Pour comprendre comment l'intelligence artificielle a révolutionné l'efficacité énergétique à l'hôtel Poseidon Playa, examinons de plus près la gestion de la zone Bar-Cafétéria. Cette zone constitue une excellente étude de cas de la manière dont l'intelligence artificielle peut gérer efficacement la consommation d'énergie, en tenant compte d'une variété de facteurs clés tels que la température intérieure et extérieure, les températures de référence, les modèles d'occupation et les erreurs d'optimisation potentielles. Un élément crucial de cette analyse est que les programmes des systèmes CVC et d'autres appareils sont basés sur un modèle marche-arrêt. En d'autres termes, si le profil de puissance dépasse 10 kW, la machine est considérée comme étant en fonctionnement ; dans le cas contraire, un signal d'arrêt est émis. La figure 1 de l'étude présente le comportement de ces variables sur une période de trois jours, du 27 mai à 9h00 au 30 mai à 9h00.
Figure 1. Série chronologique des paramètres d'optimisation dans le "Bar Cafétéria".
Dans ce scénario, l'intelligence artificielle joue un rôle clé en activant les machines pendant les périodes de forte occupation ou lorsque les conditions environnementales menacent d'altérer le confort thermique. Pour déterminer la température idéale afin d'assurer un confort optimal aux occupants de l'hôtel, plusieurs facteurs critiques sont pris en compte :
- Coefficient d'habillementCe coefficient, fixé à "1,0 Clo" par personne, reflète les conditions vestimentaires typiques de la saison estivale, ce qui influence directement la perception du confort thermique.
- Taux métaboliqueLe taux métabolique varie entre "1.0 Met" pour les personnes assises ou qui mangent, et "2.0 Met" pour les personnes debout ou qui cuisinent. Cette variable est essentielle pour calculer comment le corps humain interagit avec son environnement thermique.
- Vitesse de l'airEstimé à moins de "0,2 m/s" en raison de l'absence de courants d'air significatifs dans les environnements clos, ce qui minimise la sensation de refroidissement due au mouvement de l'air.
Ces facteurs sont intégrés dans la programmation de la température de confort, qui est ensuite traduite en commandes d'activation et de désactivation des appareils de chauffage, de ventilation et de climatisation. La figure 2 de l'étude illustre graphiquement cette programmation, en se concentrant sur la zone 4 de l'hôtel. De cette manière, l'IA veille à ce que les systèmes de refroidissement restent éteints pendant les heures creuses, par exemple tard dans la nuit. Cependant, ces systèmes sont réactivés aux premières heures du matin, ce qui coïncide avec l'augmentation de l'occupation et des températures, assurant ainsi le confort pendant les heures de petit-déjeuner.
Figure 2. Prévision de la mise en marche et de l'arrêt des machines frigorifiques dans la zone 4 du "Bar Cafétéria".
Une fois que la programmation marche/arrêt des machines est générée via les API, l'opérateur du système a la possibilité d'approuver ou de rejeter cette prévision avant qu'elle ne soit mise en œuvre dans l'hôtel, comme le montre la plateforme Airen Zero. Ce processus permet un contrôle humain final, garantissant que tous les ajustements nécessaires peuvent être effectués avant que la programmation ne soit exécutée.
Un aspect crucial à ne pas négliger est la flexibilité qu'offre l'intelligence artificielle dans ce contexte. Les paramètres et réglages obtenus grâce à l'IA peuvent être modifiés à tout moment par les responsables de la maintenance de l'hôtel via le système de gestion du bâtiment (BMS). Cela permet de réagir immédiatement à tout changement des conditions d'exploitation et d'optimiser le système de manière continue et adaptative.
Une analyse plus approfondie des signaux reçus au bar-cafétéria a montré que la résolution de 1 °C des capteurs de température peut introduire des variations significatives dans le modèle, en particulier lors de changements soudains des conditions environnementales. Pour atténuer ces effets, un processus de lissage du signal a été mis en œuvre, supprimant les pics et fournissant une représentation plus précise et uniforme des variations thermiques. Après avoir testé divers algorithmes et techniques mathématiques, il a été conclu qu'une moyenne mobile était la solution la plus efficace pour lisser les pics et les fluctuations brusques. Cette approche a montré une erreur qui, dans 95% des échantillons, n'a pas dépassé 0,5 °C, ce qui constitue une amélioration significative. La figure 4 de l'étude illustre le signal de température interne lissé pour la zone 4, tandis que la figure 5 détaille l'erreur correspondante pour chaque instant.
Figure 3. Historique du signal dans la zone 4 du "Bar Cafétéria".
Le modèle d'intelligence artificielle, ainsi que l'algorithme qui génère les programmes, doivent être en mesure d'identifier avec précision le moment où les profils de puissance des machines indiquent qu'elles sont en marche ou à l'arrêt. Ce paramètre est essentiel non seulement pour l'apprentissage du modèle, mais aussi pour la génération des prévisions de mise en marche et d'arrêt des machines. C'est pourquoi les signaux des profils de puissance, historiques et prévus, sont convertis en signaux booléens indiquant l'état des appareils. La figure 6 montre un exemple de signal de puissance de l'une des machines frigorifiques, ainsi que les signaux de marche et d'arrêt correspondants utilisés par les algorithmes mis en œuvre. Dans cette figure, on peut voir qu'un signal booléen "1.0" ou "Vrai" est enregistré à l'instant où la machine est allumée ou éteinte.
Figure 4. Température interne moyenne et température interne avec moyenne mobile
Figure 5. Erreur de signal dans la moyenne de température interne et la moyenne mobile
Figure 6. Pouvoirs, mise en marche et arrêt des refroidisseurs dans la zone 4
En tenant compte de ces données et de la planification présentée, le système d'IA s'adapte non seulement aux conditions saisonnières prévues, mais il est également capable de tirer parti des inerties thermiques qui se produisent, contribuant ainsi à une réduction significative de la consommation d'énergie. Cette capacité d'optimisation est essentielle pour maximiser l'efficacité énergétique de l'hôtel, minimiser l'impact environnemental et réduire les coûts d'exploitation.
Avec un volume de données plus important et plus représentatif, il est possible de calculer plus précisément l'impact de l'exploitation de l'inertie thermique sur les économies d'énergie, ce qui permet une évaluation plus solide et plus détaillée de l'efficacité du système. Au fur et à mesure que des données sont collectées au fil des saisons et des conditions de fonctionnement, l'intelligence artificielle peut affiner ses modèles prédictifs et ajuster les stratégies de contrôle avec plus de précision. Cette analyse plus complète fournira des chiffres plus précis, mais les données actuelles démontrent déjà un impact significatif sur la réduction de la consommation d'énergie tout en maintenant et même en améliorant le confort des utilisateurs, ce qui souligne l'efficacité de cette technologie dans l'équilibre entre l'efficacité et la satisfaction du client.
Cependant, la mise en œuvre du système d'IA à l'hôtel Poseidon Playa démontre de manière tangible qu'il est possible d'atteindre les objectifs de durabilité et d'efficacité énergétique fixés en exploitant les inerties thermiques et en optimisant la consommation d'énergie sans compromettre le confort des clients, en s'alignant parfaitement sur les exigences réglementaires actuelles et en contribuant activement à l'objectif d'un parc immobilier à zéro émission d'ici à 2050. Cette réussite renforce la viabilité et l'efficacité de l'IA en tant qu'outil clé pour transformer le secteur hôtelier vers un avenir plus durable, en équilibrant l'efficacité opérationnelle et le bien-être des clients.
FR 
ES 
EN 