrˆole hi´erarchis´ee sur trois niveaux. Dans un premier niveau, on retrouve un arbre de d´ecision qui d´efinit un ensemble appropri´e de r`egles en fonction des informations disponibles sur les conditions ext´erieures et sur l’occupation. Le deuxi`eme niveau de r`egles floues g´en`ere un profil de puis-sance optimale. Le troisi`eme niveau d´etermine le mode de fonctionnement des ´equipements

et les valeurs des variables de commande. Les nombreux travaux sur la mod´elisation et la commande de syst`emes CVC, utilisant la logique floue, sont r´epertori´es dans un ´etat de l’art tr`es complet [168].

Ces probl`emes de r´egulation de la temp´erature et de l’´eclairage sont ´egalement trait´es dans [93]. Dans cet article, une structure de contrˆole en cascade est adopt´ee, avec un contrˆoleur de type flou dans la boucle externe et un PID pour la boucle interne, qui permet le r´eglage du store.

On trouve ´egalement des algorithmes d’autor´eglage flou [173] ou encore des combinai-sons PID-flou [29]. Le point int´eressant de ce dernier exemple est l’emploi de la logique floue pour compenser la non-lin´earit´e de l’indice PMV.

2.1.3.3 Algorithmes g´en´etiques

L’optimisation du contrˆole des ´equipements CVC dans les bˆatiments peut ˆetre r´ealis´ee `

a l’aide des algorithmes g´en´etiques (GA). Cette classe de m´ethode appartient `a la fa-mille des algorithmes ´evolutionnistes. Les algorithmes g´en´etiques sont une abstraction de la th´eorie de l’´evolution, s’appuyant sur les principes de s´election de Darwin et sur les m´ethodes de combinaison de g`enes. Ces algorithmes fournissent des bonnes performances `

a de faibles coˆuts surtout quand le probl`eme d’optimisation poss`ede de nombreuses solu-tions admissibles [156].

En ce qui concerne l’application des algorithmes g´en´etiques, [190] d´ecrit comment cette technique peut r´esoudre le probl`eme de contrˆole optimal de la source de refroidissement d’un syst`eme de climatisation, qui poss`ede des variables de commande continues mais aussi discr`etes. Dans [40], c’est l’optimisation du contrˆole de la concentration de CO₂ qui est d´ecrite. L’efficacit´e de l’approche propos´ee est mesur´ee en terme d’´economie d’´energie, en utilisant le logiciel EnergyPlus.

Un crit`ere d’optimisation pour un syst`eme complet de climatisation est d´evelopp´e dans [108], construit `a partir des mod`eles math´ematiques de chacun de ses composants. Selon les caract´eristiques des op´erations et des interconnections entre ces sous-syst`emes, le probl`eme d’optimisation est simplifi´e, afin d’ˆetre r´esolu par l’algorithme g´en´etique d´evelopp´e dans [130].

Toujours pour les probl`emes de climatisation, une structure hi´erarchis´ee sur deux ni-veaux est pr´esent´ee dans [133]. L’optimisation des consignes est r´ealis´ee au niveau sup´erieur par un algorithme g´en´etique, quant au niveau inf´erieur, des contrˆoleurs simples s’occupent des r´egulations locales.

Nous venons d’aborder bri`evement quelques applications de commandes avanc´ees, d´evelopp´ees sur des techniques dites ≪intelligentes≫. Ce n’est ´evidemment qu’un sur-vol et ce paragraphe ne se veut en aucun cas exhaustif. La partie suivante pr´esente la technique qui sera utilis´ee tout au long de ce m´emoire, la commande pr´edictive.