Contr

ole pr
edictif dune chaufferie collective
multi-
energie : un cas d
etude
Julien Eynard, Stephane Grieu, Monique Polit

To cite this version:

Julien Eynard, Stephane Grieu, Monique Polit. Controle predictif dune chaufferie collective
multi-energie : un cas detude. 4`emes Journees Doctorales / Journees Nationales du GDR
MACS, Jun 2011, Marseille, France. pp.11-16. <hal-00624825>

HAL Id: hal-00624825

https://hal.archives-ouvertes.fr/hal-00624825
Submitted on 19 Sep 2011

HAL is a multi-disciplinary open access

archive for the deposit and dissemination of scientific research documents, whether they are published or not. The documents may come from
teaching and research institutions in France or
abroad, or from public or private research centers.

Larchive ouverte pluridisciplinaire HAL, est

destinee au depot et `a la diffusion de documents
scientifiques de niveau recherche, publies ou non,
emanant des etablissements denseignement et de
recherche francais ou etrangers, des laboratoires
publics ou prives.

JD-MACS 2011
Contrle 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 loptimisation
dune chaufferie collective multi-nergie (bois, gaz et fioul),
situe La Rochelle, qui fournit leau chaude sanitaire et le
chauffage des btiments publics et des logements. Dans
un premier temps, une combinaison de botes blanches, de
botes grises et de botes noires a permis de modliser la
chaufferie via une approche modulaire. Ensuite, une cuve
de stockage nergtique a t modlise et intgre au modle de la chaufferie. Grce ces modles et un module de
prdiction de la temprature extrieure et de la puissance
thermique consomme par le rseau de chaleur, un contrleur prdictif a t dvelopp pour optimiser lutilisation
de la cuve de stockage et de la chaudire bois. Les rsultats obtenus en simulation montrent une rduction significative de la consommation dnergie fossile et des missions
de CO2 . Lnergie est stocke lorsque la puissance demande est faible et utilise lors de pics de consommation, ce
qui limite lutilisation de la chaudire gaz-fioul.
Mots-cls Chaufferie, stockage nergtique, modlisation,
prdiction, rseaux de neurones, ondelettes, contrle prdictif.

I. Introduction
Depuis la fin du XXme sicle, le Groupe dexperts Intergouvernemental sur lvolution du Climat (GIEC) [1] est
le corps scientifique de rfrence concernant le changement
climatique. Les principales observations ralises amnent
penser que lune des causes de ce changement est laction anthropique, notamment lutilisation dnergies fossiles mettrices de Gaz Effet de Serre (GES). Avec la fin
du protocole de Kyoto en 2012, protocole qui imposait une
rduction lchelle globale de ces missions, lUnion Europenne a dcid, pour 2020, de promouvoir lutilisation
des nergies renouvelables [2] (20 %), de rduire les missions de GES [3] (20 %) et damliorer lefficacit nergtique (+20 %). Cet article prsente les travaux raliss
dans le cadre du projet Opti-EnR [4] portant sur loptimisation dune chaufferie collective multi-nergie situe
La Rochelle (France) et gre par Cofely GDF-Suez. Celleci fournit leau chaude sanitaire et le chauffage des logements et des btiments publics. Cette chaufferie, dcrite dans la section II, exploite des ressources renouvelables (bois) et fossiles (gaz et fioul). Lobjectif principal
du projet, termin fin 2010, tait doptimiser le fonctionnement de cette chaufferie en minimisant le recours aux
nergies fossiles. Ce dernier a pu tre atteint grce au bon
droulement des quatre tches dcrites par la figure 1. La

Fig. 1. Le projet Opti-EnR

premire tche (section III) a port sur la modlisation de

la chaufferie. En raison de la complexit de cette installation et des interactions entre les diffrents lments qui
la constituent, une approche modulaire a t choisie. Des
campagnes de mesures ainsi que des mthodes de modlisation varies, permettant de dvelopper des modles de
connaissance, paramtriques ou de type botes noires, ont
t utilises. Lapproche la plus intressante pour optimiser ce type de chaufferie tant davoir recours un systme
de stockage nergtique, nous avons propos dintgrer au
site une cuve deau chaude stratifie (section IV). Enfin,
un contrleur prdictif (MPC) a t dvelopp pour optimiser lutilisation de cette cuve de stockage (section VI).
Il exploite les modles prcdemment dvelopps ainsi que
des prdictions de la temprature extrieure et de la puissance thermique consomme par le rseau de chaleur, fournies par un module de prdiction (section V). La section VI
prsente les rsultats obtenus en simulation et met en avant
le potentiel de lapproche propose pour la rduction de la
consommation dnergie fossile et des missions de CO2 .
II. La chaufferie collective de La Rochelle
La chaufferie collective de La Rochelle est constitue de
diffrents lments, reprsents en noir sur la figure 2. Le
circuit hydraulique du collecteur connecte les chaudires
bois (4,5 MWh) et gaz-fioul (7 MWh), alimentes respectivement en eau par deux circulateurs (CCH1 and CCH2 ).
La chaudire gaz-fioul est dabord alimente en gaz puis
en fioul lorsque 6000 m3 de gaz ont t consomms au cours
dune journe. En effet, au del de cette limite, le gaz est
achet un tarif moins avantageux que le fioul. En raison du faible cot du bois, la chaudire bois fonctionne
de faon prioritaire alors que la chaudire gaz-fioul nest

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

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

utilise que pendant les priodes les plus froides ou pour

rpondre des pics de consommation (lorsque la chaudire
bois nest pas suffisante pour rpondre la demande).
Le circuit hydraulique du rseau primaire (3000 m3 ) permet de chauffer des btiments publics et des habitations,
pour un quivalent de 2700 logements, et fournit de leau
chaude sanitaire, ce qui ramne la production totale un
quivalent de 3500 logements. Ce circuit est compos dun
rseau de distribution, dune pompe dalimentation (Cres ),
utilise pour contrler la pression diffrentielle du rseau, et
dune centrale de cognration qui produit de llectricit.
Une partie de leau froide revenant du rseau est rchauffe
par cette centrale qui consomme une quantit fixe de gaz.
Un systme de monitoring permet de contrler lutilisation
des deux chaudires grce aux mesures ralises en temps
rel au sein de la chaufferie. La bouteille de dcouplage hydraulique permet de connecter et dadapter les dbits de
ces deux circuits, gnralement diffrents.
III. Modlisation de la chaufferie
A. Approche globale
La modlisation dune chaufferie collective comme celle
de La Rochelle est une tche complexe. Il est cependant
possible de trouver dans la littrature quelques travaux intressants. Curti et al. [5] ont ainsi propos une approche
conomique et environnementale pour modliser et optimiser un rseau de chaleur. Dias et al. [6] ont modlis
une chaudire bois partir dune analyse nergtique et
exergtique en quantifiant les types et les causes des pertes
thermiques. Les principes physiques et les rseaux de neurones artificiels peuvent tre utilis conjointement, comme
lont montr Lu et al. [7], pour dvelopper un modle nonlinaire de chaufferie. Enfin, citons les travaux de Ghaffari
et al. [8] qui ont propos une approche base sur la logique
floue, les rseaux de neurones artificiels et les algorithmes
gntiques pour modliser une centrale produisant de llectricit et pour caractriser le comportement de ses soussystmes. En raison de la complexit du site de La Rochelle
et des fortes interactions entre les diffrents lments qui la
constituent (les chaudires bois et gaz-fioul, la bouteille
de dcouplage hydraulique, la centrale de cognration. . .),

une approche modulaire a t propose [9]. En fonction

des informations disponibles (grce aux mesures ou en tenant compte de la connaissance experte des systmes et
des moyens de contrle) une combinaison de modles de
types botes blanches, botes grises ou botes noires a t
utilise. Grce aux botes blanches, les interactions entre
les paramtres physiques sont dcrites et les mesures sont
utilises pour valider les modles obtenus. Lutilisation de
botes grises [10] (la calibration dun modle paramtrique,
dfini partir de considrations physiques et de lanalyse
des proprits dynamiques du systme, en utilisant des donnes exprimentales [11]) ou noires (lutilisation dun modle, ne sappuyant pas sur des considrations physiques,
dfini partir dune topologie standard volutive et calibr
grce des relevs exprimentaux) est requise lorsque le
comportement physique du systme est mal connu.
B. Processus de modlisation
Premirement, une phase de pr-traitement des donnes
a permis dliminer les aberrations et de r-chantillonner
lensemble la priode dchantillonnage de 5 minutes. Notons cependant quun certain nombre de variables, importantes mais non-mesures, ont du tre estimes. Ensuite,
pour chaque variable physique modliser, la topologie de
son modle (des quations diffrentielles, algbriques ou logiques) ainsi que les variables dentre ont t dfinies. Un
premier processus doptimisation a alors permis didentifier
les paramtres de ces quations grce la mthode de la
rgion de confiance de Newton [12] et des moindres carrs
non-linaires [13]. Les rsultats obtenus ont permis de valider les topologies choisies ou, le cas chant, de les adapter itrativement. partir de ces quations, dont les paramtres ont t correctement identifis, des modles-entits
dcrivant le comportement des lments de la chaufferie
(p. ex. la chaudire bois) ont t dfinis par lensemble
des variables qui leur sont attribues. Pour les modles de
type botes noires, la formulation dHammerstein-Wiener
[14] a t choisie. Un second processus doptimisation a
alors t men bien pour calibrer lensemble des paramtres de chaque modle-entit. Enfin, ces modles ont t
combins pour obtenir le modle global de la chaufferie. La
figure 3 prsente cette approche modulaire, base sur linterconnexion des modles-entits. Les rsultats obtenus en
simulation sont reprsentatifs dun comportement cohrent
pour le site modlis au cours de la saison hivernale.

IV. Modlisation dun systme de stockage

nergtique
A. Hypothses prliminaires
Lajout dune unit de stockage nergtique la chaufferie permet, lorsque la puissance demande est importante,
dutiliser lnergie produite en excs par la chaudire bois
pendant les priodes de faible consommation, au lieu denclencher immdiatement la chaudire gaz. Ainsi, le taux
de couverture fossile peut tre significativement rduit par
une meilleure exploitation des ressources renouvelables. De
nombreux matriaux sont susceptibles dtre utiliss pour
le stockage thermique, par exemple des fluides, des solides
ou des Matriaux Changement de Phase (MCP). A cause
de contraintes techniques et car les MCP ont un cot lev,
sont toxiques, inflammables et prsentent une puissance relativement faible, notre choix sest port sur un systme
utilisant de leau. En accord avec lexploitant de la chaufferie, des hypothses ont t tablies concernant la forme
cylindrique verticale de la cuve, avec un diamtre gal sa
hauteur, pour minimiser les pertes avec lextrieur. Lisolation choisie est constitue de 10 cm de polypropylne. La
cuve est enterre pour ne pas tre expose au vent, la temprature souterraine tant relativement constante et pas
trop basse, mme en hiver (T amb 10 C). Il a t suppos
que leau qui entre dans la cuve (T in ) ninfluence directement que les premires couches, en raison de lutilisation
dune grille protgeant la stratification thermique.
B. Modlisation du systme de stockage
Aprs avoir consult ltat de lart ralis par Han et
al. [15] concernant la modlisation de cuves de stockage
thermique avec stratification verticale, nous avons choisi
dadapter et dutiliser le modle discrtis propos par Alizadeh et al. [16]. Ce modle est dfini par les quations
(1) en mode stockage et (2) en mode dstockage, avec Ti,k
la temprature de la iieme couche deau linstant k, g le
nombre de couches, e le nombre de couches affectes directement par lentre deau, V le volume dune couche et V
le dbit deau traversant la cuve.
(
in
amb
V
V
(i > g e) : Ti,k+1 =

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

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

T +i Tk
e ) k
i
(V V )Ti,k +V Ti+1 (k)+i Tkamb
i

(V (

))Ti,k +(

(1)

T
+ V T in +i Tkamb
(V ( V
e )) i,k ( e ) k
i
(V V )Ti,k +V Ti1,k +i Tkamb
i

(2)

C. Intgration du systme de stockage

Aprs avoir dfini les caractristiques de lunit de stockage, il a fallu dcider de son intgration au sein de la
chaufferie. La modification hydraulique choisie est prsente en rouge sur la figure 2. La cuve est ainsi place entre
la bouteille de dcouplage hydraulique et le rseau de distribution, avant la pompe dalimentation de ce dernier et
aprs la centrale de cognration. Une nouvelle pompe
(Cstock ) contrle le dbit deau traversant la cuve. Afin
dintgrer son modle au modle de la chaufferie, plusieurs
modles 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 thermique consomme par le rseau de chaleur (Pres ) sont
les entres exognes du modle global de la chaufferie. Il
est donc ncessaire de pouvoir prdire ces variables pour
optimiser lutilisation du systme de stockage nergtique
grce un contrleur prdictif. Au cours des dernires annes, de nombreuses approches pour la prdiction de temprature ont t proposes afin de raliser un management
prdictif de la puissance consomme. La nature la fois
complexe et non-linaire des variations de la temprature,
ainsi que labondance des donnes recueillies, prdisposent
les outils de modlisation issus de lintelligence artificielle
tre de bons candidats pour la prdiction de ce paramtre [17, 18]. La mthode propose, adapte de la mthode dveloppe par Tran et al. [19], dite AMR-RNA
[20], est base sur la notion de sries temporelles et a recours une Analyse Multi-Rsolution (AMR) par dcomposition en ondelettes et aux Rseaux de Neurones Artificiels (RNA). La transforme en ondelettes discrte permet ainsi de dcomposer M squences de donnes passes
(de l points) en sous-squences, selon diffrents domaines
de frquences. Cette dcomposition est ralise grce un
banc de filtres, constitu de filtres passe-hauts et passe-bas,
permettant dobtenir des coefficients dapproximation (les
composantes basses frquences) et de dtails (les composantes hautes frquences) selon un niveau de dcomposition (N ) et un ordre dondelette (R) (figure 5). partir de
ces coefficients, des Perceptrons Multi-Couches (PMC) ont
t utiliss pour estimer les sous-squences futures, dune
dure de 4h30. Comme le montre la figure 6, N + 1 PMC
sont ainsi ncessaires pour estimer les N sous-squences
de dtails et la sous-squence dapproximation de niveau
N pour une squence cible P prdire. Les valeurs futures prdites pour la temprature extrieure ou la puissance thermique consomme par le rseau de chaleur sont
alors obtenues en sommant les sous-squences (figure. 6).
En substituant la prdiction dune squence de variabilit importante la prdiction de ses coefficients dondelette,
de variabilit plus faible, il est possible damliorer la prcision obtenue. Lanalyse multi-rsolution permet disoler
les tendances globales et les pseudo-priodes journalires,
qui caractrisent les sries temporelles considres, de la
forte variabilit due aux phnomnes climatiques. De plus,
et afin daider le modle se reprer dans le temps, les s-

le FIT (coefficient de ressemblance) obtenus avec la mthodologie AMR-RNA pour la prdiction de Text et de Pres . La
ligne 3 du tableau prsente les rsultats obtenus en estimant
Pres partir de la temprature extrieure Text prdite, par
simple rgression linaire. Enfin (ligne 4), une approche hybride combinant les deux approches prcdentes et exploitant leurs caractristiques temporelles propres, notamment
concernant les pics de consommation, permet damliorer
la prcision obtenue pour Pres .
TABLE I
Configuration optimale

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

Paramtre
Ordre de londelette
Niveau de dcomposition
Neurones cachs par rseau
Squences passes
Priode dchantillonnage

Symbole
R
N
F
M
TSE

Valeur
4
5
5
4
30 mn

TABLE II
Prdiction de Text et de Pres

Variable
4H30
Text
4H30
Pres
T 4H30

ext
Pres
hyb
Pres

FIT
60,6 %
44,7 %

ERM
4,14 %
6,07 %

EAM
1,15 C
663,6 kW

38,4 %
46,9 %

6,94 %
5,85 %

758,3 kW
639,1 kW

Fig. 6. Prdiction dune squence future par RNA

VI. Contrle de la chaufferie

quences passes considres ont t compltes, pour chacune de leurs composantes, par des informations temporelles : la minute du jour et le jour de lanne. Selon les
valeurs de M , l et de TSE , les rsultats obtenus sont plus
ou moins prcis. Notons que, pour la prdiction dune srie
temporelle, plus lhorizon de prdiction est lointain, plus le
rsultat est imprcis. Limprcision peut aussi tre due au
manque dinformation apporte par les squences passes
ou au contraire par la prise en compte de trop de squences
antrieures. Le modle propos a t dvelopp en ayant
recours pour lentrainement des rseaux de neurones la
moiti des squences disponibles. Lautre moiti a permis
leur validation. La particularit de la mthodologie est lie
lutilisation de squences compltes par des informations
temporelles, permettant de mieux apprhender lvolution
de Tout et de Pres , ainsi que de PMC spcifiques pour estimer les coefficients dondelettes des donnes futures.
B. Rsultats de la prdiction de Text and Pres
Le tableau I prsente la configuration optimale utilise
pour la prdiction de Text et de Pres (les variables sont
inversement proportionnelles), selon lordre de londelette
(R), le niveau de dcomposition (N ), le nombre de neurones cachs par rseau (F ), le nombre de squences passes (M ) et la priode de sous-chantillonnage (TSE ) choisis. Le tableau II (lignes 1 et 2) spcifie, pour la priode
considre (du 11/01/2009 au 04/04/2009), lErreur Relative Moyenne (ERM), lErreur Absolue Moyenne (EAM) et

A. Critres doptimisation
Des critres minimiser ont t dfinis pour optimiser
le fonctionnement de la chaufferie. Les quations (3-8) dfinissent : J1 le cot relatif la consommation de combustible, J2 la diffrence positive entre la temprature de leau
rejoignant le rseau (Tdepres ) et sa consigne (Tconsires ),
J3 la consommation dnergie (en PCI), J4 le taux de couverture fossile, J5 les missions de CO2 et J6 les performances de la chaufferie avec systme de stockage, compares ses performances sans systme de stockage. Le tableau III prsente le Prix Unitaire (P U ), lnergie Unitaire
(EU ) et les missions de CO2 en Analyse en Cycle de Vie
Unitaire (ACVU) pour chaque combustible [21]. Notons
que, pour le bois, la variable associe sa consommation
est le nombre de coups de poussoir (N CP ) introduisant le
combustible dans la chaudire chaque 5 minutes (37 kg de
bois en moyenne par coup de poussoir). La minimisation
de lun des critres proposs dfinit la stratgie de contrle
pour loptimisation du fonctionnement de la chaufferie. J6
tient compte de faon quitable de lensemble des considrations relatives aux cinq premiers critres proposs.
J1 = P Ubois N CP + P Ugaz Vgaz + P UF OD VF OD (3)




E
N
X
(k)
Tconsires (k) Tdepres
1


 (4)
J2 =

E
2N

T
(k)

T
(k)
consires
depres
k=1

J3 = EUbois N CP + EUgaz Vgaz + EUF OD VF OD (5)

EUgaz Vgaz + EUF OD VF OD
J3

(6)

ACV Ubois N CP + ACV Ugaz Vgaz

+ ACV UF OD VF OD

(7)

J4 =

J5

J6 =


5 
1 X
Jn (avec stockage thermique)

100
5 n=1
Jn (sans stockage thermique)

(8)

TABLE III
Caractristiques des combustibles

P U [e]
EU [kWh]
ACV U [kgCO2 ]

Bois []
1,8648
133,2
1,7316

 
Gaz m3
0,378
10,5
2,283 84

Fioul [l]
0,40
9,76
2,928

B. Contrle prdictif
Le contrleur prdictif dvelopp pour optimiser le fonctionnement du site de La Rochelle exploite les modles de
la chaufferie et de lunit de stockage ainsi que les prdictions de la temprature extrieure et de la puissance thermique consomme par le rseau de chaleur. Il calcule la
squence optimale des commandes appliquer au processus sur lhorizon de prdiction en minimisant une fonction
objectif. Ce type de contrleur nest pas intrinsquement
plus ou moins robuste que des contrleurs classiques, mais
il peut tre rgl assez simplement [22]. De plus, il prsente
de bonnes proprits de stabilit [23] et peut tre utilis
pour contrler des systmes non-linaires [24], hybrides [25]
ou mme rapides [26]. Il est, ce titre, souvent utilis pour
contrler en temps rel les processus industriels [27]. Dans
notre cas, la temprature de consigne de la chaudire
bois (TconsiCH2 ) et le dbit de leau traversant la cuve de
stockage (Debstock ) sont les deux variables de commande
(figure 2). Notons galement que le contrleur doit communiquer avec le systme de monitoring actuellement implant
sur le site pour obtenir en temps rel les mesures ralises
la chaufferie (figure 2). Les quations (9,10) dfinissent
respectivement le vecteur de commande optimiser et les
contraintes lies au problme doptimisation, avec p lhorizon de prdiction et c lhorizon de contrle. Ainsi, lunit
de stockage ne doit pas stocker dnergie lorsque la chaudire gaz-fioul est enclenche (EncCH1 = 1) alors que
la stratification thermique doit toujours tre protge. Par
consquent, pour pouvoir stocker, la temprature de leau
sortant de la bouteille de dcouplage hydraulique Tdepbout
doit tre suprieure la temprature de la couche suprieure deau au sein de la cuve (Tsupstock ). En accord avec
Cofely GDF-Suez, la fonction objectif minimiser sur lhorizon de prdiction est J1 . La rsolution du problme doptimisation non-linaire est ralise grce un algorithme
de recherche directe par motifs gnraliss [28]. Cet algorithme value chaque itration la valeur de la fonction

objectif en plusieurs points situs autour du point considr litration prcdente, selon une grille dfinie par
un motif fix et tendue un certain primtre (qui dfinit donc les intervalles de la grille). Lorsque lalgorithme
dtermine un nouveau minimum pour la fonction parmi
les valuations fates sur cette grille, le primtre dtude
est tendu la prochaine itration (augmentation des intervalles de la grille). Dans le cas contraire, si aucun nouveau minimum nest dtermin, le primtre de recherche
est restreint (diminution des intervalles de la grille). Cet
algorithme a lavantage dtre adapt un problme doptimisation global non-linaire, o le gradient de la fonction
est inconnu, et est communment utilis pour la rsolution
de problmes industriels complexes [29].


Debstock (k/k), . . . , Debstock (k + c 1/k)
(9)
TconsiCH2 (k/k), . . . , TconsiCH2 (k + c 1/k)

Modle de la chaufferie intgrant

le systme de stockage
0 Debstock Debres 10
(EncCH1 = 1) (T dep bout Tsupstock
Debstock 0
90 C TconsiCH2 97 C
Debstock (k + h) = 0 h Jc; p 1K
TconsiCH2 (k + h) = 0 h Jc; p 1K
(p, c) = (54, 36)

(10)

C. Rsultats de simulation
Le contrleur propos a t test en simulation pendant
45 jours, de mi-janvier dbut mars. Une tude concernant
linfluence du volume de la cuve de stockage a t ralise
(de 500 m3 4000 m3 ). Le tableau IV prsente les configurations obtenues les plus intressantes (M P C1 , M P C2 et
M P C3 ). Les performances sont compares aux valeurs de
rfrence, cest--dire sans systme de stockage ni contrle
prdictif.
TABLE IV
Configurations remarquables

Critres
Nom
Unit
Vtot
m3
N bCP
Vgaz
m3
VF OD
l
J1
ke

J2
C
J3
MWh
J4
%
J5
tCO2
J6
%

Rfrence
0
24 635
38 001
3287
61,62
0,56
3712
11,6
139,1
100

Configurations
M P C1 M P C2
1000
1500
21 260
21 203
17 553
17 533
2043
2244
47,10
47,07
0,247
0,252
3036
3030
6,73
6,80
82,9
83,3
64,0
64,3

M P C3
4000
21 482
17 207
2436
47,54
0,272
3066
6,67
83,6
65,2

Lanalyse des rsultats montre que la configuration

M P C1 permet de rduire la consommation de fioul de 37 %
(1244 l), lerreur de consigne (J2 ) de 55 % (0,313 C), les
missions de CO2 (J5 ) de 40 % (56,2 tCO2 ) et le critre de
performance J6 de 36 %. Avec la configuration M P C2 , la
consommation de bois, le cot (J1 ) et lnergie primaire utilise sont respectivement rduits de 14 %, 24 % (14,55 ke)

et 18 % (682 MWh). Enfin, la configuration M P C3 minimise la consommation de gaz de 55 % (20 794 m3 ) et le

taux de couverture fossile (J4 ) de 42,5 % (4,93 points).

[8]

VII. Conclusion
Les travaux prsents dans cet article traitent de loptimisation du fonctionnement dune chaufferie multi-nergie
qui fournit de leau chaude grce un rseau de chaleur. La
chaufferie a dabord t modlise par le biais de modles
de types botes blanches, botes grises ou botes noires, selon une approche modulaire. Cette dernire a t choisie
en raison de la complexit du problme et des fortes interactions entre les diffrents lments constituant la chaufferie. Ensuite, une cuve deau chaude avec stratification
thermique a t ajoute au circuit primaire, modlise puis
intgre au modle global de la chaufferie. Lobjectif du
projet Opti-EnR tant dimplanter un contrleur prdictif
pour optimiser le fonctionnement du site de La Rochelle,
les variables exognes au modle global de la chaufferie (la
temprature extrieure et la puissance thermique consomme par le rseau de chaleur) ont t prdites. Le module
dvelopp est bas sur une analyse multi-rsolution par
transforme en ondelettes discrte et sur lutilisation des
rseaux de neurones artificiels. Enfin, un contrleur prdictif a t dvelopp pour optimiser sur un horizon de prdiction de 4h30 lutilisation du systme de stockage et de
la chaudire bois. Ce contrleur exploite les modles prcdemment dvelopps et les prdictions des variables exognes. Les rsultats obtenus en simulation montrent que
ce contrleur permet de rduire de faon significative la
consommation dnergie fossile, les missions de CO2 et le
cot de fonctionnement. Les travaux futurs considreront
dautres systmes de stockage nergtique et dautres possibilits dintgration au sein de la chaufferie. Diffrents
types de contrleurs (p. ex. flous ou neuronaux) pourront
galement tre essays, avant une implantation in-situ des
outils dvelopps.

[9]

[10]

[11]
[12]

[13]
[14]
[15]

[16]

[17]

[18]

[19]

[20]

[21]

Rfrences
[1]

[2]

[3]

[4]

[5]

[6]

[7]

Susan Solomon, Dahe Qin, Martin Manning, Melinda Marquis, Kristen Averyt, Melinda M.B. Tignor, Henry LeRoy Jr
Miller. et Zhenlin Chen : Climate change 2007 the physical
science basis. Rapport technique, Intergovernmental Panel on
Climate Change, 2008.
EU : Directive 2009/28/EC of the European Parliament and of
the Council of the 23 April 2009 on the promotion of the use of
energy from renewable sources and amending and subsequently
repealing Directives 2001/77/EC and 2003/30/EC, 2009.
EU : Decision No 406/2009/EC of the European Parliament and
of the Council of 23 April 2009 on the effort of Member States
to reduce their greenhouse gas emissions to meet the Communitys greenhouse gas emission reduction commitments up to 2020,
2009.
Julien Eynard : Gestion optimale de lnergie dans un systme
multi-source pour le chauffage de btiments. Thse de doctorat, Laboratoire ELIAUS, Universit de Perpignan Via Domitia,
Octobre 2010.
Vinicio Curti, Michael R. von Spakovsky et Daniel Favrat :
An environomic approach for the modeling and optimization of a
district heating network based on centralized and decentralized
heat pumps, cogeneration and/or gas furnace. Part I : Methodology. International Journal of Thermal Sciences, 39(7):721
730, 2000.
R.A. Dias et J.A.P. Balestieri : Energetic and exergetic analysis in a firewood boiler. Revista De Ciencia & Tecnologia,
12(23):1524, 2004.
S. Lu et B. W. Hogg : Dynamic nonlinear modelling of power
plant by physical principles and neural networks. International

[22]

[23]

[24]

[25]

[26]

[27]

[28]

[29]

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

2000.
Ali Ghaffari, Ali Chaibakhsh et Caro Lucas : Soft computing
approach for modeling power plant with a once-through boiler.
Engineering Applications of Artificial Intelligence, 20(6):809
819, 2007.
Julien Eynard, Stphane Grieu et Monique Polit : Modular
approach for modelling a multi-energy district boiler. Applied
Mathematical Modelling, In Press, Accepted Manuscript:, 2011.
Jonas Sjberg, Qinghua Zhang, Lennart Ljung, Albert Benveniste, Bernard Delyon, Pierre-Yves Glorennec, Hkan
Hjalmarsson et Anatoli Juditsky : Nonlinear black-box modeling in system identification : a unified overview. Automatica,
31(12):1691 1724, 1995. Trends in System Identification.
L. Ljung et E.J. Ljung : System identification : theory for the
user. Prentice-Hall Englewood Cliffs, NJ, 1987.
Thomas F. Coleman et Yuying Li : On the convergence of
interior-reflective Newton methods for nonlinear minimization
subject to bounds. Mathematical Programming, 67(1):189224,
1994.
CT Kelley : Iterative methods for optimization. Society for
Industrial and Applied Mathematics, 1999.
Yucai Zhu : Estimation of an N-L-N Hammerstein-Wiener model. Automatica, 38(9):16071614, 2002.
Y.M. Han, R.Z. Wang et Y.J. Dai : Thermal stratification within the water tank. Renewable and Sustainable Energy Reviews,
13(5):1014 1026, 2009.
Shahab Alizadeh : An experimental and numerical study of
thermal stratification in a horizontal cylindrical solar storage
tank. Solar Energy, 66(6):409 421, 1999.
A.E. Ruano, E.M. Crispim, E.Z.E. Concei ao et M.M.J.R. Lcio : Prediction of buildings temperature using neural networks
models. Energy and Buildings, 38(6):682 694, 2006.
Alberto Hernandez Neto et Flvio Augusto Sanzovo Fiorelli :
Comparison between detailed model simulation and artificial
neural network for forecasting building energy consumption.
Energy and Buildings, 40(12):2169 2176, 2008.
Van Giang Tran, Stphane Grieu, Adama Traor, Frdrik
Thiry, Maxime Estaben et Monique Polit : Wavelets decomposition and Box-Jenkins methodology or neural networks
for short-term electric consumptions forecast. In 1st Conference
on Renewable Energies and Eco-Design in Electrical Engineering. 10 & 11 Dcembre, 2008.
Julien Eynard, Stphane Grieu et Monique Polit : Waveletbased multi-resolution analysis and artificial neural networks for
forecasting temperature and thermal power consumption. Engineering Applications of Artificial Intelligence, In Press, Corrected Proof:, 2010.
ADEME : Bilan Carbone, Calcul des facteurs dmissions. Rapport technique, Agence de lEnvironnement et de la Matrise de
lEnergie et Mission Interministrielle de lEffet de Serre, 2007.
Carlos E. Garca, David M. Prett et Manfred Morari : Model
predictive control : Theory and practicea survey. Automatica,
25(3):335 348, 1989.
D. Q. Mayne et W. R. Schroeder : Robust time-optimal
control of constrained linear systems. Automatica, 33(12):2103
2118, 1997.
C. Kambhampati, J. D. Mason et K. Warwick : A stable onestep-ahead predictive control of non-linear systems. Automatica,
36(4):485 495, 2000.
Sorin Olaru, Didier Dumur, Jean Thomas et Marius Zainea :
Predictive control for hybrid systems. implications of polyhedral
pre-computations. Nonlinear Analysis : Hybrid Systems, 2(2):
510 531, 2008. Proceedings of the International Conference
on Hybrid Systems and Applications, Lafayette, LA, USA, May
2006 : Part II.
Gabriele Pannocchia, James B. Rawlings et Stephen J.
Wright : Fast, large-scale model predictive control by partial
enumeration. Automatica, 43(5):852 860, 2007.
S. Joe Qin et Thomas A. Badgwell : A survey of industrial model predictive control technology. Control Engineering Practice,
11(7):733 764, 2003.
Yosef S. Sherif et Bruce A. Boice : Optimization by pattern
search. European Journal of Operational Research, 78(3):277
303, 1994.
A.K. Al-Othman et K.M. El-Naggar : Application of pattern
search method to power system security constrained economic
dispatch with non-smooth cost function. Electric Power Systems
Research, 78(4):667 675, 2008.