Afin de cibler plus finement quels modèles de la littérature analyser, il con- vient de repérer comment ils sont classifiés. La classification est multicritère. Une sélection des critères les plus pertinents est proposée.
Le choix de l’échelle de temps de la simulation, est un critère discri- minant. En effet, une classification des différents types de modèle en fonction de ce critère est proposée par (Wernstedt 2005). (Marguerite 2014) a complété cette classification, comme présenté sur la Figure 12. Pour l'aide à la conduite (cf. Figure 12), l’ordre de grandeur de l’horizon des simulations varie entre quelques heures et quelques jours. Cependant, (Wernstedt 2005) rappelle que l’incertitude sur le modèle prédictif de demande est une des principales sources d’erreur d’un modèle d’optimisation. Il est donc raisonnable de res- treindre, a priori, l’échelle de temps de l’optimisation à un jour en raison de l’incertitude sur les prévisions météo. Cette information nous permettra de fixer des objectifs en termes de temps de calcul.
Figure 12 : Classification des modèles de réseaux de chaleur selon la caractéristique tem- porelle et le type d’utilisateur. (Marguerite 2014) à partir de (Wernstedt 2005)
La classification selon l’approche de modélisation peut se résumer à 3 critères l’échelle de modélisation, le type de modélisation et la prise en compte de la dynamique.
L’échelle de modélisation représente la granularité de la représenta- tion du modèle. (Marguerite 2014) propose de distinguer l’échelle des terri-
toires, l’échelle des réseaux thermiques ville ou quartier et l’échelle des com- posants (équipements énergétiques). Le type de modélisation porte sur le choix entre une modélisation analytique et une modélisation empirique. Un modèle analytique ou modèle de connaissances se base sur les lois de la phy- sique et peut être plus ou moins détaillé. Un modèle empirique ou modèle de comportement, ou « boîte noire », se base, au contraire, directement sur la me- sure des entrées et des sorties du système. En pratique, cette classification n’est pas cloisonnée et plusieurs approches sont possibles pour un modèle d’optimisation voir Figure 13). Un compromis est à trouver entre le niveau de représentation, le coût de développement et le temps de calcul. La prise en compte de la dynamique du système renvoie plus généralement aux hypo- thèses établies sur les variations spatiales et temporelles des variables du mo- dèle. Si la variation spatiale est négligée, le modèle est dit agrégé. Si la varia- tion temporelle est négligée, le modèle est dit permanent ou statique.
Figure 13 : Types de modélisation par type de problème (Gicquel 1992)
La thèse explicitera pourquoi nous avons retenu un modèle d’optimi- sation opérationnelle hors-ligne avec une caractéristique temporelle comprise entre plusieurs heures et plusieurs jours. L’échelle de modélisation sera éten- due à la ville et également raffinée au niveau des équipements énergétiques situés dans les centrales de production afin de calculer leur consommation électrique. Le comportement dynamique et la description spatiale du réseau seront pris en compte. Le niveau de détail de la modélisation sera à adapter en fonction du coût numérique afin de satisfaire le besoin de l’outil : obtenir
des trajectoires de commandes optimales sur un horizon temporel d’un jour en un temps raisonnable. Ce temps de calcul devra être très inférieur à la période entre deux mises à jour des prévisions. Les modèles existants sont évalués selon une grille d’évaluation qui se réfère à ces objectifs, synthétisés
Composantes à modéliser Spécifications du modèle
Perturbations
Météo Entrée : prévisions température/humidité d'air extérieur, température eau de Seine
Maintenance Entrée : planning de disponibilité des équipe- ments
Prix Entrée : prix de l'électricité variable et de l’eau en fonction des contrats de fourniture
Poste de li- vraison
Demande Entrée : prévisions de demande par sous-sta- tion
Sous-station
Conditions de livraison au primaire (puis- sance, température aller, pression différen- tielle, débit demandé), et température retour primaire
Réseau de
distribution
Thermique Températures, temps de propagation, déper- ditions thermiques
Hydraulique Débits, pressions, pertes de charge, mailles Fuites Entrée ou modélisation : à définir
Centrales de production
Distribution d’eau glacée
Limites de fonctionnement et puissance élec- trique des pompes
Production d’eau glacée
Limites de fonctionnement et puissance élec- trique (compresseur et pompes) avec une description par groupe froid
Refroidisse-
ment des
condenseurs
Limites de fonctionnement et puissance élec- trique (ventilateurs ou pompes), conditions en sortie vers l’environnement, consomma- tion d’eau des TAR
Tableau 2 : Propriétés attendues du modèle d’aide à la conduite
L’objectif de l’optimiseur est de fournir pour le jour suivant, à partir de ces entrées, un scénario de mise en marche des installations avec le niveau de charge souhaité. Plus précisément, les variables décisionnelles sont :
la répartition de charge entre les centrales de production et entre les groupes froids d’une même centrale
la température de départ et la pression différentielle
Les critères d’optimisation sont multiples :
efficacité énergétique du réseau (EER : rapport de la puissance frigorifique livrée sur la consommation électrique totale) coût total d’exploitation électricité, eau, taxes
Composantes de l’optimiseur Spécifications de l’optimiseur
Globale
Centrales
Variables d'optimisation : engagement des centrales, répartition de la charge entre centrales, températures et pres- sions de sortie centrales
Contraintes
Satisfaction de la demande de tous les clients (puissance, température), res- pect des contraintes techniques (pres- sions)
Locale
GF et pompes Variables d'optimisation : engagement des GF, répartition de charge entre GF
Refroidissement Variables d'optimisation débit d’air ou débit d’eau de Seine Contraintes Respect des limites techniques et régle-
mentaires
Fonction de coût
Critères Energétique (EER du réseau), écono-mique coût total d’exploitation
Multicritère Ordonnancement ou agrégation
Prévision Erreur de prévision Prévisions supposées parfaites, modèle en boucle ouverte "hors-ligne"
Précision Validation du mo- dèle
En boucle ouverte sur jeu de données (mesures) de validation
Coût numérique
Temps de calcul h pour un horizon d’un jour Taille du système 42 sous-stations et 2 centrales Tableau 3 : Propriétés attendues de l’optimiseur de l’outil d’aide à la conduite