L’essor croissant de systèmes et d’équipements connectés dans le bâtiment a conduit à une diffusion généralisée d’édifices appelés « bâtiments connectés » ou « bâtiments intelligents ».

Ces derniers peuvent être considérés comme une association diversifiée de systèmes, logiciels, capteurs et actionneurs qui génèrent et collectent quantité de données de nature variée. Ces données peuvent être analysées et exploitées pour fournir des applications ou des services utiles à destination de l’occupant, d’un utilisateur tiers ou du bâtiment lui-même. De ce fait, leur accessibilité comme leur disponibilité sont devenu des préoccupations majeures. Cependant, en raison d’événements rares et anormaux susceptibles de se produire de leur production à leur exploitation, la quantité ou la qualité des données peut souvent devenir limitante, entravant l’utilisation efficace de tels services.

Pour pallier ce problème, il devient essentiel d’identifier ces évènements ou observations anormales pour espérer les corriger à terme, permettant ainsi de disposer des données en quantité et d’une qualité suffisante pour une utilisation optimale. Dans ce contexte, les techniques d’identification d’événements anormaux, également connues sous le nom de détection d’anomalies, constituent un domaine en constante évolution qui a suscité un vif intérêt et la contribution de diverses disciplines au sein de la littérature. Cette implication interdisciplinaire a conduit à un ensemble aussi vaste que varié de techniques dont le choix et l’application, souvent propres à des données ou anomalies spécifiques, complexifient la mise en œuvre.

Ces travaux de thèse se sont intéressés à l’identification d’évènements ou observations anormales dans un ensemble de données et sur diverses anomalies issues de mesures dans le bâtiment, avec deux objectifs principaux.

D’une part, la création d’une méthodologie de sélection de techniques de détection d’anomalies, à base d’apprentissage automatique (ou machine learning), adaptée aux anomalies pouvant être fréquemment rencontrées dans les mesures du bâtiment. Cette démarche vise à évaluer et classifier différents types de techniques de détection d’anomalies (p. ex. prédiction, reconstruction, classification) selon la nature des données et le type d’anomalies rencontrées. Ceci afin de mettre en lumière les avantages, inconvénients et spécificités de plusieurs méthodes relevées dans la littérature, et actuellement utilisées ou potentiellement applicables aux mesures du bâtiment.

D’autre part, cette thèse a intégré une expertise métier tout au long du processus pour adapter et améliorer, lorsque cela était possible, l’entrainement, l’application des techniques ainsi que l’interprétation des résultats pouvant être apportés. Le but était de proposer un ensemble de bonnes pratiques applicables et éprouvées dans le domaine. À titre d’exemple, un travail préparatoire a été effectué pour transformer les données d’entrainement, incluant l’ajout de métriques expertes dans le cadre d’un problème de classification.