Stratégies de contrôle de la température et de la consommation d'énergie pour les systèmes CVC dans les bâtiments
1. Stratégies de contrôle de la température et
de la consommation d'énergie pour les
systèmes CVC dans les bâtiments :
Synthèse bibliographique
Ilham Amezzane
Université Ibn Tofail
11 Juillet 2016
1
2. Plan
Contexte
Confort thermique et consommation d’énergie
Stratégies de contrôle
Conclusion
2
3. Contexte
Dans l’Union européenne, le secteur du bâtiment est le premier consommateur
d’énergie.
Absorbe environ 40% de la consommation totale d’énergie finale .
Rejette environ 36% des émissions de CO2 .
Au Maroc il représente 25% de la consommation énergétique totale du pays.
Consommation appelée à augmenter rapidement dans le futur suite à l’évolution du
parc d’habitation induit par les grands chantiers programmés.
3
4. Solutions passives: réduire la consommation d’énergie grâce à une
meilleure performance intrinsèque.
Solutions actives: utiliser l’énergie « juste nécessaire » par une
gestion active des équipements.
4
Contexte
5. Plan
Contexte
Confort thermique et consommation d’énergie
Stratégies de contrôle
Conclusion
6
6. Les gens vivent à l'intérieur des bâtiments plus de la moitié de leur vie.
Confort thermique: un « Etat d'esprit exprimant la satisfaction concernant
l'environnement thermique » ( ISO 7730, ASHRAE 55])
Un bon système de régulation des systèmes CVC doit pouvoir intégrer les solutions
actives, en plus d’assurer le meilleur compromis confort thermique / consommation
d'énergie.
Confort thermique et consommation d’énergie
7
7. ANSI / ASHRAE 55-2010 définit les conditions thermiquement acceptables pour les
occupants des environnements intérieurs.
Typiquement décrit par l’indice appelé PMV (Predicted Mean Vote).
Le PMV, a des valeurs entre -3 et 3.
Les conditions de confort sont atteintes si le PMV appartient à la plage [-0,5 0,5] que
l'on souhaite dans un bâtiment.
8
Confort thermique
8. Plusieurs facteurs influent sur le PMV:
la vitesse du métabolisme,
l'isolation des vêtements,
la température et la vitesse de l'air ,
l'humidité de l’air
la température moyenne de rayonnement.
La plage de température idéale n'est pas la même au repos, au travail ou en pleine
activité physique.
9
Confort thermique
9. La température opérative peut être utilisée au lieu d'utiliser la température de l’air
intérieur comme entrée pour le système de contrôle.
Peut être estimée assez bien en utilisant d'autres variables, telles que la
température extérieure, la consommation des équipements électriques, le moment
de la journée, etc.
Possibilité d’obtenir un meilleur climat intérieur et une consommation plus faible de
l'énergie dans les espaces où la température opérative diffère beaucoup souvent de
la température de l'air.
10
Confort thermique et consommation d’énergie
T°opérative = (T°air + T°parois) / 2
10. Plan
Contexte
Confort thermique et consommation d’énergie
Stratégies de contrôle
Conclusion
11
11. La réalisation du confort thermique peut conduire à une forte consommation
d'énergie.
Les tentatives visant à réduire la consommation d'énergie peuvent agir au détriment
du confort, surtout dans les bâtiments avec des systèmes anciens.
Un système CVC est un système complexe, non-linéaire, multi-entrées, multi-sorties
(MIMO) et il est influencé par des perturbations et des incertitudes telles que la
température de l'air extérieur ou les activités des occupants.
12
Stratégies de contrôle de la température et de
l’énergie dans les systèmes CVC
12. Quatre catégories principales :
(i) classiques;
(ii) avancées;
(iii) intelligentes ;
(iv) hybrides.
Il existe un certain chevauchement entre les différentes techniques.
13
Stratégies de contrôle de la température et de
l’énergie dans les systèmes CVC
13. La régulation TOR est un type de régulation qui n’accepte que les entrées binaires
La régulation PID :
(i) Proportionnel (P)
(ii) Intégral (I)
(iii) Dérivé (D).
Pour les deux mécanismes:
Structure simple et faible coût initial
Coût d'entretien des actionneurs assez élevé
Faible efficacité énergétique.
Mécanismes de contrôle à rétroaction (Feedback)
Les techniques classiques:
TOR vs PID
14
14. Les régulations P et PI sont les plus utilisées
Limitations:
Incapable de gérer les perturbations aléatoires
l'interaction thermique entre les zones conduit à un comportement multi variable.
PID standard suppose un système entrée unique - sortie unique (SISO), lors de
l'analyse, ce qui peut provoquer des écarts inacceptables.
15
Les techniques classiques:
TOR vs PID
15. Un régulateur TOR avec zone morte est plus avantageux au niveau de l’efficacité
énergétique qu’un régulateur PID, dans les cas où seulement le chauffage ou le
refroidissement est contrôlé.
Dans le cas où le même régulateur TOR est utilisé pour le chauffage et le
refroidissement à la fois, il peut ne pas être le régulateur convenable.
Dans ce cas ci, la commande P, PI, ou PID peut être le meilleur choix au niveau de
l’efficacité énergétique.
16
Les techniques classiques:
TOR vs PID
16. Feedback:
une meilleure atténuation des
perturbations de processus à
basse fréquence ;
une meilleure robustesse par
rapport aux systèmes sans
Feedback.
17
Les techniques classiques:
Feed-forward vs Feedback
17. Feed-forward
souvent utilisé pour compenser
les variations des températures
extérieures.
permet d’éliminer une
perturbation avant qu'elle
n’affecte effectivement le signal
de sortie d'un processus.
18
Les techniques classiques:
Feed-forward vs Feedback
18. Signaux de commande possibles pour le Feed-forward:
rayonnement du soleil,
nombre d’occupants dans une pièce,
chaleur dégagée des équipements électriques,
vitesse et direction du vent,
température dans les pièces adjacentes,
ouverture et fermeture des fenêtres,
débit de ventilation..etc
L’utilisation de Feed-forward à partir de perturbations internes donne une meilleure
performance de régulation en même temps qu’une réduction de l’énergie.
19
Les techniques classiques:
Feed-forward vs Feedback
19. Elément commun à de nombreux systèmes de régulation de température.
Thermostats modernes plus développés que les anciens.
Construits autour d’un microcontrôleur embarqué, ce qui rend possible de nouvelles
fonctions, par exemple :
Réduction de consigne programmée, par exemple réduction de 3 C° entre 11h am et 18h pm.
Détection si oui ou non il y a des occupants dans la salle et la capacité de changer le
fonctionnement selon ces informations.
Une option qui ferme la vanne thermostatique lorsque les fenêtres sont ouvertes dans la pièce.
Implémentation du contrôle Feed-forward en utilisant les signaux de perturbations intérieures
mesurables.
20
Les techniques classiques:
Thermostats
20. Utilisent généralement un modèle dynamique du système à contrôler, et présentent
des caractéristiques non linéaires.
Largement utilisées dans la régulation des bâtiments.
Trois approches différentes :
prédictive;
adaptative;
optimale.
21
Les stratégies avancées
21. Les stratégies avancées:
Prédictive
Avantages:
Robustesse face aux perturbations et aux changements,
Contrôle multi variable,
Amélioration de la réponse au régime permanent,
Prédiction des perturbations futures,
Prédiction des actions de commande futures.
22
22. L’identification du modèle est la pierre angulaire
Possibilité d'utiliser : « boîte noire », « boîte grise » et « boîte blanche ».
La précision des modèles guidés par les données est élevée par rapport aux
modèles basés sur la physique.
Les modèles guidés par les données (Data driven models) utilisent:
les réseaux neuronaux artificiels (ANN),
la logique floue (FL),
les machines à vecteurs de support (SVM),
les modèles statistiques.
Dépendent de la qualité des données mesurées.
23
Les stratégies avancées:
Prédictive
23. Non linéaire applicable à des processus ayant une dynamique changeante dans les
conditions normales d'exploitation soumises à des perturbations stochastiques.
Contrôlent les processus en boucle fermée et l'information sur les caractéristiques
du système est obtenue en temps réel pendant que le système est en
fonctionnement.
Mesure un indice de performance particulière en utilisant les entrées, les états, les
sorties et les perturbations connues.
Peut être interprétée comme un système Feedback où la variable contrôlée est
l'indice de performance (PI).
24
Les stratégies avancées:
Adaptative
24. La boucle Feedback principale gère les variations du signal de processus et la boucle
Feedback secondaire gère les changements des paramètres du processus, ce qui fait que la
régulation est adaptative.
25
Les stratégies avancées:
Adaptative
25. Permet d’anticiper l'évolution du système afin de minimiser une fonction de coût qui
peut facilement comprendre un terme lié au confort et un terme lié à l'énergie.
S’appuie sur les modèles de type « boîte blanche », « boîte grise » ou « boîte
noire ».
Les modèles de type « boîte grise » sont bien adaptés à l'optimisation car
s’exécutent rapidement et sont assujettis aux contraintes.
26
Les stratégies avancées:
Optimale
26. Les méthodes intelligentes
En régulation intelligente, aucun modèle mathématique n’est nécessaire pour la
configuration du régulateur qui est uniquement basée sur la perception humaine du
confort thermique.
Trois sous-catégories principales:
Logique Floue (FL);
Réseaux de Neurones Artificiels (ANN);
Neuro-Floue (ANN-FL).
27
27. La logique floue peut exprimer le confort thermique d’une façon linguistique, ce qui
résulte en une meilleure efficacité.
Il existe plusieurs méthodes, par exemple :
Fuzzy P
PID-like Fuzzy
Ces méthodes sont capables d'approximer uniformément une fonction non linéaire à
un quelconque degré de précision et fournissent également un fonctionnement
rapide.
28
Les méthodes intelligentes: FL
28. Avantages :
(i) un grand nombre de variables d'entrée;
(ii) un grand nombre de données d'entrée.
Les ANN peuvent également être utilisés pour générer un modèle de
régulation adaptative en considérant, entre autres, l'indice de niveau
d'activité et de l'habillement des occupants de l'espace.
Limitation: le réseau prend beaucoup de temps pour apprendre, et cela fait
que le système a une réponse lente pour garder l’indice PMV à zéro.
29
Les méthodes intelligentes: ANN
29. Défi de la technique FL: production de
règles floues optimales et détermination
des fonctions d'appartenance pour une
meilleure régulation.
Solution : Système d'inférence neuro-flou
adaptatif.
Exemple: un modèle ANN-FL pour la
régulation de la température intérieure.
Un ANN est utilisé pour produire les prévisions
de la température intérieure.
L'activation du contrôleur FL se réfère à la
différence ΔT entre la valeur de Ti (k) prédite à
l'instant k et de la valeur de Ti (k-n) de la
température intérieure mesurée à l'instant (k-n) 30
Les méthodes intelligentes: ANN-FL
30. Les méthodes hybrides
Les régulateurs hybrides sont obtenus par la fusion des techniques « intelligentes »
et les techniques « classiques » ou « avancées ».
Exemples précédents: Fuzzy- PID, Neuro adaptatif et ANN-FL.
La combinaison peut résoudre des problèmes qui ne peuvent pas être résolus par le
régulateur individuel.
Limitation: La conception de la partie « intelligente » nécessite une expérience
utilisateur et une immense quantité de données pour la formation (training), tandis
que la partie « classique » ou « avancée » est dure à régler .
31
31. Plan
Contexte
Confort thermique et consommation d’énergie
Stratégies de contrôle
Conclusion
32
32. Les méthodes classiques sont toujours le premier choix dans les bâtiments aujourd'hui
en raison de leur faible coût initial et leur simplicité de mise en œuvre.
Toutefois, elles sont caractérisées par un coût d'entretien et une consommation
d'énergie élevée, et ne peuvent pas être utilisées efficacement dans des systèmes de
type MIMO comme les systèmes CVC.
Les méthodes avancées et intelligentes pourraient être une approche alternative et
gagnent de plus en plus d’attention, surtout, qu’elles peuvent être utilisées pour mettre
à niveau les régulateurs traditionnels existants.
33
Conclusion
33. Stratégie de régulation Avantages Limitations
TOR Faible coût initial, structure simple, réponse rapide, type Feedback Accepte seulement entrées binaires, souvent incapable de suivre
la consigne avec précision et donc pourrait être inefficace, Non
souple et non efficace dans le long terme
PID Type Feedback, le terme D lutte contre les changements soudains dans les
charges du système
Peu de bruit de mesure et de processus peuvent provoquer de
grandes variations dans la sortie en raison du terme dérivé,
inefficacité énergétique, le réglage (Tuning) est consommateur
de temps
MPC Économie d'énergie améliorée, rentable, robustesse aux perturbations,
contrôle de plusieurs variables, amélioration de la réponse en régime
permanent, prévision
des perturbations futures, prévision des actions de commande futures,
meilleure réponse transitoire, traite les processus lents
avec retards
Besoin d'identifier un modèle approprié du système, l'installation
pourrait être coûteuse
ADAPTATIVE Économie d'énergie améliorée, bonne stabilité, paramètres peuvent être
changés rapidement en réponse à des changements dans la dynamique du
processus, facile à appliquer, réagit rapidement
Besoin d'identifier un modèle approprié du système, la
conception requise pour l’implémentation est énorme
OPTIMALE Économies d'énergie améliorée, réponse rapide, contrôle multi variable. Besoin d'identifier un modèle approprié du système
FUZZY Méthode de régulation non linéaire et peut être appliquée aux systèmes CVC
efficacement, grande précision, fonctionnement rapide
Peut utiliser seulement un nombre limité de variables d'entrée,
développement d’un nombre optimal des règles de logique floue
et la détermination des paramètres de fonctions d’appartenance
n’est pas simple
ANN Traite un grand nombre de variables d'entrée et de données, prédictions
fiables
Exige un grand nombre de données pour la qualité de prévisions
NEURO-FUZZY La combinaison peut élaborer des règles floues optimales et déterminer des
paramètres de fonction d'appartenance
Peut utiliser seulement un nombre limité de variables d'entrée
HYBRIDE La combinaison des commandes intelligentes et classiques / avancées peut
résoudre des problèmes qui ne peuvent être résolus par un régulateur
individuel
La commande intelligente nécessite une grande quantité de
données pour la formation (training), il est difficile de régler
(tune) le régulateur avancé ou classique.
34
Avantages et limitations des stratégies de contrôle
34. Références
[1] ISO7730:2005, Ergonomics of the thermal environment-analytical determination and interpretation of thermal comfort using calculation of
PMV and PPD indices and local thermal comfort criteria. International Organization for Standardization. 2005.
[2] Standard 55-2004, Thermal environmental conditions for human occupancy. American Society of Heating, Refrigerating and Air
Conditioning Engineers, Inc. 2004.
[3] ANSI/ASHRAE Standard 55-2010. Thermal Environmental Conditions for Human Occupancy. American Society of Heating, Refrigerating,
and Air-Conditioning Engineers Inc, Atlanta. 2010.
[4]. Fanger, P.O. Thermal Comfort: Analysis and Applications in Environmental Engineering; McGraw-Hill: New York, NY, USA, 1972.
[5] Soleimani-Mohseni, M. (2005) Modelling and intelligent climate control of buildings. Göteborg : Chalmers University of Technology
(Technical report D - Department of Building Technology, Building Services Engineering, Chalmers University of Technology, nr: 2005:03).
[6] Liu, W.; Lian, Z.; Zhao, B. A neural network evaluation model for individual thermal comfort. Energy Build. 2007, 39, 1115–1122.
[7] Wen, J. and T.F. Smith. Review of thermostat time constant on temperature control and energy consumption. in Sensors for Industry.
2001.
[8]. Mirinejad, H.; Sadati, S.H.; Ghasemian, M.; Torab, H. Control techniques in heating, ventilating and air conditioning systems. J. Computer
Sci. 2008, 4, 777–783.
[9] Gwerder, M. and J. Todtli. Predictive control for integrated room automation. in 8th REHVA World congress for building technologies.
2005.
[10] Afram, A. and F. Janabi-Sharifi, Theory and applications of HVAC control systems – A review of model predictive control (MPC). Building
and Environment, 2014. 72(0): p. 343-355.
[11] Prívara, S., et al., Model predictive control of a building heating system: The first experience. Energy and Buildings, 2011. 43(2–3): p.
564-572.
35
35. [12] Ky Le, 2008, Gestion optimale des consommations d'énergie dans les bâtiments, Institut Polytechnique de Grenoble.
[13] Landau, L., et al., Adaptive control. 2011, London: Springer.
[14] Wang, S. and Z. Ma, Supervisory and Optimal Control of Building HVAC Systems: A Review. HVAC&R Research, 2008. 14(1): p. 3-32.
[15] Berthou, T., et al. Optimal control for building heating: An elementary school case study. In Conference of International Building
Performance Simulation Association. 2013. Chambéry,France.
[16] Becerra, V.M., Optimal control, in Scholarpedia2008.
[17] Mirinejad, H., K.C. Welch, and L. Spicer. A review of intelligent control techniques in HVAC systems. in Energytech, 2012 IEEE. 2012.
[18] Fraisse, G., J. Virgone, and J.J. Roux, Thermal control of a discontinuously occupied building using a classical and a fuzzy logic
approach. Energy and Buildings, 1997. 26(3): p. 303-316.
[19] Moon, J.W., S.-H. Yoon, and S. Kim, Development of an artificial neural network model based thermal control logic for double skin
envelopes in winter. Building and Environment, 2013. 61(0): p. 149-159.
[20] Torres, J.L. and M.L. Martin. Adaptive control of thermal comfort using neural networks. In Argentine Symposium on Computing
Technology. 2008.
[21] Marvuglia, A., A. Messineo, and G. Nicolosi, Coupling a neural network temperature predictor and a fuzzy logic controller to perform
thermal comfort regulation in an office building. Building and Environment, 2014. 72(0): p. 287-299.
[22] Mario Collotta et al, Energies 2014, 7(8), 4727-4756.
[23] Afram, A. and F. Janabi-Sharifi, Theory and applications of HVAC control systems – A review of model predictive control (MPC). Building
and Environment, 2014. 72(0): p. 343-355.
36
Références