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

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

 Présentation du problème

Le comportement thermique d’un bâtiment dépend de différents facteurs illustrés sur la figure 1.1. Ces derniers peuvent être classés en trois familles. La première famille englobe les facteurs intrinsèques à la structure du bâtiment lui-même (composition, surface à chauffer, etc.). La seconde famille regroupe les données météorologiques 3 ayant une influence sur le bâtiment tels que la température extérieure et le flux solaire. La troisième famille, dont l’interaction avec le bâtiment est expliquée dans le paragraphe suivant, regroupe les facteurs « contrôlables » par le client, à savoir la puissance appelée par le système de chauffage électrique, la température de consigne choisie et enfin les apports internes (apports calorifiques autre que le chauffage) dont les apports gratuits dus à la présence de personnes. Bâtiment Apports internes Température extérieure Flux solaire Consommation chauffage Température intérieure Température de consigne FIGURE 1.1: Grandeurs influant le comportement thermique du bâtiment, les grandeurs connues sont en bleu Le système de chauffage a pour rôle d’ajuster la température intérieure afin de maintenir le niveau de confort souhaité. De ce fait, il constitue la partie « pilotable » du bâtiment. Cet usage électrique fournit la puissance électrique nécessaire à la réduction de l’écart entre la température de consigne et la température ambiante. Ainsi, la consommation du chauffage devient une 3. Nous utiliserons désormais le mot « météo » pour désigner les données météorologiques 2 commande pour le bâtiment. Il faudrait donc prendre en compte cette puissance, qui renseigne sur le système de régulation et sur l’état du bâtiment, dans le modèle global. Ce couplage entre le bâtiment et le système de chauffage traduit le lien entre le confort souhaité par les usagers et la réponse thermique du bâtiment. Soulignons que l’action du système de chauffage transforme le fonctionnement du bâtiment d’un système en boucle ouverte (bâtiment seul) en un système en boucle fermée (la sortie agit sur l’entrée par rétroaction). Les apports internes peuvent être vus comme une « perturbation » du comportement thermique du bâtiment, étant donné que cet apport calorifique vient s’ajouter à l’apport calorifique généré par le chauffage électrique injecté dans le bâtiment. On aboutit ainsi à une première modélisation en bloc du comportement du bâtiment prenant en compte les éléments décrits précédemment présentée sur la figure 1.2. + + – + Régulation Bâtiment Apports internes Température extérieure Flux solaire Température intérieure Température de consigne Courbe de charge de chauffage FIGURE 1.2: Schéma bloc associé au modèle global du bâtiment : entrées (vert), mesures (noir) et systèmes inconnus (rouge) Sur cette figure, les entrées du système de chauffage sont la température de consigne, grandeur choisie par l’usager et souvent inconnue et la température intérieure (ambiante). La sortie de la régulation est une puissance donnée du chauffage, grandeur qui peut être mesurée. Cette puissance électrique est convertie en énergie calorifique injectée dans bâtiment. Par ailleurs, le fonctionnement de ce dernier est perturbé par les apports internes et les données météo. La résultante de ces interactions est une température intérieure donnée, qui va à son tour être prise en compte par le système de régulation du chauffage. La sortie du système est une température intérieure du bâtiment, grandeur dont la définition s’avère délicate comme nous l’illustrerons ultérieurement. Le schéma bloc présenté sur la figure 1.2 met en évidence que les deux composantes du système, le chauffage et le bâtiment, sont couplées. La prise en compte de ce couplage a transformé le problème en régime libre en un problème en boucle fermée. L’identification du modèle global, cas qui nous intéresse dans cette thèse, nécessite alors des précautions quant à l’application des approches classiques d’identification généralement conçues pour des systèmes opérant en boucle ouverte. La prise en compte de la régulation augmente également la complexité du problème, et ce à travers l’introduction de paramètres inconnus (du régulateur) qui viennent s’ajouter aux inconnus du modèle thermique à proprement parler. 

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 4 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 5 . 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 6 , 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. 4. L’intermittence est un signal sous forme de créneaux, la valeur minimale est appelée « réduit » et la valeur maximale « confort ». La période des créneaux est généralement journalière. 5. Les cas que nous étudierons concernent des bâtiments où tous les usages sont électriques mais l’approche est généralisable pour d’autres types d’énergies (gaz, fuel,…). 6. Pour chaque pas de temps, le minimum est pris en considérant les consommations de toutes les journées de l’année à la même heure. 4 Île-de-France H2a H1a H3 H1b H2b H2c H1c H2d Nancy Trappes Mâcon La Rochelle Rennes Carpentras Nice Agen FIGURE 1.3: Zones climatique définies par la Réglementation Thermique de 2005 (RT2005) 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, sachant que la France est répartie en huit zones climatiques comme l’illustre la figure 1.3. Le découpage définie par la RT2005 permet de distinguer les zones selon le besoin de chauffage en hiver (H1, H2 et H3) et de confort en été (indice a, b, c et d), la zone H3 étant en zone d’été d. Cette réglementation, applicable à partir de septembre 2006, permet de définir en fonction de la zone climatique, un ensemble de règles à respecter pour toute construction de bâtiment neuf. Ces règles permettent notamment d’assurer : ➤ une consommation d’énergie inférieure à une valeur de référence définie par la RT, ➤ un confort d’été en imposant une température intérieure du bâtiment inférieure à une température de référence, ➤ le respect de certaines caractéristiques thermiques des éléments du bâtiment. Les données que nous traiterons sont enregistrées au niveau de la cellule test ETNA 7 du site des Renardières d’EDF. 

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 fréquentie
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 70
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 Résultats de l’approche bayésienne
6.1 Application à un cas test de bâtiment
6.1.1 Données utilisées
6.1.2 Résultats de simulation
6.1.2.1 Connaissance a priori non biaisée des paramètres
6.1.2.2 Biais sur les lois a priori des paramètres
6.2 Améliorations et Méthodes de diagnostic de convergence
6.2.1 Méthodes graphiques
6.2.2 Critères quantitatifs
6.2.2.1 Comparaison des variances inter et intra-chaînes
6.2.2.2 Variabilité par rapport à la moyenne
6.2.3 Prise en compte de contrainte de positivité sur les paramètres
6.3 Performances et robustesse de la méthode
6.3.1 En fonction de la connaissance des inconnues
6.3.2 En fonction de la connaissance a priori du problème
6.4 Application aux données CLIM2000 et interprétation
6.4.1 Les données CLIM2000
6.4.2 Présentation des résultats et interprétation
6.4.3 Comparaison avec l’estimation classique
6.5 Données réelles : bâtiment LGEP1
6.5.1 Analyse des données et résultats
6.5.2 Interprétation des résultats et limites
6.6 Prise en compte de la saturation
6.6.1 Impact de la saturation pour un PI et précautions
6.6.1.1 Conséquences sur le comportement du bâtiment
6.6.1.2 Anti windup (« anti-emballement »)
6.6.1.3 Ralentissement du régime transitoire du bâtiment
6.6.2 Prise en compte d’une courbe de charge saturée dans l’algorithme de Gibbs
6.6.2.1 Courbe de charge considérée comme sollicitation du bâtiment
Conclusion Générale
Perspectives : approche hamiltonienne
A Identification d’un modèle de signature énergétique de bâtiment
A.1 Description du bâtiment LGEP1
A.2 Analyse des données d’entrée
A.3 Identification et résultats
Annexes
B Matrice d’information de Fisher/ algorithme du gradient
B.1 Calcul de la matrice d’information de Fisher
B.1.1 Évaluation de ∇
log[ fθ (Y)] pour un système récursif
B.2 Algorithme de gradient
C Filtrage de Kalman
C.1 Cadre général
C.2 Le filtre
C.3 Le lisseu

projet fin d'etudeTélécharger le document complet

Télécharger aussi :

Laisser un commentaire

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