PartagerRéinventer le froid domestique : comment l’apprentissage automatique alimente les économies d’énergie
Une équipe de chercheurs de l’université de Zhejiang et de Hangzhou Kangbei Motor Co., Ltd., en Chine, a mis au point une stratégie de régulation pour réfrigérateurs domestiques fondée sur la prédiction du comportement et l’apprentissage par renforcement profond, qui permettrait de réaliser 28,7 % d’économies d’énergie en une semaine, selon un article récemment paru dans la Revue internationale du froid.
Un ensemble de recherches ont récemment été menées sur l’optimisation des réfrigérateurs domestiques, recourant notamment à des capteurs de porte et au concept de charge thermique pour mettre en œuvre une régulation à logique floue qui réduit la consommation d’énergie. Bien que ces stratégies accroissent l’efficacité énergétique, les conditions dans lesquelles elles sont concrétisées dépendent encore largement d'une approche heuristique empirique et de la possession d’une expertise spécifique.
Dans une étude récemment publiée par la Revue internationale du froid, une équipe de chercheurs de l’université de Zhejiang et de Hangzhou Kangbei Motor Co., Ltd., en Chine, a mis au point une stratégie de régulation pour réfrigérateurs domestiques reposant sur la prédiction des comportements et l’apprentissage par renforcement profond.
L’apprentissage par renforcement (reinforcement learning, RL) est un procédé d’apprentissage profond dans lequel le système interagit avec son environnement par le biais d’essais et d’erreurs, tirant parti de mécanismes de rétroaction pour « apprendre » quelles actions optimales permettent de maximiser la récompense accumulée.
Dans leur étude, Hao-Ran Li et ses collaborateurs proposent un algorithme qui intègre des informations prédictives sur le comportement d’ouverture de porte afin d’améliorer la régulation de la température et l’efficacité énergétique du réfrigérateur. Leur modèle de prédiction du comportement d’ouverture de la porte par les utilisateurs s’avère jusqu’à 85 % plus précis que les modèles existant dans les travaux antérieurs.
Les expériences montrent que cet algorithme permet de réaliser jusqu’à 28,7 % d’économies d’énergie sur une semaine en comparaison avec les méthodes de régulation conventionnelles, tout en maintenant l’appareil à des températures stables.
Les chercheurs estiment que grâce aux progrès des technologies liées à l’Internet des objets, de futures améliorations de l’efficacité énergétique pourraient être obtenues en intégrant un éventail plus large de données, afin de mieux saisir les profils d’activité des utilisateurs.
L’étude est disponible en intégralité dans la Revue internationale du froid.