Knowledge-Driven Reinforcement Learning for Demand Side Multi-Building Energy Management

Les bâtiments sont responsables d'une part importante de la consommation énergétique et des émissions mondiales. Améliorer leur efficacité opérationnelle grâce à des stratégies de contrôle avancées offre une opportunité concrète de réduire la consommation d'énergie tout en préservant le confort des occupants et l'état des équipements. Parmi les approches basées sur les données, l'apprentissage par renforcement (RL) est prometteur grâce à sa capacité à apprendre des politiques de contrôle directement à partir des données des capteurs, sans nécessiter de modèles système détaillés. Cependant, les techniques d'apprentissage par renforcement standard se heurtent à plusieurs obstacles dans les applications concrètes du bâtiment, notamment dans les contextes multi-bâtiments. Parmi ces obstacles figurent des temps d'apprentissage longs, des préoccupations en matière de sécurité, des problèmes d'évolutivité et un accès limité aux données granulaires ou « derrière le compteur ».Cette thèse étudie l'utilisation des connaissances du domaine pour surmonter ces limitations. Elle propose d'abord une taxonomie des représentations des connaissances du domaine pertinentes pour les problèmes de contrôle des bâtiments. Elle présente ensuite un ensemble de techniques permettant d'intégrer ces connaissances aux différentes étapes du pipeline d'apprentissage par renforcement, de la formulation du problème et de la modélisation de l'environnement à la formation et au déploiement. À travers une série d'exemples illustratifs, la thèse démontre comment ces stratégies fondées sur les connaissances peuvent améliorer l'efficacité de l'apprentissage, réduire les besoins en infrastructures, favoriser la participation des utilisateurs et renforcer la sécurité. Les exemples couvrent des scénarios impliquant un seul bâtiment ou plusieurs bâtiments, en mettant l'accent sur les environnements où les données sont limitées. Globalement, ces travaux démontrent qu'une approche axée sur les connaissances permet l'application pratique du RL à la gestion coordonnée de l'énergie des bâtiments dans des conditions réelles.