Monitoring continu et gestion optimale des performances énergétiques des bâtiments Alexandre Nassiopoulos et al. Journée d inauguration de Sense-City, 23/03/2015
Croissance de la demande énergétique et du coût de l énergie Evolution du prix de l énergie pour les ménages (source: ODYSSEE) Répartition de la demande énergétique par secteur en Europe (source Eurostat)
La rénovation du parc bâti Plan de rénovation massive de bâtiments : 500 000 logements par an La construction évolue vers des pratiques fondées sur l obligation de résultats (garantie de performances,...) BESOIN d outils pour : mesurer et analyser la performance énergétique prévoir précisément l efficacité des travaux vérifier les performances avant et après rénovation Processus de rénovation et outils de mesure/calcul :
De plus en plus de capteurs dans les bâtiments Systèmes domotiques de mesure de consommations Compteur électrique intelligent Linky Prévision de la demande d électricité pour le 23/03/2015 en Grèce (données web, sys SCADARES)
Combinaison de modèles numériques et de mesures
Combinaison de modèles numériques et de mesures Simulation calibrée
Combinaison de modèles numériques et de mesures Régulation optimale
1 Mesure des performances énergétiques des bâtiments 2 Instrumentation, modélisation 3 Exemples d applications 4 Conclusions
Comportement thermique d un bâtiment Shortwave radiation Longwave radiation Conduction through walls Natural convection (airmass exchange) Convection on walls surfaces
Mode lisation nume rique du comportement thermique Real building CAD 3D model System of equations / numerical simulation + weather conditions + use conditions
Modélisation et mesures : démarche générale
Modélisation et mesures : démarche générale Inconnues: u = {u 1, u 2,..., u N } On se donne un critère : J(u) = écart calcul mesure + critère de confort + consommation +... Problème d optimisation: Trouver u V tel que J(u) = inf ũ V J(ũ)
Modélisation et mesures : démarche générale Problème de minimisation : avec Find u V such that J(u) = inf ũ V J(ũ) J(u) = α1 2 Tu y 2 M + α2 2 u u0 2 U + α3 2 φ(u) 2 (1) Algorithmes de descente nécessitent de calculer le gradient J de J. J(u + δu) J(u) = ( J, δu) V + O δu 2 V Utilisation du modèle adjoint : rapidité d exécution précision δu V possibilité de traiter tous types d inconnues (scalaires, fonctions du temps, de l espace,...)
1 Mesure des performances énergétiques des bâtiments 2 Instrumentation, modélisation 3 Exemples d applications 4 Conclusions
Diagnostic énergétique de bâtiments problème inverse d identification de paramètres intrinsèques du modèle Capteurs de température ambiante : 1 par zone thermique Capteurs de température de surface des parois : une mesure intérieure/extérieure par type de paroi à caractériser Puissance de chauffage totale du système de production de chaleur Météo : température extérieure, rayonnement solaire global Gains internes maîtrisés
Mode les pre dictifs de consommation pour les smart grids Available sensors: Local (on site) : one temperature measurement T per thermal zone one consumption measurement W per thermal zone Global (national weather institute data) : ambient temperature Te total solar radiation Φ
Pilotage optimal temps réel avec algorithme prédictif Démarche MPC ( Model Predictive Control ): on résout un problème d optimisation sur une fenêtre temporelle future, en utilisant comme données des prévisions météo et d usage J (u) = J = + 1 2 inf u=(p 1,P 2 ) U N z ta 1 2 z=1 N z ta z=1 0 0 J (u) a z (t) P 2 z dt b z (t) ( T opz (u) T c op z ) 2 dt (2) augmentation du confort et réduction des consommations (jsuqu à 30% d économies d énergie)
Contrôle prédictif Pilotage MPC de la maison expérimentale INCAS à Chambéry (INES) Proje ANR PRECCISION www.preccision.org
Pilotage optimal temps réel avec algorithme prédictif Contrôle standard par PID : 6000 PID Heaters command 22 Computed temperatures with PID control Computed, zone 1 5000 Computed, zone 2 Temperature Weights 20 10 18 10 Power (W) 4000 3000 5 2000 0 1000 0 1.3888 1.3889 1.3889 1.389 1.389 1.3891 1.3892 Time x 10 9 Temperature weight Temperature (C) 16 14 5 12 Setpoints, zone 1 10 0 Setpoints, zone 2 Computed Temperature, zone 1 8 Computed Temperature, zone 2 Temperature Weights 6 1.3888 1.3889 1.3889 1.389 1.389 1.3891 1.3892 Time x 10 9 Temperature weight Indice de confort : 11.10 3, Consommation = 379,8 kwh Approche MPC : augmentation du confort, réduction des consommations 6000 Theoretical heaters demand 18 Reconstructed vs. Target response Computed, zone 1 5000 Computed, zone 2 Temperature Weights 16 10 10 Power (W) 4000 3000 2000 5 Temperature weight Temperature (C) 14 12 10 Setpoints, zone 1 Setpoints, zone 2 5 Temperature weight 1000 0 8 Reconstructed, zone 1 Reconstructed, zone 2 Temperature Weights 0 0 1.3888 1.3889 1.3889 1.389 1.389 1.3891 1.3892 Time x 10 9 6 1.3888 1.3889 1.3889 1.389 1.389 1.3891 1.3892 Time x 10 9 Indice de confort : 6, 51.10 5, Consommation = 333,45 kwh
1 Mesure des performances énergétiques des bâtiments 2 Instrumentation, modélisation 3 Exemples d applications 4 Conclusions
ReTroFiT : un logiciel innovant pour la simulation calibrée REal Time energy simulation and Optimization software Toolbox Logiciel de simulation thermique dynamique Principes de modélisation en pointe par rapport à l état de l art (modélisation fine multizone) Formalisme continu en temps et en espace fondé sur des équations différentielles partielles pour traiter une grande variété de problèmes intéropérabilité avec les outils de CAO les plus répandus grâce à la compatibilité avec le format gbxml Conçu pour la résolution rapide de problèmes d optimisation Tous les outils (notamment le modèle adjoint) ingégrés de manière native Inclut une variété d algorithmes pour la résolution de problèmes linéaires ou non-linéaires, avec ou sans contraintes Permet de traiter de nombreux problèmes d optimisation : problèmes inverses d identification, control optimal, conception optimale,... Architecture modulaire et extensible Version 1.0 codée sous Matlab Export possible sous forme de.dll ou exécutable
Le démonstrateur présenté dans Sense-City Le démonstrateur présenté dans Sense-City utilise des capteurs sans fil et utilise le réseau pour un déploiement cloud : facilité d installation, de maintenance et d utilisation.
Merci de votre attention Contact : Alexandre Nassiopoulos alexandre.nassiopoulos@ifsttar.fr +33 2 40 84 59 19 +33 7 81 05 53 35