Occupant behavior-based energy and comfort trade-off in smart buildings
Compromis énergétique et confort basé sur le comportement des occupants dans les bâtiments intelligents
Résumé
Building is the biggest energy consumer sector. Occupants directly influence building appliances that consume energy. Hence, understanding building occupant's behavior can help minimize energy consumption while satisfying occupant's comfort. In this dissertation, we use building's data to reduce its energy consumption. In the first contribution of the thesis, we introduce an approach on selecting building's data type and data collection frequency for room-centered occupant's behavior understanding. We use and compare 5 machine learning algorithms, while applied to different data collection periods and different sets of IoT data. Results show that, within the 9 sensors used in the experiment collecting data each minute, our approach shows that a good level of accuracy can be obtained while using 5 sensors collecting data at a 15-min interval. As a second contribution, we propose an occupant-centric approach to focus on the occupant behavior itself. We use temporal graph-based building and occupant's behavior representation for occupant's behavior prediction, to find a trade-off between building energy and occupant comfort optimization. The test results showed that our model helps minimizing energy consumption by up to 62.21% compared to the conventional functioning of HVAC systems, and fulfills up to 94.02% of occupants’ thermal comfort. To improve the occupant's comfort, we have proposed a third approach that, based on the two previous works, proposes to detect occupant's behavior prediction errors. We use real-time room occupancy state detection and compare it to model prediction and, if a false negative is detected, the system corrects this error. This allows minimizing the discomfort in the building. The obtained results show that our model optimizes the HVAC energy consumption by up to 39.09%, and provides up to 99.39% of occupants comfort.
Le bâtiment est le plus grand secteur de consommation d'énergie. Les occupants influencent directement les appareils du bâtiment consommant de l'énergie. D’où, comprendre le comportement des occupants du bâtiment aide à optimiser la consommation d'énergie et le confort des occupants. Dans cette thèse, nous utilisons les données du bâtiment pour réduire sa consommation d'énergie. Dans notre première contribution, nous introduisons une approche sur la sélection du type de données du bâtiment et la fréquence de collecte de données pour la compréhension du comportement des occupants. Nous utilisons et comparons 5 algorithmes d'apprentissage automatique, appliqués à différents ensembles de données IoT. Les résultats montrent qu'un bon niveau de précision peut être obtenu en utilisant 5 capteurs (au lieu de 9) collectant des données à un intervalle de 15 min (au lieu de 1 min). Comme deuxième contribution, nous proposons une approche centrée sur l'occupant pour se concentrer sur le comportement de l'occupant lui-même. Nous utilisons une représentation graphique temporelle du bâtiment et du comportement des occupants pour la prédiction du comportement des occupants, afin de trouver un compromis entre l'optimisation de l'énergie du bâtiment et le confort des occupants. Les tests montrent que notre modèle permet de minimiser la consommation d’énergie jusqu’à 62.21% par rapport à un fonctionnement conventionnel et remplit jusqu’à 94.02% du confort thermique des occupants. Notre troisième contribution est une approche qui, basée sur les deux travaux précédents, détecte les erreurs de prédiction du comportement des occupants. Nous utilisons la détection de l'état d'occupation des pièces en temps réel et la comparons à la prédiction du modèle et, si un faux négatif est détecté, le système corrige cette erreur afin de minimiser l'inconfort. Les résultats montrent que notre modèle optimise la consommation d'énergie HVAC jusqu'à 39.09% et offre jusqu'à 99.39% de confort aux occupants.
Origine : Version validée par le jury (STAR)