Innovation

Aujourd’hui, les PID sont les systèmes de contrôle de niveau inférieur les plus courants, tandis que le contrôle par contrôleur basé sur des règles (RBC) est considéré comme la norme pour optimiser la gestion de haut niveau des systèmes CVC, mais les économies d’énergie qui en résultent sont limitées. En effet, dans le contrôle RBC, les stratégies sont fixes et non évolutives aux différentes conditions climatiques ou caractéristiques du bâtiment, incapables de prédire les changements dans les systèmes CVC.

Pour surmonter ces limitations, l’application de stratégies de contrôle basées sur des modèles a été explorée ces dernières années. En particulier, le modèle de contrôle prédit (MPC) est devenu la stratégie de contrôle dominante dans la recherche sur l’exploitation des bâtiments intelligents.

Cependant, si la mise en œuvre du MPC a démontré son excellente capacité à améliorer le confort thermique et à réduire la consommation d’énergie, son caractère modélisé est un problème critique dans certains cas.

En effet, un problème important avec MPC est lié à la dépendance des performances à la définition d’un modèle pour optimiser la stratégie de contrôle, qui est souvent difficile à concevoir avec une bonne précision. De plus, il est difficile de généraliser son utilisation à différents types d’usines et de bâtiments. En conséquence, les contrôleurs MPC n’ont pas été adoptés comme prévu dans l’industrie de la construction, malgré des résultats prometteurs.

La recherche s’est également concentrée sur le développement de contrôleurs sans modèle basés sur Machine Learning (ML), qui a montré un grand potentiel pour améliorer les performances des bâtiments, en particulier lorsqu’il est basé sur Reinforcement Learning (RL). L’intérêt pour les stratégies de contrôle basées sur RL augmente et Enerbrain contribue à la recherche dans ce domaine.