Comparatif defréquention dusite Internet de

la FondationBâtiment-

Energie 2011 /2012

!"#$%#'()$*)$+)&,-&.#'/)$0')&%0(12)$3$-2(4$*)$4#$&05#67478#(-'!$9$.#&*7$:;$#; >

?'/)&(82*)@$)8$.#&%)$*A)&&)2&B-,#C*#$"DEBFGE$9$GHIJ

!"#$%#'()$*)$+)&,-&.#'/)$0')&%0(12)$3$-2(4$*)$4#$&05#67478#(-'!$9$.#&*7$:;$#; :

Plan de la présentation

! Partie 1 : place de la modélisation et des outils de calculdans le processus GPE

! Partie 2 : Analyses de sensibilité et de propagationd’incertitudes : principes, quelques exemples

!"#$%#'()$*)$+)&,-&.#'/)$0')&%0(12)$3$-2(4$*)$4#$&05#67478#(-'!$9$.#&*7$:;$#; ;

Partie 1 : place de la modélisation et des outils de calcul dans leprocessus GPE

!"#$%#'()$*)$+)&,-&.#'/)$0')&%0(12)$3$-2(4$*)$4#$&05#67478#(-'!$9$.#&*7$:;$#; K

LA MODELISATION DANS LE PROCESSUS DE LA GPE

La modélisation : un outil nécessaire pour la mise en place et le suivi d’une GPE(GPEI, GRE)

Nécessité d’une précision croissante du modèle depuis la phase pré-étude, la phase contractualisation à la phase suivi

Minimiser les incertitudesCorriger les écarts prévision/réalisé

Audit Energétique

Paramétrage et calibragedu modèle avant travaux

Définition de la référence

Choix et exécution des travaux

Utilisation du modèle ‘calé’ pouroptimisation travaux

Choix des travaux - optimisationCalcul prévisionnel pour

l’engagement, pour l’ajustement

Phase de contractualisation

VérificationGPEI

Outil decalcul peut

servird’arbitre

Pré - études études travaux Réception

Suivi de laperformance

(GRE)

Outil de calcul :aide au suivi

Affinement dumodèle

Compréhension desdérives, anticipation,

etc.

ExploitationMise aupoint

Outil de calcul:

aide à lavérification et àla consolidationdu système de

M&V

Révision del’engagement??

!"#$%#'()$*)$+)&,-&.#'/)$0')&%0(12)$3$-2(4$*)$4#$&05#67478#(-'!$9$.#&*7$:;$#; L

LA MODELISATION DANS LE PROCESSUS DE LA GPE

! le modèle thermique

" Simplifié" Détaillé" Dynamique" Etc..

Nécessité de choix d’un modèle adapté

! Le type d’engagement

" En valeur absolue / En écart par rapport à une situation deréférence

" Pour toutes les consommations d’énergie / pour lesconsommations d’énergie de certains usages, etc.

" A usage et fonctionnement identiques à la situation initiale /définis par le MO/ etc.

" GPEI et GRE, uniquement GRE, etc.

!"#$%#'()$*)$+)&,-&.#'/)$0')&%0(12)$3$-2(4$*)$4#$&05#67478#(-'!$9$.#&*7$:;$#; M

LA MODELISATION DANS LE PROCESSUS DE LA GPEQuelques définitions

! Variables statiques : variables dont l’évolution dans le temps est très lente,exemples :" Coefficient Up des parois opaques" Rendement nominal d’un générateur établi selon une norme" Facteur solaire d’une protection solaire" ..

! Variables dynamiques : variables qui évoluent ou peuvent évoluer rapidement,exemples :" Climat ( température extérieure, ensoleillent, vent, etc.)" Température de consigne ( l’usager ou le manager peut la changer

régulièrement)" L’occupation du bâtiment" Débit de renouvellement d’air" ..

! Variable critique : donnée d’entrée du modèle dont l’incertitude présente un fortimpact sur la variable d’intérêt.

! Variable d’intérêt : variable de sortie du modèle considérée comme indicateur deperformance pour l’engagement de garantie

Donnéesd’entrée dumodèlePeuvent êtrecritiques

!"#$%#'()$*)$+)&,-&.#'/)$0')&%0(12)$3$-2(4$*)$4#$&05#67478#(-'!$9$.#&*7$:;$#; N

LA MODELISATION DANS LE PROCESSUS DE LA GPELa Phase Audit

Principalement survariables statiques

PAGE 7

variables d’entrée

Variable 1

Variable 2

Variable n

Analyse desensibilité sur labase du modèleV0

Minimisation des erreurssur les variables

critiques

! ETAPE 1 : paramétrage du modèle

LA MODELISATION DANS LE PROCESSUS DE LA GPELa Phase Audit

! ETAPE 2 : calibrage du modèle

Consommationfacturée

Propagationd’incertitudes

Erreurs données entrées(intrinsèques)

minimisées calibrage+

Modèle calé

Calibrage des modèles : nécessité d’une méthode solide# Reproductibilité et robustesse# Analyse de sensibilité# Incertitudes de sortie# Précision : qualité du modèle de calibration

LA MODELISATION DANS LE PROCESSUS DE LA GPELa Phase choix et exécution des travaux

$ Simulation de l’impact de différents bouquets de travaux et d’amélioration sur labase du modèle calé (modèle V2)

$ Optimisation et choix du bouquet de travaux à mettre en oeuvre

$ Simulation de l’impact des travaux pour fonctionnement futur

$ Analyse de sensibilité pour :# déterminer les variables critiques après travaux,# affiner bouquet de travaux,# pour déterminer variables d’ajustement et méthode

d’ajustement

$ Propagation d’incertitudes pour fixer niveau d’exigence

Variable d’ajustement : variable prise en compte pour moduler le niveau d’engagementExemple : climat

Méthode d’ajustement : fonction de modulation du niveau d’engagement en fonction desvariables d’ajustement

LA MODELISATION DANS LE PROCESSUS DE LA GPELa phase suivi en exploitation

! Aide au suivi de l’engagement : utilisation du modèle calé et en continuelaffinement en phase suivi et exploitation

$ Pour détecter les dérives

$ Pour mieux comprendre le fonctionnement du bâtiment

$ Pour anticiper afin d’atteindre les objectifs de l’engagement

$ Pour prédire l’impact de changements ponctuels ou à venir

$ ..

Affinement du modèle

Phase exploitation - Système de M&V

!"#$%#'()$*)$+)&,-&.#'/)$0')&%0(12)$3$-2(4$*)$4#$&05#67478#(-'!$9$.#&*7$:;$#; >>

Partie 2 : Analyses de sensibilité, propagation d’incertitudes

PrincipesExemples d’application

!"#$%#'()$*)$+)&,-&.#'/)$0')&%0(12)$3$-2(4$*)$4#$&05#67478#(-'!$9$.#&*7$:;$#; >:

Analyse de sensibilité et d’incertitudeprincipes

L’analyse de sensibilité globale est une méthode qui permet de :

# quantifier l’influence des différentes variables et paramètres surla variabilité de la réponse d’un modèle (variable d’intérêt)

# détecter des interactions entre les différentes entrées ;# résumer un modèle complexe sous la forme d’un méta-modèle

plus facilement manipulable.

Identifier lesvariablescritiques

L’analyse et la propagation des incertitudes permet de donner des informationssur l’incertitude associée à la variable d’intérêt calculée au regard desincertitudes sur les variables critiques

!"#$%#'()$*)$+)&,-&.#'/)$0')&%0(12)$3$-2(4$*)$4#$&05#67478#(-'!$9$.#&*7$:;$#; >;

La méthode de Morris permet de classer les variables d’un modèle en troiscatégories.

1. Entrées ayant des effets négligeables (µ* et s faibles)2. Entrées ayant des effets linéaires et sans interaction(µ* élevé, s faible)3. Entrées ayant des effets non linéaires et/ouavec interactions – sans distinction de ces deux types d’effets (s élevé)

L’hypercube des variables analysées est exploré discrètement en suivant r plansd’expérience. Chaque plan d’expérience :• est initialisé par tirage aléatoire dans l’espace discrétisé des variables d’entrée ;• consiste en la perturbation successive de chaque variable d’entrée (OAT ou «One At a Time »).

La méthode de Morris nécessite ainsi r.(p+1) expériences où p est le nombre devariables. Il s’agit d’une méthode de criblage

Analyse de sensibilitéMéthode de Morris - principe

!"#$%#'()$*)$+)&,-&.#'/)$0')&%0(12)$3$-2(4$*)$4#$&05#67478#(-'!$9$.#&*7$:;$#; >K

! Calcul à chaque expérience un effet élémentaire de la variable perturbée (Xi),

Effet élémentaire = la variation de la réponse du modèle relativement à la perturbation.r plans d’expériences pour chaque variable Xi > un ensemble de r effets élémentaires pour chaquevariable Xi

Analyse de sensibilitéMéthode de Morris – mesure de la sensibilité

µ*

s

Homogénéisation des indicateurs par dimensionnement des effetsélémentaires par l’écart type

! Mesure de la sensibilité – 2 indicateurs% µ* : la moyenne des valeurs

absoluesvaleur importante effets importants (en moyenne)modèle sensible aux variations de l’entrée

% s : l’écart type des effetsélémentaires, est une mesure desinteractions et des effets nonlinéaires

valeur importante :effets qui dépendent :• soit de l’entrée elle-même : effet non linéaire• soit des autres entrées : interaction(la méthode ne permet pas de distinguer les 2 cas)

Forte variabilitéde l’indicateur= effetcomplexe ( nonlinéaire/interaction)

Faiblevariabilité del’indicateur= effet simple(linéaire)

Faiblevariation de Y= effet faible

Fortevariation de Y= effet fort

x1

x2

x3 x7

x5

x6

x4

!"#$%#'()$*)$+)&,-&.#'/)$0')&%0(12)$3$-2(4$*)$4#$&05#67478#(-'!$9$.#&*7$:;$#; >L

Analyse de sensibilitéMéthode de Morris – mesure de la sensibilité

!"#$%#'()$*)$+)&,-&.#'/)$0')&%0(12)$3$-2(4$*)$4#$&05#67478#(-'!$9$.#&*7$:;$#; >M

Analyse d’incertitude

L’analyse d’incertitude est effectuée à partir d’un tirage aléatoire simple (typeMonté Carlo) – Méthode recommandée dans le cadre de la simulation thermiquedu bâtiment

Incertitude sur les consommations :

!estimée en probabilisant les données’entrée d’un code de calcul thermique et enpropageant leurs incertitudes par simulationnumérique

!ce qui est recherché : un intervalle dans lequelon pourra estimer que se trouve la ‘valeur vraie’avec une probabilité ! , C’est un intervalle detolérance , cette estimation sera elle mêmeaffectée d’une incertitude "

!"#$%#'()$*)$+)&,-&.#'/)$0')&%0(12)$3$-2(4$*)$4#$&05#67478#(-'!$9$.#&*7$:;$#; >N

Analyse d’incertitude

La détermination d’une incertitude élargie à 90% consiste alors à la donnée desrangs de la borne inférieure et supérieure d’un intervalle majorant l’intervallethéorique dans 90% des tirages. On parle d’un niveau de confiance de 90%

L’incertitude élargie à 90% avec un niveau deconfiance de 90% est appelé incertitude 90- 90.

!"#$%#'()$*)$+)&,-&.#'/)$0')&%0(12)$3$-2(4$*)$4#$&05#67478#(-'!$9$.#&*7$:;$#; >O

Analyse de sensibilité et d’incertitudeLes difficultés

! Pour l’analyse de sensibilité, déterminer pour les données d’entrée du modèlethermique des intervalles d’incertitude et son écart type.

! Pour la propagation d’incertitude, déterminer pour les variables critiques :! La loi de distribution de la probabilité de l’incertitude! L’incertitude élargie à 90%! l’intervalle propagé Variable Loi

Incertitudeélargie à 90%

Intervalle propagé(normalisé parl’espérance)

Valeur deréférence

(bibliographie)

Longueurs U 5% (DE) [0.95 , 1.05]

Surfaces T 7% (MC) [0.82 , 1.18]

Coefficient detransmission

surfacique desparois opaques

T 22% (MC) [0.68 , 1.32] 20%

Coefficient detransmission

surfacique desbaies vitrées

U 14% (ST) [0.84 , 1.16] 16%

Apportsmétaboliques

sensiblesN 6% (CQ) [0.91 , 1.09]

Apportsmétaboliques

latentsN 25% (CQ) [0.61 , 1.39]

Apportsbureautique

N 30% (CQ) [0.53 , 1.47]

Apportséclairage

N 25% (CQ) [0.61 , 1.39]

!"#$%#'()$*)$+)&,-&.#'/)$0')&%0(12)$3$-2(4$*)$4#$&05#67478#(-'!$9$.#&*7$:;$#; >P

Analyse de sensibilité et d’incertitudeExemples

!"#$%&'()*(+,-&./01+2,34&.5"*%34 67 /6 89&:&.;-LR XD$TPU

B*"I2J&%?-)1(,&%)("C1*CC*2"D2-ED*-"%

.5J34&.BF1AGH34Q >MR XD$TPU

82,I&+)*I>-&%?-)1(,&%)("C1*CC*2"D2-ED*-"%&.KC*8+)34&.BF1GH34

Q KLR XD$TPU

B(,,&C2,()&?-(L">&>(*"&D2-ED*-"%&./#34.M34

I LOR VGH$TPU

B*"I2J&C2,()&?-(L">&>(*"&D2-ED*-"%./J34&.M34

Q ;=R XD$TPU

B*"I2J&'*C*+,-&%)("C1*N("D-&.7,J34 Q ;=R FJD!"O,%)(L2"&P2J)(%-&$"I-)&Q&K(-)

-"'-,2#-&()-(&$"*%&.R!"=U

Table 1, standard deviation characterizing uncertainty on ENVELOPinput dataDT = Distribution Type – U: Uniform, T: TriangularSD = standard deviationCM = characterizing method – PE: Propagation oferror, MCS: Monte Carlo simulation, DA: dispersionanalysis, EBA: Experience based assessment

0.002 0.005 0.010 0.020 0.050 0.100 0.200

0.00

10.

002

0.00

50.

010

0.02

00.

050

0.10

00.

200

sample mean modulus of the so-called elementary effects [|̄ d|]

sam

ple

stan

dard

dev

iatio

n [s

]

Sensitivity analysis on Cep (kWhep/m_.year)

Surf

hb

L_ptth

S_m

S_plb

S_plh

S_vit

Uplb

UplhUm

Uw

Pt_th

Fs_opFs_vit

Tau_tl

Iquotq4

COP

EER Tcons_ch

Tcons_fr

Ventil_d

Ventil_p

Ventil_Tan

Ecl

BuildingHVACLighting

!"#$%#'()$*)$+)&,-&.#'/)$0')&%0(12)$3$-2(4$*)$4#$&05#67478#(-'!$9$.#&*7$:;$#; :=

Analyse de sensibilité et d’incertitudeExemples

Histogram and density probability function of Cep

Cep kWhep/m_.year

Dens

ity

300 320 340 360 380 400

0.000

0.005

0.010

0.015

0.020

Expanded uncertainty 90/90

!"#$%#'()$*)$+)&,-&.#'/)$0')&%0(12)$3$-2(4$*)$4#$&05#67478#(-'!$9$.#&*7$:;$#; :>

Analyse de sensibilité et d’incertitudeExemples

G#@$*A2')$.#7@-'$7'*7

!"#$%#'()$*)$+)&,-&.#'/)$0')&%0(12)$3$-2(4$*)$4#$&05#67478#(-'!$9$.#&*7$:;$#; ::

Conclusions

! Importance des outils de simulation dans la prédiction de la performanceénergétique des bâtiments

! Nécessité de réduire l’incertitude sur les valeurs simulées prévisionnelles dela performance énergétique$ Calage des modèles :

# Paramétrage en minimisant les incertitudes des variables d’entrée# Calibrage en utilisant des méthodes robustes basées sur les

analyses de sensibilité et sur les incertitudes en sortie

Les méthodes d’analyses de sensibilité et de propagation d’incertitudes : deséléments nécessaires pour le paramétrage et le calibrage des modèles etpour une prévision de la performance énergétique dans un intervalle deconfiance donné