Diagnostic et optimisation en ligne des systèmes de gestion de l'énergie pour bâtiments intelligents

Cette thèse présente un cadre intégré pour l'intelligence des côtés demande et offre dans les systèmes de gestion d'énergie (EMS) pour bâtiments intelligents, conçu pour des plateformes edge informatiques à ressources limitées. La partie sur la demande traite de la surveillance des appareils grâce à la méthode abordable Non‑Intrusive Load Monitoring (NILM). Les méthodes NILM actuelles d'avant‑garde souffrent d'une faible généralisation lors de variations de domaine et exigent beaucoup de calcul. D'abord, une étude théorique des architectures NILM basées sur des réseaux de neurones convolutionnels mesure la perte de performance sous changements de domaine via un développement de Taylor du premier ordre, et identifie les principales sources d'erreur affectant la généralisation. Pour remédier à cela, on propose un cadre NILM sans phase d'entraînement (training‑less), combinant un modèle probabiliste des états des appareils, une programmation dynamique pour des mises à jour séquentielles, un module léger d'estimation de la charge de base, et un algorithme d'apprentissage incrémental basé sur une population. La méthode fonctionne en temps réel, résiste aux changements de domaine, et élimine le besoin de grandes quantités de données spécifiques à chaque appareil. La partie sur l'offre se focalise sur le diagnostic des panneaux photovoltaïques (PV) à partir de modèles, avec un accent particulier sur l'identification des paramètres en conditions réelles. Les méthodes traditionnelles basées sur le modèle (modèle à diode unique ou ses variantes) supposent des conditions uniformes rarement atteintes dans la pratique. Sous des conditions non uniformes, estimer les paramètres du modèle à diode unique avec cette hypothèse cause des erreurs qui rendent les paramètres peu fiables pour le diagnostic. En premier lieu, on développe un cadre d'optimisation multi‑objectif pour identifier conjointement des paramètres dans les modèles PV statiques et dynamiques, intégrant des données de courbe courant‑tension (I‑V) avec des mesures de spectroscopie d'impédance électrochimique (EIS), afin de produire des estimations de paramètres physiquement valides. Cependant, cette approche dépend du matériel EIS, encore peu mature pour des applications PV en ligne. Pour surmonter cette limite, on introduit un modèle auto‑adaptatif à sept paramètres, le Double Single‑Diode Model (D‑SDM), qui n'utilise que les données I‑V pour estimer les paramètres. Une fonction d'erreur robuste permet d'isoler les segments valides de la courbe, et des algorithmes évolutionnaires sont employés pour l'ajustement, garantissant des estimations stables et précises en conditions réelles, et une détection fiable de phénomènes de dégradation comme l'augmentation de la résistance série. Enfin, pour démontrer la faisabilité pratique, les cadres NILM et de diagnostic PV sont intégrés dans une plateforme edge unifiée capable d'exécuter les deux tâches simultanément. Le système est testé sur un Raspberry Pi 4 exécutant Home Assistant, plateforme open‑source d'automatisation domestique. Tous les traitements s'effectuent localement sur l'appareil, et les résultats sont fournis via une interface unique qui garantit la vie privée et une utilisation facile. La validation expérimentale confirme que la plateforme maintient une faible latence, des performances stables et une opération continue tout en assurant la surveillance temps‑réel des demandes et de l'offre. De plus, pour permettre un déploiement à grande échelle des solutions de suivi énergétique edge‑based, cette thèse propose une stratégie commerciale combinant calcul local et services cloud optionnels tels que modélisation précise des appareils, prévision et informations automatisées. Cette stratégie cible les utilisateurs résidentiels, les propriétaires de systèmes PV et les installateurs professionnels, offrant une solution rentable et évolutive pour la surveillance et gestion énergétique en temps réel dans les bâtiments intelligents.