Les halles de fabrication, les terminaux d’aéroport ou les immeubles de bureaux sont fréquemment équipés de chauffages «anticipateurs». Ils fonctionnent sur la base de scénarios préprogrammés et permettent à l’exploitant de réaliser de très sensibles économies. Mais pour ce qui concerne les appartements ou les maisons individuelles, la programmation – nécessairement sur mesure – s’avère trop coûteuse.
L’été dernier, un groupe de chercheurs de l’Empa a montré que les commandes de chauffage et de rafraîchissement pouvaient se passer de scénarios en tirant leurs propres enseignements des données des semaines et des mois précédents. Plus besoin de programmateurs professionnels. Les familles et les célibataires pourront bientôt profiter de cette technique.
L’expérience décisive a été effectuée dans le bâtiment d’essais NEST. C’est l’unité «UMAR» (Urban Mining and Recycling) qui offrait en l’occurrence les meilleures conditions: un vaste séjour/cuisine flanqué à gauche et à droite d’une chambre d’étudiant de 18 m2, le tout orienté est-sud-est, sur le soleil du matin. Pour calculer l’énergie utilisée par chaque pièce, l’expérience s’est basée sur la position des vannes de réglage.
Rafraîchir intelligemment grâce à la météo
Ne voulant pas attendre la période chauffée, le chef de projet Felix Bünning et son collègue Benjamin Huber ont lancé une expérience de rafraîchissement dès juin 2019. Selon la consigne, les deux chambres ne devaient pas dépasser 25°C le jour et 23°C la nuit. Une vanne thermostatique habituelle permettait de régler l’une des chambres, alors que l’autre était sous contrôle de la commande expérimentale mise au point par l’équipe de Bünning et Huber. Le logiciel d’intelligence artificielle disposait de données couvrant les dix derniers mois ainsi que les prévisions en cours de MétéoSuisse.
Plus agréable et d’un quart plus économe
Le résultat s’est révélé clair et net: le chauffage-rafraîchissement intelligent a mieux respecté la consigne tout en consommant 1/4 d’énergie en moins que le système mécanique. Cela s’explique surtout par le fait que, le matin, lorsque le Soleil brillait à travers les fenêtres, le système enclenchait le rafraîchissement de manière préventive. Le thermostat mécanique de la chambre d’en face, lui, ne réagissait que lorsque la chaleur avait traversé le plafond, trop tard, trop brusquement, trop fort.
En novembre 2019, qui fut froid, peu ensoleillé, pluvieux et venteux, Bünning et Huber ont renouvelé l’expérience. Il ne s’agissait plus de rafraîchir mais de chauffer les deux chambres. A l’heure où nous mettons sous presse, les résultats sont en cours d’évaluation.
Bünning est confiant que cette fois encore, le réglage anticipateur va marquer des points. L’équipe prépare déjà l’étape suivante: «Pour tester le système sur le terrain et en grand, nous avons choisi un immeuble de 60 appartements. Nous équiperons quatre appartements de nos commandes intelligentes de chauffage et rafraîchissement.»
Il leur faudra préalablement charger le logiciel – qui tournait sur le cloud – dans un petit bloc de commande local. « Le bloc remplacera le thermostat des appartements test« , explique Felix Bünning, impatient de voir les résultats.
« Je crois que le réglage par machine learning présente un grand potentiel. Nécessitant peu de moyens et des données faciles à réunir, il peut être monté sur des chauffages existants et leur permettre d’économiser de l’énergie.«
Légende : « L’unité «Urban Mining and Recycling» du bà¢timent d’essais NEST sur le campus de l’Empa. L’expérience a été conduite dans les deux chambres d’étudiant, à droite et à gauche de l’unité «Urban Mining and Recycling» du bâtiment d’essais NEST du campus de l’Empa.
Crédit photos : Zooey Braun, Stuttgart / Empa
Newsletter Enerzine
Recevez les meilleurs articles
Énergie, environnement, innovation, science : l’essentiel directement dans votre boîte mail.
