Identification d’un modèle de comportement thermique de bâtiment à partir de sa courbe de charge

Motivations et enjeux

Motivations

En France, le secteur du bâtiment (résidentiels, tertiaires et industriels) est le secteur ayant la plus grande part dans la demande énergétique parmi tous les secteurs économiques. En effet, ses besoins représentent environ 43% de l’énergie finale totale, ce qui correspond à une consommation annuelle autour de 400 kWh d’énergie primaire par m² chauffé  . Cette part de consommation du bâtiment ne cesse d’augmenter, par exemple les logements et les bureaux ont vu leur consommation augmenter de +30% durant les 30 dernières années. Cette augmentation est liée :
➤ à la croissance permanente de la taille du parc considéré ;
➤ à l’augmentation de la surface moyenne occupée ;
➤ à l’accroissement du confort ;
➤ et à l’émergence de plusieurs nouveaux usages électriques.
Dans le cas particulier du secteur résidentiel, le chauffage électrique représente la plus grande part de consommation (supérieure à 60% de la consommation totale). Une meilleure gestion de la consommation électrique du chauffage devient une urgence, notamment dans un contexte économique qui évolue rapidement et face à une conscience accrue de la contrainte environnementale. Concrètement, il s’agirait de choisir une installation adaptée aux besoins (gestion de la demande en énergie) et de s’assurer de la bonne isolation du bâtiment, qu’il s’agisse de bâtiments existants ou en cours de construction.

Enjeux

Une bonne connaissance du comportement thermique du bâtiment (résidentiel, tertiaire, industriel) contribue à améliorer la gestion de la demande en énergie du chauffage électrique. Le commercialisateur exploite cette information pour proposer des offres de services énergétiques tels que le diagnostic du bâtiment et des recommandations d’amélioration de la structure du bâtiment ou de remplacement du système de chauffage électrique. Pour le client, une meilleure connaissance du comportement de son bâtiment est nécessaire pour modifier son comportement énergétique, pour réduire sa facture ou encore pour améliorer son confort.

Données et contraintes

Dans ce paragraphe, nous décrivons les données d’entrée/sortie du système global « chauffage + bâtiment », les connaissances a priori et/ou contraintes sur ces données.

Présentation des données 

Les données exploitées dans nos travaux proviennent de sources variées et ont des propriétés assez différentes :

Température de consigne Elle définit le confort souhaité par l’occupant en chauffage ou en climatisation. Les valeurs prises par la température de consigne varient généralement entre 17 et 23 degrés avec des profils plus ou moins réguliers selon que l’occupant dispose d’un système automatisé de gestion du chauffage ou pas. Le scénario le plus couramment utilisé en gestion automatisée de bâtiments tertiaires de bureaux par exemple est le scénario d’intermittence  du lundi au vendredi avec un réduit de 17°C et un confort de 20°C. Les enregistrements de la température de consigne ne sont généralement pas disponibles, pour le cas des données provenant d’un bâtiment réel que nous étudierons, elle est reconstruite au pas de temps de 10 minutes à partir de connaissances a priori sectorielles.

Données électriques La puissance appelée par le chauffage et les apports internes sont obtenus par une décomposition de la courbe de charge électrique totale  . Disposer de ces grandeurs implique l’utilisation d’une méthode de décomposition de la CdC (Courbe de Charge). Un logiciel de décomposition de la CdC (Barrois et Jicquel [5]), appelé « Fdd_Usages », adapté au secteur tertiaire bureau été développé au sein d’EDF. Il permet de fournir à partir d’une courbe de charge annuelle échantillonnée au pas de 10 minutes :
1. un profil de journée minimum  , ou talon minimum, correspondant à la consommation des usages permanents correspondant généralement à la journée du dimanche ;
2. un talon type de chaque journée de la semaine correspondant aux usages liés à la présence de personnes (ordinateurs, éclairage,…) ;
3. une variation saisonnière, composante restante de la courbe de charge, attribuée à la consommation de chauffage en hiver et de climatisation en été.

Nous soulignons le fait que la part de chauffage obtenue par cette méthode est généralement légèrement sur-estimée. Cela est du à la présence d’usages dépendant de la saison et non pris en compte comme l’éclairage extérieur.

Données météo En pratique, la température extérieure et le flux solaire sont les grandeurs météo les plus influentes sur le comportement thermique du bâtiment et sont fournies par la station météo la plus proche. En effet, Météo-France propose une large gamme de données climatologiques avec des pas de temps allant de l’horaire au mensuel. Les observations sont relevées sur les quelques 550 stations du réseau RADOME de Météo-France en France métropolitaine ainsi que ceux des partenaires avec un total de 1250 stations .

Les contraintes

Données « peu riches » pour identifier un modèle du bâtiment Une stratégie d’identification d’un modèle donné du bâtiment (sans prendre en compte le système de chauffage) consiste à exploiter une série d’expériences où l’on choisit les différents scénarios d’excitation adéquats et les différentes sollicitations. Cette approche est utilisée par exemple pour étudier le comportement du système élémentaire composé des parois du bâtiment. La richesse des données d’entrée permet d’assurer une bonne identification du modèle étudié. Dans le cas étudié dans la thèse, à savoir l’identification du système global « chauffage + bâtiment », nous n’avons pas la possibilité de planifier des expériences.

Les mesures de température intérieure inaccessibles L’objectif de la thèse étant de proposer une démarche non-intrusive (pour le client), les données de température de consigne et de température ambiante ne peuvent être mesurées. En effet, à ce jour, il n’existe pas de système industriel généralisé effectuant le relevé de ces températures et accessible à distance, similaire à la mesure de la courbe de charge via la sortie téléinfo du compteur. Pour s’affranchir de cette contrainte, nous considérons l’hypothèse d’un degré de confort (c’est à dire température de consigne) choisi et connu dans le bâtiment. La nécessité de disposer de la température de consigne se justifie en partie par l’absence d’une mesure de température intérieure : étant donné que la puissance appelée permet d’assurer un écart de température et que la température intérieure est inconnue, il est indispensable d’avoir au moins la borne supérieure, soit la température souhaitée, pour éviter les problèmes de biais.

D’autre part, selon la gestion du bâtiment, la température de consigne est toujours informative :
➤ si elle est irrégulière : le besoin du client n’est pas formulé précisément, il est donc difficile d’évoquer l’économie d’énergie notamment en minimisant l’énergie consommée par le chauffage sans se donner une référence fixe.
➤ si elle est à scénarios prédéfinis : la plupart des bâtiments, surtout dans le secteur tertiaire, utilisent des scénarios fixes de gestion du chauffage électrique, il s’agit alors d’exploiter cette information d’autant plus que la connaissance du bâtiment est limitée.

Le rapport de stage ou le pfe est un document d’analyse, de synthèse et d’évaluation de votre apprentissage, c’est pour cela rapport-gratuit.com propose le téléchargement des modèles complet de projet de fin d’étude, rapport de stage, mémoire, pfe, thèse, pour connaître la méthodologie à avoir et savoir comment construire les parties d’un projet de fin d’étude.

Table des matières

1 Introduction
1.1 Motivations et enjeux
1.1.1 Motivations
1.1.2 Enjeux
1.2 Problématique
1.2.1 Présentation du problème
1.2.2 Données et contraintes
1.2.2.1 Présentation des données
1.2.2.2 Les contraintes
1.2.3 Objectifs de la thèse
1.3 Approche proposée
1.4 Organisation du document
2 Modélisation et identification du bâtiment
2.1 Modèles du bâtiment .
2.1.1 Modèles statiques
2.1.1.1 Premier exemple : signature énergétique simple
2.1.1.2 Deuxième exemple : variation de température extérieure et d’ensoleillement
2.1.1.3 Avantages et limites
2.1.2 Modèles dynamiques
2.1.2.1 Modèles de « signature énergétique »
2.1.2.2 Modèles thermiques détaillés
2.1.2.3 Modèles réduits
2.2 Les méthodes d’identification en thermique du bâtiment
2.2.1 Identification de composants de la paroi du bâtiment
2.2.2 Objectifs de l’identification et choix inhérents
2.2.2.1 Identification pour le diagnostic
2.2.2.2 Identification pour la commande
2.3 Modèle retenu dans la thèse – le modèle R3C2
3 Identification et problèmes mal posés
3.1 La procédure d’identification
3.1.1 Les étapes préliminaires
3.1.2 Structures de modèle et étapes clés
3.1.3 Enjeu et limites
3.2 Identifiabilité
3.2.1 Définition
3.2.2 Expérience informative pour une structure donnée
3.2.2.1 Contenu fréquentiel
3.2.2.2 Erreur de convergence et matrice d’information de Fisher
3.3 Identification d’un système MISO ou en boucle fermée
3.3.1 Identification d’un système multi entrées
3.3.2 Identification en boucle fermée
4 Application d’une approche classique d’identification au modèle global
4.1 Cadre général de l’estimation paramétrique du bâtiment
4.1.1 Quelle écriture pour l’estimation ?
4.2 Estimation paramétrique
4.2.1 Modèle de bruit pour l’identification
4.2.2 Prédicteur optimal
4.2.3 Algorithme de minimisation du critère
4.3 Étude préliminaire du modèle global
4.3.1 Sensibilité globale
4.3.2 Identifiabilité locale
4.3.2.1 Gramien d’identifiabilité
4.3.2.2 Sensibilité locale de l’observation
4.4 Analyse des résultats et validation
4.4.1 Analyse des données d’entrée
4.4.2 Résultats d’identification
4.4.3 Validation/Invalidation statistique
5 Approche bayésienne appliquée au bâtiment
5.1 Position du problème dans un cadre bayésien
5.1.1 Inversion Bayésienne
5.1.2 La simulation stochastique
5.1.2.1 Chaîne de Markov
5.1.2.2 Algorithme de Metropolis-Hastings
5.1.2.3 Algorithme de Gibbs
5.2 Application de la méthode de Gibbs au modèle R3C2
5.2.1 Formulation du problème
5.2.1.1 Prise en compte de la régulation
5.2.1.2 Discrétisation
5.2.2 Expressions des lois conditionnelles pour les paramètres
5.2.2.1 Simulation de Zt conditionnellement à X et Zg
5.2.2.2 Simulation de Zg conditionnellement à X et Zt
5.2.3 Échantillonneur de Kalman
5.2.3.1 Le filtre
5.2.3.2 Le lisseur
5.2.3.3 L’échantillonneur
6 Conclusion

Rapport PFE, mémoire et thèse PDFTélécharger le rapport complet

Télécharger aussi :

Laisser un commentaire

Votre adresse e-mail ne sera pas publiée. Les champs obligatoires sont indiqués avec *