Les étapes de la simulation d’un plan d’affectation optimisé par RHESP sont illustrées dans la figure 8.16. Le temps d’échantillonnage de la couche réactive est choisi à ∆r= 1 minute pour que nous puissions visualiser les courbes de résultats.
Les figures 8.17 et 8.18 montrent un exemple de résultat de simulation d’un jour test pour le plan optimal.
4.1 Génération des journées tests
Afin d’illustrer l’apport de l’anticipation robuste dans l’architecture G-HomeTech, nous si-mulons 30 jours. Pour cela nous devons disposer des données "réelles" pour ces 30 jours. Ces données sont : les consommations réelles de tous les services (dates de démarrage, puissance consommée, durée), les températures réelles, et les gains réels. L’architecture de simulation est décrite à la figure 8.16. Dans notre cas d’étude nous avons généré aléatoirement des données qui correspondent à des erreurs de prévision.
4. Tests de l’anticipation robuste dans G-HomeTech 155
Figure 8.8 – Plan d’affectation d’énergie optimal donné par le HESP1 (sans prendre en compte des incertitudes)
Figure 8.9 – Plan d’affectation d’énergie optimal donné par le RHESP1 avec taux de couverture d’incertitudes 50%
156
Chapitre 8. Synthèse de la prise en compte des incertitudes dans la gestion d’énergie dans l’habitat
Figure 8.10 – Plan d’affectation d’énergie optimal donné par le RHESP1 avec taux de couver-ture d’incertitudes 75%
Figure 8.11 – Plan d’affectation d’énergie optimal donné par le RHESP1 avec taux de couver-ture d’incertitudes 100%
4. Tests de l’anticipation robuste dans G-HomeTech 157
Figure 8.12 – Plan d’affectation d’énergie optimal donné par le HESP2 (sans prendre en compte des incertitudes)
Figure 8.13 – Plan d’affectation d’énergie optimal donné par le RHESP2 avec taux de couver-ture d’incertitudes 50%
158
Chapitre 8. Synthèse de la prise en compte des incertitudes dans la gestion d’énergie dans l’habitat
Figure 8.14 – Plan d’affectation d’énergie optimal donné par le RHESP2 avec taux de couver-ture d’incertitudes 75%
Figure 8.15 – Plan d’affectation d’énergie optimal donné par le RHESP2 avec taux de couver-ture d’incertitudes 100%
4. Tests de l’anticipation robuste dans G-HomeTech 159 Nous avons simulé 30 journées tests qui répondent aux hypothèses du cas d’étude que nous avons décrites dans la partie 2.
Données incertaines paramétriques. L’erreur des données paramétriques caractérisable sous forme d’intervalle est générée aléatoirement dans les espaces de variation. Les erreurs mé-téorologiques sont générées à chaque période. La figure 8.19 montre un exemple des erreurs de la température extérieure et de la puissance prévue de la radiation solaire pendant la période [11h,12h[ pour chacun des 30 jours étudiés. Un exemple des erreurs de prévisions des valeurs de gain du modèle des trois zones thermique durant la période [11h,12h[ et l’erreur de la durée des services temporaires programmables sont montrés respectivement dans les figures 8.20 et 8.21. Les erreurs de l’exécution du service temporaire non-programmable de la plaque chauffante sont présentées dans les figures 8.22-b,c. De la même façon, l’erreur de prévision de la consommation du service non-supervisé, illustrés dans la figure 8.23, est générée aléatoirement dans l’intervalle étudié à chaque période de planification.
Occurrences des services non-programmables.Les heures de démarrage du service de la plaque chauffante sont générées aléatoirement d’après le profil étudié et illustrés dans la figure 8.22-a.
4.2 Résultats de simulation pour les jours étudiés
Les figures 8.17 et 8.18 montrent un exemple de résultat de simulation d’un jour test pour le plan optimal de l’option tarifaire 1 sans prendre en compte les incertitudes (taux de couverture 0%). Ce jour là, l’habitant a utilisé la plaque chauffante pour le dîner. Ce service temporaire non-programmable n’est pas pris en compte par le RHESP1. Nous pouvons trouver que pour répondre à la contrainte de la puissance disponible, la couche réactive a interrompu les chauffages (voir les rectangles verts) et retardé le service de lavage de la vaisselle (voir la flèche noire). Ces interruptions des chauffages entrainent des dégradations extrêmes de la satisfaction thermique de l’utilisateur dans les zones thermiques de l’appartement car la température intérieure de ces zones est diminuée en-dessous de la température minimale acceptable (voir les cercles verts dans la figure 8.17).
De la même façon, les 30 jours étudiés sont simulés. Ces résultats de simulation nous per-mettent d’évaluer l’impact des différentes erreurs de prévision sur les plans de répartition d’éner-gie obtenus. Pour chaque cas, nous enregistrons les valeurs de l’insatisfaction moyenne et du coût énergétique obtenu. Les courbes de l’insatisfaction et du coût énergétique des deux options tarifaires sont illustrées et analysées.
4.3 Scénario de l’option tarifaire 1
Dans le cas de l’option 1, il existe des cas où les incertitudes de prévision sont importantes et entrainent des dégradations extrêmes de la satisfaction de l’utilisateur. Dans ces cas extrêmes, soit la température d’une zone thermique est diminuée en-dessous de la température minimale dans quelques périodes (comme dans l’exemple présenté précédemment, voir la figure 8.18), soit la date de fin d’un service temporaire programmable n’est pas satisfaite dans la fenêtre de temps acceptable. La valeur de l’insatisfaction de l’utilisateur durant ces périodes est égale à l’infini. Pour évaluer les résultats de simulation des plans de répartition d’énergie dans le cas de l’option
160
Chapitre 8. Synthèse de la prise en compte des incertitudes dans la gestion d’énergie dans l’habitat 1, nous avons défini une valeur très grande pour ces dégradations extrêmes :
D(i, k) = 100 si T (i, k) < Tmin(i, k) pour un service permanent
D(i) = 100 si f(i) > fmax(i) pour un service temporaire (8.1) Les résultats obtenus pour cette option de tarification sont montrés dans la figure 8.24. La courbe correspondant au taux de couverture de 0% est la solution qui était disponible au départ de mes travaux de thèse. L’apport de la prise en compte des incertitudes dans la couche anticipative peut être vu directement en comparant cette courbe avec chacune des autres courbes. Nous trouvons que dans ce cas de référence où les incertitudes de prévisions ne sont pas prises en compte, la satisfaction de l’utilisateur est extrêmement dégradée la plupart des jours.
On peut voir dans la figure 8.24 que dans notre problème de répartition d’une ressource cumulative, le taux de couverture d’incertitude de 100% n’est utile que dans de très rares cas. En effet la courbe correspondant au taux de couverture de 100% coûte toujours beaucoup plus chèr mais elle n’améliore le confort de l’utilisateur que 4 jours sur les 30. Les 26 autres jours, elle dégrade un peu le confort. Ceci est dû au fait que l’énergie est réservée pour le pire cas, ce qui implique de programmer les services en dehors des heures préférées ou de surchauffer des zones thermiques, le plus souvent. Les taux de couverture de 50% et 75% proposent de meilleurs compromis entre le coût et le confort. Un taux de 50% fournit un confort équivalent aux autres taux de couverture sauf pour quelques jours sur les 30. Pour choisir le taux de couverture le plus adapté, l’utilisateur doit connaître son niveau d’acceptation des situations désagréables. Pour l’identifier, nous suggérons une phase d’apprentissage durant laquelle il peut tester différentes valeurs du taux de couverture.
4.4 Scénario de l’option tarifaire 2
Les résultats de simulation des 30 jours étudiés dans le cas de l’option 2 de tarification sont illustrés dans la figure 8.25. Dans le cas où les incertitudes ne sont pas prises en compte, le fonctionnement de la plaque chauffante et la surconsommation des autres services dues aux incertitudes sont dans la zone où le tarif est le plus cher. Cela entraîne un élevé coût énergétique pour cet appartement.
Avec le taux de couverture de 100%, en anticipant la surconsommation des services due aux incertitudes, le RHESP a réduit les consignes des services permanents programmables. La satisfaction de l’utilisateur est alors dégradée. Dans ce cas, l’utilisation de la capacité de stockage thermique des bâtiments est utilisée au maximum pour lisser la consommation d’énergie globale. Avec le taux de couverture d’incertitude de 50% et 75%, l’utilisateur doit payer un peu plus cher mais la satisfaction est améliorée par rapport au taux de couverture de 100%.
Conclusion
Dans ce chapitre, nous avons comparé les performances des plans d’affectation d’énergie proposés par les modèles HESP et RHESP. Nous avons pu montrer que la prise en compte des incertitudes dès la couche anticipative permet de mieux gérer le manque de ressource disponible lorsque la puissance souscrite est faible. Si la puissance souscrite est suffisamment grande, le modèle RHESP ne fournit pas de meilleure solution que la structure multi-couche de départ. Par contre, quelque soit le contrat souscrit, le RHESP permet toujours de maîtriser le coût énergétique dans l’option 2, ce que ne permet pas l’approche multi-couche.
4. Tests de l’anticipation robuste dans G-HomeTech 161
Figure 8.16 – Schéma de la simulation d’un plan d’affectation de l’énergie d’une maison pendant une journée de fonctionnement
162
Chapitre 8. Synthèse de la prise en compte des incertitudes dans la gestion d’énergie dans l’habitat
Figure 8.17 – Simulation d’une journée de fonctionnement des services dans le logement avec l’option 1 tarifaire
Figure 8.18 – Simulation de la température des différentes zones thermiques d’une journée donnée de l’option 1 tarifaire
4. Tests de l’anticipation robuste dans G-HomeTech 163
Figure 8.20 – Erreurs des valeurs de gain des modèles thermiques des 30 jours étudiés
164
Chapitre 8. Synthèse de la prise en compte des incertitudes dans la gestion d’énergie dans l’habitat
Figure 8.22 – Erreurs de prévisions du service temporaire non-programmable des 30 jours étudiés
4. Tests de l’anticipation robuste dans G-HomeTech 165
Figure 8.23 – Erreurs de prévision de la consommation globale du service non-supervisé des 30 jours étudiés
166
Chapitre 8. Synthèse de la prise en compte des incertitudes dans la gestion d’énergie dans l’habitat