BREVET D'INVENTION

DOMAINE TECHNIQUE

L'invention porte sur la performance des systèmes de chauffage et d'eau chaude sanitaire (ECS).

L'invention vise plus spécifiquement à automatiser la mise en service des pompes à chaleur (PAC) et à optimiser en continu leur fonctionnement, notamment lorsque ces PAC sont installées dans des bâtiments existants en remplacement d'autres systèmes et/ou remplissent la double-fonction de chauffage et de production d'ECS.

ETAT DE LA TECHNIQUE

Aujourd'hui, les fabricants de PAC proposent une variété de produits qui essaie de répondre aux besoins thermiques de chaque logement. Cependant, la performance énergétique intrinsèque, la maturité technique et la diversité des produits proposés ne sont pas suffisantes pour garantir la rentabilité et le gain d'efficacité énergétique attendus : les performances et les coûts de mise en œuvre réels d'une PAC, au-delà des performances nominales mesurées en laboratoire et des catalogues des fabricants, sont en effet très dépendants de l'installation et de l'exploitation.

Ainsi, après l'analyse du besoin, le dimensionnement du système, l'installation physique de la machine et l'équilibrage du réseau hydraulique, l'étape finale dans l'installation d'une PAC est sa mise en service ou paramétrage. Cette étape implique le renseignement des paramètres de la machine pour l'adapter aux caractéristiques de la maison et au comportement des utilisateurs. Cette partie du processus est tout aussi sensible que les autres pour le bon fonctionnement du système de chauffage. En effet, même si les précédentes étapes sont correctes, tant que le couplage PAC-bâtiment-ballon d'ECS présente des problèmes, le système ne couvrira pas les besoins des utilisateurs, produira des surconsommations, ou les deux. Plus le nombre de paramètres est élevé, plus le degré de difficulté de la mise en service augmente. Ce grand nombre de paramètres (plus de 50 en moyenne) fait de cette étape un processus long et compliqué pour l'installateur, qui ne maîtrise pas nécessairement l'impact de ces paramètres sur le fonctionnement global de la PAC.

Même si les paramètres ne sont pas les mêmes pour toutes les marques, leurs objectifs peuvent être groupés par fonction : loi d'eau (rapport entre la température extérieure et la température fournie par la pompe à chaleur), gestion des différents modes du chauffage, stratégies de production d'ECS, gestion des appoints et gestion du dégivrage.

Les paramètres doivent être configurés en fonction des déperditions de la maison et des habitudes d'utilisation du chauffage et de l'ECS. Une mauvaise configuration peut entraîner des surconsommations, des inconforts, des appels de puissance dans le réseau électrique, voire des dysfonctionnements du système.

La plupart des paramètres de la pompe à chaleur est configurée avec des valeurs par défaut du fabricant.

La loi d'eau est souvent paramétrée par l'installateur ; néanmoins, celle-ci n'est pas le résultat de l'analyse des déperditions de la maison ni de l'état du réseau hydraulique, mais plutôt d'une configuration en fonction de la région géographique où la PAC est installée (peu importe l'isolation de la maison).

Concernant le paramétrage de l'ECS, l'installateur favorise la priorité pour l'ECS sans prendre en compte l'adaptation des paramètres à la taille du ballon et au comportement des utilisateurs. Une température du ballon sera ainsi toujours satisfaite mais les performances du système et l'impact sur le confort du chauffage ne sont pas considérés.

Ces pratiques mettent en évidence qu'entre le processus imaginé par le fabricant d'un système performant et conçu pour s'adapter à tout logement, et la réalité il existe un écart important qui peut influencer les performances et le fonctionnement du système.

Afin d'améliorer ce processus basé sur des paramètres fixés par défaut lors de l'installation, des recherches sont menées, souvent avec l'objectif de tenir compte des perturbations thermiques dans et autour du bâtiment chauffé (apports internes, ensoleillement, température extérieure...) et du retour des utilisateurs, afin d'accroître l'efficacité du système. On peut ainsi trouver des méthodes qui optimisent le fonctionnement des systèmes de chauffage par la prévision de la température intérieure en fonction de la température extérieure, de la prévision de la météo, de la détection de présence, de l'analyse des habitudes des utilisateurs, de la détection de la position des vannes thermostatiques, etc.

Morel [1] décrit un régulateur de chauffage prédictif et adaptatif, utilisant la technique des réseaux de neurones artificiels pour permettre l'adaptation du système de chauffage aux conditions réelles (climat, caractéristiques du bâtiment, comportement de l'utilisateur). La logique de régulation est fondée sur un modèle adaptatif capable de prédire le comportement du bâtiment en fonction des futures conditions (la température extérieure, le rayonnement solaire, la température du fluide de chauffage). Ce modèle permet d'optimiser la courbe de chauffe afin d'obtenir un confort maximal et une consommation d'énergie minimale.

Park [2] propose une méthode pour la régulation de la température de départ de la PAC en fonction des mesures des cycles de marche/arrêt du compresseur. La loi d'eau du système y est modifiée en permanence pour minimiser le nombre de cycles du compresseur en fonction de la température extérieure.

Rogers [3] divulgue un système capable d'apprendre les propriétés thermiques de la maison. Il utilise des sondes de température internes et externes, et il régule le système de chauffage de la maison, de façon à trouver les paramètres du modèle qui décrivent la production du chauffage et les déperditions de la maison. En utilisant un modèle de processus gaussien, le régulateur intelligent prédit la température extérieure locale pour les prochaines 24 heures en combinant les mesures locales d'un capteur, avec les prédictions météo en ligne.

Rogers [4] propose aussi une régulation basée sur la méthode du Model

Prédictive Control (MPC). Des robinets thermostatiques sont commandés par un servomoteur afin de réguler le débit des radiateurs. Le régulateur n'a pas besoin de prédire la météo ou de prendre des mesures externes en temps réel. Un modèle détaillé de la maison et du réseau de radiateurs est nécessaire pour utiliser l'algorithme développé.

Huchtemann [5] présente un algorithme de commande adaptative qui modifie la température de départ de la PAC en fonction de la demande de chauffage. Les entrées de l'algorithme sont les positions de tous les robinets thermostatiques du système. Lorsque ces positions sont en dessous de leur position nominale, la température de départ est diminuée jusqu'à ce que l'un des robinets reprenne sa position nominale. L'algorithme repose sur le principe qu'une réduction de la température de condensation de la PAC améliore les performances du système. L'implantation de cet algorithme implique l'utilisation de vannes thermostatiques électroniques qui puissent communiquer avec le système de régulation de la PAC.

Salque [6] décrit un contrôle prédictif neuronal pour l'optimisation du fonctionnement d'une PAC géothermique à puissance constante pour le résidentiel et le petit tertiaire. Il utilise des modèles de réseaux de neurones pour reproduire le comportement thermique de la PAC et le bâtiment. Ainsi les modèles neuronaux sont utilisés pour réaliser le contrôle prédictif de la PAC sur un horizon glissant [7].

Adolph [8] divulgue un système de commande adaptative capable de créer le profil des besoins de chauffage de l'utilisateur via son ressenti (« feedback »). Ce « feedback » peut être fait via un bouton-poussoir simple. Le système donne juste à l'occupant la possibilité de décrire la température ressentie comme «trop froide» ou «trop chaude». Les profils de températures mémorisés peuvent être ensuite utilisés comme entrée pour des systèmes de régulation complexes de type MPC afin de réduire la demande énergétique du bâtiment pendant les périodes d'absence.

Concernant les techniques de régulation d'ECS, la plupart des systèmes utilisent des régulations classiques basées sur une simple température de consigne dans le ballon, fixée lors de l'installation. Néanmoins, quelques recherches sont menées pour intégrer des modèles de régulation plus avancés afin d'améliorer les performances des systèmes.

Les travaux de Guo [9] montrent les désavantages d'utiliser une régulation classique basée sur le maintien de la température du ballon à consigne constante. En effet, avec ce mode de fonctionnement, la PAC fonctionne toujours quand la pression de condensation est élevée, ce qui dégrade le COP moyen du système. Il propose donc d'adapter la température de consigne du ballon aux besoins d'ECS du logement selon la saison de l'année.

Park [2] a inclus dans ses recherches l'optimisation de la température de consigne d'ECS pour des PAC air-eau double service pour ne pas pénaliser le confort de chauffage. Quand la température de consigne du ballon descend, la PAC a besoin de moins de temps pour atteindre la consigne (la coupure de chauffage est moins longue) mais fonctionne plus souvent en mode ECS (incrément du nombre de coupures du chauffage). Ainsi, il établit une température optimale de consigne d'ECS pour le système étudié, le bâtiment analysé et le profil de soutirage utilisé. Néanmoins, aucune méthode n'est proposée pour réaliser la même démarche pour des systèmes, bâtiments et profils d'ECS inconnus.

Islam [10] propose une régulation de type MPC d'un chauffe-eau thermodynamique afin d'optimiser énergétiquement la montée en température du ballon par rapport à une consigne fixe.

Beeker [1 1 ] décrit une méthode pour quantifier l'énergie effective disponible pour l'ECS à partir d'un modèle de ballon électrique. L'objectif est d'intégrer cette information dans des algorithmes de pilotage de chauffe-eau électriques et ainsi diminuer la consommation sans pénaliser la disponibilité d'ECS.

Dans le champ de la commande prédictive, Barteczko-Hibbert [12] divulgue un réseau de neurones pour faire la prévision de la température de soutirage d'eau chaude sanitaire d'un chauffe-eau thermodynamique. Cette prévision permet au régulateur d'optimiser la commande du système. On connaît par ailleurs du document EP 0632356 une méthode d'auto adaptation de la courbe de chauffe. En phase de démarrage, l'évaluation est basée sur la valeur de la courbe de chauffe réglée sur le bouton. Chaque jour, le régulateur compare les performances pour atteindre la température ambiante désirée. Une nouvelle valeur de courbe de chauffe est alors recalculé et stockée en mémoire dans le régulateur, et après trois jours, le régulateur aura modifié et adapté sa courbe de chauffe suivant les caractéristiques du bâtiment.

De plus le document EP 0157745 décrit un dispositif capable d'adapter automatiquement la courbe de chauffe en fonction de la température ambiante. Le dispositif prend comme entrées : la température ambiante, la température extérieure et la température de départ de l'eau. La température de référence (température de consigne de la pièce) est choisie en fonction de l'heure et du jour de la semaine. Le dispositif choisi parmi plusieurs lois de l'eau prédéfinies selon la température de référence à chaque moment. En fonction de la différence de température entre la température de référence et la température intérieure, l'appareil effectue une modification instantanée de la courbe de chauffe pour réduire cette différence de température. Cette modification est réalisée avec la modification de la température de départ de l'eau de chauffage.

Il apparaît donc, à la lumière de ce qui précède, que le problème de paramétrage auto-adaptatif de PAC assurant à la fois le chauffage et l'eau chaude sanitaire afin d'automatiser la mise en service puis d'optimiser en continu le fonctionnement (PAC « plug & Heat ») n'a jamais été posé de manière aussi complexe. En effet, le problème n'a jamais été posé en des termes aussi globaux, avec des objectifs aussi étendus. L'état de l'art actuel se fixe comme objectif d'améliorer une fonction de la pompe à chaleur, soit chauffage, soit ECS, mais jamais les deux. Concernant l'optimisation du chauffage, l'état de l'art porte très souvent uniquement sur un paramètre (loi d'eau ou courbe de chauffe), sans vue globale sur le fonctionnement de la PAC. Concernant l'ECS, les études commencent à évoquer une adaptation de la température de consigne pour limiter la consommation énergétique ou la durée nécessaire pour chauffer l'eau. Pour autant, elles supposent connu un certain nombre de données, notamment le comportement des utilisateurs, limitant ainsi la portée de ce type de régulation.

Or, pour optimiser la gestion simultanée des deux fonctions, une prévision du comportement par modélisation se révèle nécessaire afin de déterminer et d'anticiper les commandes optimales de la PAC. Ce point n'a pas été soulevé dans la littérature jusqu'à présent. Par ailleurs, le choix du type de modèle utilisé pour réaliser cette prévision du comportement dépend de l'horizon de prévision et du compromis idéal entre précision et rapidité pour que l'anticipation et l'adaptation en temps réel des paramètres soient possibles.

BASE DE L'INVENTION

A cet égard, l'invention propose un procédé permettant de paramétrer une PAC (ou autre système de chauffage et de production d'ECS) de manière automatique et continue. Ce procédé, appelé « auto-paramétreur » par la suite, s'intègre ou se connecte à la PAC et permet d'éliminer la phase de mise en service jusqu'à présent réalisée par l'installateur. De plus il optimise en permanence le fonctionnement de la PAC dans son environnement.

Les principales contraintes dans le développement de cet auto-paramétreur sont les mesures disponibles et le fait de ne pas avoir accès directement aux commandes de la PAC. En effet, la commande directe de la pompe à chaleur via la fréquence du compresseur n'est pas accessible depuis la régulation de la machine, car elle est verrouillée par les constructeurs. Pour cela l'invention consiste en un procédé d'auto-paramétrage auto-adaptatif d'un système de chauffage et de production d'eau chaude sanitaire, notamment d'une pompe à chaleur, caractérisé en ce qu'il comprend les étapes consistant à :

- acquérir des données de comportement du système à l'aide de capteurs, pour un paramétrage donné du système, de sorte à procéder à un apprentissage dudit comportement,

- calibrer un modèle de réseaux de neurones à partir desdites données du système acquises à l'étape précédente, afin de reproduire le comportement dudit système pour ledit paramétrage donné du système, - prévoir, pour ledit paramétrage donné du système, un comportement futur du système, et notamment une température de l'eau chaude sanitaire, une température intérieure d'un bâtiment associé au système, ainsi qu'une puissance électrique consommée par le système, notamment d'une pompe à chaleur, à partir du modèle de réseaux de neurones calibré,

- actualiser le paramétrage du système, de sorte à ce que le comportement futur du système optimise le confort d'un utilisateur et la consommation électrique futurs du système. Ainsi, en évaluant les différents impacts des commandes possibles sur la consommation et le confort, qu'il s'agisse de la température intérieure ou de celle de l'eau chaude, l'invention permet de trouver le jeu de paramètres qui satisfait les fonctions de l'auto-paramétreur évoquées précédemment. Plus précisément, l'invention permet de connaître, pour un horizon déterminé, la température à l'intérieur du ballon d'ECS, la température intérieure du logement et la consommation électrique de la pompe à chaleur. Le premier but de l'invention est donc d'aboutir à un paramétrage automatique de la pompe à chaleur.

L'invention permet à la pompe à chaleur de couvrir les besoins thermiques du bâtiment (chauffage et ECS) en s'adaptant aux caractéristiques des systèmes présents, et bien entendu, sans modifier le réseau hydraulique de chauffage existant.

Un autre but de l'invention est d'optimiser la commande de la pompe à chaleur en régime dynamique et tenant compte des deux modes de fonctionnement à assurer par la PAC. Concernant le chauffage, le paramètre clé dans le fonctionnement de la pompe à chaleur est la loi d'eau (loi de température d'eau délivrée par la PAC au circuit de chauffage par rapport à la température extérieure). L'identification de la loi d'eau adaptée au logement permet d'établir un régime de température qui assure le respect de la consigne intérieure en régime statique. Ceci permet à l'auto- paramétreur d'avoir une référence de la température de départ à fournir. Un des buts de l'invention consiste donc en trouver une loi d'eau adaptée au bâtiment.

DESCRIPTIF RAPIDE DES FIGURES

D'autres caractéristiques, buts et avantages de la présente invention apparaîtront à la lecture de la description détaillée qui va suivre et en regard des dessins annexés donnés à titre d'exemple non limitatif et sur lesquels :

- La figure 1 représente de manière schématique les étapes principales du procédé selon l'invention,

- La figure 2 représente de manière schématique les sous-étapes de construction de modèles de prévision du procédé selon l'invention,

- La figure 3 représente un modèle neuronal global conforme au procédé selon l'invention,

- La figure 4 représente une architecture de réseaux de neurones pour les modes chauffage et ECS du procédé selon l'invention,

- La figure 5a illustre la prévision de la chute de la température intérieure lors d'un comportement futur d'un système auquel s'applique le procédé selon l'invention,

- La figure 5b illustre la prévision de la chute de la température d'ECS lors d'un comportement futur d'un système auquel s'applique le procédé selon l'invention,

- La figure 5c illustre la prévision du temps et de la puissance consommée pendant la charge du ballon d'ECS lors d'un comportement futur d'un système auquel s'applique le procédé selon l'invention,

- La figure 5d illustre la prévision du temps et de la puissance consommée pendant la relance du chauffage lors d'un comportement futur d'un système auquel s'applique le procédé selon l'invention, et - La figure 6 représente schéma fonctionnel récapitulatif des étapes du procédé selon l'invention

DESCRIPTION DETAILLEE DE L'INVENTION

La présente invention a pour objet un procédé d'auto-paramétrage autoadaptatif d'un système de chauffage et de production d'eau chaude sanitaire, notamment d'une pompe à chaleur (PAC).

Tout d'abord, il convient de décrire les paramètres de la PAC dont la valeur doit être modifiée pour optimiser son fonctionnement. Ces paramètres, qui constituent le paramétrage, sont décrits ci-dessous :

- Concernant le chauffage :

o la loi d'eau pour chaque température de consigne ; o le moment d'activation de la production de chauffage, y compris l'anticipation du changement de consigne ;

o moment et durée d'activation de l'appoint électrique en aval du condenseur ; - Pour la production d'ECS :

o la température de consigne du ballon d'ECS ;

o moment et durée d'activation de la production d'ECS ;

o moment et durée d'activation de l'appoint électrique du ballon d'ECS.

La bonne température de l'eau de chauffage permet de maintenir la température intérieure à la consigne à tout moment. Par ailleurs, lorsque différents scenarii de consigne existent, il est nécessaire de tenir compte de l'inertie de la maison pour satisfaire la consigne au moment souhaité. L'anticipation du changement de consigne peut éviter des surconsommations liées à des appels de puissance des appoints électriques.

La production d'ECS coupe la circulation d'eau chaude dans le réseau de radiateurs. Dans ce cas, la température à l'intérieur du logement dépend de la température extérieure, de l'inertie thermique du logement (murs, mobilier...), des apports internes (cuisson, occupants...) et des apports solaires. Une durée de production d'ECS trop longue (à cause d'une température de consigne d'ECS trop élevée ou d'une puissance de PAC insuffisante) peut se traduire par une chute excessive de la température intérieure. Il faut prévoir la température intérieure du logement en évolution libre (sans chauffage), ainsi que la température à l'intérieur du ballon. La prévision de ces deux paramètres permet d'adapter la durée de la phase de production d'ECS en fonction des impacts sur le confort de l'air intérieur.

La dégradation des performances de la PAC à basse température, le changement de température de consigne intérieure ou la chute de température intérieure lors de la production d'ECS peuvent conduire au démarrage des appoints électriques. Cet allumage doit être optimisé pour ne pénaliser ni le confort ni la consommation électrique. Ces appels de puissance sur le réseau électrique sont par ailleurs à éviter pendant les périodes de pointe.

Les constituants du paramétrage de la PAC et leur influence sur le système de chauffage étant connus, les étapes à mener par le procédé de l'invention vont maintenant être brièvement décrites en référence à la figure 1.

Le procédé selon l'invention, dit « auto-paramétreur », se déroule selon une succession d'étapes représentées sur la figure 1 . De manière avantageuse, et à titre non limitatif, le système de chauffage auquel s'applique l'auto-paramétreur est représenté sur la figure 1 par un circuit hydraulique de chauffage alimenté par une PAC 40, et comprenant un ensemble de vannes 51 , 52, 53. Les vannes 51 et 52 sont des vannes 3 voies permettant d'orienter le débit vers le ballon d'ECS 20 ou le réseau de chauffage. La vanne 53 est une vanne thermostatique. On a également représenté un radiateur 30 qui peut être unique ou constituer un ensemble de radiateur équipant un bâtiment.

La première étape, 101 , consiste en l'acquisition de données caractéristiques du comportement du système de chauffage à partir de capteurs disponibles dans l'habitation considérée.

Au moment de la mise en service, l'étape 101 est suivie d'une étape 102, dite d'apprentissage, au cours de laquelle l'auto-paramétreur apprend le comportement du système, notamment en adaptant la loi d'eau de la PAC.

Cette étape 102 effectuée, il est possible de passer à l'étape 103, de modélisation du système, qui s'effectue en calibrant un réseau de neurones. Lors du fonctionnement en continu du système, l'étape 102 n'est plus utile. L'auto- paramétreur alimente directement le modèle du système avec les données acquises lors de l'étape 101 . La modélisation du système au moyen d'un réseau de neurones permet de prévoir son comportement futur dans une étape 104.

En fonction des résultats de la prévision de l'étape 104, l'étape 105 d'optimisation des commandes actualise les paramètres de la PAC de sorte à optimiser le fonctionnement du système.

Enfin, l'étape 106 permet de contrôler les résultats de l'auto-paramétreur afin de détecter les anomalies de réalisation du procédé et d'agir à n'importe quel niveau de son déroulement pour corriger lesdites anomalies. Toujours en référence à la figure 1 , l'ensemble des étapes successives 101 à

106 vont maintenant être décrites plus en détails.

Etape 1 - Acquisition des données et apprentissage

À partir de données de capteurs disponibles, l'auto-paramétreur doit réaliser une acquisition des données caractéristiques du comportement du système. L'acquisition des données doit permettre de récupérer, en permanence, les informations suivantes :

- température de l'air intérieur et extérieur,

- températures de départ et retour d'eau du condenseur,

- température du ballon d'ECS,

- position de la vanne trois voies,

- état d'activation des appoints électriques,

- état du compresseur, et

- puissance électrique consommée par le système.

Avantageusement, l'acquisition des données à un pas de temps de cinq minutes afin que les prévisions qui ont lieu dans la suite du procédé selon l'invention soient performants. Cette acquisition de données permet, dans un premier temps, d'adapter la loi d'eau de la PAC. Le but est de trouver la température d'eau en sortie de PAC la plus basse possible, qui permet de maintenir la température intérieure à la consigne de l'utilisateur. Selon un mode de réalisation de l'invention, l'algorithme d'adaptation comprend les étapes de : - établir la température maximale de la PAC comme loi d'eau initiale (température d'eau de sortie constante pour toute température extérieure).

- modifier la température de départ de la PAC pendant la nuit (afin de ne pas déstabiliser le comportement du système suite à des apports internes et solaires ponctuels). Cette modification a lieu uniquement quand le compresseur est en marche et le mode de chauffage est actif (ne pas tenir compte des périodes de production d'ECS). La logique de modification est la suivante :

o Si la température de la pièce dépasse la consigne, on diminue la température de l'eau d'1 °C chaque heure,

o Si la température de la pièce est inférieure à la consigne, on augmente la température de l'eau d'1 °C chaque heure.

- analyser, après une semaine « d'apprentissage », toutes les températures d'eau en fonction de la température extérieure. Une régression linéaire de ces données aboutit à une loi d'eau conforme aux résultats de la première semaine.

- re-paramétrage du régulateur avec cette loi d'eau

L'apprentissage reprend la deuxième semaine. Le même processus se répète jusqu'à ce qu'on trouve une loi d'eau bien adaptée au bâtiment. C'est-à-dire quand l'écart entre la loi d'eau de la semaine N-1 et celle de la semaine N est inférieur à une valeur prédéterminée. Avantageusement, ce processus de dure pas plus de huit semaines. Etape 2 - Modélisation du système et calibration des réseaux de neurones

En référence à la figure 2, on va maintenant décrire brièvement les sous-étapes de modélisation du système par calibration d'un réseau de neurones.

Lors d'une première sous-étape 201 , les variables d'entrée et de sortie sont identifiées grâce aux résultats de l'étape précédente d'apprentissage 102.

Puis, une sous-étape 202 d'identification de l'architecture du modèle afin de traiter lesdites données d'apprentissage, lors d'une étape successive 203, est mise en place.

À partir des données récupérées et de l'adaptation de la loi d'eau, un ensemble de modèles de réseaux de neurones est ensuite calibré, lors d'une étape successive 204, de manière à reproduire le comportement du système précédemment identifié. Avant de passer à l'étape 206 (étape 104 dans la figure 1 ) de prévision, le procédé selon l'invention prévoit une sous-étape successive 205 de test des performances. En fonction des résultats du test sur le modèle calibré, le procédé prévoit de passer directement à la prévision (flèche plein « OK » sur la figure 2) ou de reprendre une des sous-étapes de l'étape 2 précédemment décrite (flèches en pointillés « NOT OK » sur la figure 2).

En références aux figures 3 et 4, on va maintenant décrire plus en détails la sous-étape 204 de calibration des réseaux de neurones permettant l'apprentissage du modèle simulant le comportement du système.

Cette sous-étape 204 permet d'obtenir les valeurs de température intérieure du logement, de température du ballon d'ECS et de puissance électrique consommée en fonction des données d'entrée disponibles en permanence (température extérieure, loi d'eau, température de consigne du ballon d'ECS, la température de consigne de l'air intérieur et le mode de fonctionnement de la PAC (chauffage, ECS, avec ou sans appoints, arrêt)). Le modèle neuronal global du procédé selon l'invention est représenté sur la figure 3.

Toutefois, la complexité du problème rend impossible d'entraîner un réseau de neurones qui soit capable de faire une simulation voire une prévision à partir des seules données d'entrée.

C'est pourquoi, l'invention propose plusieurs sous-modèles, qui tiennent compte de plusieurs mesures disponibles dans le système (températures de départ et retour d'eau, température intérieure, température du ballon d'ECS), afin qu'à partir de l'historique de mesures il soit possible de simplifier la tâche de simulation et de prévision.

Le système global (PAC, ballon d'ECS, réseau de radiateurs et bâtiment) est donc ici envisagé comme deux sous-systèmes indépendants :

- un système pour la production de chauffage : PAC + bâtiment

- un système pour la production d'ECS : PAC + ballon d'ECS

Cette division est justifiée par les constatations suivantes :

- la pompe à chaleur a un comportement non-simultané (soit elle est en mode chauffage soit en mode ECS),

- la gestion de la fréquence du compresseur (la « loi » de fréquence) change en fonction du mode d'opération,

- le débit d'eau dans le condenseur est différent pour chaque mode de fonctionnement, et

- pour le même mode de fonctionnement le débit d'eau dans le condenseur est constant.

Les modèles neuronaux sont donc indépendants pour chaque mode de fonctionnement.

La température intérieure et la puissance électrique consommée par la PAC en mode chauffage sont donc calculées indépendamment de la température du ballon d'ECS et la puissance électrique consommée par la PAC en mode ECS, comme représente sur la figure 4.

La consommation électrique totale du système sera la somme des consommations calculées par les modèles neuronaux de la PAC (P_PAC), plus la consommation des appoints électriques.

Sur la figure 4, les entrées de chauffage comprennent : la température extérieure, la température de consigne intérieure, la loi d'eau et le mode de fonctionnement de la PAC. Les entrées ECS comprennent quant à elles : la température extérieure, la température de consigne du ballon d'ECS, la loi d'eau, et le mode de fonctionnement de la PAC

II est à noter que chaque modèle « chauffage » ou « ECS » comporte plusieurs sous-modèles. Les jeux de données d'entrée des sous-modèles sont déterminés de manière à optimiser le compromis précision/rapidité.

Ainsi l'ensemble de modèles de réseaux de neurones est capable de reproduire le comportement de la pompe à chaleur. .

Etape 3 - Prévisions du comportement

L'ensemble des modèles de réseaux de neurones (ci-après « modèle de réseau de neurones »), une fois calibré, sert de modèle de prévision. Ce modèle utilise les données d'entrée en temps réel (température extérieure, températures de consigne intérieure et du ballon d'ECS, mode de fonctionnement et paramétrage actuel de la PAC) pour faire des prévisions du comportement futur du système (données de sortie : température intérieure, température du ballon et puissance électrique consommée) pour un horizon de prévision de quelques heures, de préférence cinq heures. Ainsi ce modèle neuronal doit être en mesure de faire la prévision des variables suivantes à partir des données décrites précédemment : - température à l'intérieur du logement.

- température d'ECS dans le ballon.

- puissance électrique consommée. Ce modèle doit notamment être capable de détecter les phases de fonctionnement caractéristiques du système, qui sont déterminantes pour l'évolution des températures et de la puissance absorbée. Ces phases de fonctionnement sont mises en évidence sur les figures 5a à 5d, à partir de la représentation d'une évolution des trois variables sur plusieurs heures :

- évolution libre de la température intérieure, sans chauffage (cf. Figure

5a). Cette phase traduit le comportement (en particulier l'inertie) du logement. Sa prévision précise permet de mieux anticiper un éventuel inconfort.

- évolution de la température de l'eau dans le ballon d'ECS entre deux réchauffages (cf. Figure 5b), traduisant le comportement du ballon. Sa prévision permet de mieux anticiper le besoin de charge du ballon.

- charge (réchauffage) du ballon ECS (cf. Figure 5c). La prévision du temps de charge du ballon doit permettre d'optimiser le déclenchement du réchauffage, avec un impact positif sur la consommation énergétique - relance du chauffage après un réchauffage du ballon ou un changement de consigne (cf. Figure 5d). La prévision et l'anticipation de la relance doivent permettre de prévenir un inconfort.

Etape 4 - Actualisation du paramétrage de la pompe à chaleur et optimisation A partir de la prévision, basée sur un paramétrage de la pompe à chaleur donné, de la température intérieure, de la température du ballon d'ECS et de la puissance électrique consommée ainsi qu'à partir d'un certain nombre de données disponibles telles que : la température extérieure, le jour de la semaine et l'heure de la journée, la consigne de température intérieure, le mode de fonctionnement de la PAC et son paramétrage (pour éviter les incohérences et changement de paramètres trop brutaux), le modèle de réseaux de neurones calcule un certain nombre de variables (temps de chute et/ou de montée en température, temps restant avant un changement de consigne, etc.). Les valeurs de ces variables vont orienter le choix d'un nouveau scénario de paramétrage, c'est-à-dire un ensemble de valeurs de paramètres permettant de commander le fonctionnement de la pompe à chaleur, parmi une arborescence de scenarii établie avec des « règles d'expert ».

Il existe fréquemment plusieurs scenarii possibles. Dans ce cas, le modèle refait la prévision pour les différents scénarios et choisit celui qui optimise le confort, puis celui qui optimise la consommation électrique (puissance électrique minimale).

La fréquence de réactualisation du paramétrage de la pompe à chaleur est variable, en fonction d'événements prévus ou non lors de la dernière prévision (changement de consigne, déclenchement du réchauffage du ballon d'ECS, etc.) mais également en fonction d'écarts importants et prolongés constatés entre la prévision et les données réelles acquises en permanence. Avantageusement, la période de réactualisation est de trente minutes.

On a représenté sur la figure 6 un schéma fonctionnel récapitulatif des étapes du procédé selon l'invention.

Sur cette figure on distingue tout d'abord les étapes 601 à 603 qui ont lieu lors de la mise en service de la PAC. L'étape 601 consiste en l'adaptation de la loi d'eau de la PAC et l'acquisition des données caractéristiques du comportement du système. Ces données sont ensuite traitées lors d'une étape 602 qui permet, au cours de l'étape 603, de calibrer un réseau neuronal reproduisant le comportement du système.

Lors du fonctionnement du système de chauffage, l'auto-paramétreur utilise les modèles neuronaux et les données de comportement acquises en continu pour prévoir le comportement futur du système et actualiser le paramétrage de la PAC, lors d'une étape 604.

Vont maintenant être décrites, toujours en référence à la figure 6, trois étapes supplémentaires par rapport aux quatre précédemment présentées. Il s'agit d'étapes 605 à 607 de contrôle. L'étape 605 suit l'étape 604 et permet à l'auto-paramétreur de détecter des anomalies dans le fonctionnement du système. On entend par anomalies des décalages trop importants entre les prévisions du modèle pour le comportement futur au paramétrage actualisé, et la réalité.

A la suite de l'étape 605, si aucune anomalie n'a été détectée, l'auto- paramétreur revient à l'étape 604 pour continuer les séquences de prévision- actualisation (flèche pleine « OK » sur la figure 6). En cas d'anomalie, le procédé permet de passer à une étape 606 d'ajout de données d'apprentissage afin de mieux appréhender la complexité du comportement (flèche en pointillés « not OK » sur la figure 6). Cette étape 606 permet au procédé de remonter au niveau de l'étape 602 à partir de laquelle le processus précédemment décrit se déroule à nouveau, en tenant compte des ajouts ordonnés par l'étape 606 (flèche verticale en pointillés sur la figure 6).

L'étape 605 peut également déboucher sur une étape 607 lors de laquelle l'auto-paramétreur estime que c'est la loi d'eau elle-même qu'il faut actualiser (flèche en pointillés « not OK en continu » sur la figure 6). Dans ce cas, le procédé remonte à l'étape 601 (flèche verticale en pointillés sur la figure 6) à partir de laquelle le processus précédemment décrit se déroule à nouveau, en tenant compte de la nouvelle loi d'eau demandée par l'étape 607.

Ainsi, le procédé selon l'invention prévoit l'ajout de données d'apprentissage et/ou l'adaptation d'une nouvelle loi d'eau. Ces étapes de contrôle permettent de rendre le procédé d'auto-paramétrage auto-adaptatif tout au long de la vie du système de chauffage, quelle que soit les événements qui pourraient le perturber.

Bien entendu la présente invention n'est pas limitée au mode de mise en oeuvre précité, mais s'étend à toutes variantes conformes à son esprit.

REFERENCES CITEES

[1] N. Morel, M. Bauer, M. El-Khoury et J. Krauss, «Neurobat, a Prédictive and Adaptive Heating Control System Using Artificial Neural Networks,» Solar Energy Journal, vol. 21 , pp. 161 -201 , 2001 .

[2] N. Park, H. -S. Woo, J.-C. Ha, D.-H. Lee et S. Chin, «On the Optimal Water Discharge Température of Air-to-Water Heat Pump for Space Heating and Domestic Hot Water,» chez International Réfrigération and Air Conditioning Conférence, Purdue, 2010.

[3] A. Rogers, S. Maleki, S. Ghosh et N. R. Jennings, «Adaptive Home Heating Control Through Gaussian Process Prédiction and Mathematical Programming,» chez Second International Workshop on Agent Technology for Energy Systems, Taipei, 201 1 .

[4] D. Rogers, M. Foster et C. Bingham, «A recursive modelling technique applied to the model prédictive control of fluid filled heat emitters,» Building and Environment, vol. 62, pp. 33-44, 2013.

[5] K. Huchtemann, R. Streblow et D. Muller, «Adaptive supply température control for domestic heat generators,» chez 13th Conférence of International Building Performance Simulation Association, Chambéry, 2013.

[6] T. Salque, D. Marchio et P. Riederer, «Neural prédictive control for single-speed ground source heat pumps connected to a floor heating system for typical French dwelling,» Journal of Building Services Engineering Research & Technology, vol. 0, pp. 1 -16, 2013.

[7] J. Mattingley, Y. Wang et S. Boyd, «Receding Horizon Control,» IEEE Control Systems, vol. 31 , n° %13, pp. 52-65, 201 1 .

[8] M. Adolph, N. Kopmann, B. Lupulescu and D. Muller, «Adaptive control stratégies for single room heating,» Energy and Buildings, vol. 68, no. C, pp. 771 -778, 2014.

[9] J. Guo, J. Wu, R. Wang et S. Li, «Expérimental research and opération optimization of an air-source heat pump water heater,» Applied Energy, vol. 88, n° %1 1 1 , pp. 4128-4138, 201 1 .

[10] M. Islam et A. Salam, «Modelling and Control System design to control Water température in Heat Pump,» Faculty of Health, Science and Technology, Karlstads University, 2013.

[1 1 ] N. Beeker, P. Malisani et N. Petit, «Dynamical modeling for electric hot water tanks,» chez 1st IFAC Conférence onModelling, Identification andControl of Nonlinear SystemsMICNON, Saint Petersburg, 2015. [12] C. Barteczko-Hibbert, M. Gillott et G. Kendall, «An artificial neural network for predicting domestic hot water characteristics,» International Journal of Low-Carbon Technologies, vol. 4, n° %12, pp. 1 12-1 19, 2009.

[13] P.-D. Morosan, Commande prédictive distribuée. Approches appliquées à la régulation thermique des bâtiments, Rennes: Supélec, 201 1 .