Approches de co-clustering de séries temporelles pour l’identification de signatures énergétiques de bâtiments à l’échelle urbaine

De nos jours, de grandes quantités de données formalisées par des séries temporelles sont accumulées dans le cadre du monitoring énergétique des bâtiments urbains, avec une utilisation plus répandue de capteurs (compteurs communicants, thermostats connectés, autres capteurs spécifiques, etc.). Cette thèse vise à exploiter de telles données relatives au fonctionnement et à l’usage réel de multiples bâtiments (consommation d’électricité ou de gaz, température et humidité mesurées à l'intérieur et à l’extérieur des bâtiments, qualité de l’air) afin de fournir des outils d’aide à la décision dans l’évaluation de leurs performances énergétiques. Le secteur du bâtiment, reconnu pour être l’un des plus gros consommateur d’énergie (environ 40% de la consommation globale d’énergie dans l’Union Européenne), constitue en effet un levier d’action important des politiques actuelles d’économie d’énergie. Dans ce contexte, il est essentiel de mettre en place des outils de caractérisation et de comparaison de panels de bâtiments en termes de performances énergétiques, notamment pour en assurer une gestion plus efficace, pour mieux cibler les politiques de rénovation et pour mettre en évidence d’éventuelles vulnérabilités par rapport à des conditions climatiques extrêmes, participant ainsi à la réduction globale des émissions de gaz à effet de serre. Les méthodes généralement utilisées dans le domaine de l’énergie construisent des indicateurs agrégés, par exemple la consommation annuelle d’énergie normalisée par rapport à la surface ou à la température extérieure, sans tenir compte de la dynamique réelle de fonctionnement des bâtiments.

Cette thèse ambitionne ainsi d’exploiter l’apprentissage statistique non supervisé pour extraire de ces données massives une vue synthétique de la dynamique thermique de bâtiments et des interactions occupants-bâtiments souvent difficiles à observer et à mesurer. La classification non supervisée, ou clustering, qui consiste à résumer des données à l'aide d'un nombre réduit de classes, est l’une des méthodes couramment utilisées dans ce domaine. Lorsque les données sont formalisées par des séries temporelles issues de capteurs, cette approche doit allier synthèse des données, gestion efficace de la dimensionnalité liée à leur caractère temporel, et capacité d’interprétation cohérente avec les principes physiques sous-jacents. La classification croisée ou co-clustering, à travers un double partitionnement de données, s’inscrit bien dans cette démarche de recherche d’une classification interprétable notamment pour des données à dimensionnalité élevée. Dans le contexte de l’analyse de séries temporelles voire de données fonctionnelles, peu de méthodes de partitionnement croisé offrent un cadre adapté à la prise en compte des dimensions temporelle et physique des données. Cette thèse vise donc à combler cette lacune, à travers la mise au point de modèles de partitionnement croisé interprétables, dédiés aux séries temporelles, pour l’identification de signatures énergétiques de bâtiments.

Unité de Recherche GRETTIA - Génie des Réseaux de Transport Terrestres et Informatique Avancée

Le candidat recherché pour cette thèse sera titulaire d’un diplôme équivalent Master 2 orienté Science de données ou Statistique/Informatique avec un intérêt pour le domaine applicatif de l'énergie. Une bonne connaissance des langages R et/ou Python est également demandée.