Stratgies de contrle de la temprature

et de la consommation d'nergie pour les

systmes CVC dans les btiments:
Synthse bibliographique

Ilham Amezzane
Doctorante
LaRIT- Universit Ibn Tofail
11 Juillet 2016

Plan
Contexte
Confort thermique et consommation dnergie
Stratgies de contrle
Conclusion

Contexte

Dans lUnion europenne, le secteur du btiment est le premier consommateur

dnergie.
Absorbe environ 40% de la consommation totale dnergie finale .
Rejette environ 36% des missions de CO 2 .
Au Maroc il reprsente 25% de la consommation nergtique totale du pays.
Consommation appele augmenter rapidement dans le futur suite lvolution
du parc dhabitation induit par les grands chantiers programms.

Contexte

Solutions passives: rduire la consommation dnergie grce une

meilleure performance intrinsque.

Solutions actives: utiliser lnergie juste ncessaire par une

gestion active des quipements.

Plan
Contexte
Confort thermique et consommation dnergie
Stratgies de contrle
Conclusion

Confort thermique et consommation dnergie

Les gens vivent l'intrieur des btiments plus de la moiti de leur vie.
Confort thermique: un Etat d'esprit exprimant la satisfaction concernant
l'environnement thermique ( ISO 7730, ASHRAE 55])
Un bon systme de rgulation des systmes CVC doit pouvoir intgrer les
solutions actives, en plus dassurer le meilleur compromis confort thermique/
consommation d'nergie.

Confort thermique

ANSI / ASHRAE 55-2010 dfinit les conditions thermiquement acceptables pour

les occupants des environnements intrieurs.

Typiquement dcrit par lindice appel PMV (Predicted Mean Vote).

Le PMV, a des valeurs entre -3 et 3.

Les conditions de confort sont atteintes si le PMV appartient la plage [-0,5 0,5]
que l'on souhaite dans un btiment.
8

Confort thermique

Plusieurs facteurs influent sur le PMV:

la

vitesse du mtabolisme,
l'isolation des vtements,
la temprature et la vitesse de l'air ,
l'humidit de lair
la temprature moyenne de rayonnement.

La plage de temprature idale n'est pas la mme au repos, au travail ou en

pleine activit physique.

Confort thermique et consommation dnergie

Toprative = (Tair + Tparois) / 2

La temprature oprative peut tre utilise au lieu d'utiliser la temprature de

lair intrieur comme entre pour le systme de contrle.
Peut tre estime assez bien en utilisant d'autres variables, telles que la
temprature extrieure, la consommation des quipements lectriques, le
moment de la journe, etc.
Possibilit dobtenir un meilleur climat intrieur et une consommation plus
faible de l'nergie dans les espaces o la temprature oprative diffre beaucoup
souvent de la temprature de l'air.
10

Plan
Contexte
Confort thermique et consommation dnergie
Stratgies de contrle
Conclusion

11

Stratgies de contrle de la temprature et de

lnergie dans les systmes CVC

La ralisation du confort thermique peut conduire une forte consommation

d'nergie.
Les tentatives visant rduire la consommation d'nergie peuvent agir au
dtriment du confort, surtout dans les btiments avec des systmes anciens.
Un systme CVC est un systme complexe, non-linaire, multi-entres, multisorties (MIMO) et il est influenc par des perturbations et des incertitudes telles
que la temprature de l'air extrieur ou les activits des occupants.

12

Stratgies de contrle de la temprature et de

lnergie dans les systmes CVC
Quatre catgories principales :
(i) classiques;
(ii) avances;
(iii) intelligentes ;
(iv) hybrides.
Il existe un certain chevauchement entre les diffrentes techniques.

13

Les techniques classiques:

TOR vs PID

La rgulation TOR est un type de rgulation qui naccepte que les entres binaires

La rgulation PID :

Proportionnel (P)
(ii) Intgral (I)
(iii) Driv (D).
(i)

Pour les deux mcanismes:

()Structure
()Cot

simple et faible cot initial

d'entretien des actionneurs assez lev

()Faible

efficacit nergtique.

()Mcanismes

de contrle rtroaction (Feedback)

14

Les techniques classiques:

TOR vs PID

Les rgulations P et PI sont les plus utilises

Limitations:

Incapable de grer les perturbations alatoires

l'interaction thermique entre leszonesconduit un comportement multi
variable.
PID standard suppose un systme entre unique - sortie unique (SISO), lors de
l'analyse, ce qui peut provoquer des carts inacceptables.

15

Les techniques classiques:

TOR vs PID

Un rgulateur TOR avec zone morte est plus avantageux au niveau de lefficacit
nergtique quun rgulateur PID, dans les cas o seulement le chauffage ou le
refroidissement est contrl.
Dans le cas o le mme rgulateur TOR est utilis pour le chauffage et le
refroidissement la fois, il peut ne pas tre le rgulateur convenable.
Dans ce cas ci, la commande P, PI, ou PID peut tre le meilleur choix au niveau
de lefficacit nergtique.

16

Les techniques classiques:

Feed-forward vs Feedback
Feedback:

une meilleure attnuation des

perturbations de processus
basse frquence ;
une meilleure robustesse par
rapport aux systmes sans
Feedback.

17

Les techniques classiques:

Feed-forward vs Feedback
Feed-forward

souvent utilis pour compenser

les variations des
tempratures extrieures.
permet dliminer une
perturbation avant qu'elle
naffecte effectivement le signal
de sortie d'un processus.

18

Les techniques classiques:

Feed-forward vs Feedback

Signaux de commande possibles pour le Feed-forward:

rayonnement du soleil,
nombre doccupants dans une pice,
chaleur dgage des quipements lectriques,
vitesse et direction du vent,
temprature dans les pices adjacentes,
ouverture et fermeture des fentres,
dbit de ventilation..etc

Lutilisation de Feed-forward partir de perturbations internes donne une

meilleure performance de rgulation en mme temps quune rduction de
lnergie.

19

Les techniques classiques:

Thermostats

Elment commun de nombreux systmes de rgulation de temprature.

Thermostats modernes plus dvelopps que les anciens.

Construits autour dun microcontrleur embarqu, ce qui rend possible de nouvelles

fonctions, par exemple :

Rduction de consigne programme, par exemple rduction de 3 C entre 11h am et 18h pm.
Dtection si oui ou non il y a des occupants dans la salle et la capacit de changer le
fonctionnement selon ces informations.
Une option qui ferme la vanne thermostatique lorsque les fentres sont ouvertes dans la pice.
Implmentation du contrle Feed-forward en utilisant les signaux de perturbations intrieures
mesurables.

20

Les stratgies avances

Utilisent gnralement un modle dynamique du systme contrler, et

prsentent des caractristiques non linaires.
Largement utilises dans la rgulation des btiments.
Trois approches diffrentes :
prdictive;
adaptative;
optimale.

21

Les stratgies avances:

Prdictive
Avantages:

Robustesse face aux perturbations et aux changements,

Contrle multi variable,

Amlioration de la rponse au rgime permanent,

Prdiction des perturbations futures,

Prdiction des actions de commande futures.

22

Les stratgies avances:

Prdictive

Lidentification du modle est la pierre angulaire

Possibilit d'utiliser : bote noire, bote grise et bote blanche.

La prcision des modles guids par les donnes est leve par rapport aux
modles bass sur la physique.
Les modles guids par les donnes (Data driven models) utilisent:
les rseaux neuronaux artificiels (ANN),
la logique floue (FL),
les machines vecteurs de support (SVM),
les modles statistiques.
Dpendent de la qualit des donnes mesures.
23

Les stratgies avances:

Adaptative

Non linaire applicable des processus ayant une dynamique changeante dans
les conditions normales d'exploitation soumises des perturbations
stochastiques.
Contrlent les processus en boucle ferme et l'information sur les
caractristiques du systme est obtenue en temps rel pendant que le systme
est en fonctionnement.
Mesure un indice de performance particulire en utilisant les entres, les tats,
les sorties et les perturbations connues.
Peut tre interprte comme un systme Feedback o la variable contrle est
l'indice de performance (PI).

24

Les stratgies avances:

Adaptative

La boucle Feedback principale gre les variations du signal de processus et la boucle

Feedback secondaire gre les changements des paramtres du processus, ce qui fait que la
rgulation est adaptative.

25

Les stratgies avances:

Optimale

Permet danticiper l'volution du systme afin de minimiser une fonction de cot

qui peut facilement comprendre un terme li au confort et un terme li
l'nergie.
Sappuie sur les modles de type bote blanche, bote grise ou bote
noire.
Les modles de type bote grise sont bien adapts l'optimisation car
sexcutent rapidement et sont assujettis aux contraintes.

26

Les mthodes intelligentes

En rgulation intelligente, aucun modle mathmatique nest ncessaire pour la

configuration du rgulateur qui est uniquement base sur la perception humaine
du confort thermique.

Trois sous-catgories principales:

Logique

Floue (FL);
Rseaux de Neurones Artificiels (ANN);
Neuro-Floue (ANN-FL).
27

Les mthodes intelligentes: FL

La logique floue peut exprimer le confort thermique dune faon linguistique, ce

qui rsulte en une meilleure efficacit.
Il existe plusieurs mthodes, par exemple:
Fuzzy P
PID-like Fuzzy
Ces mthodes sont capables d'approximer uniformment une fonction non
linaire un quelconque degr de prcision et fournissent galement un
fonctionnement rapide.

28

Les mthodes intelligentes: ANN

Avantages :
(i)
un grand nombre de variables d'entre;
(ii) un grand nombre de donnes d'entre.
()Les

ANN peuvent galement tre utiliss pour gnrer un modle de

rgulation adaptative en considrant, entre autres, l'indice de niveau
d'activit et de l'habillement des occupants de l'espace.

()Limitation:

le rseau prend beaucoup de temps pour apprendre, et cela

fait que le systme a une rponse lente pour garder lindice PMV zro.
29

Les mthodes intelligentes: ANN-FL

Dfi de la technique FL: production de

rgles floues optimales et dtermination
des fonctions d'appartenance pour une
meilleure rgulation.
Solution : Systme d'infrence neuro-flou
adaptatif.
Exemple: un modle ANN-FL pour la
rgulation de la temprature intrieure.

Un ANN est utilis pour produire les

prvisions de la temprature intrieure.
L'activation du contrleur FL se rfre la
diffrence T entre la valeur de T i (k) prdite
l'instant k et de la valeur de Ti (k-n) de la
temprature intrieure mesure l'instant
(k-n)

30

Les mthodes hybrides

Les rgulateurs hybrides sont obtenus par la fusion des techniques

intelligentes et les techniques classiques ou avances.
Exemples prcdents: Fuzzy- PID, Neuro adaptatif et ANN-FL.
La combinaison peut rsoudre des problmes qui ne peuvent pas tre rsolus par
le rgulateur individuel.
Limitation: La conception de la partie intelligente ncessite une exprience
utilisateur et une immense quantit de donnes pour la formation (training),
tandis que la partie classique ou avance est dure rgler .
31

Plan
Contexte
Confort thermique et consommation dnergie
Stratgies de contrle
Conclusion

32

Conclusion

Les mthodes classiques sont toujours le premier choix dans les btiments
aujourd'hui en raison de leur faible cot initial et leur simplicit de mise en uvre.
Toutefois, elles sont caractrises par un cot d'entretien et une consommation
d'nergie leve, et ne peuvent pas tre utilises efficacement dans des systmes de
type MIMO comme les systmes CVC.
Les mthodes avances et intelligentes pourraient tre une approche alternative et
gagnent de plus en plus dattention, surtout, quelles peuvent tre utilises pour
mettre niveau les rgulateurs traditionnels existants.
33

Avantages et limitations des stratgies de contrle

Stratgie de
rgulation
TOR

Avantages

Limitations

Faible cot initial, structure simple, rponse rapide, type

Feedback

PID

Type Feedback, le terme D lutte contre les changements

soudains dans les charges du systme

MPC

conomie d'nergie amliore, rentable, robustesse aux

perturbations, contrle de plusieurs variables, amlioration de
la rponse en rgime permanent, prvision
des perturbations futures, prvision des actions de commande
futures, meilleure rponse transitoire, traite les processus
lents
avec retards
conomie d'nergie amliore, bonne stabilit, paramtres
peuvent tre changs rapidement en rponse des
changements dans la dynamique du processus, facile
appliquer, ragit rapidement
conomies d'nergie amliore, rponse rapide, contrle multi
variable.
Mthode de rgulation non linaire et peut tre applique aux
systmes CVC efficacement, grande prcision, fonctionnement
rapide

Accepte seulement entres binaires, souvent

incapable de suivre la consigne avec prcision et
donc pourrait tre inefficace, Non souple et non
efficace dans le long terme
Peu de bruit de mesure et de processus peuvent
provoquer de grandes variations dans la sortie en
raison du terme driv, inefficacit nergtique, le
rglage (Tuning) est consommateur de temps
Besoin d'identifier un modle appropri du systme,
l'installation pourrait tre coteuse

ADAPTATIVE

OPTIMALE
FUZZY

ANN
NEURO-FUZZY

Traite un grand nombre de variables d'entre et de donnes,

prdictions fiables
La combinaison peut laborer des rgles floues optimales et
dterminer des paramtres de fonction d'appartenance

Besoin d'identifier un modle appropri du systme,

la conception requise pour limplmentation est
norme
Besoin d'identifier un modle appropri du systme
Peut utiliser seulement un nombre limit de
variables d'entre, dveloppement dun nombre
optimal des rgles de logique floue et la
dtermination des paramtres de fonctions
dappartenance nest pas simple
Exige un grand nombre de donnes pour la qualit
de prvisions
Peut utiliser seulement un nombre limit de
variables d'entre

34

Rfrences

[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. Gteborg : 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, 11151122.
[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, 777783.
[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] Prvara, 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

Rfrences

[12] Ky Le, 2008, Gestion optimale des consommations d'nergie dans les btiments, 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. Chambry,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, Energies2014,7(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