Energétique des bâtiments : application à la gestion et à la réhabilitation

Transcription

1 5 ème Conférence de la Chaire d Éco-conception Des ensembles bâtis et des infrastructures 8 novembre 2013 Energétique des bâtiments : application à la gestion et à la réhabilitation Patrick SCHALBART, MINES ParisTech, CES

2 Contexte et objectifs Augmentation très rapide de la performance énergétique des bâtiments Retard en 2000, amélioration modeste en 2005, BBC en 2012, énergie positive en 2020? Neuf mais aussi réhabilitation à basse consommation (construction neuve sur un an = 1% du parc existant), investissements très lourds Nouvelle demande du marché : garantie de performance énergétique Problématique du lien entre bâtiments et réseau électrique : bâtiment =2/3 de la consommation, chauffage électrique -> pointes en hiver ( en été -> MW) -> forte pression sur l ingénierie, amélioration des compétences, innovation 2

3 Simulation énergétique Progresser vers des bâtiments à énergie positive, améliorer le niveau de confort thermique Analyse en dynamique (captage, stockage et distribution de l énergie) -> simulation Structuration en objets, ajout de nouveaux composants (PV, solaire thermique, éclairage ) Simplicité d utilisation, description d un projet et comparaison de variantes -> élaboration d une interface avec un éditeur Réduction de modèles -> calculs plus rapides -> optimisation Validation, vérification de la fiabilité des modèles 3

4 Comparaison sur des maisons basse énergie Plate forme INCAS, INES (Chambéry) maisons «passives» Comparaison sur les besoins de chauffage et les puissances maximales, A. Brun et al. 4

5 Température ( C) Température opérative en été (rez-de-chaussée) 32,0 Température jours chauds heures ,0 28,0 26,0 24,0 22,0 Th-BCE 2012 Comfie TRNSYS2011 Simbad Design Builder Max 20, Heure (h) Comfie et EnergyPlus (Design Builder) sont très proches 5

6 Etude de stratégies de gestion Minimiser une fonction objectif (ex. coût ou CO2 lié au chauffage) sous contrainte de puissance maximale de l équipement et de confort Contrainte : température > 19 C et variation de température < 2,2 C sur une heure [ASHRAE, 2003] Comparaison systématique (optimisation exacte) des successions de commandes (niveau de chauffage au cours du temps) Méthode : Programmation dynamique Principe de Bellman : «une politique optimale ne peut être formée que de sous politiques optimales» [Bellman, 1957] -> réduction du nombre d alternatives à comparer 6

7 Principe de Bellman 19,5 C 0,7 19,4 C 0,6 19,3 C 0,5 0,4 19,2 C 0,2 0,3 0,5 19,1 C 0,1 0,2 0,4 0,3 19,0 C 0 0,1 0,2 18,9 C 17:00 18:00 19:00 20:00 21:00 22:00 Variable d état : énergie stockée dans le bâtiment 7

8 Température en C Rayonnement en W/m² Exemples de résultats (thèse de B. Favre) Bâtiment basse consommation de 90 m² sur deux niveaux Modélisation mono-zone Chauffage électrique, P max = 5000 W Besoins de chauffage annuels : 22 kwh/m² Occupation : 4 personnes de 19h à 8h Météo froide : 4 Rayonnement solaire global horizontal Température extérieure Jour 0 8

9 Température en C Effacement des pointes et confort Puissance en W Période 15 min 30 min 1 h 2 h 4 h Variation maximale de la température opérative 1,1 1,7 2,2 2,8 3,3 ASHRAE 2003 Période Pointe Puissances chauffage Température de la zone 22, , , , Jour 0 9

10 Température en C Puissance en W Bâtiment peu isolé Besoins de chauffage annuels : 240 kwh/m², P max = W Période de pointe Température de la zone Puissances chauffage Jour % consommation énergétique Problèmes confort : Températures importantes la nuit Variation température > 2.2 C/h pendant 9h 10

11 Température en C Commande en % Amélioration du confort en période de canicule Volets le jour, ventilation la nuit Approche du confort adaptatif Pourcentage de ventilation (%) Pourcentage ouverture des volets (%) Température de la zone Température de référence 27, , , , Jour 0 11

12 Diagnostic, identification de modèle (O. MEJRI) Objectif : concevoir une opération de réhabilitation et évaluer l économie d énergie Certaines caractéristiques du bâtiment sont inconnues (ex. ponts thermiques) -> utile de réduire les incertitudes par identification de modèle Comparaison modèle identifié par Matlab et profil initial 12

13 Optimisation en réhabilitation (thèse de M. Rivallain) Barre Grimaud : Immeuble HLM R+4 d avant 1974, Sainte Geneviève des Bois (91), 10 logements sociaux, 792 m 2 Structure béton, fenêtres PVC DV, chaudière gaz d avant 1988, VMC simple flux, ECS chauffe-eau gaz individuels Besoins de chauffage avant réhabilitation : 190 kwh/m 2.an Isolation des façades par l extérieur : [10, 12, 15, 18, 20, 25, 30] cm Polystyrene sous le plancher bas : [10, 15, 20, 25, 30, 35, 40] cm Polystyrene en toiture : [10, 12, 15, 18, 20, 25] cm Remplacement des fenêtres : [DV basse émissivité ; triple vitrage] Ratio de surface vitrée en façade nord : [0.5, 0.8, 1, 1.5] Ratio de surface vitrée autres façades: [0.8, 1, 1.25, 1.5] Ventilation : [hygro-réglable; double flux avec échangeur] Système de chauffage : chaudière gaz condensation Eau chaude sanitaire solaire, fraction solaire : [36 ; 54; 72] % 13

14 Approche algorithme génétique : représentation des solutions 1 solution = 1 individu = 1 programme de réhabilitation Chaque individu est représenté par 1 chromosome : Brin COMPOSITION Épaisseur d isolation sur façade Menuiserie sur façade Dimension ouvertures Équipement de ventilation Équipement de chauffage Couverture solaire de la production ECS Brin ORDRE # Phase : Isolation sur façade # Phase : Menuiserie sur façade # Phase : Dimension ouvertures # Phase : Équipement de ventilation # Phase : Équipement de chauffage # Phase : Couverture solaire ECS Croisements, mutations, sélection des individus les plus performants Actions sur les pointeurs de la structure objets puis lancement de chaque simulation 14

15 Cumulated primary energy consumption [MJ] Développement d un front de Pareto, génération 1 Generation Generat Investment cost (on energy retrofit program) [k ] 15

16 Cumulated primary energy consumption [MJ] Développement d un front de Pareto, génération 2 Generation Generat Investment cost (on energy retrofit program) [k ] 16

17 Cumulated primary energy consumption [MJ] Développement d un front de Pareto, génération 3 Generation Generat Investment cost (on energy retrofit program) [k ] 17

18 Cumulated primary energy consumption [MJ] Développement d un front de Pareto, génération 5 Generation Generat Investment cost (on energy retrofit program) [k ] 18

19 Cumulated primary energy consumption [MJ] Développement d un front de Pareto, génération 10 Generation Generati Investment cost (on energy retrofit program) [k ] 19

20 Cumulated primary energy consumption [MJ] Développement d un front de Pareto, génération 20 Generation Generati Investment cost (on energy retrofit program) [k ] 20

21 Cumulated primary energy consumption [MJ] Développement d un front de Pareto, génération 50 Generation Generati Investment cost (on energy retrofit program) [k ] 21

22 Cumulated primary energy consumption [MJ] Generatio Développement d un front de Pareto, génération 100 Generation Investment cost (on energy retrofit program) [k ] 22

23 Cumulated primary energy consumption [MJ] Evolution du front sur les 100 premières générations Generation 1 Generation 2 Generation 3 Generation 5 Generation 10 Generation 20 Generation 30 Generation 40 Generation 50 Generation 60 Generation 70 Generation 80 Generation 90 Generation Investment cost (on energy retrofit program) [k ] 23

24 Global cost on life cycle [k ] Optimum en coût global sur 50 ans A C Generation 1 Generation 10 Generation 20 Generation 30 Generation 40 Generation 50 Generation 60 Generation 70 Generation 80 Generation 90 Generation B Investment cost (on energy retrofit program) [k ] 24

25 Conclusions Simulation énergétique opérationnelle, adaptée aux pratiques professionnelles (BET, entreprises, Architectes ) Ex. COMFIE 2500 licences actives, formations Réduction de modèle -> usage en optimisation (conception et gestion), vérification de la fiabilité du modèle réduit, même sur des bâtiments performants Possibilité d effacer les pointes dans des bâtiments performants (nécessité de la réhabilitation) Optimisation en conception, algorithmes génétiques En perspective : gestion en temps réel des bâtiments, utilisation de la simulation sur le cloud pour du contrôle prédictif (prévisions météo), garantie de performance (incertitudes), échanges d énergie entre bâtiments, liens avec le réseau (smart grid) 25

26 Merci de votre attention 26