Identification of a building thermal behavior model from its load curve
Identification d'un modèle de comportement thermique de bâtiment à partir de sa courbe de charge
Résumé
In a context of permanent concern of energy saving, the importance of developing strategies to minimize the energy consumption of a building is not to be any more demonstrated. Whether these strategies consist in recommending building insulation, suggesting the modification of the management of heating/air conditioning systems or advising the change of certain occupants' habits, a preliminary step of characterizing the thermal behavior of the building turns out inevitable.
Contrary to the previous studies, the approach developed here does not require instrumentation of the building. Also, we consider buildings in normal occupation, that is in the presence of heating regulator, which is an additional unknown of the problem. So, we identify a global system of the building together with its heating system from:
meteorological data of the closest Meteo France station; reference indoor temperature reconstructed by sector-based knowledge; heating consumption collected either from Building Management Systems or from smart meters; other heat supply (like lighting or presence of persons) estimated by sector-based and thermal knowledge. The identification is made at first by estimation of the parameters (7) defining the global model, by minimizing one step prediction error. Then we adopted an approach of bayesian inversion which provides a simulation of the posterior distributions of parameters and building indoor temperature.
The analysis of the stochastic simulations aims at studying the contribution of additional knowledge of the problem (typical values of the parameters) and at showing the limits of the modeling hypotheses in the case of certain real data sets.
Contrary to the previous studies, the approach developed here does not require instrumentation of the building. Also, we consider buildings in normal occupation, that is in the presence of heating regulator, which is an additional unknown of the problem. So, we identify a global system of the building together with its heating system from:
meteorological data of the closest Meteo France station; reference indoor temperature reconstructed by sector-based knowledge; heating consumption collected either from Building Management Systems or from smart meters; other heat supply (like lighting or presence of persons) estimated by sector-based and thermal knowledge. The identification is made at first by estimation of the parameters (7) defining the global model, by minimizing one step prediction error. Then we adopted an approach of bayesian inversion which provides a simulation of the posterior distributions of parameters and building indoor temperature.
The analysis of the stochastic simulations aims at studying the contribution of additional knowledge of the problem (typical values of the parameters) and at showing the limits of the modeling hypotheses in the case of certain real data sets.
Dans un contexte de préoccupation accrue d'économie d'énergie, l'intérêt que présente le développement de stratégies visant à minimiser la consommation d'un bâtiment n'est plus à démontrer. Que ces stratégies consistent à recommander l'isolation des parois, à améliorer la gestion du chauffage ou à préconiser certains comportements de l'usager, une démarche préalable d'identification du comportement thermique de bâtiment s'avère inévitable.
Contrairement aux études existantes, la démarche menée ici ne nécessite pas d'instrumentation du bâtiment. De même, nous considérons des bâtiments en occupation normale, en présence de régulateur de chauffage : inconnue supplémentaire du problème. Ainsi, nous identifions un système global du bâtiment muni de son régulateur à partir de :
données de la station Météo France la plus proche ; la température de consigne reconstruite par connaissance sectorielle ; la consommation de chauffage obtenue par système de Gestion Technique du Bâtiment ou par compteur intelligent ; autres apports calorifiques (éclairage, présence de personnes...) estimés par connaissance sectorielle et thermique. L'identification est d'abord faite par estimation des paramètres (7) définissant le modèle global, en minimisant l'erreur de prédiction à un pas. Ensuite nous avons adopté une démarche d'inversion bayésienne, dont le résultat est une simulation des distributions a posteriori des paramètres et de la température intérieure du bâtiment.
L'analyse des simulations stochastiques obtenues vise à étudier l'apport de connaissances supplémentaires du problème (valeurs typiques des paramètres) et à démontrer les limites des hypothèses de modélisation dans certains cas.
Contrairement aux études existantes, la démarche menée ici ne nécessite pas d'instrumentation du bâtiment. De même, nous considérons des bâtiments en occupation normale, en présence de régulateur de chauffage : inconnue supplémentaire du problème. Ainsi, nous identifions un système global du bâtiment muni de son régulateur à partir de :
données de la station Météo France la plus proche ; la température de consigne reconstruite par connaissance sectorielle ; la consommation de chauffage obtenue par système de Gestion Technique du Bâtiment ou par compteur intelligent ; autres apports calorifiques (éclairage, présence de personnes...) estimés par connaissance sectorielle et thermique. L'identification est d'abord faite par estimation des paramètres (7) définissant le modèle global, en minimisant l'erreur de prédiction à un pas. Ensuite nous avons adopté une démarche d'inversion bayésienne, dont le résultat est une simulation des distributions a posteriori des paramètres et de la température intérieure du bâtiment.
L'analyse des simulations stochastiques obtenues vise à étudier l'apport de connaissances supplémentaires du problème (valeurs typiques des paramètres) et à démontrer les limites des hypothèses de modélisation dans certains cas.
Loading...