Controle predictif dune chaufferie collective

multi-energie : un cas detude

Julien Eynard, Stephane Grieu, Monique Polit

To cite this version:

Julien Eynard, Stephane Grieu, Monique Polit. Controle predictif dune chaufferie collectivemulti-energie : un cas detude. 4e`mes Journees Doctorales / Journees Nationales du GDRMACS, Jun 2011, Marseille, France. pp.11-16.

HAL Id: hal-00624825

https://hal.archives-ouvertes.fr/hal-00624825

Submitted on 19 Sep 2011

HAL is a multi-disciplinary open accessarchive for the deposit and dissemination of sci-entific research documents, whether they are pub-lished or not. The documents may come fromteaching and research institutions in France orabroad, or from public or private research centers.

Larchive ouverte pluridisciplinaire HAL, estdestinee au depot et a` la diffusion de documentsscientifiques de niveau recherche, publies ou non,emanant des etablissements denseignement et derecherche francais ou etrangers, des laboratoirespublics ou prives.

JD-MACS2011Contrle prdictif dune chaufferie collective

multi-nergie : un cas dtude

Julien Eynard1, Stphane Grieu1, Monique Polit1

1 Laboratoire PROMES-CNRS, Universit de Perpignan Via Domitia,52 avenue Paul Alduy, 66860 Perpignan Cedex 9, France

julien.eynard@univ-perp.fr, grieu@univ-perp.fr, polit@univ-perp.fr

Rsum Les travaux prsents portent sur loptimisationdune chaufferie collective multi-nergie (bois, gaz et fioul),situe La Rochelle, qui fournit leau chaude sanitaire et lechauffage des btiments publics et des logements. Dansun premier temps, une combinaison de botes blanches, debotes grises et de botes noires a permis de modliser lachaufferie via une approche modulaire. Ensuite, une cuvede stockage nergtique a t modlise et intgre au mo-dle de la chaufferie. Grce ces modles et un module deprdiction de la temprature extrieure et de la puissancethermique consomme par le rseau de chaleur, un contr-leur prdictif a t dvelopp pour optimiser lutilisationde la cuve de stockage et de la chaudire bois. Les rsul-tats obtenus en simulation montrent une rduction signifi-cative de la consommation dnergie fossile et des missionsde CO2. Lnergie est stocke lorsque la puissance deman-de est faible et utilise lors de pics de consommation, cequi limite lutilisation de la chaudire gaz-fioul.Mots-cls Chaufferie, stockage nergtique, modlisation,prdiction, rseaux de neurones, ondelettes, contrle pr-dictif.

I. Introduction

Depuis la fin du XXme sicle, le Groupe dexperts Inter-gouvernemental sur lvolution du Climat (GIEC) [1] estle corps scientifique de rfrence concernant le changementclimatique. Les principales observations ralises amnent penser que lune des causes de ce changement est lac-tion anthropique, notamment lutilisation dnergies fos-siles mettrices de Gaz Effet de Serre (GES). Avec la findu protocole de Kyoto en 2012, protocole qui imposait unerduction lchelle globale de ces missions, lUnion Eu-ropenne a dcid, pour 2020, de promouvoir lutilisationdes nergies renouvelables [2] (20 %), de rduire les mis-sions de GES [3] (20 %) et damliorer lefficacit ner-gtique (+20 %). Cet article prsente les travaux ralissdans le cadre du projet Opti-EnR [4] portant sur lopti-misation dune chaufferie collective multi-nergie situe La Rochelle (France) et gre par Cofely GDF-Suez. Celle-ci fournit leau chaude sanitaire et le chauffage des lo-gements et des btiments publics. Cette chaufferie, d-crite dans la section II, exploite des ressources renouve-lables (bois) et fossiles (gaz et fioul). Lobjectif principaldu projet, termin fin 2010, tait doptimiser le fonction-nement de cette chaufferie en minimisant le recours auxnergies fossiles. Ce dernier a pu tre atteint grce au bondroulement des quatre tches dcrites par la figure 1. La

Fig. 1. Le projet Opti-EnR

premire tche (section III) a port sur la modlisation dela chaufferie. En raison de la complexit de cette instal-lation et des interactions entre les diffrents lments quila constituent, une approche modulaire a t choisie. Descampagnes de mesures ainsi que des mthodes de mod-lisation varies, permettant de dvelopper des modles deconnaissance, paramtriques ou de type botes noires, ontt utilises. Lapproche la plus intressante pour optimi-ser ce type de chaufferie tant davoir recours un systmede stockage nergtique, nous avons propos dintgrer ausite une cuve deau chaude stratifie (section IV). Enfin,un contrleur prdictif (MPC) a t dvelopp pour opti-miser lutilisation de cette cuve de stockage (section VI).Il exploite les modles prcdemment dvelopps ainsi quedes prdictions de la temprature extrieure et de la puis-sance thermique consomme par le rseau de chaleur, four-nies par un module de prdiction (section V). La section VIprsente les rsultats obtenus en simulation et met en avantle potentiel de lapproche propose pour la rduction de laconsommation dnergie fossile et des missions de CO2.

II. La chaufferie collective de La Rochelle

La chaufferie collective de La Rochelle est constitue dediffrents lments, reprsents en noir sur la figure 2. Lecircuit hydraulique du collecteur connecte les chaudires bois (4,5 MWh) et gaz-fioul (7 MWh), alimentes respec-tivement en eau par deux circulateurs (CCH1 and CCH2).La chaudire gaz-fioul est dabord alimente en gaz puisen fioul lorsque 6000 m3 de gaz ont t consomms au coursdune journe. En effet, au del de cette limite, le gaz estachet un tarif moins avantageux que le fioul. En rai-son du faible cot du bois, la chaudire bois fonctionnede faon prioritaire alors que la chaudire gaz-fioul nest

Fig. 2. Synoptique de la chaufferie et des modifications proposes

utilise que pendant les priodes les plus froides ou pourrpondre des pics de consommation (lorsque la chaudire bois nest pas suffisante pour rpondre la demande).Le circuit hydraulique du rseau primaire (3000 m3) per-met de chauffer des btiments publics et des habitations,pour un quivalent de 2700 logements, et fournit de leauchaude sanitaire, ce qui ramne la production totale unquivalent de 3500 logements. Ce circuit est compos dunrseau de distribution, dune pompe dalimentation (Cres),utilise pour contrler la pression diffrentielle du rseau, etdune centrale de cognration qui produit de llectricit.Une partie de leau froide revenant du rseau est rchauffepar cette centrale qui consomme une quantit fixe de gaz.Un systme de monitoring permet de contrler lutilisationdes deux chaudires grce aux mesures ralises en tempsrel au sein de la chaufferie. La bouteille de dcouplage hy-draulique permet de connecter et dadapter les dbits deces deux circuits, gnralement diffrents.

III. Modlisation de la chaufferie

A. Approche globale

La modlisation dune chaufferie collective comme cellede La Rochelle est une tche complexe. Il est cependantpossible de trouver dans la littrature quelques travaux in-tressants. Curti et al. [5] ont ainsi propos une approcheconomique et environnementale pour modliser et opti-miser un rseau de chaleur. Dias et al. [6] ont modlisune chaudire bois partir dune analyse nergtique etexergtique en quantifiant les types et les causes des pertesthermiques. Les principes physiques et les rseaux de neu-rones artificiels peuvent tre utilis conjointement, commelont montr Lu et al. [7], pour dvelopper un modle non-linaire de chaufferie. Enfin, citons les travaux de Ghaffariet al. [8] qui ont propos une approche base sur la logiquefloue, les rseaux de neurones artificiels et les algorithmesgntiques pour modliser une centrale produisant de llec-tricit et pour caractriser le comportement de ses sous-systmes. En raison de la complexit du site de La Rochelleet des fortes interactions entre les diffrents lments qui laconstituent (les chaudires bois et gaz-fioul, la bouteillede dcouplage hydraulique, la centrale de cognration. . .),

Fig. 3. Approche modulaire pour la modlisation de la chaufferie

une approche modulaire a t propose [9]. En fonctiondes informations disponibles (grce aux mesures ou en te-nant compte de la connaissance experte des systmes etdes moyens de contrle) une combinaison de modles detypes botes blanches, botes grises ou botes noires a tutilise. Grce aux botes blanches, les interactions entreles paramtres physiques sont dcrites et les mesures sontutilises pour valider les modles obtenus. Lutilisation debotes grises [10] (la calibration dun modle paramtrique,dfini partir de considrations physiques et de lanalysedes proprits dynamiques du systme, en utilisant des don-nes exprimentales [11]) ou noires (lutilisation dun mo-dle, ne sappuyant pas sur des considrations physiques,dfini partir dune topologie standard volutive et calibrgrce des relevs exprimentaux) est requise lorsque lecomportement physique du systme est mal connu.

B. Processus de modlisation

Premirement, une phase de pr-traitement des donnesa permis dliminer les aberrations et de r-chantillonnerlensemble la priode dchantillonnage de 5 minutes. No-tons cependant quun certain nombre de variables, impor-tantes mais non-mesures, ont du tre estimes. Ensuite,pour chaque variable physique modliser, la topologie deson modle (des quations diffrentielles, algbriques ou lo-giques) ainsi que les variables dentre ont t dfinies. Unpremier processus doptimisation a alors permis didentifierles paramtres de ces quations grce la mthode de largion de confiance de Newton [12] et des moindres carrsnon-linaires [13]. Les rsultats obtenus ont permis de va-lider les topologies choisies ou, le cas chant, de les adap-ter itrativement. partir de ces quations, dont les para-mtres ont t correctement identifis, des modles-entitsdcrivant le comportement des lments de la chaufferie(p. ex. la chaudire bois) ont t dfinis par lensembledes variables qui leur sont attribues. Pour les modles detype botes noires, la formulation dHammerstein-Wiener[14] a t choisie. Un second processus doptimisation aalors t men bien pour calibrer lensemble des para-mtres de chaque modle-entit. Enfin, ces modles ont tcombins pour obtenir le modle global de la chaufferie. Lafigure 3 prsente cette approche modulaire, base sur lin-terconnexion des modles-entits. Les rsultats obtenus ensimulation sont reprsentatifs dun comportement cohrentpour le site modlis au cours de la saison hivernale.

IV. Modlisation dun systme de stockagenergtique

A. Hypothses prliminaires

Lajout dune unit de stockage nergtique la chauffe-rie permet, lorsque la puissance demande est importante,dutiliser lnergie produite en excs par la chaudire boispendant les priodes de faible consommation, au lieu den-clencher immdiatement la chaudire gaz. Ainsi, le tauxde couverture fossile peut tre significativement rduit parune meilleure exploitation des ressources renouvelables. Denombreux matriaux sont susceptibles dtre utiliss pourle stockage thermique, par exemple des fluides, des solidesou des Matriaux Changement de Phase (MCP). A causede contraintes techniques et car les MCP ont un cot lev,sont toxiques, inflammables et prsentent une puissance re-lativement faible, notre choix sest port sur un systmeutilisant de leau. En accord avec lexploitant de la chauf-ferie, des hypothses ont t tablies concernant la formecylindrique verticale de la cuve, avec un diamtre gal sahauteur, pour minimiser les pertes avec lextrieur. Liso-lation choisie est constitue de 10 cm de polypropylne. Lacuve est enterre pour ne pas tre expose au vent, la tem-prature souterraine tant relativement constante et pastrop basse, mme en hiver (T amb 10 C). Il a t supposque leau qui entre dans la cuve (T in) ninfluence directe-ment que les premires couches, en raison de lutilisationdune grille protgeant la stratification thermique.

B. Modlisation du systme de stockage

Aprs avoir consult ltat de lart ralis par Han etal. [15] concernant la modlisation de cuves de stockagethermique avec stratification verticale, nous avons choisidadapter et dutiliser le modle discrtis propos par Ali-zadeh et al. [16]. Ce modle est dfini par les quations(1) en mode stockage et (2) en mode dstockage, avec Ti,kla temprature de la iieme couche deau linstant k, g lenombre de couches, e le nombre de couches affectes direc-tement par lentre deau, V le volume dune couche et Vle dbit deau traversant la cuve.{

(i > g e) : Ti,k+1 = (V(Ve ))Ti,k+(

Ve )T

ink +iT

ambk

i

(i g e) : Ti,k+1 = (VV )Ti,k+V Ti+1(k)+iTambk

i

(1)

{(i e) : Ti,k+1 = (V(

Ve ))Ti,k+(

Ve )T

ink +iT

ambk

i

(i > e) : Ti,k+1 =(VV )Ti,k+V Ti1,k+iTambk

i

(2)

C. Intgration du systme de stockage

Aprs avoir dfini les caractristiques de lunit de sto-ckage, il a fallu dcider de son intgration au sein de lachaufferie. La modification hydraulique choisie est prsen-te en rouge sur la figure 2. La cuve est ainsi place entrela bouteille de dcouplage hydraulique et le rseau de dis-tribution, avant la pompe dalimentation de ce dernier etaprs la centrale de cognration. Une nouvelle pompe(Cstock) contrle le dbit deau traversant la cuve. Afindintgrer son modle au modle de la chaufferie, plusieursmodles complmentaires ont t dvelopps (figure 4),certaines tempratures et certains dbits tant modifis,comme consquence de linfluence du systme de stockage.

Fig. 4. Intgration du modle du systme de stockage

V. Prdiction des variables exognes

A. Outils et mthodes

La temprature extrieure (Text) et la puissance ther-mique consomme par le rseau de chaleur (Pres) sontles entres exognes du modle global de la chaufferie. Ilest donc ncessaire de pouvoir prdire ces variables pouroptimiser lutilisation du systme de stockage nergtiquegrce un contrleur prdictif. Au cours des dernires an-nes, de nombreuses approches pour la prdiction de tem-prature ont t proposes afin de raliser un managementprdictif de la puissance consomme. La nature la foiscomplexe et non-linaire des variations de la temprature,ainsi que labondance des donnes recueillies, prdisposentles outils de modlisation issus de lintelligence artificielle tre de bons candidats pour la prdiction de ce para-mtre [17, 18]. La mthode propose, adapte de la m-thode dveloppe par Tran et al. [19], dite AMR-RNA [20], est base sur la notion de sries temporelles et a re-cours une Analyse Multi-Rsolution (AMR) par dcom-position en ondelettes et aux Rseaux de Neurones Arti-ficiels (RNA). La transforme en ondelettes discrte per-met ainsi de dcomposer M squences de donnes passes(de l points) en sous-squences, selon diffrents domainesde frquences. Cette dcomposition est ralise grce unbanc de filtres, constitu de filtres passe-hauts et passe-bas,permettant dobtenir des coefficients dapproximation (lescomposantes basses frquences) et de dtails (les compo-santes hautes frquences) selon un niveau de dcomposi-tion (N) et un ordre dondelette (R) (figure 5). partir deces coefficients, des Perceptrons Multi-Couches (PMC) ontt utiliss pour estimer les sous-squences futures, dunedure de 4h30. Comme le montre la figure 6, N + 1 PMCsont ainsi ncessaires pour estimer les N sous-squencesde dtails et la sous-squence dapproximation de niveauN pour une squence cible P prdire. Les valeurs fu-tures prdites pour la temprature extrieure ou la puis-sance thermique consomme par le rseau de chaleur sontalors obtenues en sommant les sous-squences (figure. 6).En substituant la prdiction dune squence de variabi-lit importante la prdiction de ses coefficients dondelette,de variabilit plus faible, il est possible damliorer la pr-cision obtenue. Lanalyse multi-rsolution permet disolerles tendances globales et les pseudo-priodes journalires,qui caractrisent les sries temporelles considres, de laforte variabilit due aux phnomnes climatiques. De plus,et afin daider le modle se reprer dans le temps, les s-

Fig. 5. Analyse multi-rsolution par transforme en ondelettes

Fig. 6. Prdiction dune squence future par RNA

quences passes considres ont t compltes, pour cha-cune de leurs composantes, par des informations tempo-relles : la minute du jour et le jour de lanne. Selon lesvaleurs de M , l et de TSE , les rsultats obtenus sont plusou moins prcis. Notons que, pour la prdiction dune srietemporelle, plus lhorizon de prdiction est lointain, plus lersultat est imprcis. Limprcision peut aussi tre due aumanque dinformation apporte par les squences passesou au contraire par la prise en compte de trop de squencesantrieures. Le modle propos a t dvelopp en ayantrecours pour lentrainement des rseaux de neurones lamoiti des squences disponibles. Lautre moiti a permisleur validation. La particularit de la mthodologie est lie lutilisation de squences compltes par des informationstemporelles, permettant de mieux apprhender lvolutionde Tout et de Pres, ainsi que de PMC spcifiques pour es-timer les coefficients dondelettes des donnes futures.

B. Rsultats de la prdiction de Text and Pres

Le tableau I prsente la configuration optimale utilisepour la prdiction de Text et de Pres (les variables sontinversement proportionnelles), selon lordre de londelette(R), le niveau de dcomposition (N), le nombre de neu-rones cachs par rseau (F ), le nombre de squences pas-ses (M) et la priode de sous-chantillonnage (TSE) choi-sis. Le tableau II (lignes 1 et 2) spcifie, pour la priodeconsidre (du 11/01/2009 au 04/04/2009), lErreur Rela-tive Moyenne (ERM), lErreur Absolue Moyenne (EAM) et

le FIT (coefficient de ressemblance) obtenus avec la mtho-dologie AMR-RNA pour la prdiction de Text et de Pres. Laligne 3 du tableau prsente les rsultats obtenus en estimantPres partir de la temprature extrieure Text prdite, parsimple rgression linaire. Enfin (ligne 4), une approche hy-bride combinant les deux approches prcdentes et exploi-tant leurs caractristiques temporelles propres, notammentconcernant les pics de consommation, permet damliorerla prcision obtenue pour Pres.

TABLE IConfiguration optimale

Paramtre Symbole ValeurOrdre de londelette R 4

Niveau de dcomposition N 5Neurones cachs par rseau F 5

Squences passes M 4Priode dchantillonnage TSE 30 mn

TABLE IIPrdiction de Text et de Pres

Variable FIT ERM EAMT 4H30ext 60,6 % 4,14 % 1,15

CP 4H30res 44,7 % 6,07 % 663,6 kW

PT 4H30extres 38,4 % 6,94 % 758,3 kW

Phybres 46,9 % 5,85 % 639,1 kW

VI. Contrle de la chaufferie

A. Critres doptimisation

Des critres minimiser ont t dfinis pour optimiserle fonctionnement de la chaufferie. Les quations (3-8) d-finissent : J1 le cot relatif la consommation de combus-tible, J2 la diffrence positive entre la temprature de leaurejoignant le rseau (Tdepres) et sa consigne (Tconsires),J3 la consommation dnergie (en PCI), J4 le taux de cou-verture fossile, J5 les missions de CO2 et J6 les perfor-mances de la chaufferie avec systme de stockage, compa-res ses performances sans systme de stockage. Le ta-bleau III prsente le Prix Unitaire (PU), lnergie Unitaire(EU) et les missions de CO2 en Analyse en Cycle de VieUnitaire (ACVU) pour chaque combustible [21]. Notonsque, pour le bois, la variable associe sa consommationest le nombre de coups de poussoir (NCP ) introduisant lecombustible dans la chaudire chaque 5 minutes (37 kg debois en moyenne par coup de poussoir). La minimisationde lun des critres proposs dfinit la stratgie de contrlepour loptimisation du fonctionnement de la chaufferie. J6tient compte de faon quitable de lensemble des consid-rations relatives aux cinq premiers critres proposs.

J1 = PUbois NCP + PUgaz Vgaz + PUFOD VFOD (3)

J2 =1

2 N Nk=1

Tconsires(k) TEdepres(k)(TEdepres(k) Tconsires(k)

) (4)

J3 = EUbois NCP + EUgaz Vgaz + EUFOD VFOD (5)

J4 =EUgaz Vgaz + EUFOD VFOD

J3(6)

J5 = ACV Ubois NCP + ACV Ugaz Vgaz+ ACV UFOD VFOD (7)

J6 =1

5

5n=1

(100 Jn(avec stockage thermique)

Jn(sans stockage thermique)

)(8)

TABLE IIICaractristiques des combustibles

Bois [] Gaz [m3] Fioul [l]PU [e] 1,8648 0,378 0,40

EU [kWh] 133,2 10,5 9,76ACV U [kgCO2] 1,7316 2,283 84 2,928

B. Contrle prdictif

Le contrleur prdictif dvelopp pour optimiser le fonc-tionnement du site de La Rochelle exploite les modles dela chaufferie et de lunit de stockage ainsi que les prdic-tions de la temprature extrieure et de la puissance ther-mique consomme par le rseau de chaleur. Il calcule lasquence optimale des commandes appliquer au proces-sus sur lhorizon de prdiction en minimisant une fonctionobjectif. Ce type de contrleur nest pas intrinsquementplus ou moins robuste que des contrleurs classiques, maisil peut tre rgl assez simplement [22]. De plus, il prsentede bonnes proprits de stabilit [23] et peut tre utilispour contrler des systmes non-linaires [24], hybrides [25]ou mme rapides [26]. Il est, ce titre, souvent utilis pourcontrler en temps rel les processus industriels [27]. Dansnotre cas, la temprature de consigne de la chaudire bois (TconsiCH2) et le dbit de leau traversant la cuve destockage (Debstock) sont les deux variables de commande(figure 2). Notons galement que le contrleur doit commu-niquer avec le systme de monitoring actuellement implantsur le site pour obtenir en temps rel les mesures ralises la chaufferie (figure 2). Les quations (9,10) dfinissentrespectivement le vecteur de commande optimiser et lescontraintes lies au problme doptimisation, avec p lhori-zon de prdiction et c lhorizon de contrle. Ainsi, lunitde stockage ne doit pas stocker dnergie lorsque la chau-dire gaz-fioul est enclenche (EncCH1 = 1) alors quela stratification thermique doit toujours tre protge. Parconsquent, pour pouvoir stocker, la temprature de leausortant de la bouteille de dcouplage hydraulique Tdepboutdoit tre suprieure la temprature de la couche sup-rieure deau au sein de la cuve (Tsupstock). En accord avecCofely GDF-Suez, la fonction objectif minimiser sur lho-rizon de prdiction est J1. La rsolution du problme dop-timisation non-linaire est ralise grce un algorithmede recherche directe par motifs gnraliss [28]. Cet algo-rithme value chaque itration la valeur de la fonction

objectif en plusieurs points situs autour du point consi-dr litration prcdente, selon une grille dfinie parun motif fix et tendue un certain primtre (qui dfi-nit donc les intervalles de la grille). Lorsque lalgorithmedtermine un nouveau minimum pour la fonction parmiles valuations fates sur cette grille, le primtre dtudeest tendu la prochaine itration (augmentation des in-tervalles de la grille). Dans le cas contraire, si aucun nou-veau minimum nest dtermin, le primtre de rechercheest restreint (diminution des intervalles de la grille). Cetalgorithme a lavantage dtre adapt un problme dop-timisation global non-linaire, o le gradient de la fonctionest inconnu, et est communment utilis pour la rsolutionde problmes industriels complexes [29].[

Debstock(k/k), . . . , Debstock(k + c 1/k)TconsiCH2(k/k), . . . , TconsiCH2(k + c 1/k)

](9)

Modle de la chaufferie intgrantle systme de stockage0 Debstock Debres 10(EncCH1 = 1) (Tdep bout Tsupstock

Debstock 090 C TconsiCH2 97 CDebstock(k + h) = 0 h Jc; p 1KTconsiCH2(k + h) = 0 h Jc; p 1K(p, c) = (54, 36)

(10)

C. Rsultats de simulation

Le contrleur propos a t test en simulation pendant45 jours, de mi-janvier dbut mars. Une tude concernantlinfluence du volume de la cuve de stockage a t ralise(de 500 m3 4000 m3). Le tableau IV prsente les configu-rations obtenues les plus intressantes (MPC1, MPC2 etMPC3). Les performances sont compares aux valeurs derfrence, cest--dire sans systme de stockage ni contrleprdictif.

TABLE IVConfigurations remarquables

Critres ConfigurationsNom Unit Rfrence MPC1 MPC2 MPC3Vtot m

3 0 1000 1500 4000NbCP - 24 635 21 260 21 203 21 482Vgaz m

3 38 001 17 553 17 533 17 207VFOD l 3287 2043 2244 2436J1 ke 61,62 47,10 47,07 47,54J2

C 0,56 0,247 0,252 0,272J3 MWh 3712 3036 3030 3066J4 % 11,6 6,73 6,80 6,67J5 tCO2 139,1 82,9 83,3 83,6J6 % 100 64,0 64,3 65,2

Lanalyse des rsultats montre que la configurationMPC1 permet de rduire la consommation de fioul de 37 %(1244 l), lerreur de consigne (J2) de 55 % (0,313 C), lesmissions de CO2 (J5) de 40 % (56,2 tCO2) et le critre deperformance J6 de 36 %. Avec la configuration MPC2, laconsommation de bois, le cot (J1) et lnergie primaire uti-lise sont respectivement rduits de 14 %, 24 % (14,55 ke)

et 18 % (682 MWh). Enfin, la configuration MPC3 mi-nimise la consommation de gaz de 55 % (20 794 m3) et letaux de couverture fossile (J4) de 42,5 % (4,93 points).

VII. Conclusion

Les travaux prsents dans cet article traitent de lopti-misation du fonctionnement dune chaufferie multi-nergiequi fournit de leau chaude grce un rseau de chaleur. Lachaufferie a dabord t modlise par le biais de modlesde types botes blanches, botes grises ou botes noires, se-lon une approche modulaire. Cette dernire a t choisieen raison de la complexit du problme et des fortes inter-actions entre les diffrents lments constituant la chauf-ferie. Ensuite, une cuve deau chaude avec stratificationthermique a t ajoute au circuit primaire, modlise puisintgre au modle global de la chaufferie. Lobjectif duprojet Opti-EnR tant dimplanter un contrleur prdictifpour optimiser le fonctionnement du site de La Rochelle,les variables exognes au modle global de la chaufferie (latemprature extrieure et la puissance thermique consom-me par le rseau de chaleur) ont t prdites. Le moduledvelopp est bas sur une analyse multi-rsolution partransforme en ondelettes discrte et sur lutilisation desrseaux de neurones artificiels. Enfin, un contrleur prdic-tif a t dvelopp pour optimiser sur un horizon de pr-diction de 4h30 lutilisation du systme de stockage et dela chaudire bois. Ce contrleur exploite les modles pr-cdemment dvelopps et les prdictions des variables exo-gnes. Les rsultats obtenus en simulation montrent quece contrleur permet de rduire de faon significative laconsommation dnergie fossile, les missions de CO2 et lecot de fonctionnement. Les travaux futurs considrerontdautres systmes de stockage nergtique et dautres pos-sibilits dintgration au sein de la chaufferie. Diffrentstypes de contrleurs (p. ex. flous ou neuronaux) pourrontgalement tre essays, avant une implantation in-situ desoutils dvelopps.

Rfrences[1] Susan Solomon, Dahe Qin, Martin Manning, Melinda Mar-

quis, Kristen Averyt, Melinda M.B. Tignor, Henry LeRoy JrMiller. et Zhenlin Chen : Climate change 2007 the physicalscience basis. Rapport technique, Intergovernmental Panel onClimate Change, 2008.

[2] EU : Directive 2009/28/EC of the European Parliament and ofthe Council of the 23 April 2009 on the promotion of the use ofenergy from renewable sources and amending and subsequentlyrepealing Directives 2001/77/EC and 2003/30/EC, 2009.

[3] EU : Decision No 406/2009/EC of the European Parliament andof the Council of 23 April 2009 on the effort of Member Statesto reduce their greenhouse gas emissions to meet the Communi-tys greenhouse gas emission reduction commitments up to 2020,2009.

[4] Julien Eynard : Gestion optimale de lnergie dans un systmemulti-source pour le chauffage de btiments. Thse de docto-rat, Laboratoire ELIAUS, Universit de Perpignan Via Domitia,Octobre 2010.

[5] Vinicio Curti, Michael R. von Spakovsky et Daniel Favrat :An environomic approach for the modeling and optimization of adistrict heating network based on centralized and decentralizedheat pumps, cogeneration and/or gas furnace. Part I : Metho-dology. International Journal of Thermal Sciences, 39(7):721 730, 2000.

[6] R.A. Dias et J.A.P. Balestieri : Energetic and exergetic ana-lysis in a firewood boiler. Revista De Ciencia & Tecnologia,12(23):1524, 2004.

[7] S. Lu et B. W. Hogg : Dynamic nonlinear modelling of powerplant by physical principles and neural networks. International

Journal of Electrical Power & Energy Systems, 22(1):67 78,2000.

[8] Ali Ghaffari, Ali Chaibakhsh et Caro Lucas : Soft computingapproach for modeling power plant with a once-through boiler.Engineering Applications of Artificial Intelligence, 20(6):809 819, 2007.

[9] Julien Eynard, Stphane Grieu et Monique Polit : Modularapproach for modelling a multi-energy district boiler. AppliedMathematical Modelling, In Press, Accepted Manuscript:, 2011.

[10] Jonas Sjberg, Qinghua Zhang, Lennart Ljung, Albert Ben-veniste, Bernard Delyon, Pierre-Yves Glorennec, HkanHjalmarsson et Anatoli Juditsky : Nonlinear black-box mo-deling in system identification : a unified overview. Automatica,31(12):1691 1724, 1995. Trends in System Identification.

[11] L. Ljung et E.J. Ljung : System identification : theory for theuser. Prentice-Hall Englewood Cliffs, NJ, 1987.

[12] Thomas F. Coleman et Yuying Li : On the convergence ofinterior-reflective Newton methods for nonlinear minimizationsubject to bounds. Mathematical Programming, 67(1):189224,1994.

[13] CT Kelley : Iterative methods for optimization. Society forIndustrial and Applied Mathematics, 1999.

[14] Yucai Zhu : Estimation of an N-L-N Hammerstein-Wiener mo-del. Automatica, 38(9):16071614, 2002.

[15] Y.M. Han, R.Z. Wang et Y.J. Dai : Thermal stratification wi-thin the water tank. Renewable and Sustainable Energy Reviews,13(5):1014 1026, 2009.

[16] Shahab Alizadeh : An experimental and numerical study ofthermal stratification in a horizontal cylindrical solar storagetank. Solar Energy, 66(6):409 421, 1999.

[17] A.E. Ruano, E.M. Crispim, E.Z.E. Concei ao et M.M.J.R. L-cio : Prediction of buildings temperature using neural networksmodels. Energy and Buildings, 38(6):682 694, 2006.

[18] Alberto Hernandez Neto et Flvio Augusto Sanzovo Fiorelli :Comparison between detailed model simulation and artificialneural network for forecasting building energy consumption.Energy and Buildings, 40(12):2169 2176, 2008.

[19] Van Giang Tran, Stphane Grieu, Adama Traor, FrdrikThiry, Maxime Estaben et Monique Polit : Wavelets de-composition and Box-Jenkins methodology or neural networksfor short-term electric consumptions forecast. In 1stConferenceon Renewable Energies and Eco-Design in Electrical Enginee-ring. 10 & 11 Dcembre, 2008.

[20] Julien Eynard, Stphane Grieu et Monique Polit : Wavelet-based multi-resolution analysis and artificial neural networks forforecasting temperature and thermal power consumption. Engi-neering Applications of Artificial Intelligence, In Press, Correc-ted Proof:, 2010.

[21] ADEME : Bilan Carbone, Calcul des facteurs dmissions. Rap-port technique, Agence de lEnvironnement et de la Matrise delEnergie et Mission Interministrielle de lEffet de Serre, 2007.

[22] Carlos E.Garca, David M. Prett et ManfredMorari : Modelpredictive control : Theory and practicea survey. Automatica,25(3):335 348, 1989.

[23] D. Q. Mayne et W. R. Schroeder : Robust time-optimalcontrol of constrained linear systems. Automatica, 33(12):2103 2118, 1997.

[24] C. Kambhampati, J. D. Mason et K. Warwick : A stable one-step-ahead predictive control of non-linear systems. Automatica,36(4):485 495, 2000.

[25] Sorin Olaru, Didier Dumur, Jean Thomas et Marius Zainea :Predictive control for hybrid systems. implications of polyhedralpre-computations. Nonlinear Analysis : Hybrid Systems, 2(2):510 531, 2008. Proceedings of the International Conferenceon Hybrid Systems and Applications, Lafayette, LA, USA, May2006 : Part II.

[26] Gabriele Pannocchia, James B. Rawlings et Stephen J.Wright : Fast, large-scale model predictive control by partialenumeration. Automatica, 43(5):852 860, 2007.

[27] S. JoeQin et Thomas A. Badgwell : A survey of industrial mo-del predictive control technology. Control Engineering Practice,11(7):733 764, 2003.

[28] Yosef S. Sherif et Bruce A. Boice : Optimization by patternsearch. European Journal of Operational Research, 78(3):277 303, 1994.

[29] A.K. Al-Othman et K.M. El-Naggar : Application of patternsearch method to power system security constrained economicdispatch with non-smooth cost function. Electric Power SystemsResearch, 78(4):667 675, 2008.