PERFORMANCE ÉNERGÉTIQUE

DES BÂTIMENTS

(URIA, CES ET CMA)

SANDA LEFTERIU

1. PROBLÉMATIQUE ET

MOTIVATION

2. MODÉLISATION A PARTIR

DES DONNÉES

2.1 Identification des systèmes à

commutation

2.2 Machine Learning

3. SIMULATION THERMIQUE

DYNAMIQUE

SOMMAIRE

3

PERFORMANCE ÉNERGÉTIQUE DES BÂTIMENTS

CHAPITRE 1 : PROBLÉMATIQUE ET MOTIVATION

Le secteur résidentiel-tertiaire est le plus énergivore en France et dans l’UE

Nécessité d’améliorer la performance énergétique des bâtiments

Construire des modèles fiables pouvant prédire le comportement thermique d’un bâtiment

4

PERFORMANCE ÉNERGÉTIQUE DES BÂTIMENTS

CHAPITRE 2 : MODÉLISATION A PARTIR DES DONNÉES

Source: « Méthode de suivi-évaluation des bâtiments étudiés », O. Bonneau, Cerema

5

PERFORMANCE ÉNERGÉTIQUE DES BÂTIMENTS

CHAPITRE 2 : MODÉLISATION A PARTIR DES DONNÉES

Plusieurs configurations dans une maison

Système à commutation

Discret (différents

modes de

fonctionnement)

Continu (l’évolution

de la

température)

2.1 Identification des systèmes à commutation

Chauffage OFF

Chauffage O

N

Vole

ts o

uvert

s

L’algorithme fait la classification

et l’estimation en même temps.

6

PERFORMANCE ÉNERGÉTIQUE DES BÂTIMENTS

CHAPITRE 2 : MODÉLISATION A PARTIR DES DONNÉES

2.1 Identification des systèmes à commutation

Maisons passives INCAS à Chambéry.

Mesures fournies par le CES.

Entrées: température extérieure,

rayonnement solaire, puissance de

chauffage

Sortie mesurée: température de la salle de séjour.

5 scénarios appliqués sur 3 mois:

(1): chauffage à 20°C, (2): chauffage OFF, (3): chauffage OFF,

(4): chauffage à 24°C, (5): chauffage OFF, ouverture des volets.

7

PERFORMANCE ÉNERGÉTIQUE DES BÂTIMENTS

CHAPITRE 2 : MODÉLISATION A PARTIR DES DONNÉES

2.2 Techniques de Machine Learning pour la modélisation et le contrôle du CVC dans le tertiaire

Contrôle adaptatif

Variables de contrôle Mode opératoire

(Chauffage/refroidissement)

Températures de consigne

Flux d’air minimal

Support vector machine

K-nearest Neighbors regression

Bayesian regression

Réseaux de neurones pour simuler

la consommation du CVC Détermination des paramètres

Aide au contrôle prédictif

8

PERFORMANCE ÉNERGÉTIQUE DES BÂTIMENTS

CHAPITRE 2 : MODÉLISATION A PARTIR DES DONNÉES

2.2 Techniques de Machine Learning pour la modélisation et le contrôle du CVC dans le tertiaire

Sutardja Dai Hall, Berkeley, CA, USA Etage 4: 1400 m2 d’espace utilisable (19 bureaux et 930 m2 espace ouvert)

-1

-0,8

-0,6

-0,4

-0,2

0

0,2

0,4

0,6

0,8

1

20

16-0

7-3

1…

20

16-0

7-3

1…

20

16-0

7-3

1…

20

16-0

7-3

1…

20

16-0

7-3

1…

20

16-0

8-0

1…

20

16-0

8-0

1…

20

16-0

8-0

1…

20

16-0

8-0

1…

20

16-0

8-0

1…

20

16-0

8-0

2…

20

16-0

8-0

2…

20

16-0

8-0

2…

20

16-0

8-0

2…

20

16-0

8-0

3…

20

16-0

8-0

3…

20

16-0

8-0

3…

20

16-0

8-0

3…

20

16-0

8-0

3…

20

16-0

8-0

4…

20

16-0

8-0

4…

20

16-0

8-0

4…

20

16-0

8-0

4…

20

16-0

8-0

5…

20

16-0

8-0

5…

20

16-0

8-0

5…

20

16-0

8-0

5…

20

16-0

8-0

5…

20

16-0

8-0

6…

20

16-0

8-0

6…

20

16-0

8-0

6…

20

16-0

8-0

6…

P (

kW

)

Gains pour un système VAV

9

PERFORMANCE ÉNERGÉTIQUE DES BÂTIMENTS

CHAPITRE 3 : SIMULATION THERMIQUE DYNAMIQUE

CES, Groupe ETB

• Calculs aérauliques (modèle de réseau)

• Modules objets (solaire thermique, photovoltaïque,

pompe à chaleur, échangeur air-sol, matériaux à

changement de phase…)

• Réduction de modèles -> optimisation en conception

(algorithmes génétiques), stratégies de gestion

(programmation dynamique), incertitudes, plusieurs

bâtiments (quartiers)

• Evaluation des impacts environnementaux par

analyse du cycle de vie

3.1 Plateforme de modélisation en énergétique des bâtiments: Pléiades-COMFIE

10

PERFORMANCE ÉNERGÉTIQUE DES BÂTIMENTS

CHAPITRE 3 : SIMULATION THERMIQUE DYNAMIQUE

CES, Groupe ETB

EQM 0,82 pour le modèle COMFIE,

comparable à la référence internationale EnergyPlus

3.2 Fiabilité des modèles

11

PERFORMANCE ÉNERGÉTIQUE DES BÂTIMENTS

CHAPITRE 3 : SIMULATION THERMIQUE DYNAMIQUE

CES, Groupe ETB

Calcul de la stratégie

optimale/

Données de validation

Données

météorologiques réelles Tarifs de l’électricité Taux d’occupation

Programmation dynamique Lois de commandes

simplifiées (heuristiques)

implémentées dans COMFIE

-> temps de calcul compatible

avec la gestion en temps réel

Données pour

l’optimisation

Comparaison des résultats

Evaluation des performances

3.3 Etude de stratégies de gestion en temps réel pour des bâtiments énergétiquement performants

MERCI