Nous avons le plaisir d’annoncer la publication de l’article
𝐃𝐢𝐟𝐟𝐮𝐬𝐢𝐨𝐧 𝐌𝐨𝐝𝐞𝐥𝐬 𝐟𝐨𝐫 𝐂𝐨𝐧𝐝𝐢𝐭𝐢𝐨𝐧𝐞𝐝 𝐃𝐢𝐬𝐭𝐫𝐢𝐜𝐭 𝐇𝐞𝐚𝐭𝐢𝐧𝐠 𝐍𝐞𝐭𝐰𝐨𝐫𝐤 𝐓𝐢𝐦𝐞 𝐒𝐞𝐫𝐢𝐞𝐬 𝐆𝐞𝐧𝐞𝐫𝐚𝐭𝐢𝐨𝐧
paru dans le Journal of Physics: Conference Series à l’occasion de CISBAT International Scientific Conferences 2025.
Ce travail a également été présenté sous forme de poster par Frédéric Montet lors de cette conférence, organisée par EPFL et le Smart Living Lab. La prochaine édition aura lieu à Fribourg en 2027.
𝐕𝐨𝐢𝐜𝐢 𝐥’𝐚𝐫𝐭𝐢𝐜𝐥𝐞 𝐞𝐧 𝐥𝐢𝐠𝐧𝐞 :
https://iopscience.iop.org/article/10.1088/1742-6596/3140/2/022030
Ce travail a été mené par des chercheurs d’iCoSys, en collaboration avec l’Universität Freiburg, et s’inscrit dans nos recherches sur l’IA appliquée aux systèmes énergétiques complexes.
𝐃𝐞 𝐪𝐮𝐨𝐢 𝐩𝐚𝐫𝐥𝐞 𝐥’𝐚𝐫𝐭𝐢𝐜𝐥𝐞 ?
La modélisation du comportement des bâtiments et des réseaux de chauffage à distance est essentielle pour améliorer la gestion énergétique, la planification de scénarios et la résilience des infrastructures. Les outils de simulation classiques, bien que largement utilisés, peuvent toutefois montrer leurs limites en termes de flexibilité et de passage à l’échelle.
Dans cet article, les auteurs explorent l’utilisation de modèles de diffusion, une approche récente en apprentissage profond, pour générer des séries temporelles multivariées conditionnées représentant le comportement de bâtiments connectés à un réseau de chauffage à distance.
L’approche proposée permet notamment :
> de générer des données synthétiques réalistes (débits, puissances, températures)
> de conditionner la génération à partir de données publiques sur les bâtiments (registre fédéral des bâtiments)
> d’évaluer la capacité du modèle à reproduire tendances moyennes, variabilité et dynamiques temporelles.
𝐏𝐫𝐢𝐧𝐜𝐢𝐩𝐚𝐮𝐱 𝐞𝐧𝐬𝐞𝐢𝐠𝐧𝐞𝐦𝐞𝐧𝐭𝐬
Les résultats montrent que les modèles de diffusion parviennent à capturer correctement les propriétés statistiques des séries temporelles sur des horizons courts, et à intégrer une information contextuelle issue des bâtiments. Des défis subsistent toutefois pour la reproduction fidèle des pics et des valeurs extrêmes, ouvrant des perspectives claires pour de futurs travaux méthodologiques et applicatifs.
👏𝐅é𝐥𝐢𝐜𝐢𝐭𝐚𝐭𝐢𝐨𝐧𝐬 𝐚𝐮𝐱 𝐚𝐮𝐭𝐞𝐮𝐫𝐬 :
Frédéric Montet, Benjamin Pasquier, Michal Bryxí, Beat Wolf, Philippe Cudre-Mauroux et Jean Hennebert
Ce travail illustre le potentiel des méthodes d’IA générative pour compléter les outils de simulation énergétique traditionnels, et contribue aux réflexions menées à iCoSys autour de la modélisation des systèmes complexes, de l’IA responsable et des applications concrètes de l’apprentissage automatique dans le domaine de l’énergie.