Thesis defence of Abdelali Agouzoul (RMS team): Synthesis of optimized control system of alternative energies for the building

Abdelali AGOUZOUL - RMS team

Direction of the thesis
Emmanuel SIMEU - Thesis director - Full professor - TIMA Laboratory

Rapporteurs
Bernard KAMSU-FOGUEM - Rapporteur - Full professor - Université de Technologie Tarbes Occitanie Pyrénées - UTTOP
Chakib BEN NJIMA - Rapporteur - Full professor - Institut Supérieur du Transport et de la Logistique de Sousse (ISTL- Sousse)

Composition of the jury
Emmanuel SIMEU - Thesis director - Full professor - TIMA Laboratory
Bernard KAMSU-FOGUEM - Rapporteur - Full professor - Université de Technologie Tarbes Occitanie Pyrénées - UTTOP
Chakib BEN NJIMA - Rapporteur - Full professor - Institut Supérieur du Transport et de la Logistique de Sousse (ISTL- Sousse)
Mohammed EL GANAOUI - Examinator - Full professor - Université de Lorraine
Sofiene DELLAGI - Examinator - Full professor - Université de Lorraine
Mohamed TABAA - Examinator - Associate professor - EMSI Casablanca
Badr CHEGARI - Examinator - Doctor of Science - Cool Roof France
Jean-Daniel ARNOULD - Guest - Associate professor - TIMA Laboratory

Title: Synthesis of optimized control system of alternative energies for the building
Keywords: Modeling, Control/command, AI, Embedded electronics, Renewable energies, Optimization
Abstract: The building sector accounts for nearly 40% of global energy consumption, with heating, ventilation and air-conditioning (HVAC) systems representing a major share. In Africa, high demand combined with fragile electrical grids exacerbates power outages and hinders the effective integration of renewable energy. In this context, this thesis proposes a twofold approach to optimize both energy consumption and energy flow management. The first part focuses on reducing HVAC consumption through the development of a predictive control law based on neural networks (Neural Network Model Predictive Controller -- NNMPC). This strategy was implemented on a PYNQ embedded platform and validated through a digital test bed: a dynamic thermal simulator (STD) acting as the digital twin of the building was coupled to the board via the MQTT protocol, enabling real-time sensor data exchange and optimal control computation applied to HVAC systems. The second part addresses the optimization of energy flows at the microgrid level, including alternative energy generation, storage, and electrical loads. The objective is to enhance resilience against frequent outages in Africa while improving user comfort. Beyond renewable integration, an innovative rescheduling strategy is proposed: it allows the deferral of non-essential loads in order to exploit periods of energy abundance, while respecting the operating cycles of the equipment. The results demonstrate a significant reduction in HVAC energy consumption, an improvement in thermal comfort, and a more efficient use of available resources. The main contribution of this work lies in the combination of intelligent embedded predictive control for HVAC with an optimization and rescheduling framework at the microgrid level, offering sustainable and context-adapted solutions for energy management.

Titre : Synthèse de système de contrôle optimisé des énergies alternatives pour le bâtiment
Mots-clés : Modélisation, Contrôle/commande, IA, Electronique embarqué, Energies renouvelables, Optimisation
Résumé : Le secteur du bâtiment représente près de 40% de la consommation mondiale d'énergie, dont une part importante liée aux systèmes de chauffage, ventilation et climatisation (CVC). En Afrique, cette dépendance énergétique conjuguée à la fragilité des réseaux électriques accentue les risques de coupures et limite l'intégration efficace des énergies renouvelables. Dans ce contexte, cette thèse propose une double approche pour optimiser à la fois la consommation et la gestion des flux énergétiques. La première partie s'attache à la réduction de la consommation des systèmes CVC grâce au développement d'une loi de commande prédictive basée sur les réseaux de neurones (Neural Network Model Predictive Controller -- NNMPC). Cette stratégie a été implémentée sur une carte embarquée PYNQ et validée au moyen d'un banc d'essai numérique : un simulateur thermique dynamique (STD) jouant le rôle de jumeau numérique du bâtiment a été couplé à la carte via le protocole MQTT, permettant de traiter en temps réel les données des capteurs et de calculer la commande optimale appliquée aux CVC. La seconde partie aborde l'optimisation des flux énergétiques au niveau du micro-réseau, incluant production alternative, stockage et charges électriques. L'objectif est d'améliorer la résilience face aux coupures d'électricité en Afrique tout en garantissant le confort des usagers. Outre l'intégration des énergies renouvelables, une stratégie innovante de replanification est proposée : elle permet de différer l'usage de certains équipements non essentiels afin de mieux exploiter les périodes d'abondance énergétique, tout en respectant leurs cycles de fonctionnement. Les résultats montrent une réduction notable de la consommation des CVC, une amélioration du confort thermique et une utilisation plus efficiente des ressources énergétiques disponibles. L'apport principal de cette thèse réside dans la combinaison d'un contrôle prédictif intelligent embarqué pour les CVC avec une stratégie d'optimisation et de replanification énergétique à l'échelle du micro-réseau, ouvrant la voie à des solutions plus durables et adaptées aux contextes contraints.