Louis Closson

L'optimisation de la consommation énergétique et la gestion intelligente des bâtiments représentent des défis cruciaux face aux enjeux environnementaux, économiques et sociaux actuels. Les bâtiments, qui représentent 34% de la consommation énergétique mondiale et 37% des émissions de CO2, se trouvent au cœur des préoccupations en matière de durabilité. Cette thèse explore le potentiel de l'apprentissage automatique et des pratiques DataOps pour favoriser une gestion efficace des bâtiments intelligents en s'appuyant sur des infrastructures Internet des objets (IoT) et des méthodologies avancées d'analyse des données. Ce travail apporte plusieurs contributions. Tout d'abord, un jeu de données détaillé a été développé à partir de l'API du bâtiment GreEn-Er, permettant l'analyse de séries temporelles réelles, telles que les températures et les niveaux de CO2, pour la détection d'anomalies et le regroupement. Un second jeu de données a été créé en instrumentant un bâtiment tertiaire avec des capteurs, fournissant un accès ouvert à des données sur la température, la qualité de l'air et la consommation des systèmes CVC sur de longues périodes. La thèse examine également des techniques de modélisation prédictive, pour la prévision des températures de la qualité de l'air et des consommations énergétiques. Une innovation clé réside dans l'adaptation des approches d'apprentissage par transfert pour optimiser les performances des algorithmes sur des données de capteurs variées tout en minimisant les coûts computationnels. Les méthodologies et résultats, validés par des mises en œuvre concrètes, offrent des perspectives précieuses pour l'intégration de l'intelligence artificielle dans la gestion des bâtiments intelligents. En améliorant la détection d'anomalies, la précision des prévisions et les capacités d'apprentissage par transfert, cette recherche répond au besoin croissant de solutions durables et évolutives pour les bâtiments, ouvrant la voie à de futures avancées dans les applications industrielles.