Modèles hybrides déployables connaissance–données pour la prévision de la charge de refroidissement à un jour sous rareté des données : étude de cas et validation des performances

Pourquoi la prévision du refroidissement des bâtiments est importante

À mesure que les villes grandissent et que les vagues de chaleur se font plus fréquentes, les grands immeubles de bureaux dépendent fortement de la climatisation. Connaître la demande de refroidissement pour le lendemain permet aux gestionnaires de bâtiment d’acheter de l’électricité judicieusement, d’exploiter les refroidisseurs efficacement et de soutenir un réseau électrique intégrant davantage de solaire et d’éolien. Pourtant, les bâtiments les plus récents et les plus performants disposent souvent de très peu de données issues de leurs premiers mois de fonctionnement, ce qui complique la tâche des outils d’intelligence artificielle classiques pour prévoir leurs besoins de refroidissement de manière fiable.

Le défi posé par le manque de données

Beaucoup d’outils de prévision actuels traitent le bâtiment comme une boîte noire. Ils ingèrent les consommations passées, la météo et les plannings, et laissent un algorithme d’apprentissage rechercher des motifs. Ces modèles gourmands en données peuvent bien fonctionner lorsqu’on dispose d’années d’enregistrements de haute qualité. Mais dans un bâtiment neuf ou récemment rénové, l’historique est court. Dans ces conditions, les modèles purement basés sur les données ont tendance à s’accrocher aux particularités des données limitées, à manquer les sauts soudains de la demande et à produire des prévisions qui varient fortement d’un jour à l’autre. C’est particulièrement problématique pour la planification à un jour, quand il faut programmer les équipements de refroidissement et interagir avec le marché de l’électricité 24 heures à l’avance.

Mêler une physique simple à l’apprentissage moderne

L’étude propose une voie médiane pratique entre les simulations physiques détaillées et le pur data mining. Plutôt que de tenter de modéliser chaque source de chaleur dans le bâtiment, les auteurs se concentrent sur deux contributions calculables à partir d’informations que la plupart des bâtiments possèdent déjà : la chaleur apportée par l’air extérieur neuf et la chaleur qui traverse les murs et les fenêtres. À l’aide de formules élémentaires de transfert de chaleur, ils transforment les prévisions météo, les propriétés des vitrages et les plannings de ventilation en estimations brutes et physiquement plausibles de ces charges. Ces estimations ne remplacent pas la demande de refroidissement mesurée mais sont ajoutées comme entrées supplémentaires qui guident un modèle d’apprentissage profond combinant des couches convolutionnelles et récurrentes.

Tester l’idée hybride dans une tour de bureaux réelle

L’approche a été testée sur un immeuble de bureaux de 23 étages à Hangzhou, en Chine, avec une façade vitrée moderne et un système de refroidissement centralisé. Les chercheurs ont utilisé une saison de refroidissement d’horaires horaires, environ 4 300 heures au total, puis ont restreint artificiellement la quantité d’historique visible par chaque modèle pendant l’entraînement. Dans certains tests, les modèles n’ont pu apprendre qu’à partir de 10 % des données, soit un peu plus de deux semaines d’enregistrements. Parmi les quatre variantes du prédicteur, trois utilisaient des charges basées sur la physique (air neuf ou murs et fenêtres) comme signaux d’indication, tandis qu’une quatrième reposait uniquement sur les données passées de refroidissement et la météo. Tous les modèles tentaient de prévoir le profil horaire du refroidissement pour le lendemain.

Des prévisions plus précises et plus stables

Lorsque les données d’entraînement étaient rares, les différences entre les approches étaient nettes. Avec seulement 10 % des données disponibles, le modèle purement basé sur les données manquait souvent la montée brutale du matin liée à l’arrivée des travailleurs et sous-estimait les pics chauds de l’après-midi. Ses erreurs variaient fortement selon les jours utilisés pour l’entraînement. En revanche, les trois versions hybrides suivaient beaucoup mieux le moment et l’amplitude des pics et montraient beaucoup moins de dispersion dans leurs erreurs. En moyenne, les modèles hybrides ont réduit l’erreur typique de prévision d’environ moitié et diminué l’étalement des erreurs d’à peu près un ordre de grandeur par rapport au modèle de référence. La variante la plus simple, qui utilisait seulement la charge d’air neuf comme information supplémentaire, offrait un compromis particulièrement intéressant entre précision, stabilité et facilité de mise en œuvre.

Ce que cela signifie pour les bâtiments réels

Pour les propriétaires et gestionnaires d’énergie, le message principal est qu’un peu de physique suffit pour aller loin. En intégrant des estimations simples et faciles à calculer de l’apport de l’air neuf et de l’enveloppe du bâtiment aux besoins de refroidissement dans un modèle d’apprentissage, il devient possible d’obtenir des prévisions utiles pour le lendemain même au cours des premiers mois d’exploitation, quand les données historiques sont encore rares. L’étude montre que cette approche hybride connaissance–données peut maîtriser le surapprentissage, maintenir des coûts d’entraînement modestes et fournir des indications fiables pour la programmation des refroidisseurs et des stockages. En termes clairs, combiner un savoir-faire d’ingénierie de base avec des outils de données modernes aide les bâtiments à rester confortables, à réduire le gaspillage et à mieux coopérer avec un réseau électrique en mutation.

Citation: Chen, J., Sun, T., Zhang, Y. et al. Deployable knowledge–data hybrid models for day-ahead cooling load prediction under data scarcity: a case study and performance validation. Sci Rep 16, 15079 (2026). https://doi.org/10.1038/s41598-026-45325-3

Mots-clés: prévision de la charge de refroidissement, énergie des bâtiments, modélisation hybride, rareté des données, apprentissage profond