1/12
Introduction
Idiap Research Institute
L’intelligence artificielle pour la société L'institut de Recherche Idiap est une fondation de rechercheà but non lucratif affiliée à l'Ecole Polytechnique Fédérale de Lausanne (EPFL).
3/12
Introduction
Dr Jérôme Kämpf, Senior Researcher
3 masters: Physique (UNIL, 2001), Informatique (UNIL, 2003), Pédagogie (HEPL, 2005)
Education
Activités
Group Leader in Energy Informatics (2018 -) Co-dirigé 4 thèses de doctorat (PhD) at EPFL
Intérêts
Intégration de la lumière naturelle et artificielle dans les bâtiments
Fondateur et associé gérant (2013 -) Plateforme de dissémination
Doctorat EPFL: Sur la modélisation et l’optimisation des flux d’énergie en milieu urbain (2009)
Simulation énergétique à l’échelle urbaine (CitySim)
Introduction
Le groupe de recherche en Energy Informatics
Source: UN World Urbanization Prospects Report, 2018 Revision
Les principaux défis énergétiques résident dans les zones urbaines.
30% de la population mondiale était citadine en 1950.
55% de la population mondiale est citadine en 2018.
68% de la population mondiale sera citadine en 2050.
En Suisse, cette proportion atteindra 80% en 2050.
Pour prévoir l’évolution du futur, incluant le changement climatique, la simulation est un outil précieux pour les représentants et parties prenantes des villes.
Le secteur du bâtiment consomme 40% des resources totales primaires.
5/12
Méthodologie CitySim Solver
Description de la scène en format XML
Résultats Format de fichier texe
citysim.epfl.ch
«Un compromis entre précision, données d’entrée et temps de calcul.», Dr Darren Robinson, 2005
1. Simplified Radiation Model (SRA)
→ plus rapide que RADIANCE
2. Simplified Thermal Network (4N)
→ plus rapide qu’ESP-r et E+
3. Retroaction on Energy Conversion Systems (ECS) and Occupants’ behaviour
→ demande d’énergie du site ou primaire
Méthodologie
CitySim Pro
CitySim Pro: import, visualisation, simulation and outil d’exportImport géometrie Valeurs défaut Affinage des paramètres Simulation Importe AutoCAD DXF 2000
Importe CityGML 2.0
Resultats (horaire, mensuels, annuels):
• Eclairement
• Besoins en Chaud / Froid
• Température de surface (ICU)
• Production solaire (ST, PV)
7/12
Méthodologie
Les problèmes
CityGML LOD2LOD1 LOD2 LOD3 LOD4
BuildingBuilding Interior
REGBL
#
d’étages
LOD1 LOD2 LOD3 LOD4
BuildingBuilding Interior
surface chauffée âge
LOD1 LOD2 LOD3 LOD4
BuildingBuilding Interior
#
d’habitants
↑ EGID →
Manque de données disponibles pour la simulation et la calibration des modèles physiques.
Données disponibles sur internet (Google Street View, Flickr, Instagram, Géoportails des Cantons, …)
digitalisation
analyse, identification et fiabilisation
Quelques défis actuels
Consommation et production des bâtiments
Outils SIG pour déterminer la consommation d’énergie des bâtiments:
Roberto Boghetti, Master University of Pisa Morphologie urbaine et production PV:
Kin Ho Poon, PhD National University of Singapore Machine learning pour l’estimation de la fraction vitrée et du potential BIPV depuis des images:
Matthew Anderson, Master AI, Idiap & CREM Chauffage et refroidissement à distance
Distribution de stockage de chaleur pour éviter les pertes en énergie renouvelable
Source: ENGIE district heating and cooling systems, 05/2019
Concepts – intégration du renouvelable, végétation, échange d’énergie par réseaux
9/12
Quelques défis actuels
Echange d’énergie renouvelable: Chauffage à Distance
Digitalisation des réseaux de chauffage à distance
(information géolocalisée des conduites, T, centrales de chauffe, sous-stations, accumulateurs)
Simulation physique simplifée des réseaux de Chauffage à Distance (transition laminaire-turbulent) – thermique et hydrodynamique
Utilisation d’algorithmes de machine learning pour reproduire le comportement physique de grands réseaux. Soutien pour le smart control du démarrage/arrêt des centrales de chauffe et de la charge des accumulateurs en fonction des prédictions météorologiques.
Quelques défis actuels
Smart building controls – énergie et confort
Smart control dans les
bâtiments (énergie, confort thermique et visuel,
concentration de CO2)
IEA Task 61 – Integrated Solutions for Daylighting and Electric Lighting: From component to user centered system efficiency Collaboration avec Estia SA et l’Université de Fribourg
Eye-sight automated shading system (Dr Yujie Wu, 03/05/2019) Smart heating control
11/12
Quelques défis actuels
Confort urbain – Réduction de l’îlot de chaleur urbain / nature en ville
REGBL
Consommation d’énergie
Modèles physiques calibrés pour tester des scénarios
Modèles physiques pour
entrainer modèles statistiques
Les modèles statistiques reproduisent le passé Les modèles physiques peuvent simuler le futur Un mélange des deux peut être optimal pour les défis énergétiques du futur sous un climat changeant
L’intelligence artificielle appliquée à l’énergie pour la société de demain
Conclusion
Le groupe de recherche en Energy Informatics
Nous devons pouvoir simuler le chemin vers la transition énergétique avec des mécanismes de contrôle et d’ajustement de bâtiments en
évolution de par leur rénovation et usage, leur production renouvelable et leur stockage d’énergie dans un climat changeant.
Energy Informatics exploite l’état de l’art en TIC (technologies de l’information et de la communication) pour border les défis liés au réchauffement climatique et aux dérèglements climatiques:
• augmenter l’intégration du renouvelable et les sources d’énergie décentralisées
• rendre les systèmes énergétiques plus intelligents,
• augmenter l’efficacité énergétique au-delà des améliorations au niveau de chaque composant,
• développer des plans de management pour optimiser les ressources énergétiques tout en préservant l’environnement.
+
=
