Synthèse

Nous avons identifié l’intérêt que représente la micro-cogénération à l’échelle du bâtiment et à une échelle régionale voire nationale. Les premiers freins au développement de la micro-cogénération sont, aujourd’hui, à l’échelle du bâtiment, notamment dans la conception des installations. Dans ce travail de thèse, nous nous intéresserons avant tout aux problématiques techniques d’intégration des micro-cogénérateurs dans divers type de bâtiments.

La micro-cogénération pourrait faire partie intégrante de futurs réseaux électriques intelligents pour favoriser leur sécurité d’approvisionnement dans un contexte de développement des énergies renouvelables. Dans ce cadre, l’élargissement du périmètre d’étude au-delà du bâtiment et des seuls gains en énergie primaire constitue un axe de travail pertinent pour évaluer les bénéfices des micro- cogénérateurs. On réserve cet axe de travail à de futurs travaux en dehors de cette thèse mais nous tâcherons de tenir compte du contexte national en présentant les interactions du bâtiment avec le réseau de manière simple.

3 Etat de l’art de la modélisation et simulation pour évaluer

la micro/mini-cogénération

Cette partie se découpe en trois sous-parties avec :

• d’abord une présentation des outils de modélisation / simulation du bâtiment, principe de fonctionnement, possibilités et limites,

• puis une analyse de la littérature sur la modélisation des micro-cogénérateurs à l’échelle composant,

• et une revue de la littérature des études de couplage micro-cogénération + bâtiment.

Les points 2 et 3 ont été largement passés en revue par (Bouvenot, 2015) qui a fait un état de l’art très complet et récent des modèles de micro-cogénération, c’est pourquoi on propose une synthèse accompagnée d’études parues depuis 2015.

3.1 Les outils de modélisation-simulation

Premièrement, il faut introduire une différenciation entre modélisation permettant la simulation

statique, dont les variables ne dépendent pas du temps et dynamique qui intègre l’influence du

temps sur l’état actuel du système, nécessaire pour la représentation de phénomènes transitoires par exemple. Entre une modélisation statique et dynamique, il existe des hybrides comme les approches quasi-statiques qui, elles, présentent des variables évoluant au cours du temps sans prise en compte des états précédents.

Deuxièmement, on distingue classiquement trois types de modèles

• Modèle de connaissance ou boîte blanche : il s’agit d’une représentation physique exhaustive d’un système basé sur la connaissance approfondie des phénomènes qui régissent son fonctionnement. Par exemple, pour une micro-cogénération à cycle de Rankine, il s’agirait de modéliser les transformations du fluide de travail dans la machine, les conditions d’échanges des échangeurs, l’aspect mécanique…

• Modèle empirique ou boîte noire : il s’agit d’une représentation d’un système sans a

priori sur les phénomènes physiques qui régissent son fonctionnement en se basant sur

l’expérimentation pour établir des lois de corrélation entre les variables et les conditions de fonctionnement.

• Modèle semi-physique ou semi-empirique ou boîte grise : il s’agit d’une représentation hybride entre les deux précédentes (une boîte grise peut être plus ou moins « foncée ») qui n’ignore pas que le système est régi par des phénomènes physiques qui sont agrégés et/ou simplifiés et associés à des corrélations dont les coefficients peuvent être identifiés expérimentalement.

3.1.1 Moteurs de calcul de simulation énergétique des bâtiments

peuvent être au besoin codés (en langage FORTRAN) et ajoutés par l’utilisateur. L’une des bibliothèques de composants la plus connue est la très complète TESS.

• Matlab/Simulink : développé par MathWorks, il s’agit d’un langage de modélisation de haut niveau très utilisé par les chercheurs en énergétique (et autres sciences physiques appliquées) et quelques bureaux d’étude experts. L’une des bibliothèques les plus complètes de simulation du bâtiment et des systèmes reposant sur cette plateforme est

SIMBAD : développée par le CSTB, a supporté de nombreux travaux de recherche sur les

systèmes de production, distribution, émission et régulation tels que (Riederer & Marchio, 2000).

• ESP-r : cette plateforme essentiellement destinée à la recherche développée l’Université de Strathclyde (Ecosse) intègre des modèles d’enveloppe (très détaillés) et de systèmes. Il permet aussi la réalisation de simulations acoustiques et visuelles du bâtiment.

• EnergyPlus : ce cœur de calcul développé aux USA à l’Université de Berkeley, Californie, destiné à remplacer les moteurs DOE et BLAST (deux anciennes références aux USA) bénéficie du soutien du Department of Energy. Il est gratuit mais intégré à des logiciels commerciaux tels qu’ArchiWizard et DesignBuilder. La simulation des systèmes fait aujourd’hui référence notamment grâce à une actualisation des nouveaux produits qui le rend adapté à un usage professionnel.

• IDA-ICE : moins connu, il s’agit d’un logiciel de calcul développé par le KTH et Helsinki University of Technology, il a notamment bénéficié des travaux de l’Annexe 42 de l’IEA mentionnée précédemment.

• Pleiades-Comfie : ce logiciel très utilisé en France est une référence dans la simulation de l’enveloppe, la simulation des systèmes est toutefois moins complète que pour d’autres logiciels et ne bénéficie pas de la même modularité pour l’intégration de nouveaux modèles que TRNSYS ou Matlab. Il est très utilisé par les bureaux d’études pour le calcul des besoins de tous types de bâtiments.

• Dymola : cette plateforme de développement de type « bac à sable » reposant sur le langage Modelica est portée par Dassault Systèmes qui l’a racheté à Dynasim, société fondée par H. Elmqvist et initiateur du langage Modelica. Le langage Modelica est un langage de haut niveau qui permet l’écriture d’équations physiques plutôt que de code au sens habituel. Elle bénéficie du soutien d’une large communauté académique développant des bibliothèques de systèmes énergétiques (LBNL (Wetter, et al., 2014), RWTH (Müller, et al., 2016), KU Leuven (Baetens, et al., 2015), Université de Liège (Quoilin, et al., 2014)…) et industrielle (EDF (Plessis, et al., 2014), Engie, ABB (Rüdiger & Hansjürg, 2014), E.ON (Müller, et al., 2016)…) grâce à la facilité d’intégration de nouveaux modèles et de création

de « bibliothèques » compatibles avec la plateforme. De nombreuses bibliothèques de modèles sont aujourd’hui disponibles pour la simulation du bâtiment dont beaucoup se sont regroupés sous l’égide de l’Annexe 60 de l’IEA (Wetter, et al., 2015).

D’autres outils plus simplifiés de simulation du bâtiment et des systèmes existent par exemple à usage conventionnel ou dans la cadre de label, c’est le cas de PHPP (Allemagne) et de la méthode 3CL-DPE (statique). En outre, le moteur de calcul réglementaire de la RT 2012 se rapproche d’une approche dynamique : c’est un réseau résistances-capacités qui comporte une capacité thermique pour représenter l’inertie du bâtiment.

3.1.2 Possibilités et limites

L’utilisation de chacun des outils est autant un débat scientifique qu’une part d’habitude, cependant, quelques auteurs comme (Wetter & Haugstetter, 2006) ont tenté d’objectiver le débat en comparant dans ce cas TRNSYS et Dymola, deux outils destinés à la simulation couplée systèmes-enveloppe et proposant une interface « bac à sable ». Dymola, bien que plus lent en

simulation, permettrait un prototypage plus rapide de nouveaux modèles de composants et de leur assemblage.

• Temps de calcul

Cette problématique, plus prégnante pour certains logiciels que d’autres (Dymola est très impacté), est reliée à la complexité des modèles utilisées et au type de solveur mathématique utilisé. Les facteurs défavorisant la rapidité d’exécution des calculs sont principalement les suivants :

- L’aspect « bac à sable » : conduit à une non-optimisation du code, laissé à la libre appréciation de l’utilisateur.

- Le pas de temps de simulation.

- La modélisation fine et dynamique des systèmes.

- La représentation de la régulation (idéalisée ou réaliste).

- La complexité du modèle d’enveloppe (calcul des coefficients d’échanges convectifs et du rayonnement dans les pièces).

Dans le cas de Dymola, (Jorissen, et al., 2015) ont analysé les problématiques de temps de calcul et ont démontré qu’il est possible d’améliorer l’exécution des calculs en agissant sur différents aspects incluant les algorithmes de résolution numérique du logiciel et la simplification des modèles.

• Saisie des données et incertitudes

Dans le cas de bâtiments complexes par leur taille et/ou les systèmes qu’ils intègrent, il peut devenir très compliqué de saisir l’intégralité des données en particulier sur les systèmes. Des interfaces facilitent le travail du modélisateur. Des travaux récents ont facilité la modélisation géométrique du bâtiment en créant des passerelles entre les maquettes architecturales et les logiciels de SED

La modélisation de l’enveloppe du bâtiment est généralement la priorité des logiciels évoqués précédemment, de ce fait, la modélisation des systèmes est parfois simplifiée, en particulier la régulation et les performances à charge partielle. Cela est dû, d’une part, au pas de temps de simulation requis pour les systèmes (comme vu précédemment), proches de la minute tandis que la simulation de l’enveloppe peut se satisfaire raisonnablement de pas de temps semi-horaires voire horaires. D’autre part, le calcul précis des performances des systèmes qui peuvent être nombreux, peut rapidement faire « exploser » les temps de calcul, en particulier s’ils intègrent eux-mêmes des inerties (plus courtes que celles du bâtiment) et s’ils sont couplés à chaque pas de temps avec la simulation de l’enveloppe. Les systèmes de micro-cogénération dans les bâtiments sont donc confrontés à ce type de problème.

• Couplage des modèles de bâti et de systèmes

(Blervaque, 2014) a mené des travaux pour mettre en lumière les gains de précision apportés par l’utilisation d’outils de modélisations récents adoptant une résolution de systèmes d’équation qui couplent tous les phénomènes physiques plutôt qu’une résolution « classique ».

L’approche classique, illustrée Figure 1.25, montre la résolution séquentielle des modèles numériques du bâtiment jusqu’au générateur, y compris les boucles de rétroaction permettant de limiter la puissance d’émission et de génération de chaleur. La température de consigne du bâtiment est considérée atteinte et les dynamiques courtes négligées car inférieures au pas de temps de simulation, fixe (modèles de systèmes quasi-statiques). Entre chaque modèle on transmet donc des « paquets d’énergie », la prédiction de la puissance est d’autant plus fausse que le pas de temps est long et la régulation est idéalisée.

Figure 1.25 : Modélisation séquentielle pour résolution explicite à pas de temps fixe (typiquement horaire), sources : (Blervaque, 2014) d’après (Clarke, 2001)

De nouveaux outils de modélisation et simulation permettent la résolution couplée des modèles de systèmes et du bâtiment écrits sous la forme de systèmes d’équations physiques (Modelica, SPARK…) (Figure 1.26). La résolution du système d’équations algébro-différentielles à pas de

temps variable permet de tenir compte de toutes les dynamiques et de la régulation de manière couplée en boucle fermée. Toutefois le risque est de conduire à l’excès inverse d’une approche classique : un modélisateur peu précautionneux pourra mêler des dynamiques trop extrêmes (thermique du bâtiment et électronique de puissance) et parvenir à des coûts de calcul insoutenables.

Figure 1.26 : Modélisation par système d’équations pour résolution implicite à pas de temps variable, source : (Blervaque, 2014)

3.2 Modélisation des micro-cogénérateurs

On retrouve dans la littérature une multitude d’approches proposées pour modéliser les micro- cogénérateurs intégrés aux bâtiments. Cependant, les publications ne mettent généralement pas en perspective l’impact des choix de modélisation réalisés sur les résultats obtenus, c’est pourquoi il est nécessaire de le formaliser.

3.2.1 Modèles détaillés

L’évènement principal concernant la modélisation de la micro-cogénération est l’Annexe 42 ECBCS de l’IEA (Beausoleil-Morrison, 2008). Celle-ci a marqué un tournant dans la littérature car elle a permis de capitaliser (Knight & Ugursal, 2005) la littérature antérieure à 2007 (dont (Beausoleil- Morrison, 2008) méta-analyse d’études antérieures, (Alanne & Saari, 2003) (Voorspools & D'haeseleer, 2001) (Voorspools & D'haeseleer, 2002) (Voorspools, et al., 2001) (Hawkes & Leach, 2004)) et a permis d’accroître le nombre d’études sur la micro-cogénération en mettant à disposition des modèles de micro-cogénérateurs (Beausoleil-Morrison, et al., 2007) et des outils méthodologiques (Dorer & Weber, 2007). Auparavant, la plupart des d’études avaient été réalisées à l’aide de modèles simplifiés de systèmes (Voorspools & D'haeseleer, 2006) et/ou de charges thermiques et électriques simplifiées (Voorspools & D'haeseleer, 2002).

L’objectif de l’Annexe 42 était de permettre le développement de l’usage de la micro-cogénération dans les bâtiments résidentiels de petite taille via l’utilisation d’une modélisation détaillée

dynamique appuyée sur l’expérimentation (approche « boîte grise »). Deux modèles ont été

développés, représentant d’une part les cogénérations à moteur (à combustion interne ou externe) et d’autre part les cogénérations à pile à combustible. Des essais sur banc ou dans des bâtiments réels (Arndt, et al., 2007) ont été réalisés dans le cadre de l’Annexe 42.

L’approche de l’Annexe 42 a été élargie par d’autres auteurs en proposant une modélisation plus axée « boîte blanche » des micro-cogénérateurs, plus particulièrement à pile à combustible (Carl, et al., 2009) notamment pour améliorer la conception du système de cogénération. Pour cela, les auteurs (Kazempoor, et al., 2010) (Kazempoor, et al., 2009) (Kazempoor, et al., 2010) utilisent un logiciel dédié (tel qu’ANSYS) afin de modéliser les composants internes de la pile à combustible. En simulant de multiples conditions de fonctionnement sur ce modèle physique détaillé, il est ensuite possible de calibrer le modèle simplifié orienté vers la simulation énergétique du bâtiment. Cette approche peut être intéressante en l’absence de données expérimentales, elle sera d’ailleurs utilisée dans le chapitre 3 pour une micro-turbine.

L’Annexe 54 de l’IEA/ECBCS (Integration of Micro-Cogeneration and Related Energy Technologies in Buildings) (Entchev & Tzscheutschler, 2014) a poursuivi les travaux. Elle a permis de valoriser les travaux déjà menés, par exemple d’autres machines du marché (principalement des moteurs à combustion interne) ont été évaluées expérimentalement afin de calibrer les modèles développés.

Ces travaux ont influencé ceux menés jusqu’à aujourd’hui par le CES (Andlauer, 2011) (Bouvenot, et al., 2014) (Thiers, et al., 2010) et à l’INSA de Strasbourg (Bouvenot, 2015). Ces derniers reposent sur des modèles dont la philosophie est proche de ceux des Annexes 42 et 54. L’originalité porte sur la simplification consentie afin de permettre, à terme, que des séries de données de performances accessibles (voire des données de certification) suffisent à paramétrer le modèle. Le développement de la micro-cogénération suppose en effet des modèles paramétrables qui puissent être pris en main par les bureaux d’études (quantité d’information à saisir dans les modèles réduits).

L’état de l’art proposé par Bouvenot (Tableau 1.10) regroupe les informations sur les principaux modèles de cogénérateurs de la littérature. Sa nomenclature des technologies concernées est la suivante : MS : moteur Stirling, MCI : moteur combustion interne, PC : pile à combustible, MV : moteur vapeur et GTE : thermoélectrique. Il précise le caractère dynamique du modèle, sa précision (bonne représentation des performances), sa généricité (capacité à être réutilisé pour un autre système de micro-cogénération) et sa compatibilité avec une approche STD (vitesse d’exécution principalement).

Tableau 1.10 : Tableau de synthèse des modèles de micro-cogénération détaillés identifiés par (Bouvenot, 2015) (STDA : Simulation Thermique Dynamique Annuelle)

3.2.2 Modèles simplifiés d’optimisation

Dans le cadre d’approches d’optimisation mathématiques (contrôle ou dimensionnement optimaux), une fonction coût ou objectif (économique, énergétique, environnementale…) est définie et doit être minimisée. Afin de maintenir des coûts de calcul supportables pour les algorithmes d’optimisation, la représentation des besoins et du système de cogénération est caricaturée, généralement sans notion de dynamique ou de charge partielle et avec une régulation idéalisée (Hawkes, et al., 2009) (Hawkes, et al., 2009) (Ren, et al., 2007) (Moradi, et al., 2013). Ils sont relativement peu compatibles avec la simulation dynamique qui tient compte de l’intégration technique des systèmes dans le bâtiment.

Les travaux des Annexes 42 et 54 puis de Bouvenot ont montré que, dans le cadre de simulations énergétiques annuelles, la représentation des dégradations de performances à charge partielle et température de retour d’eau variable doit être prise en compte sous peine de commettre des erreurs importantes (plus de 10 %). En revanche, l’identification de stratégies de pilotage originales de cogénérateurs peut être obtenue avec ce type d’approche.

3.2.3 Synthèse

Les modèles semi-empiriques s’avèrent être les plus adaptés à la simulation énergétique dynamique en raison d’une bonne précision, d’une complexité de paramétrage et de résolution numérique compatible avec les contraintes de la SED (accessibilité des données et temps de calcul) ainsi qu’une bonne généricité dans l’objectif de simuler les performances de plusieurs cogénérateurs en utilisant

données de micro-cogénérateurs dont on dispose des paramètres pour le modèle de l’Annexe 42 n’a probablement pas pu aboutir car elle a été freinée par les essais à réaliser, la variété des cogénérations, la faible maturité de certaines technologies et un modèle trop difficile à paramétrer.

Il faut donc entamer un effort pour construire un modèle se satisfaisant de moins de données et donc disposant de moins de paramètres. Une approche possible consiste à obtenir les performances nominales des machines à partir des données de constructeurs généralement accessibles, puis à extrapoler les performances à charge partielle et température de retour d’eau variable à partir des performances obtenues expérimentalement sur une (ou des) machine(s) pour chaque technologie. Une telle approche est développée au chapitre 4.

Type de modèle Nombre de

paramètres

Informations

nécessaires Généricité Utilisation

Modèles physiques détaillés Elevé Très détaillées (dimensions, géométrie, débits, …) Faible

Etude des composants, amélioration des rendements thermiques ou électriques, construction de cartes

de performances pour modèle simplifié Modèles semi- physique et empirique Moyen Quelques essais et informations constructeurs Moyenne

Simulation énergétique dynamique, étude paramétriques bâtiment, comparaisons technos et intégration

des systèmes Modèles simplifiés

/ « optimisation » Faible

Informations

constructeurs Elevée

Pilotage et dimensionnement optimal avec modèles de besoins simples

Tableau 1.11 : Caractéristiques et utilisations des différents types de modèles de micro-cogénération

3.3 Modélisation des micro-cogénérations couplées aux bâtiments

La revue de l’état de l’art réalisée par (Bouvenot, 2015) fournit une palette très large et exhaustive de travaux de modélisation des micro-cogénérations intégrés aux bâtiments. Il établit des critères de tri des études de la littérature qui sont les suivants :

• le pays (qui détermine le mix de production électrique) ; • l’échelle (bâtiment, maison individuelle, le collectif) ; • les technologies et le combustible employé ;

• la modélisation du cogénérateur, des besoins de chauffage, d’eau chaude sanitaire et électriques ;

• le niveau de performance des bâtiments étudiés ; • le niveau de complexité des modèles ;

• les objectifs de l’étude (évaluation technico-économique) ; • le facteur d’énergie primaire ;

• les systèmes de stockage ; • la stratégie de régulation ; • les structures de coûts.

L’analyse critique de ce corpus de documents a montré les limites des connaissances actuelles sur un certain nombre de sujets regroupés dans le Tableau 1.12. D’abord, il existe une faiblesse des approches de simulation avec des bâtiments qui ne sont pas de type « résidentiel individuel ». Bien que ce marché soit le plus important en termes de potentiel de surface chauffée, ce n’est pas nécessairement le plus favorable économiquement, il y a donc un intérêt à évaluer la pertinence énergétique et environnementale des cogénérateurs dans des bâtiments plus susceptibles de créer un marché de la micro-cogénération. Ces bâtiments tels que les logements collectifs et certains bâtiments tertiaires peuvent présenter des aspects spécifiques comme le foisonnement, des systèmes de distribution/émissions, des horaires d’occupation ou des profils temporels de besoins thermiques différents.

La modélisation des usages, c’est-à-dire scénarios de présence, consommation électrique, puisages d’eau chaude sanitaire doit être menée avec des outils stochastiques basés sur des statistiques d’équipements et d’activité tels que développés par (Berthou, et al., 2015) (Wilke, 2013) (Vorger, 2014) avec des pas de temps fins (≤ 10 min). En revanche, hormis (Bouvenot, 2015) peu de travaux ont appliqué ces méthodes à l’étude des bâtiments équipés de micro-cogénérations, il s’agit pourtant d’un enjeu important en raison des problématiques d’estimation des flux électriques entrants et sortants vers le réseau électrique.

Les stockages étudiés sont essentiellement thermiques plutôt qu’électriques. Les ballons d’eau chaude sont principalement traités sous l’aspect volume de stockage, c’est-à-dire stock disponible pour le cogénérateur, en revanche peu d’études ont porté sur l’influence de son intégration dans le schéma hydraulique et de sa typologie (nombre et connexions du(des) ballon(s)).

La régulation de l’installation de cogénération, y compris l’appoint, la distribution et les émetteurs, est rarement étudiée, ces aspects hydrauliques sont pourtant essentiels pour de nombreux systèmes CVC comme les chaudières et les pompes à chaleur. De plus, selon les constructeurs il existe

de nombreuses variantes de pilotage et d’intégration des cogénérations (hystérésis,

mode d’allumage/extinction du cogénérateur…). Comme beaucoup de travaux numériques adoptent une modélisation simplifiée de la cogénération, ces aspects sont occultés mais représentent un défi pour la filière opérationnelle.

de systèmes et de bâtiments n’est pas nécessairement précisé. Pourtant, les méthodes de résolution découplant le calcul de l’enveloppe de celle des systèmes entraînent une mauvaise représentation des interactions qui ne permettent pas d’observer des dysfonctionnements hydrauliques ou de la régulation. Cela peut conduire à des estimations de performance erronées : mauvaises conditions de fonctionnement fournies au modèle de cogénérateur. Pour finir, face à la complexité de ce type