Equipe commune de recherche

Doctorat obtenu pour Ly Huynh PHAN

Lundi 10 janvier, Ly Huynh PHAN, doctorant à l’Université de Bordeaux a soutenu sa thèse intitulée « Modelling household activities in instrumented dwellings », menée dans le cadre du projet PREDUSE associant l’équipe de recherche commune GP2E entre NOBATEK/INEF4 & I2M et le laboratoire G-SCOP (INP Grenoble) grâce au soutien de la Région Nouvelle-Aquitaine.

Décision unanime du jury : thèse validée, Ly Huynh PHAN est désormais docteur.

Le travail de Ly Hyunh PHAN a notamment permis des avancées notables sur le lien entre les consommations d’énergie électrique et les activités des occupants, grâce au monitoring de logements résidentiels pilotes.

Des données physiques ont été recueillies et parallèlement, les occupants ont déclaré leurs activités au moyen d’une application mobile développée pour le projet. Le but : créer un modèle pour détecter les activités des usagers et les relier aux consommations énergétiques.

Ly Huynh PHAN va maintenant poursuivre ses travaux de recherche dans le cadre d’un post-doctorat au sein de la même équipe projet sur le thème de l’apprentissage coopératif dans le but de faciliter la collecte des données auprès des occupants.

Doctorat Soutenance Ly Huynh Phan

Résumé de thèse

Il a été démontré que le comportement des occupants est l’un des principaux facteurs expliquant l’écart entre la consommation d’énergie simulée et réelle. De nombreux travaux scientifiques ont été mené sur le sujet de la modélisation des activités des occupants pour réduire cet écart.

Cependant, une activité est affectée par différents éléments de contexte spécifiques à chaque ménage/bâtiment. Pour en tenir compte, des approches stochastiques ont été proposées avec des données statistiques pour modéliser les profils d’activité en fonction des caractéristiques du foyer (individus, type de bâtiment, etc.).

Par contre, leurs résultats ne fournissent uniquement que des informations moyennes, basées sur des informations collectées sur un grand nombre de ménages différents. Par conséquent, ils ne sont pas spécifiques et ne peuvent pas être représentatifs du comportement d’un ménage particulier.

L’approche basée sur les agents est une autre façon de modéliser de manière contextualisée le comportement des occupants dans les maisons puisqu’elle vise à satisfaire les besoins propres de chaque membre d’un ménage spécifique. Cependant, l’approche basée sur les agents est difficile à mettre en œuvre dans les maisons comptant de nombreux membres en raison de leurs interactions.

Dans cette optique, cette thèse étudie les voies possibles d’utiliser les données d’un contexte spécifique, provenant de capteurs et de questionnaires, pour estimer les activités des occupants (cuisiner, dormir, se doucher, etc.) ainsi que leurs impacts énergétiques associés. L’un des enjeux est d’identifier les grandeur/indicateurs les plus adaptés/explicatifs pour l’estimation des activités. Cette approche tenant compte du contexte spécifique à chaque ménage doit par ailleurs être vérifiable et fournir des informations compréhensibles aux résidents pour améliorer leurs comportements énergétiques.

Dans cette thèse, une application mobile a été développée pour collecter les labels d’activité des occupants. Ces étiquettes ont ensuite été combinées avec des données de capteurs et des informations sur le contexte de la maison pour détecter et simuler les activités des occupants et leurs impacts énergétiques. La démarche proposée est constituée de trois étapes :

  • Estimer les activités des occupants à l’aide des données issues de capteurs, du contexte et des labels d’activités. Il s’agit d’abord d’identifier les grandeurs/indicateurs les plus pertinents pour estimer l’activité considérée. Ensuite, un réseau bayésien basé sur les conséquences est construit avec les connaissances issues des mesures et des questionnaires pour estimer les activités des occupants. Deux maisons ont été utilisées pour les tests. La validation croisée et le score F1 sont utilisés pour évaluer la qualité des prévisions du modèle. Les résultats montrent que le modèle peut estimer certaines activités (cuisine, vaisselle, lessive, soins personnels, etc.) avec un score F1 de 0,7 à 0,9.
  • Evaluer les impacts énergétiques des activités des occupants en combinant des informations issues de capteurs, de connaissances et des labels d’activités. La thèse se concentre sur les effets des activités sur la consommation d’électricité. Un réseau bayésien est construit pour chaque activité afin d’évaluer ses impacts sur la consommation électrique. Le modèle a été testé avec de nombreuses activités dans les études de cas. Plus précisément, le modèle compare statistiquement la consommation d’électricité entre les activités et les jours de la semaine.
  • Simuler les activités des occupants et leurs impacts énergétiques, ce qui est notamment utile pour la rénovation des bâtiments. Les résultats des modèles précédents ont été réutilisés et combinés avec des simulations de type Monte-Carlo pour produire les séquences d’activités des occupants et la consommation d’électricité engendrée.

Des comparaisons entre la consommation électrique simulée et réelle des appareils ont été effectuées pour vérifier la qualité du modèle.