Les thermostats intelligents ont changé la façon dont de nombreuses personnes chauffent et refroidissent leur maison en utilisant l'apprentissage automatique pour répondre aux modèles et aux préférences d'occupation, ce qui entraîne une consommation d'énergie inférieure. Cette technologie, capable de collecter et de synthétiser des données, se concentre généralement sur un usage individuel, mais et si ce type d'intelligence artificielle pouvait gérer de manière dynamique le chauffage et la climatisation de l'ensemble d'un campus ? C'est l'idée derrière un effort interdépartemental visant à réduire la consommation d'énergie du campus grâce à des contrôles de bâtiment IA qui répondent en temps réel aux facteurs internes et externes.
Comprendre le défi
Le chauffage et la climatisation peuvent constituer un défi énergétique pour les campus comme le MIT, où les systèmes de gestion de bâtiment (BMS) existants ne peuvent pas répondre rapidement aux facteurs internes tels que les fluctuations d'occupation ou aux facteurs externes tels que les prévisions météorologiques ou l'intensité carbone du réseau. Cela conduit à utiliser plus d’énergie que nécessaire pour chauffer et refroidir les espaces, souvent à des niveaux sous-optimaux. En faisant appel à l'IA, les chercheurs ont commencé à établir un cadre pour comprendre et prédire les points de consigne de température optimaux (la température à laquelle un thermostat doit être maintenu) au niveau de chaque pièce et à prendre en considération une multitude de facteurs, permettant aux systèmes existants pour chauffer et refroidir plus efficacement, le tout sans intervention manuelle.
« Ce n'est pas si différent de ce que les gens font dans les maisons », explique Les Norford, professeur d'architecture au MIT, dont les travaux sur les études énergétiques, les contrôles et la ventilation l'ont associé à cet effort. « Sauf que nous devons réfléchir à des éléments tels que la durée d'utilisation d'une salle de classe dans une journée, les prévisions météorologiques, le temps nécessaire pour chauffer et rafraîchir une pièce, l'effet de la chaleur du soleil entrant par la fenêtre et la manière dont la classe évoluera. la porte pourrait avoir un impact sur tout cela. Ces facteurs sont au cœur de la recherche et des projets pilotes sur lesquels se concentrent Norford et une équipe. Cette équipe comprend Jeremy Gregory, directeur exécutif du MIT Climate and Sustainability Consortium ; Audun Botterud, chercheur principal au Laboratoire des systèmes d'information et de décision ; Steve Lanou, chef de projet au MIT Office of Sustainability (MITOS) ; Fran Selvaggio, ingénieur principal en systèmes de gestion des bâtiments du Département des installations ; et Daisy Green et You Lin, tous deux postdoctorants.
Le groupe est organisé autour de l'appel à l'action visant à « explorer les possibilités d'utiliser l'intelligence artificielle pour réduire la consommation d'énergie sur les campus » décrit dans Fast Forward : le plan d'action climatique du MIT pour la décennie, mais les efforts remontent à 2019. « Alors que nous travaillons à décarboner notre campus, nous explorons toutes les voies », déclare Joe Higgins, vice-président des services et de l'intendance du campus, qui a initialement présenté l'idée aux étudiants lors du MIT Energy Hack 2019. « Pour moi, c'était une excellente occasion d'utiliser l'expertise du MIT et de voir comment nous pouvons l'appliquer à notre campus et partager ce que nous apprenons avec l'industrie du bâtiment. » La recherche sur le concept a débuté lors de l'événement et s'est poursuivie avec des chercheurs étudiants du premier cycle et des cycles supérieurs exécutant des équations différentielles et gérant des projets pilotes pour tester les limites de l'idée. Bientôt, Gregory, qui est également membre du corps professoral de MITOS, a rejoint le projet et a aidé à identifier d'autres personnes susceptibles de rejoindre l'équipe. « Mon rôle en tant que professeur est de trouver des opportunités de connecter la communauté de recherche du MIT aux défis auxquels le MIT lui-même est confronté – c'était donc un choix parfait pour cela », a déclaré Gregory.
Les premiers pilotes du projet se sont concentrés sur le test des points de consigne des thermostats dans NW23, qui abrite le Département des installations et le Bureau de planification du campus, mais Norford s'est rapidement rendu compte que les salles de classe offraient beaucoup plus de variables à tester, et le projet pilote a été étendu au bâtiment 66, un bâtiment mixte. -utiliser un bâtiment abritant des salles de classe, des bureaux et des laboratoires. « Nous avons porté notre attention sur les salles de classe en partie à cause de leur complexité, mais aussi de leur ampleur : il y en a des centaines sur le campus, donc (elles offrent) plus de possibilités de collecter des données et de déterminer les paramètres de ce que nous testons », explique Norford.
Développer la technologie
Le travail visant à développer des contrôles de bâtiment plus intelligents commence par un modèle basé sur la physique utilisant des équations différentielles pour comprendre comment les objets peuvent chauffer ou refroidir, stocker la chaleur et comment la chaleur peut circuler à travers la façade d'un bâtiment. Des données externes telles que la météo, l'intensité carbone du réseau électrique et les horaires des salles de classe sont également des entrées, l'IA répondant à ces conditions pour fournir un point de consigne optimal du thermostat chaque heure – celui qui offre le meilleur compromis entre les deux objectifs de thermique. confort des occupants et consommation d’énergie. Ce point de consigne indique ensuite au BMS existant la quantité de chauffage ou de refroidissement d'un espace. Des tests en conditions réelles suivent, interrogeant les occupants du bâtiment sur leur confort. Botterud, dont les recherches portent sur les interactions entre l'ingénierie, l'économie et la politique sur les marchés de l'électricité, veille à ce que les algorithmes d'IA puissent ensuite traduire cet apprentissage en économies d'énergie et d'émissions de carbone.
Actuellement, les projets pilotes se concentrent sur six salles de classe au sein du bâtiment 66, avec l'intention de passer aux espaces de laboratoire avant de s'étendre à l'ensemble du bâtiment. « L'objectif ici est d'économiser de l'énergie, mais ce n'est pas quelque chose que nous pouvons évaluer pleinement tant que nous n'avons pas terminé l'ensemble d'un bâtiment », explique Norford. « Nous devons travailler classe par classe pour rassembler les données, mais nous avons une vision beaucoup plus large. » L'équipe de recherche a utilisé ses simulations basées sur les données pour estimer les économies d'énergie significatives tout en maintenant le confort thermique dans les six salles de classe pendant deux jours, mais des travaux supplémentaires sont nécessaires pour mettre en œuvre les contrôles et mesurer les économies sur une année entière.
Avec des économies significatives estimées dans chaque classe, les économies d'énergie dérivées d'un bâtiment entier pourraient être substantielles, et l'IA peut aider à atteindre cet objectif, explique Botterud : « Tout ce concept d'évolutivité est vraiment au cœur de ce que nous faisons. Nous passons beaucoup de temps dans le bâtiment 66 pour comprendre comment il fonctionne et espérons que ces algorithmes pourront être étendus avec beaucoup moins d'efforts à d'autres pièces et bâtiments afin que les solutions que nous développons puissent avoir un impact important au MIT », a-t-il déclaré. dit.
Une partie de cet impact important implique le personnel opérationnel, comme Selvaggio, qui joue un rôle essentiel pour relier la recherche aux opérations en cours et les mettre en pratique sur l’ensemble du campus. « Une grande partie du travail de l'équipe BMS est effectuée au stade pilote d'un projet comme celui-ci », dit-il. « Nous avons pu rendre ces systèmes d'IA opérationnels avec notre BMS existant en quelques semaines, permettant aux pilotes de décoller rapidement. » Selvaggio indique qu'en vue de l'achèvement des projets pilotes, l'équipe BMS a identifié 50 bâtiments supplémentaires sur le campus où la technologie pourra facilement être installée à l'avenir pour démarrer des économies d'énergie. L'équipe BMS collabore également avec la société d'automatisation des bâtiments Schneider Electric, qui a mis en œuvre les nouveaux algorithmes de contrôle dans les salles de classe du bâtiment 66 et est prête à les étendre à de nouveaux sites pilotes.
Impact croissant
La réussite de ces programmes ouvrira également la possibilité de réaliser des économies d’énergie encore plus importantes, rapprochant ainsi le MIT de ses objectifs de décarbonation. « Au-delà des simples économies d'énergie, nous pouvons éventuellement transformer nos bâtiments de campus en un réseau énergétique virtuel, où des milliers de thermostats sont regroupés et coordonnés pour fonctionner comme une entité virtuelle unifiée », explique Higgins. Ces types de réseaux énergétiques peuvent accélérer la décarbonisation du secteur électrique en réduisant le besoin de centrales électriques à forte intensité de carbone aux heures de pointe et en permettant une utilisation plus efficace de l’énergie du réseau électrique.
Alors que les projets pilotes se poursuivent, ils répondent à un autre appel à l’action dans Fast Forward : pour que le campus soit un « banc d’essai pour le changement ». Gregory déclare : « Ce projet est un excellent exemple d'utilisation de notre campus comme banc d'essai : il apporte des recherches de pointe à appliquer à la décarbonisation de notre propre campus. Il s'agit d'un projet formidable en raison de son objectif spécifique, mais également parce qu'il sert de modèle sur la manière d'utiliser le campus comme laboratoire vivant.
