Contributing to the Energy Efficiency of Smart Homes : An Automated Management Framework

Contribution à l'efficacité énergétique des maisons intelligentes : un framework de gestion automatisée Ces dernières années, la consommation électrique des systèmes cyber-physiques (CPS) a augmenté en raison du nombre croissant d'équipements connectés (par exemple, appareils intelligents, équipements IoT...), principalement dans le secteur résidentiel. Un grand nombre d'appareils intègrent des capteurs leur permettant de produire des données décrivant l'état d'un appareil ou le comportement d'une personne (par exemple, capteur de température, capteur de présence...). En outre, de nombreux appareils sont équipés d'actionneurs capables d'accomplir des tâches ayant un impact sur l'environnement (par exemple, le contrôle de la lumière, le système de chauffage, de ventilation, de climatisation...). Ces dispositifs ont le potentiel de collecter une grande quantité de données qui peuvent être utiles pour l'estimation et la gestion de l'énergie. Cependant, les approches actuelles de gestion de l'énergie sont principalement appliquées à des modèles limités d'appareils dans des domaines spécifiques et sont difficiles à mettre en œuvre dans d'autres scénarios.Ces approches actuelles présentent des limites en termes de leur niveau d'autonomie, leur flexibilité, leur généricité, les métriques contrôlées et l'hétérogénéité des dispositifs étudiés.Afin de répondre à ces lacunes, nous présentons, dans cette thèse, une approche de gestion de l'énergie pour les environnements connectés basée sur la génération de modèles d'estimation de puissance, la représentation d'une description formelle des connaissances liées à l'énergie et à l'utilisation des techniques d'apprentissage par renforcement (RL) pour accomplir des actions énergétiques efficaces. Nous illustrons notre proposition dans le domaine de la maison intelligente.Nous présentons d'abord une approche de modélisation autonomique de la puissance utilisée pour générer des modèles précis d'estimation de la puissance en temps réel pour tout type de dispositif dans des environnements hétérogènes.Ensuite, nous présentons une extension orientée énergie pour une ontologie de référence. Elle vise à représenter les concepts utiles impliqués dans la gestion de l'énergie dans les environnements connectés.De plus, nous développons les algorithmes de notre approche RL qui exploitent les connaissances de l'estimateur de puissance et de l'ontologie pour générer l'agent RL et des environnements d'apprentissage correspondants. Nous présentons également différentes fonctions de récompense basées sur les préférences des utilisateurs et la consommation d'énergie.L'approche proposée donne de bons résultats compte tenu de la faible période de convergence, du niveau de satisfaction des préférences des utilisateurs et de la diminution significative de la consommation d'énergie.La principale contribution de cette thèse est de garantir une gestion autonome de la consommation d'énergie. Elle fournit également une visibilité sur les pertes d'énergie en estimant la consommation d'énergie des dispositifs de manière automatisée. Elle propose également une manière de représenter les connaissances liées à l'énergie. Enfin, elle garantit que des actions efficaces sur le plan énergétique sont exécutées dans des environnements hétérogènes.