Kipsum optimise la consommation d’énergie associée aux besoins de refroidissement/chauffage des bâtiments ainsi que des process. Le but est de réduire la facture énergétique sans compromettre le confort des occupants ni la qualité des process. Comment ça se passe concrètement ? La solution Kipsum nécessite de collecter des données relatives au bâtiment et à son cas d’usage afin de construire un modèle thermique, hydraulique et énergétique du bâtiment. Alors, Kipsum installera des capteurs dans les différentes zones du bâtiments, où les principales données récoltées seront la température et l’humidité interne, le taux d’occupation… Ces données alimenteront nos algorithmes d’apprentissage afin de déterminer les caractéristiques du bâtiment (inertie thermique, taux d’infiltrations…). Il faut 2 à 4 semaines d’apprentissage pour identifier le comportement thermique du bâtiment. Ensuite, ce modèle sera intégré dans un jumeau numérique qui permet de prédire les besoins de chauffage/refroidissement du bâtiment. Kipsum mettra ce jumeau en parallèle du système de contrôle pour envoyer toutes les 15 minutes une commande optimale intégrant la météo à venir et la charge d’occupation. Cela va permettre de minimiser la consommation d’énergie nécessaire pour répondre aux besoins de chauffage/refroidissement. En général, optimiser la consommation d’énergie des bâtiment tout en garantissant le confort et les usages , avec un ROI de moins d’1 an, est ce qui rend la solution Kipsum efficace, rentable et appréciée par nos clients. En plus, la rapidité et la fiabilité de cette solution la caractérisent : il est connu que l’acquisition des données pour le développement d’un jumeau numérique est l’étape la plus primordiale, mais pas toujours faisable; de nombreuses solutions de diagnostic sur le marché sont basées sur des données historiques et des abaques de dimensionnements, ce qui les rendent moins à jour et entravent leur crédibilité. En parallèle, les récentes méthodes par deep-learning sont de plus en plus mises en œuvre sur le terrain, elles nécessitent toutefois une énorme référence de données – qui peuvent parfois ne pas être disponibles. Avantageusement, la solution Kipsum ne nécessite qu’une base de données assez limitée pour établir la couche prédictive. Ainsi, la rapidité et la fiabilité du modèle développé sont assurées tout en diminuant le nombre de mesures nécessaires.
