Professional Documents
Culture Documents
Ilham Amezzane
Doctorante
LaRIT- Universit Ibn Tofail
11 Juillet 2016
Plan
Contexte
Confort thermique et consommation dnergie
Stratgies de contrle
Conclusion
Contexte
Contexte
Plan
Contexte
Confort thermique et consommation dnergie
Stratgies de contrle
Conclusion
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
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
vitesse du mtabolisme,
l'isolation des vtements,
la temprature et la vitesse de l'air ,
l'humidit de lair
la temprature moyenne de rayonnement.
Plan
Contexte
Confort thermique et consommation dnergie
Stratgies de contrle
Conclusion
11
12
13
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)
()Faible
efficacit nergtique.
()Mcanismes
Limitations:
15
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
17
18
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
19
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
21
22
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
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
25
26
Floue (FL);
Rseaux de Neurones Artificiels (ANN);
Neuro-Floue (ANN-FL).
27
28
()Limitation:
30
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
Limitations
PID
MPC
ADAPTATIVE
OPTIMALE
FUZZY
ANN
NEURO-FUZZY
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.
[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