9 R. LAHRECH incertitudes et marge d'erreur · 2013. 4. 29. · Monté Carlo) – Méthode...
Transcript of 9 R. LAHRECH incertitudes et marge d'erreur · 2013. 4. 29. · Monté Carlo) – Méthode...
-
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