Laboratoire vivant Desjardins : modernisation des bâtiments, de la conception à la mise en œuvre, visant les services aux « prosommateurs » et de soutien au réseau
Aperçu du projet
Ce projet est le fruit d’une collaboration avec le Groupe Desjardins en vue d’élaborer une feuille de route numérique sur la décarbonisation à l’aide de ses vastes avoirs immobiliers au Québec, au Canada et en Amérique du Nord. L’accent est mis sur la présentation de transformations du bâtiment intelligent.
En tant qu’institution financière canadienne de premier plan, Desjardins joue un rôle clé dans l’orientation de la transition du parc immobilier du Canada vers des émissions nulles. Le projet aidera à établir des lignes directrices pour les opérations et les modernisations intelligentes, en corrigeant les incohérences dans les efforts de décarbonisation grâce à l’introduction de méthodes claires et d’indicateurs de rendement clés. Il vise également à intégrer le réseau intelligent et l’exploitation des bâtiments pour répondre aux besoins énergétiques en constante évolution.
À l’aide d’outils numériques et de données de l’IdO, l’équipe vise à améliorer la prise de décision et à permettre des mises à niveau stratégiques. L’objectif est la modernisation de bâtiments existants en structures intelligentes qui favorisent une gestion efficace de l’énergie. L’initiative encourage également la collaboration entre le milieu universitaire et celui de l’industrie afin de stimuler l’innovation dans la transformation durable des bâtiments.
Renseignements clés
| Chercheur principal | Manar Amayri, professeur adjointe de l’Institut d’ingénierie des systèmes d’information de Concordia, Université Concordia |
Cochercheurs principaux |
Yann-Gaël Guéhéneuc, professeur d’informatique et de génie logiciel, Université Concordia; Nizar Bouguila, professeur de l’Institut d’ingénierie des systèmes d’information de Concordia, Université Concordia |
Collaborateurs de recherche |
Ursula Eicker, Université Concordia; Bernard Bitar, Groupe Desjardins; Mayi Kato, Groupe Desjardins |
| Partenaire non universitaire | Groupe Desjardins |
| Mots-clés de la recherche | Internet des objets, véhicules électriques, ressources énergétiques distribuées, systèmes de gestion énergétique du bâtiment, surveillance de la charge par IA |
| Budget | En espèces : 240 000 $ En nature: 40 000 $ |
Publications:
O. Bouhamed, M. Dissem, M. Amayri, and N. Bouguila, “Transformer-based deep probabilistic network for load forecasting,” Engineering Applications of Artificial Intelligence, vol. 152, p. 110781, Jul. 2025, doi: 10.1016/j.engappai.2025.110781.
S. B. Brahim, M. Amayri, and N. Bouguila, “One-day-ahead electricity load forecasting of non-residential buildings using a modified Transformer-BiLSTM adversarial domain adaptation forecaster,” Int. J. Dynam. Control, vol. 13, no. 5, p. 176, May 2025, doi: 10.1007/s40435-025-01701-x.
B. M. Fahim, M. K. Akbar, and M. Amayri, “ResiDualNet: A novel electric vehicle charging data imputation technique to enhance load forecasting accuracy,” Build. Simul., vol. 18, no. 4, pp. 897–922, Apr. 2025, doi: 10.1007/s12273-025-1236-8.
S. Kallel, M. Amayri, and N. Bouguila, “Clustering and Interpretability of Residential Electricity Demand Profiles,” Sensors, vol. 25, no. 7, p. 2026, Mar. 2025, doi: 10.3390/s25072026.
J. Guo, W. Fan, M. Amayri, and N. Bouguila, “Deep clustering analysis via variational autoencoder with Gamma mixture latent embeddings,” Neural Networks, vol. 183, p. 106979, Mar. 2025, doi: 10.1016/j.neunet.2024.106979.
O. Sghaier, M. Amayri, and N. Bouguila, “Dirichlet and Liouville-based normality scores for deep anomaly detection using transformations: applications to images and beyond images,” Appl Intell, vol. 55, no. 1, p. 25, Jan. 2025, doi: 10.1007/s10489-024-05892-2.
M. Dissem and M. Amayri, “Unsupervised anomaly detection and imputation in noisy time series data for enhancing load forecasting,” Appl Intell, vol. 55, no. 1, p. 11, Jan. 2025, doi: 10.1007/s10489-024-05856-6.
J. Dridi, M. Amayri, and N. Bouguila, “Multi-Source Domain Adaptation Using Ambient Sensor Data,” Applied Artificial Intelligence, vol. 38, no. 1, p. 2429321, Dec. 2024, doi: 10.1080/08839514.2024.2429321.
O. Bouarada, M. Azam, M. Amayri, and N. Bouguila, “Hidden Markov models with multivariate bounded asymmetric student’s t-mixture model emissions,” Pattern Anal Applic, vol. 27, no. 4, p. 117, Dec. 2024, doi: 10.1007/s10044-024-01341-5.
N. Mahamoodally, J. Dridi, and M. Amayri, “Explainable domain adaptation for imbalanced occupancy estimation,” Journal of Building Engineering, vol. 97, p. 110613, Nov. 2024, doi: 10.1016/j.jobe.2024.110613.
O. Sghaier, M. Amayri, and N. Bouguila, “Libby-Novick Beta-Liouville Distribution for Enhanced Anomaly Detection in Proportional Data,” ACM Trans. Intell. Syst. Technol., vol. 15, no. 5, pp. 1–26, Oct. 2024, doi: 10.1145/3675405.
S. Chouchene, M. Amayri, and N. Bouguila, “Sparse coding-based transfer learning for energy disaggregation,” Energy and Buildings, vol. 320, p. 114498, Oct. 2024, doi: 10.1016/j.enbuild.2024.114498.
A. Rebei, M. Amayri, and N. Bouguila, “Affinity-Driven Transfer Learning for Load Forecasting,” Sensors, vol. 24, no. 17, p. 5802, Sep. 2024, doi: 10.3390/s24175802.
S. Tabarsaii, M. Amayri, N. Bouguila, and U. Eicker, “Non intrusive load monitoring using additive time series modeling via finite mixture models aggregation,” J Ambient Intell Human Comput, vol. 15, no. 9, pp. 3359–3378, Sep. 2024, doi: 10.1007/s12652-024-04814-x.
H. Al-Bazzaz, M. Azam, M. Amayri, and N. Bouguila, “Explainable finite mixture of mixtures of bounded asymmetric generalized Gaussian and Uniform distributions learning for energy demand management,” ACM Trans. Intell. Syst. Technol., vol. 15, no. 4, pp. 1–26, Aug. 2024, doi: 10.1145/3653980.
S. Samareh Abolhassani, A. Zandifar, N. Ghourchian, M. Amayri, N. Bouguila, and U. Eicker, “Occupant counting model development for urban building energy modeling using commercial off-the-shelf Wi-Fi sensing technology,” Building and Environment, vol. 258, p. 111548, Jun. 2024, doi: 10.1016/j.buildenv.2024.111548.
J. Guo, M. Amayri, W. Fan, and N. Bouguila, “A scaled dirichlet-based predictive model for occupancy estimation in smart buildings,” Appl Intell, vol. 54, no. 11–12, pp. 6981–6996, Jun. 2024, doi: 10.1007/s10489-024-05543-6.
M. K. Akbar, M. Amayri, N. Bouguila, B. Delinchant, and F. Wurtz, “Evaluation of regression models and Bayes-Ensemble Regressor technique for non-intrusive load monitoring,” Sustainable Energy, Grids and Networks, vol. 38, p. 101294, Jun. 2024, doi: 10.1016/j.segan.2024.101294.
M. Dissem, M. Amayri, and N. Bouguila, “Neural Architecture Search for Anomaly Detection in Time-Series Data of Smart Buildings: A Reinforcement Learning Approach for Optimal Autoencoder Design,” IEEE Internet Things J., vol. 11, no. 10, pp. 18059–18073, May 2024, doi: 10.1109/JIOT.2024.3360882.
J. Dridi, M. Amayri, and N. Bouguila, “Unsupervised clustering-based domain adaptation for estimating occupancy and recognizing activities in smart buildings,” Journal of Building Engineering, vol. 85, p. 108741, May 2024, doi: 10.1016/j.jobe.2024.108741.
A. Rebei, M. Amayri, and N. Bouguila, “FSNet: A Hybrid Model for Seasonal Forecasting,” IEEE Trans. Emerg. Top. Comput. Intell., vol. 8, no. 2, pp. 1167–1180, Apr. 2024, doi: 10.1109/TETCI.2023.3290050.
K. Maanicshah, M. Amayri, and N. Bouguila, “Novel mixture allocation models for topic learning,” Computational Intelligence, vol. 40, no. 2, p. e12641, Apr. 2024, doi: 10.1111/coin.12641.
Publications acceptées dans des conférences nationales et internationales:
Z. Luo, W. Fan, M. Amayri, and N. Bouguila, “Dynamic Deep Clustering of High-Dimensional Directional Data via Hyperspherical Embeddings with Bayesian Nonparametric Mixtures,” in Proceedings of the 31st ACM SIGKDD Conference on Knowledge Discovery and Data Mining V.1, Toronto ON Canada: ACM, Jul. 2025, pp. 938–949. doi: 10.1145/3690624.3709230.
S. Hong, F. Najar, M. Amayri, and N. Bouguila, “Flexible Dirichlet Mixture Model for Multi-modal data Clustering,” in The International FLAIRS Conference Proceedings, May 2025. doi: 10.32473/flairs.38.1.138970.
F. Alkhawaja, M. Amayri, and N. Bouguila, “A hierarchical count data clustering based on Multinomial Nested Dirichlet Mixture using the Minorization-Maximization framework,” in The International FLAIRS Conference Proceedings, May 2024. doi: 10.32473/flairs.37.1.135263.
M. Amayri and N. Bouguila, “Simultaneous count data feature selection and clustering using Multinomial Nested Dirichlet Mixture,” May 2024.
But de la recherche
Élaboration d’un plan d’action durable
Cette phase du projet met à profit les données et l’expérience de Desjardins pour créer un plan d’action durable pour moderniser les bâtiments et éclairer les processus décisionnels à grande échelle.
Gestion du parc immobilier et analyse de scénarios de modernisation
L’équipe élaborera et validera une méthode munie d’indicateurs de rendement clés (IRC) pour gérer et prioriser les mesures de modernisation dans l’ensemble du portefeuille de bâtiments. Cela comprend, au besoin, la planification de la désaffectation.
Démonstration du laboratoire vivant
Le Complexe Desjardins (450, boulevard De Maisonneuve, Montréal) servira de laboratoire vivant, dont l’objectif est de montrer comment les bâtiments commerciaux peuvent être modernisés pour s’aligner sur les objectifs de durabilité et offrir des services au réseau de distribution d’électricité.
Méthode de gestion de bout en bout pour la décarbonisation
Cette phase fournira une méthode complète de gestion des biens immobiliers et couvrira toutes les étapes du processus de décarbonisation, de la planification stratégique à la mise en œuvre et aux opérations courantes.
Analyse de l’intelligence du bâtiment, du comptage et de la surveillance
Cette phase décrit un processus de conversion des bâtiments existants en systèmes intelligents dotés :
- de ressources énergétiques distribuées (RED);
- de comptage en temps réel;
- de capacités de surveillance.
Intégration de l’optimisation et de la communication pour l’autoconsommation et les services de réseau
Cette phase du projet créera des algorithmes d’optimisation intelligents fondés sur l’IA, qui aideront à gérer les systèmes des bâtiments pour l’autoconsommation et à soutenir les services de réseau au moyen d’une infrastructure adéquate de comptage et de communication.
Partenaire non universitaire
Merci à notre partenaire à l’extérieur du milieu universitaire pour son soutien et sa confiance :
