Bilan de l’analyse paramétrique

Les gains potentiels de la stratégie d’optimisation tarifaire varient en fonction des caractéristiques du bâti (isolation et inertie), du prix de l’énergie et du climat. En chauffage, ils sont relativement constants en climat « froid » (Paris, Nancy) et se situent entre 7 et 11 %. En climat « chaud », (Nice par exemple) il est possible de supprimer jusqu’à 45 % des besoins de chauffage en autorisant un faible inconfort. Les variations du bâti n’ont aussi qu’un faible impact sur les gains. On remarque toutefois la présence de surchauffes la nuit sur quelques jours en hiver, surtout pour les inerties moyennes et faibles.

En refroidissement, la dispersion des gains est plus importante. Lorsque le climat est tempéré (Paris et Nancy) et que le bâtiment est bien isolé, il est possible de stocker du froid dans les parois du bâtiment la nuit (heures creuses) pour moins consommer en journée (heures de pointe). Les gains économiques calculés vont de 2 % (Nice) à 17 % (Paris avec un bâtiment très bien isolé). La maximisation des gains économiques s’accompagne d’une augmentation de la consommation par

Thomas Berthou

131

Les gains obtenus sont du même ordre de grandeur que ceux observés dans la littérature (Morosan, et al., 2010), (Siroky, et al., 2011). Les contraintes portant sur le confort ne sont pas étudiées dans l’analyse paramétrique. En effet, si l’on autorise une plus grande surface d’inconfort les gains seront plus importants.

Cette étude montre qu’il est difficile de déterminer les gains potentiels d’une stratégie d’optimisation à partir d’un simple audit de site. Il serait préférable de modéliser le bâtiment (à l’aide du modèle R6C2 et de la méthode d’apprentissage) afin de calculer les gains potentiels, ceci avant de mettre en place les stratégies d’optimisation in situ.

Thomas Berthou

132

3.5 Conclusion

Ce chapitre a proposé 3 stratégies d’optimisation énergétique et d’effacement adaptées au modèle mono zone R6C2 et aux contraintes d’exploitation d’un bâtiment. Ces stratégies permettent d’optimiser la relance, de maximiser les gains économiques sur 24 h ou de s’effacer du réseau, tout en maitrisant le confort des occupants. L’étude paramétrique a montré que tous les bâtiments ne sont pas adaptés à la mise en place de la stratégie 2. En effet on observe des écarts de gain importants entre les différents bâtiments. Le tableau 18 résume une partie des résultats obtenus précédemment Descriptif des stratégies : Stratégie 1 : optimisation de la relance Stratégie 2 : optimisation tarifaire Stratégie 3 : effacement en puissance

Variable optimisée Température de consigne Température de consigne Puissance maximale de climatisation Objectifs Gain énergétique et confort

thermique

Gain économique Limiter la puissance Gain en chauffage 2% à 20% de gain énergétique

en fonction des conditions météo, amélioration du confort

8 % (moyenne sur tous les tests effectués en climat parisien)

Puissance maximale réduite de 50% Gain en

refroidissement

Stratégie non testé en refroidissement

13.6 % (moyenne pour les bâtiments permettant un sur refroidissement la nuit)

Puissance maximale réduite de 36% Inconfort généré Faible (contraintes imposées) Faible (contraintes imposées) Acceptable (choisi

par le chef de site) Fréquence

d’utilisation conseillée

En chauffage uniquement, tous les jours surtout les lundis

Tous les jours ouvrés (pour un prix variable de l’énergie)

Exceptionnelle (lorsqu’il faut soulager le réseau) Tableau 18 : Récapitulatif des gains des différentes stratégies

Il semble intéressant de développer une méthodologie qui permette, sur un bâtiment donné, de déterminer le potentiel économique des différentes stratégies d’optimisation. Cela permet de limiter l’investissement (instrumentation, temps ingénieur) aux bâtiments les mieux adaptés à l’optimisation.

Les stratégies de refroidissement « gratuites » ne sont pas abordées dans ce chapitre. Il serait possible d’augmenter le débit de ventilation lorsque la température extérieure est favorable. Il serait aussi possible d’ouvrir les fenêtres du bâtiment, mais il faudrait étudier les problématiques de bruit, d’infiltrations d’eau et de sécurité.

Thomas Berthou

133

Bibliographie

Hazyuk, I., Ghiaus, C. & Penhouet, D., 2012. Optimal temperature control of intermittently heated buildings using Model Predictive Control: part II - control algorithm. Building ans Environment, Issue 51, pp. 388-394.

Henze, G. P., Pfafferott, J., Herkel, S. & Felsmann, C., 2007. Impact of adaptative comfort criteria and heat waves on optimal building thermal mass control. Energy and Buildings, Issue 39, pp. 221-235.

Karlsson, H. & Hagentoft, C.-E., 2011. Application of model based predictive control for water-based floor heating in low energy residential building. Building and Environment, Issue 46, pp. 556-569.

Lee, K.-H. & Braun, J. E., 2008. Model-based demande limiting control of building thermal mass. Building and Environment, Issue 43, pp. 1633-1646.

Morosan, P.-D., Bourdais, R., Dumur, D. & Buisson, J., 2010. Building temperature regulation using a distributed model predicitive control. Energy and Buildings, Issue 42, pp. 1445-1452.

Mossolly, M., Ghali, K. & Ghaddar, N., 2009. Optimal control strategy for multi-zone air conditioning system using a genetic algotithm. Energy, Issue 34, pp. 58-66.

Oestreicher, Y., Bauer, M. & Scartezzini, J., 1996. Accounting free gains in a non-residential building by means of an optimal stochastic controller. Energy and Buidling, Issue 24, pp. 213-221.

Palomo Del Barrio, E., Lefebvre, G., Behar, P. & Bailly, N., 2000. Using model size reduction techniques for thermal control applications in buildings. Energy and Buildings, Issue 33, pp. 1-14.

Privara, S., Siroky, J., Ferkl, L. & Cigler, J., 2011. Model predictive control of a building heating system: The first experience. Energy and Buildings, Issue 43, pp. 564-572.

Reddy, T., Norford, L. & Kempton, W., 1991. Shaving residential air-conditioner electricity peaks by intelligent use of the building thermal mass. Energy, 7(16), pp. 1001-1010.

Salsbury, T., Mhaskar, P. & Qin, S. J., 2013. Predictive control methods to improve energy efficiency and reduce demand in buildings. Computers and Chemical Engineering, Issue 51, pp. 77-85.

Siroky, J., Oldewurtel, F. & Privara, S., 2011. Experimental analysis of model prdicitive control for an energy efficient building heating system. Applied Energy, Issue 88, pp. 3079-3087.

Verhelst, C., Logist, F., Impe, J. V. & Helsen, L., 2012. Study of the optimal control problem formulation for modulating air-to-water heat pumps connected to a residential floor heating system.

Thomas Berthou

134

Thomas Berthou

135

Chapitre IV : Cas d’étude – Une école

élémentaire à Nancy

Thomas Berthou

136

Sommaire :

4 Cas d’étude : une école élémentaire à Nancy ... 137