Principes et développement d’un outil de création générique de contrôleurs prédictifs optimisés pour la gestion énergétique à l’échelle quartier
Les méthodes d’ingénierie de la gestion énergétique à l’échelle urbaine
Concernant les méthodes de contrôle à l’échelle quartier, les principales énumérées dans la littérature sont les contrôleurs basés sur de la règle experte et ceux introduisant la notion de contrôleur prédiction (Model Predictive Controller, noté MPC). Les premières se basent sur un ensemble de règles définies au préalable, qui s’avèrent parfois moins performantes en termes d’économies d’énergie en comparaison à des stratégies de contrôle utilisant des modèles d’optimisation. Cependant leur simplicité et leur applicabilité en temps réel fait qu’ils sont communément utilisés.
Les limites du contrôle réactif comme solution au nouveau contexte énergétique à l’échelle urbaine
Un contrôleur réactif peut être appliqué à tous types de systèmes énergétiques, comme par exemple les réseaux de chaleur urbain [21]. Dans ce cas, le contrôle intègre des systèmes de stockage couplés avec des pompes à chaleur. Les auteurs proposent alors des solutions de contrôle réactif heuristiques permettant de gérer le stockage de l’énergie thermique. L’objectif est donc d’optimiser la différence de température au sein des collecteurs solaires et la modulation des flux variables des pompes à chaleur. Sur un volet plus électrique, certains travaux [22] présentent une méthodologie permettant de construire un contrôleur sous forme de règles-expertes pour des réseaux de véhicules hybrides branchés en série. L’objectif de l’étude est de minimiser la consommation d’essence des véhicules. Chacun d’entre eux possède un contrôleur suivant une stratégie « d’épuisement de la charge (charge-depleting) puis de maintien de la charge (charge sustaining) ». Cette stratégie est complétée via une routine d’optimisation globale utilisant de la programmation dynamique. Enfin plusieurs solutions de contrôle s’appliquent sous la forme règle experte permettant d’améliorer la flexibilité énergétique de pompe à chaleur raccordé à des bâtiments [21].
Dans ce cas, les solutions sont classées en fonction des objectifs à atteindre pour rajouter de la flexibilité dans la gestion énergétique d’un bâtiment. Ces contrôleurs suivent tous le même principe, à savoir, définir un seuil de déclenchement sur un indicateur à surveiller qui enclenche alors une action sur le système contrôlé, ici la pompe à chaleur. Le déclencheur peut être le temps, la puissance de fonctionnement, le prix de l’énergie ou encore la charge résiduelle. Le tableau 1.2 décrit alors 5 grandes classes de contrôleurs résultat de ces travaux. Tableau 1.2 – Tableau des différents types de contrôles en fonction de leur objectif et déclencheur Objectifs de fléxibilité Référence Déclencheur Modification de charge Lee et al. (2015) Temps en fonction d’un planification . Carvalho et al. (2015) Effacement des pics Dar et al. (2014) Puissance Réduction des coûts Schibuloa et al. (2015) Prix de l’énergie Augmentation de la consommation Dar et al. (2014). Puissance solaire, et de la part des ENR&R De Coninck et al. (2014) charge résiduelle Malgré les avantages de ce type de méthodes, ce que l’on retient de ces études [21], est le manque d’adaptabilité. En effet, étant donné que les paramètres et les seuils de déclenchement sont fixés à l’avance on peut observer un manque de flexibilité dans ces approches. De plus, elles ne possèdent pas de moyen d’anticiper ou de prévoir le comportement des systèmes contrôlés, ce qui peut s’avérer dommageable dans un contexte où de plus en plus de données de mesures sont disponibles.
Le contrôle anticipatif comme une option émergente dans ce nouveau contexte
Ce qui rend l’étude sur les solutions de contrôle [21] d’autant plus intéressante est le parallèle fait avec des méthodes de contrôle prédictifs (MPC). Etant plus complexes et demandant plus d’investissement que les contrôleurs de type réactif, les MPC s’avèrent extrêmement prometteurs dans la gestion énergétique à l’échelle quartier. Intégrant des modèles RC simplifiés des bâtiments, permettant de conserver des temps de calculs décents, ces contrôleurs peuvent par exemple utiliser des prédictions en matière de conditions météorologiques, sur les variations de coûts de l’énergie afin de fournir une stratégie de contrôle adaptée. Il existe plusieurs typologies de MPC différentes appliquées à l’échelle quartier, comme les MPC hiérarchiques ou centralisés décrits dans la partie 3.2 du chapitre 3. Etant donné ces avantages et la flexibilité qu’offrent ces types de contrôleurs, le choix s’est porté sur la mise en œuvre d’un outil de MPC dans le cadre de cette thèse. Cet outil se base sur une architecture générique permettant la création de MPC à l’échelle quartier, et sera décrit en détail dans le chapitre 3.
Développement d’une méthode de contrôle commande générique impliquant une architecture de MPC 1
Objectifs des travaux de thèse Afin de gérer au mieux la complexité des réseaux énergétiques à l’échelle du quartier, autant sur le plan technique que social ou économique, il devient important d’intégrer des notions d’anticipation dans les contrôleurs. De nombreuses solutions ont été évaluées dans la littérature présentant des résultats concluants, et ouvrant des possibilités d’application grandissant. Cependant, on observe un manque criant de généricité dans les solutions proposées, qui se limitent dans leur grande majorité au système spécifique contrôlé, au cas par cas. L’objectif de ce travail est donc de proposer une solution de contrôle-commande générique impliquant une architecture orienté-objet, se basant sur une analyse de la décomposition fonctionnelle d’un MPC, tout en prenant en compte les systèmes énergétiques que l’on peut retrouver de l’échelle de la zone thermique à celle du quartier. En parallèle de cette volonté de généricité, une autre approche est envisagée celle de la « sobriété » concernant la quantité de capteurs nécessaires sur les systèmes énergétiques.
En effet, les approches peuvent nécessiter une assez grande quantité de données sur l’ensemble des systèmes énergétiques afin de pouvoir les configurer, notamment avec des logiques d’apprentissage (ou « data-driven »). Or, cela semble être difficilement compatible avec la volonté de généricité, ce qui amène à devoir faire des choix allant dans le sens de cette « sobriété ». Cette voie se retrouve d’autant plus renforcée par la multiplication de capteurs sur l’ensemble des systèmes énergétiques, permettant alors un accès plus important aux données de mesures sur ces systèmes. Cette masse d’informations permet donc, dans le cadre du MPC, de pouvoir mettre en place des dispositifs de prédiction ainsi que de pouvoir identifier les modèles spécifiques de ce type de contrôleur. En combinant leur capacité d’anticipation, la possibilité d’identifier le modèle interne et ce nouvel accès aux données, le MPC constitue alors une option de choix pour les besoins de contrôle-commande à l’échelle quartier. En soi ce type de contrôle commande doit répondre à un problème inverse, dans le sens où l’objectif est de déterminer une donnée qui est normalement en entrée des modèles : la stratégie de commande optimale.
Méthodologie de résolution de problème inverse
Choix de résolution du problème inverse en utilisant des modèles d’optimisation
Pour résoudre un problème inverse, il existe deux solutions communément applicables, à savoir développer un modèle inverse d’un système à contrôler ou développer un problème d’optimisation représentant le dit-système. La première solution peut s’appliquer à la problématique, mais ne semble pas appropriée à une approche générique, s’approchant d’une logique que l’on peut qualifier de « boite noire » ou data-driven. Ce genre de méthode demande une grande maitrise des données qui sont disponibles et en dépend grandement. Par contre, l’approche utilisant l’optimisation, demande certes une connaissance physique des systèmes à contrôler, mais semble bien plus en adéquation avec une approche MPC plus sobre en termes de données de mesure. Ainsi, l’approche pour résoudre le problème inverse que doit répondre chaque MPC est de résoudre un problème d’optimisation. C’est pour cela que nous avons choisi le logiciel OMEGAlpes.
Le metamodelleur de problème d’optimisation OMEGAlpes
OMEGAlpes est un méta modeleur de problèmes d’optimisation basé sur une bibliothèque extensible orienté-objet. Développé par le G2Elab dans une optique open source, l’objectif de ce logiciel est donc de permettre de créer et résoudre des problèmes d’optimisation sur des systèmes ou des réseaux énergétiques tout en prenant en compte les contraintes des parties prenantes. Etant donné le grand nombre de variables engagées à l’échelle quartier, il a été choisi de développer des modèles en formulation MILP (Mixed-Integer Linear Programming). La modélisation repose sur une logique de brique d’instance d’une classe principale appelée EnergyUnit qui sont divisées en trois catégories : les classes de productions (dérivant de la classe mère ProductionUnit), les classes de consommation (dérivant de la classe mère ConsumerUnit) et les classes d’unités de stockage (dérivant de la classe mère StorageUnit).
Chacune de ces instances possèdent leur propre jeu de contraintes, qu’elles soient physiques (afin de représenter la physique du système répondant à des équations d’état) ou intégrant des fonctions objectifs en fonction des besoins (minimiser l’énergie, le coût, optimiser l’autoconsommation ou l’effacement). Indépendamment de leur spécificité, les instances d’EnergyUnit peuvent être variables ou fixes, en fonction de si on leur fournit un profil de charge, provenant de mesures ou de données de prédiction, ou si on souhaite l’évaluer en tant que variable du problème d’optimisation. Pour un réseau énergétique donné, les systèmes de production, de consommation ou de stockage vont trouver leur modèle dans la bibliothèque OMEGAlpes et peuvent être connectés les uns aux autres à l’aide d’une instance de la classe EnergyNode. Ainsi, cette instance permet d’établir le bilan énergétique résultant entre les différentes EnergyUnit une fois connectées entre elles. Plusieurs EnergyNode peuvent être créées qui sont ensuite connectées ou non ensemble afin de finaliser le modèle correspondant au système étudié. Ci-après un exemple de schéma de connexion permettant de modéliser un système (Fig. 1.7).
Table des matières
1 Introduction
1.1 De l’impact du changement climatique global sur le secteur du bâtiment à la problématique de ces travaux de thèse
1.2 Evaluation de l’impact du secteur du bâtiment sur le changement climatique
1.2.1 Le changement climatique comme l’enjeu crucial des prochaines décennies
1.2.1.1 Les causes du changement climatique
1.2.1.2 Quelles sont les conséquences du changement climatique
1.2.2 Le rôle du secteur du bâtiment dans ce contexte et les politiques mises en place en France
1.2.2.1 Quel est le rôle et l’impact du secteur du bâtiment 8
1.2.2.2 Etat des lieux de la politique française de lutte contre le changement climatique et son application au secteur du bâtiment depuis 2000
1.2.2.3 Conséquence des politiques françaises à l’échelle quartier qui amènent plus de complexité dans le secteur énergétique à toutes les échelles
1.3 Les enjeux de la gestion énergétique à l’échelle quartier dans un contexte en constante évolution
1.3.1 La mise en place de la gestion énergétique générique à l’échelle quartier
1.3.2 Définition du concept de quartier dans le cadre de ces travaux
1.3.3 Les méthodes d’ingénierie de la gestion énergétique à l’échelle urbaine
1.3.3.1 Les limites du contrôle réactif comme solution au nouveau contexte énergétique à l’échelle urbaine
1.3.3.2 Le contrôle anticipatif comme une option émergente dans ce nouveau contexte .
1.4 Développement d’une méthode de contrôle commande générique impliquant une architecture de MPC
1.4.1 Objectifs des travaux de thèse
1.4.2 Méthodologie de résolution de problème inverse .
1.4.2.1 Choix de résolution du problème inverse en utilisant des modèles d’optimisation
1.4.2.2 Le metamodelleur de problème d’optimisation OMEGAlpes
1.5 La problématique de connexion à système réel
1.5.1 Les problèmes de désynchronisation entre un système réel et un MPC
1.5.2 Revue des simulateurs thermiques dynamiques permettant la simulation d’un système
1.6 Conclusion
2 Méthodologie MPC élémentaire en vue d’une utilisation dans un contexte de quartier – développement et validation
2.1 Introduction : choix d’un système énergétique adapté pour la mise en place d’un MPC élémentaire
2.2 Développement d’un MPC élémentaire sur un exemple simple
2.2.1 Description des éléments fonctionnels d’un MPC au travers d’un système élémentaire
2.2.2 Une première approche des problématiques et spécificités du MPC via un ballon solaire thermique
2.2.2.1 Contextualisation du choix d’un cas d’étude permettant de mettre en avant les aspects d’anticipation et d’apprentissage des MPC
2.2.2.2 Le choix du ballon solaire thermique
2.2.2.3 La problématique de la formulation du problème d’optimisation pour le cas d’études
2.2.2.4 La composition du MPC permettant le contrôle du ballon solaire
2.2.2.5 Définition du problème d’optimisation du ballon solaire pour obtenir la stratégie de contrôle du MPC
2.2.2.6 Comparaison des formulations
2.2.3 Les méthodes de prédiction envisagées
2.2.4 La méthode de calibration du MPC
2.3 Définition et résolution du problème inverse pour trouver la stratégie de contrôle optimale sur un exemple simple
2.3.1 Définition de l’étude de cas
2.3.2 Choix du coefficient de pondération à l’aide d’un étude de Pareto
2.3.3 Résultats de l’étude
2.4 Conclusion
3 Développement d’un outil de création générique de MPC sur la base d’une architecture orientée objet
3.1 Introduction
3.2 Etat de l’art sur les applications de MPC et la distribution de son contrôle
3.2.1 Historique du MPC
3.2.2 Les principes de base d’un MPC
3.2.3 Approche centralisée de la distribution du contrôle de MPC
3.2.3.1 Principe général de fonctionnement
3.2.3.2 Application pour des cas d’étude de gestion de l’énergie 5
3.2.4 Approche décentralisée de la distribution du contrôle de MPC
3.2.4.1 Principe général de fonctionnement
3.2.4.2 Application pour des cas d’étude de gestion de l’énergie
3.2.5 Approche hiérarchique de la distribution du contrôle de MPC
3.2.5.1 Principe général de fonctionnement
3.2.5.2 Application pour des cas d’étude de gestion de l’énergie
3.2.6 Approche distribuée de la distribution du contrôle de MPC
3.2.6.1 Principe général de fonctionnement
3.2.6.2 Application pour des cas d’étude de gestion de l’énergie
3.2.7 Conclusion de l’état de l’art sur les différentes distributions de contrôle d’un MPC
3.3 Description des éléments fonctionnels d’un MPC
3.3.1 Applications et méthodes de prédiction des conditions aux limites d’un modèle inverse
3.3.1.1 Rôle
3.3.1.2 Les exemples d’application entre méthode d’apprentissage et modèles de connaissance
3.3.2 Méthodes de calibration du modèle inverse
3.3.2.1 Rôle
3.3.2.2 Applications et méthodes de calibration d’un problème inverse
3.3.3 Problème inverse pour déterminer la stratégie de contrôle optimale
3.3.3.1 Rôle
3.3.3.2 Mise en œuvre au sein d’un problème d’optimisation
3.3.4 Conclusion sur la composition d’un MPC
3.4 Elaboration d’une architecture générique afin de créer un outil de création générique de MPC à l’échelle quartier
3.4.1 La programmation orientée-objet comme outil de construction de l’architecture
3.4.2 Le cas illustratif qui servira de support de compréhension du fonctionnement des classes et de l’orchestration de l’outil
3.4.3 Présentation des classes composantes de l’architecture générique
3.4.3.1 Ensemble des classes intégrées dans l’outil constituant l’architecture générique
3.4.3.2 La classe permettant la création, la configuration et le fonctionnement d’un MPC pour un ensemble de systèmes donné
3.4.3.3 Classes de configuration du MPC
3.4.3.4 Classes de fonctionnemnt du MPC
3.4.3.5 Définition de la méthode générique orchestrate pour obtenir et coupler un MPC pour un système donné
3.5 Conclusion
4 Modèle de zone thermique et procédure d’estimation des paramètres 72
4.1 Introduction : présentation du modèle de MPC sur une zone thermique afin de tester l’architecture du MPC à l’échelle du bâtiment
4.2 Définition du modèle d’optimisation de zone thermique
4.2.1 Mise en œuvre
4.2.2 Définition du problème d’optimisation servant à résoudre le problème inverse
4.2.2.1 Descriptif de la variante détaillée du modèle d’optimisation de zone thermique
4.2.2.2 Descriptif de la variante sobre du modèle d’optimisation de zone thermique
4.2.3 Définition des fonctions d’état représentatives des variantes des modèles de zone thermique
4.2.4 Contraintes physiques appliquées au modèle de zone thermique
4.2.5 Définition de la fonction objectif et des contraintes d’optimisation associées comme un compromis entre confort thermique et économies
4.2.5.1 Coût global de la fonction objectif
4.2.5.2 Définitions de la partie économique de la fonction objectif
4.2.5.3 Définition de la partie confort thermique de la fonction objectif
4.2.5.4 Implémentation dans OMEGAlpes
4.3 Module de calibration du modèle de zone thermique par le biais d’une analyse de sensibilité
4.3.1 Processus d’estimation des résistances et capacités thermiques
4.3.2 Définition de l’espace d’étude
4.3.2.1 Choix de la méthode des moindres carrés comme fonction objectif de l’identification des paramètres
4.3.2.2 Formulation du problème à résoudre par la méthode des moindres carrés pour identifier les paramètres RC
4.3.3 Affiner l’espace d’étude pour l’identification des paramètres via des méthodes d’analyse de sensibilité
4.3.3.1 La cas de la dispersion des valeurs des paramètres RC lors de leur identification
4.3.3.2 Un échantillonnage de l’espace d’étude à l’aide de la méthode de Morris
4.3.3.3 La méthode de Sobol pour définir un critère discriminant des paramètres
4.3.3.4 Procédure d’analyse de sensibilité pour les résistances et capacités thermiques
4.3.4 Finalisation de la méthode de calibration du modèle de zone thermique
4.3.4.1 L’identification des données du problème d’optimisation en fonction des variantes du modèle de zone
4.3.4.2 Le cas de la formulation sobre
4.4 Validation du modèle d’optimisation de zone thermique intégré dans l’architecture du MPC
4.4.1 Objectifs et étude des formulations de modèle de zone thermique
4.4.2 Le modèle implémenté dans DIMOSIM
4.4.2.1 Mise en oeuvre
4.4.2.2 Modèle d’état
4.4.2.3 Test et validation de la consistance du problème d’optimisation en utilisant une courbe de Pareto
4.4.2.4 Fonctionnement du couplage entre le modèle MPC et la simulation de zone thermique faite par DIMOSIM
4.4.2.5 Validation des deux variantes du modèle de zone thermique pour la période hivernale
4.5 Perspectives et conclusion sur le modèle de zone thermique
5 De l’échelle du bâtiment à l’échelle quartier, un cas d’étude représentatif des fonctionnalités générique de l’architecture mise en place
5.1 Une étude de cas sur un quartier en autoconsommation collective
5.2 État des lieux du contexte de la gestion de l’énergie à l’échelle quartier est consacré aux possibilités d’amélioration de l’outil dans le cadre de futurs travaux
5.2.1 État des lieux des systèmes énergétiques et de la gestion de l’énergie à l’échelle du bâtiment en zone urbain
5.2.1.1 Les systèmes énergétiques à l’échelle du bâtiment
5.2.1.2 La gestion énergétique au sein du bâtiment
5.2.2 Du bâtiment au quartier intégré dans un écosystème énergétique en pleine transition
5.2.2.1 Etat des lieux de la définition de typologie de quartier en zone urbaine
5.3 Introduction à l’autoconsommation collective
5.3.1 Quelques éléments de compréhension de la réglementation en France
5.3.2 Indicateurs de performances de l’autoconsommation
5.4 Développement de modèle de MPC sur un cas d’étude intégrant de l’autoconsommation collective
5.4.1 Définition du cas d’étude
5.4.1.1 Présentation des systèmes présents
5.4.1.2 Présentation de la décomposition élémentaire et fonctionnel du MPC généré pour le cas d’étude
5.4.1.3 Modélisation du problème d’optimisation représentatif du quartier étudié dans ce chapitre
5.4.2 Présentation des phases de configuration, d’initialisation et de fonctionnement appliquées au cas d’étude en autoconsommation
5.4.2.1 Présentation des données de configuration par l’utilisateur
5.4.2.2 Phase de configuration appliquée au cas d’études
5.4.2.3 Phase d’initialisation appliquée au cas d’études 5
5.4.2.4 Phase de fonctionnement appliquée au cas d’études
5.5 Etude et détermination d’un paramétrage de configuration avec comparaison de deux modèles de zones thermiques avec deux modules de prédiction différents
5.5.1 Etapes, formulations du problème d’optimisation et indicateurs retenus
pour l’étude
5.5.1.1 Présentation des étapes de l’étude à venir
5.5.1.2 Formulation du problème d’optimisation du cas d’étude en autoconsommation collective
5.5.1.3 Indicateurs de performances en post processing de la gestion de l’énergie des MPC 1
5.5.2 Présentation des distributions centralisées et décentralisées et comparaison de leur temps et de qualité de convergence respectifs
5.5.2.1 Description de la distribution centralisée
5.5.2.2 Description de la distribution décentralisée
5.5.2.3 Etude comparative entre approche centralisée et approche décentralisée en terme de temps de calcul et de qualité de convergence
5.5.3 Etude du coefficient de pondération α sur le compromis à faire pour l’objectif purement économique
5.5.3.1 Obtention des courbes de Pareto
5.5.3.2 Test de fiabilité de la formulation et de la configuration par tracé et étude de Pareto
5.5.3.3 Choix d’une valeur du coefficient de pondération en vue de simplifier la formulation afin de se ramener à un problème monoobjectif
5.5.4 Etude de l’effet de l’horizon en fonction des différentes formulations
5.5.4.1 Formulation « autoconsommation »
5.5.4.2 Formulation « économie »
5.5.5 Etude sur les variantes de modèles de zone thermique
5.5.5.1 Formule « autoconsommation »
5.5.5.2 Formule « économie »
5.5.6 Conclusions sur l’étude comparative des variantes
5.6 Conclusion
6 Conclusion générale et perspectives
6.1 Résultats et état d’avancement
6.2 Limites et perspectives
A Annexes
A.1 Caractéristiques thermiques de matériau BTP
A.2 Comparaison de deux outils permettant de résoudre des problèmes du moindre carrés dans le cadre de l’identification de paramètre : curve_fit et lm_fit
A.2.1 Curve_fit
A.2.2 lm_fit
A.2.2.1 Comparaison des deux outils de résolution par la méthode des moindres carrés
A.3 Nomenclature des éléments de représentation graphique du modeleur OMEG’Alpes
A.4 Résultats qualitatif de l’étude comparative entre les distributions centralisées et décentralisées
A.4.1 Formulation « autoconsommation »
A.4.1.1 Indicateurs de performances de fourniture d’eau chaude sanitaire (Tableau A.2)
A.4.1.2 Indicateurs de performances énergétiques (Tableau A.3)
A.4.2 Formulation « économie »
A.4.2.1 Indicateurs de performances de fourniture d’eau chaude sanitaire (Tableau A.4)
A.4.2.2 Indicateurs de performances énergétiques (Tableau A.5)
A.5 Fichier de configuration des logements et occupants pour le chapitre 5
A.6 Fichier de configuration des équipements de chaque logement pour le chapitre 5
A.7 Script d’implémentation des modèles d’otpimisation en intégrant OMEG’Alpes
A.7.1 ThermalZone
A.7.2 Electricgeneration
A.7.3 ZoneSotrage
A.7.4 Electricgrid
A.8 Fichier json de configuration utilisé pour la cas d’étude du chapitre 5
A.8.1 ThermalZone
A.8.2 Electricgeneration
A.8.3 ZoneStorage
A.9 Exemple de paramètrage de la classe MPC_Architect pour le cas d’étude du chapitre 5
|
Télécharger le document complet
