⚡ electrical engineering

Sense, Model and Identify the Load Signatures of HVAC Systems in Metro Stations

Cet article propose une nouvelle approche de détection et d'apprentissage utilisant des données de capteurs en temps réel et un modèle de régression linéaire pour identifier les signatures de charge distinctes des systèmes CVC des stations de métro causées par l'environnement extérieur et la densité de passagers, permettant ainsi des politiques de contrôle d'économie d'énergie plus efficaces.

Auteurs originaux : Yongcai Wang, Haoran Feng, Xiangyu Xi

Publié 2026-06-04

📖 5 min de lecture🧠 Analyse approfondie

CC BY 3.0

Auteurs originaux : Yongcai Wang, Haoran Feng, Xiangyu Xi

Article original sous licence CC BY 3.0 (http://creativecommons.org/licenses/by/3.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

Imaginez une station de métro comme un immense salon souterrain. Comme chez vous, elle doit rester fraîche et confortable, mais elle accueille des invités très particuliers et fait face à des défis uniques. Ce document traite de la manière de déterminer exactement combien de « chaleur » tente de pénétrer dans ce salon et combien de « refroidissement » la climatisation fournit réellement, afin que le système travaille plus intelligemment, et non plus durement.

Voici l'histoire de la façon dont les chercheurs ont déchiffré le code, expliquée simplement :

1. Le problème : Le géant énergétique

Les stations de métro sont de massifs consommateurs d'énergie. En été, les systèmes de climatisation (CVC) travaient à plein régime pour maintenir la fraîcheur. Les chercheurs ont remarqué que ces systèmes fonctionnent souvent en « mode automatique », s'allumant et s'éteignant selon de simples minuteurs. C'est comme laisser la climatisation de votre maison fonctionner à pleine puissance alors qu'il n'y a personne, ou l'éteindre alors qu'une foule vient d'arriver. Cela gaspille beaucoup d'électricité car le système ne sait pas exactement pourquoi la température change.

Pour y remédier, ils avaient besoin de comprendre la « Signature de Charge ». Considérez cela comme l'« empreinte thermique » de la station. C'est une carte détaillée de l'origine de la chaleur :

Le monde extérieur : L'air chaud qui s'infiltre par les murs, les tunnels et les portes (comme une maison par une journée chaude).
Les passagers : Chaque personne qui entre apporte de la chaleur corporelle (comme une fête bondée qui rend une pièce étouffante).

2. Le travail de détective : Mise en place d'un réseau d'espionnage

Pour identifier cette empreinte, l'équipe a mis en place une opération de surveillance massive à la station HaidianHuangZuang à Pékin. Ils ne se sont pas contentés de deviner ; ils ont tout mesuré :

Des thermomètres : Placés à l'intérieur et à l'extérieur pour suivre les changements de température.
Des portillons d'accès : Utilisés comme compteur pour suivre exactement combien de personnes entraient et sortaient chaque heure.
Des compteurs intelligents : Fixés aux climatiseurs, ventilateurs et pompes pour voir exactement quelle quantité d'énergie ils consommaient.
Des capteurs d'air : Pour vérifier la qualité et le flux de l'air.

3. Le mystère : Pourquoi la température grimpe-t-elle ?

Les chercheurs ont analysé les données et ont observé un schéma. Lors d'une journée typique, la température intérieure présentait quatre « pics » distincts (moments où elle devenait la plus haute) :

4h00 du matin : La clim était éteinte, donc la station se réchauffait lentement.
8h00 (Heure de pointe du matin) : Une foule immense est arrivée. La chaleur corporelle de milliers de voyageurs a submergé le système de refroidissement, provoquant un pic de température.
14h00 (Milieu de journée) : Le soleil était au plus fort à l'extérieur, mais la clim a eu le temps de rattraper le coup, donc le pic était faible.
18h00 (Heure de pointe du soir) : Une autre foule est arrivée, et de nouveau, la chaleur corporelle a battu le système de refroidissement.

La grande question était : Quelle part de cette chaleur provient du soleil/de l'extérieur, et quelle part provient des gens ?

4. La solution : Une « recette » mathématique

L'équipe a construit une recette mathématique (un modèle de régression linéaire) pour résoudre cela. Pensez à une équation de cuisine :

Les ingrédients (Entrées) : Température extérieure, nombre de personnes et différence de température à l'intérieur.
Le processus de cuisson (L'équation) : Ils ont utilisé la physique pour écrire une équation qui dit : « Le changement de température de la pièce est égal à la Chaleur Entrante (venant de l'extérieur + des gens) MOINS la Puissance de Refroidissement (de la clim) ».

Puisqu'ils connaissaient la « Puissance de Refroidissement » (grâce aux compteurs intelligents) et le « Changement de Température » (grâce aux thermomètres), ils pouvaient travailler à rebours pour résoudre les ingrédients inconnus : Quelle quantité de chaleur les gens ont-ils apportée ? Quelle quantité l'extérieur a-t-il apportée ?

5. Le défi : Des données bruitées

Les données du monde réel sont désordonnées. Les capteurs ne sont pas parfaits ; parfois, ils font des bonds (comme une main tremblante dessinant une ligne). Pour corriger cela, les chercheurs n'ont pas regardé une seule minute de données. Ils ont utilisé un algorithme de recherche qui examinait la chaleur totale sur une longue période (comme regarder le film entier plutôt qu'une seule image floue). Cela a permis de lisser le « bruit » et de donner une image très claire de la véritable signature thermique.

6. Le résultat : L'empreinte révélée

Après avoir analysé les chiffres, ils ont trouvé la « Signature de Charge » :

Le monde extérieur est le patron : La chaleur provenant de l'environnement extérieur (à travers les murs et les tunnels) était le facteur principal.
Les passagers sont l'imprévisible : Bien que plus petite que la chaleur extérieure, la chaleur des passagers était significative, surtout pendant les heures de pointe.

Pourquoi est-ce important ?
Maintenant qu'ils ont cette « empreinte », le système de métro peut devenir plus intelligent. Au lieu de deviner, la clim peut prédire : « Oh, il est 8h00 un mardi, et 5 000 personnes arrivent. Je dois activer le refroidissement AVANT qu'elles ne soient là. »

Cela permet au système de fournir exactement la bonne quantité de refroidissement au bon moment, économisant ainsi des quantités massives d'énergie tout en maintenant le confort de la station. Le document conclut que cette méthode fonctionne bien et constitue une base solide pour concevoir ces futurs systèmes de contrôle « intelligents ».

Résumé Technique : Détection, Modélisation et Identification des Signatures de Charge des Systèmes CVC dans les Stations de Métro

Énoncé du Problème
Les réseaux de métro sont de grands consommateurs d'énergie, les sous-systèmes de Chauffage, Ventilation et Climatisation (CVC) représentant plus de 40 % de la consommation énergétique totale lors des saisons estivales. Les stratégies de contrôle CVC actuelles dans les lignes de métro établies reposent souvent sur des règles simples basées sur le temps ou des réponses passives en raison de la difficulté à estimer les charges de chauffage et de refroidissement dynamiques. Ces charges sont hautement variables, dictées par les fluctuations des températures extérieures, les flux de passagers, les vents de piston provenant des trains et les structures souterraines complexes. Les modèles existants d'estimation de charge de bâtiment, qui s'appuient sur les matériaux de construction et des équations de transfert thermique empiriques, ne parviennent pas à capturer la dynamique unique des stations de métro, particulièrement l'impact des flux de passagers et de l'aérodynamique des tunnels. Ce décalage entre la charge et l'apport entraîne un gaspillage d'énergie important. Le problème central traité est l'absence d'une méthode efficace pour quantifier et identifier les « signatures de charge » — les quantités spécifiques de chaleur importées de l'environnement extérieur et par les passagers — en temps réel afin de permettre des politiques de contrôle optimales.

Méthodologie
Les auteurs proposent une nouvelle approche de détection et d'apprentissage pour identifier les signatures de charge à l'aide de données réelles provenant de la station de métro HaiDianHuangZuang (Ligne 4 de Pékin). La méthodologie comprend trois composantes principales :

Acquisition de Données et Détection :
- Capteurs Environnementaux : Déployés pour surveiller les températures intérieure et extérieure ( $T(t)$ , $T_o(t)$ ), l'humidité et les niveaux de CO2.
- Flux de Passagers : Enregistré via le système de contrôle des billets ( $n(t)$ ), calculé comme la somme des passagers enregistrés à l'entrée et à la sortie.
- Surveillance CVC : Des compteurs intelligents et des capteurs intégrés suivent la consommation d'énergie et les états de fonctionnement des réfrigérateurs, ventilateurs, tours de refroidissement et pompes. Les températures de l'air de retour, de l'air refroidi, de l'air neuf et de l'air mixte sont mesurées, ainsi que les débits d'eau de refroidissement et les différentiels de température.
Modélisation Mathématique :
- Modèle de Charge ( $L(t)$ ) : Défini comme la chaleur totale importée dans la station par unité de temps. Elle est décomposée en deux composantes :
  - Charge Introduite par les Passagers (PIL) : Chaleur générée par les passagers, modélisée par $c_p n(t) (T_p - T(t))$ .
  - Charge Introduite par l'Environnement (EIL) : Chaleur provenant de la conduction à travers les murs/toits et de l'infiltration d'air (vent de piston), modélisée par $(c M_{air} + \frac{1}{R_{eq}}) (T_o(t) - T(t))$ .
- Modèle d'Apport ( $S(t)$ ) : Défini comme la capacité de refroidissement fournie par le système CVC. Le modèle s'adapte à trois modes de fonctionnement : mode Air Neuf (refroidissement de l'air extérieur), mode Réfrigérateur (refroidissement mécanique) et mode Mixte. L'apport de refroidissement est déduit des lectures des capteurs (différentiels de température de l'eau, volumes de débit) et de la consommation d'énergie des ventilateurs (en utilisant les lois d'affinité des ventilateurs pour estimer le volume d'air).
- Dynamique Thermique : La variation de la température intérieure est modélisée comme la différence entre la charge et l'apport : $L(t) - S(t) = c M_z \Delta(t)$ , où $\Delta(t)$ est la variation de température au fil du temps.
Algorithme d'Identification de Paramètres :
- Le problème est formulé comme une régression linéaire pour identifier les coefficients inconnus ( $c_p$ , $\alpha$ , $\beta_{ac}$ ) dans les équations de charge et d'apport.
- Pour traiter le bruit des capteurs et les contraintes de non-négativité des paramètres physiques, les auteurs proposent un algorithme de recherche. Au lieu de minimiser l'erreur absolue, l'algorithme minimise la différence relative entre la charge intégrée et l'apport intégré sur une période donnée.
- Pour atténuer davantage le bruit des capteurs (spécifiquement dans les calculs de différence de température), la méthode utilise les valeurs intégrées de la charge et de l'apport plutôt que des valeurs ponctuelles instantanées.

Principales Contributions

Identification Novatrice des Signatures de Charge : L'article présente une approche basée sur les données pour séparer et quantifier les charges thermiques spécifiques contribuées par l'environnement extérieur par rapport aux flux de passagers dans une station de métro, un facteur souvent négligé dans les modèles de bâtiments standards.
Cadre Intégré de Détection et de Modélisation : Les auteurs ont réussi à intégrer des sources de données hétérogènes (systèmes de billetterie, capteurs environnementaux et journaux énergétiques CVC) pour construire un modèle thermique complet.
Estimation Robuste des Paramètres : Un algorithme de recherche spécifique est proposé pour résoudre le problème d'optimisation sous contraintes, gérant le bruit des capteurs en minimant les erreurs relatives des valeurs intégrées plutôt que des valeurs instantanées.

Résultats Expérimentaux
Le modèle a été validé à l'aide de données réelles collectées du 21 au 23 août 2013 à la station HaiDianHuangZuang.

Signatures de Charge : Les signatures dérivées ont révélé que les charges environnementales (différences de température extérieure) constituent la majeure partie de la charge totale, tandis que les charges de passagers, bien que significatives pendant les heures de pointe, représentent une part plus faible.
Précision du Modèle : L'apport de refroidissement calculé correspondait étroitement aux signatures de charge dérivées. L'erreur relative entre la charge intégrée et l'apport intégré s'est avérée faible, indiquant que l'algorithme fournit une estimation fiable des paramètres de charge.
Motifs Temporels : Les résultats ont confirmé des motifs de charge distincts correspondant aux heures de pointe (pics matinaux et vespéraux entraînés par le flux de passagers) et aux cycles de température quotidiens.

Signification et Revendications
L'article affirme que l'identification de ces signatures de charge fournit un contexte critique pour la conception de politiques de contrôle intelligentes et optimales. En comprenant les contributions spécifiques des passagers et de l'environnement à la charge thermique, les systèmes CVC peuvent être contrôlés pour ne fournir que les efforts de refroidissement nécessaires pour répondre aux demandes prédites. Cette approche vise à maintenir le confort thermique intérieur tout en optimisant considérablement la consommation d'énergie. Les auteurs déclarent que ce travail pose les bases de futures recherches sur les stratégies de contrôle optimal des systèmes CVC de métro, passant de simples règles basées sur le temps à un contrôle prédictif basé sur les données.