GSCOP-RUB-GCSP

Soutenance de thèse de Audrey Le Mounier mercredi 29 juin à 10h dans l'amphi Bergès du bâtiment GreEn-ER

Intitulée : "Méta-optimisation pour la calibration automatique de modèles énergétiques bâtiment pour le pilotage anticipative"
Les membres du jury :
  • Madame Florence OSSART, Professeur à l'UPMC, Sorbonne université, Rapporteur
  • Monsieur Christian INARD, Professeur à l'université de la Rochelle, Rapporteur,
  • Monsieur Alexandre NASSIOPOULOS, Chercheur à l'IFSTTAR, Examinateur,
  • Monsieur Benoît DELINCHANT, Maître de conférences à l'UGA, Directeur de thèse,
  • Monsieur Stéphane PLOIX, Professeur à Grenoble INP, Co-directeur de thèse

Résumé:

Face aux enjeux climatiques actuels, le secteur bâtiment est encouragé à réduire sa consommation énergétique tout en préservant le confort des occupants. C’est dans ce contexte que s’inscrit le projet ANR PRECCISION qui vise au développement d’outils et de méthodes pour la gestion énergétique optimisée des bâtiments qui nécessitent l’utilisation de modèles thermiques dynamiques. Les travaux de thèse, effectués entre le G2Elab et le G-SCOP, se sont focalisés sur les problématiques liées à l’estimation paramétrique de ces modèles. En effet, les incertitudes liées aux phénomènes mal maîtrisés et la nature des modèles rendent le calibrage des paramètres des modèles délicat. Cette procédure complexe n’est à ce jour pas systématisable : les modèles auto-regressifs ont une faible capacité d'extrapolation car leur structure est inadaptée, tandis que les modèles physiques sont non-linéaires par rapport à de nombreux paramètres : les estimations conduisent à des optimums locaux fortement dépendant de l'initialisation. Pour lever ce verrou, plusieurs approches ont été explorées à partir de modèles physiques adaptés pour lesquels des études sur l’identifiabilité ont été menées sur une plateforme expérimentale : PREDIS MHI. Différentes stratégies d'optimisation sont alors proposées visant à déterminer les paramètres qui peuvent être recalés. La première approche repose sur une analyse a priori de la dispersion paramétrique, la seconde repose sur une procédure de méta-optimisation qui détermine dynamiquement, au fur et à mesure d'une séquence d'optimisations, les paramètres à recaler. Les résultats sont analysés et comparés à diverses approches (modèles universels, identification « naïve » de tous les paramètres d’un modèle physique, algorithme génétique, …) à travers différents cas d'application.