Domaine de 1 ' invention

La présente invention concerne le domaine de l'optimisation de systèmes de chauffage, de ventilation et de climatisation dans de grands bâtiments. La méthode utilisée repose sur des simulations effectuées à partir d'un modèle numérique combinées à des outils d'apprentissage statistique et d'optimisation stochastique avancés.

Le but est de réduire la dépense énergétique globale en améliorant le confort perçu par les usagers d'un bâtiment, en construisant un modèle numérique permettant de paramétrer des contrôles avancés des consignes des systèmes de gestion techniques, du fonctionnement des équipements de climatisation et plus généralement tous les équipements entraînant des dépenses énergétiques d'une part et contribuant au confort perçu des usagers d'autre part.

A titre d'exemple, le département « US Energy Information Administration » estime que le chauffage, le refroidissement, l'éclairage, la réfrigération et le chauffage de l'eau représentent environ 55% de la consommation d'énergie pour un bâtiment du secteur commercial.

La consommation d'énergie pour l'éclairage (environ 10%) peut être réduite sans diminuer le confort perçu par le remplacement des sources d'éclairage traditionnelles par des éclairages de type diodes électroluminescentes (LED) à la place de lampes fluorescentes. Il est alors crucial d'améliorer les autres usages énergétiques pour maîtriser l'impact environnemental de la gestion des bâtiments (en réduisant les émissions de gaz à effet de serre tel que le dioxyde de carbone) et accroître l'efficacité financière (en réduisant la facture d'énergie avec de nouveaux contrats dimensionnés de manière adaptée ) .

Un problème spécifique lié à la réduction des consommations d'énergie des bâtiments commerciaux ou publics est de maintenir et de contrôler le confort thermique à 1 ' intérieur de ces bâtiments pendant l'occupation, en tenant compte de la dynamique du bâtiment et des changements météorologiques, de réduire la consommation pendant les périodes d'inoccupation et de relancer à temps le chauffage, la ventilation et la climatisation après une période de ralenti.

On distingue typiquement deux approches pour l'élaboration d'une stratégie d'efficacité énergétique et de confort optimale :

La première approche repose sur des simulateurs physiques, basés sur un modèle de l'intégralité d'un bâtiment, prenant en compte la géométrie du bâtiment, son enveloppe, les charges internes, les systèmes de climatisation et de ventilation et les données météorologiques. Ce modèle numérique est ensuite utilisé pour simuler les consommations d'énergie et les températures à l'intérieur du bâtiment. Différents algorithmes peuvent ensuite être utilisés pour estimer les meilleurs paramètres de gestion (programmations, consignes de température) afin de réduire les consommations tout en assurant un confort thermique optimal. Cette approche basée sur la simulation peut fournir une précision acceptable, mais nécessite beaucoup d'efforts de données précises et difficiles, donc coûteuses, voire impossible à obtenir (par exemple, les vrais réglages des équipements, les vrais apports en chaleur des équipements bureautiques et d'éclairage, la vraie étanchéité du bâtiment, les vraies caractéristiques des équipements de génie climatique, etc.). Elle est ensuite très coûteuse en ingénierie pour arriver à caler de manière suffisamment précise tous les paramètres du modèle de simulation thermique associés à chaque bâtiment. Elle est aussi très dépendante de la qualité et de la pertinence du modèle physique de simulation utilisé.

La deuxième approche tente de modéliser la consommation d'énergie des bâtiments à partir de l'analyse de sa corrélation avec d'autres variables telles que la température intérieure, la température extérieure, l'occupation du bâtiment). Elle utilise une approche purement numérique et statistique en tenant compte de certaines fonctions et contraintes objectives à minimiser (modèles à espace d'état par exemple). Elle n'utilise pas de modèle d'ingénierie technique du bâtiment et des équipements énergétiques. Cette approche a une charge de calcul relativement faible, et est donc capable de répondre rapidement. Un modèle générique peut s'appliquer à différents bâtiments et des techniques d'apprentissage statistique peuvent être utilisées pour choisir les paramètres des modèles définis. Mais cette approche « boîte noire » qui repose sur des comparaisons statistiques, ne tenant pas suffisamment compte de la physique sous-jacente associée au comportement énergétique des bâtiments, est difficile à traduire en actions pratiques et concrètes (car les actions envisagées sont limitées, ne sont pas graduées, et leurs impacts ne peuvent être suffisamment quantifiés avec précision) . Les intervalles de confiance sont souvent supérieurs à la valeur estimée des impacts .

Etat de la technique

On connaît dans l'état de la technique le brevet américain US9612591 (demande US2015192911 ) décrivant un exemple de procédé et système permettant d'optimiser et de contrôler la consommation d'énergie d'un bâtiment. Un premier dispositif informatique génère un ensemble de coefficients de réponse thermique pour le bâtiment en se basant sur les caractéristiques énergétiques du bâtiment et les données météorologiques associées à l'emplacement du bâtiment. Le premier dispositif informatique prédit une réponse d'énergie du bâtiment sur la base de l'ensemble des coefficients de réponse thermique et des conditions météorologiques prévues associées à l'emplacement du bâtiment. Le premier dispositif informatique sélectionne les besoins minima en énergie du bâtiment sur la base d'un coût de consommation d'énergie associé au bâtiment. Le premier dispositif informatique détermine un ou plusieurs points de consigne de température pour le bâtiment sur la base de la réponse d'énergie et des besoins minimum en énergie. Le premier dispositif informatique transmet un ou plusieurs points de consigne de température à un thermostat du bâtiment.

Ce procédé de l'art antérieur prévoit les étapes suivantes :

• Réception, par un premier dispositif de calcul, d'une ou plusieurs mesures provenant d'une pluralité de capteurs, dont au moins une partie est située à l'intérieur du bâtiment, les mesures comprenant des lectures de température et des caractéristiques de confort ;

• Calcul, par le premier dispositif informatique, d'un ensemble de coefficients de réponse thermiques pour le bâtiment sur la base de l'énergie caractéristique du bâtiment, les mesures des capteurs et des données météorologiques associées à l'emplacement du bâtiment ;

• Calcul, par le premier dispositif de calcul, d'un niveau de réponse énergétique du bâtiment fonction de l'ensemble des coefficients de réponse thermiques et de prévisions météorologiques associées à l'emplacement du bâtiment r

• Détermination, par le premier dispositif de calcul, d'une série points de contrôle d'énergie pour chacun des dispositifs de confort du bâtiment sur la base de la réponse énergétique desdits points de contrôle pouvant être actionnés pour ajuster un ou plusieurs paramètres opérationnels du confort ;

• Optimisation, par le premier dispositif informatique, de la série de points de contrôle d'énergie sur la base d'un coût énergétique estimé pour une pluralité de périodes de temps prédéterminées afin que les dispositifs de confort correspondants consomment moins d'énergie pendant les périodes ayant un coût énergétique estimé élevé plus d'énergie pendant des périodes de temps ayant un faible coût énergétique estimé ;

• Recueil par le premier dispositif de calcul pour chacune de la pluralité de périodes de temps prédéterminées, des températures détectées d'un ou plusieurs capteurs dans des pièces différentes du bâtiment, par un ou plusieurs capteurs à l'extérieur du bâtiment et par un thermostat à l'intérieur du bâtiment ;

• Vérification, par le premier dispositif de calcul, si les lectures de température de l'un ou plusieurs des capteurs dans différentes pièces du bâtiment divergent dans le temps des lectures de température du ou des capteurs extérieurs au bâtiment et des lectures de température du thermostat ; et

• Si au moins l'un des détecteurs dans les différentes pièces du bâtiment diverge dans le temps des relevés de température du ou des capteurs extérieurs au bâtiment et des relevés de température du thermostat :

• Ajuster, par le premier dispositif de calcul, la série de points de contrôle d'énergie pour un ou plusieurs dispositifs de confort associés à la chambre du capteur divergent pour tenir compte de la divergence de température.

On connaît aussi deux articles scientifiques. suivants : Yu, Wei & Li, Baizhan & Jia, Hongyuan & Zhang, Ming & Wang, Di. (2015). Application of multi-objective genetic algorithm to optimize energy efficiency and thermal comfort in building design. Energy and Buildings. Vol. 88. Pages 135-143. Cet article décrit un modèle d'optimisation à objectifs multiples pouvant aider les concepteurs dans la conception de bâtiments écologiques. Cet article propose l'utilisation de la solution de Pareto pour obtenir un ensemble de solutions optimales d'optimisation de la conception de bâtiments. Un algorithme génétique amélioré multi-objectifs (NSGA-II) constitue la base théorique pour la modélisation d'un modèle d'optimisation à plusieurs objectifs. Sur la base des données de simulation sur la consommation d'énergie et le confort thermique intérieur, un réseau de propagation arrière optimisé basé sur la simulation, optimisé par un algorithme génétique (GA) est utilisé pour caractériser le comportement des bâtiments, puis établir un Modèle de réseau permettant de prévoir rapidement la consommation d'énergie et l'état de confort thermique intérieur des bâtiments résidentiels.

O'Neill, Z. & Eisenhower, Leveraging the analysis of parametric uncertainty for building energy model calibration B. Build. Simul. (2013) Springer Berlin Heidelberg Print ISSN 1996- 3599 décrit des modèles énergétiques calibrés utilisés pour mesurer et vérifier les projets de rénovation de bâtiments, prévoir les économies réalisées grâce aux mesures de conservation de l'énergie et mettre en service les systèmes de construction (à la fois avant l'occupation et pendant la surveillance, les contrôles et les diagnostics de performance basés sur un modèle en temps réel).

Cet article présente une méthode systématique et automatisée d'étalonner un modèle énergétique de bâtiment. Un échantillonnage efficace des paramètres permet d'analyser plus de deux mille paramètres de modèle et d'identifier ceux qui sont critiques (les plus importants) pour le réglage du modèle. Les paramètres qui affectent le plus l'utilisation finale de l'énergie du bâtiment sont sélectionnés et automatiquement affinés pour calibrer le modèle en appliquant une optimisation analytique basée sur un méta-modèle. Les données en temps réel d'un immeuble de bureaux, y compris les données des compteurs d'énergie et d'énergie en 2010, ont été utilisées pour l'étalonnage du modèle, tandis que les données de 2011 ont été utilisées pour la vérification du modèle. Le processus de modélisation, les résultats de calibration et de vérification, ainsi que les problèmes de mise en œuvre rencontrés tout au long du processus de calibration de modèle du point de vue de l'utilisateur sont discutés. Les prévisions de consommation totale d'électricité des installations et des bougies à partir du modèle calibré correspondent aux données mensuelles réelles mesurées à ± 5%.

Inconvénients de l'art antérieur

Un premier inconvénient des solutions de l'art antérieur est le recours à des algorithmes génétiques pour résoudre les problèmes d'optimisation multi-objectifs nécessitant un grand nombre de simulations pour calculer un optimum de Pareto et déterminer l'allocation optimale des ressources de confort. Cela entraîne des coûts de calcul prohibitifs lorsque ces traitements sont combinés avec des programmes de simulation comme le logiciel pour la simulation thermique des bâtiments et des systèmes TRNSYS (nom commercial).

Par ailleurs, la précision et la robustesse des résultats reste relativement approximatives.

De plus, les solutions de l'art antérieur nécessitent généralement la construction de modèles théoriques complexes et imparfaits des superstructures, des flux thermiques et des comportements énergétiques et thermiques de chacun des éléments présents dans le bâtiment. Ces éléments sont fixés a priori par des experts, de manière à modéliser le bâtiment de façon réaliste, mais ne tiennent pas compte d'observations réelles obtenues dans le bâtiment afin de calibrer le modèle théorique pour qu'il décrive au mieux le comportement réel du bâtiment étudié.

Un des objectifs de l'invention est de minimiser la consommation énergétique totale sur une année et optimiser le confort thermique (défini comme la fraction du nombre d'heures de l'année pendant lesquelles la température est entre 18 et 26 degrés) et de mesurer l'écart à une température de confort donnée (on ne considère pas comme confortable de la même façon 19° et 22°, contrairement à ce qui est proposé dans l'article Yu et al. et uniquement pendant l'occupation.

Solution apportée par l'invention

Afin de remédier à ces inconvénients, la présente invention concerne selon son acception la plus générale un procédé pour l'optimisation des dépenses énergétiques et du confort d'un bâtiment comportant :

- une pluralité d'équipements de confort munis d'un capteur de consommation connecté, apte à télétransmettre périodiquement des données de consommation, associées à un identifiant de l'équipement de confort, une pluralité de capteurs de données d'environnement local [température, luminosité, C0 ₂ , ... ] associés à un identifiant d'une zone dudit bâtiment,

- au moins un serveur pour collecter et enregistrer lesdites données horodatées télétransmises par lesdits capteurs de consommation et pour collecter des données externes au bâtiment ainsi que des données internes. Caractérisé en ce qu'il comporte les étapes suivantes :

Construction et enregistrement d'un modèle numérique simplifié du comportement thermique dudit bâtiment dont les paramètres sont estimés à 1 ' aide desdites données horodatées télétransmises par lesdits capteurs de consommation connectés et par lesdits capteurs d'environnement local, par un traitement d'intégration de toutes les caractéristiques d'un bâtiment et de ses équipements de confort, pour l'étude détaillée de ce bâtiment, en fonction de l'emplacement dudit bâtiment, des matériaux de construction utilisés, de l'architecture globale, et du concept énergétique choisi une étape de calibrage du modèle numérique simplifié calculé lors de l'étape précédente,

- une étape de validation du modèle numérique calibré calculé lors de l'étape précédente par la comparaison entre les variables numériques obtenue par un traitement prédictif dudit modèle calibré et les variables numériques enregistrées par ledit serveur pendant une période de plusieurs jours, une étape de calcul de paramètres numériques d'allocation de ressources par l'application d'un calcul d'optimum de Pareto à l'aide d'un algorithme d'optimisation multi-objectifs appliqué audit modèle numérique calibré et validé .

Selon des variantes avantageuses : le critère de Pareto est déterminé par les températures cibles historiques.

- le critère de Pareto est déterminé par un jeu de nouvelles valeurs de températures cibles. - ledit calcul d'optimum de Pareto est mis en œuvre par l'implémentation d'un algorithme génétique NSGA-II.

Description détaillée de l'invention

La présente invention sera décrite plus en détail en référence à un exemple non limitatif de réalisation.

Architecture matérielle

La description qui suit présente un exemple de méthodologie multi-objectifs efficace pour améliorer l'efficacité énergétique et maintenir le confort thermique, sans aucune intervention de rénovation ou modification de l'enveloppe du bâtiment.

Le bâtiment comporte une pluralité d'équipements de confort :

• Des équipements de chauffage ;

• Des sources de lumière ;

• Des équipements de climatisation ;

• Des équipements d'aération ;

• Des points de fourniture d'eau chaude ou froide ;

• etc .

Ces équipements sont associés à des capteurs (10) communiquant avec un serveur (30) par le réseau filaire ou par un réseau radiofréquence pour communiquer des informations sur l'état de l'équipement associé et sur les principaux postes de consommation. Le bâtiment comporte aussi des capteurs locaux (20) transmettant au serveur (30) des informations sur un paramètre de confort de la zone local où le capteur est installé.

Les capteurs (10, 20) fournissent des informations sous forme de séquences numériques comportant un identifiant du capteur et au moins une valeur numérique du paramètre mesuré. Le serveur (30) commande l' horodatage des données reçues et l'enregistrement dans une mémoire permanente.

Le serveur (30) reçoit et enregistre de manière horodatée par ailleurs des données environnementales extérieures, notamment météorologiques provenant de sources de données .

Les données enregistrées par le serveur (30) font l'objet d'un traitement conforme au procédé objet de l'invention, associant un programme énergétique du bâtiment à un traitement d'optimisation.

A titre d'exemple, le programme énergétique peut être un outil tel que le logiciel Energy Plus (nom commercial) développé sur les bases des outils BLAST (nom commercial) et DOE-2 (nom commercial) et intégrant des modules spécifiques à 1 ' introduction des équipements dans le bilan énergétique de la zone thermique et des structures de données d'entrée et de sortie définies à partir des données numériques enregistrées par le serveur (30).

Le programme énergétique peut être constitué par le logiciel TRNSYS (nom commercial) spécialisé dans la simulation thermique dynamique appliquée au bâtiment. Ce logiciel permet d'intégrer toutes les caractéristiques d'un bâtiment et de son équipement (systèmes de chauffage, climatisation) pour mener une étude mono ou multizone détaillée de son comportement thermique. Il intègre les variables d'emplacement, de matériaux de construction, d'architecture globale, de concept énergétique choisi, y compris les plus complexes tels que les systèmes solaires innovants.

Le traitement d'optimisation (objectif unique ou multi-objectif ) a pour fonction d'analyser les enveloppes, les orientations, les ombrages ou les caractéristiques matérielles et permet de faire un diagnostic.

Il peut être réalisé à l'aide de la boîte à outils logiciels Global Python Parallèle-PyGMO (nom commercial) constituant un optimiseur multi-objectifs , permettant de concevoir un modèle simplifié.

Le modèle simplifié est obtenu soit sur la base d'une vue schématique du bâtiment, soit après une campagne complexe de mesures de temps et de ressources où des professionnels formés définissent les paramètres caractérisant les propriétés physiques du bâtiment.

Les paramètres du modèle simplifié sont ensuite calibrés en utilisant des mesures (températures, consommations, programmation, etc.) obtenues à partir de milliers de capteurs communicants placés dans un bâtiment réel pour stocker un très grand nombre de données en temps réel. Les paramètres physiques du modèle simplifié sont estimés en utilisant les briques logicielles PyGMO avec les mesures et l'algorithme CMA-ES.

Ensuite, le modèle estimé est validé en utilisant le programme TRNSYS (nom commercial) pour s'assurer que le modèle de base résultant imite le comportement thermique du bâtiment réel .

Une méthodologie multi-objectifs pour améliorer l'efficacité énergétique et maintenir le confort thermique est alors mise en œuvre en agissant uniquement sur le système de gestion du bâtiment sans modifier les paramètres physiques.

L'approche NSGA-II est utilisée pour obtenir les paramètres optimaux de Pareto. Les performances de cette méthodologie sont évaluées à partir des données collectées dans un bâtiment situé en région parisienne. Architecture fonctionnelle

La première étape du procédé objet de l'invention consiste à concevoir un modèle simplifié du bâtiment dont les paramètres sont estimés à 1 ' aide de mesures obtenues à partir de capteurs communicants.

Première étape ; définition d'un modèle simplifié

Le modèle de base a été implémenté en utilisant la solution logicielle TRNSYS (composant "Type 56") et prenant en compte plusieurs types de paramètres. Les gestionnaires de bâtiments connaissent généralement précisément certains de ces paramètres tandis que d'autres sont inconnus ou mal connus.

Le modèle de base à zone unique est défini par les composants suivants.

- Plusieurs murs extérieurs verticaux. Chacune de ces parois est spécifiée par les paramètres suivant : surface, proportion des fenêtres par rapport au mur, orientation, épaisseur et couches constitutives telles que le béton, l'isolation, etc.

- Un toit et un sol spécifiés par : surface et épaisseurs des différentes couches constitutives, dont 1 ' isolation .

- Puissance de chauffage et de climatisation (AC) maximum disponibles au niveau des émetteurs et de la production centrale .

- Les horaires et les températures pour les systèmes de chauffage, de ventilation et de climatisation (CVC). Un horaire se compose d'une heure de début, d'un temps jusqu'à l'arrêt, d'une température de confort en occupation et de températures réduites en inoccupation. Pour chaque semaine, nous considérons trois (ou quatre) programmes horaires : (i) lundi, (ii) mardi, mercredi, jeudi, (iii) vendredi (et (iiii) fin de semaine, si différent de vendredi).

D'autres paramètres, caractérisant les apports thermiques internes au bâtiment, tels que le nombre d'occupants, le nombre d'équipements informatiques, appelés PC, et les équipements d'éclairage caractérisés par un nombre de W / m2.

Dans la plupart des cas, la constitution des murs, du toit et des planchers bas sont assez bien connus ainsi que l'orientation globale du bâtiment et la surface de vitrage mais l'épaisseur et la nature de l'isolation est généralement mal connue et doit être estimée dans une gamme réaliste de valeurs.

Les meubles qui constituent un réservoir de calories / frigories non négligeable sont résumés par un seul paramètre, appelé capacitance et exprimé en kJ / °C / m3, et dimensionné en proportion du volume total .

Deuxième étape ; Calibration du modèle simplifié

Comme l'objectif est d'améliorer l'efficacité thermique sans travaux de rénovation, la procédure d'étalonnage doit estimer les paramètres liés à l'enveloppe du bâtiment. Certains de ces paramètres sont connus et n'ont pas besoin d'être étalonnés, tels que les structures des murs extérieurs, des toits et des planchers bas ou les types de fenêtres. Les autres paramètres liés à l'enveloppe du bâtiment nécessaires pour définir le modèle TRNSYS et les paramètres liés à la stratégie de contrôle du bâtiment sont résumés dans le tableau présenté en figure 2.

Dans ce qui suit, ces paramètres sont désignés par Q. La valeur initiale de Q est choisie en fonction des données déterminées par la date de construction ou de réhabilitation du bâtiment . La procédure d'estimation utilise les données enregistrées par le serveur (30) pendant une durée d'un mois, sur la base de relevés horaires. Les données enregistrées chaque heure comprennent la température extérieure T _e ^obs , la température intérieure moyenne T ^obs mesurée dans le bâtiment, la consommation énergétique pour le chauffage Q _h ^obs et pour le refroidissement Q _c ^obs . Les autres données sont enregistrées dans un tableau de variables du type présenté en figure 2.

La stratégie d'évolution de la matrice de covariance (CMA-ES) est implémentée avec la boîte à outil logiciel PyGMO (nom commercial) pour optimiser de manière itérative les paramètres du tableau de variables en utilisant la sélection (m, l ) .

A chaque itération, les meilleurs paramètres (m, l) descendants de l'estimation actuelle des paramètres sont combinés pour former la population de 1 ' itération suivante et les autres candidats sont rejetés.

Pour chaque paramètre Q, le modèle TRNSYS est exécuté avec les conditions météorologiques stockées pour produire les consommations d'énergie horaires et les températures intérieures associées .

La fonction d'objectif minimisée par le CMA-ES tient compte de l'écart entre ces simulations horaires et les observations réelles mesurées dans le bâtiment :

où :

- T _± ^q et Q ⁰ désignent les températures internes et les consommations totales d'énergie (chauffage, refroidissement et autres dépenses) formées par les séries temporelles produites par le modèle TRNSYS avec un paramètre donné Q et pour toute série temporelle s, tel que :

où n désigne le nombre d'échantillons.

Etape 3; Validation du modèle

Une fois que 1 ' algorithme CMA-ES a atteint un état de convergence, le modèle TRNSYS est entraîné en utilisant les observations pour assurer la calibration par rapport au bâtiment réel.

Pour s'assurer que le comportement thermique modèle de base correspond au comportement thermique du bâtiment réel, les prédictions du modèle sont comparées aux observations enregistrées pendant la semaine suivant la période d'étalonnage et pendant une autre période ultérieure.

Tous les paramètres liés à l'enveloppe du bâtiment estimés pendant la procédure d'étalonnage sont maintenus fixes et considérés comme la signature du bâtiment. Ensuite, les paramètres liés à la stratégie de contrôle de construction sont fixés aux paramètres de construction réels pour chaque période de validation. Le modèle calibré est exécuté en utilisant ces réglages et les conditions météorologiques stockées et comparé aux observations.

Etape 4 ; Optimisation de Pareto Le modèle étant calibré et validé, on procède à une optimisation de Pareto afin que la performance énergétique du bâtiment puisse être analysée en optimisant les consommations énergétiques tout en conservant un confort thermique choisi par le modèle. Les paramètres utilisés pour améliorer l'efficacité énergétique sont désigné par h. Tous les autres paramètres sont définis par les paramètres étalonnés dans Q.

Pour chaque paramètre h, le modèle TRNSYS est exécuté avec les conditions météorologiques stockées pour produire les consommations d'énergie horaires associées et les températures intérieures pour la semaine suivante. La fonction objectif minimisée par l'algorithme NSGA-II vise à trouver un compromis entre la minimisation des consommations énergétiques totales et la fourniture d'un confort thermique spécifié par l'utilisateur

où T _± ^* désigne la séquence des températures intérieures souhaitée par les gestionnaires d'énergie.

Plusieurs configurations d'optimisation peuvent être envisagées. a) Optimisation avec les températures cibles historiques. Dans ce cas, la séquence T _± ^* déterminée pour permettre un ajustement aux températures observées dans le bâtiment pendant la période d'optimisation. L'optimisation vise à trouver des paramètres pour réduire les consommations d'énergie sans modifier le confort thermique. b) Optimisation avec de nouvelles températures cibles. Dans ce cas, le confort thermique enregistré avec les capteurs est supposé être trop conservateur et la procédure d'optimisation permet de modifier les points de consigne de température pour améliorer l'efficacité avec une nouvelle référence de confort thermique.

L'optimisation est réalisée en utilisant la méthode NSGA-II pour les problèmes multi-objectifs implémentée dans PyGMO, basée sur une procédure de sélection non dominée des descendants .

Résultats expérimentaux

Selon un exemple d'application, les données utilisées ont été collectées dans un bâtiment de bureau de 14000 m2 de surface utile situé en région parisienne avec 7 étages pour un volume total de 51800 m3. Sur la base d'une règle communément utilisée, il est supposé que 2/3 de la superficie totale est occupée par des personnes, ce qui donne une surface totale d'occupation de 9240m2. En supposant que chaque occupant dispose de 12 m2 , les valeurs initiales sont fixées à 770 occupants et 770 1,2 = 924 PC dans le bâtiment pendant les heures d'occupation. En revanche, les surfaces murales sont respectivement de 3,7 x 7 x 50 = 1295 m2 et 3 , 7 x 7 x 40 = 1036 m2.

Dans les résultats obtenus, le modèle est étalonné en utilisant un mois de données stockées toutes les heures pour que n = 720. Les résultats d'étalonnage sont donnés dans le Tableau de paramètres de la figure 3. L'algorithme CMA-ES est exécuté avec une taille de population donnée par l = 4 + 3 log (card(9)) et le paramètre m par défaut. Les paramètres sont initialisés de manière aléatoire dans l'intervalle donné dans le tableau 1 et la procédure d'estimation est répétée 50 fois et arrêtée après 800 générations lorsque l'algorithme a atteint la convergence. La valeur estimée moyenne et l'écart type sur les 50 essais indépendants sont donnés pour chaque paramètre du tableau de la figure 2. La figure 3 représente la courbe d'évolution (5) de la température extérieure (en haut) et la courbe (6) correspondant à l'estimation des températures intérieures ainsi que la courbe (7) correspondant à l'estimation de la consommation énergétique.

Ces séries chronologiques estimées sont comparées aux observations des capteurs du bâtiment. Le dernier graphique montre l'erreur relative entre les séries chronologiques estimées et les observations au fil du temps. Pour toute série temporelle, cette erreur relative est donnée pour tout 1 £ k £ n, par :

Le modèle estimé est utilisé pour prédire les températures et les consommations hebdomadaires après la période d'étalonnage (Figure 3) et pendant une période N (Figure 4).

La figure 4 présente le résultat de l'optimisation avec les températures cibles historiques.

La température moyenne dans le bâtiment pendant l'heure d'occupation était de 23,4 degrés avec un écart-type égal à 0,67. La consommation totale d'énergie était de 342,6 kWh. Les résultats de l'algorithme NSGA-II montrent que pour une volatilité de température similaire autour de 23,4 degrés, d'autres paramètres de construction peuvent conduire à une consommation totale d'énergie de 300 kWh. Les paramètres associés sont donnés dans le Tableau des paramètres et les séries temporelles sont affichées dans la figure 3. La figure 4 affiche l'optimisation avec de nouvelles températures cible. Cela montre que des gains significatifs peuvent être obtenus en réduisant les températures cibles si les gestionnaires de l'énergie acceptent une telle modération de la température cible.

Le procédé selon l'invention permet de compenser de manière rentable et généralisable le manque d'informations et l'imprécision des données inhérents à tout bâtiment en situation réelle d'utilisation, d'obtenir une modèle physique thermique dynamique très proche du fonctionnement réel du bâtiment (à quelques pourcents près de la réalité généralement) et d'obtenir des résultats explicites sur les actions d'amélioration à entreprendre (réglage des équipements, programmations, travaux, optimisation des contrats de fourniture énergétique) et leurs impacts quantifiés sur le plan de l'amélioration du confort et de l'efficacité énergétique