Les Bâtiments Intelligents (BIs) intéressent plusieurs communautés de recherche, grâce à leur capacité à améliorer le Confort Thermique (CT) ainsi que l’efficacité énergétique (EE). Un important travail de recherche a été dédié à la prédiction du CT dans les BIs, dans lequel différents paramètres d’entrée sont priorisés selon leur influence sur le CT. Afin d’améliorer la précision des prédictions du CT, tout en respectant la vie privée de l’occupant, nous avons adopté une approche décentralisée qui utilise des données hybrides et hétérogènes de différents BIs. L’Apprentissage Fédéré (AF), s’est avéré très approprié à ce contexte. Pour une meilleure EE, nous avons conçu notre propre algorithme d’AF pour prédire le CT en s’appuyant sur une allocation optimale des ressources. En considérant plusieurs BIs reliés au même smart grid, le problème d’EE se pose au niveau de chaque bâtiment ainsi qu’au niveau des fournisseurs du réseau électrique. L’AF est donc utilisé pour prévoir la demande d’énergie pour chaque BI. Nous avons assuré la sécurité de notre modèle théoriquement à l’aide de la confidentialité différentielle. De plus, un réseau IoT, qui adopte une méthode hybride de contrôle thermique intelligent a été proposé. Grâce à cette méthodologie, les prévisions de CT et de consommation d’énergie ont été nettement améliorées en comparaison avec les autres modèles de la littérature. Les résultats des simulations ont montré la pertinence de nos contributions qui présentent des avancées significatives en termes de prédiction de CT avec minimisation de la consommation énergétique.
Maysaa Khalil (Tue,) studied this question.