Système de traitement des eaux d’un bâtiment

L’objectif de ce système est de déterminer les consommations d’eau chaude et d’eau froide pour un scénario de test réel et également de fournir la consommation de puissance équivalente et l’estimation du coût. La différence entre les deux cas d’étude est le type de flux utilisé : flux d’énergie pour le VEH et flux de matière et énergie pour le système de traitement des eaux usées.

Dans ce cas, le modèle fonctionnel est obtenu à partir d’un modèle multi-physiques réduit avec un scénario réel pour une unité de traitement des eaux usées d’un hôtel. Le modèle est illustré dans laFigure 3.25. Le modèle est composé par les éléments suivants :

• Deux éléments de transformation (Orange - Consommation et Unité de Traitement), • Un élément de stockage (Jaune – Récupération),

• Deux éléments de distribution,

• Deux éléments source (Réseau d’Eau et Pluie),

• Un système de distribution des eaux du bâtiment qui est un groupe des éléments (Figure 3.26).

FIGURE3.26 –Représentation fonctionnelle de distribution des eaux du bâtiment.

La distribution des eaux du bâtiment contient :

• Trois éléments de transformation (Orange – Conditionnement d’Eau Chaude et Froide et l’Echangeur),

• Deux éléments de stockage (Jaune – Réservoirs d’Eau Chaude et Froide), • Deux éléments de distributeur (Mixer et le Distributeur d’Unité).

Dans cette application, les flux utilisés sont l’énergie et la matière. Dans les chapitres suivants, dans le cas d’étude d’un VEH, la nature du flux utilisé est l’énergie. Ces exemples montrent que la méthodologie proposée est applicable aux différents domaines et natures des systèmes. Néanmoins, le flux d’information est toujours utilisé afin d’avoir un superviseur qui fait la gestion des flux d’énergie (ou de matière) du système conçu. Par conséquent, le modèle fonctionnel d’un système peut constituer le superviseur du modèle multi-physiques. Cette particularité de la méthodologie proposée sera aussi détaillée dans le chapitre suivant.

3.4 Conclusions partielles

Ce chapitre contient deux sections qui portent sur les niveaux de représentation d’un sys-tème et la méthodologie de modélisation fonctionnelle énergétique, en détaillant son concept modulaire, les sémantiques des éléments de la modélisation fonctionnelle et l’intégration de la méthodologie dans un outil de simulation.

Dans la première partie, les niveaux de représentation d’un système (téléologique, fonc-tionnel et multi-physiques) sont introduits. Leurs définitions et utilisations sont expliquées et les approches existantes (la méthodologie Sagace [71], le conception axiomatique [72]) sont brièvement commentées.

La deuxième partie est abordée par un rappel élémentaire de la modélisation multi-physiques des systèmes. Les interactions de flux et information ainsi que les éléments né-cessaires pour construire un modèle multi-physiques du système sont illustrées. Puis, la méthodologie de modélisation fonctionnelle avec son concept modulaire, le changement de la nature des flux, les ports fonctionnels et un langage dédié à la méthodologie sont proposés. Ce langage s’appuie sur cinq éléments de base : source, stockage, transformateur, distributeur et effecteur. Après avoir introduit ces éléments de base, l’EOF est présenté. L’EOF est utilisé pour une représentation unique pour tous les cinq éléments de base. Ensuite, le rôle de l’élément distributeur est détaillé en utilisant deux exemples simples.

Finalement, un exemple de traitement des eaux usées dans un bâtiment est illustré afin de comprendre la construction d’un système en utilisant les éléments de base de modélisation fonctionnelle.

Chapitre 4

Utilisation de la modélisation

fonctionnelle énergétique pour

l’optimisation énergétique

Comme il l’a été introduit dans le Chapitre 1,Figure 1.6, la définition de « l’optimisa-tion » permet de distinguer deux concepts : l’optimisal’optimisa-tion de la commande du système et l’optimisation du dimensionnement des composants du système. Ces concepts sont appli-cables pratiquement à tous les niveaux de représentation du système complexe. Au niveau fonctionnel, l’optimisation de la commande concerne la gestion optimale des ressources, pendant que l’optimisation du dimensionnement implique le dimensionnement optimal des limites physiques des groupes des composants (puissance max, puissance min, etc.). Dans le cadre de ces travaux on s’intéresse en particulier à l’optimisation de la commande au niveau fonctionnel.

Le rôle de la modélisation fonctionnelle dans l’architecture de commande d’un système complexe a déjà été introduit dans le chapitre précèdent. Ce niveau de représentation permet au concepteur de procéder à l’évaluation et à la validation préliminaire des architectures du système, des propriétés et des limitations des groupes de composants, ainsi que de la gestion des ressources. Dans ce chapitre, le modèle fonctionnel sera adapté et utilisé, au moyen d’une interface pour la transformation des flux échangés, comme le superviseur du modèle multi-physiques (utilisation des techniques de simulation et de validation « Model in the Loop »). A cette fin, le système de commande du modèle fonctionnel sera extrait et il constituera, avec l’interface associée, le système de « Gestion Globale des Ressources » dans l’architecture de commande du modèle multi-physiques. Suite à cette extraction, le système de commande au niveau fonctionnel deviendra le système de supervision énergétique au niveau multi-physiques. L’intérêt de cette procédure est de pouvoir valider un système de gestion d’énergie et utiliser au niveau multi-physiques, qui pourrai éventuellement être

déployé sur un système réel.

Néanmoins, cette approche facilite la tâche d’obtention d’un superviseur énergétique en s’appuyant sur le modèle fonctionnel, de complexité réduite par rapport à la représentation multi-physiques. Ce modèle énergétique n’exige pas une puissance de calcul importante car il contient des relations relativement simples, comme montré dans le (Chapitre 3). La simplicité du modèle facilite la formulation des stratégies d’optimisation, l’intégration des algorithmes dans les éléments de distribution du modèle fonctionnel et la validation au moyen de simulations rapides. Par conséquent, le modèle fonctionnel permet de proposer des stratégies de gestion des ressources de faible complexité afin de déterminer des consignes de puissance transmises ensuite aux contrôleurs locaux du modèle multi-physiques. Pour un fonctionnement correct, la connexion entre les niveaux de représentation est assurée par une interface réalisant l’échange des flux entre deux niveaux (la conversion de l’énergie ou de la puissance au niveau fonctionnel en couple courant au niveau multi-physiques).

Cette architecture permet d’alléger significativement l’évaluation des performances de différents algorithmes utilisés pour la prise de décision dans le cadre d’un système complexe.

Dans le cadre des travaux de thèse, on s’intéresse à la gestion énergétique d’un véhicule électrique hybride (VEH), c’est-à-dire, à la répartition optimale d’énergie entre les différentes sources et consommateurs constitutifs du véhicule. Dans le premier chapitre, des nombreuses approches [40-52,67,110] ont été présentées pour réaliser le partage de puissance, souvent dans le but de maximiser le rendement global du véhicule et de minimiser la consommation de carburant. Généralement, un système de supervision est développé qui complète le niveau de commande du système. Même si des perspectives différentes existent pour l’optimisation énergétique des VEHs (par exemple, l’optimisation de la trajectoire du déplacement du véhicule [120] où l’optimisation du dimensionnement de la chaîne de traction en modélisant les missions du véhicule avec de chaines de Markov [121]), l’objectif de cette thèse consiste à assurer l’allocation optimale de ressources tout en satisfaisant les services du véhicule (la mobilité, les auxiliaires électriques et le confort thermique).

Les stratégies proposées pour la répartition d’énergie (et de ressources) sont les suivantes : i. Stratégie heuristique fondée sur des règles et des priorités,

ii. Stratégie fondée sur la commande prédictive fonctionnelle avec répartition de puissance fournie et des besoins, avec deux modes de fonctionnement associés à l’allocation des besoins :

i fonctionnement « partage de besoin par priorisation », ii fonctionnement « boost ».

Ces stratégies sont présentées dans ce chapitre, et ensuite elles seront validées en simula-tion sur un VEH enChapitre 5. Parmi ces stratégies, la première reposant sur des méthodes heuristiques représente une approche classique de répartition d’énergie. La deuxième stra-tégie fondée sur des principes de la commande prédictive fonctionnelle, propose deux fonctionnements pour l’allocation des besoins, alors que le partage de puissance est réalisé de

la même façon dans les deux cas. Cette deuxième approche est utilisée dans le but d’améliorer l’intelligence des éléments de distribution. De ce fait, elle sera évaluée en comparaison avec la première méthode dans leChapitre 5. L’objectif est de proposer des algorithmes performants en terme d’allocation de ressources, ayant accès qu’aux informations disponibles dans les éléments de distribution, afin de faciliter leur intégration dans le modèle de simulation.

Un système complexe est souvent représenté comme un système multi-sources/multi-consommateurs, ce qui peut complexifier la gestion d’énergie. Dans la littérature, la plu-part des solutions proposées [40-52, 67, 110] concernent la gestion énergétique des sys-tèmes multi-sources/mono-consommateur. Au niveau fonctionnel, les éléments de distri-bution gèrent la répartition de ressources. Selon le nombre des sources et des consomma-teurs connectés à un élément de distribution, celui-ci peut constituer un système mono-source/multi-consommateurs, un système multi-sources/mono-consommateur ou un sys-tème multi-sources/multi-consommateurs. Grace à la modularité du modèle fonctionnel, un système multi-sources/multi-consommateurs peut être décomposé en deux autres sous-systèmes : multi-sources/mono-consommateur et mono-source/multi-consommateurs, res-pectivement. De ce fait, deux cas seront traités : la répartition de puissance fournie pour un système mono-source/multi-consommateurs et l’allocation des besoins pour un système multi-sources/mono-consommateur.

Dans ce chapitre, les architectures de commande utilisées aux différents niveaux de repré-sentation d’un système sont présentées, en particulier celles définies au niveau fonctionnel et multi-physiques. De plus, le rôle de la modélisation fonctionnelle dans la définition de l’architecture de commande du modèle multi-physiques est présenté. Ensuite, le paramétrage du modèle fonctionnel est décrit, à partir de paramètres des composants du véhicule au niveau physiques. Un exemple de modélisation d’un groupe de composants multi-physiques par des éléments fonctionnels est détaillé, ainsi que la réalisation du paramétrage au niveau fonctionnel. Puis, l’interconnexion entre les niveaux fonctionnel et multi-physiques est illustrée en prenant l’exemple d’un véhicule électrifié. Cette interconnexion est réalisée dans le but de pouvoir utiliser le modèle fonctionnel et le système de commande associée comme un système de gestion de ressources au niveau multi-physiques. La suite du chapitre est consacrée à la formulation du problème d’optimisation énergétique à partir des principes de la commande prédictive fonctionnelle (en anglais, Predictive Functional Control – PFC). La stratégie de gestion proposée est présentée pour les deux cas distingués : l’optimisation éner-gétique des systèmes multi-sources/mono-consommateur (pour répartition des besoins des consommateurs) et des systèmes mono-source/multi-consommateurs (en ce qui concerne la répartition des puissances fournies par les sources). Ces cas seront illustrés par des exemples simples. Cette méthodologie, dite du « traitement fonctionnel », abordée par [32,73,114], sera appliquée sur un VEH dans leChapitre 5.

4.1 Définition d’une architecture de commande au niveau

multi-physiques fondée sur un modèle fonctionnel énergétique

Au niveau fonctionnel, le comportement du système est représenté d’un point de vue énergétique, en utilisant des équations simples, afin de réduire la complexité du système ce qui conduit également à la réduction du temps de simulation. Néanmoins, au niveau de représentation multi-physiques, le système peut être défini par un ensemble des sous-systèmes avec leur boucles de régulation locales [25]. Le schéma bloc de la représentation multi-physiques d’un système est illustré dans laFigure 4.1.

FIGURE4.1 –Représentation d’un système complexe au niveau multi-physiques [106].

Les blocs C, I, T et E dénotent respectivement le correcteur local, le conditionnement des signaux d’entrée, le transformateur et l’effecteur de chaque sous-système du modèle multi-physiques. Le bloc « Gestion Globale de Ressources (GGR) » (en anglais, Global Resource Manager (GRM)) représente le superviseur du système à ce niveau d’abstraction et son rôle est de réaliser la gestion des flux d’énergie menant à l’accomplissement des missions spécifiées.

Pendant les premières étapes du processus de conception d’un système complexe, l’utili-sation d’une représentation du système au niveau fonctionnel s’avère plus pratique. Cela permet, d’une part, de valider l’architecture du système et le dimensionnement de ses com-posants, et d’autre part, d’évaluer les performances des correcteurs locaux et les stratégies de gestion d’énergie selon divers missions et critères de performance.

Une fois que la validation est accomplie au niveau fonctionnel, les étapes suivantes de la conception portent naturellement sur la validation d’algorithmes de commande et de gestion d’énergie, développés à partir du modèle fonctionnel, sur le modèle multi-physiques du système. Les architectures de commandes utilisées aux niveaux d’abstraction fonctionnel et multi-physiques sont illustrées dans laFigure 4.2.

FIGURE4.2 –Représentation de l’architecture de commande au niveau fonctionnel et au niveau multi-physiques [106].

Au niveau fonctionnel (Figure 4.2(a)), le flux d’énergie est géré par les informations obtenues du bloc de supervision GD (Gestion Décisionnelle) en utilisant des stratégies heu-ristiques ou d’optimisation. Au niveau multi-physiques (Figure 4.2(b)), P dénote l’ensemble des sous-systèmes de composantes physiques et C illustre l’ensemble des correcteurs locaux des sous-systèmes. Par conséquent, l’objectif consiste à obtenir le système de gestion globale de ressources (GGR) du modèle multi-physiques en utilisant les informations fournies par les boucles de régulation locales et le système de gestion décisionnelle (GD) du modèle fonctionnel.

A cet fin, la problématique à traiter peut se formuler par les questions suivantes : • Quelle entrée/sortie duquel sous-système physique doit être mesurée/estimée ? • Comment utiliser ces signaux afin de fournir des informations sur le transfert d’énergie

au modèle fonctionnel ?

• Enfin, comment transformer la consigne de puissance calculée au niveau fonctionnel en un signal de consigne physique et assurer le passage vers les correcteurs des sous-systèmes physiques ?

Afin de faciliter la compréhension de ces enjeux dans le contexte d’un système énergé-tique, le paramétrage du modèle fonctionnel est dérivé du paramétrage d’un groupe des composants d’un véhicule électrique hybride. Ensuite, la solution proposée pour l’intercon-nexion des modèles fonctionnel et multi-physiques est expliquée et démontrée en considérant l’exemple d’un véhicule électrifié. Au moyen de cette interconnexion, le modèle fonctionnel avec les systèmes de commande et supervision associés devient le système de supervision (GGR) du modèle multi-physiques.

4.1.1 Développement et paramétrage du modèle fonctionnel à partir des

Dans le document Optimisation énergétique d'un véhicule hybride (Page 104-112)