Modélisation énergétique des bâtiments

Modélisation énergétique des bâtiments

Les méthodes de modélisation des systèmes CVCA sont variées (boîtes blanches, boîtes grises, boîtes noires). Par conséquent, différents outils ont été développés, dépendamment de l’objectif du modèle et de la méthode choisie. Cette section présente les différentes méthodes de modélisations, ainsi que les types d’outils.

Modélisation des systèmes CVCA

Il existe trois grandes catégories de modèles : boîtes noires, boîtes blanches et boîtes grises (Xiwang et Jin, 2014). L’approche boîte noire, aussi appelée data driven, utilise des données mesurées pour entraîner le modèle. L’approche boîte blanche est une approche basée sur les principes physiques pour décrire le modèle. Enfin, l’approche boîte grise est une combinaison des deux approches précédentes. Cette dernière approche permet de réunir les avantages des deux approches précédentes, car elle « utilise les méthodes physiques pour construire la structure du modèle et utilise les données de performance des systèmes pour estimer les paramètres. » [traduction libre] (Afram et Janabi-Sharifi, 2014). L’un des principaux inconvénients des modèles utilisant l’approche boîte noire est qu’il est nécessaire d’avoir un nombre important de données sur les performances des équipements. De plus, ces données doivent être obtenues pour différentes conditions d’opération, ce qui est souvent complexe et demande de modifier l’opération du bâtiment. C’est pourquoi lorsque le bâtiment est en opération, il est difficile de faire des tests et d’ajouter des capteurs sur les équipements. De plus, l’approche boîte noire dépend fortement de la qualité des données utilisées pour l’entraînement. C’est pourquoi il semble plus aisé de recourir à un modèle boîte blanche ou boîte grise dans le cas de l’analyse d’un bâtiment existant.

Différents outils existent pour modéliser les systèmes, tels que les logiciels de simulation énergétique. Ces logiciels ont des caractéristiques et des niveaux de complexité différents.

Différentes études ont permis de comparer les logiciels de simulations existants (Crawley et al., 2008) et les différents outils de modélisation (Trcka et Hensen, 2010) en fonction de leurs particularités.

Dans le cas de la modélisation des systèmes, les outils peuvent être classés en cinq principales catégories (Trcka et Hensen, 2010) : la catégorie conceptuelle, la catégorie par systèmes, la catégorie par composants, la catégorie par composants multi-domaine et la catégorie par équations. Dans les logiciels de type conceptuel, le comportement du bâtiment est simulé de façon complexe, mais le fonctionnement des systèmes est idéalisé. Les logiciels de la catégorie par systèmes utilisent des modèles de systèmes typiques, comme le logiciel eQUEST. Enfin les logiciels de la catégorie par composant regroupent différents composants qui sont simulés en même temps et sont liés entre eux par des flux de données, comme le logiciel TRNSYS. Cette approche permet de créer une multitude de configurations différentes. La catégorie basée sur les composants multi-domaine est similaire à la catégorie précédente, mais les composants sont une nouvelle fois divisés en équations qui peuvent être résolues par des solveurs différents de façon simultanée. Cette catégorie regroupe les logiciels communiquant avec d’autres logiciels à l’aide de modules complémentaires, comme TRNSYS qui peut communiquer avec le logiciel Matlab. Enfin dans la dernière catégorie, le système est modélisé à l’aide d’une équation ou d’un système d’équations simplifié. Pour l’analyse des stratégies de contrôle, les approches par composant et par composants multi-domaine sont les plus appropriées, car elles sont « plus flexibles en termes de configurations possibles » [traduction libre] (Trcka et Hensen, 2010).

Pour faire une analyse des stratégies de contrôle, il faut également identifier les outils qui permettent de modéliser le contrôle des systèmes CVCA.

Modélisation du contrôle des systèmes CVCA

Dans le cadre de la modélisation du contrôle des systèmes CVCA des études se sont penchées sur la cosimulation qui permet de combiner les points forts des logiciels (Trcka, Wetter, et Hensen, 2007). Ainsi les logiciels avancés en matière de modélisation du contrôle, comme Matlab/Simulink (M. Trcka et Hensen, 2010), peuvent être couplés à des logiciels avancés en matière de simulation du comportement des systèmes, comme TRNSYS (Liu, Pan, et Huang, 2011). Ces cosimulations ont été développées puisque la complexité des composantes d’un bâtiment (comportement thermique, systèmes, contrôleurs…) requiert des solveurs et des techniques de résolution différentes (Engel, Chakkaravarthy, et Schweiger, 2017).

La complexité du modèle repose sur le type d’analyse réalisée (Candanedo, Dehkordi, et Lopez, 2013). Des études vont choisir d’analyser la réponse thermique du bâtiment en utilisant une représentation résistance/capacitance lors de la simulation du contrôle (Candanedo et al., 2013), (Hu et Karava, 2014). D’autres études vont choisir de détailler les modèles des systèmes pour analyser leur réponse à l’aide de modèle par composant (Yan et Treado, 2014), (Afram et Janabi-Sharifi, 2015).

Pas de temps de simulation 

Le choix du pas de temps de simulation est un compromis entre précision et temps de calcul. Le pas de temps de calcul influence également la convergence des logiciels de modélisation. Dans le cadre de la cosimulation, des problèmes de convergence peuvent apparaître pour des pas de temps supérieurs à 1 minute (Trcka et al., 2007). Privara, Váňa, Žáčeková, et Cigler (2012) estiment qu’un pas de temps de 15 minutes est suffisant pour la convergence de TRNSYS et permet de prendre en compte les principaux comportements dynamiques. Pour l’analyse du contrôle des équipements, des auteurs utilisent des pas de temps de 1 à 5 minutes (Visek, Mazzrella, et Motta, 2014; Wetter, 2011). D’après Ji et Xu (2015), des données enregistrées aux 5 minutes sont suffisantes pour la calibration. Plus le pas de temps est faible, plus la modélisation sera précise, mais le temps de simulation sera augmenté. Alibabaei, Fung, et Raahemifar (2016) estiment qu’un pas de temps de 5 minutes est un bon compromis pour modéliser le contrôle.