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

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

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 (40 000 en été -> 100 000 MW) -> forte pression sur l ingénierie, amélioration des compétences, innovation 2

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

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

Température ( C) Température opérative en été (rez-de-chaussée) 32,0 Température jours chauds heures 4801-4848 30,0 28,0 26,0 24,0 22,0 Th-BCE 2012 Comfie TRNSYS2011 Simbad Design Builder Max 20,0 0 3 6 9 12 15 18Heure (h) 21 24 27 30 33 36 39 42 45 48 Comfie et EnergyPlus (Design Builder) sont très proches 5

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

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

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 350 2 300 0-2 -4-6 250 200 150 100 50-8 0 1 2 3 4 5 6 Jour 0 8

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 22,5 5000 22 4000 21,5 21 3000 20,5 2000 20 19,5 1000 19 0 1 2 3 4 5 6 7 Jour 0 9

Température en C Puissance en W Bâtiment peu isolé Besoins de chauffage annuels : 240 kwh/m², P max = 20 000 W Période de pointe Température de la zone Puissances chauffage 26 20000 25 24 16000 23 12000 22 21 20 8000 4000 19 0 1 2 3 4 5 6 7 Jour 0 + 60 % consommation énergétique Problèmes confort : Températures importantes la nuit Variation température > 2.2 C/h pendant 9h 10

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 27,5 100 27 26,5 90 80 70 26 25,5 60 50 40 25 24,5 30 20 10 24 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 Jour 0 11

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

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

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

Cumulated primary energy consumption [MJ] Développement d un front de Pareto, génération 1 Generation 1 27000000 25000000 23000000 Generat 21000000 19000000 17000000 120 140 160 180 200 220 240 260 280 300 320 Investment cost (on energy retrofit program) [k ] 15

Cumulated primary energy consumption [MJ] Développement d un front de Pareto, génération 10 Generation 10 27000000 25000000 23000000 Generati 21000000 19000000 17000000 120 140 160 180 200 220 240 260 280 300 320 Investment cost (on energy retrofit program) [k ] 19

Cumulated primary energy consumption [MJ] Generatio Développement d un front de Pareto, génération 100 Generation 100 27000000 25000000 23000000 21000000 19000000 17000000 120 140 160 180 200 220 240 260 280 300 320 Investment cost (on energy retrofit program) [k ] 22

Cumulated primary energy consumption [MJ] Evolution du front sur les 100 premières générations 27000000 25000000 23000000 21000000 19000000 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 100 17000000 120 140 160 180 200 220 240 260 280 300 320 Investment cost (on energy retrofit program) [k ] 23

Global cost on life cycle [k ] Optimum en coût global sur 50 ans 600 580 560 A 540 520 C Generation 1 Generation 10 Generation 20 Generation 30 Generation 40 Generation 50 Generation 60 Generation 70 Generation 80 Generation 90 Generation 100 500 B 480 120 140 160 180 200 220 240 260 280 300 320 Investment cost (on energy retrofit program) [k ] 24

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

Merci de votre attention 26