EP3759565A1 - Procédé pour l'optimisation des dépenses énergétiques et du confort d'un bâtiment - Google Patents

Procédé pour l'optimisation des dépenses énergétiques et du confort d'un bâtiment

Info

Publication number
EP3759565A1
EP3759565A1 EP19704856.4A EP19704856A EP3759565A1 EP 3759565 A1 EP3759565 A1 EP 3759565A1 EP 19704856 A EP19704856 A EP 19704856A EP 3759565 A1 EP3759565 A1 EP 3759565A1
Authority
EP
European Patent Office
Prior art keywords
building
comfort
data
model
energy
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
EP19704856.4A
Other languages
German (de)
English (en)
Inventor
Gilles Noziere
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
OZE ENERGIES
Original Assignee
Individual
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Individual filed Critical Individual
Publication of EP3759565A1 publication Critical patent/EP3759565A1/fr
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D23/00—Control of temperature
    • G05D23/19—Control of temperature characterised by the use of electric means
    • G05D23/1917—Control of temperature characterised by the use of electric means using digital means
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/04—Programme control other than numerical control, i.e. in sequence controllers or logic controllers
    • G05B19/042—Programme control other than numerical control, i.e. in sequence controllers or logic controllers using digital processors
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/18—Network design, e.g. design based on topological or interconnect aspects of utility systems, piping, heating ventilation air conditioning [HVAC] or cabling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/20—Pc systems
    • G05B2219/26—Pc applications
    • G05B2219/2614—HVAC, heating, ventillation, climate control
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]

Definitions

  • the present invention relates to the field of optimization of heating, ventilation and air conditioning systems in large buildings.
  • the method used is based on simulations from a numerical model combined with advanced statistical learning tools and stochastic optimization.
  • the goal is to reduce the overall energy expenditure by improving the comfort perceived by the users of a building, by building a numerical model making it possible to parameterize advanced controls of the instructions of the technical management systems, the operation of the equipment of air conditioning and more generally all equipment leading to energy expenditure on the one hand and contributing to the perceived comfort of users on the other.
  • the US Energy Information Administration estimates that heating, cooling, lighting, refrigeration and water heating account for about 55% of energy consumption for a building in the sector. commercial.
  • Energy consumption for lighting (about 10%) can be reduced without decreasing the perceived comfort of replacing traditional lighting sources with light-emitting diode (LED) type lighting instead of fluorescent lamps. It is therefore crucial to improve other energy uses to control the environmental impact of building management (by reducing greenhouse gas emissions such as carbon dioxide) and to increase financial efficiency (by reducing bill of energy with new contracts suitably sized).
  • a specific problem related to the reduction of energy consumption of commercial or public buildings is to maintain and control thermal comfort within these buildings during occupation, taking into account building dynamics and weather changes. , reduce consumption during periods of vacancy and restart heating, ventilation and air conditioning after a period of idling.
  • the first approach is based on physical simulators, based on a model of an entire building, taking into account building geometry, envelope, internal loads, air conditioning and ventilation systems, and meteorological data. This digital model is then used to simulate energy consumption and temperatures inside the building. Different algorithms can then be used to estimate the best management parameters (programming, temperature setpoints) in order to reduce consumption while ensuring optimal thermal comfort.
  • This simulation-based approach can provide acceptable accuracy, but requires a lot of hard and difficult data effort, which is costly or even impossible to obtain (for example, true equipment settings, true heat loads from office equipment, and lighting, the real tightness of the building, the real characteristics of the HVAC equipment, etc.). It is then very expensive in engineering to be able to calibrate in a sufficiently precise manner all the parameters of the thermal simulation model associated with each building. It is also very dependent on the quality and relevance of the physical simulation model used.
  • the second approach attempts to model the energy consumption of buildings from the analysis of its correlation with other variables such as indoor temperature, outdoor temperature, building occupancy. It uses a purely numerical and statistical approach taking into account certain functions and objective constraints to be minimized (state space models for example). It does not use a technical engineering model of building and energy equipment. This approach has a relatively low computing load, and is therefore able to respond quickly.
  • a generic model can be applied to different buildings and statistical learning techniques can be used to choose the parameters of the defined models. But this "black box" approach, which relies on statistical comparisons, not taking sufficient account of the underlying physics associated with the energy behavior of buildings, is difficult to translate into practical and concrete actions (because the actions envisaged are limited, are not graduated, and their impacts can not be sufficiently quantified accurately). The confidence intervals are often higher than the estimated value of the impacts.
  • a first computing device generates a set of thermal response coefficients for the building based on the energy characteristics of the building and meteorological data associated with the location of the building.
  • the first device computer predicts a building energy response based on the set of thermal response coefficients and predicted weather conditions associated with the location of the building.
  • the first computing device selects the minimum energy requirements of the building based on a cost of energy consumption associated with the building.
  • the first computing device determines one or more temperature setpoints for the building based on the energy response and the minimum energy requirements.
  • the first computing device transmits one or more temperature set points to a building thermostat.
  • This article presents a systematic and automated method of calibrating a building energy model. Efficient parameter sampling can analyze more than two thousand model parameters and identify which ones are critical (most important) for model tuning. The parameters that most affect the end use of building energy are selected and automatically refined to calibrate the model by applying analytic optimization based on a meta-model.
  • the modeling process, the calibration and verification results, as well as the implementation problems encountered throughout the model calibration process from the user's point of view are discussed.
  • the forecasts of total electricity consumption of the installations and candles from the calibrated model correspond to actual monthly data measured at ⁇ 5%.
  • a first disadvantage of the solutions of the prior art is the use of genetic algorithms to solve multi-objective optimization problems requiring a large number of simulations to calculate a Pareto optimum and determine the optimal allocation of comfort resources. This results in prohibitive computational costs when these processes are combined with simulation programs such as thermal simulation software for buildings and TRNSYS (trade name) systems.
  • the solutions of the prior art generally require the construction of complex and imperfect theoretical models of the superstructures, the thermal flows and the energy and thermal behaviors of each of the elements present in the building.
  • These elements are fixed a priori by experts, in order to model the building realistically, but do not take into account real observations obtained in the building in order to calibrate the theoretical model so that it best describes the real behavior of the building. studied building.
  • One of the objectives of the invention is to minimize the total energy consumption over a year and optimize thermal comfort (defined as the fraction of the number of hours of the year during which the temperature is between 18 and 26 degrees) and to measure the difference at a given comfort temperature (19 ° and 22 ° are not considered comfortable in the same way, contrary to what is proposed in Yu et al., and only during occupancy.
  • thermal comfort defined as the fraction of the number of hours of the year during which the temperature is between 18 and 26 degrees
  • the present invention relates, in its most general sense, to a method for optimizing the energy expenditure and comfort of a building comprising:
  • a plurality of comfort equipment provided with a connected consumption sensor, able to periodically upload consumption data, associated with an identifier of the comfort equipment, a plurality of local environment data sensors [temperature, brightness, C0 2 , ...] associated with an identifier of an area of said building,
  • At least one server for collecting and storing said time stamped data transmitted by said consumption sensors and for collecting data external to the building as well as internal data. Characterized in that it comprises the following steps:
  • the Pareto criterion is determined by the historical target temperatures.
  • the Pareto criterion is determined by a set of new target temperature values.
  • said Pareto optimum calculation is implemented by the implementation of an NSGA-II genetic algorithm.
  • the following description presents an example of a multi-objective methodology that is effective in improving energy efficiency and maintaining thermal comfort without any renovation or modification of the building envelope.
  • the building has a plurality of comfort facilities:
  • sensors 10 communicating with a server (30) via the wired network or a radio frequency network to communicate information on the state of the associated equipment and on the main consumer stations.
  • the building also includes local sensors (20) transmitting to the server (30) information on a comfort parameter of the local area where the sensor is installed.
  • the sensors (10, 20) provide information in the form of digital sequences including an identifier of the sensor and at least one digital value of the measured parameter.
  • the server (30) controls the timestamp of the received data and the recording in a permanent memory.
  • the server (30) also receives and records time-stamped external environmental data, in particular weather data from data sources.
  • the data recorded by the server (30) are subject to a treatment according to the method of the invention, associating a building energy program to an optimization process.
  • the energy program can be a tool such as the software Energy Plus (commercial name) developed on the basis of tools BLAST (trade name) and DOE-2 (commercial name) and integrating specific modules to 1 ' introducing the equipment into the energy balance of the thermal zone and the input and output data structures defined from the digital data recorded by the server (30).
  • BLAST trade name
  • DOE-2 commercial name
  • the energy program may consist of the software TRNSYS (trade name) specialized in dynamic thermal simulation applied to the building.
  • TRNSYS trade name
  • This software makes it possible to integrate all the characteristics of a building and its equipment (heating systems, air conditioning) to conduct a detailed single or multizone study of its thermal behavior. It integrates the variables of location, building materials, global architecture, selected energy concept, including the most complex such as innovative solar systems.
  • Optimization processing has the function of analyzing envelopes, orientations, shading or material characteristics and makes it possible to make a diagnosis.
  • the simplified model is obtained either on the basis of a schematic view of the building, or after a complex campaign of time and resource measurements where trained professionals define the parameters characterizing the physical properties of the building.
  • the parameters of the simplified model are then calibrated using measurements (temperatures, consumptions, programming, etc.) obtained from thousands of communicating sensors placed in a real building to store a very large number of data in real time.
  • the physical parameters of the simplified model are estimated using the PyGMO software bricks with the CMA-ES measurements and algorithm.
  • the estimated model is validated using the TRNSYS program to ensure that the resulting base model mimics the thermal behavior of the actual building.
  • a multi-objective methodology to improve energy efficiency and maintain thermal comfort is then implemented by acting solely on the building management system without changing the physical parameters.
  • the NSGA-II approach is used to obtain the optimal parameters of Pareto.
  • the performances of this methodology are evaluated from data collected in a building located in the Paris region.
  • the first step of the method which is the subject of the invention consists in designing a simplified model of the building whose parameters are estimated by means of measurements obtained from communicating sensors.
  • the basic model has been implemented using the TRNSYS software solution (component "Type 56") and taking into account several types of parameters. Building managers are typically knowledgeable about some of these parameters while others are unknown or poorly understood.
  • the single zone basic model is defined by the following components.
  • each of these walls is specified by the following parameters: area, proportion of windows relative to the wall, orientation, thickness and constituent layers such as concrete, insulation, etc.
  • a schedule consists of a start time, a time to a stop, a comfort temperature in occupancy, and a reduced vacancy temperature.
  • time programs For each week we consider three (or four) time programs: (i) Monday, (ii) Tuesday, Wednesday, Thursday, (iii) Friday (and (iiii) weekend, if different from Friday).
  • the furniture which constitutes a significant reservoir of calories / frigories is summarized by a single parameter, called capacitance and expressed in kJ / ° C / m3, and dimensioned as a proportion of the total volume.
  • the calibration procedure must estimate the parameters related to the building envelope. Some of these parameters are known and do not need to be calibrated, such as exterior wall structures, low roofs and floors or types of windows.
  • the other building envelope parameters needed to define the TRNSYS model and the parameters related to the building control strategy are summarized in the table presented in Figure 2.
  • Q these parameters are designated by Q.
  • the initial value of Q is chosen according to the data determined by the date of construction or rehabilitation of the building.
  • the estimation procedure uses the data recorded by the server (30) for a period of one month, based on hourly readings.
  • the data recorded each hour include the outdoor temperature T e obs , the average indoor temperature T obs measured in the building, the energy consumption for heating Q h obs and for cooling Q c obs .
  • the other data are recorded in a table of variables of the type presented in Figure 2.
  • CMA-ES covariance matrix
  • PyGMO trade name
  • the best parameters (m, l) derived from the current estimate of the parameters are combined to form the population of the next iteration and the other candidates are discarded.
  • the TRNSYS model is run with the stored meteorological conditions to produce hourly energy consumptions and associated indoor temperatures.
  • the objective function minimized by the CMA-ES takes into account the difference between these time simulations and the actual observations measured in the building:
  • TRNSYS model denotes the internal temperatures and the total energy consumptions (heating, cooling and other expenses) formed by the series generated by the TRNSYS model with a given parameter Q and for any time series s, such as:
  • n is the number of samples.
  • the TRNSYS model is driven using the observations to ensure calibration with respect to the actual building.
  • model predictions are compared to observations recorded during the week following the calibration period and for another subsequent period.
  • All the parameters related to the building envelope estimated during the calibration procedure are kept fixed and considered as the building's signature. Then, the parameters related to the construction control strategy are set to the actual construction parameters for each validation period. The calibrated model is run using these settings and the stored weather conditions and compared to the observations.
  • Step 4 Pareto optimization
  • the model being calibrated and validated, Pareto optimization is carried out so that the energy performance of the building can be analyzed by optimizing consumption. energy while maintaining a thermal comfort chosen by the model.
  • the parameters used to improve energy efficiency are designated h. All other parameters are defined by the calibrated parameters in Q.
  • the TRNSYS model For each h parameter, the TRNSYS model is run with the stored weather conditions to produce associated hourly energy consumption and indoor temperatures for the following week.
  • the objective function minimized by the NSGA-II algorithm is to find a compromise between minimizing total energy consumption and providing user-specified thermal comfort.
  • T ⁇ * designates the sequence of internal temperatures desired by the energy managers.
  • optimization configurations can be envisaged.
  • the sequence T ⁇ * determined to allow adjustment to the temperatures observed in the building during the optimization period.
  • the optimization aims to find parameters to reduce energy consumption without modifying the thermal comfort.
  • the thermal comfort recorded with the sensors is supposed to be too conservative and the optimization procedure makes it possible to modify the temperature set points to improve the efficiency with a new reference of thermal comfort.
  • the data used were collected in an office building of 14000 m2 of useful surface located in Paris region with 7 stages for a total volume of 51800 m3.
  • 2/3 of the total area is occupied by persons, giving a total occupation area of 9240m2.
  • the calibration results are given in the Parameter Table of Figure 3.
  • the parameters are initialized randomly in the interval given in Table 1 and the estimation procedure is repeated 50 times and stopped after 800 generations when the algorithm reaches the convergence.
  • the estimated average value and the standard deviation over the 50 independent tests are given for each parameter of the table in Figure 2.
  • Figure 3 represents the evolution curve (5) of the outside temperature (top) and the curve ( 6) corresponding to the estimation of the internal temperatures as well as the curve (7) corresponding to the estimate of the energy consumption.
  • the estimated model is used to predict weekly temperatures and consumption after the calibration period ( Figure 3) and for a period N ( Figure 4).
  • Figure 4 shows the result of optimization with historical target temperatures.
  • the average temperature in the building during the occupancy time was 23.4 degrees with a standard deviation of 0.67.
  • the total energy consumption was 342.6 kWh.
  • the results of the NSGA-II algorithm show that for a similar temperature volatility around 23.4 degrees, other construction parameters can lead to a total energy consumption of 300 kWh.
  • the associated parameters are given in the Parameter Table and the time series are shown in Figure 3.
  • Figure 4 shows the optimization with new target temperatures. It shows that significant gains can be achieved by reducing target temperatures if energy managers accept such a moderation of the target temperature.
  • the method according to the invention makes it possible to compensate in a cost-effective and generalizable manner the lack of information and the inaccuracy of the data inherent to any building in real use situation, to obtain a dynamic thermal physical model very close to the actual operation of the building (a few percent closer to reality generally) and to obtain explicit results on the improvement actions to be undertaken (equipment adjustment, programming, works, optimization of energy supply contracts) and their quantified impacts in terms of improving comfort and energy efficiency

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Geometry (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Medical Informatics (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Computer Hardware Design (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Air Conditioning Control Device (AREA)

Abstract

La présente invention concerne un procédé pour l'optimisation des dépenses énergétiques et du confort d'un bâtiment comportant une pluralité d'équipements de confort munis d'un capteur (10) de consommation connecté, une pluralité de capteurs (20) de données d'environnement local associés à un identifiant d'une zone dudit bâtiment, et au moins un serveur (30) pour collecter et enregistrer lesdites données horodatées télétransmis par lesdits capteurs de consommation et pour collecter des données externes au bâtiment ainsi que des données caractérisé en ce qu'il comporte les étapes suivantes : - Construction et enregistrement d'un modèle numérique simplifié du comportement thermique dudit bâtiment - une étape de calibrage du modèle numérique simplifié calculé lors de l'étape précédente, - une étape de validation du modèle numérique calibré calculé lors de l'étape précédente par la comparaison entre les variables numériques obtenue par un traitement prédictif dudit modèle calibré et les variables numériques enregistrées par ledit serveur pendant une période de plusieurs jours - une étape de calcul de paramètres numériques d'allocation de ressources par l'application d'un calcul d'optimum de Pareto appliqué audit modèle numérique calibré validé.

Description

Procédé pour l'optimisation des dépenses énergétiques et du confort d'un bâtiment
Domaine de 1 ' invention
La présente invention concerne le domaine de l'optimisation de systèmes de chauffage, de ventilation et de climatisation dans de grands bâtiments. La méthode utilisée repose sur des simulations effectuées à partir d'un modèle numérique combinées à des outils d'apprentissage statistique et d'optimisation stochastique avancés.
Le but est de réduire la dépense énergétique globale en améliorant le confort perçu par les usagers d'un bâtiment, en construisant un modèle numérique permettant de paramétrer des contrôles avancés des consignes des systèmes de gestion techniques, du fonctionnement des équipements de climatisation et plus généralement tous les équipements entraînant des dépenses énergétiques d'une part et contribuant au confort perçu des usagers d'autre part.
A titre d'exemple, le département « US Energy Information Administration » estime que le chauffage, le refroidissement, l'éclairage, la réfrigération et le chauffage de l'eau représentent environ 55% de la consommation d'énergie pour un bâtiment du secteur commercial.
La consommation d'énergie pour l'éclairage (environ 10%) peut être réduite sans diminuer le confort perçu par le remplacement des sources d'éclairage traditionnelles par des éclairages de type diodes électroluminescentes (LED) à la place de lampes fluorescentes. Il est alors crucial d'améliorer les autres usages énergétiques pour maîtriser l'impact environnemental de la gestion des bâtiments (en réduisant les émissions de gaz à effet de serre tel que le dioxyde de carbone) et accroître l'efficacité financière (en réduisant la facture d'énergie avec de nouveaux contrats dimensionnés de manière adaptée ) .
Un problème spécifique lié à la réduction des consommations d'énergie des bâtiments commerciaux ou publics est de maintenir et de contrôler le confort thermique à 1 ' intérieur de ces bâtiments pendant l'occupation, en tenant compte de la dynamique du bâtiment et des changements météorologiques, de réduire la consommation pendant les périodes d'inoccupation et de relancer à temps le chauffage, la ventilation et la climatisation après une période de ralenti.
On distingue typiquement deux approches pour l'élaboration d'une stratégie d'efficacité énergétique et de confort optimale :
La première approche repose sur des simulateurs physiques, basés sur un modèle de l'intégralité d'un bâtiment, prenant en compte la géométrie du bâtiment, son enveloppe, les charges internes, les systèmes de climatisation et de ventilation et les données météorologiques. Ce modèle numérique est ensuite utilisé pour simuler les consommations d'énergie et les températures à l'intérieur du bâtiment. Différents algorithmes peuvent ensuite être utilisés pour estimer les meilleurs paramètres de gestion (programmations, consignes de température) afin de réduire les consommations tout en assurant un confort thermique optimal. Cette approche basée sur la simulation peut fournir une précision acceptable, mais nécessite beaucoup d'efforts de données précises et difficiles, donc coûteuses, voire impossible à obtenir (par exemple, les vrais réglages des équipements, les vrais apports en chaleur des équipements bureautiques et d'éclairage, la vraie étanchéité du bâtiment, les vraies caractéristiques des équipements de génie climatique, etc.). Elle est ensuite très coûteuse en ingénierie pour arriver à caler de manière suffisamment précise tous les paramètres du modèle de simulation thermique associés à chaque bâtiment. Elle est aussi très dépendante de la qualité et de la pertinence du modèle physique de simulation utilisé.
La deuxième approche tente de modéliser la consommation d'énergie des bâtiments à partir de l'analyse de sa corrélation avec d'autres variables telles que la température intérieure, la température extérieure, l'occupation du bâtiment). Elle utilise une approche purement numérique et statistique en tenant compte de certaines fonctions et contraintes objectives à minimiser (modèles à espace d'état par exemple). Elle n'utilise pas de modèle d'ingénierie technique du bâtiment et des équipements énergétiques. Cette approche a une charge de calcul relativement faible, et est donc capable de répondre rapidement. Un modèle générique peut s'appliquer à différents bâtiments et des techniques d'apprentissage statistique peuvent être utilisées pour choisir les paramètres des modèles définis. Mais cette approche « boîte noire » qui repose sur des comparaisons statistiques, ne tenant pas suffisamment compte de la physique sous-jacente associée au comportement énergétique des bâtiments, est difficile à traduire en actions pratiques et concrètes (car les actions envisagées sont limitées, ne sont pas graduées, et leurs impacts ne peuvent être suffisamment quantifiés avec précision) . Les intervalles de confiance sont souvent supérieurs à la valeur estimée des impacts .
Etat de la technique
On connaît dans l'état de la technique le brevet américain US9612591 (demande US2015192911 ) décrivant un exemple de procédé et système permettant d'optimiser et de contrôler la consommation d'énergie d'un bâtiment. Un premier dispositif informatique génère un ensemble de coefficients de réponse thermique pour le bâtiment en se basant sur les caractéristiques énergétiques du bâtiment et les données météorologiques associées à l'emplacement du bâtiment. Le premier dispositif informatique prédit une réponse d'énergie du bâtiment sur la base de l'ensemble des coefficients de réponse thermique et des conditions météorologiques prévues associées à l'emplacement du bâtiment. Le premier dispositif informatique sélectionne les besoins minima en énergie du bâtiment sur la base d'un coût de consommation d'énergie associé au bâtiment. Le premier dispositif informatique détermine un ou plusieurs points de consigne de température pour le bâtiment sur la base de la réponse d'énergie et des besoins minimum en énergie. Le premier dispositif informatique transmet un ou plusieurs points de consigne de température à un thermostat du bâtiment.
Ce procédé de l'art antérieur prévoit les étapes suivantes :
• Réception, par un premier dispositif de calcul, d'une ou plusieurs mesures provenant d'une pluralité de capteurs, dont au moins une partie est située à l'intérieur du bâtiment, les mesures comprenant des lectures de température et des caractéristiques de confort ;
• Calcul, par le premier dispositif informatique, d'un ensemble de coefficients de réponse thermiques pour le bâtiment sur la base de l'énergie caractéristique du bâtiment, les mesures des capteurs et des données météorologiques associées à l'emplacement du bâtiment ;
• Calcul, par le premier dispositif de calcul, d'un niveau de réponse énergétique du bâtiment fonction de l'ensemble des coefficients de réponse thermiques et de prévisions météorologiques associées à l'emplacement du bâtiment r
• Détermination, par le premier dispositif de calcul, d'une série points de contrôle d'énergie pour chacun des dispositifs de confort du bâtiment sur la base de la réponse énergétique desdits points de contrôle pouvant être actionnés pour ajuster un ou plusieurs paramètres opérationnels du confort ;
• Optimisation, par le premier dispositif informatique, de la série de points de contrôle d'énergie sur la base d'un coût énergétique estimé pour une pluralité de périodes de temps prédéterminées afin que les dispositifs de confort correspondants consomment moins d'énergie pendant les périodes ayant un coût énergétique estimé élevé plus d'énergie pendant des périodes de temps ayant un faible coût énergétique estimé ;
• Recueil par le premier dispositif de calcul pour chacune de la pluralité de périodes de temps prédéterminées, des températures détectées d'un ou plusieurs capteurs dans des pièces différentes du bâtiment, par un ou plusieurs capteurs à l'extérieur du bâtiment et par un thermostat à l'intérieur du bâtiment ;
• Vérification, par le premier dispositif de calcul, si les lectures de température de l'un ou plusieurs des capteurs dans différentes pièces du bâtiment divergent dans le temps des lectures de température du ou des capteurs extérieurs au bâtiment et des lectures de température du thermostat ; et
• Si au moins l'un des détecteurs dans les différentes pièces du bâtiment diverge dans le temps des relevés de température du ou des capteurs extérieurs au bâtiment et des relevés de température du thermostat :
• Ajuster, par le premier dispositif de calcul, la série de points de contrôle d'énergie pour un ou plusieurs dispositifs de confort associés à la chambre du capteur divergent pour tenir compte de la divergence de température.
On connaît aussi deux articles scientifiques. suivants : Yu, Wei & Li, Baizhan & Jia, Hongyuan & Zhang, Ming & Wang, Di. (2015). Application of multi-objective genetic algorithm to optimize energy efficiency and thermal comfort in building design. Energy and Buildings. Vol. 88. Pages 135-143. Cet article décrit un modèle d'optimisation à objectifs multiples pouvant aider les concepteurs dans la conception de bâtiments écologiques. Cet article propose l'utilisation de la solution de Pareto pour obtenir un ensemble de solutions optimales d'optimisation de la conception de bâtiments. Un algorithme génétique amélioré multi-objectifs (NSGA-II) constitue la base théorique pour la modélisation d'un modèle d'optimisation à plusieurs objectifs. Sur la base des données de simulation sur la consommation d'énergie et le confort thermique intérieur, un réseau de propagation arrière optimisé basé sur la simulation, optimisé par un algorithme génétique (GA) est utilisé pour caractériser le comportement des bâtiments, puis établir un Modèle de réseau permettant de prévoir rapidement la consommation d'énergie et l'état de confort thermique intérieur des bâtiments résidentiels.
O'Neill, Z. & Eisenhower, Leveraging the analysis of parametric uncertainty for building energy model calibration B. Build. Simul. (2013) Springer Berlin Heidelberg Print ISSN 1996- 3599 décrit des modèles énergétiques calibrés utilisés pour mesurer et vérifier les projets de rénovation de bâtiments, prévoir les économies réalisées grâce aux mesures de conservation de l'énergie et mettre en service les systèmes de construction (à la fois avant l'occupation et pendant la surveillance, les contrôles et les diagnostics de performance basés sur un modèle en temps réel).
Cet article présente une méthode systématique et automatisée d'étalonner un modèle énergétique de bâtiment. Un échantillonnage efficace des paramètres permet d'analyser plus de deux mille paramètres de modèle et d'identifier ceux qui sont critiques (les plus importants) pour le réglage du modèle. Les paramètres qui affectent le plus l'utilisation finale de l'énergie du bâtiment sont sélectionnés et automatiquement affinés pour calibrer le modèle en appliquant une optimisation analytique basée sur un méta-modèle. Les données en temps réel d'un immeuble de bureaux, y compris les données des compteurs d'énergie et d'énergie en 2010, ont été utilisées pour l'étalonnage du modèle, tandis que les données de 2011 ont été utilisées pour la vérification du modèle. Le processus de modélisation, les résultats de calibration et de vérification, ainsi que les problèmes de mise en œuvre rencontrés tout au long du processus de calibration de modèle du point de vue de l'utilisateur sont discutés. Les prévisions de consommation totale d'électricité des installations et des bougies à partir du modèle calibré correspondent aux données mensuelles réelles mesurées à ± 5%.
Inconvénients de l'art antérieur
Un premier inconvénient des solutions de l'art antérieur est le recours à des algorithmes génétiques pour résoudre les problèmes d'optimisation multi-objectifs nécessitant un grand nombre de simulations pour calculer un optimum de Pareto et déterminer l'allocation optimale des ressources de confort. Cela entraîne des coûts de calcul prohibitifs lorsque ces traitements sont combinés avec des programmes de simulation comme le logiciel pour la simulation thermique des bâtiments et des systèmes TRNSYS (nom commercial).
Par ailleurs, la précision et la robustesse des résultats reste relativement approximatives.
De plus, les solutions de l'art antérieur nécessitent généralement la construction de modèles théoriques complexes et imparfaits des superstructures, des flux thermiques et des comportements énergétiques et thermiques de chacun des éléments présents dans le bâtiment. Ces éléments sont fixés a priori par des experts, de manière à modéliser le bâtiment de façon réaliste, mais ne tiennent pas compte d'observations réelles obtenues dans le bâtiment afin de calibrer le modèle théorique pour qu'il décrive au mieux le comportement réel du bâtiment étudié.
Un des objectifs de l'invention est de minimiser la consommation énergétique totale sur une année et optimiser le confort thermique (défini comme la fraction du nombre d'heures de l'année pendant lesquelles la température est entre 18 et 26 degrés) et de mesurer l'écart à une température de confort donnée (on ne considère pas comme confortable de la même façon 19° et 22°, contrairement à ce qui est proposé dans l'article Yu et al. et uniquement pendant l'occupation.
Solution apportée par l'invention
Afin de remédier à ces inconvénients, la présente invention concerne selon son acception la plus générale un procédé pour l'optimisation des dépenses énergétiques et du confort d'un bâtiment comportant :
- une pluralité d'équipements de confort munis d'un capteur de consommation connecté, apte à télétransmettre périodiquement des données de consommation, associées à un identifiant de l'équipement de confort, une pluralité de capteurs de données d'environnement local [température, luminosité, C02, ... ] associés à un identifiant d'une zone dudit bâtiment,
- au moins un serveur pour collecter et enregistrer lesdites données horodatées télétransmises par lesdits capteurs de consommation et pour collecter des données externes au bâtiment ainsi que des données internes. Caractérisé en ce qu'il comporte les étapes suivantes :
Construction et enregistrement d'un modèle numérique simplifié du comportement thermique dudit bâtiment dont les paramètres sont estimés à 1 ' aide desdites données horodatées télétransmises par lesdits capteurs de consommation connectés et par lesdits capteurs d'environnement local, par un traitement d'intégration de toutes les caractéristiques d'un bâtiment et de ses équipements de confort, pour l'étude détaillée de ce bâtiment, en fonction de l'emplacement dudit bâtiment, des matériaux de construction utilisés, de l'architecture globale, et du concept énergétique choisi une étape de calibrage du modèle numérique simplifié calculé lors de l'étape précédente,
- une étape de validation du modèle numérique calibré calculé lors de l'étape précédente par la comparaison entre les variables numériques obtenue par un traitement prédictif dudit modèle calibré et les variables numériques enregistrées par ledit serveur pendant une période de plusieurs jours, une étape de calcul de paramètres numériques d'allocation de ressources par l'application d'un calcul d'optimum de Pareto à l'aide d'un algorithme d'optimisation multi-objectifs appliqué audit modèle numérique calibré et validé .
Selon des variantes avantageuses : le critère de Pareto est déterminé par les températures cibles historiques.
- le critère de Pareto est déterminé par un jeu de nouvelles valeurs de températures cibles. - ledit calcul d'optimum de Pareto est mis en œuvre par l'implémentation d'un algorithme génétique NSGA-II.
Description détaillée de l'invention
La présente invention sera décrite plus en détail en référence à un exemple non limitatif de réalisation.
Architecture matérielle
La description qui suit présente un exemple de méthodologie multi-objectifs efficace pour améliorer l'efficacité énergétique et maintenir le confort thermique, sans aucune intervention de rénovation ou modification de l'enveloppe du bâtiment.
Le bâtiment comporte une pluralité d'équipements de confort :
• Des équipements de chauffage ;
• Des sources de lumière ;
• Des équipements de climatisation ;
• Des équipements d'aération ;
• Des points de fourniture d'eau chaude ou froide ;
• etc .
Ces équipements sont associés à des capteurs (10) communiquant avec un serveur (30) par le réseau filaire ou par un réseau radiofréquence pour communiquer des informations sur l'état de l'équipement associé et sur les principaux postes de consommation. Le bâtiment comporte aussi des capteurs locaux (20) transmettant au serveur (30) des informations sur un paramètre de confort de la zone local où le capteur est installé.
Les capteurs (10, 20) fournissent des informations sous forme de séquences numériques comportant un identifiant du capteur et au moins une valeur numérique du paramètre mesuré. Le serveur (30) commande l' horodatage des données reçues et l'enregistrement dans une mémoire permanente.
Le serveur (30) reçoit et enregistre de manière horodatée par ailleurs des données environnementales extérieures, notamment météorologiques provenant de sources de données .
Les données enregistrées par le serveur (30) font l'objet d'un traitement conforme au procédé objet de l'invention, associant un programme énergétique du bâtiment à un traitement d'optimisation.
A titre d'exemple, le programme énergétique peut être un outil tel que le logiciel Energy Plus (nom commercial) développé sur les bases des outils BLAST (nom commercial) et DOE-2 (nom commercial) et intégrant des modules spécifiques à 1 ' introduction des équipements dans le bilan énergétique de la zone thermique et des structures de données d'entrée et de sortie définies à partir des données numériques enregistrées par le serveur (30).
Le programme énergétique peut être constitué par le logiciel TRNSYS (nom commercial) spécialisé dans la simulation thermique dynamique appliquée au bâtiment. Ce logiciel permet d'intégrer toutes les caractéristiques d'un bâtiment et de son équipement (systèmes de chauffage, climatisation) pour mener une étude mono ou multizone détaillée de son comportement thermique. Il intègre les variables d'emplacement, de matériaux de construction, d'architecture globale, de concept énergétique choisi, y compris les plus complexes tels que les systèmes solaires innovants.
Le traitement d'optimisation (objectif unique ou multi-objectif ) a pour fonction d'analyser les enveloppes, les orientations, les ombrages ou les caractéristiques matérielles et permet de faire un diagnostic.
Il peut être réalisé à l'aide de la boîte à outils logiciels Global Python Parallèle-PyGMO (nom commercial) constituant un optimiseur multi-objectifs , permettant de concevoir un modèle simplifié.
Le modèle simplifié est obtenu soit sur la base d'une vue schématique du bâtiment, soit après une campagne complexe de mesures de temps et de ressources où des professionnels formés définissent les paramètres caractérisant les propriétés physiques du bâtiment.
Les paramètres du modèle simplifié sont ensuite calibrés en utilisant des mesures (températures, consommations, programmation, etc.) obtenues à partir de milliers de capteurs communicants placés dans un bâtiment réel pour stocker un très grand nombre de données en temps réel. Les paramètres physiques du modèle simplifié sont estimés en utilisant les briques logicielles PyGMO avec les mesures et l'algorithme CMA-ES.
Ensuite, le modèle estimé est validé en utilisant le programme TRNSYS (nom commercial) pour s'assurer que le modèle de base résultant imite le comportement thermique du bâtiment réel .
Une méthodologie multi-objectifs pour améliorer l'efficacité énergétique et maintenir le confort thermique est alors mise en œuvre en agissant uniquement sur le système de gestion du bâtiment sans modifier les paramètres physiques.
L'approche NSGA-II est utilisée pour obtenir les paramètres optimaux de Pareto. Les performances de cette méthodologie sont évaluées à partir des données collectées dans un bâtiment situé en région parisienne. Architecture fonctionnelle
La première étape du procédé objet de l'invention consiste à concevoir un modèle simplifié du bâtiment dont les paramètres sont estimés à 1 ' aide de mesures obtenues à partir de capteurs communicants.
Première étape ; définition d'un modèle simplifié
Le modèle de base a été implémenté en utilisant la solution logicielle TRNSYS (composant "Type 56") et prenant en compte plusieurs types de paramètres. Les gestionnaires de bâtiments connaissent généralement précisément certains de ces paramètres tandis que d'autres sont inconnus ou mal connus.
Le modèle de base à zone unique est défini par les composants suivants.
- Plusieurs murs extérieurs verticaux. Chacune de ces parois est spécifiée par les paramètres suivant : surface, proportion des fenêtres par rapport au mur, orientation, épaisseur et couches constitutives telles que le béton, l'isolation, etc.
- Un toit et un sol spécifiés par : surface et épaisseurs des différentes couches constitutives, dont 1 ' isolation .
- Puissance de chauffage et de climatisation (AC) maximum disponibles au niveau des émetteurs et de la production centrale .
- Les horaires et les températures pour les systèmes de chauffage, de ventilation et de climatisation (CVC). Un horaire se compose d'une heure de début, d'un temps jusqu'à l'arrêt, d'une température de confort en occupation et de températures réduites en inoccupation. Pour chaque semaine, nous considérons trois (ou quatre) programmes horaires : (i) lundi, (ii) mardi, mercredi, jeudi, (iii) vendredi (et (iiii) fin de semaine, si différent de vendredi).
D'autres paramètres, caractérisant les apports thermiques internes au bâtiment, tels que le nombre d'occupants, le nombre d'équipements informatiques, appelés PC, et les équipements d'éclairage caractérisés par un nombre de W / m2.
Dans la plupart des cas, la constitution des murs, du toit et des planchers bas sont assez bien connus ainsi que l'orientation globale du bâtiment et la surface de vitrage mais l'épaisseur et la nature de l'isolation est généralement mal connue et doit être estimée dans une gamme réaliste de valeurs.
Les meubles qui constituent un réservoir de calories / frigories non négligeable sont résumés par un seul paramètre, appelé capacitance et exprimé en kJ / °C / m3, et dimensionné en proportion du volume total .
Deuxième étape ; Calibration du modèle simplifié
Comme l'objectif est d'améliorer l'efficacité thermique sans travaux de rénovation, la procédure d'étalonnage doit estimer les paramètres liés à l'enveloppe du bâtiment. Certains de ces paramètres sont connus et n'ont pas besoin d'être étalonnés, tels que les structures des murs extérieurs, des toits et des planchers bas ou les types de fenêtres. Les autres paramètres liés à l'enveloppe du bâtiment nécessaires pour définir le modèle TRNSYS et les paramètres liés à la stratégie de contrôle du bâtiment sont résumés dans le tableau présenté en figure 2.
Dans ce qui suit, ces paramètres sont désignés par Q. La valeur initiale de Q est choisie en fonction des données déterminées par la date de construction ou de réhabilitation du bâtiment . La procédure d'estimation utilise les données enregistrées par le serveur (30) pendant une durée d'un mois, sur la base de relevés horaires. Les données enregistrées chaque heure comprennent la température extérieure Te obs, la température intérieure moyenne Tobs mesurée dans le bâtiment, la consommation énergétique pour le chauffage Qh obs et pour le refroidissement Qc obs. Les autres données sont enregistrées dans un tableau de variables du type présenté en figure 2.
La stratégie d'évolution de la matrice de covariance (CMA-ES) est implémentée avec la boîte à outil logiciel PyGMO (nom commercial) pour optimiser de manière itérative les paramètres du tableau de variables en utilisant la sélection (m, l ) .
A chaque itération, les meilleurs paramètres (m, l) descendants de l'estimation actuelle des paramètres sont combinés pour former la population de 1 ' itération suivante et les autres candidats sont rejetés.
Pour chaque paramètre Q, le modèle TRNSYS est exécuté avec les conditions météorologiques stockées pour produire les consommations d'énergie horaires et les températures intérieures associées .
La fonction d'objectif minimisée par le CMA-ES tient compte de l'écart entre ces simulations horaires et les observations réelles mesurées dans le bâtiment :
où :
- T± q et Q0 désignent les températures internes et les consommations totales d'énergie (chauffage, refroidissement et autres dépenses) formées par les séries temporelles produites par le modèle TRNSYS avec un paramètre donné Q et pour toute série temporelle s, tel que :
où n désigne le nombre d'échantillons.
Etape 3; Validation du modèle
Une fois que 1 ' algorithme CMA-ES a atteint un état de convergence, le modèle TRNSYS est entraîné en utilisant les observations pour assurer la calibration par rapport au bâtiment réel.
Pour s'assurer que le comportement thermique modèle de base correspond au comportement thermique du bâtiment réel, les prédictions du modèle sont comparées aux observations enregistrées pendant la semaine suivant la période d'étalonnage et pendant une autre période ultérieure.
Tous les paramètres liés à l'enveloppe du bâtiment estimés pendant la procédure d'étalonnage sont maintenus fixes et considérés comme la signature du bâtiment. Ensuite, les paramètres liés à la stratégie de contrôle de construction sont fixés aux paramètres de construction réels pour chaque période de validation. Le modèle calibré est exécuté en utilisant ces réglages et les conditions météorologiques stockées et comparé aux observations.
Etape 4 ; Optimisation de Pareto Le modèle étant calibré et validé, on procède à une optimisation de Pareto afin que la performance énergétique du bâtiment puisse être analysée en optimisant les consommations énergétiques tout en conservant un confort thermique choisi par le modèle. Les paramètres utilisés pour améliorer l'efficacité énergétique sont désigné par h. Tous les autres paramètres sont définis par les paramètres étalonnés dans Q.
Pour chaque paramètre h, le modèle TRNSYS est exécuté avec les conditions météorologiques stockées pour produire les consommations d'énergie horaires associées et les températures intérieures pour la semaine suivante. La fonction objectif minimisée par l'algorithme NSGA-II vise à trouver un compromis entre la minimisation des consommations énergétiques totales et la fourniture d'un confort thermique spécifié par l'utilisateur
où T± * désigne la séquence des températures intérieures souhaitée par les gestionnaires d'énergie.
Plusieurs configurations d'optimisation peuvent être envisagées. a) Optimisation avec les températures cibles historiques. Dans ce cas, la séquence T± * déterminée pour permettre un ajustement aux températures observées dans le bâtiment pendant la période d'optimisation. L'optimisation vise à trouver des paramètres pour réduire les consommations d'énergie sans modifier le confort thermique. b) Optimisation avec de nouvelles températures cibles. Dans ce cas, le confort thermique enregistré avec les capteurs est supposé être trop conservateur et la procédure d'optimisation permet de modifier les points de consigne de température pour améliorer l'efficacité avec une nouvelle référence de confort thermique.
L'optimisation est réalisée en utilisant la méthode NSGA-II pour les problèmes multi-objectifs implémentée dans PyGMO, basée sur une procédure de sélection non dominée des descendants .
Résultats expérimentaux
Selon un exemple d'application, les données utilisées ont été collectées dans un bâtiment de bureau de 14000 m2 de surface utile situé en région parisienne avec 7 étages pour un volume total de 51800 m3. Sur la base d'une règle communément utilisée, il est supposé que 2/3 de la superficie totale est occupée par des personnes, ce qui donne une surface totale d'occupation de 9240m2. En supposant que chaque occupant dispose de 12 m2 , les valeurs initiales sont fixées à 770 occupants et 770 1,2 = 924 PC dans le bâtiment pendant les heures d'occupation. En revanche, les surfaces murales sont respectivement de 3,7 x 7 x 50 = 1295 m2 et 3 , 7 x 7 x 40 = 1036 m2.
Dans les résultats obtenus, le modèle est étalonné en utilisant un mois de données stockées toutes les heures pour que n = 720. Les résultats d'étalonnage sont donnés dans le Tableau de paramètres de la figure 3. L'algorithme CMA-ES est exécuté avec une taille de population donnée par l = 4 + 3 log (card(9)) et le paramètre m par défaut. Les paramètres sont initialisés de manière aléatoire dans l'intervalle donné dans le tableau 1 et la procédure d'estimation est répétée 50 fois et arrêtée après 800 générations lorsque l'algorithme a atteint la convergence. La valeur estimée moyenne et l'écart type sur les 50 essais indépendants sont donnés pour chaque paramètre du tableau de la figure 2. La figure 3 représente la courbe d'évolution (5) de la température extérieure (en haut) et la courbe (6) correspondant à l'estimation des températures intérieures ainsi que la courbe (7) correspondant à l'estimation de la consommation énergétique.
Ces séries chronologiques estimées sont comparées aux observations des capteurs du bâtiment. Le dernier graphique montre l'erreur relative entre les séries chronologiques estimées et les observations au fil du temps. Pour toute série temporelle, cette erreur relative est donnée pour tout 1 £ k £ n, par :
Le modèle estimé est utilisé pour prédire les températures et les consommations hebdomadaires après la période d'étalonnage (Figure 3) et pendant une période N (Figure 4).
La figure 4 présente le résultat de l'optimisation avec les températures cibles historiques.
La température moyenne dans le bâtiment pendant l'heure d'occupation était de 23,4 degrés avec un écart-type égal à 0,67. La consommation totale d'énergie était de 342,6 kWh. Les résultats de l'algorithme NSGA-II montrent que pour une volatilité de température similaire autour de 23,4 degrés, d'autres paramètres de construction peuvent conduire à une consommation totale d'énergie de 300 kWh. Les paramètres associés sont donnés dans le Tableau des paramètres et les séries temporelles sont affichées dans la figure 3. La figure 4 affiche l'optimisation avec de nouvelles températures cible. Cela montre que des gains significatifs peuvent être obtenus en réduisant les températures cibles si les gestionnaires de l'énergie acceptent une telle modération de la température cible.
Le procédé selon l'invention permet de compenser de manière rentable et généralisable le manque d'informations et l'imprécision des données inhérents à tout bâtiment en situation réelle d'utilisation, d'obtenir une modèle physique thermique dynamique très proche du fonctionnement réel du bâtiment (à quelques pourcents près de la réalité généralement) et d'obtenir des résultats explicites sur les actions d'amélioration à entreprendre (réglage des équipements, programmations, travaux, optimisation des contrats de fourniture énergétique) et leurs impacts quantifiés sur le plan de l'amélioration du confort et de l'efficacité énergétique

Claims

Revendications
1 - Procédé pour l'optimisation des dépenses énergétiques et du confort d'un bâtiment comportant :
- une pluralité d'équipements de confort munis d'un capteur (10) de consommation connecté, apte à télétransmettre périodiquement des données de consommation, associées à un identifiant de l'équipement de confort, une pluralité de capteurs (20) de données d'environnement local associés à un identifiant d'une zone dudit bâtiment , au moins un serveur (30) pour collecter et enregistrer des données horodatées télétransmises par lesdits capteurs de consommation et pour collecter des données externes au bâtiment ainsi que des données internes. caractérisé en ce qu'il comporte les étapes suivantes :
Construction et enregistrement d'un modèle numérique simplifié du comportement thermique dudit bâtiment dont les paramètres sont estimés à 1 ' aide desdites données horodatées télétransmises par lesdits capteurs de consommation connectés et par lesdits capteurs d'environnement local, par un traitement d'intégration des caractéristiques connues d'un bâtiment et de ses équipements de confort en fonction de l'emplacement dudit bâtiment, des matériaux de construction utilisés, de l'architecture globale, et du concept énergétique choisi une étape de construction et/ou de calibrage du modèle numérique simplifié calculé lors de l'étape précédente, - une étape de validation du modèle numérique calibré calculé lors de l'étape précédente par la comparaison entre des variables numériques obtenues par un traitement prédictif dudit modèle calibré et des variables numériques enregistrées par ledit serveur pendant une période de plusieurs jours une étape de calcul de paramètres numériques d'allocation de ressources par l'application d'un calcul d'optimum de Pareto appliqué audit modèle numérique calibré validé .
2 - Procédé pour l'optimisation des dépenses énergétiques et du confort selon la revendication 1 caractérisé en ce que le critère de Pareto est déterminé par des températures cibles historiques.
3 - Procédé pour l'optimisation des dépenses énergétiques et du confort selon la revendication 1 caractérisé en ce que le critère de Pareto est déterminé par un jeu de nouvelles valeurs de températures cibles.
4 - Procédé pour l'optimisation des dépenses énergétiques et du confort selon l'une quelconque des revendications précédentes caractérisé en ce que ledit calcul d'optimum de Pareto est mis en œuvre par l'implémentation d'un algorithme génétique NSGA-II.
EP19704856.4A 2018-02-28 2019-01-21 Procédé pour l'optimisation des dépenses énergétiques et du confort d'un bâtiment Pending EP3759565A1 (fr)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
FR1851762A FR3078414B1 (fr) 2018-02-28 2018-02-28 Procede pour l'optimisation des depenses energetiques et du confort d'un batiment
PCT/FR2019/050123 WO2019166710A1 (fr) 2018-02-28 2019-01-21 Procédé pour l'optimisation des dépenses énergétiques et du confort d'un bâtiment

Publications (1)

Publication Number Publication Date
EP3759565A1 true EP3759565A1 (fr) 2021-01-06

Family

ID=62816673

Family Applications (1)

Application Number Title Priority Date Filing Date
EP19704856.4A Pending EP3759565A1 (fr) 2018-02-28 2019-01-21 Procédé pour l'optimisation des dépenses énergétiques et du confort d'un bâtiment

Country Status (4)

Country Link
US (1) US11994883B2 (fr)
EP (1) EP3759565A1 (fr)
FR (1) FR3078414B1 (fr)
WO (1) WO2019166710A1 (fr)

Families Citing this family (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11210750B2 (en) * 2018-11-29 2021-12-28 Electronics And Telecommunications Research Institute Method and system for energy improvement verification of buildings
CN111475886B (zh) * 2020-04-30 2023-06-09 北京石油化工学院 一种基于火用经济和火用环境的建筑物墙体保温厚度的优化方法
US12020166B2 (en) * 2020-05-29 2024-06-25 Robert Bosch Gmbh Meta-learned, evolution strategy black box optimization classifiers
US20220171906A1 (en) * 2020-12-02 2022-06-02 Kyndryl, Inc. Generating digital building representations and mapping to different environments
CN113536660B (zh) * 2021-06-12 2023-05-23 武汉所为科技有限公司 用于暖通云边协同的智能系统训练方法、模型及存储介质
CN114399191B (zh) * 2022-01-11 2024-05-07 西安建筑科技大学 一种基于建筑节能的高校排课系统及方法
CN114896664B (zh) * 2022-05-12 2023-07-11 浙江大学 园区建筑光伏一体化围护结构优化方法及系统
CN115187133B (zh) * 2022-08-04 2023-11-14 东南大学 一种基于动态监测的传统民居运行阶段碳排量核算方法
CN116974241B (zh) * 2023-07-10 2024-02-06 清华大学 面向绿色低碳制造的数控机床几何优化方法及装置

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9612591B2 (en) * 2012-01-23 2017-04-04 Earth Networks, Inc. Optimizing and controlling the energy consumption of a building

Also Published As

Publication number Publication date
WO2019166710A1 (fr) 2019-09-06
US20210055750A1 (en) 2021-02-25
US11994883B2 (en) 2024-05-28
FR3078414A1 (fr) 2019-08-30
FR3078414B1 (fr) 2021-11-12

Similar Documents

Publication Publication Date Title
EP3759565A1 (fr) Procédé pour l'optimisation des dépenses énergétiques et du confort d'un bâtiment
Afroz et al. Real-time prediction model for indoor temperature in a commercial building
Rasifaghihi et al. Forecast of urban water consumption under the impact of climate change
Haldi et al. Modelling diversity in building occupant behaviour: a novel statistical approach
D’Oca et al. Occupancy schedules learning process through a data mining framework
Ock et al. Smart building energy management systems (BEMS) simulation conceptual framework
Mejri et al. Energy performance assessment of occupied buildings using model identification techniques
EP2944891B1 (fr) Programme, dispositif d'estimation de température ambiante
KR101633969B1 (ko) 상황인식 기반의 빌딩 에너지 관리 시스템 및 그를 이용한 빌딩 에너지 관리 방법
CA2996731C (fr) Methodes et systemes destines a la normalisation et la prevision d'utilisation d'energie
CN106462122A (zh) 用于维持建筑物自动化系统性能的系统和方法
Naspi et al. Measuring occupants’ behaviour for buildings’ dynamic cosimulation
Abokersh et al. A real-time diagnostic tool for evaluating the thermal performance of nearly zero energy buildings
WO2015056350A1 (fr) Dispositif de prédiction de quantité de stockage thermique, procédé et programme de prédiction de quantité de stockage thermique
EP2976612B1 (fr) Procédé de réalisation d'un diagnostic thermique d'un bâtiment ou d'une partie d'un bâtiment
Zhao Design-build-operate energy information modeling for occupant-oriented predictive building control
Le Corff et al. Optimizing Thermal Comfort and Energy Consumption in a Large Building without Renovation Work
Wang et al. Combined sensitivity ranking of input parameters and model forms of building energy simulation
Trigaux et al. A simplified approach to integrate energy calculations in the life cycle assessment of neighbourhoods
Chumnanvanichkul et al. Power Baseline Modeling for Split-Type Air Conditioner in Building Energy Management Systems Using Deep Learning
EP3223108B1 (fr) Procédé pour la régulation de la température d'un local à pièces multiples par un système climatique et système climatique mettant en oeuvre un tel procédé
Kristensen et al. Contrasting the capabilities of three different sensitivity analysis methods for building energy model-based investigations
WO2023057453A1 (fr) Procédé, dispositif et système pour la détermination d'une quantité d'énergie thermique fournie a un local d'un bâtiment sur une période donnée
Johnson Building energy model calibration for retrofit decision making
EP2360633A1 (fr) Suivi et évaluation de la consommation énergétique d'un ouvrage

Legal Events

Date Code Title Description
STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: UNKNOWN

STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: THE INTERNATIONAL PUBLICATION HAS BEEN MADE

PUAI Public reference made under article 153(3) epc to a published international application that has entered the european phase

Free format text: ORIGINAL CODE: 0009012

STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: REQUEST FOR EXAMINATION WAS MADE

17P Request for examination filed

Effective date: 20200818

AK Designated contracting states

Kind code of ref document: A1

Designated state(s): AL AT BE BG CH CY CZ DE DK EE ES FI FR GB GR HR HU IE IS IT LI LT LU LV MC MK MT NL NO PL PT RO RS SE SI SK SM TR

AX Request for extension of the european patent

Extension state: BA ME

DAV Request for validation of the european patent (deleted)
DAX Request for extension of the european patent (deleted)
RAP1 Party data changed (applicant data changed or rights of an application transferred)

Owner name: OZE ENERGIES

RIN1 Information on inventor provided before grant (corrected)

Inventor name: NOZIERE, GILLES

STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: EXAMINATION IS IN PROGRESS

17Q First examination report despatched

Effective date: 20220624