Nous présentons dans cet article un mécanisme d'apprentissage du comportement des appareils électriques dans le contexte d'une maison intelligente. L'objectif de ce mécanisme est de réduire la consommation d'énergie des appareils à effet différé (par exemple le chauffage) tout en maximisant le confort des habitants. Notre approche utilise un modèle prédictif de l'activité d'une famille au sein de son logement. Ce modèle est construit à partir des informations locales perçues par les appareils électriques. Après avoir présenté en détail notre mécanisme, nous procédons à l'évaluation de celui-ci au sein de la plateforme de simulation SMACH. La qualité du modèle prédictif est évaluée par sa capacité à prévoir les déplacements d'une famille sur différents intervalles de temps. La stratégie apprise par les appareils électrique est quant-a-elle comparée au sein du simulateur à la stratégie proposée par notre partenaire EDF. Les résultats obtenus, bien que préliminaires, indiquent que notre approche est à même de réduire la consommation électrique tout en maintenant un bon niveau de confort des habitants. In this paper we propose a learning mechanism to build the behavior of electrical appliances in a smart home context. The aim of that mechanism is to reduce the consumption of appliances whose effect is delayed (for example the heating) while maximizing the inhabitants comfort. Our approach is based on a predictive model of home humans' activities. That model is built from local information sensed by the appliances. First we detail our mechanism, then we present its evaluation on the SMACH simulation platform. The accuracy of the model is evaluated on its ability to predict the displacements of a family. Evaluations are performed on several time frames. The strategy that is learned by the electrical appliances is compared with the one proposed by our partner EDF. Preliminary results show that our approach is able to reduce the electrical consumption without significatively lowering the comfort of inhabitants.
L'avènement de systèmes complexes physiquement distribués et le besoin d'accroître le taux de disponibilité des services et processus industriels nécessitent la conception de systèmes de supervision distribués. L'approche traditionnelle de la supervision, centralisée, est en effet remise en question lorsque les communications entre système de supervision et système supervisé deviennent lentes, perturbées ou trop couteuses. En nous basant sur une architecture de supervision multi-agent distribuant les processus de diagnostic et de réparation, nous proposons dans cet article un modèle décisionnel d'agent permettant d'adapter automatiquement et dynamiquement le comportement du système de supervision à l'état des communications. Nos premières expérimentations indiquent que notre approche est adaptée aux systèmes distribués où la réactivité prime sur une faible augmentation du coût total des réparations. The advent of physically distributed systems and the need to minimize the down-time of services and production processes require more efficient supervision systems. Traditionally centralized, the anytime supervision of such systems is challenged when communications between supervision and supervised systems become slow, disrupted or too costly. Distributing the diagnosis and repair process using a multi-agent architecture, we propose in this article a decision model for agents allowing the supervision system to automatically and dynamically adapt itself to the communications' state.Preliminary results on a simulator for distributed systems show that our proposal leads to a relevant autonomous supervision in distributed systems where a short response time prevails over a limited repair extra-cost.