pachama

———————————————————

Sobriété énergétique
et Permaculture

—————————v—————————








Prédiction de la consommation énergétique d'une maison à l'aide des réseaux de neurones

Lors d'un diagnostic de performance énergétique (DPE), la consommation type d'une maison individuelle peut-être évaluée théoriquement sur la base d'un relevé des épaisseurs isolantes et des systèmes énergétiques, ou "expérimentalement" sur la base des factures énergétiques passées (trois ans). Ces calculs sont sommaires, et des ingénieurs thermiciens peuvent à partir de modélisations fines calculer des consommations plus précises, et prédire les effets de diverses modifications envisagées. L'utilisation des méthodes par apprentissage, sur des relevés plus fréquents permettent aussi d'affiner ces calculs, et de prédire quelques effets de modifications.

Cette étude est basée sur des relevés de compteur électrique d'une maison dont le chauffage principal est l'électricité. La maison comporte également un chauffage d'appoint en bois bûches (poêle). Quatre saisons de chauffage (du 1er septembre au 31 août) ont été suivies. La maison était alors en rénovation, et la surface chauffée a augmenté au cours des quatre années.

Les calculs ont été effectués à l'aide des logiciels R/Rstudio.

Les réseaux de neurones sont élaborés grâce à la bibliothèque AMORE (à installer sur R avant l'utilisation du script).

Les réseaux de neurones sont une méthode statistique par apprentissage, qui permet la construction d'un algorithme de prédiction. Pour plus d'information voir cette méthode, voir l'article wikipedia.

Vous pouvez télécharger les quatre fichiers de données (csv) et le script R en cliquant sur ce lien.

RN_maison.zip

On dispose des données collectées suivantes:

On peut visualiser les points collectés (énergie électrique consommée par jour en fonction de la température moyenne sur la période) ci-dessous.

Electricité et température

Le réseau de neurones est construit avec 4 paramètres d'entrée:

Il comporte deux couches cachées de 4 et 5 neurones. Les fonctions d'activation sont "sigmoïde" pour la couche cachée et "tangente/sigmoïde" pour la couche de sortie.

Au bout de 20000 itérations (cf. graphique ci-dessous), l'algorithme d'apprentissage donne une configuration de réseau avec une erreur de moins de 0,7% par rapport à l'ensemble des points appris (4 années).

erreur réseau de neurones

Le réseau obtenu a été vérifié en réalisant des études paramétriques, afin de voir la prédiction donnée par le réseau lorsque qu'un paramètre influent varie. On voit ci-dessous que toutes les courbes obtenues sont cohérentes avec ce que nous pouvions attendre.

Réseau de neurones et poele à bois

L'impact légèrement croissant au départ n'est pas forcément logique, mais étant donné que l'apprentissage de ce paramètre ne comporte que des 0 (pas d'utilisation du poêle), des 0,5 (un peu de poêle) et des 1 (poêle utilisé le plus souvent possible), il est compréhensible que les points intermédiaires comportent un peu d'incertitude.

Réseau de neurones et surconsommation

Réseau de neurones et surface chauffée

On remarque que l'influence de la surface chauffée n'est pas si importante : ceci s'explique par le fait que la surface a augmenté au fil des ans, mais que ces nouvelles surfaces aspirait déjà un peu de chaleur des autres pièces avant leur équipement. De plus l'arrivée des nouvelles pièces à chauffer a coïncidé avec l'amélioration de leur isolation.

Réseau de neurones et température extérieure

On note ici l'importance des non-linéarités, ce qui montre que les méthodes linéaires (type DJU, degré jour unitaire) sont potentiellement approximatives.

Pour finir on peut prédire la consommation de la maison sur sa surface chauffée finale, sur une année complète à température normale (chronique météo). On voit ci-dessous deux scénarii, sans utilisation du poêle à bois, et avec l'utilisation dès que la température moyenne descend en dessous de 12°C.

Réseau de neurones et consommation moyenne

La somme de ces 365 points sur l'année donne une consommation de 8902 kWhe sans chauffage bois, et 7586 kWhe avec chauffage bois, soit 18% de moins.