These Duy Long HA 2007

Un système avancé de gestion d’énergie dans le bâtiment
pour coordonner production et consommation

Ha Duy Long
To cite this version:

Ha Duy Long. Un système avancé de gestion d’énergie dans le bâtiment pour coordonner production
et consommation. Modélisation et simulation. Institut National Polytechnique de Grenoble - INPG,
2007. Français. �tel-00260143v1�
HAL Id: tel-00260143

https://tel.archives-ouvertes.fr/tel-00260143v1
Submitted on 3 Mar 2008 (v1), last revised 18 Jun 2008 (v3)
HAL is a multi-disciplinary open access L’archive ouverte pluridisciplinaire HAL, est

archive for the deposit and dissemination of sci- destinée au dépôt et à la diffusion de documents
entific research documents, whether they are pub- scientifiques de niveau recherche, publiés ou non,
lished or not. The documents may come from émanant des établissements d’enseignement et de
teaching and research institutions in France or recherche français ou étrangers, des laboratoires
abroad, or from public or private research centers. publics ou privés.
Institut Polytechnique de Grenoble
No. attribué par la bibliothèque
THESE
pour obtenir le grade de
DOCTEUR DE L'INPG
Spécialité : Automatique-Productique
préparée au Laboratoire d'Automatique de Grenoble,
et au Laboratoire des sciences pour la conception, l'optimisation et la production
dans le cadre de l'École Doctorale :
Électronique, Électrotechnique, Automatique, Traitement du Signal
par
Duy-Long HA
le 19 septembre 2007
Titre :
Un système avancé de gestion d'énergie dans le bâtiment
pour coordonner production et consommation
Directrice de thèse : Mireille JACOMINO

Co-Encadrant : Stéphane PLOIX
Co-Encadrant : Éric ZAMAÏ
JURY
Seddik BACHA Professeur de l'UJF Grenoble Président
Pierre BAPTISTE Professeur de l'école Polytechnique Montréal Rapporteur
Pierre LOPEZ Chargé de recherche au CNRS de Toulouse Rapporteur
André ROSSI Maître de conférence de l'Université de Bretagne Sud Examinateur
Mireille JACOMINO Professeur de l'INP Grenoble Directrice de thèse
Stéphane PLOIX Maître de conférence de l'INP Grenoble Co-Encadrant

Avant-Propos
Je tiens à remercier les personnes qui ont partagé avec moi ma vie, les bonheurs et aussi mes
expériences de la recherche pendant ces trois années. J'essaie d'écrire ce que je pense et ce que
je ressens, et cette partie n'est pas la plus facile de ma thèse.
Je tiens tout d'abord à remercier M. Alain Barraud (directeur du Laboratoire Automatique de

Grenoble) la première personne qui m'a accueilli au sein de son laboratoire comme étudiant de
Master de Recherche puis en tant que doctorant durant les deux premières années de ma thèse.
Je remercie également mes professeurs de Master : C. Commault, E. Zamaï, J.M. Flaus, M.L.
Espinouse, M. Jacomino et P. Ladet. Je remercie également M. Yannick Frein (le directeur du
laboratoire G-SCOP) qui m'a accueilli au sein de son laboratoire depuis janvier 2007.
Je remercie M. Eric Zamaï de m'avoir accepté comme stagiaire de Master et de m'avoir lancé
dans cette aventure scientique. Malgré sa charge de directeur des études, il m'a toujours suivi
et m'a donné l'assistance nécessaire. Avec tout ce qu'il a fait pour mon pays en général et pour
moi en particulier, je le considérerai toujours comme un ami dèle du Vietnam.
Mes remerciements s'adressent ensuite à Mme Mireille Jacomino, ma directrice de thèse, pour
ses conseils, son esprit critique et surtout son recul par rapport à mes travaux de recherche.
Elle m'a toujours aidé et compréhensive et plein d'humanité. Être conseillé par Mme Mireille
Jacomino et proter de son talent sont un expérience unique, un soutien incomparable.
La personne à qui je dois le plus est M. Stéphane Ploix. C'est toujours un plaisir de travailler
avec lui, je me sens toujours à côté d'une mine d'inspiration. Son enthousiasme et sa capacité de
travail sont parfois sans limite. Sans lui, il est clair que l'écriture de ma thèse aurait été beaucoup
plus dicile.
C'est une chance pour moi d'avoir pu intégrer un environnement de recherche très riche, j'y ai
rencontré beaucoup de gens fabuleux et constructifs. Eric Deschamps m'a beaucoup aidé durant
mon Master. Florent Frizon de Lamotte, Huynh Quoc Hung, Shadi Abras, Pham Thi Thu Ha
ont contribué à la construction des idées de ma thèse. Les échanges que j'ai eu avec Alexis Aubry
m'ont permis d'accélérer considérablement mes travaux de recherche durant la dernière année.
6
J'adresse mes remerciements à M. André Rossi pour son aide pendant mon stage de Master
de recherche et pour sa contribution à mon manuscrit de thèse. Sa lecture approfondie de mon
manuscrit et ses suggestions pour l'améliorer méritent un remerciement spécial.
Je souhaite exprimer toute ma gratitude à mes deux rapporteurs, M. Pierre Baptiste et M.

Pierre Lopez d'être venus de loin pour examiner mes travaux. Leurs commentaires constructifs me
seront vraiment utiles pour mes futures recherches. Je voudrais exprimer également ma gratitude
à mon président du jury, M.Seddik Bacha pour sa gentillesse, sa compréhension et sa générosité.
Je tiens aussi à remercier l'équipe technique et administrative de l'ancien laboratoire LAG

et en particulier Daniel, Marie-Thérèse, Virginie et Patricia. Je remercie également toutes les
personnes du nouveau laboratoire G-SCOP que j'ai rejoint depuis janvier 2007.
Il est cependant impossible de déconnecter les résultats de trois ans de recherche et ma vie
privée car les idées émergent, inconsciemment parfois, dans un environnement serein et chaleu-
reux.
La distance avec ma famille a toujours été une des dicultés que j'ai eu à surmonter durant
mon séjour en France. Je tiens à exprimer tous mes remerciements envers mon père, ma mère et
ma soeur qui m'ont toujours soutenu tout au long de mon parcours depuis le premier jour.
L'amitié de Kien, Minh, Luong et Huyen ont été d'un réconfort incomparable, l'amitié d'Alexis
et d'Eric, d'un appui par delà les frontières.
Pour mes grand-mères, je n'ai pas de mot spécial, je vous dédie ces travaux.
Table des matières
Introduction générale 13
Partie I Problématique 15
Chapitre 1 Contexte et Enjeux 19
1 Panorama . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
1.1 Contexte mondial . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
1.1.1 Impact des activités énergétiques . . . . . . . . . . . . . . . 20
1.1.2 De la production à la consommation d'électricité . . . . . . 22
1.2 Contexte français . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
1.3 Conclusions sur le contexte . . . . . . . . . . . . . . . . . . . . . . . 26
2 Problématique de la production et de la consommation . . . . . . . . . . . . . 26
2.1 La structure et l'exploitation du réseau électrique . . . . . . . . . . . 26
2.1.1 La structure du réseau électrique . . . . . . . . . . . . . . . 26
2.1.2 Supervision, conduite et exploitation du réseau électrique . . 27
2.1.3 Problématique des pics de consommation . . . . . . . . . . . 28
2.2 Maîtrise de l'énergie dans le secteur Résidentiel-Tertiaire : l'enjeu in-
contournable . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
3 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
Chapitre 2 Caractérisation du problème 31

1 Caractérisation des besoins énergétiques dans le bâtiment . . . . . . . . . . . . 31
1.1 Chauage et climatisation . . . . . . . . . . . . . . . . . . . . . . . . 32
1.1.1 Confort thermique . . . . . . . . . . . . . . . . . . . . . . . 32
1.1.2 Zone thermique . . . . . . . . . . . . . . . . . . . . . . . . . 33
1.2 Ventilation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
1.2.1 Besoin de ventilation . . . . . . . . . . . . . . . . . . . . . . 33
1.2.2 Contrôle du système de ventilation . . . . . . . . . . . . . . 34
1.3 Production d'eau chaude . . . . . . . . . . . . . . . . . . . . . . . . . 34
1.3.1 Besoin en eau chaude . . . . . . . . . . . . . . . . . . . . . . 34
1.3.2 Production de l'eau chaude . . . . . . . . . . . . . . . . . . 35
1.4 Éclairage . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
1.4.1 Confort visuel . . . . . . . . . . . . . . . . . . . . . . . . . . 36
1.5 Fonctions électrodomestiques . . . . . . . . . . . . . . . . . . . . . . 36
8 Table des matières
1.5.1 Production de froid alimentaire . . . . . . . . . . . . . . . . 36

1.5.2 Cuisson . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
1.5.3 Micro-informatique domestique . . . . . . . . . . . . . . . . 37
2 Production d'électricité locale, stockage . . . . . . . . . . . . . . . . . . . . . . 37
2.1 Production d'électricité locale . . . . . . . . . . . . . . . . . . . . . . 37
2.1.1 Production d'énergie électrique à partir de l'énergie solaire . 37
2.1.2 Production d'électricité d'origine éolienne . . . . . . . . . . 38
2.1.3 Production d'énergie par un group électrogène . . . . . . . . 38
2.2 Systèmes de stockage . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
2.2.1 Stockage thermique passif . . . . . . . . . . . . . . . . . . . 39
2.2.2 Stockage thermique actif . . . . . . . . . . . . . . . . . . . . 39
2.2.3 Stockage électrique . . . . . . . . . . . . . . . . . . . . . . . 40
3 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
Chapitre 3 Système de gestion de l'énergie dans le bâtiment 41

1 Les systèmes de gestion d'énergie dans le bâtiment . . . . . . . . . . . . . . . . 41
1.1 Fonctionnalités et limites des systèmes de gestion de l'énergie existants 41
1.1.1 Régulation et Programmation . . . . . . . . . . . . . . . . . 42
1.1.2 Optimisation du démarrage et de l'arrêt . . . . . . . . . . . 42
1.1.3 Accès aux données des capteurs et performance des équipe-
ments . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
2 Maîtrise de l'énergie dans les bâtiments . . . . . . . . . . . . . . . . . . . . . . 43
2.1 Notion de système domotique . . . . . . . . . . . . . . . . . . . . . . 43
2.1.1 Caractéristique d'une demande de service énergétique . . . . 43
2.1.2 Notion de degré de liberté du ux de service . . . . . . . . . 44
2.2 Vers une optimisation de la gestion des ux énergétiques . . . . . . . 44
2.3 Gestion de ux énergétiques . . . . . . . . . . . . . . . . . . . . . . . 45
3 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
Partie II Modélisation du problème 49

Chapitre 4 Structuration du problème 53
1 Notations et Dénitions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53
1.1 Notion de ux . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54
1.1.1 Flux énergétiques . . . . . . . . . . . . . . . . . . . . . . . . 55
1.1.2 Flux d'information . . . . . . . . . . . . . . . . . . . . . . . 55
1.2 Service . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55
1.2.1 Flexibilité d'un service . . . . . . . . . . . . . . . . . . . . . 56
1.2.2 Estimation de la demande du service . . . . . . . . . . . . . 56
1.2.3 Fonction de satisfaction du service . . . . . . . . . . . . . . 56
2 Modèle de comportement du système . . . . . . . . . . . . . . . . . . . . . . . 57
2.1 Modèle de comportement dynamique de l'environnement . . . . . . . 57
2.2 Modèle de comportement des équipements . . . . . . . . . . . . . . . 58
3 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61
9
Chapitre 5 Formulation mathématique du problème 63

1 Principes de la transformation logique . . . . . . . . . . . . . . . . . . . . . . . 63
1.1 Logique propositionnelle et programmation en nombres entiers . . . . 63
1.1.1 Transformation de la condition linéaire . . . . . . . . . . . . 64
1.1.2 Variables auxiliaires . . . . . . . . . . . . . . . . . . . . . . 65
2 Transformation des modèles comportementaux . . . . . . . . . . . . . . . . . . 65
2.1 Formulation du service de chauage, climatisation . . . . . . . . . . . 65
2.2 Modélisation d'un service temporisé non-préemptif . . . . . . . . . . 67
2.2.1 Formulation du problème en temps discret . . . . . . . . . . 67
2.2.2 Formulation en temps continu . . . . . . . . . . . . . . . . . 69
2.3 Source d'énergie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 70
2.3.1 Source d'énergie intermittente . . . . . . . . . . . . . . . . . 70
2.3.2 Source d'énergie permanente . . . . . . . . . . . . . . . . . . 71
2.4 Stockage de l'énergie . . . . . . . . . . . . . . . . . . . . . . . . . . . 71
2.4.1 Gestion de l'achat et de la revente d'énergie . . . . . . . . . 72
3 Problème de planication de la production/ consommation d'énergie . . . . . 73
3.1 Plan d'aectation des ressources . . . . . . . . . . . . . . . . . . . . . 73
3.2 Critères d'optimisation . . . . . . . . . . . . . . . . . . . . . . . . . . 73
3.2.1 Critères économiques . . . . . . . . . . . . . . . . . . . . . . 73
3.2.2 Critères de confort . . . . . . . . . . . . . . . . . . . . . . . 73
3.2.3 Critère écologique . . . . . . . . . . . . . . . . . . . . . . . . 74
4 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 74
Chapitre 6 Architecture de conduite retenue 75

1 Analyse des besoins pour le mécanisme de pilotage . . . . . . . . . . . . . . . 75
1.1 Caractérisation temporelle du problème . . . . . . . . . . . . . . . . 75
1.2 Incertitudes et aléas . . . . . . . . . . . . . . . . . . . . . . . . . . . 76
1.3 Les mécanismes de pilotage existants . . . . . . . . . . . . . . . . . . 76
1.4 Conséquences d'un choix de période de discrétisation . . . . . . . . . 77
2 Optimisation multi-échelle . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 77
2.1 Principe . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 77
2.2 La couche d'anticipation . . . . . . . . . . . . . . . . . . . . . . . . . 80
2.3 La couche réactive . . . . . . . . . . . . . . . . . . . . . . . . . . . . 80
2.4 La couche de commande locale . . . . . . . . . . . . . . . . . . . . . 81
3 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 81
Partie III Approches de résolution 83

Chapitre 7 Approche de résolution pour la couche d'anticipation 87
1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 87
2 Analyse du problème vis à vis de sa réduction . . . . . . . . . . . . . . . . . . 89
2.1 Analyse des relations temporelles entre les services . . . . . . . . . . 89
2.1.1 Dénition . . . . . . . . . . . . . . . . . . . . . . . . . . . . 89
2.1.2 Graphe des relations temporelles . . . . . . . . . . . . . . . 90
2.2 Proposition d'une borne inférieure du coût de l'énergie consommée . 92
10 Table des matières
3 Programmation linéaire en variables mixtes (PLVM) . . . . . . . . . . . . . . . 93

3.1 L'approche de séparation et d'évaluation . . . . . . . . . . . . . . . . 93
3.2 Exemples d'application de la PLVM . . . . . . . . . . . . . . . . . . 93
4 Approche de résolution par les Métaheuristiques hybrides . . . . . . . . . . . . 95
4.1 Implémentation de la recherche tabou(RT) . . . . . . . . . . . . . . . 98
4.2 Structure du voisinage . . . . . . . . . . . . . . . . . . . . . . . . . . 98
4.3 Implémentation du Recuit Simulé . . . . . . . . . . . . . . . . . . . . 100
4.4 Implémentation de l'Algorithme Génétique . . . . . . . . . . . . . . . 102
4.4.1 Description de l'algorithme génétique . . . . . . . . . . . . . 102
4.4.2 Gènes, croisement et mutation . . . . . . . . . . . . . . . . . 103
5 Mise en ÷uvre . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 104
5.1 Recherche tabou . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 105
5.2 Recuit simulé . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 106
5.3 Algorithme Génétique . . . . . . . . . . . . . . . . . . . . . . . . . . 106
5.4 Synthèse des résultats obtenus par les métaheuristiques hybrides . . . 107
6 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 108
Chapitre 8 Approche de résolution pour la couche réactive 109

1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 110
1.1 Approche d'ordonnancement sous contrainte de ressource . . . . . . . 110
1.2 Approche de pilotage direct des charges . . . . . . . . . . . . . . . . 111
2 Problème d'aectation d'énergie aux services interruptibles . . . . . . . . . . . 112
2.1 Description du problème . . . . . . . . . . . . . . . . . . . . . . . . 112
2.2 Approche prédictive par programmation dynamique . . . . . . . . . . 113
2.3 Aectation dynamique par l'algorithme de liste . . . . . . . . . . . . 115
3 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 117
Chapitre 9 Prise en compte des incertitudes 119

1 Analyse des incertitudes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 119
1.1 Sources d'incertitudes dans le problème de gestion de l'énergie dans
le bâtiment . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 119
1.1.1 Les incertitudes venant de l'extérieur . . . . . . . . . . . . . 120
1.1.2 Les incertitudes venant de l'intérieur . . . . . . . . . . . . . 120
1.2 Modélisation de l'incertitude . . . . . . . . . . . . . . . . . . . . . . . 121
2 Approche pour la prise en compte des incertitudes . . . . . . . . . . . . . . . . 122
2.1 Introduction à la programmation multi-paramétrique . . . . . . . . . 122
2.2 Algorithme dans l'étape 1 . . . . . . . . . . . . . . . . . . . . . . . . 124
2.3 Algorithme de l'étape 2 . . . . . . . . . . . . . . . . . . . . . . . . . 129
3 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 129
Partie IV Applications 131

Chapitre 10 Gestion des ux électriques dans un bâtiment photovoltaïque 135
1 Présentation du projet Multisol . . . . . . . . . . . . . . . . . . . . . . . . . . 135
1.1 Architecture matérielle . . . . . . . . . . . . . . . . . . . . . . . . . . 135
11
1.2 Architecture logicielle . . . . . . . . . . . . . . . . . . . . . . . . . . . 137

2 Cas d'étude . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 138
2.1 Services disponibles dans l'appartement cible . . . . . . . . . . . . . 139
2.1.1 Service de chauage . . . . . . . . . . . . . . . . . . . . . . 139
2.1.2 L'eau chaude sanitaire . . . . . . . . . . . . . . . . . . . . . 140
2.1.3 Service de lave-linge . . . . . . . . . . . . . . . . . . . . . . 141
2.1.4 Service du lave vaisselle . . . . . . . . . . . . . . . . . . . . 142
2.1.5 Les sources d'énergie électrique . . . . . . . . . . . . . . . . 142
2.1.6 Critères d'optimisation et modes de fonctionnement . . . . . 144
2.2 Résultats . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 144
2.2.1 Stratégie 1 : Consommation locale de l'énergie solaire produite144
2.2.2 Stratégie 2 : revente de l'énergie produite . . . . . . . . . . . 145
3 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 146
Chapitre 11 Prévention des blackouts grâce au système de gestion d'énergie149

1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 149
2 Mise en place d'un système de pilotage . . . . . . . . . . . . . . . . . . . . . . 150
2.1 Principe du mécanisme de prévention des blackouts . . . . . . . . . . 150
2.2 Mécanisme de pilotage multi-échelle . . . . . . . . . . . . . . . . . . . 152
2.2.1 La couche de gestion d'énergie dans le bâtiment . . . . . . . 152
2.2.2 La couche de commande du GRD . . . . . . . . . . . . . . . 152
3 Mise en ÷uvre . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 154
3.1 Structure du simulateur . . . . . . . . . . . . . . . . . . . . . . . . . 154
3.2 Exemple d'application . . . . . . . . . . . . . . . . . . . . . . . . . . 154
4 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 156
Conclusion générale 159
Bibliographie 163
Table des gures 173
Liste des tableaux 175

Introduction générale
Depuis toujours, l'Homme a considéré la planète comme une mine inépuisable de ressources.
Il a fait preuve d'une incroyable ingéniosité pour découvrir de nouvelles ressources, de nouvelles
terres à cultiver, de nouvelles énergies à exploiter. Avec le temps, l'Homme s'est posé en do-
minateur absolu de la nature qu'il a façonnée pour qu'elle lui soit utile. A force d'eorts et
d'imagination, l'innitude s'est révélée nie et aujourd'hui tous les experts convergent vers la
conclusion qu'il faut passer d'un paradigme de conquête à un paradigme de symbiose. On parle
de plus en plus de développement durable : il ne s'agit plus uniquement de construire son présent
mais de considérer aussi la planète et son devenir.
Les experts s'accordent à dire que les évolutions technologiques seules ne permettront pas de
changer de paradigme. L'Homme n'échappera pas à une rupture dans sa façon de se concevoir
au sein de son environnement. Le problème est ainsi posé mais la solution n'en est pas pour
autant facile à trouver. Outre l'aspect politique et militant, des pistes de recherche doivent être
explorées. L'utilisation d'un logiciel, l'accès au Web ou la conduite d'une automobile impactent
la façon qu'a l'Homme de se positionner par rapport à son environnement. Jusqu'à aujourd'hui,
la plupart des produits ont conduit à des usages qui renforçaient le sentiment de toute puissance
de l'Homme. Le problème qui se pose aujourd'hui est : un produit peut-il aider l'homme à se
re-concevoir avec un nouveau paradigme ?
Ce travail de recherche s'appuie sur les outils de contrôle-commande pour montrer que dans
le contexte du bâtiment, il est possible d'aider les occupants à changer leur comportement vis-
à-vis de la consommation d'énergie. Nous proposons en eet un système de gestion de l'énergie
électrique dans le bâtiment qui permet d'ajuster la consommation aux ressources énergétiques
disponibles tout en maximisant le confort des occupants. Ainsi, en fonction des ressources dispo-
nibles, certains services peuvent être automatiquement retardés, adaptés ou interrompus. L'usa-
ger émet des requêtes de services et le système de contrôle-commande détermine, en fonction du
contexte énergétique courant, la meilleure façon de réaliser ces services.
Nous commençons par étudier le contexte énergétique global et celui de l'habitat en par-
ticulier. Après avoir examiné les systèmes de gestion d'énergie existants, nous identions les
principaux services de l'habitat, qu'ils soient consommateurs ou producteurs d'énergie, et nous
proposons une formulation générique qui permet de modéliser tous les services identiés ainsi
que diérents critères portant sur le confort et les coûts économiques et environnementaux.
Nous montrons qu'un système de contrôle-commande structuré en couche permet d'atteindre
l'objectif recherché. Une couche anticipative permet de calculer par avance des plans d'aectation
d'énergie qui tiennent compte des demandes des occupants mais aussi de données météorologiques
et des contraintes et besoins des fournisseurs d'énergie. Une couche réactive permet d'ajuster les
plans d'aectation à une échelle de temps plus ne en tenant compte des évènements non prévus.
Enn, une couche de commande locale, permet aux équipements d'appliquer les consignes établies
14 Introduction générale
par les autres couches.

Nous proposons alors des algorithmes, adaptés aux diérentes couches de commande, qui
reposent sur des techniques d'optimisation à base d'heuristiques et de programmation linéaire
mixte. Après avoir étudié les performances de ces algorithmes et montré leur capacité à faire face
à des évènements imprévus, nous proposons une solution complémentaire qui permet de tenir
compte d'incertitudes sous forme d'intervalles sur les modèles et les prédictions.
Nous concluons en présentant deux applications issues de collaborations avec d'autres la-
boratoires de recherche et des entreprises. L'une se place au niveau de l'usager en facilitant la
gestion de l'énergie solaire dans le bâtiment et permet par exemple d'adapter la consommation
d'un logement pour faire face aux uctuations de la ressource et du coût énergétique. Nous mon-
trons que le système de gestion d'énergie peut aussi servir à optimiser la consommation/revente
d'énergie solaire sur le réseau. Enn, nous adoptons le point de vue du fournisseur d'énergie
en montrant comment un ensemble de logements équipés de systèmes de gestion d'énergie peut
aider les gestionnaires de réseaux à mieux faire face aux phénomènes de blackout.
Première partie
Problématique
17
Nous n'héritons pas de la terre de nos Ancêtres, nous l'empruntons à nos enfants.
St Exupery
Chapitre 1
Contexte et Enjeux
Ce chapitre analyse sommairement le contexte de la consommation et de la production éner-

gétique, en particulier l'énergie électrique, tant au niveau mondial qu'au niveau français. Cette
analyse nous permet d'éclaircir la complexité du contexte énergétique dans une phase transitoire
pleine d'inquiétudes quant aux problèmes environnementaux : changement climatique, épuise-
ment des réserves d'énergie mondiales... Dans ce contexte, il apparaît que la consommation
d'énergie dans le secteur Résidentiel-Tertiaire représente de 46% de la consommation d'énergie
nale et conduit à 23% des rejets de gaz à eet de serre. La deuxième partie de ce chapitre
examine les moyens de maîtriser l'énergie dans ce secteur.
1 Panorama
Depuis quelque temps déjà, la communauté scientique mondiale tend à s'accorder concer-
nant l'inuence de l'activité humaine sur le réchauement climatique. Un consensus se dégage
également concernant l'évolution de la démographie mondiale vers un pic à 9 milliards d'êtres
humains aux environs de 2050 (pour environ 6 milliards aujourd'hui) suivi d'une lente décrois-
sance pour revenir aux environs de 7 milliards vers 2100. Parallèlement, l'actualité récente (prix
du pétrole, développement rapide de pays émergents à forte population tels que la Chine, l'Inde
ou le Brésil) nous démontre la forte probabilité d'augmentation du coût des énergies fossiles
dans un avenir proche, quelle que soit leur nature et les pénuries à moyen terme pour certaines
d'entre elles. Partout dans le monde, les sources d'énergies primaires ou nales sont appelées à
se diversier à diérents niveaux (état, région, villes, bâtiments, particuliers), complexiant ainsi
grandement les problèmes liés à la distribution. À cela se rajoute la libéralisation des secteurs
de l'énergie au niveau Européen qui permettra à terme à tout consommateur de choisir son
fournisseur d'énergie. Dans ce contexte, il s'avère que :
• Le secteur du bâtiment constitue un gisement potentiel important d'économie d'énergie,
notamment par la rationalisation de l'utilisation de l'énergie nale, et plus particulièrement
de l'électricité.
• De nouveaux besoins apparaissent déjà dans certaines parties du monde quant à la sécu-
risation de l'approvisionnement en énergie au niveau local (Black-out américains, italiens
etc.)
20 Chapitre 1. Contexte et Enjeux
Consommation énergie primmaire EJ/a ( EJ = Exajoule =1018 Joule)
Biomasse
Renovelable
Nucléaire
Gaz
Pétrole
Charbon
Fig. 1.1 Consommation énergétique mondiale depuis 1870 (source IEA statistique et BMU
(2006b))
1.1 Contexte mondial

1.1.1 Impact des activités énergétiques
Impacts environnementaux : L'Homme du vingtième siècle s'est comporté comme si l'éner-
gie était disponible à volonté sans prendre pleinement conscience des eets induits par l'évolution
de son mode de vie. Un progrès a été franchi avec la qualication sans doute critiquable, de l'im-
pact des activités humaines sur l'écosystème. Le WWF (World Wide Fund For Nature) a proposé
la notion d'Empreinte Écologique Mondiale (World Ecological Footprint en anglais). Il s'agit de
la surface exploitée ou consommée pour les diérentes activités humaines. Le rapport du WWF
(2004) conrme que les ressources naturelles consommées par l'humanité sont plus de 20% supé-
rieures à celles que la terre peut produire par une période donnée. L'énergie représente plus de
50% d'empreinte totale et augmente de manière continue. Si on regarde la consommation éner-
gétique mondiale depuis 1870 (gure 1.1), on remarque qu'elle n'a cessé de croître de manière
quasiment exponentielle.
Les besoins énergétiques conduisent à l'épuisement de précieuses ressources ainsi qu'à d'im-
portantes pollutions dont les rejets de gaz à eet de serre. Une des conséquences est que la terre
ne cesse de se réchauer depuis la n du XIX siècle. Ce sont sans aucun doute les activités
humaines qui renforcent les phénomènes d'eet de serre et sont responsables du réchauement
climatique (Multon et al., 2003). Il est principalement dû au rejet de gaz carbonique dans l'at-
mosphère suite à l'utilisation de combustibles. Aujourd'hui, notre planète ne peut absorber que
la moitié des 7 milliards de tonnes de carbone rejetés annuellement, et si la tendance n'est pas
inversée, dans 20 ans, cette quantité aura encore augmenté de 50%.
Selon le rapport de l'International Energy Outlook 2006 (IEA, 2006), l'ordre de grandeur de
la consommation d'énergie primaire en 2004 dans le monde est de 11, 059 1012 kWh pour une
consommation totale nale de 7, 1 1012 kWh. L'énergie non-renouvelable représente 86,8% de
la consommation totale. Le pétrole représente la plus grande partie (34,3%), suivi du charbon
(25,1%), puis du gaz naturel (20,9%) et du nucléaire (6,5%). Évidemment, l'existence humaine
dépend fortement des sources énergétiques. Pouvons-nous continuer à consommer de cette ma-
nière tout en préservant notre écosystème ? Combien nous restera-t-il d'énergie primaire pour
1. Panorama 21
Fig. 1.2 Réserve mondiale l'énergie fossile
notre futur ? Les scénarios d'évolution sont nombreux, il est extrêmement dicile de prévoir
exactement comment l'Humanité va se développer : la population va continuer de croître, stag-
ner ou décroître, mais d'après (Multon et al., 2004), une croissance de la consommation mondiale
principalement due au développement des pays émergents (la Chine, l'Inde etc...) est très pro-
bable. Il est ainsi prévisible que nous épuiserons le gaz et le pétrole durant le XXI siècle (voire
estimation des réserves de l'énergie fossile proposée gure 1.2).
Impacts sociaux : Les carburants fossiles représentent un enjeu politico-économique majeur

et sont ainsi l'objet de conits permanents, surtout pour le pétrole qui est aujourd'hui une
ressource incontournable dans le domaine des transports.
La prévision de la production de pétrole (Laherrere, 2003), compte tenu du fait que les capa-
cités actuelles de récupération du pétrole dans un gisement conventionnel sont de l'ordre de 30
à 35%. Les optimistes tablent sur la capacité d'innovation technologique permettant d'améliorer
le rendement de ces gisements et de rendre exploitables les gisements non conventionnels tels
que les pétroles extra-visqueux ou les sables asphaltites (réserves pratiquement équivalentes aux
réserves de pétrole conventionnelles du Moyen Orient). Les optimistes n'envisagent pas de pic de
production avant 2040 environ tandis que les pessimistes le prévoient aux environs de 2015, voire
plus tôt. On notera également que la majeure partie des réserves de pétrole conventionnelles est
située dans des pays sujets à de fortes tensions politiques. C'est la raison pour laquelle des conits
à répétition s'y déroulent. En conséquence, cela implique des perturbations sur la production et
des uctuations sur le cours du pétrole.
Concernant le gaz, les réserves sont plus importantes comparées à celles du pétrole (voir gure
1.2). Cependant, on peut constater que les importations européennes ont déjà commencées à
s'amplier fortement. Compte tenu du faible nombre de fournisseurs (principalement la Russie)
et du fait que le gaz soit de 7 à 10 fois plus cher à transporter que le pétrole, on peut s'attendre
également à de fortes augmentations de prix.
Par ailleurs, on peut constater l'inuence grandissante du charbon pour lequel il reste des
réserves mondiales assez importantes. Il est très probable que son exploitation va connaisse une
forte augmentation dans le prochain siècle (Multon et al., 2004). L'utilisation trop intensive
pourrait s'avérer catastrophique au niveau de l'environnement du fait de l'émission de gaz à eet
de serre.
En 1997, visant à lutter contre le changement climatique en réduisant les émissions de gaz
carbonique, le protocole de Kyoto a été ratié par 165 pays industrialisés : 35 d'entre eux et
l'union européenne se sont engagés à réduire d'ici 2012 leurs émissions de gaz à eet de serre
de 5,2% par rapport à celles de 1990. Les engagements souscrits par les pays développés sont
ambitieux. Pour faciliter leur réalisation, le protocole de Kyoto prévoit, pour ces pays, la possibi-
lité de recourir à des mécanismes dits "de exibilité" en complément à des politiques et mesures
qu'ils devront mettre en ÷uvre aux plans nationaux (BMU, 2006a). Le Protocole de Kyoto est
la première étape pour aller vers un développement durable de l'humanité, un développement
qui consiste à répondre aux besoins du présent sans compromettre la capacité des générations
futures de répondre aux leurs. L'objectif du développement durable est de dénir des schémas
qui concilient les trois aspects économique, social et environnemental des activités humaines.
Autrement dit, il concerne tous les pays, toutes les entreprises, tous les habitants de la terre qui
doivent mieux utiliser les ressources de la terre en réduisant les consommations inutiles et les
pollutions non justiées.
1.1.2 De la production à la consommation d'électricité

Pour mieux appréhender les enjeux énergétiques, examinons les principaux types d'énergie
électrique ainsi que la répartition de la consommation.
L'électricité provenant d'énergies non-renouvelables : L'électricité peut être produite à

partir de plusieurs sources d'énergie. Selon le rapport IEA (2006), on constate la prédominance
très forte au niveau mondial de la production d'électricité à partir des combustibles fossiles (39,8%
par le charbon, 19 ,6% par le gaz et 6,7% par le pétrole). La pénurie des sources d'énergie fossile et
la restriction des émissions de gaz à eet de serre causent des tensions sur l'utilisation des énergies
primaires. Or, ces tensions auront immanquablement des répercussions importantes sur les coûts
de l'électricité au niveau mondial. En parallèle, il est de plus en plus sérieusement envisagé de
réduire les rejets de gaz à eet de serre notamment par le traitement des gaz carboniques (capture,
stockage et piégeage de CO2 ). Ce coût risque d'engendrer une importante augmentation du coût
de production de l'électricité.
Production de l'électricité à partir des énergies renouvelables : En considérant le

contexte de réduction d'émission de gaz à eet de serre et l'incertitude sur les sources d'énergie
fossile, l'utilisation de sources d'énergie renouvelable commence à être encouragée par les poli-
tiques publiques et commence à se répandre. Les énergies renouvelables représentent 13,3% de la
consommation totale d'énergie comptabilisée dans le monde et 18% de la production mondiale
d'électricité. L'hydraulique en occupe la plus grande partie. Cependant, une analyse détaillée de
Observer (2006) montre que parmi les énergies renouvelables, la production d'électricité d'origine
éolienne a connu la croissance la plus importante avec une augmentation de 28.4% par an en
moyenne de 1995 à 2005. La production d'électricité d'origine solaire est au deuxième rang avec
une progression annuelle de 19.5%.
1. Panorama 23
Fig. 1.3 Consommation d'électricité par secteur dans le monde entier
L'énergie éolienne : est l'énergie tirée du vent au moyen d'un dispositif aérogénérateur
tel qu'une turbine éolienne (ADEME, 2002). Parmi les ressources renouvelables, l'éolien est
encore actuellement le mieux placé sur le plan de la rentabilité économique. Les améliorations
technologiques réalisées au cours des deux dernières décennies rendent aujourd'hui la lière able
sur le plan technologique. La mise en exploitation d'une turbine de 1 MW installée sur un site
éolien moyen permet d'éviter un rejet annuel de 2000 tonnes de dioxyde de carbone, si l'électricité
produite était issue de centrales thermiques, sachant que l'on prend en compte l'énergie et les
matériaux nécessaires à la fabrication et au démantèlement des équipements de production, an
de s'assurer que son bilan énergie produite/ énergie consommée est intéressant. On étudie ainsi
le cycle de vie des éoliennes. Or, selon l'association Danoise de l'industrie éolienne, une éolienne
moderne produit, en seulement deux à trois mois, toute l'énergie consommée pour sa réalisation.
Une éolienne de 2,5 MW a une durée de vie d'environ 20 ans dans des conditions normales
d'exploitation et peut produire jusqu'à 3000 MWh par an, ce qui correspond à la consommation
annuelle d'environ 1000 à 3000 foyers (suivant leur consommation).
Énergie solaire : Bien qu'étant, pour l'instant, très largement minoritaire au niveau mon-
dial, l'énergie solaire constitue une énergie facilement exploitable en évolution très forte dans
les deux domaines que sont le photovoltaïque et le solaire thermique. En eet, la croissance de
l'électricité solaire photovolaïque a été de l'ordre de 31,6% par an en moyenne. Durant ces vingt
dernières années, le prix de l'énergie produite par le photovoltaïque est passé signicativement
de plus de cent euros à environ deux euros par watt aujourd'hui.
Le point faible des systèmes photovoltaïques est leur rendement de 3 à 12% et leur rapport
important coût d'investissement/énergie produite. Selon le rapport de BMU (2006b), les systèmes
photovoltaïques ont besoin de 2 à 5 ans pour amortir l'énergie consommée pour leur construction,
incluant le coût de fabrication et le montage. Pour maximiser le rendement du collecteur d'énergie
solaire, des collecteurs multifonctions ou systèmes photovoltaïques hybrides ont été mis au point.
Ils consistent à récupérer l'énergie solaire en la transformant simultanément sous forme électrique
et sous forme thermique. Cela permet d'améliorer considérablement le rendement du système.
Consommation d'électricité : Le rapport sur la production d'énergie mondiale (IEA, 2006)

conteste la croissance de la production d'électricité par habitant entre 1995 et 2005 qui ne ra-
lentit que dans les pays postindustriels. Bien que la croissance de la consommation d'électricité
par habitant soit beaucoup plus faible dans les régions industrialisées comme l'Europe de l'Ouest
(1,6% par an en moyenne). Dans les pays en développement comme l'Asie de l'Est et du Sud Est,
l'augmentation de la consommation par habitant est de plus de 5% par an en moyenne depuis
1995. En conséquence, la consommation d'électricité au niveau mondial du secteur Résidentiel-
Tertiaire et de l'agriculture occupe toujours la plus grande partie de la consommation (plus de
50% de la consommation totale en 2004). Le secteur résidentiel correspond à l'ensemble des ha-
bitats individuels ou collectifs. Le tertiaire regroupe les activités de service : écoles, bureaux,
commerces, hôtels. L'agriculture comprend la consommation d'énergie des engins agricoles et
des bâtiments d'élevage. La part de l'agriculture est relativement faible par rapport au secteur
du Résidentiel-Tertiaire. La consommation d'électricité de ces secteurs ne cesse pas d'augmenter
depuis 1973. En 2004, l'électricité consommée dans ces secteurs est égale à 160% de la consom-
mation mondiale de l'année 1973. Dans le monde, la répartition des usages énergétiques dans le
Résidentiel-Tertiaire peut être estimée à 80% pour le thermique (chauage, climatisation, eau
chaude, cuisson) et 20% pour des usages spéciques de l'électricité (éclairage, électroménager,
audiovisuel).
1.2 Contexte français

La France constitue un cas un peu à part au niveau mondial. Elle est naturellement pauvre
en ressources énergétiques et une grande part de ses besoins sont couverts par des énergies
importées. Grâce à la forte nucléarisation du parc de centrales françaises, car la France est
le le deuxième producteur d'énergie nucléaire au monde (DGEMP, 2007), la France est moins
dépendante que d'autres pays européens de l'évolution du coût des énergies fossiles. Il n'en va
pas de même pour les heures de pointe où l'électricité est majoritairement produite par des
centrales thermiques classiques. Cependant, l'évolution du contexte mondial pourrait avoir des
incidences sur les coûts d'approvisionnement en uranium. Les États-Unis ont annoncé récemment
la relance de leur programme nucléaire, tandis que certains pays émergeant arments leur volonté
d'accéder à cette énergie. En France en 2003, (RTE, 2003), sur les 547,7 TWh produits, 10,4 ont
été autoconsommés par les producteurs, 31,7 ont été " perdus " sur les réseaux de transport, de
distribution et de répartition, et 73,1 TWh ont été exportés.
La gure 1.4 représente la consommation nale d'énergie primaire par secteur depuis 1973.
On constate sur le graphe de droite la prédominance des secteurs résidentiels et tertiaires pour la
consommation d'énergie (43,39% en 2002). L'évolution de la consommation d'énergie du secteur
résidentiel-tertiaire est en train d'accélérer rapidement. Pendant 17 ans de 1973 à 1990, l'aug-
mentation de la consommation de ce secteur est de 4,8% mais en 2002, cette augmentation a
déjà atteint 3%. Selon la prédiction de (DGEMP, 2004), la consommation de ce secteur pourrait
atteindre 85,29 Mtep en 2030 (21,22% d'augmentation par rapport à celle de l'année 2002). En
considérant l'importance de la consommation de ce secteur, on constate qu'il est nécessaire de
favoriser la réduction de la consommation énergétique dans le secteur Résidentiel et Tertiaire.
Dès 2006, un nouveau dispositif de certicats d'économies d'énergie commence à se mettre
en place en France. Il est destiné à favoriser la réduction de la consommation d'énergie dans
l'habitat. S'inspirant des exemples anglais et italien, il repose sur l'obligation faite aux quelques
4 000 vendeurs d'énergie (électricité, gaz, oul domestique, chaleur, froid), dont EDF et Gaz de
France, d'inciter leurs clients, particuliers et entreprises, à mieux isoler les bâtiments, à utiliser
des appareils à basse consommation, bref de réaliser des investissements conduisant à des écono-
1. Panorama 25
170
159,63 162,13
160
150
142,59
140 50,88
133,56 50,42
130
120 26,3 40,7
110
100 Transports
Mtep
90 Résidentiel-Tertiaire
80 56,22 68,3 70,36 Industrie hors sidérugie
58,9 (43,39%)
70 (42%) (41,3%) (42,78%) Sidérugie
+16% +3% Agriculture
60 +4,8%
50
40
30 35,49
20 33,56 32,19 31,83
10
0
1973 1990 2001 2002
Fig. 1.4 Évolution et répartition par secteur de la consommation nale d'énergie primaire
(source (DGEMP, 2004)) en France
mies substantielles d'énergie. En contrepartie, les fournisseurs d'énergie recevront des certicats
attestant du nombre de kWh ainsi économisés.
En ce qui concerne la production d'électricité à partir d'énergies renouvelables, la France vise
le même objectif que celui de l'Union Européenne. Le livre blanc de 1997 xe l'objectif à 12%
d'énergie renouvelable pour l'Union Européenne en 2010. La France produit 6% de son énergie
à partir de sources renouvelables, 4 % provenant de la biomasse (essentiellement le bois) et 2
% de l'hydraulique. En revanche, selon (DGEMP, 2005) l'éolien est encore très peu développé
bien que, dans des pays comme l'Allemagne et le Danemark, on observe une forte augmentation
de 100% par an. On constate dans (DGEMP, 2005) une progression de 61 % de la production
d'électricité éolienne (959 GWh contre 596 GWh en 2004) et le quasi doublement des capacités
installées, mais la proportion d'énergies renouvelables par rapport à l'électricité produite est
encore relativement faible. De même la France est classée très bas au niveau Européen pour la
surface solaire installée par habitant. Selon le rapport (DGEMP, 2005), on observe une légère
diminution des installations photovoltaïques par rapport à l'année 2004.
Un point intéressant à noter dans l'actualité récente est la volonté du gouvernement français
d'augmenter les tarifs de rachat de l'électricité photovoltaïque : 30 c¤/kWh avec une bonication
de 25 c¤/kWh en cas d'intégration de la source dans le bâtiment tout en conservant les aides à
l'installation (crédit d'impôts de 50%). La France a commencé à rattraper son retard en terme
d'énergies renouvelables. Si l'on considère l'exemple allemand dont les tarifs de rachat très avan-
tageux ont fortement proté au développement des installations des panneaux photovoltaïques,
on peut s'attendre à un fort développement sur le territoire français.
1.3 Conclusions sur le contexte

Au début du XXI siècle, les impacts environnementaux causés par les activités énergétiques
humaines ont commencé à apparaître : la pénurie des sources d'énergie primaires, le change-
ment climatique, la pollution, les pluies acides, etc... L'Humanité est en train de faire face à
une période dicile au niveau énergétique, les capacités d'adaptation et d'innovation seront
déterminantes pour l'existence même de l'Homme. Bien que réaliser un pronostic able sur l'évo-
lution de la production et de la consommation d'énergie soit extrêmement délicat compte tenu
de la complexité du contexte énergétique mondial et français, la demande d'énergie augmente
de manière continue tandis que la production est dans une phase de transition complexe pleine
d'incertitudes. Le contexte énergétique nous pose des questions fondamentales pour l'avenir :
est-il nécessaire de consommer autant d'énergie pour vivre ? Comment améliorer sa manière de
consommer ? Comment mettre en place un développement durable en prenant en compte les
aspects environnementaux et l'aspect borné de notre planète ? Il va falloir intégrer réellement les
contraintes écologiques et sociales (Brown, 2001). La complexité des problèmes posés est énorme.
Le problème doit être considéré au niveau international et nécessite la coopération de plusieurs
acteurs. Les solutions doivent être recherchées par plusieurs disciplines : l'économie, la politique,
la physique, les nouvelles technologies. Dans ce contexte, le domaine de l'énergie joue un rôle
très important avec d'une part la recherche sur des sources d'énergie propres et d'autre part, la
maîtrise de la demande et de la production d'énergie. Un point essentiel de la recherche de solu-
tions pourrait se trouver dans une meilleure gestion des systèmes de production, de distribution
et de consommation d'électricité. C'est l'objet du travail décrit dans ce mémoire.
2 Problématique de la production et de la consommation

Dans cette section, nous introduisons les principes généraux des réseaux électriques avant
d'aborder le problème de gestion de la consommation d'énergie dans le secteur résidentiel-
tertiaire. Cette analyse nous permet de mettre en évidence l'enjeu de l'optimisation de consom-
mation du secteur du bâtiment.
2.1 La structure et l'exploitation du réseau électrique

En général, pour des raisons économiques et techniques, la production d'énergie électrique
actuelle est géographiquement regroupée, concentrée. Tandis que les consommateurs sont dis-
tribuées et très diveres. An de fournir l'énergie aux clients, le réseau électrique établit un lien
physique entre ces deux acteurs. L'électricité est ampliée à haute tension sur le réseau de trans-
port et petit à petit devient à moyenne et basse tension au niveau des consommateurs. L'objectif
majeur du réseau électrique est de maintenir l'équilibre en permanence entre la consommation
et la production d'électricité .
2.1.1 La structure du réseau électrique

Quel que soit le pays considéré, les systèmes de production d'énergie électrique sont inter-
connectés. Ils comportent alors les quatre grandes parties suivantes :
• les systèmes de production composés de plusieurs groupes (hydrauliques, thermiques clas-
siques ou nucléaires) chargés de fournir de l'énergie au réseau. Ces groupes sont eux-même
des ensembles complexes de gros matériels, mais aussi de régulations et de protections.
2. Problématique de la production et de la consommation 27
Fig. 1.5 Structure du réseau de production et de distribution d'électricité
• le réseau de transport à haute tension, chargé de transporter massivement l'énergie sur

de grandes distances et d'assurer l'interconnexion entre les centrales de production. Il
faut compter également un nombre important de protections et d'automates qui visent à
protéger le réseau contre des aléas de fonctionnement comme les surcharges ou bien les
court-circuits.
• les réseaux de distribution à moyenne et basse tension, chargés de livrer l'énergie aux
utilisateurs.
• les centres de conduite et de supervision des réseaux qui peuvent être séparés en deux
niveaux selon leurs fonctions : le gestionnaire du réseau haute tension (GRT) et les ges-
tionnaires de réseaux de distribution (GRD) (voire la gure 1.5) .
En particulier, selon le rapport (RTE, 2004) , le réseau électrique français est un ensemble de
plus de 100.000 MW de puissance installée et qui délivre aux consommateurs naux plus de
80.000 MW. La gestion du réseau est composée d'un centre de conduite national et de sept
centres de conduite régionaux exploitant, chacun dans sa zone d'action et conformément à ses
responsabilités, le système électrique. Outre les interventions des opérateurs, des régulations
centralisées sont mises en ÷uvre pour régler la fréquence et les échanges avec les gestionnaires des
réseaux de transport voisins. Le réseau français fait partie d'un système de réseaux interconnectés
européen et favorise la mise en place d'un marché unique de l'électricité en Europe.
2.1.2 Supervision, conduite et exploitation du réseau électrique

RTE (2004) a identié trois objectifs principaux à l'exploitation des réseaux électriques :
• assurer la sûreté de son fonctionnement. Le principe est de maîtriser l'évolution et les réac-
MW
Pic de consommation
87500
85000
82500
80000
77500 20/02/1996
13/01/1997
75000
23/11/1998
72500
21/12/1999
70000 12/01/2000
67500 17/12/2001
10/12/2002
65000
09/01/2003
62500
22/12/2004
60000 28/02/2005
57500 27/01/2006
55000
52500
50000
00:30
01:00
01:30
02:00
02:30
03:00
03:30
04:00
04:30
05:00
05:30
06:00
06:30
07:00
07:30
08:00
08:30
09:00
09:30
10:00
10:30
11:00
11:30
12:00
12:30
13:00
13:30
14:00
14:30
15:00
15:30
16:00
16:30
17:00
17:30
18:00
18:30
19:00
19:30
20:00
20:30
21:00
21:30
22:00
22:30
23:00
23:30
24:00
Fig. 1.6 Les records de pic de consommation en France de 1996 à 2006 (source RTE)
tions du système électrique face aux diérents aléas (cours-circuit, évolution imprévue de
la consommation, indisponibilité de la production ou du transport). Il faut en même temps
réduire autant que possible les risques d'incidents pouvant conduire à une interruption de
la distribution électrique pour l'ensemble du pays ou pour de vastes zones.
• favoriser la performance économique en assurant une meilleure utilisation du réseau
• satisfaire les engagements contractuels vis-à-vis des clients raccordés au réseau de transport
2.1.3 Problématique des pics de consommation

Le problème majeur de l'exploitation du réseau électrique est donc de maintenir, en perma-
nence, l'équilibre entre l'ore disponible et la demande potentielle, étant entendu que l'équilibre
instantané entre production et consommation est une condition nécessaire de fonctionnement
du système production-transport-consommation (que nous appellerons aussi système électrique,
plutôt que réseau, terme qui peut avoir diverses acceptions et que nous réserverons à l'ensemble
des moyens de transport et de transformation de l'électricité).
Notamment, le problème de la planication de la production d'énergie vise à gérer les pics de
consommation. Diérents moyens peuvent être mis en ÷uvre lorsque des pics de consommation
sont prévus, en particulier en s'appuyant sur des données climatiques ou statistiques d'usages.
Chaque source d'énergie a sa propre contrainte de capacité et sa contrainte de temps de réponse.
Par exemple, une tranche nucléaire d'une centrale produit de très grandes quantités d'électricité
de 900 à 1450 MW en comparaison d'un barrage hydro-électrique, mais il faut plusieurs jours pour
démarrer un réacteur nucléaire, alors qu'il ne faut que quelques heures pour un barrage hydro-
électrique et encore moins pour une centrale thermique. Les pics de consommation nationaux sont
généralement couverts par des énergies très polluantes (turbines à gaz, centrales thermiques,...).
La gure 1.6 représente les journées ayant le plus grand pic de consommation en France pour
les années 1996 à 2006. Ce record n'arrête pas d'être battu alors que les années passent. En
2006, le record du pic de consommation a atteint 86280MW ce qui signie une augmentation
2. Problématique de la production et de la consommation 29
de 23% en 10 ans. En conséquence, la production doit suivre la consommation en augmentant

la capacité de production, cela demande souvent de gros investissements pour construire des
centrales thermiques, hydrauliques ou nucléaires. Il faut également dévelloper le système de
distribution. Or, du fait de l'augmentation perpétuelle des pics de consommation, l'impact négatif
sur l'environnement va croissant (Boivin, 1995; G. Thomas, 2000).
Ces pics de consommation se sont produits en hiver entre 18h30 et 20h. Cela révèle l'im-
portance de la consommation du secteur résidentiel, mais aussi, des secteurs industriels et du
transport qui n'ont pas encore ni leurs activités dans ce créneau horaire.
En analysant la courbe de charge nationale, la diérence moyenne entre la période de pic de
consommation et la période creuse (de 2h à 6h du matin) est d'environ 18200MW soit la puissance
produite par 12 réacteurs nucléaires ou encore la consommation totale de plusieurs grandes
villes. Réduire le pic de consommation représente donc un enjeu majeur. Schématiquement, il
faudrait faire glisser la consommation de la période de pic vers la période creuse. Il en résultera
une réduction de l'impact environnemental ainsi qu'une réduction du coût de production. La
solution peut venir de l'exploitation de la exibilité des besoins en transférant une partie de
la consommation en période creuse ou bien en coordonnant les diérents consommateurs pour
arriver à mieux gérer la consommation globale.
2.2 Maîtrise de l'énergie dans le secteur Résidentiel-Tertiaire : l'enjeu incon-

tournable
Les 28,9 millions de logements du parc résidentiel français représentent les deux tiers de
la consommation énergétique du bâtiment. 70% de la consommation est due au chauage. Ce
parc est très hétérogène d'un point de vue énergétique, notamment à cause de la présence d'une
importante part de logements anciens (environ 2/3 du parc). Le taux de renouvellement de
l'habitat est quant à lui de l'ordre de 1% par an. Ces deux éléments conduisent naturellement
à considérer comme particulièrement importants la rénovation et l'aménagement de l'habitat
ancien à l'aide de technologies innovantes. Le secteur tertiaire se caractérise par une grande
diversité des usages de l'énergie et par des consommations variables selon la fonction du bâtiment
(enseignement, bureaux, commerces, santé). L'enjeu majeur du tertiaire est l'intermittence des
consommations, du fait d'une occupation intermittente des locaux.
Les changements de comportement et de technologies nécessaires dans le secteur de l'habitat
ne pourront se faire que grâce à une coopération entre les acteurs du secteur industriel, des
collectivités, du grand public, à travers des campagnes d'information et de sensibilisation.
Ménézo et al. (2007) présentent le portrait d'un bâtiment du futur avec les solutions techno-
logiques qui permettent d'intégrer au bâtiment des systèmes de production d'énergie à partir de
sources d'énergies renouvelables : la pompe à chaleur remplace le système de chauage électrique.
Ménézo et al. (2007) ont montré la nécessité du développement de la production d'électricité dé-
centralisée dans le secteur du bâtiment. Progressivement, grâce à ces sources locales, le bâtiment
est de plus en plus autonome au niveau énergétique, il devient un producteur d'énergie plus
ecace pour lui-même au lieu d'être un simple consommateur. Pourtant, la production et la
consommation d'énergie doivent être anticipées et coordonnées en fonction de la charge du bâti-
ment.
Même dans ce cas là, pour exploiter ecacement ces sources d'énergie, ces sources locales de-
vront être contrôlées et suivies par un système de surveillance et de pilotage intelligent prenant
en compte le critère de confort de l'usager et le coût. Ce système doit être capable d'antici-
per l'intermittence caractéristique des sources locales en satisfaisant la contrainte de sécurité

d'approvisionnement de l'énergie.
L'intérêt de la maîtrise de la consommation et de la production dans le secteur résidentiel-
tertiaire est double. D'une part, le consommateur nal peut bénécier d'avantages pour réduire
sa facture énergétique tout en ayant une meilleure garantie d'approvisionnement en électricité.
D'autre part, le producteur d'énergie peut optimiser son plan de production en façonnant la
courbe de charge en limitant par exemple les pics de consommation. La tarication par tranche
dynamique pourra être proposée, modulable suivant l'heure, elle aura certes un eet dissuasif,
mais elle ne sera vraiment ecace qu'avec une adaptation en temps réel et surtout une coopéra-
tion des consommateurs.
Que ce soit dans le cadre d'un habitat "classiquement" connecté au fournisseur national
(EDF) ou bien d'une maison autonome en matière de production d'énergie, ou encore dans celui
d'un habitat connecté au réseau national mais disposant de sources d'énergie d'appoint, maîtriser
sa consommation est une nécessité pour plusieurs raisons : s'adapter aux ressources énergétiques
disponibles (en particulier pour une installation autonome), s'adapter aux uctuations du coût
des énergies et limiter les rejets de gaz à eet de serre dans l'environnement.
3 Conclusion
Le pouvoir de l'Homme sur la nature n'a cessé de croître sans que l'Homme ne prenne
conscience que son environnement était à capacité nie. Aujourd'hui, après avoir accru son confort
depuis des millénaires, l'Homme doit faire preuve d'une ingéniosité sans précédent pour rendre
son mode de vie compatible avec les nitudes de son contexte, et plus encore, puisqu'il doit
aussi rattraper l'inconscience de ses aînés. Le réchauement climatique est le problème majeur
auquel l'Homme doit faire face aujourd'hui. Pour y remédier, il vaut inventer une façon de se
développer durablement, certains parlent même de décroissance soutenable. Outre la réduction
de la consommation d'énergie, de nombreuses pistes liées à la manière de consommer doivent
être explorées. Un consommateur peut-il encore puiser de l'énergie à tout moment du jour ?
En eet, jusqu'à présent, les fournisseurs d'énergie se sont équipées pour être capables de faire
face à toutes les demandes des usagers, même en période de pic de consommation et ce, sans
considération pour l'impact environnemental. Depuis les accords de Kyoto, des progrès ont été
accomplis. Néanmoins, les secteurs du transport et du résidentiel-tertiaire n'ont cessé d'accroître
leurs rejets de gaz à eet de serre. Ce travail se focalise sur le secteur résidentiel-tertiaire, et en
particulier sur le bâtiment. Il examine le moyen de coordonner automatiquement les producteurs
d'énergie avec les consommateurs pour permettre aux fournisseurs d'avoir plus de souplesse quant
à la gestion de leurs installations pour mieux intégrer l'impact environnemental.
Chapitre 2
Caractérisation du problème
Ce chapitre présente une analyse des diérentes activités énergétiques dans le bâtiment. Dans
un premier temps, une analyse des charges nous permettra d'avoir une vision globale des diérents
services existants dans le bâtiment avec leur exibilité d'utilisation ainsi que l'ordre de grandeur
de leur consommation. Ensuite, nous étudierons les sources d'énergie locales au bâtiment qui
permettent à l'usager de produire sa propre énergie.
1 Caractérisation des besoins énergétiques dans le bâtiment
En général, un bâtiment est constitué de plusieurs fonctions énergétiques et d'équipements.

Angioletti et Despretz (2004) proposent de classer les charges dans le bâtiment en deux catégories
principales (voir la gure 2.1) :
• Les fonctions générales, qui correspondent à 80% de la consommation totale, ont les carac-
téristiques suivantes :
- Elles consomment une grande quantité d'énergie, elles sont présentées habituellement
dans plusieurs types de bâtiment diérents.
- Elles correspondent aux besoins essentiels des usagers. Elles sont constituées des systèmes
de chauage, de climatisation, de ventilation, d'éclairage et d'eau chaude sanitaire.
• Les fonctions spéciques ou auxiliaires comme la cuisson, la production de froid (congéla-
teur) et les services électroménagers. Ces fonctions correspondent à des besoins spéciques
de l'usager.
Dans le secteur résidentiel, les études sur l'ensemble des logements construits en France
depuis vingt ans (Sidler, 2002a) montrent une forte augmentation de la consommation due aux
appareils électro-ménagers. Dans certains logements, cette consommation peut être deux fois plus
importante que la consommation due au chauage. (Castagnoni, 2003) montre une forte évolution
de l'achat d'appareils ménagers : augmentation de 45% pendant dix ans (1985−1994) contre une
réduction des achats de 28% en appareils de chauage (chauage électrique et chaue-eau). Les
fonctions spéciques jouent donc un rôle aussi très important dans la maîtrise de l'énergie dans
le bâtiment.
32 Chapitre 2. Caractérisation du problème
15%
Chauffage, climatisation et
ventialtion
16% Eclairage et appareils
életrodomestiques
Eau chaude sanitaire
69%
Fig. 2.1 La répartition de la consommation de l'électricité par les diérentes fonctions éner-
gétiques dans le bâtiment (source Angioletti et Despretz (2004))
1.1 Chauage et climatisation

1.1.1 Confort thermique
La "satisfaction thermique" est un besoin fondamental pour l'homme du vingt et unième
siècle. Tous les types de bâtiments sont équipés de systèmes de chauage ou de refroidissement
permettant de contrôler la température intérieure. Ces systèmes donnent la possibilité aux oc-
cupants d'ajuster la température et parfois le degré d'humidité en fonction de leurs besoins.
Le confort thermique est une grandeur subjective qui dépend non seulement des conditions
extérieures mais également de la physiologie d'usage. En 1994, la norme internationale ISO 7730
(ISOG, 1994) a été conçue à partir d'études expérimentales validées principalement aux Etas-
Unis et en Scandinavie. Les conditions qui ont servies à l'élaboration de la norme sont résumées
dans (Candas, 2000) :
• mille personnes ont été recrutées
• une centaine de conditions thermiques ont été testées
• dans un ensemble de climats homogènes (les expositions vont de 1 à 2 heures)
La norme ISO7730 propose une sensation thermique humaine au sens prédictif en tenant compte
de diérents aspects tels que la température ambiante, l'humidité relative, la vitesse de l'air,
l'eet métabolique humain ou l'eet vestimentaire. Toutes ces données permettent d'établir des
paramètres caractérisant le confort thermique par :
• le PMV( Predict Mean Vote) Le PMV est un indice qui donne la valeur moyenne des
votes d'un groupe important de personnes exprimant leur sensation thermique sur l'échelle
comprenant 7 niveaux :
Neutre
-3 -2 -1 0 +1 +2 +3 PMV
Froid Frais Légèrement Légèrement Tiède Chaud

frais tiède
Fig. 2.2 PMV : sensation thermique sur un échelle de 7 niveaux

1. Caractérisation des besoins énergétiques dans le bâtiment 33
Le PMV est basé sur le bilan thermique du corps humain. L'équilibre est atteint lorsque
la production interne de chaleur dans le corps humain est égale à la perte de chaleur vers
le milieu ambiant. L'indice de PMV est souvent utilisé pour vérier si une ambiance ther-
mique donnée est conforme aux critères de confort et pour formuler les diérents niveaux
d'acceptabilité.
• le PPD(Predicted Percentage of Dissatised) Puisque tous les questionnaires ne compor-
taient pas forcément de réponses relatives à l'estimation eective des conditions climatiques,
les votes individuels sont dispersés autour de la valeur moyen(mean vote). L'indice PPD
est utilisé pour estimer le pourcentage des personnes insatisfaites avec les conditions cou-
rantes de climat (trop chaud ou trop froid |P M W | ≥ 2). Lorsque la valeur du PMV a été
déterminée, le PDD est calculé à partir l'équation 2.1 :
P P D = 100 − 95 × exp(−0.03353 × P M V 4 − 0.219 × P M V 2 ) (2.1)
Les propositions de cette norme ont ensuite servi dans les recherches sur la simulation thermo-
aéraulique des bâtiments. Dans un autre objectif (Fraisse, 1999) a mis en place un système de
contrôle commande favorisant le confort thermique et la consommation énergétique basé sur la
logique oue. En 2004, Olesen et Brager (2004) ont proposé l'amélioration de la norme ISO 7330
pour obtenir de meilleurs résultats pour la prédiction du confort thermique.
1.1.2 Zone thermique

Dans un bâtiment, on distingue deux types de locaux diérents :
• les locaux climatisés sont les pièces et couloirs, dans lesquels, la température doit être
maintenue à un niveau déni par une ou plusieurs consignes.
• les locaux non-climatisés sont les pièces et couloirs dans lesquels la température n'est pas
contrôlée ou qui ne sont pas équipés de générateurs thermiques.
1.2 Ventilation
Dans les bâtiments du secteur résidentiel et tertiaire, la ventilation répond avant tout à un
besoin d'hygiène et de santé des occupants :
• un apport d'air neuf pour la respiration
• l'élimination des pollutions intérieures liées à la présence et aux activités humaines. La
conservation du bâti nécessite également une aération maîtrisée pour éviter, en particulier,
l'humidité excessive dans des enveloppes de plus en plus étanches.
1.2.1 Besoin de ventilation

Le système de ventilation utilise généralement l'énergie électrique, l'installation et le dimen-
sionnent du système dépendent les besoins de ventilation. Ces besoins sont très variés suivant le
type de bâtiment. La norme de la ventilation dans les bâtiments est dénie dans le Règlement
Sanitaire Départemental Type (J.O., 1983) ou par le Code du Travail (J.O, 1984), l'estimation
du besoin en débit de l'air évacué par heure est donnée par le tableau 2.1.
Type de bâtiment Débit de ventilation nécessaire

logement moyen 120m3 /h
chambre d'hôtel 45m3 /h
bureau(15m2 ) 25m3 /h
Tab. 2.1 Besoin de ventilation de diérents types de bâtiment (Angioletti et Despretz, 2004)
1.2.2 Contrôle du système de ventilation

Le système de ventilation permet d'assurer le renouvellement d'un certain volume d'air
toutes les heures. En conséquence, il existe une déperdition d'énergie thermique dans les zones-
climatisées ou chauées. Il est donc possible de conclure que
• les débits d'air neuf sont xés
• les consommations d'énergie liées à la ventilation sont limitées (déperditions par renouvel-
lement d'air, consommation électrique des ventilateurs) par la réglementation thermique.
En termes purement énergétiques, et compte tenu notamment de l'augmentation progressive
de l'isolation des bâtiments, les déperditions liées à la ventilation représentent une part relative
de plus en plus importante des besoins de chauage des bâtiments (jusqu'à 30% parfois selon
(ADEME, 2006a)). Il est d'autant plus important d'adapter au mieux la ventilation aux besoins.
C'est aussi le moyen, dans les bâtiments climatisés, de limiter les consommations d'énergie en été
ou en mi-saison. (Bernard et Lemaire, 2005) propose une méthode de ventilation rationnelle. Des
études récentes (ADEME, 2006b) montrent que la solution de ventilation dans le bâtiment peut
venir de l'utilisation d'une ventilation double ux avec récupération de chaleur par échangeur
statique sur l'air extrait. Elle permet d'économiser au moins 50 % des déperditions par ventilation.
1.3 Production d'eau chaude

L'eau chaude sanitaire représente environ 3% de la consommation nationale d'énergie, et
environ 10 à 15 % de la consommation d'énergie à l'intérieur des bâtiments du secteur résidentiel
et tertiaire. Les besoins d'eau chaude sanitaire varient également en fonction du type de bâtiment,
du nombre d'occupants et des habitudes d'utilisation de l'eau chaude.
1.3.1 Besoin en eau chaude

Trois facteurs principaux caractérisent le besoin en eau chaude :
• le besoin en eau exprimé soit en litres par heure ou par jour, soit en mètres cubes par an
• la température au robinet dont le niveau dépend de l'usage : 40 pour un lavabo, un
bidet, une baignoire ou une douche, 60 pour un grand évier, ou une buanderie ou une
machine à laver
• la fréquence de puisage, avec l'importance de chacun de ces puisages. En particulier, dans
l'habitat, on observe deux grandes périodes de pointe pour . l'utilisation : le matin et le
soir et les petites consommations en milieu de journée.
Le tableau 2.2 fournit quelques estimations de besoin énergétique pour la production de l'eau
chaude.
1. Caractérisation des besoins énergétiques dans le bâtiment 35
Équipements par logement Besoin énergétique (kW h/Jour)

1 évier 1, 3 + 0, 3 × N
1 évier +1 lavabo 2, 5 + 0, 9 × N
1 évier +1 lavabo+1 douche 3, 5 + 0, 9 × N
1 évier +1 lavabo +1 petite baignoire 2, 0 + 1, 3 × N
1 évier +1 lavabo +1 grande baignoire 3.8 + 1, 3 × N
1 évier +1 lavabo +1 grande baignoire+2e cabinet de toilette 3, 8 + 1, 8 × N
Tab. 2.2 Besoin en eau chaude sanitaire dans le bâtiment (N est le nombre des personnes)
(Angioletti et Despretz, 2003a)
1.3.2 Production de l'eau chaude

Comme pour le système de chauage, les systèmes de production d'eau chaude peuvent être
de diérents types :
• ditribués si les installations sont près des points de puisage
• centralisés au niveau d'un logement
• centralisés au niveau d'un immeuble
• centralisés et distribués à chaque immeuble par un réseau de distribution de l'eau chaude.
Dans le bâtiment, la production d'eau chaude peut être une sous-production du chauage. Com-
biner les productions de chauage et d'eau chaude sanitaire peut réduire le coût d'investissement,
elle est souvent utilisée pour les petites installations individuelles ou collectives ainsi que pour de
petits immeubles. Les sources d'énergie utilisées pour la production d'eau chaude sont de deux
types principaux :
• Production instantanée par combustion (gaz, oul domestique), la régulation de la tem-
pérature de l'eau chaude est contrôlée par le débit de gaz. Cependant, cette régulation
s'adapte mal aux variations de débit d'eau. La température de l'eau chaude obtenue est
assez variable.
• Production à accumulation thermique, il s'agit d'un thermostat qui commande le fonction-
nement du générateur. La production d'eau chaude peut être programmée en fonction du
tarif de l'énergie électrique. En pratique, le ballon d'accumulation fonctionne la nuit pour
proter des heures creuses.
Pour le stockage de l'eau chaude individuelle, un ballon de forme cylindrique verticale, avec une
arrivée d'eau froide à la base et un départ d'eau chaude en tête, permet un fonctionnement du
stockage avec eet piston : l'eau froide déplace l'eau chaude avec un front à fort gradient de
température et sans mélange ; cette disposition permet une fourniture continue d'eau à la tem-
pérature désirée malgré un chauage périodique de durée limitée. En stockage collectif, un eet
voisin peut être obtenu par l'emploi de deux ballons en série, le premier servant au préchauage
et le second au chauage dénitif.
1.4 Éclairage
L'éclairage regroupe l'ensemble des moyens qui permettent à l'homme de maintenir les condi-
tions de luminosité dans ses environnements. Toutes nos activités ont besoin de conditions lumi-
neuses pour éviter la fatigue oculaire qui est une partie de notre confort visuel. La consommation
énergétique moyenne de l'éclairage dans les logements est d'au moins 15% de la consommation
totale (Sidler, 2002b). Elle représente également 10% la consommation nationale.
1.4.1 Confort visuel

Contrairement au confort thermique, le confort visuel a été peu étudié dans la littérature.
Beaucoup d'études ont été faites sur la réduction de l'éclairage dans les bureaux pendant la
journée notamment. Calasiu et Veitch (2006) résument les 60 sujets de recherche concernant la
satisfaction en terme de luminosité dans les bureaux avec lumière naturelle du soleil, mais peu
de normes ou de standards portent sur le confort visuel.
Cependant, nous pouvons retenir les deux éléments principaux pour caractériser un service
d'éclairage :
L'ambiance lumineuse L'ambiance lumineuse varie eu fonction de deux paramètres la tem-

pérature de couleur exprimée en kelvin et le niveau d'éclairement.
l'Indice de rendu des couleurs On appelle "rendu des couleurs" l'aptitude de la lumière à
restituer les couleurs. De façon plus précise, le rendu des couleurs désigne l'eet d'une source de
lumière sur l'aspect coloré des objets qu'elle éclaire, cet aspect étant comparé consciemment ou
non à celui des mêmes objets éclairés par une source de référence, en général le corps incandescent.
Le rendu des couleurs se mesure de façon scientique et donne lieu à une notation conventionnelle
de la Commission Internationale de l'éclairage : l'IRC ou "Indice de Rendu des Couleurs" qui
apparaît sur la notice des produits.
1.5 Fonctions électrodomestiques

1.5.1 Production de froid alimentaire
Le but de la production de froid domestique est généralement de conserver des aliments.
La production de froid entraîne la présence de deux catégories d'appareils : le réfrigérateur et le
congélateur. La tendance de cette catégorie est d'améliorer l'ecacité par imposition d'étiquettes
d'ecacité énergétique. Le compte-rendu proposé dans(Menanteau, 2006) présente une réduction
signicative de l'énergie consommée par la production de froid domestique grâce à la mise en place
de politiques d'amélioration de l'ecacité énergétique. L'impact du système de chauage sur la
production de froid est non-négligeable, (Sidler, 1999) démontre que des économies d'énergie de
36 % sont réalisables simplement en installant un appareil de froid dans un cellier non chaué
plutôt que dans une cuisine.
1.5.2 Cuisson
La consommation énergétique due à la cuisson représente une partie non-négligeable de la
consommation mais elle est peu présentée dans la littérature. Une estimation de la consommation
habituelle pour la cuisson collective (Angioletti et Despretz, 2004) conduit à un ordre de grandeur
de 1kWh par repas préparé. Cependant, des écarts sont très importants : de 0,5 à 2,5 kWh. La
cuisson est alimentée soit par une source d'énergie combustible (gaz, bois), soit par de l'énergie
électrique. Le potentiel d'économie d'énergie reste important. L'étude de (Sidler, 1999) s'appuie
sur l'ensemble des analyses d'une base de données de 517 appareils de 32 types diérents qui
2. Production d'électricité locale, stockage 37
couvrent les usages de la cuisson électrique (plaques, fours, micro-ondes, cafetières, bouilloires,
etc.). Elle montre que 50 % de l'énergie totale du poste cuisson est absorbée par les plaques et
42 % par les fours (tous types confondus) et 99 % des puissances appelées simultanément par
l'ensemble des appareils de cuisson électriques sont inférieures à 3 kW .
1.5.3 Micro-informatique domestique

L'augmentation continue des applications de la micro-informatique dans le secteur résidentiel-
tertiaire produit de nouvelles demandes d'énergie. En 1994, EDF estimait qu'en France, la
consommation annuelle d'électricité par l'informatique était de 3,5TWh. Or, des technologies
de l'information et de la communication contribuent à la consommation d'électricité à hauteur
de 3TWh en 1998 soit 4,1% de la consommation du secteur tertiaire. Il est d'ailleurs intéressant
de noter que 7% de la consommation annuelle propre aux micro-ordinateurs correspond à une
consommation de veille.
Le fonctionnement des micro-ordinateurs constitue un apport thermique supplémentaire in-
terne qui conduit à un accroissement des consommations pour la climatisation dans les locaux
climatisés.
2 Production d'électricité locale, stockage

2.1 Production d'électricité locale
Un système de production d'énergie local intégré au bâtiment permet d'ajouter une source
d'énergie supplémentaire au système. Dans un site connecté (le bâtiment est raccordé au réseau
de distribution électrique), les sources d'énergie locales peuvent remplacer une partie de l'énergie
provenant du réseau (voire la totalité). Une source d'énergie supplémentaire comme un groupe
électrogène peut aider à garantir la sécurité d'approvisionnement d'énergie lorsqu'il y a une
indisponibilité de la source d'énergie principale.
2.1.1 Production d'énergie électrique à partir de l'énergie solaire

Les cellules solaires photovoltaïques sont des semi-conducteurs capables de convertir direc-
tement la lumière en électricité. Cette conversion appelée eet photovoltaïque, s'eectue sans
pièce mobile, sans uide sous pression, sans pollution ni production de déchets. Plusieurs cellules
photovoltaïques sont connectées entre elles an de fournir au récepteur extérieur une tension et
une puissance adéquate. L'intégration du photovoltaïque est réalisée assez facilement soit sur une
toiture inclinée couverte d'éléments discontinus, soit sur toiture-terrasse ou une toiture revêtue
d'une étanchéité, soit sur un mur isolé ou non, soit sur une façade ou sur un garde-corps de
balcon.
Le courant de sortie, et donc la puissance, est généralement proportionnel à la surface du
module installé. Un onduleur transforme le courant continu produit par les panneaux photovol-
taïques en courant alternatif compatible avec le réseau de distribution électrique. L'électricité
produite peut être utilisée par les services énergétiques du bâtiment ou exportée vers le réseau
en partie ou en totalité.
Le projet européen HIP HIP (ADEME, 2005) a réalisé une expérimentation d'intégration de
systèmes photovoltaïques au bâtiment dans sept pays européens. Ce projet montre la faisabilité
et la rentabilité des systèmes photovoltaïques. L'intégration du système photovoltaïque au bâ-

timent dans le contexte actuel bénéce d'une subvention pour l'investissement et l'installation
et également un tarif de rachat l'énergie produite. Depuis mars 2002, un dispositif tarifaire a
été mis en place pour l'achat de l'électricité produite à partir de générateurs photovoltaïques
(15 c¤/kWh en France continentale et 30 c¤/kW h dans les DOM et en Corse). Suite à cette
décision, 450 kW ont été installés sur une centaine de bâtiments en France continentale.
2.1.2 Production d'électricité d'origine éolienne

S'il est exploité, le vent, qui est l'une des ressources énergétiques renouvelables de la nature,
peut devenir une source d'énergie écologique et able. Les systèmes éoliens existent en plusieurs
dimensions. Leur coût d'investissement varie en fonction de leur dimension :
• 2000¤pour une installation micro-système d'une centaine de watts
• 15000¤pour une installation mini-système capable de couvrir les besoins d'un ménage ayant
une consommation d'électricité de 2500kWh par an auxquels il faut ajouter également les
frais d'entretien annuels de 3% du coût d'investissement. En sachant qu'une éolienne a une
durée de vie de 15 ans, une installation donne un prix du kWh de 65 centimes (4 fois plus
grand que le coût de l'électricité du réseaux aux heures pleines).
• Cependant, une éolienne de moyenne puissance de 10kW à 50kW donne un coût de produc-
tion de 4 centimes par kWh. C'est la raison pour laquelle les éoliennes de grande puissance
sont préférées aux petites unités individuelles.
L'intégration de systèmes éoliens dans le bâtiment est plus dicile que le photovoltaïque à
cause de son exigence de régularité sur la vitesse du vent. Les grandes éoliennes sont conçues de
manière à "enclencher" lorsque la vitesse du vent atteint 15km/h et à "déclencher" lorsque la
vitesse du vent est très élevée, et ce pour que le vent ne les endommage pas. Lorsqu'on détermine
si l'énergie éolienne d'un site est susante pour faire fonctionner ecacement un système éolien,
il est très important de prendre en compte la vitesse annuelle moyenne du vent et le nombre de
jours pendant lesquels la vitesse du vent est supérieure à la vitesse d'enclenchement. De plus,
pour atteindre la condition de stabilité de la vitesse du vent, l'installation doit généralement
être éloignée d'une centaine de mètres des obstacles ayant la même hauteur qu'elle et placée 10
mètres plus haut que ce qui est à proximité.
Le point faible de l'énergie solaire et de l'énergie éolienne est leur caractère intermittent et
leur dépendance vis à vis des éléments météorologiques. Cela rend dicile leur utilisation sans
autre source d'énergie complémentaire ou sans un système de stockage, à moins bien sûr d'avoir
recours aux systèmes de gestion d'énergie que nous évoquerons dans les chapitres suivants.
2.1.3 Production d'énergie par un group électrogène

Un groupe électrogène est un dispositif autonome capable de produire de l'électricité. La
plupart des groupes sont constitués d'un moteur thermique qui entraine un alternateur. Les
groupes électrogènes sont utilisés soit dans les zones isolées, soit dans certains bâtiments an de
pallier à d'éventuelles coupures de courant. Dans le deuxième cas, ils sont alors souvent utilisés
en parallèle avec une alimentation par batterie ou par un système inverseur de source d'énergie.
Ils fonctionnent généralement à partir de l'énergie fossile.
2. Production d'électricité locale, stockage 39
2.2 Systèmes de stockage

2.2.1 Stockage thermique passif
Les matériaux utilisés pour la construction du bâtiment, pour son installation thermique et
pour son ameublement, possèdent une capacité thermique non négligeable. En régime perma-
nent, cette capacité ne joue aucun rôle mais, en régime transitoire, elle ralentit toute variation
de température intérieure. On dénomme également ce phénomène inertie thermique. Le terme
"stockage passif" est introduit dans (Henze et al., 2004b) pour désigner cette capacité d'accumu-
ler de l'énergie sous forme thermique dans l'enveloppe du bâtiment. Le terme "passif" est utilisé
pour faire la diérence avec le stockage thermique "actif" comme le ballon d'eau chaude.
La mesure de l'inertie d'une structure est faite expérimentalement : par exemple, en laissant
dériver la température du local à ux de chauage constant (nul par exemple) ; les régulateurs
modernes procèdent de cette façon pour réguler la température intérieure. On classe parfois
les bâtiments au moyen de leur inertie ; le CSTB utilise la masse surfacique ps pour dénir ce
classement. L'inertie du bâtiment s'exprime alors par une pondération surfacique de chaque paroi
du bâtiment en trois classes qui sont alors dénies :
• inertie faible f ps < 150kg/m2 de surface habitable
• inertie moyenne 150 < ps < 400kg/m2 de surface habitable
• inertie forte ps > 400kg/m2 de surface habitable
A l'exception de bâtiments très légers et compte tenu du mobilier, la plupart des bâtiments ont
une inertie moyenne ou forte. Cette inertie doit être prise en compte dans la mise en ÷uvre d'une
régulation. On peut, en particulier, constater deux comportements inertiels des bâtiments selon
l'origine de la perturbation :
• si elle est d'origine extérieure (variation rapide de la température), l'inertie concerne essen-
tiellement l'enveloppe du bâtiment ; le phénomène se traduit par une constante de temps
plus ou moins longue, mais avec peu d'inuence sur la consommation ou le confort des
occupants ;
• si elle est d'origine intérieure (apport gratuit, défaut de régulation, etc.), l'inertie concerne
essentiellement la structure interne du bâtiment (y compris le mobilier). Elle amortit plus
ou moins bien les variations de température. Quantitativement, l'eet de l'inertie mal prise
en compte augmente la consommation par surchaue ; cette perte n'excède pas 3 % en
saison froide, mais peut atteindre de 10 à 20% en mi-saison.
2.2.2 Stockage thermique actif

Le stockage thermique actif se trouve dans le système de production d'eau chaude sanitaire
ou le stockage de froid dans les systèmes de climatisations (Henze et al., 2004b).
Pour le stockage, on considérera une inertie volumique IV (W hm−3 K −1 ) qui se caractérisera
par :
• sa capacité thermique volumique CV (W hm−3 K −1 ) ;
• sa puissance ou capacité de restitution (W m−3 ), laquelle s'exerce à court terme (heure), à
moyen terme (jour) ou à long terme (mois) ;
• son rendement, qui est lié à sa forme (laquelle doit être compacte), à son isolation et à sa
période d'utilisation.
Les techniques les plus employées utilisent la capacité thermique volumique d'un uide ou de
matériaux connexes :
• pour l'eau, on emploie un ballon cylindrique vertical isolé

• pour l'air, on emploie une cavité remplie de matériaux solides (galets, par exemple)
Certaines techniques utilisent l'enthalpie de changement d'état (ou chaleur latente) :
• stockage par congélation de l'eau : c'est le cas de certaines pompes à chaleur où l'on stocke
ainsi de l'énergie thermique, sous forme de glace, dans la source froide
• utilisation de boules remplies d'un liquide congelable : parane, cryolithe, etc.
Le rendement d'un stockage augmente avec son volume et son isolation. Par contre, il diminue
avec sa durée. En pratique, on utilise des cycles diérents selon l'heure, le jour pour s'adapter à
des variations tarifaires (production d'eau chaude sanitaire la nuit).
2.2.3 Stockage électrique

La batterie est souvent intégrée au générateur photovoltaïque. Elle permet le stockage de
l'électricité solaire pour les systèmes isolés et sert de conditionneur de puissance. La batterie
peut permettre également de restituer la nuit le courant accumulé durant la journée.
Par contre, les accumulateurs électriques sont généralement chers, encombrants (environ 30kg
pour 1kWh stocké) ils ont une durée de vie limitée, et posent des problèmes de pollution (métaux
lourds) lors de leur n de vie.
La batterie réduit l'ecacité du système car son rendement énergétique est faible. Son prix
est élevé et sa durée de vie peut atteindre 10 à 15 ans si elle est construite de manière adéquate
et entretenue régulièrement. Le développement de pile Li-Ion à grande puissance donne une piste
prometteuse pour le stockage électrique.
3 Conclusion
Nous avons examiné les diérentes charges et services dans le bâtiment pour mettre en évi-
dence leur impact sur la consommation globale et sur le confort pour l'usager. Nous avons étudié
les diérentes possibilités de produire et de stocker de l'énergie localement dans le contexte
du bâtiment. Ceci nous a permis d'identier les équipements dont les consommations sont les
plus importantes. Si nous concevons le bâtiment comme un système à commander, il nous faut
déterminer les moyens de le piloter en jouant sur les exibilités qui permettront l'adaptation
aux contraintes externes ou imposées par l'utilisateur tout en lui garantissant un bon niveau de
confort.
Chapitre 3
Système de gestion de l'énergie dans le

bâtiment
La notion de système domotique ou immotique (le terme en anglais est Home Automation
System ou Building Automation System) est apparue dès les années 80. A l'origine, la domo-
tique ne visait qu'à orir à l'usager plus de confort : plus de loisirs et plus de services, grâce à
l'existence d'un réseau domestique de communication et de dialogue permettant la coopération
inter-services. Cela relevait plus de la ction que du souci de rationnaliser la gestion énergétique.
Progressivement, les protocoles de communications entre les équipements du bâtiment ont été
standardisés. On trouve notamment trois protocoles reconnus que sont BatiBUS, EIBus et
LonWorks(Palensky et Posta, 1997), lesquels possèdent tous leur association. Enn, la norme
de Konnex basée sur BatiBUS qui devient progressivement le standard européen. Un système
domotique est capable de réaliser plusieurs fonctions, parmi celles-ci se trouvent notamment
l'économie et la gestion technique, l'information et la communication, la maîtrise du confort, la
sécurité et l'assistance.
1 Les systèmes de gestion d'énergie dans le bâtiment

La gestion de l'énergie n'est pas une nouvelle application des systèmes domotiques et im-
motiques (Wacks, 1991) et (Wacks, 1993) ont commencé à introduire la maîtrise de la demande
d'énergie dans l'habitat en utilisant un système domotique. La notion de système de gestion
d'énergie dans le bâtiment (SGEB, en anglais "Energy management and control system")
est présentée dans (Stum et al., 1997). Ce système consiste en un ensemble d'équipements dotés
de micro-contrôleurs ayant des capacités de communication via des protocoles standards, un sys-
tème de contrôle-commande centralisé et une interface homme-machine permettant de réaliser
certaines fonctions d'optimisation, de conduite et de suivi de la consommation d'énergie. Géné-
ralement, ces systèmes visent les bâtiments tertiaires commerciaux pour gérer la consommation
des services de chauage, de climatisation, d'eau chaude sanitaire et d'éclairage.
1.1 Fonctionnalités et limites des systèmes de gestion de l'énergie existants

(Hatley et al., 2005) a résumé les fonctionnalités et les capacités des SGEB. L'auteur a classé
ces fonctions dans trois catégories :
42 Chapitre 3. Système de gestion de l'énergie dans le bâtiment
• Les fonctions basiques sont des fonctions générales équipant la plupart des systèmes de ges-
tion de l'énergie dans le bâtiment. Elles sont considérées par leur facilité d'implémentation.
Citons par exemple la régulation et la programmation du chauage.
• Les fonctions intermédiaires sont des fonctions en développement qui peuvent être implé-
mentées dans un futur proche, certaines fonctions intermédiaires comme le délestage sont
déjà implémentées dans certains SGEB.
• Les fonctions avancées sont en phase de développement et sont notamment l'objet de ce
travail. La complexité de l'implémentation est aussi une des raisons pour lesquelles ces
fonctions ne sont pas encore disponibles dans le SGEB.
La plupart des SGEB sont capables de fournir des fonctions basiques qui vont être présentées
dans la suite de cette section.
1.1.1 Régulation et Programmation

La régulation thermique dans le bâtiment est souvent réalisée par un thermostat. Il s'appuie
en général sur la température ambiante selon le principe de la boucle fermée. Le système de
régulation d'ambiance présenté dans (Mérieux et Pleynet, 1992) se compose de trois éléments
principaux : capteur, unité de traitement et actionneur. L'unité de traitement ou bien l'organe
de conduite fonctionne de deux façons diérentes : le tout ou rien non modulé ou le tout ou rien
modulé. Cette fonction permet de régler la température ambiante autour d'une température de
consigne xe.
La fonction programmation est une fonction essentielle du système de gestion de l'énergie.
Elle permet de gérer l'occupation d'un bâtiment entier ou de zones thermiques. Dans des bâti-
ments occupés une partie du temps seulement comme les écoles, les bureaux ou les bâtiments
commerciaux, cette fonction permet de réduire la consommation inutile en réduisant ou en arrê-
tant le chauage, la climatisation et l'éclairage. Dans les SGEB existants, l'usager doit dénir ou
pré-programmer lui- même les périodes de l'occupation, les vacances et les weekends. Pour réagir
à des événements spéciaux, lorsque les bâtiments sont occupés hors des périodes prédénies, une
fonction "override" force la mise en route les services concernés.
1.1.2 Optimisation du démarrage et de l'arrêt

La fonction d'optimisation du démarrage et de l'arrêt est une fonction complémentaire à la
fonction de programmation des services énergétiques. Elle permet d'améliorer la consommation
du système thermique dans le bâtiment en tenant compte de l'inertie du bâtiment et des condi-
tions météorologiques extérieures. Elle peut permettre d'arrêter les systèmes de chauage ou
de climatisation avant la n de la période d'occupation (de 10 à 15 minutes environ). Grâce à
l'énergie accumulée, la température ambiante diminue en maintenant un confort acceptable pour
l'usager jusqu'à son départ. De la même façon, l'optimisation "juste à temps" est capable de
démarrer les systèmes de chauage et de climatisation au bon moment pour arriver à atteindre
une température ambiante acceptable pour les occupants.
1.1.3 Accès aux données des capteurs et performance des équipements

Cette fonction est une fonction très importante qui permet d'implémenter certaines fonctions
intermédiaires et avancées. Il faut que des informations soient accessibles et exploitables pour que
le système de contrôle-commande puisse réaliser l'optimisation ou le suivi de la consommation
2. Maîtrise de l'énergie dans les bâtiments 43
d'un bâtiment. Ces informations sont aussi importantes pour surveiller et diagnostiquer des
défauts, en particulier dans les systèmes de chauage et de refroidissement.
2 Maîtrise de l'énergie dans les bâtiments

2.1 Notion de système domotique
Fig. 3.1 Service énergétique
Dénition 1 Un système domotique est un système qui transforme, distribue l'énergie consom-
mée (mesurée) en un ux de services correspondant aux besoins des usagers. La réalisation des
services demande des ressources énergétiques susantes et des équipements supports.
Exemples : Un radiateur transforme de l'énergie électrique en énergie thermique pour

maintenir la température de confort pour les occupants. Une machine à laver transforme de
l'énergie électrique en énergie thermique et mécanique pour réaliser le service : laver le linge.
Ecacité énergétique : Elle est dénie par le rapport entre le besoin utile en énergie
et la quantité ou le coût total de l'énergie consommée. Ce rapport est souvent dicile à établir
mais les indices de performance énergétique permettent d'établir une ecacité relative.
2.1.1 Caractéristique d'une demande de service énergétique

La demande de l'usager pour un service résulte en une quantité d'énergie qui doit être ap-
portée, appelée également énergie utile. Cependant, le besoin en l'énergie n'est généralement pas
constant, il est caractérisé par
• une expression du besoin en puissance
• une expression du besoin en énergie
Le besoin de l'usager varie également en fonction du temps. Dans (Angioletti et Despretz,
2004), la demande est dénie par des périodes qui correspondant à l'intensité du besoin :
• des sous−périodes d'usage normal
• des sous−périodes d'usage réduit
• des sous−périodes renfoncées
• des sous−périodes de non-usage
(Angioletti et Despretz, 2004) parlent du terme d'intermittence, déni comme le rapport
entre la durée de la période d'usage normal et la durée d'usage totale.
Nom du service Décalable Interruptible Modulable Accumulable

Chauage, climatisation oui oui oui oui
Ventilation oui oui oui non
Production de l'eau chaude oui oui oui oui
Éclairage non non non non
Cuisson oui non oui non
Appareil électroménager oui oui non non
Source d'énergie intermittente non non oui non
Source d'énergie permanente oui oui oui oui
Stockage oui oui oui oui
Tab. 3.1 Caractérisation du degré de liberté pour diérents services énergétiques
2.1.2 Notion de degré de liberté du ux de service

Dans l'ensemble des services du bâtiment, certains services disposent de exibilités qui
peuvent être contrôlées ou modiées. Ces exibilités sont des éléments nécessaires pour im-
plémenter les fonctions de gestion de l'énergie.
Dénition 2 Les degrés de liberté d'un service énergétique dans un bâtiment sont les possibilités
de modier les paramètres de ux énergétiques tout en garantissant une performance du service
demandée par l'usager.
Les degrés de liberté d'un service énergétique peuvent être de 4 types diérents :
• Décalable : Une exibilité temporelle permet de décaler le service par rapport à la de-
mande.
• Interruptible : Il est possible d'arrêter le ux énergétique et de le redémarrer après un
certain temps.
• Modulable : Il est possible de moduler le ux énergétique mais sans aller jusqu'à l'arrêt
complet (on parlerait dans ce cas de modiable interruptible).
• Accumulable : Le ux énergétique peut être stocké pour être récupéré plus tard.
Le tableau 3.1 propose un classement des services énergétiques dans le bâtiment selon leurs
degrés de liberté.
2.2 Vers une optimisation de la gestion des ux énergétiques

La Maîtrise De l'Energie(MDE) au sens large est un problème de gestion de ux qu'ils soient
énergétiques soient informatiques
• transformation, stockage, répartition, coordination des diérentes sources d'énergie avec
diérentes charges
• les informations sur la uctuation du tarif de l'énergie, des données météorologiques.
La gestion des ux énergétiques dans le bâtiment vise à satisfaire plusieurs besoins, que l'on
peut diviser en trois catégories principales présentées dans la gure 3.2 :
• besoins de confort de l'usager qui consistent à réaliser un ensemble de fonctions énergétiques
dans le bâtiment pour satisfaire la demande de l'usager. Le système de gestion de ux
énergétique dans le bâtiment doit garantir au minimum la sécurité d'approvisionnement en
2. Maîtrise de l'énergie dans les bâtiments 45
ressource ou une partie essentielle des besoins qui peuvent être caractérisés par des critères
de confort (thermique, visuel, acoustique).
• besoins économiques et nanciers qui correspondent aux coûts d'investissement et de fonc-
tionnement du système. Les critères considérés peuvent être le retour sur investissement et
le coût d'exploitation. Ces critères sont fortement tributaires du coût d'achat et de rachat
de l'énergie mais aussi de l'investissement des appareils.
• besoins environnementaux qui correspondent à la réduction de la pollution et au respect
des contraintes écologiques. Dans le contexte actuel, les contraintes écologiques liées aux
émissions de gaz à eet de serre n'existent pas encore dans le secteur résidentiel-tertiaire. Le
développement durable doit se baser sur la responsabilité de chacun. On peut ainsi imaginer
par l'application du protocole de Kyoto, un quota sur les émissions de gaz polluants pour
chaque bâtiment, ou bien un système de certicats d'utilisation de l'énergie propre pour
chaque bâtiment.
Fig. 3.2 Les trois critères de la Maîtrise De l'Energie(MDE)
2.3 Gestion de ux énergétiques

La gestion de ux énergétiques vise à aecter les ressources énergétiques aux équipements
dans le bâtiment an de répondre à la demande de l'usager. Naturellement, les activités énergé-
tiques dans le bâtiment sont quasi indépendantes les unes des autres. Pour répondre aux trois
critères de MDE, on a besoin d'un niveau de coordination entre les services s'appuyant sur les
techniques d'ordonnancement et de planication. Nous commençons notre démarche par l'étude
des travaux consacrés à la gestion des systèmes de production de biens dont les problématiques
d'ordonnancement et de planication sont proches. An de mettre en évidence ces similarités,
nous proposons une comparaison entre les deux types de systèmes. Dans un cas, on gère des ux
physiques, dans l'autre cas des ux d'énergie (voir comparaison dans le tableau 3.2).
• Objectif : Un système de production transforme des matières premières en produits nis.
Un système domotique ou immotique vise à transformer de l'énergie en services répondant
Notion Système production de biens Système de gestion de l'énergie

Ressource man÷uvre, machines source énergétique, équipement
Flux physique matière première ⇒ produit sources d'énergie ⇒ services
Stock stock de produit, matière première stockage thermique, électrique
Entrée du système matière première, la demande source d'énergie, besoin utile
Sortie du système ux de produit ux de service
Performance la productivité ecacité énergétique
Activité la tâche la consommation
Tab. 3.2 Comparaison entre un système de production de biens et un système de gestion de

l'énergie
au besoin de l'usager.
• Ressources : Les ressources dans un système de production sont souvent des ressources
disjonctives (man÷uvre et les machines). Par contre, l'énergie est une ressource cumulative
et les équipements sont aussi des ressources mais un service n'est généralement rendu que
par un seul équipement. Il n'y aucune exibilité à ce niveau et donc pas d'ordonnance-
ment à réaliser. Dans un système de production, la disponibilité de la ressource dépend
de la maintenance préventive ou bien d'aléas comme des pannes de machine, ou l'absence
d'opérateur. Dans le bâtiment, la disponibilité dépend fortement la météorologique et des
contraintes amenées par le fournisseur d'énergie.
• Activités : Dans un système de production de biens, la plupart des activités sont organisées
par des outils comme la planication, la gestion de projet, l'ordonnancement. Les activités
dans un système domotique dépendent beaucoup des habitudes de l'usager, il est donc
dicile de tout prévoir et d'ordonnancer. Les outils utilisés pour la production de biens
doivent donc être adaptés au contexte du bâtiment.
• Stock : Les stocks existent dans presque tous les systèmes de production de biens. Ils
peuvent être des stocks d'entrée de matières premières ou bien des stocks sorties de produits
nis. En revanche, le stockage d'énergie surtout électrique dans le bâtiment est loin d'être
facile à réaliser en raison du coût d'investissement et d'encombrement. De plus, la nature
du problème de gestion de stock dans un système de production de biens et dans un système
domotique est complètement diérent : l'entrée et la sortie d'un produit ne cause aucun
problème au stock pourtant le cycle de charge et décharge d'une batterie par exemple doit
respecter la consigne du fabricant pour garantir une durée de la vie satisfaisante.
• Dynamique : L'horizon à considérer pour la gestion d'un système de production peut
être court, moyen ou long terme allant de semaine à plusieurs années. A cause de la na-
ture du problème, la gestion de ux d'énergie dans le bâtiment se fait à des échelles de
temps journalière, hebdomadaire ou saisonnière. Le système de gestion des ux énergé-
tique doit répondre non seulement par des actions en temps réel (surcharge ponctuelle,
service demandant un temps de réponse très court comme l'éclairage) mais également à
des phénomènes relativement lents qui sont souvent liés aux systèmes de chauage et à
l'accumulation thermique. Par exemple, la constante de temps thermique d'un bâtiment
peut atteindre 6 mois et celle de l'environnement intérieur 24h. La constante de temps
d'un système de capteur solaire thermique du bâtiment est de l'ordre de la semaine. Il
3. Conclusion 47
faut également prendre en compte les uctuations périodiques de coût de l'électricité qui
peut être journalière, hebdomadaire ou saisonnière. L'architecture du système de planica-
tion, d'ordonnancement et de l'aectation retenue doit être composée de plusieurs niveaux
correspondant aux diérentes échelles de temps.
• Nature continue-intermittente : Dans le problème de gestion des ux énergétiques, il
existe à la fois des phénomènes continus et des phénomènes intermittents. Les intermit-
tences de ux énergétiques se situent dans la demande des services à l'usager comme la
période d'occupation du bâtiment et les services électroménagers. La ressource énergétique
est une variable continue et une ressource cumulative, consommable (Esquirol et Lopez,
1999b). Cependant, les consommations d'énergie peuvent aussi être intermittentes et dis-
crètes puisque la plupart des équipements dans le bâtiment fonctionnent en tout ou rien.
La nature continue-intermittente du problème de gestion de ux énergétique constitue une
extension intéressante du problème de gestion de ux dans un système de production. Il
est néanmoins nécessaire d'aller vers une démarche de formulation et de résolution plus
appropriée à la nature de ce problème.
• Contexte incertain : comme tous les problèmes de gestion de ux, la gestion de ux
énergétiques est caractérisé par un contexte incertain. Les aléas sont non seulement dûs à
des problèmes de disponibilité des ressources (coupure d'électricité, conditions météorolo-
giques) mais également à la demande de services (comportement de l'usager). Les grandes
perturbations peuvent mettre en cause des résultats d'aectation de ressources optimisées
au niveau de la planication et de l'ordonnancement. La possibilité de traiter les incerti-
tudes et les aléas peuvent être appréhendé en suivant deux voies complémentaires :
- Amélioration de la prédiction par un mécanisme d'apprentissage qui vise à comprendre
et mettre à jour une base de connaissances. En général, ces études demandent une longue
période d'apprentissage.
- Aller vers une démarche robuste pour garantir une performance malgré les perturbations.
Une telle démarche pour le système de production de biens peut être consultée dans
(Rossi, 2003)
3 Conclusion
Ce chapitre a examiné les solutions existantes pour la gestion de l'énergie dans le bâtiment.
Nous avons mis en évidence les fonctionnalités et les limites de ces systèmes et nous avons
commencé à introduire notre vision de système domotique en introduisant la notion de service
et de critère de confort, d'économie et d'environnement. Nous avons montré qu'il y avait des
analogies intéressantes entre les systèmes de production de biens et les systèmes de gestion de
l'énergie dans le bâtiment. Il est temps de formuler précisément le problème de gestion de l'énergie
dans le bâtiment.
Deuxième partie
Modélisation du problème
51
La formulation du problème est souvent plus essentielle que sa résolution.
Albert Einstein
Chapitre 4
Structuration du problème
L'objectif de ce travail est de montrer qu'en dotant les équipements domotiques et immotiques
d'algorithmes d'optimisation et de facultés de communication, il est possible de mieux maîtriser la
consommation d'énergie dans le bâtiment en exploitant des degrés de liberté oerts par d'usager
et les degrés de liberté liés au fonctionnement des équipements.
Ce chapitre est consacré à l'établissement de la structure des données du problème pour pré-
parer l'étape de formulation. La structure de données détermine des modèles comportementaux
qui permettent de modéliser l'évolution du système. Cette étape commence par la récupéra-
tion et l'analyse des informations provenant du cahier des charges de l'usager. Ces informations
peuvent être saisies manuellement par l'utilisateur ou bien par un mécanisme d'apprentissage
des habitudes de l'usager à travers des données enregistrées. On considère que chaque composant
du système embarque une carte d'identité de lui-même avec des informations sur son prol de
consommation et son ecacité énergétique. En analysant la demande de l'usager et les conditions
externes, chaque composant du système peut estimer ses besoins futurs en énergie, déterminer
son prol de consommation en spéciant ses degrés de liberté, et transmettre ses prévisions à
un solveur qui aura le rôle de construire un plan d'aectation des ressources énergétiques sur un
horizon moyen et long termes. Toutes les informations sur l'estimation et la production doivent
être organisées et standardisées pour que les diérents composants du système puissent commu-
niquer. Ces informations se servent non seulement de la procédure d'optimisation prévisionnelle
mais également d'un système réactif du système de pilotage en temps réel.
1 Notations et Dénitions
Dans un bâtiment ayant besoin d'un système de gestion de l'énergie, on trouve un ensemble de
services énergétiques existants. Pourtant, il n'y a aucun lien de coordination entre leurs activités.
Un système de gestion d'énergie va être intégré dans le système pour apporter des nouvelles
fonctions de gestion d'énergie. Ces fonctions permettent de mieux synchroniser et coordonner les
diérentes activités énergétiques en exploitant les degrés de liberté du système. L'existence de
degrés de liberté de l'usager quant à l'utilisation des services donne la possibilité de mieux gérer
la consommation dans le bâtiment. Le diagramme des classes UML du système de gestion de
l'énergie est présenté gure 4.1. Ce diagramme UML se compose de quatre éléments principaux :
• les services énergétiqus existants dans le bâtiment qui sont présentés dans le chapitre 2.
• les équipements qui constituent des supports à la réalisation des services. Un service peut
nécessiter plusieurs équipements tout comme un équipement peut répondre à plusieurs
54 Chapitre 4. Structuration du problème
Fig. 4.1 Diagramme de classe UML du système
services.
• les interactions entre les équipements peuvent prendre la forme d'échanges de ux énergé-
tiques ou de ux d'information.
• an de gérer les diérentes activités énergétiques, les modèles de comportement du système
jouent un rôle très important pour l'exploitation des degrés de liberté du système. Ces
modèles se composent de deux types de modèles : les modèles dynamiques et les modèles
automates à états nis.
1.1 Notion de ux

Le mot ux désigne en général un ensemble d'éléments (informations, données, énergie, ma-
tière, ...) évoluant dans un sens donné. Plus précisément dans un contexte de gestion d'énergie
dans le bâtiment, on distingue deux types de ux : les ux énergétiques et les ux d'informations.
1. Notations et Dénitions 55
1.1.1 Flux énergétiques

Dénition 3 les ux énergétiques sont les transferts d'énergie
Dans le contexte de gestion de l'énergie dans le bâtiment, les ux énergétiques comprennent
les ux thermiques et les ux électriques. On appelle ux de chaleur la quantité de chaleur qui
traverse une surface, pendant une unité de temps. Cette dénition s'applique aussi aux ux
d'énergie électrique qui correspondent aux courants électriques.
Dénition 4 Une source d'énergie est un équipement qui fournit une ressource énergétique sur le
site du bâtiment. Une source d'énergie fournit de l'énergie à l'ensemble des services énergétiques.
On distingue deux types de source d'énergie les sources permanentes et les sources intermittentes
Source permanente : C'est une source d'énergie dans le bâtiment qui a une capacité
constante.
Source intermittente : Une source intermittente est une source d'énergie dont la capacité va-
rie en fonction du temps. Les sources d'énergie intermittentes sont des ressources supplémentaires
qui exploitent généralement des d'énergies renouvelables sur le site du bâtiment, par exemple les
panneaux solaires ou bien les éoliennes.
1.1.2 Flux d'information

Dénition 5 Les ux d'information sont des échanges d'information entre diérents éléments
dans le système. Les informations transférées peuvent être liées au contrôle/commande et aux
demandes d'accès à l'énergie.
Les ux d'information permettent au système de gestion d'énergie dans le bâtiment de coordonner
les diérentes activités énergétiques an de trouver un équilibre entre production d'énergie et
consommation.
1.2 Service
Les services énergétiques dans le bâtiment sont variés car les besoins de l'usager sont multiples.
Nous mettons en évidence les caractéristiques communes aux diérents services dans le bâtiment.
En utilisant ces caractéristiques, nous proposons de classer les services en diérentes catégories
selon les types de degré de liberté et les types de prols énergétiques.
Dénition 6 Le service i est noté Srv(i). Il permet de transformer de l'énergie pour répondre
à un besoin spécique de l'usager.
En caractérisant les services par leur comportement dans le temps, nous divisons les services en
deux groupes principaux :
Dénition 7 Un service est dit permanent lorsque ses activités énergétiques (consommation,
production) interviennent sur tout l'horizon d'un plan d'aectation de ressources d'énergie.
Dénition 8 Le service dit temporisé lorsque ses activités énergétiques sont localisées sur un
horizon temporel qui est inclus dans l'horizon du plan d'aectation des ressources énergétiques.
1.2.1 Flexibilité d'un service

Interruptible La préemption est dénie comme la possibilité d'interrompre temporairement
la consommation énergétique d'un service.
Interruptible avec contrainte certains services peuvent être interrompus mais l'interruption
doit respecter certaines contraintes qui sont souvent liées à la capacité physique de l'équipement
ou aux aspects de sécurité. Nous considérons trois types de contraintes de préemption :
• Contrainte de fenêtre de temps : on peut découper la consommation d'un service comme
on le souhaite mais le service doit nir dans cette fenêtre de temps donnée.
• La durée de l'interruption ne doit pas dépasser une durée maximale d'interruption
• Entre deux interruptions, il peut exister une contrainte qui détermine qu'entre deux pré-
emptions du service, il faut un temps d'attente minimal xé.
Décalable Un service est décalable(par exemple le lavage du linge) s'il peut être ordonancé
librement dans une fenêtre de temps donnée.
Modiable un service modiable ore la possibilité de modier son prol énergétique, par
exemple en réduisant ou en augmentant sa consommation à moment donné.
1.2.2 Estimation de la demande du service

En ce qui concerne la possibilité de prévoir la demande d'un service, nous nous intéressons
plutôt aux deux caractéristiques de la demande : la caractéristique temporelle (la durée et la date
d'exécution souhaitée) et la caractéristique de quantité énergétique de la demande (puissance
consommée maximale, énergie consommée). Dans (Ha, 2004) on a établit trois catégories qui
permettent de distinguer les possibilités de prédiction de la demande de l'usager : les services
prévisibles, les services semi-prévisibles et les services imprévisibles.
• La catégorie des services prévisibles correspond aux services ayant des caractéristiques
temporelles et des prols d'énergie (consommation ou production) bien connus
• Un service est considéré comme semi-imprévisible lorsque son prol d'énergie est connu
mais pas ses caractéristiques temporelles.
• Finalement, un service est classé dans la catégorie non-prévisible dans le cas où aucune
information sur ses caractéristiques temporelles et son prol d'énergie n'est disponible.
Les services des deux premières catégories permettent de prédire une partie des caractéristiques
temporelles et prol d'énergie. En revanche, la spécicité de ce problème est que la part d'incer-
titude est très importante comparée à d'autres problèmes plus commun comme la fabrication de
biens.
1.2.3 Fonction de satisfaction du service

Pour tenir compte du niveau de satisfaction du service, la fonction U (Srv(i)) de satisfaction
du service est exprimée par un réel compris entre 0 et 1 : L'importance du service Srv(i) par
rapport aux autres services est exprimé par une pondération w(i). Cette notion aide l'utilisateur
à dénir lui-même la priorité des diérents services. La conguration de la priorité peut être
utilisée pour pondérer des critères dans la procédure d'optimisation.
2. Modèle de comportement du système 57
Notion Notation
Service i Srv(i)
Estimation de la demande
Durée de consommation D(i)
Date de début du service s(i)
Puissance maximale demandée Pmax (i)
Énergie consommée durant la période k E(i, k)
Degrés de liberté
Préemption du service P mtn
Réduction, augmentation M ode
Décalage temporel Dec
Fonction de satisfaction
Pondération du service w(i)
Fonction de satisfaction U (Srv(i))
Tab. 4.1 Structure d'information du besoin utile d'un service
2 Modèle de comportement du système

Pour gérer le bâtiment comme un système, il est important de structurer les modèles com-
portementaux des diérents services avec leurs équipements support. Dans cette section, nous
mettons en évidence l'existence de deux types de modèles comportementaux : le premier regroupe
les modèles dynamiques qui permettent de décrire l'évolution continue de certains services comme
le chauage, la climatisation. Cependant, ces modèles ne permettent pas de modéliser les com-
portements de certains dispositifs comme une machine à laver. Nous proposons d'utiliser un
modèle simplié basé sur un automate à états nis pour ce type de comportements.
2.1 Modèle de comportement dynamique de l'environnement

Le modèle de comportement dynamique de certaines variables d'état de l'environnement peut
être écrit sous la forme d'un système d'équations diérentielles :
dX
=A×X +B×P +C ×W (4.1)
dt
• t est le temps
• X est un vecteur de variables d'état
• P est un vecteur d'aectation de puissance
• W est un vecteur de perturbations externes
• A, B, C sont des matrices de coecients
Ce type de modèle peut être obtenu à partir d'une procédure d'identication ou à partir de pa-
ramètres physiques de l'équipement. Étudions le comportement des environnements thermiques
qui correspondent à ce type de modèles.
L'estimation de modèles thermiques dans le bâtiment est un sujet largement étudié dans la
littérature. On peut trouver des modèles très complexes et très détaillés comme des modèles ther-
modynamiques issus de la mécanique des uides présentés dans la thèse de Bellivier (2004). La
méthode présentée dans cette thèse est très précise et permet de détailler des écoulements à l'in-
térieur des pièces. Mais ce modèle coûte très cher en terme de ressources de calcul et est dicile
à implémenter dans des contextes multi-zones thermiques. De surcroît, ce modèle est trop com-
plexe pour permettre de construire un modèle de contrôle/commande du système. La méthode
traditionnelle pour estimer ce type de modèle thermique est basée sur les paramètres physiques
du bâtiment mais selon Madsen (1995), cette approche ne permet pas d'aborder une descrip-
tion précise de la dynamique du bâtiment à court terme. Madsen (1995) propose une méthode
d'identication pour estimer ce type de modèle en considérant qu'une pièce se compose de deux
n÷uds. Andersen et Klaus (2000) essaient de combiner la méthode traditionnelle par estimation
des paramètres physiques du bâtiment avec l'identication par des modèles stochastiques.
Une alternative est d'utiliser des modèles construits par analogie avec les circuits électriques.
(Fraisse et al., 2002) en a proposé un en utilisant le principe de l'analogie de circuit électrique
simple mais qui permet également de donner des informations assez précises sur la modélisation
thermique globale d'une pièce. Les résultats de validation dans (Madsen, 1995; Andersen et
Klaus, 2000) ont montré que le degré d'exactitude de ce type de modèle pour la modélisation de
la dynamique thermique est très pertinente. Récemment, Kampf et Robinson (2006) ont utilisé ce
type de modèles simpliés pour analyser les transmissions des ux énergétiques dans un bâtiment
multi-zone.
Soit le modèle simplié de la température d'une pièce ayant une fenêtre et équipée d'un
radiateur comme générateur thermique. En considérant que la capacité thermique des murs est
relativement faible, le modèle par analogie avec un circuit électrique est présenté dans la gure
4.2. Ce modèle comporte deux constantes de temps :
  
−1 1

dTa     
   T 0 0 0 Text
 dt  
 ri Ce ri Ce  a


=
    +
  
1 1 W   φr 
 
(4.2)
 dT   1 1

1  Tm φs
m ra Ci Ci Ci
− −
dt ri Ci ra Ci ri Ci
Avec
• Tm la température de l'enveloppe de la pièce
• Ta la température intérieure de la pièce
• Text la température extérieure
• φr le ux thermique généré par le radiateur
• φs le ux énergétique apporté par le rayonnement radiant solaire
• Ce la capacité thermique de l'enveloppe de la pièce
• Ci la capacité thermique du volume d'air dans la pièce
• ri ,ra les résistances thermiques
• W la supercie de la fenêtre
Ce modèle est très convenable pour notre objectif. D'une part, il est compatible avec notre
exigence du contrôle/commande. D'autre part, la performance de prédiction avec ce modèle est
validée dans la littérature. Nous choisissons donc ce modèle pour la suite de ce travail.
2.2 Modèle de comportement des équipements

Nous devons choisir des modèles de comportement à haut niveau d'abstraction puisque nous
cherchons à prédire des comportements. Nous avons choisi de modéliser les comportements des
2. Modèle de comportement du système 59
Fig. 4.2 Modèle thermique de la température dans une pièce munie d'une fenêtre et d'un
radiateur (Madsen, 1995)
équipements par des automates à états nis.

Un automate à états nis déterministe est constitué d'états notés {S } et de transitions {T }.
Le comportement évolue selon les valeurs de variables de transition : l'automate passe d'état
en état, suivant les transitions activées par les variables. Lorsque la condition de transition est
satisfaite, la transition est franchie et le nouvel état est atteint.
Un automate forme naturellement un graphe orienté étiqueté, dont les états sont les sommets
et les transitions les arêtes étiquetées par des conditions de changement d'état. Dans certaines
catégories d'équipements, la modélisation par automate à états résume naturellement le compor-
tement de l'équipement.
Pour dénir un modèle de comportement de type automate, on décompose le fonctionnement
en plusieurs phases qui correspondent à un ensemble d'états {S }. Parallèlement, on doit égale-
ment dénir les conditions de changement d'état qui correspondent à l'ensemble des transitions
{T } de l'automate. La condition de changement d'état dépend de trois types de variables :
• les variables temporelles, qui correspondent à des durées d'exécution de certaines phases
de fonctionnement de l'équipement
• les variables d'état de l'environnement
• les variables de contrôle/commande
Exemple 1 : Régulation thermostatique La régulation thermique dans le bâtiment utilise

souvent une méthode de régulation tout ou rien de type thermostatique. Le thermostat est le type
de régulation le plus répandu dans les équipements de chauage. Il fonctionne en général suivant
la température ambiante mesurée selon le principe de boucle fermée. Supposons que T est la
variable représentant la température ambiante, Tc est la température de consigne Tc − ∆T est la
température d'enclenchement et Tc + ∆T est la température de déclenchement. Deux états dans
l'automate correspondent à l'état allumé (ON) et arrêté (OFF) (voir la gure 4.3) du générateur
thermique. Supposons que l'automate démarre à l'état allumé. Lorsque la température atteint
la température de déclenchement, la transition vers l'état OFF est eectuée. L'automate à état
continue de rester dans cet état et retourne à l'état précédent lorsque la condition T = Tc − ∆T
est satisfaite.
Ce principe de régulation thermique se trouve souvent dans les équipements qui jouent le
Fig. 4.3 Modélisation de la régulation thermique tout ou rien par automate à états
rôle de régulation de température en utilisant la source d'énergie électrique, comme par exemple
la production de froid ou le service de climatisation. D'autres types de régulations thermiques
existent comme la régulation proportionnelle, (plus d'informations sur la régulation thermique
peuvent être trouvées dans (Mérieux et Pleynet, 1992)).
Exemple 2 : Modèle du comportement d'une batterie Voici un exemple de modèle com-

portemental d'une accumulation électrochimique (batterie) souvent utilisé pour stocker l'énergie
produite par des sources intermittentes. On distingue trois phases : charge, décharge et décon-
nexion du réseau. Dans le mode de charge, la batterie consomme de l'énergie et est considérée
comme une charge. En revanche, en état de décharge la batterie est considérée comme une source
d'énergie supplémentaire du système. Un modèle de batterie simplié est présenté dans (Muselli
et al., 2000). x(t) est la quantité d'énergie stockée dans la batterie à l'instant t, u(t) est le vecteur
de contrôle/commande qui représente le ux énergétique en entrée ou en sortie de la batterie.
L'automate à état représentant le comportement d'une batterie est représenté gure 4.4. Il s'agit
d'un automate hybride puisqu'il contient l'équation diérentielle suivante :
dx(t)
= x(t) + u(t) (4.3)
dt
Fig. 4.4 Modèle de l'automate à l'état d'une batterie

3. Conclusion 61
Exemple 3 : Modèle d'un lave linge L'automate à état du fonctionnement d'une machine
à laver comporte trois phases principales : chauage de l'eau, lavage et essorage (voir la gure
4.5). Supposons qu'à chaque état la consommation est modélisée de manière approchée avec :
si,j , fi,j , p(i, j) respectivement les dates d'exécution, de n et la durée de la phase j de
l'équipement i. L'équipement i durant la phase j a une quantité d'énergie consommée ou produite
moyenne notée Ei,j . On peut simplier la courbe de consommation pour une activité énergétique
temporisée avec la puissance consommée moyenne Pi,j :
Ei,j
Pi,j = (4.4)
p(i, j)
L'automate à états nis de la machine à laver commence à l'état arrêté. Sur ordre d'exécution
par le mécanisme de pilotage ou bien par l'utilisateur, elle passe dans l'étape de chauage de
l'eau, la transition entre chaque étape est activée par la n de l'étape précédente.
t= f 1 t= f 2 t= f 3
t f 1
Chauffe
t f 2 Lavage t f 3 Essorage t s Déconnect
d'eau
t =s
Puissance
P2 P3
P1
s f1 f1 f2 f2 f3
Temps
Fig. 4.5 Machine à états nis du comportement d'une machine à laver
3 Conclusion
Nous avons détaillé les diérents services que l'on rencontre dans l'habitat. Pour chaque ser-
vice, nous avons montré qu'il était possible de standardiser leurs caractéristiques. Nous avons
en particulier montré que la notion de qualité de service se traduit pour l'usager par ce que l'on
appelle le confort qui peut être modélisé par une fonction de satisfaction. Un service peut appar-
tenir à deux grandes catégories : permanent ou temporisé, suivant sa nature. Pour chacune de
ces catégories, on distingue les services interruptibles, décalables et modiables. Certains services
sont prédictibles, soit à partir d'information météorologiques, soit par une programmation des
utilisateurs ou même par un apprentissage des habitudes des occupants. Les diérents types de
modèles de comportement approprié au contexte ont été présentés parmi lesquels les modèles
continus dynamiques, les modèles sous forme d'automate à états nis mais aussi les modèles
hybrides continus / discrets. La prochaine étape est de trouver une formulation mathématique
ad hoc pour chacun des services.
Chapitre 5
Formulation mathématique du
problème
Ce chapitre est consacré à la formulation des diérents éléments du problème de maîtrise de
l'énergie dans le bâtiment. La résolution d'un problème d'optimisation nécessite tout d'abord
une phase de modélisation du système réel. Cette phase a été décrite dans le chapitre précédent.
Lorsque ces modèles sont construits, les paramètres des modèles sont instanciés par des valeurs
numériques an de construire des scénarios qui représentent au mieux la réalité. Nous envisage-
rons une formulation générale du problème qui couvre tous les éléments de la gestion de l'énergie
dans le bâtiment. Cependant, les modèles comportementaux et les contraintes des équipements
sont de natures diérentes. Comme cela a été montré dans le chapitre 4, ces modèles sont soit des
modèles dynamiques, soit des modèles à événements discrets sous la forme d'automate à états
nis soit une hybridation de ces deux types de modèles.
Dans la littérature, la notion de "système hybride" a été introduite dans (Branicky et al.,
1994) et complétée par (Bemporad et Morari, 1998). En automatique, les systèmes hybrides sont
des systèmes qui impliquent à la fois une dynamique continue et à la fois des phénomènes discrets.
Les phénomènes discrets peuvent être exprimés par la logique booléenne. Bemporad et Morari
(1998) ont proposé la notion de système mixte logique et dynamique (en anglais : Mixed Logical
Dynamical (MLD) System). Grâce à la transformation de la logique booléenne en variables
binaires et en contraintes auxiliaires, la logique peut être intégrée aux équations diérentielles du
système. Dans ce chapitre, nous adaptons cette démarche pour formuler le problème de gestion
de l'énergie dans le bâtiment dans un cadre général sous forme de la programmation linéaire
mixte en optimisant trois critères : écologique, économique et confort de l'usager.
1 Principes de la transformation logique

1.1 Logique propositionnelle et programmation en nombres entiers
Nous nous intéressons d'abord à l'intégration de la logique booléenne au modèle d'évolution
du système. L'intérêt est d'assembler les deux types de modèles présentés dans le chapitre 4 :
les modèles dynamiques et les modèles automate à états dans une formulation unique. De plus,
grâce à cette transformation, on peut intégrer des propositions logiques de type si-alors pour
introduire les contraintes logiques dans la formulation générale du problème.
Une proposition logique notée X a pour valeur de vérité soit vraie (V), soit fausse (F). On
64 Chapitre 5. Formulation mathématique du problème
X1 X2 qX1 X 1 ∧ X2 X 1 ∨ X2 X1 ⊕ X 2 X 1 → X2 X 1 ↔ X2
V V F V V F V V
V F F F V V F F
F V V F V V V F
F F V F F F V V
Tab. 5.1 Table de vérité de fonctions booléennes
peut agréger plusieurs propositions logiques avec les opérateurs de "∧"(et), "∨"(ou), "⊕" (ou
exclusif), "q" (non), "→" (implique), "↔"( si et seulement si). La table de vérité des opérateurs
de la logique booléenne se trouve dans le tableau 5.1
La proportion logique booléenne Xi peut être associée à une variable binaire δi ∈ {0, 1}
telle que la proportion Xi soit vraie si et seulement si δi = 1 et Xi soit fausse si et seulement si
δi = 0 : (
Xi = V ↔ δ i = 1
(5.1)
Xi = F ↔ δ i = 0
Ainsi, les opérateurs binaires peuvent être reformulés pour la programmation en nombres entiers
(Williams, 1993) :
qX1 ↔ δ1 = 0
X 1 ∧ X2 ↔ δ1 + δ2 =2
X 1 ∨ X2 ↔ δ1 + δ2 ≥1
(5.2)
X1 ⊕ X2 ↔ δ1 + δ2 =1
X 1 → X2 ↔ δ1 − δ2 ≤0
X 1 ↔ X2 ↔ δ1 − δ2 =0
1.1.1 Transformation de la condition linéaire

Dans les modèles, on trouve souvent des conditions de changement d'état liées à une contrainte
portant sur des variables physiques du système. Par exemple, le changement de sensation ther-
mique P M V est lié au changement de valeur de la température intérieure. En général, ce type
de logique peut être formulé sous la forme linéaire ax ≤ b : la variable continue x ∈ dom(x) est
bornée pour que m et M soient respectivement la borne inférieure et la borne supérieure de la
fonction f (x) = ax − b avec {a, b} ∈ R2 . On suppose que m et M soient des constantes.
m = Minx∈dom(x) (ax − b)
(5.3)
M = Maxx∈dom(x) (ax − b)
Supposons que la proportion logique X implique la condition f (x) ≤ 0. La transformation

s'écrit : 
 X , [ax − b ≤ 0]
 (
m ≤ ax − b ≤ 0 ↔ δi = 1
m = Minx∈dom(x) (ax − b) ⇔ (5.4)
 M = Max
 M ≥ ax − b > 0 ↔ δi = 0
x∈dom(x) (ax − b)
Pour exprimer cette condition, on peut utiliser deux inégalités linéaires mixtes comme suit :
(
ax − b ≤ M (1 − δ)
[ax − b ≤ 0] ↔ [δ = 1] si et seulement si (5.5)
ax − b > mδ
2. Transformation des modèles comportementaux 65
Pour plus d'informations sur la démonstration de la transformation, le lecteur est renvoyé

vers (Bemporad et Morari, 1998). Le seul souci de la transformation (5.5) est que ax − b ne peut
jamais atteindre m. On peut ajouter un coecient positif de tolérance qui correspond souvent
à la précision du calculateur utilisé. La transformation devient :
(
ax − b ≤ M (1 − δ)
[f (x) ≤ 0] ↔ [δ = 1] si et seulement si (5.6)
ax − b ≥ + (m − )δ
1.1.2 Variables auxiliaires

Dans l'étape précédente, on transforme une proposition logique en une formulation mixte en
nombres entiers. Dans la suite de ce chapitre, nous allons rencontrer des cas où l'on multiplie une
variable continue et une variable binaire ou bien deux variables binaires. Les variables auxiliaires
doivent être ajoutées pour compléter la transformation.
Multiplication de deux variables binaires : Considérons le cas où la multiplication de deux

variables binaires δ1 et δ2 conduit à une troisième variable binaire δ3 , δ1 ×δ2 . La transformation
équivalente s'écrit sous la forme :


 −δ1 + δ3 ≤ 0

 −δ2 + δ3 ≤ 0
(5.7)

 δ1 + δ2 − δ3 ≤ 1

δ1 , δ2 , δ3 ∈ {0, 1}

Variable semi-continue : une variable semi-continue résulte de la multiplication d'une va-

riable binaire par une variable continue : z , δ × (ax − b) qui doit satisfaire deux condi-
tions :[δ = 0] → [z = 0] et [δ = 1] → [z = ax − b]. La variable semi-continue est transformée sous
la forme de système d'inéquations mixtes :
Si δ = 1
 

 z = f (x) 
 z ≤M ×δ
Si δ = 0

 z 
 z ≥ mδ
= 0
⇔ (5.8)

 m = Minx∈dom(x) (ax − b) 
 z ≤ f (x) − m(1 − δ)
Maxx∈dom(x) (ax − b)
 
M = z ≥ f (x) − M (1 − δ)
 
2 Transformation des modèles comportementaux

2.1 Formulation du service de chauage, climatisation
Le modèle de comportement du système de chauage climatisation a été présenté dans le
chapitre précédent sous la forme d'un système d'équations diérentielles :
(
ẋc (t) = Ac xc (t) + Bc uc (t) + Cc Pc (t)
(5.9)
yc (t) = Dc xc (t)
où A ∈ Rn×n , B ∈ Rn×m et C ∈ Rp×n . La discrétisation de ce système d'équations par la

période d'échantillonnage ∆a conduit à :
(
x(k + 1) = Ax(k) + Bu(k) + CE(k)
(5.10)
y(k) = Dx(k)
Pour cette partie du modèle, aucune transformation n'est nécessaire.

Selon la norme de confort 7730 (AFNOR, 2006), on distingue trois niveaux de confort ther-
mique : A, B, C. Dans chaque catégorie, AFNOR (2006) propose des domaines de valeurs carac-
téristiques pour la température, la vitesse de l'air et l'humidité de l'air dans une zone occupée.
Pour mesurer l'inconfort thermique sur une longue période, nous choisissons le critère d'agré-
gation de la valeur absolue du vote prédictif P M V . La sensation est exprimée en fonction du
P M V . L'objectif de service de chauage/climatisation est de régler la température ambiante
autour d'une température de consigne où la température "idéale" est Topt pour l'usager. Le do-
maine de valeur pour la température ambiante est limitée par Tmax et Tmin qui sont imposées
par la norme de confort 7730.
Par exemple, en hiver, dans un bureau individuel, les caractéristiques de confort dans la

catégorie A sont : la température opérative Ta = 22 ± 1 , la vitesse moyenne maximale de l'air

étant de 0, 10m/s (Topt = 22 et Tmax = 23 , Tmin = 21 ).
Dans cette étude, nous nous intéressons plutôt à l'inconfort thermique causé par des variations
de température ambiante, en considérant que les autres paramètres physiques sont constants et
dans la norme. Dans ce cas, le critère de vote prédictive P M V peut être réécrit uniquement en
fonction de la température ambiante Ta (k) sous forme simpliée avec deux constantes (a1 , a2 ) ∈
R2 qui reètent la diérence entre les sensations de froid et de chaud. Nous nous intéressons à
la valeur absolue du PMV :

 (Ta (k) − Topt )

 a1 × Si Ta (k) ≤ Topt
Topt − TM in



|P M V (Ta (k))| = (5.11)


 (Topt − Ta (k))
 a2 × Si Ta (k) > Topt


TM ax − Topt
Le critère de satisfaction du service de chauage et climatisation Srv(i) dans la période k est

déni par
U (k) = |P M V (Ta (k))| (5.12)
On introduit la variable δa (k) vériant [δa (k) = 1] ⇔ [Ta (k) ≤ Topt ] ∀k. La fonction de PMV
(5.11) peut être récrite sous une forme linéaire mixte avec variables binaires :
(Ta (k)−Topt ) (Topt −Ta (k))
|P M V (Ta (k))| = δa (k) × a1 × Topt −TM in + (1 − δa (k)) × a2 × TM ax −Topt
= F1 δa (k) + F2 Ta (k) + F3 Ta (k) × δa (k) +F4

| {z } (5.13)
za (k)
= F1 δa (k) + F2 Ta (k) + F3 za (k) + F4
En utilisant (5.6), la transformation équivalente de la proposition logique Ta (k) ≤ Topt par

la variable binaire δa (k) s'écrit :
(
Ta (k) − Topt ≤ (Tmax − Topt )(1 − δa (k))
(5.14)
Ta (k) − Topt ≥ + (Tmin − Topt − )δa (k)
Une variable semi-continue za (k) est ajouté pour remplacer la multiplication δa (k) × Ta (k) dans
(10.2), selon (5.8) la transformation de cette variable semi-continue za (k) , δa (k)×Ta (k) conduit
à: 

 za (k) ≤ (Tmax − Topt )δa (k)

 z (k) ≥ (Tmin − Topt )δa (k)
a
(5.15)

 z a (k) ≤ Ta (k) − (Tmin − Topt )(1 − δa (k))

za (k) ≥ Ta (k) − (Tmax − Topt )(1 − δa (k))

En assemblant les équations (5.10), (4.2), (5.14) et (5.15), on peut obtenir le modèle hybride
du système de chauage et climatisation :


 x(k + 1) = Ax(k) + Bu(k) + CE(k)




 U (k) = F1 x(k) + F2 δ(k) + F3 za (k) + F4
Ta (k) − Topt ≤ (Tmax − Topt )(1 − δa (k))





 Ta (k) − Topt ≥ + (Tmin − Topt − )δa (k)
(5.16)

 za (k) ≤ (Tmax − Topt )δa (k)

za (k) ≥ (Tmin − Topt )δa (k)




za (k) ≤ Ta (k) − (Tmin − Topt )(1 − δa (k))





za (k) ≥ Ta (k) − (Tmax − Topt )(1 − δa (k))

En assemblant les équations de transformation équivalente on obtient le modèle réduit :


 x(k + 1) = Ax(k) + Bu(k) + CE(k)

U (k) = F1 x(k) + F2 δ(k) + F3 za (k) + F4 (5.17)

 E δ(k) + E z (k) + E T (k) + E ≤ 0
1 2 a 3 a 5
Ce modèle nous permet non seulement d'exprimer l'évolution de la température ambiante

mais également le critère de confort thermique de l'usager. Continuons à appliquer ce type de
transformation aux services temporisés.
2.2 Modélisation d'un service temporisé non-préemptif

Ordonnancer des services temporisés peut être vu comme un problème d'ordonnancement sous
contrainte de ressources en gestion de projet (Esquirol et Lopez, 1999b) ou comme un problème
d'ordonnancement cumulatif présenté dans la thèse de Neron (1999). Ces problèmes consistent à
instancier dans un espace temporel un ensemble d'activités ou de tâches an d'optimiser certains
critères. Ces instanciations temporelles doivent respecter un ensemble de contraintes de capacité
limitée de la ressource, par exemple des machines, de la main d'÷uvre. Dans ce type de problème,
on s'intéresse plutôt au critère de minimisation de la durée du projet ou de minimisation de la
somme des retards pondérés des tâches.
Cependant, pour la gestion de l'énergie dans le bâtiment, les instanciations des services tem-
porisés sont eectuées pour satisfaire les exigences de l'usager et en même temps minimiser le
coût de l'énergie consommée dans le bâtiment. Le décalage temporel des services temporisés peut
être le résultat d'un compromis entre les deux critères de confort et de coût pour l'usager. Ces
critères ne sont pas forcément liés à la durée totale ou au retard pondéré dans l'ordonnancement
classique.
2.2.1 Formulation du problème en temps discret

Nous avons adopté ici une formulation du problème de gestion de projet (Esquirol et Lopez,
1999b). Cette formulation est largement utilisée dans la littérature. On considère que le temps est
discrétisé par des période ayant la même durée ∆a . Les services temporisées Svr(i) avec l'index
i ∈ {1, ..., I} partagent une ressource cumulative ayant une capacité P (k) et un coût de l'énergie
C(k), avec I le nombre total de services temporisées. C(k) varie en fonction de k . Voici la liste
des notations adoptées
• smin (i), date de disponibilité
• smax (i), date d'exécution au plus tard
• s(i), date d'exécution eective du service
• fmin (i), date de n au plus tôt
• fmax (i), date de n au plus tard
• fopt (i), date de n souhaitée par l'usager
• d(i) durée de l'activité
• U (i) satisfaction liée au service temporisé Srv(i)
• P (i) puissance demandée par le service temporisé Srv(i)
• smin (i), smax (i), s(i), fmin (i), fopt (i), d(i) sont des variables en nombres entiers.
La date de n du service temporisé est limitée par la date de n au plus tôt et la date de n au
plus tard :
fmin (i) ≤ f (i) ≤ fmax (i)∀i ∈ {1, ..., I} (5.18)
La satisfaction de l'usager peut être estimée par une fonction linéaire par morceaux qui dépend
du décalage du service par rapport à la date de n souhaitée par l'usager :

f (i) − fopt (i)
Si f (i) > fopt (i)



 fmax (i) − fopt (i)


U (i) = (5.19)

 fopt (i) − f (i)
Si f (i) ≤ fopt (i)




fopt (i) − fmin (i)
La fonction de satisfaction associée au service est transformée sous une forme linéaire mixte
grâce à l'introduction de la variable binaire δu (i) ∈ {0, 1} pour que [δu (i) = 1] ↔ [f (i) ≤ fopt (i)] :
fopt (i) − f (i) f (i) − fopt (i)

U (i) = δu (i) × + (1 − δu (i)) (5.20)
fopt (i) − fmin (i) fmax (i) − fopt (i)
On introduit une variable binaire x(i, k) ∈ {0, 1} associée au service qui satisfait :
(
1 Si le service temporisé Srv(i) se termine à la période k
x(i, k) = (5.21)
0 Sinon
Il s'ensuit :
 PK

 k=1 x(i, k) = 1 ∀ i ∈ {1, ..., I}




 PK
 fmin (i) ≤ k=1 x(i, k) × k ≤ fmax (i) ∀ i ∈ {1, ..., I}



(5.22)
 PI Pk+d(i)−1
P (i) × x(i, s) ≤ Pmax (k) ∀ k ∈ {1, ...K}



 i=1 s=k





x(i, k) ∈ {0, 1} ∀ i ∈ {1, ..., I}, k ∈ {1, ...K}

La première contrainte assure qu'un service temporisé est exécuté exactement une fois.
La deuxième sert à limiter le décalage en respectant la contrainte de fenêtre de temps
[fmin (i), fmax (i)]. La troisième contrainte garantit que la contrainte de capacité de ressource
est respectée. L'énergie consommée du Srv(i) durant la période k est E(i, k) qui est calculée
par :
k+d(i)−1
(5.23)
X
E(i, k) = P (i) × x(i, s) × ∆a
s=k
Le critère de coût du plan d'aectation de la ressource énergie totale est :
K X
I
(5.24)
X
Jc = E(i, k)C(k)
k=1 i=1
2.2.2 Formulation en temps continu
a f min i f max i 

d i=3,5
Srv i
1 2 3 4 5 6 7 8
E i ,2 E i ,3 E i ,4 E i ,5

Fig. 5.1 Formulation continue du service temporisé
Après une formulation en temps discret, nous proposons une amélioration de cette formulation
mieux adaptée à la nature du problème. Le désavantage de la formulation en temps discret est la
date de n eective f (i) liée à la période de discrétisation du système f (i) = n × ∆, n ∈ N. En
réalité, ce n'est qu'une approximation. Avec la transformation précédente, nous allons proposer
une formalisation qui permet de rendre continues les variables f (i), d(i), s(i), fm (i).
Dans la littérature, la formulation en temps continu du problème d'ordonnancement existe.
Les travaux sur les modèles continus se trouvent dans (Pinto et Grossmann, 1995, 1998; Castro
et Grossmann, 2006) mais dans le problème d'ordonnancement sous la contrainte de ressources
disjonctives. Au lieu de déterminer la date de début des tâches, ce type de formulation détermine
la séquence d'exécution des tâches sur une ressource partagée. La variable binaire γ(i, j) est
introduite pour représenter cette relation : γ(i, j) = 1 lorsque la tâche i est nie avant l'exécution
de la tâche j .
Pourtant, ce type de formulation ne convient pas pour le problème d'ordonnancement sous
contrainte de ressource cumulatif que nous voulons traiter. La position de deux tâches dans un
problème cumulative ne se réduit pas à i avant ou après j . Une variable binaire γ(i, j) n'est plus
susante pour représenter cette relation. Nous proposons d'utiliser les transformations (5.6) et
(5.8) pour une formulation du problème d'ordonnancement appropriée au problème de gestion
de l'énergie dans le bâtiment. L'évènement de changement de coût énergétique peut arriver à
chaque période k. Par conséquent, la formation en temps continu est liée à la grille temporelle
découpée en intervalles uniformes de durée ∆a sachant que les variables s(i), f (i), p(i) restent
des variables continues.
Selon (Esquirol et Lopez, 1999a), la consommation d'un service durant un intervalle ∆a est
décrite (voir l'illustration dans la gure 5.1) par :
(
E 0 (i, k) = (Min[f (i), (k + 1)∆a ] − Max[s(i), k∆a ]) P (i) Si E 0 (i, k) > 0
E(i, k) = (5.25)
0 Si E 0 (i, k) ≤ 0
On considère que la variable binaire δt1 (i, k) ∈ {0, 1} dénie par :

(
0 Si f (i) > k∆a
δt1 (i, k) = (5.26)
1 Si f (i) ≤ k∆a
et la variable binaire δt2 (i, k) ∈ {0, 1} déni par :

(
0 Si s(i) > k∆a
δt2 (i, k) = (5.27)
1 Si s(i) ≤ k∆a
La transformation utilisant δt1 (i, k) et δt2 (i, k) est similaire à (5.6). La façon la plus simple
de formuler E(i, k) à partir de (5.25) est la suivante :
Min[f (i), (k + 1)∆a ] = [1 − δt1 (i, k + 1)](k + 1)∆a + δt1 (i, k + 1) × f (i) (5.28)
Nous devons ajouter une variable semi-continue pour compléter la transformation

zt1 (i, k) , δt1 (i, k) × f (i)
Max[s(i), k∆] = [1 − δt2 (i, k)] × s(i) + δt2 (i, k) × k × ∆a (5.29)
Comme dans le cas précédent, on ajoute une variable semi-continue zt2 (i, k) , δt2 (i, k) × s(i). Il
vient :
E 0 (i, k) = ([1 − δt1 (i, k + 1)](k + 1)∆a + δt1 (i, k + 1) × f (i) + [1 − δt2 (i, k)] × s(i) + δt2 (i, k) × k) ∆a P (i)
(5.30)
En fait, E(i, k) est un variable semi-continue, donc on ajoute encore une variable binaire :
[δt3 (i, k) = 1] ↔ [E(i, k) ≤ 0]. Dans ce cas, E(i, k) s'écrit sous la forme :
E(i, k) = [1 − δt3 (i, k)]E 0 (i, k) (5.31)
2.3 Source d'énergie

2.3.1 Source d'énergie intermittente
Les sources d'énergie intermittentes existent dans le bâtiment. Elles sont généralement liées
à l'énergie solaire et à l'énergie éolienne. On suppose qu'à partir de données statistiques et des
prévisions météorologiques, on est capable de prédire la capacité de production moyenne sur un

intervalle de discrétisation ∆a . Généralement, le fonctionnement de la source intermittente peut
être résumé par W (k), le ux d'énergie aecté au bâtiment durant la période k, l'énergie produite
par la source locale est proportionnelle par rapport à l'énergie W (k) :
E(i, k) = ηi W (k) (5.32)
ηi ∈ R, η < 1 est le rendement de la source énergétique i.
2.3.2 Source d'énergie permanente

Contrairement aux sources d'énergie intermittentes, l'usager peut connaître l'énergie produite
par le service fournisseur d'énergie Srv(i) à chaque période. Ces sources émanent de l'EDF ou
bien des groupes électrogènes. L'énergie fournie par le service de source d'énergie Srv(i) durant
la période k est notée également E(i, k). La contrainte de capacité de source est écrite sous la
forme :
E(i, k) ≤ Emax (i, k) ∀k ∈ {1, ..., K} (5.33)
2.4 Stockage de l'énergie

L'énergie produite par les sources d'énergie peut être stockée dans un accumulateur. L'uti-
lisation d'un accumulateur obéit généralement à une stratégie qui garantit la durée de vie et le
bon fonctionnement. Supposons que la batterie i ait une capacité maximale Cmax (i), C(i, k) est
l'énergie stockée dans l'accumulateur i durant la période k. La discrétisation de l'équation (4.3)
conduit à :
C(i, k + 1) = C(i, k) + E(i, k) (5.34)
Dans ce cas, l'accumulateur est idéal avec un rendement unitaire. Un modèle de comportement
de l'équipement qui représente trois phases de fonctionnement : charge, décharge et déconnexion,
est donné par :
C(i, k + 1) = C(i, k) + E(i, k)

E(i, k) > 0 Si l'accumulateur est dans l'état charge
(5.35)
E(i, k) = 0 Si l'accumulateur est dans l'état déconnexion
E(i, k) < 0 Si l'accumulateur est dans l'état décharge
Par contre si le rendement de l'accumulateur ηi est inférieur à un, on doit distinguer les deux
phases de charge et de décharge par une variable δb (i, k) ∈ {0, 1} :[δb (i, k) = 1] ↔ [E(i, k) ≤ 0].
Pour simplier la notation, on suppose que le rendement de l'accumulateur des états charge et
décharge sont égaux. L'équation suivante exprime l'évolution de la batterie avec le rendement
ηi < 1 :
1
C(i, k + 1) = C(i, k) + ηi × δb (i, k)E(i, k) + (1 − δb (i, k))E(i, k) (5.36)
ηi
La vie d'un accumulateur dépend de ses cycles de charge/décharge. Pour limiter le cycle de
charge/décharge de la batterie, la gestion de la batterie doit intégrer une contrainte supplémen-
taire qui limite le cycle de décharge de l'accumulateur. Un seuil d'énergie stockée limite Clim est
utilisé. Lorsque C(i, k) < Clim , il faut que l'accumulateur reste dans l'état de charge. La variable
δc (i, k) ∈ {0, 1} est introduite pour représenter cette logique [C(i, k) ≤ Clim ] ⇔ [δc (i, k) = 0]. En
conséquence, rester dans l'état de charge jusqu'à ce que l'énergie stockée soit supérieure ou égale
à Clim est exprimé sous la forme [δc (i, k) = 0] ⇒ [δb (i, k) = 1]. Selon (5.2), la transformation
conduit à :
1 − δc (i, k) − δb (i, k) ≤ 0 (5.37)
2.4.1 Gestion de l'achat et de la revente d'énergie

Dans le bâtiment, l'énergie produite par un système de production d'énergie locale peut
être gérée diéremment. Au lieu d'utiliser un moyen de stockage, l'énergie peut être utilisée
directement par les services ou revendue à un distributeur d'énergie. Al-Hasan et al. (2004) ont
proposé une stratégie d'exploitation de l'énergie locale sans système de stockage. Bakos et al.
(2003) ont montré que l'énergie produite par les sources locales peut être vendue sur le réseau :
la rentabilité de cette stratégie dépend de la stratégie du distributeur d'énergie. Salas et al.
(2006, 2007) ont proposé un critère de qualité de l'électricité revendue pour garantir la qualité
du voltage, et de la fréquence.
Dans le contexte actuel, le fournisseur d'énergie est obligé d'acheter l'énergie "propre" d'ori-
gine renouvelable à un prix favorable pour encourager la production de ce type d'énergie dis-
tribuée. On suppose que E im (k) est l'énergie achetée au réseau durant la période k, E ex (k)
est l'énergie exportée vers le réseau. Finalement, l'énergie consommée par le bâtiment est notée
E co (k). L'énergie produite localement durant la période k est notée E pr (k).
Il existe deux modes de connexion entre le bâtiment et le réseau :
Mode de revente totale : Toute l'énergie produite par les sources locales est revendue vers
le réseau. Toute la consommation d'énergie dans le bâtiment est acheté au fournisseur. Dans ce
cas, l'équation d'équilibre de la consommation et de la production s'écrit :
(
E ex (k) = E pr (k) ∀k ∈ {1, ..., K}
(5.38)
E co (k) = E im (k) ∀k ∈ {1, ..., K}
Mode de revente partielle : Ce mode permet de revendre une partie de la production locale
au distributeur d'énergie. La revente peut être faite lorsque l'énergie produite localement est
supérieure à celle consommée. On a [E pr (k) > E co (k)] → [E ex > 0], ce qui peut se traduire en
δim (i, k) = 1 ⇔ E pr (k) − E co (k) ≤ 0. Cette transformation est eectuée de la même manière
qu'en (5.6). On dénit une variable semi-continue Eex 0 (k) comme dans (5.8) :
0
Eex (k) = [1 − δim (i, k)] × E ex (5.39)
Dans ce mode, l'équation d'équilibre entre la production et la consommation s'écrit :
E co (k) + E ex (k) = E po (k) + E im (k) (5.40)

3. Problème de planication de la production/ consommation d'énergie 73
3 Problème de planication de la production/ consommation

d'énergie
3.1 Plan d'aectation des ressources
On rencontre classiquement ce problème dans les systèmes de production, mais aussi en infor-
matique ou en gestion de projet. En général, on se base sur les concepts de tâche, de ressource,
de contrainte et d'objectif pour dénir un problème d'ordonnancement. "Ordonnancer un en-
semble de tâches, c'est programmer leur exécution en leur allouant les ressources requises et en
xant leur date de début". Pour le problème de gestion de ux énergétiques on dénit le plan
d'aectation des ressource.
Dénition 9 Le plan d'aectation des ressources énergétiques correspond à une aectation des
ressources énergétiques à l'ensemble des équipements pour réaliser un ensemble de services.
Le plan d'aectation des ressources énergétiques est formulé dans le cadre de la maîtrise de
l'énergie dans le bâtiment. Il est calculé grâce à un ensemble de méthodes de coordination des
activités de consommation et de production d'énergie pour optimiser des critères de coût, de
confort et d'écologie en respectant les contraintes imposées dans le système.
On suppose que le bâtiment dispose d'un ensemble de I services Srv(i), i ∈ {1, ..., I}. Le
problème d'aectation de ressource consiste à chercher l'énergie aectée sur tout l'horizon du
plan d'aection. On doit chercher E(i, k) avec i ∈ {1, ..., I}, k ∈ {1, ..., K} pour optimiser les
critères détails ci-dessous.
3.2 Critères d'optimisation

Le problème de gestion de l'énergie est un problème d'optimisation multi-critères dont les
critères sont contradictoires. Il faut déterminer une solution satisfaisant l'ensemble des contraintes
du système et atteindre le meilleur compromis entre les diérents critères.
3.2.1 Critères économiques

Critère du coût total Supposons qu'on a un ensemble de I 0 sources, l'énergie produite par
la source i durant la période k est notée E(i, k). L'énergie vendue au réseau est notée E ex (k).
Le critère de coût énergétique s'écrit :
0
I X
K K
(5.41)
X X
J1 = C(i, k) × E(i, k) − C ex (k) × E ex (k)
i=1 k=1 k=1
Avec C(i, k) est le coût unitaire d'énergie produite par la source i, C ex (k) le coût d'énergie de
revente d'énergie locale produite au réseau.
3.2.2 Critères de confort

Critère de confort pondéré Chaque service énergétique a une fonction de satisfaction f (Si )
et sa pondération w(i). Le critère de pondération de la satisfaction des services est déni par :
I
(5.42)
X
J2 = w(i) × U (Srv(i))
i=1
3.2.3 Critère écologique

L'eet de serre est causé par la présence, dans l'atmosphère, de gaz qui absorbent et ré-
émettent une partie du rayonnement infrarouge émis par la surface de la Terre, conduisant ainsi
à un échauement de la partie basse de l'atmosphère. Le critère écologique est déni en fonc-
tion des ressources utilisées. Par exemple, l'électricité livrée par le réseau donne une émission
de 66g/kW h de CO2 dans l'atmosphère dans la période creuse et 383g/kW h en période pleine
(Angioletti et Despretz, 2003b). Au lieu d'utiliser l'énergie importée par le réseau, l'usager peut
choisir d'utiliser l'énergie qu'il produit ou bien réduire sa consommation en période pleine.
Supposons qu'on a un ensemble de I 0 sources, τCO2 (i, k) est le volume de CO2 émis durant
la période k. Ce critère s'exprime sous la forme :
0
I X
K
(5.43)
X
J3 = E(i, k) × τCO2 (i, k)
i=1 k=1
4 Conclusion
Nous avons proposé un formalisme général au contexte du bâtiment qui permet de modéliser
sous une forme standardisée tous les services qui peuvent correspondre soit à des charges élec-
triques, soit à des sources. Cette structure générique est un modèle dynamique comportant des
variables binaires. Ce modèle s'adapte aussi bien aux services permanents comme le chauage,
qu'aux services temporisés tel que le lavage du linge. Plus encore, cette structure permet de modé-
liser les services de fourniture d'énergie tout autant que les moyens de stockage. Nous avons aussi
montré que l'achat et la revente d'énergie pouvait se représenter de la même manière. Les dif-
férents critères d'appréciation de performance d'un système domotique ont été formalisés. Cette
formulation mathématique permet de poser rigoureusement et sous une forme générale à tout
type de logement, le problème de coordination de la production d'énergie avec la consommation.
Chapitre 6
Architecture de conduite retenue

Ce chapitre est consacré à la dénition d'une architecture de conduite adaptée au problème
de gestion d'énergie dans le bâtiment. L'architecture de conduite doit être adaptée à diérentes
échelles de temps. En conséquence, la maîtrise de la consommation instantanée doit être ap-
préhendée par un mécanisme de prédiction / ordonnancement prévisionnel et complétée par un
système d'ordonnancement temps réel. Le rôle du mécanisme de prédiction / ordonnancement
prévisionnel est de rechercher des ordonnancements à moyen/long terme s'appuyant sur les prévi-
sions de consommation pour chacun des équipements ou agrégats d'équipements domotiques, an
d'éviter le recours au délestage dynamique. Pour chaque équipement du système, on estimera
les besoins futurs en énergie, en spéciant ses degrés de liberté, ses prévisions seront trans-
mises au système d'ordonnancement prévisionnel qui aura rôle de construire une organisation
des consommations à l'horizon d'une journée. Lorsqu'une contrainte est violée, un mécanisme
d'ordonnancement temps-réel ajuste le plan d'aectation des ressources en tenant compte des
aspects de sécurité et de confort des usagers. Au cas où les contraintes de confort ne pourraient
pas être satisfaites, le système de gestion d'énergie devra être en mesure de rechercher et d'évaluer
les diérentes options possibles pour ouvrir une négociation avec l'usager.
1 Analyse des besoins pour le mécanisme de pilotage

1.1 Caractérisation temporelle du problème
La plus grande diculté dans un problème d'aectation de ressources énergétiques dans le
bâtiment est la modélisation du temps. Il existe des phénomènes qui exigent un temps de réponse
très court, comme la contrainte de ressource maximale qui demande une gestion instantanée des
conits de demande d'énergie. Un mécanisme de pilotage orant ces propriétés est dit à capacité
réactive.
En conséquence, l'architecture de contrôle/commande doit avoir une capacité réactive avec
un temps de réponse court. Pourtant, il existe également des phénomènes physiques relativement
lents comme l'inertie du bâtiment, des variations périodiques comme le prix de l'énergie achetée
ou la capacité de production locale d'énergie comme l'énergie solaire par exemple. Le problème
est donc périodique. Ainsi, l'architecture de contrôle/ commande doit permettre de gérer ce qui
se passe à ces diérentes périodes caractéristiques d'un habitat. Cette capacité du mécanisme
de pilotage est appelée capacité anticipative.
76 Chapitre 6. Architecture de conduite retenue
1.2 Incertitudes et aléas

Les perturbations et les incertitudes sont particulièrement importantes dans un problème de
gestion d'énergie dans l'habitat. La méthodologie de prédiction présentée dans (Mondol et al.,
2007) a montré que l'incertitude de production d'énergie solaire par rapport à la valeur mesurée
dans une journée est de 10% à 45%. L'incertitude sur la météorologie cause également des erreurs
de prédiction de comportement des services de chauage et climatisation.
Les aléas existent dans le comportement de l'usager : ils dépendent de ses habitudes et de ces
choix. Pour faire face aux aléas et aux incertitudes, le mécanisme de pilotage doit tenir compte
des diérents types de perturbations de manière explicite ou implicite. Cette capacité est la
capacité de prise en compte des perturbations.
1.3 Les mécanismes de pilotage existants

L'analyse des exigences pour le mécanisme de pilotage a conduit à retenir les trois caracté-
ristiques suivantes : la capacité ancitipative, la capacité réactive et la capacité de prise
en compte des perturbations.
La plupart des études de la littérature (House et Smith, 1995; Henze et al., 2004b; Zhou et
Krarti, 2005) utilisent la commande prédictive pour anticiper une solution pour le système de
chauage et de climatisation dans le bâtiment. Ce mécanisme de contrôle/commande propose une
solution pour une journée et souvent est mis à jour en fonction des prévisions météorologiques.
Ce type de mécanisme ne tient compte que d'une partie de la consommation dans le bâtiment. La
seule capacité anticipative est susante pour contrôler le système de chauage et de climatisation.
Pourtant, lorsque la fonction de gestion de l'énergie porte sur toutes les charges et les sources
d'énergie locales au bâtiment, la seule commande prédictive n'est pas susante pour garantir
l'optimalité ou même la faisabilité de la solution face à diérents types de perturbations.
Henze et Dodier (2003) se sont intéressés au problème de gestion de l'énergie produite par des
panneaux photovoltaïques dans un habitat isolé. Le critère de performance de la solution est la
diérence entre la production et la consommation modélisé par une fonction quadratique. Dans ce
problème, les auteurs considèrent la consommation de l'usager et les conditions météorologiques
sont des perturbations. Les moyens d'action sont la charge et la décharge d'une batterie. Pour
tenir compte des perturbations, Henze et Dodier (2003) ont mis en place un mécanisme d'ap-
prentissage. Les auteurs ont proposé une stratégie de contrôle/commande adaptative en tenant
compte de la consommation et de la prédiction de l'énergie produite par les panneaux photo-
voltaïques. Le résultat a montré que cette stratégie n'a pas signicativement amélioré la gestion
de production de l'énergie. Un point faible de cette approche est qu'elle requière des données
sur la consommation et la production de plusieurs années pour que la procédure d'apprentissage
commence à converger.
La gestion réactive existe sous la forme de systèmes de délestage (Mérieux et Pleynet, 1992)
qui permettent de garantir le respect de la limite d'abonnement. Le principe de fonctionnement
d'un système de délestage est simple : lorsqu'il détecte la violation de la contrainte de ressource
d'énergie, le mécanisme de contrôle / commende désactive successivement des lignes électriques
connectées généralement aux radiateurs et au chaue-eau jusqu'à ce que cette contrainte soit à
nouveau respectée.
2. Optimisation multi-échelle 77
1.4 Conséquences d'un choix de période de discrétisation

Dans la littérature, les mécanismes de pilotage utilisent un temps de discrétisation unique
∆. Ce temps de discrétisation varie selon l'objectif de gestion de l'énergie. Par exemple, pour un
problème d'optimisation d'un système de chauage et de climatisation, le temps d'échantillonnage
est égal à 1 heure dans la plupart des études. En revanche, le mécanisme de pilotage direct
s'appuie souvent sur une période de discrétisation d'une quinzaine de minutes.
Choisir un petit ∆ : On peut choisir un mécanisme de pilotage cadencé par un petit ∆
pour garantir la capacité réactive. Néanmoins, il faut considérer des horizons longs pour les
aspects anticipation. En d'autres termes, le problème de gestion de l'énergie dans le bâtiment
devient un problème d'optimisation très complexe et le temps de calcul d'une solution peut
dépasser la limite du temps de réponse. Un autre problème apparaît avec les incertitudes et les
perturbations qui interviennent et la solution calculée est remise en cause. Une nouvelle solution
doit être recalculée et remplacer l'ancienne solution. De plus, travailler sur des périodes courtes
requiert des prédictions précises qui ne sont pas disponibles. Comment en eet prévoir le niveau
d'ensoleillement qu'il y aura entre 17h et 17h+∆ alors qu'il est 6 heure du matin ? Comment
prévoir le comportement des occupants avec une telle précision ?
Choisir un grand ∆ : Pour résoudre les problèmes abordés, on peut choisir un temps d'échan-
tillonnage ∆ susamment long pour réduire le temps de calcul. Or, dans ce cas, on ne peut pas
garantir que le phénomène de violation de contrainte de ressource totale caractérisé par un temps
de réponse plus court que ∆ est correctement géré.
Choisir les paramètres adaptés : Dans la littérature, le problème du choix de la période
d'échantillonnage ∆ et d'un horizon temporel adaptés au problème traité existe. (Binder et al.,
2001) a proposé une méthode de réglage de ∆ pour la commande prédictive d'un procédé chi-
mique. L'objectif est d'obtenir une variable ∆ qui puisse garantir la performance de la solution
tout en orant un temps de discrétisation raisonnable et une limite temporelle raisonnable de la
procédure d'optimisation. Pourtant, ces études conviennent aux systèmes dans lesquels les phé-
nomènes physiques ont des temps de réponse assez proches. En conséquence, ces études ne sont
pas applicables à notre cas. Pour arriver à traiter ces diverses échelles de temps, nous proposons
dans la prochaine section, une conception de l'architecture de contrôle/commande multi-échelle.
2 Optimisation multi-échelle
Le terme d'optimisation multi-échelle signie qu'un problème d'optimisation complexe est
décomposé en plusieurs niveaux. Une optimisation multi-échelle est un algorithme hiérarchisé
suivant diérentes échelles de temps.
2.1 Principe
Dénition 10 Une couche de commande est une partie d'une architecture de pilotage multi-
échelle qui est caractérisée par ses objectifs, ses degrés de liberté, son temps de réponse et son
horizon temporel. Les couches de commande interagissent par le ux d'information.
Dénition 11 Une architecture d'optimisation multi-échelle se compose de plusieurs couches
de commande pour diviser le problème d'optimisation en sous-problèmes. Entre les couches de
commande, un ux d'information est utilisé pour échanger contraintes, consignes et messages
d'urgence.
La conception d'un système d'optimisation multi-échelle permet de répondre aux trois besoins
propres aux systèmes de gestion de l'énergie dans le bâtiment. Résoudre un problème par couches
de commande permet de construire une solution intégrant les informations disponibles à diérents
niveaux d'abstraction. En calculant une solution au niveau le plus élevé, c'est-à-dire avec la
période d'échantilllonnage la plus longue, on peut prendre en compte les prédictions les moins
précises. Ensuite, la solution du problème est anée du niveau de la couche de commande ayant
un niveau d'abstraction plus bas en mettant à jour la solution déjà calculée. En descendant les
couches de commande, on réduit ainsi petit à petit le niveau d'abstraction. La solution tend de
plus en plus vers la consommation réelle des équipements dans le bâtiment.
2. Optimisation multi-échelle 79
Couche d'anticipation
Prédiction
● Prévision météorologique
● Fluctuation du coût énergétique
Mise à jour ● Programmation, configuration de l'usager
● Mécanisme d'apprentissage de l'habitude de l'usager
des prévisions
Paramètres de prédiction
Transformation & Formulation du problème

● Transformation du modèle et formulation du problème
IDC
Modèles comportementaux IDC ● Annalyse de la faisabilité du problème
Modèle mathémathique
Procédure d'optimisation
● Choix de la méthode de résolution convenable
● Exécution de la procédure de resolution
● Récupération des résultats
IDC
Plan d'affectation des ressources 'énergie
IDC
Couche réactive
Suivi de l'éxécution du plan d'affectation des ressources Plan d'éxécution

● Suivi de la consommation et de la production de l'énergie totale
IDC ● Suivi du critère de qualité de service
● Récupération des résultats
● Production/consommation Détection de la violation de contraintes

d'énergie
● Critère de confort de l''usager
●Equilibrage entre la consommation et la production

● Prise de décision rapide pour garder l'équilibré entre consommation
et production
● Equilibrage entre les différents cirtères des services
IDC IDC IDC
Activer/Désactiver/Décaler Activer/Désactiver/Décaler Activer/Désactiver/Décaler
IDC IDC IDC IDC IDC IDC IDC IDC IDC

Equipement Equipement Equipement
Exécution du plan d'affectation Exécution du plan d'affectation Exécution du plan d'affectation

● Controle par la commande locale ● Controle par la commande locale
● Controle par la commande locale
● Suivi de la consigne ● Suivi de la consigne

● Suivi de la consigne
● Demande d'accès au flux énergétique ● Demande d'accès au flux énergétique

● Demande d'accès au flux énergétique
IDC IDC IDC IDC IDC IDC
Fig. 6.1 Mécanise de pilotage multi-échelle pour le système de gestion de l'énergie dans le
bâtiment (IDC : Interface de communication)
Ce mécanisme se compose de plusieurs couches de commande. On les distingue en fonction

de l'horizon d'optimisation et des diérentes périodes d'échantillonnage :
• on peut introduire des couches de commande plus abstraites pour intégrer des information
couvrant des horizons d'une semaine ou plus. La couche d'anticipation vise à planier
la consommation et la production d'énergie lorsque des événements sont prévus quelques
heures ou une journée à l'avance. L'horizon de cette couche de commande est typiquement
d'une journée et la période d'échantillonnages est de l'ordre de l'heure.
• la couche réactive est un complément à la couche anticipative. Elle aide la couche anticipa-
tive à réaliser le plan d'aectation des ressources d'énergie en tenant compte des contraintes
énergétiques et du confort de l'usager. La couche réactive a un horizon temporel court de
l'ordre de la minute mais un temps de réponse beaucoup plus rapide que celui de la couche
anticipative pour absorber les perturbations.
• la couche de commande locale est liée au système de contrôle/commande de l'équipement.
Son rôle est d'appliquer les consignes provenant de la couche réactive.
2.2 La couche d'anticipation

Le mécanisme d'anticipation est la couche de commande ayant le niveau d'abstraction le plus
haut dans l'architecture de conduite. Cette couche joue le rôle de planication et d'aectation
des ressources énergétiques pour des valeurs globalisées (sur des périodes de temps longues). Le
temps de discrétisation de cette couche de commande est noté ∆a . Il s'occupe de préparer à
l'avance un plan de consommation et de production d'énergie pour un horizon temporel noté H
qui est la durée du plan de planication. Le principe de cette couche de commande est d'orga-
niser la production et la consommation d'énergie de manière prédictive ou proactive lorsque des
événements sont prévus. La prédiction repose sur des prévisions météorologiques et des program-
mations des services par l'usager. Le mécanisme d'anticipation va fonctionner sur un horizon
H . Le calcul d'anticipation sera repris lorsque de nouvelles prévisions seront disponibles. Cela
revient à faire glisser l'horizon de cette couche de commande. Il y a, d'une part certains services
capables d'emmagasiner de l'énergie sous forme thermique et d'autre part, certains services qui
disposent d'un délai variable quant à leur exécution. A partir de ces constatations préliminaires,
il est possible d'imaginer que si la consommation de l'ensemble des équipements peut être prévue,
il existe alors un moyen de mieux l'organiser. Par exemple, pour un environnement thermique,
il est possible de calculer la durée et la quantité de surchaue "anticipée" qui permettrait de ré-
duire la consommation pendant une période où l'énergie est indisponible ou restreinte. De même,
si un service peut être retardé ou avancé, il y a là encore moyen d'organiser la consommation
globale.
2.3 La couche réactive

Du fait que la couche d'anticipation travaille sur des valeurs moyennes, un niveau plus proche
de l'équipement est nécessaire pour tenir compte des valeurs réelles de consommation. Une échelle
de temps très courte est nécessaire pour éviter que ponctuellement les contraintes soient violées :
c'est le mécanisme de protection, son rôle est de distribuer la ressource moyenne aectée par le ni-
veau anticipatif en prenant en compte également le critère de confort et le respect des contraintes
de capacité de ressource en temps réel. C'est le mécanisme qui donne le droit d'accès aux ux
énergétiques mais sans intervenir au niveau de la commande locale de l'équipement. Pratique-
3. Conclusion 81
ment, si la ressource d'énergie est indisponible ou restreinte, la couche réactive va intervenir en

désactivant la consommation de certains services et en équilibrant la consommation et la pro-
duction d'énergie. Puisque l'échelle de temps est faible comparée à la couche d'anticipation, les
ajustements calculés par la couche réactive restent, si les prédictions sont bonnes, négligeables
pour la couche anticipative qui ne calcule que des valeurs moyennes.
2.4 La couche de commande locale

Un équipement comporte souvent un système de contrôle/commande embarqué lors de sa fa-
brication. Cette couche de commande est la couche de commande ayant le plus bas niveau d'abs-
traction. Par exemple dans les environnements thermiques, c'est une boucle de contre-réaction
propre à l'équipement, fonctionnant en commande tout ou rien pour maintenir la température
d'un environnement thermique à des valeurs proches de la température de consigne.
Les objectifs de cette couche de commande sont d'exécuter les consignes qui ont été calculées
par la couche d'anticipation, éventuellement ajustées par la couche réactive.
Du fait des perturbations et de la précision du modèle de comportement de l'équipement
utilisé dans la couche de contrôle/commande, la solution calculée peut être diérente de la
solution exécutée en réalité.
3 Conclusion
Ce chapitre expose l'architecture de conduite que nous proposons pour la gestion de l'énergie
dans le bâtiment. Cette architecture se décompose en trois couches. La couche de commande
locale est propre aux équipements et n'est pas remise au cause : elle reste de la responsabilité du
fabricant. La couche réactive fonctionne à une échelle de temps rapide de l'ordre de la minute.
Elle constitue une forme de délestage dynamique et a pour fonction d'adapter les consignes déter-
minées par la couche d'anticipation. Cette dernière couche travaille à une échelle de temps lente,
de l'ordre de l'heure, pour être compatible avec la précision des prédictions qu'il est possible
d'obtenir. La fonction de cette couche est de déterminer des plans d'aectation de la ressource
d'énergie en raisonnant sur des grandeurs moyennes. L'ajustement du plan en temps réel est as-
suré par les deux couches inférieures : réactive et locale. Cette architecture permet d'appréhender
des phénomènes décrits avec diérentes échelles de temps. Les couches d'anticipation et réactive
vont être examinées en détail dans la suite du mémoire.
Troisième partie
Approches de résolution
85
Il faut tenir à une résolution parce qu'elle est bonne, et non parce qu'on la prise.
La Rochefoucauld
Chapitre 7
Approche de résolution pour la couche

d'anticipation
1 Introduction
La commande prédictive (Richalet et al., 1978), déjà très utilisée dans l'industrie, reste un
thème de recherche actuel dont la théorisation est plus récente que les applications. Le point faible
de la commande prédictive est qu'elle demande une grosse quantité de calcul. En conséquence,
elle est convenable pour des systèmes ayant un temps de réponse qui est relativement grand ou
qui ont une complexité faible.
Dans la littérature, il y a eu plusieurs études qui ont identié l'intérêt du décalage des charges
de périodes pleines à des périodes creuses pour réduire le coût énergétique. L'idée de proter de
l'inertie des bâtiments pour décaler une partie de la consommation des systèmes de chauage
et de refroidissement a été premièrement publiée dans (Hartman, 1980). L'auteur est persuadé
que le bâtiment peut proter des "refroidissements gratuits" la nuit. Dans une certaine mesure
cette énergie peut être stockée dans l'enveloppe du bâtiment et déchargée dans la journée. La
première comparaison entre le contrôle conventionnel et la stratégie de pré-refroidissement de
bâtiment a été publiée dans (Nizet et al., 1985; Kintner, 1995). Les auteurs ont constaté que
le gain économique de cette stratégie peut atteindre de 6% à 18% (les résultats ont montré
que le gain économique varie en fonction de conditions météorologiques et tarifaires). Ensuite,
des études dans (Kintner, 1995; Henze et al., 2004a) et (Henze et al., 2004b) ont montré que
les résultats peuvent être améliorés par l'utilisation de systèmes de stockage thermique actifs,
comme le ballon d'eau froide, pour augmenter l'inertie du système.
Ces études ont souvent pour point commun, la formulation du problème en un problème d'op-
timisation en temps discret. Toutes les variables de contrôle-commande sont calculées à chaque
période d'échantillonnage. La durée d'une période échantillonnage est ∆. Le critère économique
J est composé de deux parties : le coût cumulé de la consommation d'énergie J1 et le coût supplé-
mentaire pour le pic de consommation J2 (certaines études ont traité seulement ou séparément
de J1 et J2 , certaines traitent les deux en même temps).
K
(7.1)
X
J= Ck × Ek + Emax × Cpic
| {z }
k=1
| {z } J2 : Coût du pic de consommation
J1 : Coût de la consommation d'énergie totale

88 Chapitre 7. Approche de résolution pour la couche d'anticipation
Où
• k est l'index de la période échantillonnage et K le nombre de périodes d'échantillonnage
• Ek est l'énergie consommée totale dans durant période [k × ∆, (k + 1) × ∆],
• Ck est le coût de l'énergie durant la période [k × ∆, (k + 1) × ∆]
• Emax = Max(E(k), ∀k ∈ {1, ..., K}) est la puissance consommée maximale dans une pé-
riode (en général 24h)
• Cpic est le coût supplémentaire pour la demande de puissance maximale du bâtiment
Hypothèses utilisées
• Les études dans la littérature ont choisi généralement un cas particulier : le bureau com-
mercial dans (Zhou et Krarti, 2005) et (Henze et al., 2004b), les pièces d'un logement dans
(Nagai, 2001).
• Les services énergétiques pris en compte sont la climatisation et le refroidissement centralisé
du bâtiment. La thermodynamique dans les bâtiments sont diérents mais en général, les
modèles sont relativement simpliés. Le plupart des auteurs ont modélisé la zone thermique
par un modèle continu du deuxième ordre.
• En général, les études réalisées se basent sur des simulations de 24h en utilisant deux
hypothèses fortes : la prédiction des conditions météorologiques (la variation de tempéra-
ture externe et le rayonnement solaire) est parfaite et le modèle thermique du bâtiment
correspond parfaitement au modèle utilisé pour l'estimation.
• Les variables de contrôle sont souvent les températures des environnements thermiques
(Kintner, 1995) a proposé de tenir compte de l'humidité de l'air dans la zone occupée.
La méthode d'optimisation utilise le contrôle optimal basé sur une optimisation linéaire qua-
dratique. Pour appliquer cette méthode, le critère J1 doit être transformé :
K
(7.2)
X
J1 = α Ck2 + β(Tin,k − Tref,k )2
k=0
• Tin,k est la température intérieure de la zone thermique durant la période k

• Tref,k est la température demandée par l'usager.
La limite de cette méthode est que le critère doit être transformé en une forme quadratique.
Cette méthode ne permet pas de minimiser le pic de consommation.
Pour éviter ces désavantages, (Nagai, 2001) a utilisé la technique de la programmation dy-
namique. La programmation dynamique a été inventée dans (Bellman, 1957). Elle est l'une des
méthodes les plus appliquées dans la résolution du contrôle optimal. Pour utiliser cet algorithme,
on doit discrétiser les variables continues en variables discrètes. Les détails sur l'application de
cet algorithme se trouve dans (Ha et al., 2006) ou (Henze et al., 2004b). Cette discrétisation peut
conduire à une solution approchée.
Ces études ont souvent utilisé des cas d'études simples composes d'une seule pièce, la
contrainte de ressource d'énergie maximale n'étant pas prise en compte. Par contre, on trouve
rarement des études expérimentales pour le contrôle de systèmes de chauage, refroidissement.
L'impact de l'incertitude des prévisions sur la solution obtenue est aussi analysé dans (Henze
et al., 2004a). Les résultats montrent qu'une mauvaise prédiction peut conduire à la remise
en cause de l'optimalité de la solution obtenue. Dans une étude d'expérimentation en Floride
(États-Unis), (Ruud et al., 1996) a montré que le gain économique obtenu par la stratégie de
2. Analyse du problème vis à vis de sa réduction 89
pré-refroidissement du bâtiment ne peut pas atteindre le gain calculé théoriquement. La raison

principale est que l'humidité importante dégrade les performances.
Remarques : Dans la littérature, les méthodes d'anticipation pour la gestion de l'énergie

traitent souvent un cas particulier. Aucune méthode ne conduit à une solution globale. Dans
la suite de ce chapitre, nous allons présenter notre proposition pour la méthode d'optimisation
dans la couche d'anticipation. Nous voulons développer une méthode de résolution globale qui
permette de couvrir la plupart des cas rencontrés dans un problème de gestion de l'énergie dans
le bâtiment.
2 Analyse du problème vis à vis de sa réduction

Dans cette section, nous eectuons une analyse complète du problème avant de proposer
une méthode de résolution. L'analyse de l'interaction entre les diérents éléments du problème
permet de mieux traiter le problème en le découpant en sous-problèmes pour faciliter la procédure
d'optimisation. Une borne inférieure est également introduite pour mesurer la performance de
l'heuristique proposée.
2.1 Analyse des relations temporelles entre les services

2.1.1 Dénition
Tout d'abord, en analysant la nature intermittente de la consommation et de la production
d'énergie dans le bâtiment, nous cherchons à découper le problème d'aectation des ressources
énergétiques en sous-problèmes indépendants. Nous commençons par dénir la notion d'horizon
d'un service.
Dénition 12 L'horizon du service Srv(i), noté Hoz(i) est un intervalle de temps au cours
duquel l'activité énergétique du service peut avoir lieu, soit de production, soit de consommation.
De par la nature du problème, les activités énergétiques du service Srv(i) couvrent un horizon
temporel Hoz(i) = [Hoz(i), Hoz(i)]. Par exemple un service temporisé non-préemptif couvre un
horizon temporel délimité par sa date d'exécution au plus tôt Hoz(i) = smin (i) et sa date de n
au plus tard Hoz(i) = fmax (i). Par contre pour un service permanent, la couverture temporelle
est tout l'horizon du plan d'aectation des ressources. Les activités énergétiques de deux services
diérents peuvent interagir directement si et seulement si leurs horizons temporels se croisent.
Dans ce cas, la procédure d'optimisation doit tenir compte des deux services en même temps.
Dénition 13 Les deux services TSrv(i) et Srv(i0 ) sont considérés comme ayant une relation
temporelle directe lorsque Hoz(i) Hoz(i0 ) 6= . La relation temporelle entre Srv(i) et Srv(i0 )
est notée Srv(i), Srv(i0 ) = 1 si cette relation existe et Srv(i), Srv(i0 ) = 0 sinon.
z }| { z }| {
Une relation temporelle est une relation qui concerne une paire de services. Même si deux
services Srv(i) et Srv(i0 ) n'ont pas de relation temporelle directe, il existe peut-être une re-
z }| { z }| {
lation ctive par transitivité. Par exemple Srv(i), Srv(i00 ) = 1, Srv(i0 ), Srv(i00 ) = 1 bien que
z }| {
Srv(i), Srv(i0 ) = 0. On dit alors que Srv(i) et Srv(i0 ) ont une relation temporelle indirecte.
2.1.2 Graphe des relations temporelles

Les relations temporelles entre les services nous amènent à une représentation des relations
temporelles par un graphe non orienté composé d'un ensemble de sommets qui représentent
l'ensemble des services concernés et d'arcs connectant les sommets, représentant les relations
temporelles entre les services.
Dénition 14 Graphe temporel G = {Arcs, Sommets} est un graphe non orienté composé
d'un ensemble de sommets qui représente l'ensemble des services {Svr(i)} correspondant et d'un
ensemble d'arcs, chaque arc Arc(i, i0 ) représentant une relation temporelle entre les services
Srv(i) et Srv(i0 ).
La génération du graphe se fait par l'algorithme 1. Pour illustrer cette transformation, nous
proposons un exemple composé de 6 services (voir gure 7.1). L'horizon temporel de chaque
service est illustré par un rectangle. La longueur de ce rectangle représente la durée de l'horizon
temporel du service. A droite de la gure 7.1, on trouve le graphe des relations temporelles résul-
tant de l'algorithme 1. Avec cette représentation, on arrive à exprimer les relations temporelles
de manière explicite.
Fonction Génération Graphe de relation temporelle directe({Srv(i)}, i ∈ [1, ..., N ]) :

Graphe
G : Graphe ;
Pour (i=0 ;i<N ;i++) faire
Sommet(i) : Sommet ;
[Créer un nouveau sommet correspondant à un service Srv(i)]
Sommet Sommet(i) ← Srv(i) ;
Ajouter Sommet(i) au G ;
Fin Pour
Pour (i=0 ;i<N-1 ;i++) faire
Pour (j=1 ;j<N ;j++) faire
Si (max Hoz(i), Hoz(j) ≤ min Hoz(i), Hoz(j) ) Alors

Arc(i, j) : Arc ;
Ajouter Arc(i, j) au G ;
Fin Si
Fin Pour
Fin Pour
Retourner G ;
Fin
Alg. 1: Fonction de génération du graphe des relations temporelles directes

2. Analyse du problème vis à vis de sa réduction 91
Hoz  4 Hoz  4
Svr(4)
Service 4
Svr(2)
Service 2 Service 5
Service 1 Service 3 Service 6

Svr(1) Svr(3) Svr(6) Svr(5)
Temps
Problème Initiale
Horizon temporel des services Graphe de relations temporelles entre les services
Fig. 7.1 Transformation d'un problème en graphe de relations temporelles directes
Théorème 1 Si le graphe de relations temporelles G n'est pas un graphe connexe, le problème

initial peut être découpé en sous-problèmes indépendants. La solution optimale du problème initial
peut être obtenue à partir de l'assemblage des résultats de la solution optimale de chaque sous-
problème.
Démonstration : Si le graphe G n'est pas connexe (Diestel, 2005), cela signie qu'à partir
d'un sommet quelconque, on ne peut pas parcourir tous les sommets du graphe et retourner au
sommet initial. Il existe donc une ou plusieurs parties du graphe qui sont déconnectées. Autrement
dit, il n'y a aucune relation temporelle entre ces parties du graphe. En conséquence, chaque
partie indépendante du graphe correspond à un sous problème indépendant. On peut obtenir la
solution du problème initial par optimisation de chacun des sous problèmes indépendamment en
garantissant l'optimalité globale.
Un corollaire du théorème 1 est que sur l'horizon d'un plan d'aectation de ressources, on
peut découper en sous-plans ayant des horizons moins grands. Cela permet de réduire de fa-
çon signicative la complexité en terme de calcul d'optimisation. En appliquant le théorème
1, nous proposons l'algorithme 2 de marquage pour couper le problème initial en sous-graphes
indépendants résultants de l'ensemble des services issus de la liste des sommets Li .
i=1
Tant que (Tous les sommets ne sont pas marqués) faire
Li : Liste des sommets ;
Li ←Choisir un sommet quelconque qui n'est pas marqué ;
Tant que (Il existe encore un sommet voisin d'un sommet dans la liste Li ) faire
Ajouter ce voisin dans la liste Li ;
Fin Tq
i = i + 1;
Fin Tq
Alg. 2: Algorithme de marquage pour chercher les sous problèmes indépendants

Type de Service Type de relaxation Contrainte origine Relaxation

Service permanent Relaxation sur la Tmin ≤ Ta (k) ≤ Tmax Ta (k) ≤ Topt or
sensation thermique ∀k = 1, ..., K Ta (k) ≥ Topt
Service temporisé Relaxation sur la
PK2
E(i, k) = Ai,k δ(i, k) i=K1 E(i, k)
non préemptif préemption +Bi,k α(i, k) = P (i) × p(i)
Service stockage La batterie a un C(i, k + 1) = C(i, k)+ C(i, k + 1) =
rendement unitaire ηi × δb (i, k)E(i, k)+ C(i, k) + E(i, k)
1
η (1 − δb (i, k))E(i, k)
Service de revente Mode série ⇒ 0 (k) = [1 − δ (i, k)] × E ex
Eex im E ex (k) = E pr (k)
d'électricité Mode en parallèle E co (k) + E ex = E co (k) = E im (k)
E po (k) + E im (k)
Tab. 7.1 Relaxation de certains services pour calculer une borne inférieure
2.2 Proposition d'une borne inférieure du coût de l'énergie consommée
Certains problèmes d'optimisation demandent de grosses ressources de calcul. Dans certains

cas, il est nécessaire d'interrompre la procédure d'optimisation (temps de calcul trop long, mé-
moire saturée) sans connaître la meilleure solution obtenue. Une borne inférieure (pour le critère
à minimiser) est nécessaire pour avoir une idée de la performance de la meilleure solution cou-
rante. Pour les problèmes de gestion d'énergie dans le bâtiment que nous traitons, la formulation
est réalisée sous la forme d'une programmation linéaire mixte dans le cas général.
Une relaxation pour réduire le nombre de variables en nombres entiers est proposée (voir
le tableau 7.1). Dans le cas des services permanents, en évitant d'ajouter une variable binaire
pour distinguer les sensations thermiques froide et chaude, on considère que pour le service de
chauage, la température dans la zone occupée est contrôlée en dessous de la température idéale
dans la période à l'énergie coûte cher. Un cas similaire est le service de refroidissement, on cherche
à conserver un niveau de température supérieur ou égal à Topt . En conséquence, on peut réduire
un nombre important de variables binaires.
Le service temporisé non-préemptif est considéré comme un service préemptif en guise de
relaxation. Dans le cas d'un stockage d'énergie, on modélise la batterie idéale comme une batterie
optimale en supprimant les variables binaires δb (i, k) qui sont utilisées pour distinguer entre le
mode de charge et de décharge. Finalement, le service de revente d'énergie est mis dans le mode
parallèle au lieu du mode série pour réduire le nombre de variables binaires δim (i, k) qui sont
utilisées pour distinguer le choix de vendre de l'énergie au réseau ou non.
Après avoir appliqué ces relaxations, on peut utiliser la programmation linéaire mixte pour
calculer une borne. Ces relaxations nous permettent d'avoir une estimation de la solution optimale
du problème avant de lancer la procédure de résolution. Bien entendu, on ne pourra peut-être
jamais atteindre cette borne en réalité. La solution obtenue par ces relaxations peut être non
réalisable si on prend en compte toutes les contraintes. Pourtant cela nous permet d'avoir un
indice permettant de décider si on poursuit ou non la procédure d'optimisation.
3. Programmation linéaire en variables mixtes (PLVM) 93
3 Programmation linéaire en variables mixtes (PLVM)

Après le découpage en plusieurs sous-problèmes indépendants, cette section présente la mé-
thode de résolution du problème par programmation linéaire en variables mixtes. Nous essayons
de l'implémenter et de montrer les points forts et également les points faibles de cette mé-
thode. Dans le chapitre 5, nous avons proposé une formulation mathématique qui couvre tous les
éléments du problème de gestion de l'énergie dans l'habitat. Pour résumer, si on considère la for-
mulation générale, PLVM est une méthode appropriée pour résoudre ce type de problème. Il est
possible d'utiliser des solveurs de programmation linéaire en nombres entiers, comme par exemple
le solveur gratuit GLKP (Makhorin, 2006) ou des solveurs commerciaux comme CPLEX (ILOG,
2006) ou encore le solveur de programmation linéaire intégré dans Matlab. Les solveurs ont fait
énormément de progrès dans la résolution des problèmes d'optimisation complexes de grande
taille. Plusieurs auteurs, dans la littérature, utilisent des solveurs commerciaux pour traiter leur
problème d'optimisation.
3.1 L'approche de séparation et d'évaluation

La complexité de la programmation linéaire en nombres entiers est N P − Complet. Cela
signie que l'on n'a pas trouvé d'algorithme qui permette d'obtenir une solution optimale dans
un temps polynomial. La Procédure de Séparation et d'Evaluation (PSE) ou Branch and Bound
en anglais (Lawler et Wood, 1966) est une méthode de résolution exacte appropriée à ce type de
problème. Cette méthode repose sur deux phases diérentes :
• Phase de séparation : il s'agit de diviser l'espace des solutions en plusieurs régions. Dans
le cas où les variables en nombres entiers sont des variables binaires, une méthode de
séparation souvent utilisée consiste à construire un arbre binaire dans lequel chaque n÷ud
correspond à une variable binaire.
• Phase d'évaluation : dans cette phase, pour chaque région de l'espace des solutions, on
essaie d'évaluer une borne inférieure du critère de minimisation. Lorsque cette borne est
dépassée par la meilleure solution courante, cela signie qu'il n'est pas intéressant de conti-
nuer de chercher à améliorer la solution dans cette région. Cette procédure d'évaluation
permet d'éliminer des branches de l'arbre pour éviter d'explorer tout l'espace des solutions.
Nous commençons notre démarche par l'utilisation de ces solveurs en protant de leur plus
gros avantage : implémentation rapide en utilisant les procédures de séparation et d'évaluation
intégrée au solveur, en sachant que pour l'approche PSE, dans le pire des cas, le temps de calcul
peut devenir exponentiel en fonction du nombre de variables binaires. Dans une première étape,
nous avons implémenté une méthode de résolution en utilisant la méthode de PSE intégrée à
GLPK.
3.2 Exemples d'application de la PLVM

Exemple 1 : Considérons l'exemple d'un plan d'aectation de l'énergie dans le bâtiment durant
24h, il s'agit d'aecter la ressource énergie à 4 services diérents :
• Srv(1) est un service de chauage. Le modèle de la zone thermique a été proposé dans le
chapitre 4, le temps d'échantillonnage Te égal à 1 heure. La zone thermique est occupée
dans la période de 18h à 6h du matin. On suppose que cette période d'occupation est
donnée par l'usager par la pré-programmation. Dans cet intervalle, le critère de sensation
thermique U (1) de l'usager n'est pris en compte.

      
Ta (k + 1)0, 2993 0, 6855 Ta (k) " # T
ext
0, 015 1, 264 0, 44 

=
  
+

 φr 

(7.3)
0, 004 0, 336 0, 116
 
Tm (k + 1) 0, 2025 0, 7936 Tm (k) φs
• le service Srv(2) est un service temporisé préemptif. L'horizon temporel de Srv(2) est
Hoz(3) = [3, 22]. Ce service simule la consommation électrique d'un chaue-eau. La puis-
sance consommée maximale est de 2kW et l'énergie nécessaire pour stocker est de 7,5kWh.
On a la exibilité de découper sa consommation dans son horizon temporel.
• le Service Srv(3) est un service non-préemptif, mais on a la possibilité de décaler ce service
en respectant la contrainte temporelle fmin (3) = 10, 5, fmax (3) = 16, fopt = 13, 6. La durée
du service est de 1h et P (3) = 2kW . Le décalage de la date de n f par rapport à la date
de n optimale fopt induit une dégradation du confort pour le service Srv(3). Ce confort
est représenté par le variable U (3).
• nalement, Srv(4) est un service de source permanente, le coût de production varie en
fonction de l'horaire creuse ou pleine. Le coût de l'énergie dans la période k est C(4, k) et
E(4, k) est l'énergie produite par cette source durant la période k . La capacité de production
maximale est xée à Emax (4) = 2kW par période.
• La consommation des services ne doit pas dépasser cette limite :
3
(7.4)
X
E(i, k) ≤ Emax (4)
i=1
L'objectif est de minimiser le coût total du plan d'aectation des ressources en gardant le
confort à un bon niveau, en jouant sur la température de Srv(1), le décalage du service Srv(3)
et en utilisant la préemption du service Srv(2). Le critère retenu est donné par :
K
(7.5)
X
J= (E(4, k) × C(4, k)) + U (1) + U (3)
k=1
Après l'analyse des relations temporelles, on obtient un graphe de relations temporelles for-
tement connexe. Donc, on ne peut pas découper ce problème en sous problèmes indépendants.
Ce problème est formulé comme dans le chapitre 5. On obtient un programme linéaire mixte
composé de 474 variables dont 24 variables binaires et un nombre de contraintes égal à 470.
L'implémentation de la résolution de ce problème avec le solveur GLPK donne une solution
optimale (voir la gure 7.2) après 142s de calcul en utilisant un calculateur de type Pentium
IV 3,2Ghz. Le résultat montre l'adaptation du plan d'aectation des ressources en fonction de
la prédiction des éléments externes. Par rapport au prix de l'énergie, une forte consommation
dans la période creuse peut être observée. La température dans la pièce est anticipée en fonction
de la température extérieure concernant le coût de service, Srv(1) commence à consommer de
l'énergie avant la période d'occupation de la zone thermique pour proter du prix de l'énergie
favorable en période creuse.
Nous continuons avec diérents exemples générés aléatoirement. On peut constater que le
temps de calcul de GLPK augmente rapidement en fonction du nombre de variables binaires du
problème. Le temps de calcul est assez dicile à prédire, sur les deux exemples de même taille,
on peut aboutir des temps de calcul très diérents (exemple 3 et exemple 4 sur le tableau 7.2).
4. Approche de résolution par les Métaheuristiques hybrides 95
Fig. 7.2 La solution optimale pour l'exemple 1 en utilisant GLPK
Exemple Nombre de variables Nombre de contraintes Temps de calcul

Exemple 1 201 variables, 12 variables binaires 204 1,2s
Exemple 2 316 variables, 20 variables binaires 318 22s
Exemple 3 474 variables, 24 variables binaires 479 144s
Exemple 4 474 variables, 24 variables binaires 479 32m
Exemple 5 1792 variables, 91 variables binaires 1711 >24h
Tab. 7.2 Résultas de la programmation en nombres entiers
Sur l'exemple 5, après une journée de calcul, la recherche se termine à cause d'une saturation de
la mémoire du calculateur.
Nous constatons que la programmation en nombre entier est très ecace pour les problèmes
de petite taille. Par contre, elle demande souvent un gros espace de mémoire vive pour eectuer
les calculs pour les problèmes de moyenne à grande taille. Dans certains cas, la procédure de
résolution peut tomber dans une phase de saturation et ne permet plus d'améliorer la solution
après des heures de calcul. Nous allons donc chercher à améliorer la méthode de résolution du
problème. Nous abordons alors la notion de métaheuristique hybride dans la section suivante.
4 Approche de résolution par les Métaheuristiques hybrides

Continuons avec pour objectif de toujours améliorer la performance de la méthode de ré-
solution. La tendance actuelle est de combiner plusieurs méthodes de résolution pour obtenir
de meilleurs résultats. Dahal et al. (2006) ont introduit une combinaison entre l'algorithme gé-
nétique et la méthode de résolution exacte pour résoudre le problème d'ordonnancement dans
le système de production d'électricité. Dans (Glover et Laguna, 1997), la combinaison entre la
programmation en nombres entiers et la recherche tabou est abordée par plusieurs types de
Diviser
L'ensemble des variables binaires du problème initial
Modification
Métaheuristiques 1 3 4 5 7 7 0 1
1 0 1 0 1 Résolution par la PNEM

Solution initiale
ini
Conquérir
Programmation en nombre 4 5 4 =0 4 =1
entier mixte
Un sous problème
5=0 5=1 5=0 5=1
Fig. 7.3 Principe de "Diviser et Conquérir" des métaheuristiques hybrides
techniques.
Du fait des nombreuses dénitions de métaheuristique hybride existant dans la littérature,
nous précisons la façon dont nous l'entendons dans ce chapitre.
Dénition 15 Une métaheuristique hybride est une approche résultant de la combinaison d'une
métaheuristique et d'une méthode de résolution exacte. La métaheuristique consiste à décomposer
le problème complexe en un ensemble de sous problèmes de complexité moindre. La méthode exacte
permet ensuite de trouver la meilleure solution ou la solution optimale aux sous-problèmes.
Bien évidemment, cette approche est développée en visant une adaptation à la nature du pro-
blème de maîtrise de l'énergie dans le bâtiment. Mais, elle reste susamment générale pour être
appliquée dans d'autres problèmes d'optimisation combinatoire. Nous proposons une démarche
générale pour la conception de l'approche hybride qui est composée de trois phases principales
(voir illustration de l'algorithme 3) :
• Phase 1 - Recherche d'une solution admissible On utilise la PLVM pour trouver
rapidement une solution admissible. Dans cette phase, la méthode de branchement par la
recherche en profondeur d'abord est préférée.
• Phase 2 - Convergence rapide vers une bonne solution Pour améliorer la perfor-
mance de la méthode, l'idée principale est de partir de la meilleure solution courante en
appliquant le principe de "diviser et conquérir" (voir la gure 7.3) en s'appuyant sur un
algorithme hiérarchisé combinant métaheuristique et PLVM : on ge l'assignement de va-
leur pour un certain nombre de variables en nombres entiers pour créer un ensemble de
sous-problèmes. Un sous-problème correspond au problème initial mais dans lequel cer-
taines variables en nombres entiers ont déjà été assignées avec la valeur trouvée dans la
meilleure solution courante. Le reste des variables en nombres entiers va être déterminé
par la PLVM. Cependant, le nombre de variables en nombres entiers restant doit être un
nombre acceptable pour éviter l'explosion combinatoire. Dans cette phase, les métaheuris-
tiques ou les heuristiques vont intervenir pour construire un ensemble de sous-problèmes à
partir d'un problème initial et de la meilleure solution courante.
• Phase 3 - Amélioration éventuelle de la solution et validation Avec la nouvelle

solution obtenue à partir de l'algorithme hiérarchisé de la phase 2, on peut poursuivre la
procédure d'optimisation par une nouvelle PLVM. En utilisant la borne supérieure trouvée
dans la Phase 2, la PLVM peut plus facilement éliminer les branches qui ne mènent pas à
la solution optimale. Dans cette phase, la recherche en largeur est utilisée. Lorsque la PSE
retombe dans une phase de saturation (mesurée souvent par le nombre d'itérations sans
amélioration), on retourne dans la phase 2.
P : Problème [Le problème initial]

S ∗ : Solution [La meilleure solution courante]
Phase 1 :Chercher une solution admissible
Tant que (S ∗ n'est pas une solution admissible) faire
[Continuer la recherche en profondeur d'abord]
S ←PLVM(P ) ;
Si (S est meilleure que S ∗ ) Alors
S∗ ← S ;
Fin Si
Fin Tq
Phase 2 : Améliorer la solution obtenue par les métaheuristiques
Tant que (La condition d'arrêt n'est pas satisfaite) faire
[Créer un sous-problème en limitant le nombre de variables en nombres entiers]
{P 0 } ←Métaheuristique(P, S ∗ ) ;
S 0 ←la meilleure solution de PLVM({P 0 }) ;
Si (S 0 est meilleure que S ∗ ) Alors
S∗ ← S0 ;
Fin Si
Fin Tq
Phase 3 : Reprendre la PLVM
S ←PSE(P, S soit mieux que S ∗ )
Si (S est meilleure que S ∗ ) Alors
S∗ ← S ;
Fin Si
[Après un certain temps, la PSE n'améliore pas la solution]
Si (La condition de saturation est satisfaite) Alors
Retourner à Phase 2 ;
Fin Si
Fin Tq
Exporter S ∗ ;
Alg. 3: Conception de la métaheuristique hybride composée de trois étapes
Suivant ce principe, pour résoudre la phase 2, nous avons implémenté les trois métaheuris-
tiques connues que sont la recherche tabou, le recuit simulé et l'algorithme génétique. Ces trois
Intervalle glissante
Hoz  4 Hoz  4
Svr(4)
Service 4
Svr(2)
Service 2 Service 5
Service 1 Service 3 Service 6

Svr(1) Svr(3) Svr(6) Svr(5)
Temps
Problème Initiale
Graphe de relations temporelles entre les services

Cette partie du graphe est fortement connecte Cette partie du graphe est fortement connecte
Svr(4) Svr(4)
Svr(2) Svr(2)
Svr(6) Svr(5) Svr(1) Svr(3) Svr(6) Svr(5)

Svr(1) Svr(3)
Fig. 7.4 Illustration de la génération des voisinages par l'algorithme 4
approches reposent sur la notion de structure de voisinage.

Examinons maintenant les trois métaheuristiques que nous avons adaptées.
4.1 Implémentation de la recherche tabou(RT)

4.2 Structure du voisinage
La structure du voisinage détermine comment on crée un nouveau voisinage à partir d'une
solution. Cette structure est un élément essentiel dans la conception de RT. Dans cette section,
nous proposons une conception adaptée aux problèmes d'optimisation de ux énergétiques dans
les bâtiments. Cette conception de la structure du voisinage n'intervient pas au niveau de la pro-
grammation linéaire mixte comme dans (Glover et Laguna, 1997) mais à un niveau d'abstraction
plus élevé. Il s'agit de déterminer le voisinage à travers une analyse des dépendances temporelles
des services. Nous reprenons la notion de graphe des relations temporelles pour expliquer la
génération de voisinage : notre idée principale est d'optimiser les services liés par des relations
temporelles directes.
Notons S = {Srv(i)} l'ensemble des services du problème considéré.
Dénition 16 Une structure de voisinage Sl est un sous-ensemble de S .
Soit V struct une fonction dénissant l'ensemble des structures de voisinage à explorer :
V struct : S 7−→ {Sl ; Sl ⊆ S}
Pour construire une fonction V struct pertinente et générer les structures de voisinage à
explorer, on peut utiliser une fenêtre de temps glissante d'une durée ditv qui permet de vérier
la relation temporelle entre diérents services.
A partir d'une solution courante S et d'une structure de voisinage Sl , on peut calculer grâce
à un algorithme PLVM la meilleure solution du voisinage : S 0 = P LV M (S, Sl ).
L'algorithme 4 pour la génération de voisinage est illustré par la gure 7.4. Deux voisinages
sont générés suivant la position de la fenêtre glissante HozH . La partie entourée dans le graphe
de relations temporelles correspond à ce qui doit être optimisé par la PLVM pour trouver une
nouvelle solution.
Fonction Générer des voisinages(Sini ) : N (Sini )

k ← 0;
Tant que (k × ditv < H ) faire
HozH ← [k×ditv , (k+1)×ditv ] ; [Horizon temporel de la fenêtre glissante]
Pour (i=0 ;i<N ;i++) faire
Si (HozH Hoz(i) 6= ) Alors
T
Ajouter Srv(i) dans la liste de modication de {Srv(i)} ;

Fin Si
Fin Pour
[Pour éviter les solutions redondantes]
[N {Srv(i)}) l'ensemble de voisinage de Sini ]
Si (Si la liste de modications de {Srv(i)} n'est pas dans N {Srv(i)})) Alors
Ajouter S dans N ({Srv(i)}) ;
Fin Si
k++ ;
Fin Tq
Retourner N (Sini ) ;
Fin
Alg. 4: Fonction de génération du voisinage de la solution Sini
La Recherche Tabou (RT) a été inventée par Glover (1989, 1990). Suite à la proposition de
cette méthode, elle a été adaptée pour traiter diérents problèmes d'optimisation combinatoire tel
le problème d'ordonnancement minimisant le retard pondéré d'une machine (Bilge et al., 2006).
Une adaptation de cette méthode pour résoudre les problèmes de satisfaction de contraintes a
été implémentée dans (Koji et Toshihide, 1998). Le problème de l'optimisation de la trajectoire
de véhicules a été traité par la RT dans (Gendreau et al., 1994, 1999).
La méthode de recherche tabou est une méthode de recherche locale. A chaque itération,
elle tente d'améliorer la solution courante. A chaque pas, un voisinage de la solution courante
noté N (Sini ) est généré. On choisit la meilleure solution parmi ce voisinage S ∈ N (Sini ) pour
remplacer la solution Sini . Pour éviter de tomber dans une solution déjà visitée, une liste de tabou,
notée L, est utilisée. Elle permet de mémoriser les solutions qui ont récemment été visitées par
la recherche tabou. La longueur de cette liste est une variable notée T qui détermine le nombre
de solutions stockées dans la liste tabou.
La phase d'intensication consiste à déterminer rapidement une ou plusieurs solutions in-

téressantes. Autrement dit, elle est utilisée pour chercher un optimum local et eectuer une
analyse approfondie pour améliorer la solution courante. Lors de la phase d'intensication, on
utilise souvent une liste Tabou courte. La longueur de la liste tabou est choisie arbitrairement
de 5% à 10% du nombre de voisinage généré à chaque itération.
La phase de diversication La Recherche Tabou est un cas particulier de recherche locale,

comme son nom l'indique, elle a tendance à rester dans un optimum local. La phase de diver-
sication est un mécanisme pour forcer la recherche tabou à explorer des régions qui ne sont
pas explorées. En général, ce mécanisme est basé sur une longue liste tabou. Après avoir mémo-
risé toutes les solutions dans la liste tabou, la recherche doit s'orienter vers des solutions moins
intéressantes. A partir de là, on peut atteindre un nouvel optimum local. On considère que la
longueur de la liste tabou doit représenter 30% à 50% du nombre de voisinages générés à chaque
itération.
Lorsque la longueur de la liste tabou est xée, la recherche tabou est implémentée selon
l'algorithme 5.
Fonction Recherche tabou(Sini : Solution, T: entier) : S0 : Solution

Sk∗← Sini ;
k ← 1;
∗ )=Générer des voisinages(S ∗ ) ;
N (Sk−1 k−1
∗ ) par la PNEM ;
Évaluation N (Sk−1
Supprimer les éléments de N (Sk−1∗ ) qui existent dans la liste Tabou L ;
∗ ) 6= ) Alors
Si (N (Sk−1
∗ );
Choisir la meilleure solution Sk∗ parmi N (Sk−1
Ajouter Sk∗ dans la liste Tabu L ; k = k + 1 ;
Sinon
Vider la liste Tabou L ;
Fin Si
Si (Nombre des éléments dans L > T) Alors
Supprimer le premier élément dans L ;
Fin Si
Fin Tq
Fin
Alg. 5: Implémentation de la recherche tabou hybride
4.3 Implémentation du Recuit Simulé

Le Recuit Simulé (RS) est une autre métaheuristique basée sur une recherche locale comme
la recherche tabou. Par rapport à la RT, le RS est inspirée par un processus utilisé en métallurgie.
Ce processus alterne des cycles de refroidissement lent et de réchauage (recuit) qui tendent à
minimiser l'énergie du matériau.
Partant d'une solution donnée, en la modiant, on en obtient une seconde : soit celle-ci
améliore le critère que l'on cherche à optimiser, on dit alors qu'on a fait baisser l'énergie du
système, soit celle-ci le dégrade. Si on accepte une solution améliorant le critère, on tend ainsi à
chercher l'optimum dans le voisinage de la solution de départ. L'acceptation d'une solution plus
mauvaise que la solution de départ permet alors d'explorer une plus grande partie de l'espace de
solutions et tend à éviter de s'enfermer trop vite dans la recherche d'un optimum local.
Svr(4) Svr(4)
Svr(2) Svr(2)

Svr(1) Svr(3)
Itération 1
Itération 2
Svr(4) Svr(4)
Svr(2) Svr(2)

Svr(1) Svr(3)
Itération 4 Itération 3
Fig. 7.5 Évolution du recuit simulé après 4 itérations
La décision d'acceptation ou de rejet d'une solution moins performante dépend d'une pro-
cédure de métallurgie ctive. Par analogie avec le processus physique, la fonction à minimiser
devient l'énergie E du système qui est souvent le critère mesurant la performance de la solution.
On introduit également un paramètre ctif : la température T de métallurgie.
En partant de la solution initiale obtenue par l'étape 2 de l'algorithme 3, la procédure de
génération de voisinages de la solution initiale est la suivante. On xe d'abord le nombre de
services qui vont être modiés par la PSE. Ensuite, on choisit un groupe de services quelconque,
pourvu que ce groupe forme un graphe de relations temporelles fortement connexe. A chaque
itération, on change dynamiquement la structure de ce groupe de services. On ajoute et on
supprime quelques services dans le groupe des services à modier. Ces services sont choisis
aléatoirement mais il faut respecter la forte connexité du graphe de relations temporelles.
Une illustration de l'évolution de la modication du recuit simulé sur un exemple est présentée
dans la gure 7.5. Le polygone qui couvre une partie du graphe signie que le groupe de services
va être modié par la PSE dans cette itération. Dans la première itération de RS, le groupe
se compose de trois services Srv(1), Srv(2), Srv(4). Dans la deuxième itération, ce groupe se
transforme en trois services Srv(2), Srv(3), Srv(4). Avec cette conception du voisinage, on espère
guider le recuit simulé pour qu'il modie la solution d'une manière pertinente.
En comparaison avec la recherche tabou, le recuit simulé est aussi composé de deux phases,
l'une d'intensication et l'autre de diversication. Mais le RS a tendance à accélérer la phase de
diversication. Lorsque la température T est haute, le RS est libre de se déplacer dans l'espace
des solutions en choisissant des solutions ne minimisant pas forcément l'énergie du système. À
basse température, les modications baissant l'énergie du système sont plus souvent choisies,
mais d'autres peuvent être acceptées, empêchant ainsi l'algorithme de tomber dans un minimum
local. Dans l'algorithme 6, on laisse la température T tomber de manière continue pour per-
mettre au RS d'aller progressivement de la phase de diversication à la phase d'intensication.
Comme toutes les métaheuristiques, le RS a le même inconvénient par rapport au problème de
conguration des paramètres initiaux. Dans cet algorithme, on doit déterminer la température
initiale, et γ , le paramètre qui xe comment la température T tombe. Nous avons choisi arbitrai-
rement après expérimentation Tini = 20, γ = 0.98. Nous considérons également un cas particulier
du recuit simulé dans lequel la température est initialisée à zéro. Dans ce cas là, le RS devient
un algorithme glouton qui n'accepte que des solutions améliorant le critère d'optimisation.
Fonction Recuit simulé( Sini : Solution) : S0 : Solution

T ← Température initiale du recuit simulé ;
Générer le groupe de services {Svr(i)} ;
{Srv(i)}
Sini −(−−−−→ S 0 ;
1 Si E(S 0 ) < E(Sini )
P= ;
exp(− 4ET ) Si E(Sini ) ≤ E(S 0 )
Si (aléatoire()≤ P ) Alors
Sini ← S 0 ;
Fin Si
T = T × γ | γ est une constante, γ < 1 ;
Fin Tq
Retourner S 0 ;
Fin
Alg. 6: L'implémentation du recuit simulé
4.4 Implémentation de l'Algorithme Génétique

L'algorithme génétique est une métaheuristique très connue qui a été proposée par (Holland,
1975) comme un modèle de systèmes adaptatifs complexes capables de simuler notamment l'évo-
lution des espèces. Suite aux résultats proposés par cette technique, de très nombreux travaux
sur les problèmes d'optimisation combinatoire ont été traités.
4.4.1 Description de l'algorithme génétique

Les algorithmes génétiques s'appuient sur le principe de sélection naturelle, développée au
XIX e siècle par le scientique Darwin, appliqué à une population de solutions potentielles pour
un problème donné. Il consiste à déterminer un ensemble d'individus. Chaque individu corres-
pond à une solution du problème. Ces solutions sont codées de manière appropriée. Un vecteur
codant une solution et ses coordonnées est appelée gène. Partant d'une population initiale qui
est souvent générée aléatoirement, on essaie de faire évoluer cette population par la reproduction
des individus à chaque itération. C'est au cours de cette phase que la loi du plus fort est appli-
quée : les individus les plus performants ont plus de possibilité pour se reproduire. Le principe
de la reproduction se base sur le croisement entre des individus. C'est un élément très important
de l'algorithme génétique : il consiste à déterminer comment se mélangent les "gènes" de deux
solutions diérentes en faisant en sorte que les enfants résultant du croisement constituent des
solutions réalisables si leurs parents le sont.
Fonction Algorithme génétique(Sini : Solution) : S0 : Solution

n ← 0 P0 ← Générer la population initiale ;
Sélectionner dans Pn des paires solutions performantes ;
Appliquer l'opérateur de "croisement" qui produit une ou plusieurs solutions
enfants de chacune des paires ;
Créer la population Pn+1 en supprimant les individus moins performantes ;
Appliquer un opérateur de mutation aux solutions obtenues ;
n← n+1
Fin Tq
Fin
Alg. 7: Algorithme génétique considéré
4.4.2 Gènes, croisement et mutation

Les "gènes" sont une manière de structurer l'information de la solution pour que l'on puisse
les échanger dans la phase de croisement pour obtenir de nouvelles solutions. Le fait de choisir
un type de codage approprié est une étape très importante dans l'application d'un AG pour
n'importe quel problème. Le fait de modéliser le problème de gestion d'énergie sous la forme d'un
graphe temporel nous a donné l'idée de coder les gènes selon une structure binaire. Une structure
de codage similaire peut être trouvée dans le problème d'optimisation par les graphes comme par
exemple le problème du voyageur de commerce dans (Schmitt et Amini, 1996; Chatterjee et al.,
1996), ou le problème d'optimisation de trajectoire de véhicules dans (Malmborg, 1996).
A la diérence du problème du voyageur de commerce, nous ne cherchons pas un chemin
complet dans un graphe mais une ou plusieurs parties du graphe à optimiser. D'abord, nous
devons expliciter quel type d'information doit être codé dans un chromosome d'un individu.
Eectivement, on a deux types d'information à intégrer dans les chromosomes :
1. Contrairement à la RT et au RS, avec l'AG, on obtient un ensemble de solutions courantes
au lieu d'une seule solution à chaque itération. Chaque individu contient une solution. Cette
solution est symbolisée par un losange dessiné au début du chromosome dans la gure 7.6.
2. Un individu contient aussi une méthode de génération de voisinages qui interviendra lors de
la phase de croisement. Cette méthode dénit est un groupe de services à modier suivant
la démarche de la section 4.2. Ce type d'information peut être représentée par un vecteur
binaire illustré dans la gure 7.6. Le parent 1 dans la gure 7.6 a un groupe de services
modiés par la PSE composé de {Srv(1), Srv(2), Srv(4)}, donc le gène du parent 1 est
{Srv(1),Srv(2),Srv(4)}
G = {1, 1, 0, 1, 0, 0}. La solution enfant S 0 est obtenue par Sini −−−−−−−−−−−−−−→ S 0 .
Croisement Le croisement est eectué par des échanges aléatoires de gènes entre deux parents.
Pour le gène i correspondant au service Srv(i), il y a 50% de chance pour qu'il corresponde
au parent 1 et 50% de chance pour qu'il corresponde au parent 2. A chaque reproduction,
deux chromosomes sont ainsi générés (pour éviter les explosions de population), l'un aecté à la
solution courante du parent 1 et l'autre aecté à la solution du parent 2. On peut trouver une
Svr(4) Svr(4)
Partie modifiée Partie à modifier
Svr(2) Svr(2)
Parent 1 Enfant 1

Svr(1) Svr(3)
S1 1 1 0 1 0 0 Gène du parent 1 S2 1 1 0 1 0 0 Gène du enfant 1

Solution modifiée
Croissement
Solution à modifier
Partie modifiée Partie à modifier
Svr(4) Svr(4)
Svr(2) Svr(2)
Parent 2

Svr(1) Svr(3)
Enfant 2
Svr(1) Svr(3) Svr(5)
S2 0 1 0 1 0 1 Gène du parent 2 S1 1 0 0 1 1 0 Gène du enfant 2

Solution modifiée Solution à modifier
Fig. 7.6 Illustration du croisement du algorithme génétique
illustration de croisement entre deux parents pour reproduire les deux enfants dans la gure 7.6.
Ce type de croisement permet de garantir que les enfants sont des solutions réalisables lorsque
leurs parents le sont. Dans le pire des cas, la modication est irréalisable et on retrouve les deux
solutions des parents.
Mutation La mutation est réalisée en ajoutant ou en enlevant un ou plusieurs services dans

le groupe de services à modier. Cet opérateur agit en changeant aléatoirement les gènes du
chromosome de l'individu en ajoutant ou en enlevant un service dans le groupe de services à
optimiser.
5 Mise en ÷uvre
Les métaheuristiques présentées sont implémentées en Java en utilisant une interface commu-
nicant avec le solver de programmation mixte GLPK. Nous commençons par traiter l'exemple 5
du tableau 7.2 dans lequel la programmation linéaire mixte n'a pas abouti à une solution opti-
male après 24 heures de calcul. La solution obtenue par la PLVM est de 34% plus grande que la
borne inférieure trouvée.
Cet exemple est composé de 5 services temporisés :Srv(1), Srv(2), Srv(3), Srv(4), Srv(5) et
de 3 services permanents constitués de 2 services de chauage Srv(6), Srv(7) et d'un service
permanent de fourniture d'énergie Svr(8). L'objectif de cet exemple est de trouver un plan
d'aectation de ressources. Il s'agit de xer la température dans les zones thermiques et la date
5. Mise en ÷uvre 105
Srv(8) Group 3
Srv(7) 6 7
Srv(6)
8
Srv(5)
5 3
Srv(4) Srv(3)
Srv(1) Srv(2)
2
1 4
Group 1
Group 2
0 2 4 6 8 10 12 14 16 18 20 22 24
Fig. 7.7 Graphe des relations temporelles pour l'exemple 5
d'exécution des services temporisés pour minimiser le critère suivant :

 
 
X K 4 
(7.6)
X
J =  (E(8, k) × C(8, k)) + U (i)
 

 
|k=1 {z } |i=1{z } 
Critère économique Critère du confort
Ce critère résulte de l'agrégation de deux types de critères : le critère économique calculé par le
coût de l'énergie produite par le service de source Srv(8) et le critère de confort fonction de la
sensation thermique du service de chauage et du décalage des services temporisés.
On obtient le graphe de relations temporelles de la gure 7.7. Pour faciliter la visualisa-
tion, on simplie le graphe en regroupant certains services. Les liens entre les groupes repré-
sentent la forte connexité entre les sommets des groupes. Le groupe 1 est composé de 2 services
{Srv(1), Srv(4)}. Le groupe 2 est composé de 3 services {Srv(2), Srv(3), Srv(5)} tandis que
{Srv(6), Srv(7), Srv(8)} constitue le dernier groupe.
5.1 Recherche tabou

En utilisant la fenêtre glissante de la recherche tabou, 5 voisinages peuvent être générés à
chaque itération. Chaque voisinage correspond à un problème de programmation linéaire mixte :
• voisinage 1, engendré par la structure {Srv(6), Srv(7), Srv(8)}.
• voisinage 2, engendré par la structure {Srv(4), Srv(6), Srv(7), Srv(8)}
• voisinage 3, engendré par la structure {Srv(1), Srv(4), Srv(6), Srv(7), Srv(8)}
• voisinage 4, engendré par la structure {Srv(2), Srv(5), Srv(6), Srv(7), Srv(8)}
• voisinage 5, engendré par la structure {Srv(2), Srv(3), Srv(5), Srv(6), Srv(7), Srv(8)}
Les tailles des sous-problèmes sont eectivement moins grandes que le problème initial (92 va-
riables binaires). Le sous-problème ayant la plus grande taille est le voisinage 5 (46 variables
binaires). La plus petite taille est celle du sous-problème du voisinage 1 (16 variables binaires).
Cette méthode de génération de voisinages permet d'éviter de chercher à évaluer des combina-
toires inutiles, par exemple, entre les deux groupes de services 1 et 2, les activités énergétiques
sont quasiment indépendantes les unes des autres. C'est la raison pour laquelle, la PNEM seule
a du mal à résoudre ce problème : elle perd beaucoup de temps à évaluer des combinaisons
d'activités des groupes de services 1 et 2.
L'exécution de la RT hybride a duré 131s pour aboutir à une solution approchée (voir la
gure 7.8). La diérence entre le critère de la solution approchée et celui de la borne inférieure
est de 0,4%. Cette déviation est tout à fait acceptable en utilisant un temps de calcul beaucoup
Fig.7.8 La vitesse de convergence de diérentes métaheuristiques en comparaison avec la

PLVM
moins long que la PLVM seule. En comparaison avec la PLVM seule au niveau de la performance
du critère d'optimisation du problème, on arrive à l'améliorer considérablement (soit 34%).
5.2 Recuit simulé

La manière de générer des voisinages pour le recuit simulé est légèrement diérente
dans la façon de regrouper les services. Nous sélectionons à chaque itération seulement trois
services pour être optimisés par la PLVM. Nous commençons par le groupe des services
{Srv(1), Srv(4), Srv(6)}. La composition de ce groupe est choisie aléatoirement mais le nombre
de services reste toujours constant. En conséquence, le RS génère des sous-problèmes assez petit
par rapport au problème initial. Cela permet d'accélérer la résolution des sous-problèmes par la
PLVM. Par contre, si le nombre de services dans ce groupe est trop petit, il peut conduire à des
modications non signicatives qui ne permettent pas d'améliorer le critère d'optimisation. Le
choix du nombre de services à modier doit être un compromis entre deux aspects.
L'implémentation du RS sur l'exemple 5 nous donne une solution optimale après 89s de
calcul. On arrête la procédure d'optimisation parce que le RS a trouvé une solution ayant un
critère d'optimisation égal à la borne inférieure. On constate que le RS est plus performant que
à la RT sur cet exemple, et nettement meilleur que la PLVM seule.
5.3 Algorithme Génétique

L'AG est la seule des trois métaheuristiques testées qui n'est pas une recherche locale. Elle doit
évaluer un nombre important de solutions qui est égale au nombre d'individus de la population à
chaque génération. C'est la raison pour laquelle, on ne peut pas choisir une population initiale trop
importante. On considère alors arbitrairement 10 individus à chaque génération. La condition
d'arrêt de l'AG est soit une solution optimale trouvée, soit après 5 itérations sans amélioration.
L'implémentation de l'AG sur l'exemple 5 aboutit à une solution optimale après 206 secondes
en 4 itérations. L'AG est plus lent que le RS en trouvant la solution optimale sur cet exemple.
Cela provient du fait que l'AG doit évaluer beaucoup plus de solutions pour terminer chaque
itération.
Après l'implémentation sur un exemple concret de trois métaheuristiques, on peut constater
que la combinaison entre les métaheuristiques et la PLVM nous donne des méthodes de résolution
puissantes en comparaison avec la PLVM seule au niveau du temps de calcul. Elles sont capables
de converger rapidement vers la région des solutions intéressantes et d'améliorer signicativement
le critère d'optimisation de la solution initiale.
5.4 Synthèse des résultats obtenus par les métaheuristiques hybrides

Sur l'exemple précédent, nous avons étudié la performance des méta-heuristiques hybrides.
On peut réduire le temps de calcul de la procédure d'optimisation de 720 fois par rapport à
la PLVM seule. An d'évaluer la performance des méthodes basées sur les méta-heuristiques
hybrides, nous les avons appliquées sur 60 exemples générés aléatoirement. Ces exemples sont
divisés en trois catégories : petite, moyenne et grande taille (20 exemples par catégorie) selon le
nombre de variables binaires dans le problème. Pour comparer les diérentes méta-heuristiques
hybrides avec la PLVM seule, on choisit d'arrêter l'algorithme PLVM après 3600 secondes tandis
que la condition d'arrêt pour la recherche tabou et le recuit simulé est de 10 itérations sans
amélioration du critère. Dans le cas de l'algorithme génétique, on choisit de l'arrêter après 5
itérations sans amélioration.
Les résultats des calculs sont présentés dans les tableaux 7.3 et 7.4. Le tableau 7.3 synthétise les
temps de calcul moyens des 4 algorithmes et leur taux d'optimalité qui représente le pourcentage
des cas où les algorithmes trouvent une solution ayant la valeur du critère de la borne inférieure. A
partir de ces critères de performance, le recuit simulé apparaît comme la méthode qui a la vitesse
de convergence la plus rapide. De plus, dans 73% des cas, le recuit simulé trouve la solution de
la borne inférieure en 126s en moyenne. Un peu moins performante, la recherche tabou requiert
un temps de calcul un peu plus long mais en terme de taux d'optimalité, elle est comparable au
recuit simulé. L'algorithme génétique est nettement moins performant tant en terme de temps
de calcul que de taux d'optimalité. Les performances des méta-heuristiques sur les 60 exemples
traités sont, à tout point de vue, meilleures que celles obtenues avec la PLVM seule.
Lorsque les algorithmes ne convergent pas vers la borne inférieure, on peut apprécier la dévia-
tion entre la solution obtenue et la borne inférieure. On peut considérer d'une part la déviation
moyenne à tous les exemples et d'autre part, la déviation maximale observée. Ces informations
sont consignées dans le tableau 7.4. On observe ici que la recherche tabou est plus performante
que le recuit simulé tant au niveau de la déviation maximale que de la déviation moyenne. L'al-
gorithme génétique est une fois encore moins performant que les deux autres mais il est toujours
très loin devant la PLVM seule. En particulier, dans un exemple de grande taille, la PLVM a
abouti à une solution 496% moins bonne que la borne inférieure après une heure de calcul, très
loin derrière les performances obtenues par les métaheuristiques hybrides. On constate également
que la dégradation de performance de ces méthodes est fonction de la taille du problème. Cela
Type example Temps d'exécution moyen Taux d'optimalité

Méthode RT RS AG PLVM RT RS AG PLVM
100>binaire>20 63,6 34,6 109,9 1304,6 75% 65% 75% 65%
200>binaire>100 223,9 123,4 146,4 3241 35% 45% 20% 25%
250>binaire>200 257,4 211,4 255,8 3600 20% 30% 10% 0%
Moyenne 186 126,7 174,9 2774,2 70% 73,3% 43,3% 33,3%
Tab. 7.3 Le temps de calcul moyen et les taux d'optimalité des solutions obtenus par plusieurs
méthodes sur 60 exemples
Type exemple Déviation Moyenne Déviation Maximale

Méthode RT RS AG PLVM RT RS AG PLVM
100>binaire>20 0,76% 1,47% 1,15% 6,12% 7,07% 27,07% 14,3% 68,24%
200>binaire>100 2,11% 0,83% 2,87% 12,54% 17,22 6,1% 9,23% 69,98%
250>binaire>200 8,2% 8,2% 12,75% 123% 5,6% 25,93% 83,22% 496,25%
Moyenne 1,73% 3,64% 5,8% 49,31% 17,22% 27,07% 83,22% 496,25%
Tab. 7.4 La déviation moyenne et maximale de la solution obtenue par rapport à la borne
inférieure sur 60 exemples
est dû au fait que la condition d'arrêt des algorithmes reste la même pour les trois catégories de
problèmes. Sur les exemples de grande taille, il faudrait des analyse plus poussées.
6 Conclusion
Cette partie détaille le fonctionnement de la couche anticipation. Nous avons proposé une
méthode de résolution générale pour les problèmes d'anticipation qui calculent un plan d'aecta-
tion de l'énergie optimal tenant compte des prévisions de fonctionnement disponibles. Nous avons
proposé un algorithme hiérarchisé qui combine méthode de résolution exacte et heuristique pour
accélérer la convergence vers un optimum global supposé. L'heuristique permet de tenir compte
de la structure du problème et d'éviter aux méthodes exactes d'explorer des régions sans inté-
rêt. Plusieurs méta-heuristiques, recherche tabou, recuit simulé et algorithme génétique, ont été
adaptés à la génération de sous-problèmes qui sont alors résolus par un algorithme de program-
mation linéaire en nombre entier mixte. Nous avons montré que cette combinaison permettait de
converger beaucoup plus rapidement vers un optimum global supposé dans un rapport de 720.
Cette couche détermine des consignes moyennes qui sont ajustées en temps réel par la couche
réactive.
Chapitre 8
Approche de résolution pour la couche

réactive
Le plan d'aectation de la ressource énergie calculé par la couche d'anticipation pour des
périodes de temps larges, doit être appliqué à tout instant et ce malgré les perturbations que
constituent les événements mal ou non prévus. C'est le rôle de la couche réactive d'adapter
le plan fourni par la couche d'anticipation de façon à satisfaire aux contraintes du système
(voir l'illustration gure 8.1). Puisque la solution se base sur la consommation ou la production
moyenne, c'est une condition nécessaire mais non susante pour respecter les contraintes de
ressources en temps réel. La couche réactive est complémentaire de la couche d'anticipation, elle
vise à atteindre l'objectif proposé par cette dernière en garantissant le respect des contraintes
fortes en temps réel. Le moyen d'action de la couche réactive est basé sur les degrés de liberté
des services interruptifs.
Service 1
Couche d'anticipation
Service 2
Affectation basée sur l'énergie moyenne
Service 1
Couche réactive
Service 2
Déterminer des séquences d'accès à l'énergie
Fig. 8.1 Principe de la couche réactive

110 Chapitre 8. Approche de résolution pour la couche réactive
1 Introduction
Dans un contrat avec un fournisseur d'énergie, la puissance maximum qui peut être consom-
mée est xée (supposons que l'énergie soit fournie par EDF, l'abonnement sera proposé par
tranches de consommation 6kW, 9kW, 12kW...(Angioletti et Despretz, 2003a)). Dans ce cas, la
consommation dans le bâtiment doit respecter une contrainte forte :
P (t) ≤ Pmax ∀t (8.1)
Il est aussi possible que la puissance consommée maximale ne soit pas dénie à l'avance. Elle
peut être intégrée dans le coût global de la facture d'électricité journalière comme aux États-Unis
ou au Japon.
1.1 Approche d'ordonnancement sous contrainte de ressource

(Ha, 2004) a montré que le problème de maîtrise de la consommation dans l'habitat parti-
culier ou dans le bâtiment en général peut être vu comme un problème d'ordonnancement sous
contraintes de ressource (RCPSPs).
Une période d'anticipation est découpée en K périodes réactives de durée ∆r . Le rapport
cyclique (noté R) est le pourcentage de temps d'utilisation de la ressource pendant une période
réactive(voir la gure 8.2). Le rapport cyclique peut varier au cours de la journée, en fonction
des consignes de l'utilisateur.
Rapport cyclique
Période réactive r
Fig. 8.2 Notion de rapport cyclique
La consommation de cet équipement peut être vu comme une tâche à ordonnancer avec une
durée égale à R × ∆r , la ressource empruntée est égale à la puissance consommée maximale de
l'équipement. La contrainte de fenêtre de temps d'une tâche est considérée comme la plage dans
laquelle on peut décaler la tâche. Cette contrainte est déterminée par son cycle de fonctionne-
ment. Dans (Ha, 2004), nous traitons le problème de minimisation du pic de consommation Pmax .
La méthode de résolution utilisée est un algorithme génétique. Le résultat de ce travail a montré
que le pic de consommation dans l'habitat peut être divisé par deux grâce à une coordination
entre les consommations des diérents équipements. Dans (Ha et al., 2005b) et (Ha et al., 2005a),
nous nous intéressons au problème d'optimisation de consommation dans l'habitat en respectant
la contrainte de puissance maximale Pmax . Nous visons à minimiser l'inconfort de l'usager en
1. Introduction 111
jouant sur les décalages de la consommation des équipements. Nous avons montré que ce pro-
blème correspond au problème de minimisation du retard pondéré dans l'ordonnancement sous
contrainte de ressource. Dans la littérature, la complexité de ce problème est démontrée comme
N P−Dicile au sens fort. Par conséquent, pour obtenir une solution exacte, une procédure de
séparation et d'évaluation a dû être implémentée.
La formulation de ce problème sous forme d'un problème d'ordonnancement sous contrainte
de ressource permet d'exploiter des études ayant été développées dans le domaine de l'or-
donnancement. Par ailleurs, l'optimisation de l'ordonnancement prévisionnel permet de ré-
duire les risques de violation des contraintes de ressources maximales ou de recours à un ré-
ordonnancement. Cependant, cette approche exige des prédictions de comportement de consom-
mation assez précises qui rendent la solution obtenue très sensible aux perturbations.
1.2 Approche de pilotage direct des charges

Le pilotage direct (Direct Load Control(DLC) en anglais) est une méthode utilisée par le
fournisseur d'énergie pour réduire les pics de consommation en s'appuyant sur le caractère inter-
ruptible de certaines charges. Cette fonction de gestion de l'énergie pourrait exister à diérents
niveaux du réseau, dans le réseau de distribution mais aussi au niveau des consommateurs au
sein des équipements électro-ménagers.
Des études ont porté sur l'application de DLC à des systèmes de climatisation et de chaues-
eau notamment dans (Bargiotas et Birdwell, 1988). Souvent, dans la littérature, on trouve que
l'objectif principal DLC est de minimiser le coût de production de l'énergie, mais l'aspect de
confort de l'usager n'est pas pris en compte de manière explicite. Selon les études publiées,
l'approche semble donner des résultats intéressants et être en mesure de répondre à nos attentes,
(Huang et Huang, 2004) présente une méthode de résolution approchée pour le problème de
pilotage direct d'un système de climatisation. Dans ces travaux, l'auteur a discrétisé le temps
suivant plusieurs périodes de même durée, durant lesquelles, chaque charge interruptible est soit
activée soit désactivée. On parle de séquence d'interruption des équipements. Pour réduire la
complexité de la modélisation, l'auteur s'est inspiré des notions de logique oue qui sont utilisées
dans le problème de DLC développé originalement par (Bhattacharyya et Crow, 1995) et (Yang
et Huang, 1999). La logique oue permet de représenter le confort de l'usager ainsi que la capacité
des sources.
L'implémentation sous forme d'une boucle fermée de cette stratégie de pilotage direct est
divisée en deux étapes :
• Déterminer les séquences d'interruption de l'ensemble par programmation dynamique oue
en établissant une fonction récursive basée sur une heuristique. Pour l'instant, il n'y a pas
encore de résultat conduisant à une solution exacte.
• Appliquer au système la séquence d'interruption. En fonction de la diérence entre les
paramètres de prédiction et la consommation réelle, la séquence est adaptée aux conditions
courantes. Puisque, ce mécanisme doit répondre en temps réel, certaines règles heuristiques
sont utilisées.
Huang et Huang (2004) ont montré que des heuristiques simples permettent d'améliorer
considérablement la solution en tenant compte des incertitudes de prédiction.
2 Problème d'aectation d'énergie aux services interruptibles

Le pilotage réactif consiste à contrôler de consommation de certains services en utilisant
la caractéristique de préemption. Il s'agit d'aecter l'énergie en respectant les contraintes de
ressource en temps réel.
2.1 Description du problème

Le groupe de services concernés est souvent constitué des services de chauage ou bien de
climatisation. La couche réactive travaille sur un temps d'échantillonnage de quelques minutes
noté ∆r << ∆a où ∆a correspond à la période d'échantillonnage de la couche d'anticipation.
Supposons que la couche réactive soit composée d'un ensemble de I services ayant une consom-
mation interruptible. La modèle de comportement dynamique du service est présenté dans le
chapitre 4 : (
T (i, k + 1) = A × T (i, k) + B × E(i, k) + C × W (k)
(8.2)
y(i, k) = D × T (i, k) + F
où T (i, k) est le vecteur de température du service i durant la période k et E(i, k) est l'énergie
consommée dans la période k. W (k) est l'impact des éléments externes comme la température
extérieure, les radiations solaires. y(i, k) est le critère de respect de la consigne de la couche
réactive.
Durant chaque période d'échantillonnage k, chaque équipement interruptible doit être activé
ou désactivé. Cette décision est naturellement exprimée par une variable binaire X (i, k).
(
1 Si l'équipement i est activé durant la période k
X (i, k) = (8.3)
0 Si l'équipement i est désactivé durant la période k
Avec l'introduction de la variable binaire X (i, k), le modèle dynamique du service Srv(i) est
écrit sous la forme :
(
T (i, k + 1) = A × T (i, k) + B × Pmax (i) × X (i, k)∆r + CW (k)
(8.4)
y(i, k) = D × T (i, k) + F
Supposons que le plan d'aectation de la couche d'anticipation assigne la valeur Tref à la couche
réactive. L'objectif de la couche réactive est de suivre cet objectif en respectant la contrainte de
ressource. D'une manière générale, la contrainte traduisant le respect de la consigne durant la
période k s'écrit :
y(i, k) = |Ta (i, k) − Tref | (8.5)
Ce critère doit être évalué sur les périodes entre {0, ..., K∆r } où K∆r = ∆a . Chaque service
a une pondération w(i). Le critère visant à minimiser le plus grand écart de consigne :
n
!
(8.6)
X
J(n) = w(i) × y(i, k)
k=1
L'objectif du contrôle est de respecter la contrainte de capacité à chaque période réactive

k avec Pdis (k) la puissance maximale disponible pour la période k après soustraction de la
2. Problème d'aectation d'énergie aux services interruptibles 113
consommation des services non-préemptibles. La consommation de tous les équipements ne doit

pas dépasser la puissance Pdis (k) :
I
(8.7)
X
P (i) × X (i, k) ≤ Pdis (k)
i=1
Nous proposons ensuite des approches diérentes pour traiter ce problème. La première ap-
proche est une approché prédictive qui vise à établir à l'avance la séquence d'activation et de
désactivation des services sur l'horizon temporel {0, ..., K∆r }. La deuxième approche est basée
sur un algorithme de liste qui vise à construire la solution à partir de la mesure, mais sans
expliciter la solution obtenue à l'avance.
2.2 Approche prédictive par programmation dynamique

Cette approche s'inspire des méthodes développées pour la couche d'anticipation. La couche
d'anticipation est chargée de construire une solution sur l'horizon d'une journée avec un temps de
discrétisation ∆a égal à 1h. La couche réactive complète ce plan en établissant un plan d'exécution
ayant un horizon égal à ∆a . Ainsi, les services doivent suivre en même temps les consignes établies
par la couche d'anticipation et les séquences d'action/désactivation pré-établies par la couche
réactive.
Ce problème d'aectation d'énergie aux services interruptibles au niveau de la couche réactive
peut être résolu par la programmation linéaire mixte en utilisant la transformation présentée dans
le chapitre 5 mais le problème peut devenir très complexe quand le nombre de variables binaires
X (i, k) augmente. Nous cherchons une méthode de résolution plus appropriée au problème car
le temps de calcul doit être court. En sachant que l'état courant des services dépend seulement
de leur état précédent (résultant de l'équation (8.4)). La solution optimale de la période k + 1
dépend forcément de la solution de la période k.
On peut alors utiliser la Programmation Dynamique (PD) pour résoudre plus ecacement
ce problème. Inspirés par le principe d'optimalité de la programmation dynamique proposé par
(Bellman, 1957), nous proposons l'algorithme 8. Pour faciliter l'explication de cet algorithme, on
emprunte la vision du problème du plus court chemin dans un graphe très connu (voir la gure
8.3). L'objectif de ce problème est de chercher le plus court chemin allant d'un sommet initial à
un sommet cible. Le problème d'aectation d'énergie dans la couche réactive revient également
à trouver le "chemin" minimisant la critère (8.6) allant de la période 1 à la période K . Nous
introduisons la notion de graphe des séquences.
Dénition 17 Un graphe des séquences est divisé en K niveaux. Chaque niveau correspond à
une période de discrétisation de la couche réactive. X(j, k) est le sommet j ∈ (1, ..., N (k)) de
niveau k ∈ {1, ..., K} qui correspond à un assignement de valeur binaires pour (X (i, k)) où
(X (i, k)) est la liste des variables d'activation pour l'instance k pour I services . N (k) est le
nombre des sommets dans le niveau k. N (k) est égal au nombre d'états atteignables pour I
services, c'est-à-dire au plus 2I sommets. Un sommet X(j, k) peut donc être représenté par un
mot de I bits.
La chemin ne connecte que deux sommets de deux niveaux successifs. Un chemin entre deux
sommets existe si et seulement si le passage d'une séquence à la suivante est admissible. Dans le
graphe de séquences, il n'y a pas de circuit. C'est une condition nécessaire pour pouvoir appliquer
l'algorithme du plus court chemin de Bellman.
L'algorithme 8 est initialisé par la génération de X(j, 1) pour la première période. À partir
de k = 2, la décision d'activer ou de désactiver les services {X (i, k)} est calculée en fonction de
l'état précédent X(j, k − 1).
Dans la gure 8.3, on peut observer un exemple de la PD sur un cas où il y a deux équipements.
Chaque sommet dans le graphe correspond à un état de la programmation dynamique. Sur chaque
sommet, il y a des étiquettes sur l'état {X } = {1, 0}, cela signie que X (1, 1) = 1, X (2, 1) = 0.
Les arcs qui connectent les sommets décrivent les passages possibles.
[Initialiser]
Initialiser l'ensemble des sommets X (1) = {X(j, 1); j ∈ {1, . . . , 2I }} avec tous les états
possibles {0, 1} pour chaque X (j, 1); j ∈ {1, . . . , I} ;
Pour chaque sommet X(j, 1) de X (1), créer un arbre vide : A(X(j, 1)) ← ∅ ;
[Parcourir le graphe]
Pour (k = 2; k ≤ K; k + +) faire
[Chercher le meilleur chemin conduisant à chacun des somments de l'instant k]
X (k) ← ∅ ;
Pour (j = 1; j ≤ 2I ; j + +) faire
Générer le sommet X(j, k) associé à j ;
Créer un chemin vide : A ← ∅ ;
Pour X ∈ X (k − 1) faire
A ← (X, X(j, k)) ∪ A(X) ;
Fin Pour
Trouver le meilleur chemin S ∗ de A, au sens de (8.6), en par-
tant de X(j, k) et en allant vers un noeud racine (k = 0) ;
Si (S ∗ existe) Alors
[Sélectionner l'arc du meilleur chemin conduisant à X(j, k)]
X (k) ← X (k) ∪ X(j, k)
Sélectionner X/(X, X(j, k)) ∈ S ∗ ;
A(X(j, k)) ← (X, X(j, k)) ∪ A(X);
Fin Si
Fin Pour
Fin Pour
[Trouver la meilleure séquence d'activation/désactivation]
Le meilleur chemin, au sens de (8.6), partant de X ∈ X (K) vers un noeud racine (k = 0)
correspond à la meilleure séquence d'activation/désactivation.
Alg. 8: Algorithme de programmation dynamique pour le problème d'aectation d'énergie
La complexité de cette méthode est de K × 2I en sachant que l'on doit stocker les résultats sur
diérentes étapes et que le nombre de sommets mémorisés peut atteindre K × 2I . Le point fort
de cette méthode est que l'on peut obtenir une solution optimale pour un problème de petite
2. Problème d'aectation d'énergie aux services interruptibles 115
X(1,1) X(1,2) X(1,3)
{X (i,k)}= {0,0} {X (i,k)}= {0,0} {X (i,k)} = {0,0}
X(2,1) X(2,2) X(2,3)
{X(i,k) }= {0,1} {X(i,k) } = {0,1} {X (i,k)}= {0,1}
X(3,1) X(3,2) X(3,3)
{X(i,k) }= {1,0} {X (i,k)}= {1,0} {X (i,k)}= {1,0}
X(4,1) Chemin optimal X(4,3)
{X(i,k) }= {1,1} {X (i,k)}= {1,1}
Fig. 8.3 Illustration de la programmation dynamique
taille. Par contre pour les problèmes de grande taille, nous devons chercher une méthode plus
appropriée.
2.3 Aectation dynamique par l'algorithme de liste

La complexité de l'algorithme 8 est K ×2I , le temps de calcul reste important dans le cas où le
cardinal de I est grand. C'est la raison pour laquelle nous proposons une heuristique qui se base
sur les ux d'information dans le bâtiment pour appliquer un algorithme de liste. Chaque service
est chargé de remonter de l'information sur la satisfaction courante. A partir de ces informations,
on essaie d'eectuer une aectation de ressource en temps réel en utilisant une heuristique qui
favorise la distribution de ressource au service le moins satisfait. Le principe de cet algorithme
est simple,tout en permettant de résoudre des problèmes de grande taille.
A chaque instant k, récupérer toutes les satisfactions U (i, k − 1) et les puissances requises
P (i) pour les services actifs Srv(i) ;
Initialiser X (i, k) ← 0, ∀i ;
L ← la liste des couples (Srv(i), P (i)) pour les services de type charge avec leur puissance
consommée correspondante, ordonnée par ordre décroissant de U (i, k − 1) ;
P ← Pdispo − P (j) avec j/L(1) = (Srv(j), P (j)) ;
[Redistribuer de l'énergie]
Tant que (P>0) faire
X (j, k) = 1 ;
i ← i + 1;
j/L(i) = (Srv(j), P (j)) ;
P ← Pdispo − P (j)
Fin Tq
Alg. 9: Algorithme d'aectation dynamique

Fig. 8.4 Résultat de l'exemple 1 sans la couche réactive
Exemple 1 : Considérons la couche réactive chargée d'aecter de l'énergie électrique à 4

charges interruptibles. Les radiateurs sont utilisés pour illustrer le fonctionnement de la couche
réactive. Chaque radiateur supporte un service de chauage dans une zone thermique diérente.
On suppose que les zones thermiques sont identiques au niveau du modèle thermique avec un
temps d'échantillonnage de 1 seconde :
      
Ta (k + 1) 0, 97 0, 028 Ta (k) " # T
out
0, 00047 0, 039 0, 014
= +  φs  (8.8)
      
2 × 10−6 0, 00029 6, 06 × 10−5
 
Tm (k + 1) 0, 0085 0, 99 Tm (k) φr
Chaque radiateur a une puissance maximale de 2kW, la couche réactive dispose de 4kW à
distribuer entre 4 radiateurs. La période de la couche réactive est de 5 minutes soit 300 secondes.
En conséquence, à chaque période k, il est possible que deux radiateurs soient activés. Un simu-
lateur de la couche réactive a été codé en Java pour implémenter l'optimisation en temps réel
de la couche réactive. Ce simulateur permet de simuler en parallèle la boucle de régulation de
chaque radiateur (la commande locale). Dans la première simulation (gure 8.4), nous présentons
la solution calculée par la couche d'anticipation sans la couche réactive. Bien que la contrainte
de ressource énergétique soit respectée en moyenne dans la couche d'anticipation pourtant on
observe des pics de consommation de 8kW lorsque les 4 radiateurs se mettent en marche en
même temps. En conséquence, la contrainte de puissance maximale est violée. Dans la deuxième
simulation, nous utilisons les deux couches de commandes anticipative et réactive. Le résultat de
la couche d'anticipation combinée à l'algorithme 9 est illustré dans la gure 8.5.
On constate que le mécanisme réactif permet de coordonner la consommation des 4 radiateurs
en respectant la contrainte de ressource. Le confort dans les 4 zones thermiques est équilibré.
Aucune zone thermique n'est pénalisée plus que les autres en moyenne. La séquence d'activation
et de désactivation des équipements est très proche de la solution optimale calculée par l'algo-
rithme 8. Dans ce scénario, on arrive à proposer une solution de 2% moins bonne que la solution
optimale obtenue par l'algorithme 8.
3. Conclusion 117
Fig. 8.5 Résultat de l'exemple 1 avec la couche réactive
3 Conclusion
Dans ce chapitre, nous avons abordé le problème d'aectation de ressource dans la couche
réactive. Il s'agit de distribuer la ressource énergétique à diérents services interruptibles en res-
pectant la contrainte forte de ressource maximale en approchant l'objectif calculé par la couche
d'anticipation. Nous avons proposé deux approches pour résoudre ce problème, l'approche pré-
dictive vise une planication sur un horizon court et moyen terme. Elle consiste à calculer par
avance des séquences d'activation désactivation des services en se basant sur le principe de pro-
grammation dynamique. L'avantage de cet algorithme est qu'il est capable de nous donner une
solution optimale dans le cas où le nombre d'équipements interruptibles n'est pas trop impor-
tant (inférieur à 10) et surtout qu'elle ne nécessite aucun capteur. Contrairement à l'approche
prédictive, l'approche réactive est un algorithme de liste qui vise à construire dynamiquement
la solution du problème sans rechercher de la solution globale. Elle requiert un temps de calcul
très faible et elle tient compte de l'état courant des services et donc des perturbations pour
l'aectation de la ressource énergie.
Le couche réactive est un complément essentiel à la couche anticipative. Elle permet au
système de réagir aux perturbations et d'aner le plan d'aectation de la ressource énergétique
avec un niveau d'abstraction plus précis. On peut imaginer des cas extrêmes où les perturbations
sont si importantes que la couche réactive ne parvient plus à suivre la consigne de la couche
d'anticipation. Le démarrage d'un four peut prendre toute l'énergie de la maison. Dans ce cas, la
couche réactive réagit mais trop tard parce qu'il n'y a plus d'énergie pour le service de chauage
par exemple. La prise en compte de l'incertitude doit être autant que possible intégrée au niveau
anticipatif pour privilégier les solutions robustes vis-à-vis des perturbations. Le chapitre suivant
expose une démarche permettant la prise en compte des incertitudes et perturbations dans le
problème de gestion d'énergie dans le bâtiment.
Chapitre 9
Prise en compte des incertitudes

Les chapitres 7 et 8 proposent une méthode de résolution globale du problème de gestion
de l'énergie dans le bâtiment. Les approches d'optimisation de la couche d'anticipation sont
des approches déterministes. La couche réactive permet d'aecter l'énergie en temps réel et
ajoute de la réactivité au système de pilotage. Ce chapitre est une extension de la méthode
anticipative pour tenir compte du cas où il existe des incertitudes dont les bornes sont connues
dans les prévisions disponibles. La connaissance du problème peut être imparfaite et parfois cette
connaissance imparfaite peut être modélisée. Si on ne tient pas compte de cette incertitude, elle
peut conduire à une dégradation de performance par rapport à la solution calculée. La prise en
compte de perturbations dans la modélisation du système permet de l'améliorer en intégrant
les perturbations. Nous commençons notre démarche par une analyse et une modélisation de
l'incertitude en utilisant la modélisation par intervalles. Ensuite, nous proposons une méthode
de prise en compte de l'incertitude dans le problème de gestion d'énergie dans le bâtiment par
une procédure en 3 étapes en utilisant la programmation multi-paramétrique.
1 Analyse des incertitudes

Comme indiqué dans l'introduction de cette partie, nous allons prendre en compte les incerti-
tudes dans le problème de gestion d'énergie dans l'habitat. Même si le mécanisme prédictif/réactif
prend en compte, de manière non explicite, l'incertitude dans le problème d'optimisation, ce cha-
pitre propose une approche pour tenir compte de l'incertitude de façon explicite. Parmi les
paramètres de prédiction, plusieurs sont incertains comme la prédiction sur l'information mé-
téorologique. L'incertitude est elle-même présente dans le critère d'optimisation. Par exemple le
critère de sensation thermique est relativement dépendant de plusieurs éléments de l'environne-
ment thermique comme la vitesse de l'air, le métabolisme du corps humain, etc... On ne dispose
pas forcément de tous les capteurs pour les mesurer.
1.1 Sources d'incertitudes dans le problème de gestion de l'énergie dans le

bâtiment
L'incertitude dans le problème de gestion de l'énergie dans l'habitat peut provenir de dié-
rentes origines. Nous distinguons l'incertitude qui vient de l'extérieur comme celle qui entache
une prédiction météorologique ou celle qui modie la disponibilité des sources énergétiques et de
l'incertitude qui vient d'éléments internes au bâtiment.
120 Chapitre 9. Prise en compte des incertitudes
1.1.1 Les incertitudes venant de l'extérieur

La prédiction météorologique contient naturellement des incertitudes. Il est dicile de prédire
précisément les conditions météorologiques. L'information sur la prédiction peut être mise à jour
régulièrement. Mais la température extérieure ou le taux d'ensoleillement ne peuvent être prédits
qu'avec des intervalles de conance.
La prédiction météorologique a un impact important sur la production d'énergie locale dans
le bâtiment. Dans la littérature, des méthodes ecaces pour prédire la radiation solaire durant
la journée sont proposées. Malgré tout, le résultat de prédiction peut être très diérent des
valeurs mesurées. La raison principale est qu'il est très dicile de prévoir à l'avance la couverture
nuageuse du ciel. D'une part, l'incertitude sur la prédiction de la radiation solaire à une inuence
directe sur la consommation du service comme le chauage ou la climatisation, d'autre part, elle
peut inuencer la ressource énergétique totale disponible si le bâtiment est équipé de panneaux
photovoltaïques.
D'autres perturbations extérieures peuvent venir du fournisseur d'énergie. On voit ainsi que
la sécurité d'approvisionnement en énergie par exemple suite à une coupure d'électricité peut
conduire à un inconfort majeur pour les usagers si le bâtiment ne dispose pas d'énergie en stock.
Parmi les autres risques, il faut compter que le prix de l'énergie vendue par le fournisseur est
actuellement xé en fonction de tranches horaires creuse et pleine. Mais dans un futur proche, on
pourra avoir une politique permettant d'acheter l'électricité suivant un coût dynamique représen-
tant le vrai coût de la production d'énergie (Wacks, 1993), ou encore, une politique permettant
de calculer le coût de l'électricité vendue en une journée. Ce principe est déjà mis en place à
travers la bourse européenne de l'énergie électrique PowerNext (Powernext, 2006). La gestion
des incertitudes sur ces informations doit également être intégrée dans les fonctions du système.
1.1.2 Les incertitudes venant de l'intérieur

Les perturbations existent non seulement au dehors du bâtiment mais également dans le
bâtiment lui-même. La mise en place du système de gestion de l'énergie dans le bâtiment a
besoin de capteurs pour avoir des informations sur l'état du système. Certaines variables comme
l'inertie thermique du bâtiment sont diciles à mesurer. Certaines restent à estimer sans avoir
les capteurs pour les mesurer comme le métabolisme du corps de l'occupant ou la vitesse de l'air
dans la zone thermique. Plus radicalement, il existe des activités énergétiques qui surviennent
sans avoir été prévues et modient la structure du problème d'aectation de l'énergie. Dans
le bâtiment, l'usager est libre d'agir sans forcément prévenir le système de gestion d'énergie.
La consommation de certains services comme la cuisson, l'éclairage, leur durée et leur date
d'exécution restent dicile à prévoir. Le fonctionnement du service en cours peut être modié
(changer le mode de fonctionnement, annuler un service en cours). La période d'occupation du
bâtiment varie aussi en fonction de la demande de l'usager sans forcément respecter la pré-
programmation de celui-ci.
A travers une analyse sommaire, les sources d'incertitudes sont nombreuses, mais l'intégration
de toutes les sources d'incertitudes dans la résolution risque de conduire à des problème très
complexes. On ne peut pas tout traiter en même temps : il vaut mieux traiter prioritairement les
perturbations fréquentes. Tout d'abord, nous essayons de classer les sources d'incertitude suivant
deux types de perturbations (voir la tableau 9.1) :
• Le premier type d'incertitudes concerne celles qui changent les informations sur les va-
1. Analyse des incertitudes 121
Sources d'incertitudes Perturbation sur Changement de la structure

les variables du problème
Prédiction météorologique X
Coût énergétique X
Coupure électrique X
Donnée du capteur X
Service imprévisible X
Modication d'un service X
Occupation imprévue des locaux X
Tab. 9.1 Classication des types d'incertitudes dans le problème de gestion de l'énergie dans
le bâtiment
riables du problème d'aectation d'énergie. La conséquence de ce type de perturbations

est généralement une dégradation du résultat réel par rapport à la solution optimale obte-
nue.
• Le deuxième type concerne les incertitudes qui causent des perturbations plus importantes :
elles changent la structure du problème en ajoutant et en enlevant des contraintes fortes.
La conséquence dans le pire des cas est que la solution courante n'est plus pertinente, ou
devient nonadmissible. Elle doit être remplacée par une autre solution adaptée à la nouvelle
structure du problème.
1.2 Modélisation de l'incertitude

Une piste de recherche pour la gestion des incertitudes est l'optimisation stochastique qui
consiste à représenter les incertitudes par des variables aléatoires. On peut trouver ces études
résumées dans (Greenberg, 1998). (Billaut et al., 2005b) a montré trois points faibles de ces
méthodes stochastiques dans le cas général :
• la connaissance appropriée de la plupart des problèmes n'est pas susante pour déduire la
loi de probabilité, surtout la première fois qu'on les traite.
• la source de perturbations conduit généralement à des incertitudes sur plusieurs types de
données à la fois. L'hypothèse selon laquelle les perturbations sont indépendantes les unes
des autres est dicile à satisfaire.
• même si on arrive à déduire un modèle stochastique, il est souvent trop complexe pour être
utilisé ou intégré dans une procédure d'optimisation.
Une approche alternative de modélisation des incertitudes est la méthode d'intervalles pour
les variables continues : il est possible de déterminer un intervalle qui borne la valeur réelle.
On peut trouver cette approche dans le problème d'ordonnancement ou présenté dans (Dubois
et al., 2001, 2003). Rossi (2003); Aubry et al. (2006) ont utilisé la méthode de l'ensemble de
scénarios pour modéliser l'incertitude dans un problème d'équilibre de la charge de machines
parallèles. La combinaison entre trois types de modélisations (modèle stochatisque, modèle de
scénarios, modèle par intervalles) est également possible selon Billaut et al. (2005a).
Dans le contexte du problème de gestion d'énergie dans le bâtiment, si nous n'avons pas
choisi d'utiliser les méthodes stochastiques, c'est parce que nous ne cherchons pas à garantir une
performance moyenne de la solution. Par exemple, une performance moyenne de confort usager
peut conduire à une solution qui est très désagréable dans un moment et très confortable à un
autre moment. Ensuite, on peut tout à fait imaginer un système d'apprentissage qui prenne en
charge la construction du modèle stochastique des habitudes des usagers. Mais combien de temps
faudrait-il mettre pour que ce mécanisme puisse construire un modèle stochastique able. Cela
nous semble une méthode très dicile à appliquer concrètement dans le contexte du bâtiment.
Par contre, la méthode par intervalles nous apparaît comme une méthode appropriée pour ce
problème. Par exemple, l'incertitude sur la prédiction météorologique comme la température
extérieure Text peut être modélisée par un intervalle Text ∈ [Text , Te xt]. La modélisation d'un
service de cuisson imprévisible dont la durée est p ∈ [0, 5h, 3h] et la date d'exécution est dans
l'intervalle s(i) ∈ [18h, 22h]. De façon similaire, on peut modéliser l'incertitude de la période
d'occupation du bâtiment ou encore d'autres types de perturbations.
En résumé, dans cette section, nous avons établi une analyse pour mettre en évidence l'exis-
tence d'incertitudes dans le problème. Nous choisissons la méthode par intervalles pour modéliser
l'incertitude du fait de sa bonne adéquation à la nature du problème. La suite de ce chapitre va
présenter la méthode pour appréhender l'incertitude par la programmation multi-paramétrique.
2 Approche pour la prise en compte des incertitudes

Notre démarche de prise en compte des incertitudes consiste à adopter une procédure en trois
étapes à l'instar des problèmes d'ordonnancement présentés dans (Billaut et al., 2005a) :
• étape 0 : Cette étape consiste à dénir le problème dans lequel les paramètres de prédiction
sont xées à leur valeur la plus vraisemblable par exemple. Le chapitre 5 contribue à cette
étape.
• étape 1 : Cette étape correspond au calcul d'une famille de solutions réalisables et tenant
compte des incertitudes modélisées par des intervalles
• étape 2 : Une solution est choisie parmi celles qui ont été calculées à l'étape 1.
Notre objectif est de chercher une méthode de résolution pour l'étape 1. Nous allons nous
orienter vers une approche de résolution paramétrique pour calculer une famille de solutions qui
va être exploitée par l'étape 2.
2.1 Introduction à la programmation multi-paramétrique

Le programmation paramétrique correspond à une méthode de résolution de problème d'op-
timisation qui caractérise la solution en fonction d'un paramètre. Dans notre cas, la méthode qui
permet de caractériser la solution en fonction d'un vecteur de paramètres est considérée comme
une programmation Multi-Paramétrique (mp). La première approche de programmation pa-
ramétrique est présentée dans (Gass et Saaty, 1955) suivie de l'approche de programmation
muti-paramétrique présentée par Gal et J.Nedoma (1972). Borrelli et al. (2000); Borrelli (2002)
ont introduit une extension de la PMP pour les problèmes mixtes linéaires et les variables en
nombres entiers : une méthode de programmation géométrique. Nous utilisons la programma-
tion multi-paramétrique pour exprimer les variables à optimiser en fonction des variables des
incertitudes.
Pour faciliter la compréhension, nous commençons notre introduction par la programmation
mixte linéaire multi-paramétrique (MPL-mp). Formellement, une MPL-mp est dénie comme
suit : soit xc , l'ensemble des variables continues, et xd l'ensemble des variables discrètes à opti-
2. Approche pour la prise en compte des incertitudes 123
miser. Le critère à minimiser s'écrit :
J(xc , xd ) = Axc + Bxd (9.1)
Les contraintes à respecter sont écrite sous la forme :

 
h i xc
F G H  θ ≤W
 
(9.2)
xd
où θ est l'ensemble des paramètres incertains à prendre en compte.
Dénition 18 Un polytope est déni par l'intersection

" # d'un nombre ni de demi-espaces bor-
xc
nés. Une région admissible P est un polytope de où chaque point peut générer une solution
θ
" #
xc
admissible pour le problème (9.2). appartient à une famille de polytopes paramétrée par
θ
les valeurs de xd ∈ dom(xd ) :
   

 h i xc 

P(xd ) = (xc , θ) | F G H

 θ

 ≤ W (9.3)
 
 xd 
Dans cette famille de polytopes, on cherche les régions optimales qui sont dénies comme
suit :
Dénition 19 La région optimale est le sous-ensemble de P(xd ) dans lequel le

P ∗ (xd ) ⊆ P
problème (9.2) admet au moins une solution optimale. P ∗ (xd ) est nécessairement un polytope
car :
• un polytope est délimité par des hyperplans qui peuvent conduire à des arrêtes qui constituent
des polytopes
• un polytope est un hypervolume convexe.
La famille de région optimale de P(xd ) s'écrit :
   

 h i xc 

∗
P (xd ) = (xc , θ) | F G H ∗
 θ  ≤ W, J(xc ) = min (Axc + Bxd )
 
(9.4)
 xc 
 xd 
Cette famille d'espace P ∗ (xd ) avec xd ∈ dom(xd ) peut être décrit par une fonction optimiseur
que nous nommerons Z(xc , xd ).
Pour construire cette fonction Z , nous dénissons diérents espaces dont certains corres-
pondent aux espaces de dénition de cette fonction Z .
Dénition 20 La famille de régions admissibles pour θ est dénie par :

  

 xc 

vériant
h i
Θa (xd ) = θ | ∃xc F G H  θ ≤W
 
(9.5)
 
 xd 
Dénition 21 La famille de régions optimales pour θ est un sous-ensemble de la famille Θa (xd ) :

   

 xc 

vériant
h i
Θa (xd ) = θ | ∃x∗c
∗
F ∗
G H  θ  ≤ W, J(xc ) = min (Axc + Bxd )
 
(9.6)
 xc 
 xd 
Dénition 22 La famille de régions admissibles pour xc est dénie par :

  

 xc 

vériant
h i
Xa (xd ) = xc | ∃θ F G H  θ ≤W
 
(9.7)
 
 xd 
Dénition 23 La famille de régions optimales pour xc est un sous-ensemble de la famille

Xa (xd ) :
   

 xc 

vériant
h i
∗
Xa (xd ) = x∗c | ∃θ F G H

 θ

 ≤ W, J(x∗
c ) = min (Axc + Bxd ) (9.8)
 xc 
 xd 
Dénition 24 La fonction optimiseur représente la famille de régions optimales P ∗ (xd ) dénie

par (9.4). Elle est dénie de Xa∗ (xd ) vers Θ∗a (xd ), dénis respectivement par (9.8) et (9.6) :
Z(xc , xd ) : Xa∗ (xd ) 7→ Θ∗a (xd ) (9.9)
Dénition 25 La région critique RCm(xd) est un sous-ensemble de l'espace de P ∗(xd) dans

lequel les conditions locales d'optimalité du critère d'optimisation restent immuables, c'est-à-dire
que la fonction optimiseur Zm (xc , xd ) : Xa∗ (xd ) 7→ Θ∗a (xd ) est unique. RCm (xd ) est construite en
eectuant l'union des diérentes régions optimales P ∗ (xd ) ayant la même fonction optimiseur.
L'objectif de la programmation linéaire mixte multi-paramétrique est de caractériser les va-
riables à optimiser xc , xd et la fonction objectif en fonction de θ (voir gure 9.1). Le principe de
résolution de la programmation mixte mp est résumé par deux étapes principales :
• Première étape : chercher dans la région paramétrique de θ le plus petit ane sous-espace
de P qui contient la région optimale P ∗ (xd ). Déterminer ensuite le système de linéaire
inéqualités fonction de θ qui dénit P.
• Deuxième étape : construire l'ensemble des régions critiques : la région P est découpée en un
sous-espaces RCm (xd ) ∈ P ∗ (xd ). Dans la région critique RCm (xd ) la fonction optimiseur
Zm∗ (x , x ) reste une fonction unique. Après avoir déterminé la famille les régions critiques
c d
RCm (xd ), nous cherchons ensuite les fonctions linéaires par morceau de Zm ∗ (x , x ) qui
c d
caractérisent xc , xd en fonction de θ. Après avoir ané les régions critiques en regroupant
des RCm , on peut obtenir un nombre de façades minimales caractérisant la région critique.
2.2 Algorithme dans l'étape 1

Après l'introduction de la programmation multi-paramétrique, la suite du chapitre est consa-
crée à l'adaptation de cette méthode au problème de gestion d'énergie. Le principe d'application
de la programmation multi-paramétrique est simple (voir la gure 9.2). En s'appuyant sur les
P*(xd) décrite par

Z(x): fonction
x2 optimiseur
 *
Ax=1
Ax=0
Ax=-1,2
x1
X X*
Fig. 9.1 Illustration de la programmation multi-paramétrique
Modèle de programmation
linéaire mixe
Programmation Famille de solutions calculées
multi-paramétrique en fonction de l'incertitude
Modèle d'incertitude par
intervalle
Fig. 9.2 Principe d'application de la programmation multi-paramétrique
résultats du chapitre 5, on montre que le problème de gestion d'énergie dans le bâtiment peut
s'écrire :
J = (A1 × z + B1 × δ + D1 )
avec (9.10)
A2 z + B2 δ + C2 x ≤ C
z ∈ Z est l'ensemble des variables continues et δ ∈ ∆ est l'ensemble des variables binaires
résultant de la transformation logique présentée dans le chapitre 5. A partir de la modélisation
des incertitudes par la méthode par intervalle, on essaie d'intégrer des incertitudes qui sont
modélisées par des variables intervalles θ ∈ Θ. On suppose que les incertitudes sont bornées,
donc
θ≤θ≤θ (9.11)
La famille de solutions du problème prenant en compte l'incertitude est générée par la pro-
grammation paramétrique. Pour illustrer cette méthode, nous proposons deux exemples.
Fig. 9.3 Illustration du résultat de l'exemple 1
Exemple 1 : Considérons un service de chauage supporté par l'équipement radiateur élec-

trique ayant une puissance maximale de 1,5kW. Ta est la température de l'environnement
thermique et Tm la température de l'enveloppe du bâtiment avec pour températures initiales

Ta (0) = 22 et Tm (0) = 22 . Le modèle thermique de la pièce après discrétisation avec un
temps d'échantillonnage égal à 1h est le suivant :
      
Ta (k + 1)0, 364 0, 6055 Ta (k) " # T
ext
0, 0275 1, 1966 0, 4193 

=
  
+

 φs 

(9.12)
0, 016 0, 7 0, 2434
 
Tm (k + 1) 0, 359 0, 625 Tm (k) φr
Supposons que la fonction de satisfaction thermique est écrite sous la forme :

(Ta (k) − Topt ) (Topt − Ta (k))
U (k) = δa (k) × a1 × + (1 − δa (k)) × a2 × (9.13)
Topt − TM in TM ax − Topt

en sachant que Tmin = 20 , Tmax = 24 et Topt = 22 .
Nous prenons pour hypothèse que l'on n'a pas une estimation précise de la température exté-
rieure Text mais qu'il est possible d'armer que la température externe varie dans un intervalle :

[−5 , +5 ]. Nous avons besoin de calculer l'énergie moyenne aectée au radiateur φr (k) sur
une période de 4h pour minimiser la fonction objectif suivante :
4
!
(9.14)
X
J= U (k)
k=1
La programmation paramétrique tient compte de l'incertitude sur la température extérieure.

Nous avons réalisé une implémentation de la résolution multi-paramétrique grâce à un outil
nommé Multi Parametric Toolbox MPT (Kvasnica et al., 2006) en programmant par l'interface
du solveur YALMIP développé par Lofberg (2004). La résolution de l'exemple 1 prend 3.31
secondes en utilisant un calculateur Pentium IV 3,4GHz. Les résultats sont illustrés dans la
gure 9.3. On a obtenu l'énergie moyenne aectée au radiateur en fonction de la température

externe comme suit :
(
1, 5 Si −5 ≤ Text ≤ −0, 875
φr (1) = φr (2) = φr (3) = φr (4) = (9.15)
−0, 097 × Text + 1, 415 Si −0, 875 < Text ≤ 5
La programmation paramétrique a découpé la zone d'incertitude en deux régions critiques.

La première zone correspond à la zone de température −5 ≤ Test ≤ −0, 875. La solution optimale
consisté à mettre le radiateur au niveau maximal an d'approcher la température de consigne.
Dans la deuxième région critique de −0, 875 ≤ Test ≤ −5, l'énergie aectée au radiateur est
proportionnelle à la température extérieure. Plus la température extérieure augmente moins

d'énergie est aectée au radiateur. En fait, Text = −0, 875 est le point d'équilibre du système
où la puissance maximale générée par le radiateur peut compenser le ux thermique perdu à
travers l'enveloppe du bâtiment.
Exemple 2 Partant de l'exemple 1, on s'intéresse maintenant à des incertitudes multiples.

Dans cet exemple, on simule la perturbation induite par l'usager. On part de l'hypothèse que
dans les 3è et 4è périodes du plan d'aectation de ressource, il est probable qu'une consommation
imprévisible se produise. En conséquence, l'énergie disponible durant les périodes 3 et 4 est
comprise entre 0 et 2kWh. On ajoute une variable paramétrique Emax ∈ [0, 2] et la contrainte
suivante :
φr (3) + φr (4) ≤ Emax (9.16)
On doit maintenant calculer la solution optimale du problème en fonction des deux variables
[Text , Emax ]. Nous continuons à implémenter cet exemple avec l'outil MPT. Cette fois, le solveur
prend 5,2 seconde et donne un résultat illustré dans la gure 9.4. L'énergie moyenne aectée pour
la période 1, φr (1), est indépendante de la variable Emax : cela signie que quoiqu'il se passe sur
l'énergie disponible durant les périodes 3 et 4, la décision à la période 1 ne peut pas améliorer la
situation :
 " #
−5 ≤ Text ≤ −0, 875
Si

 1, 5


0 ≤ Emax ≤ 2

φr (1) = " # (9.17)
−0, 875 < Text ≤ 5
−0, 097 × Text + 1, 415 Si



0 ≤ Emax ≤ 2


L'énergie aectée au radiateur pour la deuxième période φr (2) est une fonction linéaire par
morceaux qui est composée de cinq régions critiques diérentes. Parmi ces 5 régions (9.18), on
observe dans trois régions que la solution optimale d'aecter au maximum l'énergie au radiateur.
En anticipant la disponibilité des ressources dans les périodes 3 et 4, le confort de l'usager est
amélioré en sur-chauant la zone thermique. Ce résultat correspond à la conclusion constatée
dans (Ha et al., 2006). Durant les périodes 3 et 4, la consommation du radiateur est moins
importante que pour les périodes 1 et 2. L'explication est que grâce à l'énergie stockée dans
l'environnement thermique, on arrive à obtenir une solution robuste malgré la perturbation sur
la ressource et la température extérieure. Pourtant, dans la région critique 5 (9.18), on observe
un cas extrême où il fait très froid dehors et il existe une grande perturbation sur la disponibilité
de la ressource. La seule solution est de mettre φr (k) à la valeur maximale mais malgré tout il y
Fig. 9.4 Les fonctions linéaires par morceaux de φr (k) en fonction de [Text , Emax ]
a une dégradation du confort de l'usager.
    

 0 1 " # −0.8750

 −1 0  T  −1.5 
Si ext
Région 1

1, 5 ≤

    
  
1 0  Emax 2



  
 0 −1



  5  

0 −1 0.875



 " #

 −0, 99 −0.065 T −1, 44
Si ext
Région 2

−0, 097 × Text + 1, 415 ≤

    
  
 1 0  Emax  2 





 0  1 5



 
0 1 " −0, 8750



 #
 1
 0 Text
 1.5 
φr (2) = −0, 097 × Text + 0.273 × Emax + 2.32 Si 
≤
 
Région 3
−1 0  Emax
  

  0 

0 −1 5



    
−1 "



 0 # 0.8750

 0, 99 0, 11 T 1.3927
Si ext
Région 4

 1, 5 ≤

    
 −1
  



 0  Emax  0 
 0 1 5



 


 0, 99 0, 065 "  
1, 44

 #
 −0, 99 −0, 11 T
Si Région 5
 ext
≤ −1.3927

1, 5

    
 

  0 1  Emax
5


0 1

(9.18)
3. Conclusion 129
2.3 Algorithme de l'étape 2

Après avoir généré la famille des solutions lors de l'étape 1, en général, dans l'étape 2, on doit
choisir eectivement une solution, c'est le rôle de l'étape 2. Sachant que la solution optimale de
l'étape 1 est une fonction linéaire par morceaux limitée par des régions critiques, la procédure de
choix d'une solution consiste maintenant à sélectionner un des fonctions linéaires par morceaux.
L'espace de recherche est donc réduit et l'algorithme de l'étape 2 demande un temps de calcul
réduit. Nous proposonsd' utiliser l'approche minimax pour trouver une solution robuste parmi
la famille des solutions. Nous introduisons un algorithme polynomial Alg.10 qui parcourt les
diérentes régions critiques pour trouver la solution qui optimise le critère :
J ∗ = (M ax(J(θ))|θ ∈ P ∗ ) (9.19)
Mettre à jour l'intervalle des incertitudes [θ, θ] ;

J ∗ : valeur optimale du critère à optimiser ;
J ∗ ← +∞ ;
Pour (m = 1; m ≤ M ; m + +) faire
Chercher θm pour que Jm = Min(Max(J(θ))|θ ∈ RCm ;
Si ((J ∗ < Jm ))) Alors
∗ (θ )
x = Zm m
Fin Si
Fin Pour
Appliquer x au système
Alg. 10: Algorithme de l'étape 2 : trouver une solution la plus robuste dans la famille de
solutions calculées
3 Conclusion
Nous avons proposé une approche qui permet de prendre en compte des incertitudes sous
forme d'intervalles dans les prédictions et la modélisation de la résolution du problème d'op-
timisation de la couche d'anticipation. Il s'agit d'une adaptation de la programmation multi-
paramétrique. Elle permet de calculer des solutions robustes aux incertitudes qui ont pu être
modélisées. Les résultats obtenus sont intéressants mais certains points demeurent délicats. Il
reste dicile d'appréhender un grand nombre d'incertitudes du fait de la complexité induite. De
surcroît, les problèmes posés doivent être anes en les variables et les incertitudes. Les diérents
résultats obtenus ont été validés sur diérents types d'applications.
Quatrième partie
Applications
133
Je sais pourquoi tant de gens aiment couper du bois. C'est une activité où l'on voit tout de
suite le résultat.
Albert Einstein
Chapitre 10
Gestion des ux électriques dans un

bâtiment photovoltaïque
Ce chapitre se concentre sur une application de gestion de l'énergie dans l'habitat conçue dans
le cadre du projet industriel ANR Multisol. Ce projet est né d'une collaboration entre diérents
partenaires : l'INES/CEA, Schneider Electric, le laboratoire G2ELab, le laboratoire G-SCOP
et l'entreprise Armines. Ce projet vise à la mise en place d'un système de gestion d'énergie
dans le bâtiment pour optimiser l'utilisation de l'énergie solaire produite par des panneaux
photovoltaïques. En tant que partenaire de ce projet, nous transférons une partie des travaux
de recherche présentés dans ce mémoire pour proposer des algorithmes qui vont être intégrés
au module de pilotage réactif et prédictif de Multisol. L'application présentée dans ce chapitre
correspond à une simulation sur un cas d'étude choisi pour valider, dans un premier temps, nos
résultats de recherche.
1 Présentation du projet Multisol

Le projet ANR Multisol s'intéresse aux bâtiments photovoltaïques raccordées au réseau (Ba-
cha et Chatroux, 2006) avec une vision moyen terme où les tarifs de rachat de l'électricité produite
par des panneaux photovoltaïques est favorable. Le projet adopte aussi une vision à moyen terme
où les tarifs de rachat peuvent êtres revus à la baisse ou encore disparaître. A cet eet, le bâtiment
aura peu d'intérêt à réinjecter l'énergie produite, mais devra plutôt la consommer localement de
manière intelligente en favorisant certaines charges au détriment d'autres en cas de manque ou
valoriser l'énergie produite en la partageant avec d'autres bâtiments ou avec le réseau quand il
y a surplus.
Le consortium constitué autour de ce projet réunit des compétences complémentaires : électro-
technique, solaire photovoltaïque, supervision et contrôle-commande. Pour conforter l'ensemble,
ce projet s'appuie sur les moyens techniques des démonstrateurs de l'Institut National de l'énergie
Solaire (INES/CEA).
1.1 Architecture matérielle

Aujourd'hui, lorsque l'on modie une installation pour y ajouter un générateur photovol-
taïque, l'onduleur peut être raccordé sur une des sorties disponibles du coret de distribution. Il
136 Chapitre 10. Gestion des ux électriques dans un bâtiment photovoltaïque
Le group Panneau éolien

électrogène solaire Stockage
Le réseau
Prédiction
= =
= = (météo, marché)
Armoire AC\DC
Prédiction du météo
générale =
~
~ prix de l'énergie
de production Puissances, Consignes
électrique
Module de gestion de production

Module de pilotage
Affectation de ressource
Module de gestion de charge
Armoire
générale Interface
de distribution Homme-Machine
électrique
Flux d'information
Flux d'électrique AC
Flux d'électrique DC
Fig. 10.1 Architecture matérielle de Multisol
existe dès lors une possibilité de rencontrer des courants qui remontent vers le réseau de distribu-
tion ce qui va à l'inverse des habitudes de câblage actuelles. Cet aspect perturbe non seulement
les électriciens qui doivent reprendre leurs méthodes de calcul qui n'étaient pas prévues pour trai-
ter ce type de conguration mais aussi et surtout les contrôleurs chargés d'attester la conformité
électrique des installations.
D'un autre côté, en passant à une production multi-sources, le schéma à un seul bâtiment
s'avère compliqué, peu évolutif voire dangereux et donc coûteux en travaux d'études et de réa-
lisation. En conséquence, le système de raccordement électrique entre bâtiment et réseau doit
avoir une architecture matérielle appropriée.
L'idée proposée par le G2ELAB est de séparer les composants liés à la production électrique
dans un coret ou un boîtier séparé dit de "Production" qui alimentera une armoire de distri-
bution plus traditionnelle. Le réseau, les groupes électrogènes et autres sources complémentaires
apparaissent alors comme des générateurs d'appoint du solaire. En sortie de cet ensemble, un
module de gestion doit permettre le pilotage et le couplage de ces sources en fonction des charges.
Les sources DC disposent de convertisseurs DC/AC réglés pour optimiser le point de fonction-
nement du générateur tout en respectant les contraintes de tension imposées par les onduleurs.
Nous tenons compte de l'aspect redondant de l'onduleur notamment pour renforcer la sécurité
de l'application. Le boîtier de production d'énergie dispose également d'un système de connexion
qui permet de mesurer l'énergie propre revendue au réseau et l'énergie importée du réseau. Le
système de gestion des charges dans le bâtiment peut être situé dans une armoire traditionnelle
(voir la gure 10.1) qui permet de placer le système de contrôle-commande au plus près des
lignes.
Concernant l'architecture matérielle du système de pilotage, plusieurs solutions sont propo-
sées. Un module communiquant peut être intégré dans une prise électrique intelligente, qui intègre
une interface de communication entre l'équipement et le système de pilotage. Cette interface de
1. Présentation du projet Multisol 137
équipement
équipement
cœur cœur
cœur cœur
interface
interface
communication
communication
Communication inter-composants
Fig. 10.2 Architecture du composant logiciel du Multisol
communication permet de récupérer d'une part les informations disponibles sur l'équipement
correspondant et d'autre part d'exécuter la commande envoyée par le module de pilotage. Cette
architecture est modulaire avec des interfaces standardisées permettant l'interchangeabilité et
l'évolutivité des composants du système.
L'avantage de cette architecture est qu'elle est adaptée au contexte actuel dans lequel les
logements anciens représentent 66% de la totalité des logements en France avec un taux de
renouvellement de l'habitat de l'ordre de 1% par an. Dans les bâtiments neufs aujourd'hui, la
réglementation exige un câble par équipement. Dans ce contexte, le module de pilotage peut être
situé au niveau du tableau électrique. De plus, dans un contexte plus futuriste, on peut imaginer
que les fabricants de gros équipements (chauage, cuisson, éclairage, électro ménager...) intègrent
directement un module communiquant de contrôle-commande dans leurs systèmes de commande
locale existants. Bien entendu, des solutions mixtes avec des modules de contrôle/ commande
dans des prises intelligentes, au tableau électrique et dans les systèmes de commande locale
existant peuvent être conçues. La distribution géographique du système de contrôle/commande
n'a pas d'impact sur les algorithmes utilisés. Néanmoins, l'architecture logicielle de l'application
doit s'y prêter.
1.2 Architecture logicielle

Nous proposons une architecture logicielle du système composée de diérents composants
logiciels. Les composants logiciels ont été dénis pour conduire à des macros composants stan-
dard structurés en couche (gure 10.2). Les interfaces de communication des composants sont
identiques, les interfaces et les messages échangés entre les composants sont standardisés.
Architecture de pilotage Nous reprenons l'architecture de pilotage introduite dans le cha-

pitre 6 de ce mémoire, composée de trois couches de commande. La couche d'anticipation est
chargée de prévoir la demande en énergie et les capacités de production. Elle détermine un plan
d'aectation de la ressource énergie en coordonnant la consommation et la production. La couche
réactive ajuste le plan calculé en absorbant des incertitudes de prédiction et les perturbations.
Le solveur est un organe qui est chargé d'eectuer les calculs d'optimisation du système. Il
optimise la gestion des ux d'énergie dans l'habitat. Le fonctionnement du solveur est périodique,
il peut aussi être déclenché par un service si le plan doit être remis en cause ou par une nouvelle
prédiction météorologique ou encore une nouvelle programmation d'équipement. Pour réaliser
les optimisations, les informations suivantes sont nécessaires :
• Chaque variable et ses caractéristiques
Est-elle partagée ? (globale ou locale à l'équipement)
Est-elle constante ? (Cherche-t-on a déterminer la valeur optimale de cette variable ou
est-ce une donnée du problème ?)
Quel est son domaine de valeurs ? (binaire/entier/continu)
• La contribution à la fonction objectif (on minimise la somme de ces contributions)
• Un ensemble de contraintes sur ces variables
Pour pouvoir récupérer l'ensemble de ces informations avant chaque nouvelle optimisation, il
est nécessaire de dénir un protocole. Chaque composant utilisant le solveur devra s'enregistrer
auprès du solveur selon un pattern de type " observer ", le solveur interrogera ensuite l'ensemble
des macro-composants correspondants à des services enregistrés avant chaque optimisation.
Le module de pilotage est chargé de coordonner les charges avec les sources d'énergie. Chaque
macro-composant de service doit être capable d'anticiper l'évolution de la consommation ou de la
ressource disponible. A travers l'interface de communication, le module de pilotage va récupérer
les modèles de diérents services. Le plan d'aectation de la ressource est calculé par l'algo-
rithme prédictif. Pour valoriser les résultats de recherche, nous sommes en train d'implémenter
les mécanismes de pilotage qui sont présentés dans le chapitre 6 pour le projet Multisol.
Interface Homme-Machine Le système de gestion d'énergie est muni d'une Interface

Homme-Machine permettant les ajustements de paramètres de confort, la renégociation avec
l'usager en cas d'échec du calcul du plan d'aectation et la restitution d'un tableau de bord inci-
tatif à la réduction de la consommation. Cette interface joue le rôle de récupération des consignes
de l'utilisateur sur la pré-programmation, par exemple la période d'occupation du bâtiment et
les températures de consigne. Le suivi de la consommation doit également apparaître sur cette
interface graphique.
Macro-Composant de prévision Ces modules sont utilisés par les services pour acquérir
des informations depuis l'extérieur (et donc, principalement pour construire les contraintes pour
le solveur) via Internet ou le réseau GSM pour la communication avec l'utilisateur par exemple.
Les informations collectées sont diverses :
• Météo
• Coût de l'énergie
• Comportement de l'utilisateur
2 Cas d'étude
Dans le cadre de Multisol, an de valider les résultats préliminaires de notre projet, on choisit
un cas d'étude représentatif d'un habitat usuel. Il s'agit d'un appartement d'une surface habitable
de 109.25 m2 , composé de 4 chambres, un salon, une cuisine, une salle de bain et un garage (voir
2. Cas d'étude 139
30°
11,25 / 2
11,25 2,00
Fig. 10.3 Le plan de l'appartement cible
Nom Puissance max Pilotable Modélisé comme

chauage 7kW Oui Service permanent
chaue-eau 1.5kW(150 litres) Oui Service temporisé préemptible
machine à laver 2,1kW Oui Service temporisé non-préemptible
lave linge 1,6kW Oui Service temporisé non-préemptible
table de cuisson 2×1,5kW+2×1kW Oui Service temporisé non-préemptible
réfrigérateur 0,12kW Oui Service permanent
congélateur 0,21kW Oui Service permanent
télévision 0,6kW Non
éclairage 1,2kW Non
Tab. 10.1 Liste des équipements disponible dans la maison
le plan de l'appartement cible dans la gure 10.3). Les services disponibles dans la maison sont
donnée par le tableau 10.1.
2.1 Services disponibles dans l'appartement cible

Pour illustrer les résultats de l'optimisation des ux électriques dans le bâtiment, on a choisi
un appartement dans lequel la plupart des services sont alimentés par de l'énergie électrique.
Les services disponibles dans l'appartement sont présentés dans le tableau 10.1. Le mécanisme
de pilotage doit eectuer un plan d'aectation des ressources d'énergie 24h à l'avance, le temps
de discrétisation est ∆a = 1h.
2.1.1 Service de chauage

Le service de chauage est assuré par 4 radiateurs électriques de 1kW, un dans chaque
chambre, un radiateur de 2kW pour le salon. Dans la salle de bain, on considère qu'un radiateur
souant est utilisé lorsque l'usager entre dans la salle de bain. Le modèle thermique d'une pièce
est donné par le modèle à deux constantes de temps présenté dans le chapitre 4 :
  
−1 1

dTa     
   T 0 0 0 Text

dt  r i Ce r i Ce  a
(10.1)
  
 =   +
  
1 1 W   φr 
 
 
 dT   1 1 1

Tm φs
m   ra Ci Ci Ci
− −
dt ri Ci ra Ci ri Ci
Avec
• Tm la température de l'enveloppe de la pièce
• Ta la température ambiante de la pièce
• Text la température extérieure
• φr le ux thermique généré par le radiateur
• φs le ux énergétique apporté par le rayonnement solaire
• Ce la capacité thermique de l'enveloppe de la pièce
• Ci la capacité thermique du volume d'air dans la pièce
• ri ,ra les résistances thermiques
• W la supercie de la fenêtre
Srv(1), Srv(2), Srv(3), Srv(4) correspondent aux services de chauages de 4 chambres,
Srv(5) correspond au service chauage de salon. La sensation thermique est modélisée par le
système d'inéquations mixtes introduites dans le chapitre 5, la température optimale choisie est

de Topt = 20 , Tmin = 18 , Tmax = 22 . En sachant que l'appartement est occupé durant
deux périodes de la journée : la première période est [0h, 8h] et la seconde période est entre
[17h, 24h]. Le critère de confort thermique est pris en compte lorsque le bâtiment est occupé.
Cela permet de réduire signicativement le nombre de variables binaires qu'il faut ajouter. Nous
ajoutons donc 15 variables binaires δ(i, k) par service de chauage qui permettent de décrire la
sensation thermique dans une période k sous la forme :
|P M V (Ta (i, k))| = δa (i, k) × 0, 5(Ta (i, k) − Topt ) + (1 − δa (i, k)) × 0, 5(Topt − Ta (i, k))
∀i ∈ {1, ..., 5}, k ∈ {0, ..., 18, 17, ..., 24}
= F1 δa (i, k) + F2 Ta (i, k) + F3 Ta (i, k) × δa (i, k) + F4
∀i ∈ {1, ..., 5}, k ∈ {0, ..., 18, 17, ..., 24}
= F1 δa (i, k) + F2 Ta (i, k) + F3 za (i, k) + F4
∀i ∈ {1, ..., 5}, k ∈ {0, ..., 18, 17, ..., 24}
(10.2)
La variable semi-continue za (i, k) est utilisée pour za (i, k) , Ta (i, k) × δa (i, k). Le critère de
satisfaction du service de chauage est écrit sous la forme
K
|P M V (Ta (i, k))|
(10.3)
X
U (i) = ∀i ∈ [1, ..., 5]
24
k=1
2.1.2 L'eau chaude sanitaire

L'eau chaude sanitaire est fournie par le chaue-eau qui a une puissance maximale de 1,5kW.
Le besoin en eau chaude est estimé selon le tableau 2.2 au chapitre 2. Supposons que l'apparte-
ment est équipé d'un évier, d'un lavabo et une petite baignoire. Le besoin en eau chaude dans
2. Cas d'étude 141
une journée est :

Ee = 2, 0 + 1, 3 × N = 2, 0 + 1, 3 × 5 = 8, 5kW h (10.4)
Nous faisons l'hypothèse que la consommation du service de chaue-eau peut être découpée en
respectant la contrainte d'accumulation susante pour couvrir à tout moment le besoin en eau
chaude de la journée. Le service en eau chaude est donc modélisé par un service préemptible qui
a un horizon temporel couvrant toute la journée :
K
(10.5)
X
E(6, k) = Ee
k=1
La contrainte sur la puissance consommée maximale de chaue-eau est :
E(6, k) ≤ 1500∀k ∈ [1, ...24] (10.6)
2.1.3 Service de lave-linge

Le service de lave-linge Srv(7) assuré par la machine à laver est modélisé comme un service
temporisé. En eet, selon Liu et al. (2005). La modélisation du comportement énergétique de la
machine à laver est composée de trois phases : le phase chauage de l'eau, la phase de lavage et
la phase d'essorage. On considère que la machine à laver a été programmée avec un cycle à 90 .
La puissance consommée dans la phase de chauage est de 92% de l'énergie totale consommée,
4% pour la phase de lavage et 4% pour la phase de l'essorage. La puissance consommée maximale
dans la phase de chauage est xée à 98% de la puissance maximale (donnée par la notice d'un
composant constructeur) et durant 1h.
Le modèle comportemental du service du lave-linge est nalement modélisé par un automate
à état en trois états diérents. Un état de l'automate correspond à un sous-service temporisé
Svr(7, j), j ∈ [1, 2, 3]. Nous considérons que le service de lave-linge est un service non-préemptif.
En conséquence, le fonctionnement des trois phases doit s'enchaîner. Cela est modélisé par les
contraintes suivantes :
s(7, 2) = f (7, 1)
(10.7)
s(7, 3) = f (7, 2)
La demande du service du lave-ligne est dénie par diérents paramètres. Le service doit se
terminer dans la fenêtre de temps [9h, 16h], la date de n souhaitée de l'usager est 10h. On
ajoute une variable binaire δu (7) qui est chargée de distinguer le retard ou l'avance du service de
lavage. En sachant que le critère de satisfaction du service ne dépend que de la date de n du
service de lave-linge :
f (7, 3) − fopt (i)
U (i) = δu (7) × (fopt (7) − f (7, 3)) + (1 − δu (7)) (10.8)
6
Pour compléter cette transformation, nous devons ajouter une variable semi-continue
zu (7) , f (7, 3) × δu (7). La transformation équivalente de zu (7) se trouve dans le chapitre 5.
La formulation mathématique de chaque sous-service temporisé Srv(7, j) est expliqué dans
le chapitre 5. Considérons le sous-service Srv(7, 1) en guise d'illustration :
s(7, 1) ∈ [fmin (7) − d(7, 3) − d(7, 1), fmax (7) − d(7, 3) − d(7, 1)] = [7, 5h, 14, 5h] (10.9)
f (7, 1) ∈ [8, 5h, 15, 5h] (10.10)

avec d(i, j) la durée du sous-service Srv(i, j).

La transformation liée à la période temporelle ∆a = 1h nécessite d'ajouter les variables
binaires [δt1 (i, j, k)] ↔ [f (7, 1) ≤ k∆a ]. [δt2 (i, j, k)] ↔ [f (7, 1) ≤ k∆a ]. Le nombre de variables
δt1 (i, j, k) et δt2 (i, j, k) est égal à 14. L'énergie moyenne consommée dans la phase 1 s'écrit sous
la forme :
(
E 0 (7, j, k) = Pmax (7) (Min[f (7, j), (k + 1)∆] − Max[s(7, j), k∆)] Si E 0 (i, j, k) > 0
E(7, j, k) =
0 Si E 0 (7, j, k) ≤ 0
(10.11)
Finalement, la formulation est complétée par la transformation de (10.11) en forme mixte
linéaire en ajoutant la variable binaire [δt3 (i, j, k)] ↔ [E 0 (7, j, k) ≤ 0]. Le nombre de variables
binaires δt3 (i, j, k) est égal au nombre de périodes d'anticipation durant lesquelles E 0 (7, j, k)
peuvent être positives. Ainsi, la période active de Srv(7, 1) est [smin (7, 1), fmax (7, 1)], le nombre
de variables δt3 (i, j, k) est de 8 variables :
E(7, j, k) = (1 − δt3 (i, j, k))E 0 (7, j, k) (10.12)
La consommation du service Srv(i) est la somme de la consommation de tous ses sous-services

en utilisant au total 69 variables binaires :
3
(10.13)
X
E(7, k) = E(7, j, k)∀k ∈ [1, ..., K]
j=1
2.1.4 Service du lave vaisselle

Le service du lave-vaisselle Srv(8) est modélisé de la même manière que le service de lave-linge
Srv(7). Le fonctionnement composé de trois phases diérentes :
• selon le rapport Ciel (Sidler, 2002b), la phase de chauage de l'eau absorbe 70% l'énergie
totale consommée.
• 30% de l'énergie est utilisée pour le lavage à l'eau froide
• la campagne de mesure de Ciel (Sidler, 2002a) a montré que la consommation d'un lave-
vaisselle est de l'ordre de 1,93 kWh durant 90 minutes.
La modélisation de la consommation de lave vaisselle est illustrée par la gure 10.4. La formu-
lation du service de lave-vaisselle se base sur un automate à l'état à trois états, chaque état
correspondant à un service temporisé.
2.1.5 Les sources d'énergie électrique

Le fournisseur d'énergie On fait l'hypothèse que la maison bénécie d'un abonnement sous-
crit de 6kW avec l'option heures creuses et heures pleines. Ce service de source permanente est
noté Srv(9). La contrainte de capacité de source est écrite sous la forme :
E(9, k) ≤ 6∀k ∈ [1, ..., K] (10.14)
Le coût d'achat de l'énergie électrique est C(9, k), égal à 0,0654 e durant la période creuse
([2h, 7h] et [12h, 15h]) et 0,1074 e durant la période pleine
2. Cas d'étude 143
2,4kW
0,5kW
0,08kW
1h 1,3h 0,2h
Modélisation du service de lavage
2,9kW
0,5kW
0,08h 1,14h 0,28h

Modélisation du service du lave ligne
Fig. 10.4 Modélisation de la consommation d'énergie électrique du service de lavage et le lave

vaisselle
Les panneaux solaires Sur le toit de la maison et sur le garage on dispose d'une surface de
147,47 m2 . On peut mettre un système des panneaux photovoltaïques de 100 m2 . La puissance
générée correspond à 10% de l'énergie solaire rayonnée. Ce service est considéré comme un service
de source locale intermittente noté Srv(10).
Le service de vente d'énergie au réseau Comme dans le chapitre précédent, l'énergie

produite par les panneaux solaires peut être réinjectée sur le réseau lorsque la consommation est
moindre que la production locale. L'utilisateur peut choisir un raccordement en mode parallèle
qui permet de revendre la totalité de l'énergie produite au réseau et importer de l'électricité du
réseau pour la consommation locale.
Nous étudions deux stratégies d'utilisation de la ressource d'énergie produite par les panneaux
photovoltaïques. Dans le premier, on cherche un moyen ecace d'utiliser l'énergie produite lo-
calement. L'équilibrage entre la consommation et la production est écrit sous la forme :
E(10, k) + E(9, k) = E(8, k) + E(7, k) + E(6, k) + E(5, k) + E(4, k) + E(3, k) + E(2, k) + E(1, k)
∀k ∈ [1, ..., K]
(10.15)
Dans la deuxième simulation, l'habitat revend l'énergie électrique produite par les panneaux
photovoltaïques au réseau avec le prix favorable de 0, 3e/kW h. Dans ce cas, l'équation d'équili-
brage de la production et de la consommation avec E ex (k) est l'énergie vendue au réseau durant
la période k :
E(9, k) = E(8, k) + E(7, k) + E(6, k) + E(5, k) + E(4, k) + E(3, k) + E(2, k) + E(1, k)
∀k ∈ [1, ..., K]
Eex (k) = E(10, k)
∀k ∈ [1, ..., K]
(10.16)
2.1.6 Critères d'optimisation et modes de fonctionnement

Dans ce cas d'étude, nous tenons compte des critères d'optimisation suivants :
Critère de confort de l'usager : Ce critère mesure l'impact de la solution par rapport la

satisfaction de l'usager :
J1 = U (1) + U (2) + U (3) + U (4) + U (5) + U (6) + U (7) (10.17)
Critère économique : Ce critère reète le coût du plan d'aectation des ressources énergé-
tiques qui est principalement déterminé par le coût de production de l'énergie :
K
(10.18)
X
J2 = (C(9, k)E(9, k) − 0.3Eex (k))
k=1
Critère écologique : L'électricité issue du réseau donne en France une émission τCO2 (9, k) de
66g/kW h de CO2 dans l'atmosphère en période creuse et 383g/kW h dans période pleine :
K
(10.19)
X
J3 = E(9, k)τCO2 (9, k)
k=1
Parmi les fonctionnalités de Multisol, l'usager peut congurer dynamiquement son système de
gestion d'énergie selon plusieurs modes diérents en fonction de ses besoins :
• Mode confort : c'est le mode où le critère de confort est favorisé. Ce mode est souvent
choisi durant la période d'occupation du bâtiment. Il s'agit de mettre en priorité le confort
de l'usager par rapport au critère économique et écologique
• Mode économique : dans ce mode, le critère sur le coût est favorisé. Le système de ges-
tion d'énergie va chercher à décaler la consommation en période creuse et à réduire la
consommation de certains services pour atteindre cet objectif.
• Mode écologique : ce mode vise à favoriser la réduction d'émissions du gaz carbonique du
bâtiment. L'émission de gaz à eet de serre est calculée en fonction de ce critère. Le critère
écologique est préféré dans ce mode tout en maintenant le critère de confort de l'usager à
un bon niveau.
2.2 Résultats
2.2.1 Stratégie 1 : Consommation locale de l'énergie solaire produite
Dans ce scénario, on examine le cas où le prix de revente de l'énergie produite par les panneaux
photovoltaïques n'est pas favorable. On préfère la consommer localement. Pour la première simu-
lation, le mode confort est choisi. Le problème est décrit grâce à la formulation générale présentée
2. Cas d'étude 145
dans la chapitre 5. Ce problème est un problème d'optimisation de grande taille qui contient 2212
variables et 2108 contraintes. Le nombre de variables binaires est de 190. La procédure d'opti-
misation implémentée est le recuit simulé hybride abordé dans le chapitre 7. Le temps de calcul
est xé à un maximum de 3 minutes.
Au bout de trois minutes, on obtient une solution approchée ayant un critère d'optimisation
de 3% supérieur à la borne inférieure. Le résultat est illustré dans la gure 10.5. Le critère de
coût de la consommation obtenue est de 4,37e et le critère d'agrégation du confort de tous les
services est de 9,5833e-004. La valeur du critère écologique est de 6,037 g d'émission du C02.
L'utilisateur obtient alors un niveau de confort maximal dans ce mode de fonctionnement. Mais
le critère de coût n'est pas négligé. Dans la gure 10.5, on constate que le système favorise la
consommation des charges durant la période creuse en protant du prix de l'électricité le moins
cher. L'énergie électrique est alors accumulée sous forme d'énergie thermique dans l'enveloppe
du bâtiment et dans l'air. En conséquence, la consommation des services de chauage est réduite
considérablement en soirée. On observe également que la date de n des services temporisés
non-préemptibles correspond parfaitement à la date de n souhaitée. Le chaue-eau est alimenté
en partie par l'électricité du réseau et en partie complété par l'énergie électrique provenant des
panneaux solaires.
Passons maintenant à l'implémentation du mode économique qui favorise la réduction de la
facture électrique en gardant le confort à un bon niveau. Une solution optimale est obtenue par
le recuit simulé hybride (voir la gure 10.6). La valeur du critère de coût est quasiment divisé par
deux : 2,167e. Néanmoins, le critère de confort s'est dégradé : il est égal à 0.126. La dégradation
du confort se traduit par une diminution de la température dans les environnements thermiques.

Cependant, cette dégradation reste acceptable (19,5 ) par rapport à la température consigne

qui est de 20 . On observe également un léger décalage du service de lavage par rapport à sa date
de n souhaitée pour proter de l'énergie gratuite produite par les panneaux photovoltaïques.
Deux simulations sont présentées, nous voulons montrer que grâce au système de gestion
d'énergie, l'usager peut contrôler la consommation de son habitat en fonction de ses besoins.
Diérent scénarios peuvent être imaginés, l'utilisateur peut imposer la contrainte nancière au
système et le système est chargé de trouver une solution minimisant le critère de confort . Le
critère écologique permet à l'usager d'avoir conscience de ses émissions de gaz carbonique.
2.2.2 Stratégie 2 : revente de l'énergie produite
On choisit de vendre la totalité de l'énergie au réseau. Les consommations des services dans
l'habitat sont assurées par l'énergie vendue par le fournisseur d'énergie. On obtient une solution
optimale par la recherche tabou hybride. Le critère économique est de 1,97 e dans le mode
de confort. Cela signie qu'avec la tarication actuelle, la seconde stratégie permet à confort
égal, de réduire le critère de coût de 45% par rapport à la stratégie de consommation locale de
l'énergie produite. Néanmoins, au niveau du critère écologique, l'émission de CO2 est de 7,33 g
soit une augmentation de +20% par rapport à la stratégie de consommation locale de l'énergie
produite. En conséquence, l'usager eectue un plan d'aectation des ressources beaucoup moins
écologique.
Fig. 10.5 Résultats d'aectation des ressources d'énergie dans le mode de confort avec la
stratégie de consommation locale de l'énergie produite
3 Conclusion
Le projet ANR Multisol nous a permis de montrer l'intérêt industriel des méthodes de ges-
tion de l'énergie dans l'habitat que nous avons développées. En eet, nous avons pu adapter
nos solutions à des bâtiments photovoltaïques raccordés au réseau en intégrant la problématique
de revente d'énergie solaire sur le réseau et en montrant qu'il était possible d'optimiser la pro-
duction d'énergie locale. Nous avons eu l'occasion d'appréhender les diérentes problématiques
liées à l'implémentation d'un système de gestion de l'énergie dans le bâtiment concernant tant
l'architecture matérielle que l'architecture logicielle. Le projet s'achèvera, dans une année, par
une implémentation réelle dans un véritable appartement.
3. Conclusion 147
Fig. 10.6 Résultats d'aectation des ressources d'énergie dans le mode économique avec la
stratégie de consommation locale de l'énergie produite
Fig. 10.7 Résultats du plan d'aectation des ressources d'énergie électrique dans le mode en
vendant l'énergie produite au réseau
Chapitre 11
Prévention des blackouts grâce au

système de gestion d'énergie
1 Introduction
Ce chapitre est consacré à une application du système de gestion d'énergie pour le bâtiment
dans le contexte de l'exploitation des réseaux électriques. L'objectif de cette application est de
montrer l'intérêt du système de gestion de l'énergie dans le bâtiment pour le fournisseur d'éner-
gie dans le problème de conduite et d'exploitation du réseau électrique. En eet, les bâtiments
peuvent maintenant rendre des services dit "systèmes" au fournisseur grâce au système de ges-
tion d'énergie. Nous pouvons donc envisager une nouvelle méthode d'exploitation du réseau en
intégrant des ux d'information entre les fournisseurs d'énergie et les consommateurs. Un méca-
nisme de gestion des ux électriques composé de la coordination du système de production, du
réseau de transport jusqu'au niveau le plus bas du réseau, le système gestion d'énergie dans le
bâtiment, peut être imaginé.
La menace du blackout Face à l'augmentation de la consommation, le système de production

et de distribution d'électricité révèle certaines vulnérabilités. La terme blackout désigne une
coupure d'électricité à large échelle concernant plusieurs régions voire la totalité d'un pays.
Lorsqu'un blackout à grande échelle se produit, il peut causer des dommages économiques et
sociaux énormes. Par exemple, l'immense blackout qui s'est produit le 28 août 2003 a conduit
à un dommage économique approximatif de 7 à 10 milliards de dollars et a laissé 50 millions
d'Américains sans électricité plusieurs jours (PSOTF, 2004). Son origine provenait de la station
électrique de Parma dans l'Ohio, où l'entreprise FirstEnergy avait oublié d'ébrancher des arbres,
causant une longue panne en cascade en période de forte consommation. L'analyse de 37 blackouts
dans le monde (Lu et al., 2006a,b) a mis en évidence certains points communs entre les incidents
de blackout : un blackout commence toujours sous certaines pré-conditions, par la propagation
en cascade d'événements de déclenchement de protection conduisant à la coupure d'électricité
dans une grande région.
Lu et al. (2006a) a proposé également une façon ecace de prévenir les blackouts en stoppant
les eets de surcharge en cascade an d'éviter la propagation. Dans les situations critiques où il
existe une surcharge, un cour-circuit, ou le réseau est incapable de transporter l'énergie demandée
par les consommateurs. Dans ce cas, on recourt au délestage d'une partie des charges les moins
150 Chapitre 11. Prévention des blackouts grâce au système de gestion d'énergie
Fig. 11.1 Principe du mécanisme de prévention des blackouts en utilisant Home Automation
System
importantes pour parvenir à un équilibre entre production et consommation. Mais c'est une
solution radicale car la coupure brutale ne prend pas en compte le confort du consommateur et
ne permet aucune souplesse quant à son utilisation. Une solution de compromis est l'aectation
dynamique de l'énergie électrique qui vise à réduire la consommation des usagers.
Parallèlement au projet Multisol, nous nous sommes intéressés à l'impact de nos travaux
de recherche sur la prévention des blackouts. La coopération avec le laboratoire G2ELab nous
a permis d'une part de recevoir des avis d'experts, d'autre part de situer notre problème par
rapport à l'ensemble de la thématique de conduite et d'exploitation des réseaux électriques.
Durant la première étape de cette coopération, nous avons cherché à apporter un élément de
réponse au problème de prévention des blackouts par un mécanisme de délestage intelligent.
La solution apportée n'est pas une méthode de délestage radicale comme la méthode qui est
appliquée aujourd'hui mais un mécanisme prenant en compte le confort de l'utilisateur. Dans le
cas où un incident se produit dans le réseau de transport, le système demande une réduction de
la consommation aux usagers. Ce message urgent se propage à travers le réseau d'information. Le
système de gestion d'énergie va alors chercher à réduire la consommation des services les moins
prioritaires dans le bâtiment en gardant un bon niveau de confort pour l'usager.
2 Mise en place d'un système de pilotage

2.1 Principe du mécanisme de prévention des blackouts
Selon une analyse de 37 incidents de blackouts dans le monde réalisée par (Lu et al., 2006a),
les blackouts se produisent en général dans les réseaux de transport et on peut retenir certaines
caractéristiques communes à ces incidents qui sont considérés comme les plus redoutables dans
2. Mise en place d'un système de pilotage 151
événement initial état final

Évennements en cascade
Pré-condition Restauration
Progession régulière Cascade rapide
Fig. 11.2 Les phases de blackout dans le cas général (Lu et al., 2006a)
le problème de conduite et d'exploitation du réseau :

• Le blackout se compose en général de 5 phases diérentes (voir la gure 11.1). Tous les
blackout commencent avec certaines pré-conditions, ensuite ils entrent dans la phase de
propagation et de cascade et nissent par la phase de restauration (voir la gure 11.2).
Certains incidents de blackout n'ont pas de phase de propagation régulière mais entrent
tout de suite dans la phase de cascade rapide.
• 60% des cas de blackout ont commencé par une chute de tension et 70% des cas sont
initialisés par une surcharge en cascade.
• 30% des cas se produisent dans la période de pic en hiver, et 35% dans la période de pic en
été. Seulement 35% des blackouts se produisent dans des conditions normales du réseau.
L'inquiétude que fait peser la menace d'incidents de type blackout dans le contexte de libéra-
lisation du marché de l'énergie est très grande. Il est nécessaire de mettre en place un système de
prévention des blackouts. Ce mécanisme doit privilégier tout d'abord l'étude des pré-conditions
conduisant souvent à la phase des événements en cascade. A travers l'analyse de Lu et al. (2006a),
on peut constater qu'il y a une grande probabilité qu'un blackout se produise lorsque la produc-
tion ne peut pas suivre la consommation dans des conditions diciles du réseau (une période de
pic de consommation et des conditions météorologiques extrêmes). Dans le cadre de la coopéra-
tion avec le laboratoire G2ELab, nous avons déni un mécanisme de prévention des blackouts
composé de deux phases principales (voir illustration dans la gure 11.1) :
1. Étape de détection D'abord, lorsque les pré-conditions du blackout sont détectées, le

gestionnaire du réseau doit réagir pour ramener le réseau dans son état de fonctionnement
normal. Le gestionnaire du réseau de transport établit un délestage optimal qui consiste
à déterminer la limite maximale de puissance consommée dans chaque n÷ud au réseau
de transport. Ce mécanisme permet au réseau de retrouver des conditions normales. Ces
travaux sont réalisés par le laboratoire G2ELab.
2. Étape de délestage Ensuite, grâce au système de communication entre le Gestionnaire

du Réseau de Distribution (GRD) et le système de gestion d'énergie dans le bâtiment,
le GRD impose dynamiquement une contrainte de puissance maximale consommée par
chaque consommateur dans le réseau de distribution. Ce mécanisme permet de coordonner
les activités énergétiques des diérents consommateurs pour arriver à respecter la contrainte
imposée par le délestage optimal déterminé. Au niveau du bâtiment, grâce au système de
gestion d'énergie, on arrive à obtenir une solution permettant une dégradation maîtrisée du
confort de l'usager en suivant les contraintes imposées par le GRD. Ces travaux s'appuient
sur nos résultats et vont être précisés dans la suite de ce chapitre.
2.2 Mécanisme de pilotage multi-échelle

Dans le problème de prévention des blackouts, la plus grande diculté est de traiter le
problème d'optimisation de grande taille en respectant les contraintes de temps de réponse très
court avec un ordre de grandeur de moins de 10 secondes. L'origine de cette contrainte de temps
de réponse provient des caractéristiques du blackout. Dans certains blackouts, il peut arriver
que le temps entre la phase de pré-condition et la phase de cascade rapide soit inférieure à 30
secondes (Blackout en Italie du 12 Janvier 2003). En conséquence, si le système ne récupère pas
l'énergie nécessaire dans un temps très court, cela risque probablement de produire un blackout
dans le réseau de transport.
Notre idée principale est d'utiliser l'architecture de conduite introduite dans le chapitre 6 en
ajoutant un niveau de coordination de la consommation pour diérents bâtiments. Ce mécanisme
de pilotage permet de découper le problème suivant plusieurs échelles soit spatiales soit tempo-
relles. Chaque couche de commande embarque une connaissance de son contexte qui n'est pas
partagée avec les autres couches : les couches ne communiquent que par des ux d'informations
très synthétiques. Cette organisation permet de mieux gérer les problèmes de grande taille, de
plus, les aspects condentiels ou privés des informations dans les bâtiments sont respectés. En
assemblant les résultats de diérentes couches, on retrouve la solution globale approchée tout en
ayant un temps de calcul relativement faible pour assurer la réactivité du système.
2.2.1 La couche de gestion d'énergie dans le bâtiment

Nous supposons que l'ensemble des bâtiments connectés au réseau dispose d'un système de
gestion d'énergie intégré. Une interface de communication entre le bâtiment et le GRD permet
d'échanger des informations. L'idée de communiquer la satisfaction du gestionnaire de réseau
aux diérents consommateurs est abordée dans (Abras et al., 2006). Une amélioration de ce
mécanisme est abordée ici pour réduire la phase d'échange de messages. La satisfaction SB (i, k)
du bâtiment Bi reète la satisfaction de l'usager par rapport à la stratégie de délestage du GRD.
Elle est calculée par le système de gestion. Supposons que le bâtiment Bi propose un ensemble
de services Svr(j), j ∈ {1, ..., Ni }. La satisfaction SB (i, k) est calculée à partir de la satisfaction
du service le moins satisfait en sachant que le critère de satisfaction est un critère à minimiser :
SB (i, k) = Max {S(Svr(j)} ∀ j ∈ {1, ..., Ni } (11.1)
L'aectation dynamique dans le bâtiment est réalisée par la couche réactive présentée dans
le chapitre 8.
2.2.2 La couche de commande du GRD

Supposons que le GRD dispose d'un mécanisme de pilotage qui se situe à un niveau plus haut
que le mécanisme de gestion de l'énergie dans le bâtiment. On prend également pour hypothèse
que le délestage optimal a été eectué en imposant une puissance consommée maximale au GRD,
et ce seuil est noté Pg (k). Pour simplier le problème, on suppose que la puissance consommée
dans le bâtiment est purement active. Le GRD joue le rôle de fournisseur d'électricité pour un
ensemble de bâtiments Bi , i ∈ {1, ..., N}. La puissance consommée à l'instant k dans le bâtiment
2. Mise en place d'un système de pilotage 153
Bi est notée PB (i, k). La contrainte de ressource maximale du GRD est écrite sous la forme :
N
(11.2)
X
PB (i, k) ≤ Pg (k)∀k
i=1
On suppose que chaque bâtiment Bi a une limite inférieure de puissance consommée PB (i) > 0
qui est une réserve nécessaire pour alimenter les besoins critiques dans le bâtiment. Le seuil
supérieur de puissance consommée noté PB (i) correspond à la puissance souscrite avec le four-
nisseur d'énergie. La contrainte de puissance aectée au bâtiment Bi doit respecter la contrainte
suivante :
PB (i) ≥ PB (i, k) ≥ PB (i)∀i, ∀k (11.3)
Régulation des puissances aectées PB (i, k) A chaque période k , le système de gestion

d'énergie dans le bâtiment remonte une information concernant la satisfaction ou le confort de
l'utilisateur notée SB (i, k). Le GRD va interpréter cette information pour redistribuer l'énergie
en fonction de la satisfaction courante.
En général, les charges dans le bâtiment fonctionnent selon un mode tout ou rien. En consé-
quence, la puissance consommée PB (i, k) de chaque bâtiment est une variable entière qui est
générée par la combinaison des consommations des équipements. Supposons qu'un équipement
dans le bâtiment a deux états diérents soit activé, soit désactivé. La combinaison de toutes
les possibilités de contrôler N équipements est 2N . En évitant l'explosion combinatoire, nous
proposons une relaxation sur le variable PB (i, k) en considérant cette variable comme continue.
La conséquence de cette relaxation est que la puissance consommée réellement pB (i, k) par
le bâtiment Bi pourrait eectivement être inférieure à la limite de puissance déterminée par le
GRD, alors que la limite de puissance aectée PB (i, k) n'est pas utilisée totalement. L'ecacité
du système pourrait être améliorée en reprenant la puissance non-utilisée PB (i, k) − pB (i, k)
pour l'aecter à un autre bâtiment. Pour minimiser cet eet, on dénit la notion suivante :
Dénition 26 L'ecacité de l'aectation de puissance du bâtiment Bi est dénie par l'équation

suivante : 
 PB (i, k)
Si pB (i, k) > 0

ηB (i, k) = pB (i, k) (11.4)
Si pB (i, k) = 0

 0
Les échanges de puissance non-utilisée sont réalisés par le programme linéaire suivante
 nP


 Max N
i=1 (ηB (i, k − 1) + S B (i, k − 1) × PB (i, k)
 Pour que



PN
i=1 PB (i, k) ≤ Pg (k)∀k
(11.5)






PB (i) ≥ PB (i, k) ≥ PB (i)∀i, ∀k

L'objectif du programme linéaire (11.5) est de maximiser l'ecacité de l'aectation de la puis-

sance du GRD. Le coecient ηB (i, k − 1) + SB (i, k − 1) est utilisé pour appliquer une heu-
ristique visant à aecter plus d'énergie au bâtiment qui est le moins satisfait en utilisant la
puissance aectée le moins ecacement. La fonction objectif du programme linéaire (11.5) est
sous la forme d'une somme de variables multipliées par des coecients. La solution optimale du
problème a tendance à privilégier les variables ayant les plus grandes. En conséquence, la pro-
grammation linaire (11.5) va assigner une puissance plus grande aux bâtiments ayant la somme
ηB (i, k − 1) + SB (i, k − 1) plus grande. En fait, ce bâtiment est prioritaire parce que la puis-
sance aectée est insusante pour qu'il réalise certains services. En conséquence le critère de
confort est dégradé. Le principe de cette programmation linéaire est simple mais approprié au
problème traité. Elle permet de traiter un problème de grande taille avec un temps de calcul qui
est relativement faible.
3 Mise en ÷uvre
3.1 Structure du simulateur
Dans un premier temps, on a cherché à valider nos résultats de recherche avec un simulateur.
Dans le cadre de la coopération avec le G2ELAB, on propose un simulateur composé de trois
éléments principaux :
• Un simulateur de réseau qui consiste à simuler le comportement du réseau de transport
par le logiciel Eurostag
• Un algorithme de délestage optimal du réseau du transport qui est écrit sous Matlab
• Un mécanisme de délestage entre le GRD et le système de gestion d'énergie dans le bâti-
ment est implémenté dans le langage Java en utilisant la programmation multithreading
pour modéliser l'évolution des charges dans les bâtiments. Chaque équipement et bâtiment
évolue indépendamment des autres. Cela permet d'avoir un comportement dynamique de
la consommation et une gestion d'énergie plus réaliste.
Pour l'instant, les trois simulateurs communiquent par l'intermédiaire de Matlab, le temps de de
l'envoi des messages dans le réseau d'information est considéré comme négligeable.
3.2 Exemple d'application

Exemple 1 : Pour faciliter la visualisation des résultats du simulateur, nous prenons un
exemple académique composé de 2 habitats diérents qui sont gérés par un GRD. On simule
le comportement de la consommation du bâtiment en période de pic de consommation en hiver.
Pour avoir une modélisation plus proche de la réalité, on suppose que, durant cette période, les
consommations des services de chauage et des services de cuisson sont dominantes au niveau
du secteur résidentiel.
Dans chaque maison, deux types de charges sont modélisées : les systèmes de chauage
électrique qui représentent un service permanent et des services temporisés illustrés par des
services de cuisson de type four ou plaque chauante. On suppose que ces équipements sont
interruptibles. On suppose aussi que les modèles de la zone thermique sont identiques avec un
temps d'échantillonnage Ts = 1 seconde et chaque service de chauage a une puissance de 1 kW :
      
Ta (k + 1) 0, 97 0, 028 Ta (k) " # T
ext
0, 00047 0, 039 0, 014
= +  φs 
      
2 × 10−6 0, 00029 6, 06 × 10 −5
 
Tm (k + 1) 0, 0085 0, 99 Tm (k) Pr
(11.6)
Le service de cuisson est modélisé par un modèle thermique du premier ordre. La commande
locale joue le rôle de régulateur de température de la plaque chauante autour de 250 . La
puissance consommée par la plaque chauante est de 2kW.
Tf (k + 1) = 0, 99Tf (k) + 2, 05Pf (11.7)
Le premier habitat compte 4 services de chauage {Svr(1), Svr(2), Svr(3), Svr(4)} et un

service de cuisson Svr(5). Le deuxième habitat ne dispose que de trois services de chauage
{Svr(6), Svr(7), Svr(8)}. Le scénario de simulation consiste à baisser la puissance limite propo-
sée par le GRD pendant 42 minutes pour expérimenter le mécanisme de pilotage multi-échelle
composé du GRD et des deux habitats.
Le résultat est illustré dans la gure 11.3. On commence avec une puissance maximale égale
à 10kW, ensuite nous réduisons la puissance maximale Pg (k) par pas de 1kW à chaque fois. Nous
conduisons la simulation jusqu'à l'état critique de 3kW pour voir son impact sur les consomma-
teurs. Le moment de la réduction de puissance est généré aléatoirement pour tester la réactivé
du système. On constate d'abord que cette réactivité est largement susante pour répondre aux
contraintes nécessaire à la prévention d'un blackout. Ensuite en regardant le critère de satisfac-
tion de l'usager, on constate qu'il y a une légère dégradation du confort reétée par une baisse
de la température ambiante dans la zone thermique et de la température de la plaque chauant.
Le comportement des 7 services de chauage étant assez similaires, nous n'avons pris que trois
services pour l'illustration. Mais le plus intéressant à observer est que le critère de satisfaction
pour les diérents services dans les deux habitats sont équilibrés : aucun service n'est plus péna-
lisé que les autres. Dans habitat 1, on peut observer une dégradation de la satisfaction du service
Srv(1) par rapport au service de cuisson Srv(5) car le service de cuisson a une conguration
plus prioritaire que les services de chauage.
En comparant l'aectation des puissances entre les deux habitats, nous pouvons observer
que l'aectation de la puissance est fonction de la puissance disponible et de la satisfaction des
diérents services. Nous observons que l'aectation de l'énergie est plus favorable à l'habitat
2 tout simplement parce qu'à l'origine l'habitat 1 a une charge plus importante que celle de
l'habitat 2.
Exemple 2 : Partons du même principe que dans l'exemple 1. Nous voulons cette fois simuler
un problème à grande échelle pour avoir une vision plus réaliste du problème. Une simulation de
400 habitats est eectuée, avec deux types de maisons diérentes : 200 maisons correspondent
à l'habitat 1 qui contient 4 services interruptibles et 200 maisons sont du type de l'habitat
2 composées de 3 services interruptibles. Le simulateur doit exécuter une grande quantité de
processus en parallèle pour simuler les 400 habitats : 1400 services de chauages, 200 services de
cuisson et un GRD. Le pic de puissance consommée totale peut atteindre théoriquement 1,8GW.
Le résultat de la simulation est illustré par la gure 11.4. Pour l'ensemble de 400 habitats
gérés par GRD, on choisit aléatoirement deux habitats pour illustrer l'impact de la gestion sur
le confort de l'usager. On suppose que la consommation dans le bâtiment se produit durant la
période de pic de consommation. La prévention du blackout a imposé une contrainte forte sur
chaque GRD. La puissance maximale Pg (k) est xée d'abord à 1,2GW. Ensuite, nous prenons
un scénario pour réduire ce seuil de la même manière que celle expérimentée dans l'exemple 1.
La période [866, 1028] est une période critique lorsque Pg (k) descend à 0,525 GW (30% de la
puissance maximale consommée), durant cette période, la puissance maximale consommée de
chaque habitat est presqu'au niveau le plus bas : 1kW. Pourtant, la température dans les pièces

reste au niveau acceptable de 18,5 . La température de la plaque chauant reste entre 200
Fig. 11.3 Résultat de simulation sur l'exemple 1

et 250 . Pour constater la réactivité du mécanisme de gestion d'énergie, on observe que même si
le calculateur doit traiter une grande quantité de calculs en parallèle, la contrainte du temps de
réponse est toujours respectée. La puissance consommée reste très proche de la puissance limite,
ce qui signie que la ressource aectée est distribuée ecacement.
4 Conclusion
Même si, au premier abord, l'impact de la gestion de l'énergie dans une habitation peut
paraître limité, nous avons montré à travers la gestion des blackouts qu'un parc de logements
équipés de systèmes de gestion de l'énergie pouvait permettre aux gestionnaires de réseaux de
mieux réagir face aux situations de blackout. En eet, ces systèmes de gestion ouvrent de nouvelles
perspectives aux fournisseurs d'énergie qui ont désormais un moyen de limiter la consommation
de leurs clients. Cette souplesse inattendue pour un fournisseur d'énergie peut lui permettre
d'optimiser sa production, en réduisant ses coûts ou en réduisant les émissions de gaz à eet de
serre en évitant le plus possible d'avoir recours à des énergies polluantes et coûteuses.
4. Conclusion 157
Fig. 11.4 Résultat de simulation sur l'exemple 2

Conclusion générale
Les travaux que nous avons présentés dans ce mémoire introduisent une nouvelle probléma-
tique de recherche : concevoir un logement avec ses occupants comme un système énergétique
qui peut être commandé. Le problème était de proposer des outils qui permettent de gérer auto-
matiquement l'énergie électrique dans le bâtiment en tenant compte du confort des occupants,
des coûts économiques et environnementaux. Nous avons montré qu'il y avait des analogies in-
téressantes entre les systèmes de production de biens et les systèmes de gestion de l'énergie
dans le bâtiment ce qui nous a permis de nous appuyer sur les concepts de planication et d'or-
donnancement pour résoudre le problème posé. Nous avons examiné les diérentes charges et
services dans le bâtiment pour proposer une formulation standardisée des diérents services que
l'on peut rencontrer dans l'habitat, qu'ils soient consommateurs ou producteurs d'énergie, ou
qu'ils permettent de stocker de l'énergie. Nous avons modélisé le confort pour les occupants et
montrer que les services permanents ou temporisés, représentés par des équations diérentielles
et des automates à états nis, peuvent être reformulés sous la forme d'un modèle dynamique à
variables binaires.
Nous avons alors proposé une solution de conduite qui coordonne consommation et production
d'énergie en s'appuyant sur un mécanisme de pilotage multi-couches capable de prendre en
compte des ux d'évènements à échelles de temps multiples. Nous avons proposé une méthode
de résolution hiérarchisée capable d'appréhender tout problème exprimé sous la forme générique
que nous proposons. L'architecture se décompose en trois couches. Une couche locale temps-réel
constituée de régulateurs permettant d'absorber un certain nombre de perturbations. Une couche
réactive rapide, fonctionnant à l'échelle de la minute, qui permet d'ajuster en temps réel le plan
d'aection d'énergie déterminé par la couche d'anticipation qui travaille à une échelle de temps
lente, de l'ordre de l'heure, pour être compatible avec la précision des prévisions disponibles.
La couche d'anticipation s'appuie sur un algorithme qui combine méthode de résolution exacte
et heuristique pour accélérer la convergence vers un optimum global. L'heuristique permet de
tenir compte de la structure du problème et d'éviter aux méthodes exactes d'explorer des régions
sans intérêt. Plusieurs méta-heuristiques, recherche tabou, recuit simulé et algorithme génétique,
ont été adaptées à la génération de sous-problèmes qui sont alors résolus par un algorithme de
programmation linéaire mixte. Nous avons montré que cette combinaison permettait de converger
beaucoup plus rapidement vers un optimum global ou une bonne solution si le temps de calcul
disponible est réduit.
Cette architecture de conduite permet d'appréhender certaines perturbations, même impor-
tantes. En plus des propriétés de robustesse vis-à-vis des perturbations que confère la structure
en couches, nous avons montré qu'il est même possible de prendre en compte certaines incer-
titudes dès la couche d'anticipation pour accroître encore la robustesse des solutions obtenues.
Nous avons proposé une approche qui permet de prendre en compte des incertitudes sous forme
160 Conclusion générale
d'intervalles lors de la résolution du problème d'optimisation. Il s'agit d'une adaptation de la

programmation multi-paramétrique.
Les diérents résultats obtenus ont été validés sur diérents types d'application. Le projet
ANR Multisol nous a permis de montrer l'intérêt industriel et sociétal des méthodes de gestion
de l'énergie dans le bâtiment que nous avons développées. En eet, nous avons pu adapter nos
solutions à des bâtiments photovoltaïques raccordés au réseau en intégrant la problématique de
revente d'énergie solaire et en montrant qu'il était possible d'optimiser la production d'énergie
locale.
Une collaboration avec le laboratoire G2ELAB nous a permis d'étudier l'impact global que
peuvent avoir les systèmes de gestion d'énergie dans le bâtiment. Nous avons montré qu'un parc
de logements équipés de systèmes de gestion de l'énergie pouvait permettre aux gestionnaires de
réseaux de mieux réagir face aux situations de blackout. En eet, le système de gestion proposé
ouvre de nouvelles perspectives aux fournisseurs d'énergie qui ont désormais un moyen d'inuen-
cer la consommation de leurs clients sans les déconnecter complètement. Cette souplesse convoitée
par les fournisseurs d'énergie peut leur permettre d'optimiser leur production, en réduisant leurs
coûts et leurs émissions de gaz à eet de serre.
Nos travaux ouvrent une nouvelle direction de recherche qui rapproche de nombreuses dis-
ciplines scientiques : le contrôle commande, la recherche opérationnelle, le génie électrique, le
génie civil, l'informatique et même l'architecture. Nous avons montré qu'une habitation pouvait
être conçue comme un système et qu'il était possible de contrôler sa consommation électrique. De
nombreuses voies doivent être approfondies et validées dans le domaine de la modélisation. En
eet, il faut concevoir des modèles pour chacun des services de l'habitat qui soit compatible avec
l'objectif d'apprentissage et de recalage automatique des modèles. Même si les modèles de com-
portement thermique d'enveloppes de bâtiments foisonnent, le nombre de paramètres à estimer
et trop important au regard du peu d'information disponible. Les mécanismes d'apprentissage
et les modèles correspondant sont essentiels à la diusion des systèmes de gestion d'énergie dans
l'habitat. Étant donné le contexte, il n'est guère concevable d'eectuer des campagnes de mesure
pour congurer un système domotique.
Du fait du nombre et de la diversité des acteurs de l'habitat, il est essentiel de s'orienter vers
des solutions qui favorisent la modularité. Ainsi, il faudrait pouvoir embarquer les modèles d'un
équipement ainsi que les algorithmes d'apprentissage correspondant dans un composant logiciel
fermé doté d'interfaces standardisées. Cela oriente les recherches vers l'informatique distribuée.
De plus, les solutions que nous avons explorées sont synchrones. Or, notamment pour la couche
réactive, il est inutile d'échanger des messages en l'absence d'évènement particulier. Il faut donc
favoriser l'autonomie des composants et l'asynchronisme. Le besoin d'auto-adaptation structurel,
plus techniquement le besoin d'équipements plug-and-play, laisse à penser que le paradigme multi-
agent est une voie intéressante à explorer. Ainsi, il serait possible de ne partager qu'un minimum
de connaissances entre modules et de fonctionner de manière asynchrone par échange de messages
à l'image d'une société humaine.
Concernant la partie algorithmique, nous avons proposé une structure de modèle standar-
disée qui permet de représenter tous les services que nous avons recensés dans l'habitat. Pour
implémenter le système de gestion d'énergie que nous proposons, il faut concevoir un protocole
de communication qui permettra d'échanger les contraintes et modèles de comportement. Au
niveau de la couche d'anticipation, nous avons montré que la combinaison d'heuristiques avec
de la programmation linéaire mixte permettait d'accélérer grandement la convergence vers un
161
optimum global. Cependant, nous avons observé que les heuristiques étaient très sensibles au
réglage de leurs paramètres (tabou tenure, température de recuit, condition d'arrêt, population
initiale,...). Un réglage peut être particulièrement ecace pour la résolution de certains pro-
blèmes mais beaucoup moins performant pour d'autres. Une méthode d'ajustement dynamique
des paramétres des heuristiques qui s'appuierait sur l'évolution des solutions trouvées permet-
trait de réduire cette sensibilité. Il est aussi possible de mettre en parallèle plusieurs algorithmes
de résolution qui, à certains moments, puissent s'échanger leurs solutions courantes.
Des améliorations peuvent aussi être réalisées an de bénécier de la robustesse aux incer-
titudes de la méthode basée sur l'algorithme de liste avec l'exploitation des modèles de com-
portement par les méthodes de programmation dynamique. Il faudrait représenter les situations
courante et passée et extrapoler sur un horizon de quelques périodes réactives la situation cou-
rante pour permettre à la programmation dynamique d'acquérir cette réactivité. Enn, d'autres
progrès peuvent encore être accomplis dans la prise en compte a priori des incertitudes connues.
En eet, la méthode multi-paramétrique peut être complétée par des approches qui conduisent
à des solutions robustes par rapport un des ensembles de scénarios.
Si les systèmes de gestion de l'énergie électrique dans le bâtiment que nous proposons se
déploient un jour dans nos logements, cela bouleversa certainement notre rapport à l'énergie.
En eet, cela facilitera la rupture avec l'attitude d'exigence vis-à-vis du service. Nous en vien-
drons à caractériser notre conception du confort, avec vraisemblablement une tarication liée
aux exigences, avant de solliciter des services sans savoir comment ou quand ils seront réalisés.
Il faudra faire conance au système de conduite qui veillera à satisfaire des objectifs parfois
contradictoires de confort, de coût et d'environnement. Il peut paraître surprenant aujourd'hui
de programmer par exemple un lavage de linge sans pouvoir en connaître précisément la date de
n mais de nombreux auteurs s'accordent à dire que l'objectif facteur 4 pour 2050 ne peut pas
uniquement être atteint en comptant sur les progrès technologiques. Même sous les hypothèse les
plus optimistes, il faudra modier radicalement notre rapport à la consommation. Les systèmes
de gestion d'énergie dans l'habitat rendent plus confortable cet extraordinaire changement de
paradigme dans l'histoire de l'humanité.
Un système de gestion de l'énergie dans le bâtiment peut, en plus de l'énergie électrique,
permettre de gérer d'autres types d'énergie. Cela ouvre de nouvelles perspectives sur de nouveaux
types de bâtiments. A travers de nombreux échanges avec le Centre Scientique et Technique
du Bâtiment, qui s'intéresse à des maisons énergétiquement autonomes utilisant un système de
double enveloppe comportant du matériau à changement de phase pour stocker de l'énergie sous
forme thermique (Faure et al., 2007a,b), il est apparu qu'une combinaison d'un système de gestion
multi-énergie avec ces nouveaux types de bâtiments pourrait bouleverser la façon de concevoir
les bâtiments.
Bibliographie
Abras, S., Ploix, S., Pesty, S., et Jacomino, M. (2006). A multi-agent home automation sys-
tem for power management. In The 3rd International Conference on Informatics in Control,
Automation and Robotics, Setubal, Portugal. (cité page 152.)
ADEME (2002). Des éoliennes dans votre environement ? Technical report, Agence de l'Envi-
ronnement et de la Maîtrise de l'Energie. (cité page 23.)
ADEME (2005). L'électricité solaire photovoltaique dans le batîment retour d'expérience en

France du Projet Européen Hip Hip. Technical report, Agence de l'Environnement et de la
Maîtrise de l'Energie. (cité page 37.)
ADEME (2006a). Ventilation - perméabilité. Technical report, Agence de l'Environnement et

de la Maîtrise de l'Energie. (cité page 34.)
ADEME (2006b). Ventilation performance, double ux ou modulée en fonction de l'occupation.

Technical report, Agence de l'Environnement et de la Maîtrise de l'Energie. (cité page 34.)
AFNOR (2006). Ergonomie des amniances thermiques , détermination analytique et interpréta-

tion du confort thermique par le calcul des indices PMV et PDD et par des critère de confort
thermique local. Norme européenne, norme française. (cité page 66.)
Al-Hasan, A., Ghoneim, A., et Abdullah, A. (2004). Optimizing electrical load pattern in kuwait
using grid connected photovoltaic systems. Energy Conversion and Management, 45 :483494.
(cité page 72.)
Andersen et Klaus, K. (2000). Modelling the heat dynamics of a building using stochastic
dierential equations. Energy and Building. (cité page 58.)
Angioletti, R. et Despretz, H. (2003a). Maîtrise de l'énergie dans les bâtiments - tarifs de l'énergie.
Techniques de l'ingénieur, BE9022. (cité pages 35, 110 et 175.)
Angioletti, R. et Despretz, H. (2003b). Maîtrise de l'énergie dans les bâtiments -techniques.
Techniques de l'ingénieurs. (cité page 74.)
Angioletti, R. et Despretz, H. (2004). Maîtrise de l'énergie dans les bâtiments-dénitions. usages.
consommations. Techniques des ingénieurs. (cité pages 31, 32, 34, 36, 43, 173 et 175.)
Aubry, A., Rossi, A., Espinouse, M.-L., et Jacomino, M. (2006). Minimizing setup costs for paral-
lel multi-purpose machines under load-balancing constraint. European Journal of Operational
Research, in press, doi :10.1016/j.ejor.2006.05.050. (cité page 121.)
164 Bibliographie
Bacha, S. et Chatroux, D. (2006). Nouvelles technologies de l'énergie, chapter 2 : Sytèmes

photovoltaïque couplés au réseau, page 51. Hermes Science. (cité page 135.)
Bakos, G., Soursos, M., et N.F.Tsagas (2003). Technoeconomic assessment of a building-

integrated pv system for electrical energy saving in residential sector. Energy and Buildings,
35 :757762. (cité page 72.)
Bargiotas, D. et Birdwell, J. (1988). Residential air conditioner dynamic model for direct load
control. Power Delivery, IEEE Transactions on, 3(4) :21192126. (cité page 111.)
Bellivier, A. (2004). Modelisation numerique de la thermo-aeraulique du batiment : des modeles

CFD a une approche hybride volumes nis / zonale. PhD thesis, L'Uninversité de la Rochelle.
(cité page 57.)
Bellman, R. (1957). Dynamic Programming. Princeton University Press. (cité pages 88 et 113.)
Bemporad, A. et Morari, M. (1998). Control of systems integrating logic, dynamics and

constraints. Automatica, 35 :407427. (cité pages 63 et 65.)
Bernard, A. et Lemaire, M. (2005). La ventilation modulée : une solution rationnelle. Revue de

CVC. (cité page 34.)
Bhattacharyya, K. et Crow, M. (1995). A fuzzy based load model for power system direct load
control. In Control Applications, 1995., Proceedings of the 4th IEEE Conference on, pages
2732. (cité page 111.)
Bilge, U., Kurtulan, M., et Kiraç, F. (2006). A tabu search algorithm for the single machine
total weighted tardiness problem. Euroupean Journal of Operation Reseach. (cité page 99.)
Billaut, J.-C., Moukrim, A., et Sanlaville, E. (2005a). Flexibilité et Robustesse en Ordonnance-

ment. Hermès Science, Paris, France. (cité pages 121 et 122.)
Billaut, J.-C., Moukrim, A., et Sanlaville, E. (2005b). Flexibilité et Robustesse en Ordonnance-
ment, chapter 1. Hermès Science, Paris, France. (cité page 121.)
Binder, T., Blank, L., Dahmen, W., et Marquardt, W. (2001). Multiscale concepts for moving
horizon optimization. Eprint for the optimization community. (cité page 77.)
BMU (2006a). Climate protection pays implementing and ugrading the Kyoto Protocol. Technical
report, Federal Ministry for the Environment, Nature Conservation and Nuclear Safety (BMU).
(cité page 22.)
BMU (2006b). Renewable Energies innovation for the future. Technical report, Geman Federal
Ministry for the Environment, Nature Conservation and Nuclear Safety (BMU). (cité pages 20,
23 et 173.)
Boivin (1995). Demand side management -the role of the power utility. Pattern Recognition,
28(10) :14931497. (cité page 29.)
Borrelli, F. (2002). Discrete Time Constrained Optimal Control. PhD thesis, Swiss Federal
Institute of technilogy (EHT) Zurich. (cité page 122.)
165
Borrelli, F., Bemporat, A., et Morari, M. (2000). A geometric algorithme for multi-parametric li-
near programming. Technical report, Automatic Control Laboratory ETH Zurich, Switzerland.
(cité page 122.)
Branicky, M., Borkar, V., et Mitter, S. (1994). A unied framework for hybrid control. In
Decision and Control, 1994., Proceedings of the 33rd IEEE Conference on, volume 4, pages
42284234vol.4. (cité page 63.)
Brown, L. (2001). Eco-economie. une autre croissance est possible, écologie et durable. Edition
origine "Eco-Economy. Building an Economy for the Earcth". (cité page 26.)
Calasiu, A. D. et Veitch, J. A. (2006). Occupant preferences and satisfaction with the luminous
environment and control system in daylit oces : a litterature review. Energy and Building,
38 :728742. (cité page 36.)
Candas, V. (2000). Confort thermique. Technique de l'ingenieurs, BE9085. (cité page 32.)
Castagnoni, A. (2003). Application electrodomestiques généralité. Technique de l'ingénieur. (cité
page 31.)
Castro, P. M. et Grossmann, I. E. (2006). An ecient mipl model for the short-term scheduling of
single stage batch plants. Computers and Chemical Engineering, 30 :10031018. (cité page 69.)
Chatterjee, S., Carrera, C., et Lynch, L. A. (1996). Genetic algorithms and traveling salesman
problems. European Journal of Operational Research, 93 :490510. (cité page 103.)
Dahal, K. P., Aldridge, C. J., et Galloway, S. J. (2006). Evolutionary hybrid approaches for
generation sceduling in power systems. European Journal of Operation Research, InPress.
(cité page 95.)
DGEMP (2004). Energy baseline scenario for france to 2030 dgemp-oe (2004). Technical re-
port, General Directorate for Energy and Raw Materials (DGEMP) Observatoire de l'énergie
(Energy Survey Unit, OE). (cité pages 24, 25 et 173.)
DGEMP (2005). La production d'énergie d'origine renouvelable en France en 2005. Technical
report, La Direction Générale de l'Énergie et des Matières Premières. (cité page 25.)
DGEMP (2007). La situation énergétique de la france. Technical report, Direction Générale de
l'Energie et des Matières Premières Observatoire de l'Economie de l'Energie et des Matière
Premières. (cité page 24.)
Diestel, R. (2005). Graph Theory Third Edition. Springer Verlag, Heidelberg. (cité page 91.)
Dubois, D., Fargier, H., et Fortemps, P. (2003). Fuzzy scheduling : Modeling exible constraints
vs. coping with incomplete knowledge. Euroupean Journal of Operational Research, 147 :231
252. (cité page 121.)
Dubois, D., Fortemps, P., Pirlot, M., et Prade, H. (2001). Leximin optimality and fuzzy set-
theoretic operations. European Journal of Operational Research, 130 :2028. (cité page 121.)
Esquirol, P. et Lopez, P. (1999a). L'Odonnancement, chapter 5 Ordonnancement sous contraintes
de ressources cummulatives, page 87. Economica. (cité page 70.)
166 Bibliographie
Esquirol, P. et Lopez, P. (1999b). L'Ordonnancement. Ed. ECONOMICA. (cité pages 47 et 67.)

Faure, X., Johannes, K., Joussellin, F., Pierson, P., et Quenard, D. (2007a). Integrated pcms solar
system within the building envelop, heat set 2007 proceedings. In Heat Set 2007 proceedings,
FRANCE vol 2. (cité page 161.)
Faure, X., Johannes, K., Joussellin, F., Pierson, P., et Quenard, D. (2007b). A simulation tool
for hybrid envelop coupling free energy, convection, specic and latent heat,. In 10ith IBPSA
Wolrd conference, Beijin, Chine, 3-6 Septembre 2007. (cité page 161.)
Fraisse, G. (1999). La régulation thermique des bâtiments tertiaires : Application de la logique
oue à la régulation centrale du chauage en régime intermittent. PhD thesis, CETHIL (Centre
thermique de Lyon), INSA Lyon. (cité page 33.)
Fraisse, G., Viardo, C., Lafabrie, O., et Achard, G. (2002). Development of a simplied and
accurate building model based on electrical analogy. Energy and buildings, 1430 :114. (cité
page 58.)
G. Thomas, B. (2000). Load management techniques. In Southeastcon 2000. Proceedings of the
IEEE, pages 139 145. (cité page 29.)
Gal, T. et J.Nedoma (1972). Multiparametric linear programming. Management Science, 18 :406
442. (cité page 122.)
Gass, S. et Saaty, T. (1955). The computatinal alogorithm for the parametric objective function.
Naval Reseach Logistices Quarterly, 2 :3945. (cité page 122.)
Gendreau, M., Guertin, F., et Taillard, J.-Y. P. E. (1999). Parallel tabu search for real-time
vehicle routing and dispatching. SIAM Monogrpahs on Discrete Mathematics and Applications,
pages 129154. (cité page 99.)
Gendreau, M., Hertz, A., et Laporte, G. (1994). A tabu search heuristic for vehicle routing
problem. Management Science, 40 :12761290. (cité page 99.)
Glover, F. (1989). Tabu-search - part 1. ORSA Journal of Computing, pages 190206. (cité
page 99.)
Glover, F. (1990). Tabu-search - part 2. ORSA Journal of Computing, pages 432. (cité page 99.)
Glover, F. et Laguna, M. (1997). Tabu Search. Kluwer Academic Publishers, Norwell, MA. (cité
pages 95 et 98.)
Greenberg, H. (1998). Advances in Computational and Stochastic Optimization, Logic Program-
ming and Heuristic Search : Interfaces in Computer Science and Operations Research, chap-
ter 4. Kluwer Academic Publishers, Norwell, MA, USA. (cité page 121.)
Ha, D. L. (2004). Optimisation de la consommation d'énergie en domotique par ordonnancement
sous contrainte de ressources. Master's thesis, INPG. (cité pages 56 et 110.)
Ha, D. L., Ploix, S., Zamaï, E., et Jacomino, M. (2005a). Maîtriser la consommation d'énergie
en domotique par ordonnancement sous contrainte de ressources. In Journées Doctorales du
GdR MACS - JDMACS , Lyon , 5-7 septembre. (cité page 110.)
167
Ha, D. L., Ploix, S., Zamai, E., et Jacomino, M. (2005b). Control of energy consumption in
home automation by ressource constraint scheduling. In The 15th International Conference
on Control System and ComputerScience, Bucharest, Romania. (cité page 110.)
Ha, D. L., Ploix, S., Zamai, E., et Jacomino, M. (2006). A home automation system to improve
the household energy control. In INCOM2006 12th IFAC Symposium on Information Control
Problems in Manufacturing. (cité pages 88 et 127.)
Hartman, T. (1980). Dynamic control of heat called key to saving energy. Air-Conditioning
Heating and Refrigeration News, 151 :1416. (cité page 87.)
Hatley, D., Meador, R., Katipamula, S., et Brambley, M. (2005). Energy management and control
system : Desired capabilities and functionality. Technical report, LtCol. Carl Wouden, USAF,
Ret. (cité page 41.)
Henze, G., Kalz, P., Felsmann, D., et Knabe, G. (2004a). Impact of forecasting accurary on
predictive optimal control of active and passive building thermal storage inventory. Journal
HVAC. (cité pages 87 et 88.)
Henze, G. P. et Dodier, R. H. (2003). Adaptive optimal control of a grid-independent photovoltaic
system. Transactions of the ASME, 125 :3442. (cité page 76.)
Henze, G. P., Felsmann, C., et Knabe, G. (2004b). Evaluation of optimal control for active and
passive building thermal storage. International Journal of Thermal Sciences, 43 :173183.
(cité pages 39, 76, 87 et 88.)
Holland, J. (1975). Adaption in natural an artical systems. The University of Michigan Press,
Ann Arbor,. (cité page 102.)
House, J. M. et Smith, T. F. (1995). Optimal control of building and hvac systems. In Proceddings
of the American Control Conference, Seattle, Washington. (cité page 76.)
Huang, K.-Y. et Huang, Y.-C. (2004). Interruptible load management to provide instantaneous
reserves for ancillary services. IEEE Transactions on power systems, 19 :16261634. (cité
page 111.)
IEA (2006). Key world energy statistics. Technical report, International Energy Agency. (cité
pages 20, 22 et 23.)
ILOG (2006). CPLEX tutorial handout. Technical report, ILOG. (cité page 93.)
ISOG (1994). Moderate thermal environments - determination of the pmv and ppd indices and
specication of the conditions for thermal comfort. Technical report, International Standards
Organization. Geneva. (cité page 32.)
J.O. (1983). Arrêté du 24/03/82 - dispositions relatives à l'aération des logements (modié par
l'arrêté du 28/10/83). (cité page 33.)
° °
J.O (1984). Code du travail - décrets n 84-1093 et n 84-1094 du 7 décembre 1984 - règles
relatives à l'aération et à l'assainissement des locaux de travail . (cité page 33.)
168 Bibliographie
Kampf, J. H. et Robinson, D. (2006). A simplied thermal model to support analysis of urban

resource ows. Energy and Building, InPress. (cité page 58.)
Kintner, M. (1995). Optimal control of an hvac system using cold storage building thermal
capacitance. Energy and Building. (cité pages 87 et 88.)
Koji, N. et Toshihide, I. (1998). A tabu search approach to the constraint satisfaction problem
as a general problem solver. European Journal of Operational Research, 106 :599623. (cité
page 99.)
Kvasnica, M., Grieder, P., Baotic, M., et Christophersen, F. (2006). Multi-parametric toolbox
(MPT). Technical report, Automatic Control Laboratory ETH Zurich, Switzerland. (cité
page 126.)
Laherrere, J. (2003). How to estimate future oil supply and oil demande. In International
conference on Oil Demand, Production and Cost-Prospects for the future. Copenhagen. (cité
page 21.)
Lawler, E. et Wood, D. (1966). Branch-and-bound methods : a survey. Operations Research,
14 :699719. (cité page 93.)
Liu, N., Ritzert, G., et Belloc, A. (2005). Rapport nal : Modélisation des ux énergétiques dans
une maison autonome. Technical report, Ecole Centrale de Lyon. (cité page 141.)
Lofberg, J. (2004). YALMIP : A toolbox for modeling and optimization in MAT-
LAB. In Proceedings of the CACSD Conference, Taipei, Taiwan. Available from
http ://control.ee.ethz.ch/joloef/yalmip.php. (cité page 126.)
Lu, W., Bésanger, Y., Zamai, E., et Radu, D. (2006a). Analysis of large scale blackouts and
recommendations for prevention. WSEAS Transactions on power systems, 1. (cité pages 149,
150, 151 et 174.)
Lu, W., Bésanger, Y., Zamai, E., et Radu, D. (2006b). Blackout : Description, analysis and
classication. In 6th WSEAS Int. Conference on POWER SYSTEMS, PE'06 September 22-24
2006, Lisbon, Portugal. (cité page 149.)
Madsen, H. (1995). Estimation of continuous-time models for the heat dynamics of a building.
Energy and Building. (cité pages 58, 59 et 173.)
Makhorin, A. (2006). GNU linear programming kit reference manual version 4.11. Technical
report, GNU Project. (cité page 93.)
Malmborg, C. J. (1996). A genetic algorithm for service level based vehicle scheduling. European
Joumal of Operational Research, 93 :121134. (cité page 103.)
Menanteau, P. (2006). Amélioration des performances énergétiques des équipements de froid
domestique : étiquettes, normes de performances et accords volontaires. In Le froid pour
l'alimentation et la santé : quels enjeux ? : Actes de la 16e journée du Cuepe (04/2006). (cité
page 36.)
Ménézo, C., Saulnier, J.-B., Lincot, D., et Guarracino, G. (2007). Energy, domotics, materials
welcome to the home of the future. CNRS international magazine, 5 :1827. (cité page 29.)
169
Mondol, J. D., Yohanis, Y. G., et Norton, B. (2007). Comparison of measured and predic-
ted long term performance of grid a connected photovoltaic system. Energy Conversion and
Management, 48 :10651080. (cité page 76.)
Mérieux, P. et Pleynet, B. (1992). Chauage et rafraîchissement : système de conduite et de
gestion. Technique de l'ingénieur, B2 158. (cité pages 42, 60 et 76.)
Multon, B., Geraud, O., et Robin, G. (2003). Ressources énergétiques et consommation humaine
d'énergie. Techniques de l'Ingénieur, D3900. (cité page 20.)
Multon, B., Robin, G., Ruellan, M., et Ahmed, H. B. (2004). Situation énergétique mondiale à
l'aube du 3e millénaire perspectives oertes par les ressources renouvelables. Revue 3EI, 36.
(cité pages 21 et 22.)
Muselli, M., Notton, G., Poggi, P., et Louche, A. (2000). Pv-hybrid power system sizing incor-
porating battery storage : an analysis via simulation calculations. Renewable Energy, 20 :17.
(cité page 60.)
Nagai, T. (2001). Dynamic optimization technique for control of hvac system utilizing building
thermal storage. In Proceedings of Building Simulation. (cité page 88.)
Neron, E. (1999). Du ow-shop hybride au problème cumulatif. PhD thesis, Université de Tech-
nologie de compiegne. (cité page 67.)
Nizet, J., Lecomte, J., et F.X., L. (1985). Optimal control allied to air conditioning in buildings.
ASHARE. (cité page 87.)
Observer (2006). La production d'électricité d'origine renouvelable dans le monde. Huitième
inventaire. (cité page 22.)
Olesen, B. W. et Brager, G. S. (2004). A better way to predict comfort : The new ashrae standard
55-2004. ASHRAE. (cité page 33.)
Palensky, P. et Posta, R. (1997). Demand side management in private home using lonworks.
In Proceedings.1997 IEEE International Workshop on Factory Communication Systems. (cité
page 41.)
Pinto, J. M. et Grossmann, I. (1995). A continuous time mixed integer linear programming model
for short term scheduling of multistage batch plants. Industrial and Engineering Chemistry
Research, 35 :338342. (cité page 69.)
Pinto, J. M. et Grossmann, I. E. (1998). Assignment and sequencing models for the scheduling
of process systems. Annals of Operations Research, 81 :433466. (cité page 69.)
Powernext (2006). Powernext futures has made a name for itself as a price reference for the
medium term market. (cité page 120.)
PSOTF, U.-C. (2004). Final report on the august 14, 2003 blackout in the united states and
canada : Causes and recommendations. Technical report, U.S.-Canada Power System Outage
Task Force. (cité page 149.)
170 Bibliographie
Richalet, J., Rault, A., Testud, A., et Papon, J. (1978). Model predictive heuristic control :
Applications to industrial processes. Automatica. (cité page 87.)
Rossi, A. (2003). Ordonnancement en milieu incertain, mise en oeuvre d'une démarche robuste.
PhD thesis, Ecole Doctorale EEATS " Electronique, Electrotechnique, Automatique & Trai-
tement du Signal", INPGrenoble. (cité pages 47 et 121.)
RTE (2003). Energie électrique en france en 2003, valeurs provisoire. Gestionnaire du réseaux
de transport d'électricité. (cité page 24.)
RTE (2004). Memento de sûrété de système électrique. RTE. (cité page 27.)
Ruud, M., Mitchell, J., et Klein, S. (1996). Use of building thermal mass to oset cooling loads.
ASHRAE Transaction. (cité page 88.)
Salas, V., Alonso-Abella, M., Olias, E., Chenlo, F., et Barrado, A. (2007). DC current injection
into the network from PV inverters of <5 kw for low-voltage small grid-connected pv systems.
Solar Energy Materials & Solar Cells, 91 :801806. (cité page 72.)
Salas, V., E.Olias, Alonso, M., et Chenlo, F. (2006). Overview of the legislation of dc injection
in the network for low voltage small grid-connected pv systems in spain and other countries.
Renewable and Sustainable Energy Reviews. (cité page 72.)
Schmitt, L. J. et Amini, M. M. (1996). Performance characteristics of alternative genetic algo-
rithmic approaches to the traveling salesman problem using path representation : An empirical
study. European Journal of Operational Research, 108 :551570. (cité page 103.)
Sidler, O. (1999). Maîtrise de la demande d'électricité, etude expérimentale des appareils de

cuisson, de froid ménager et de séchage dans 100 logements. Technical report, Projet ECUEL
°
Programe SAVE CONTRAT N 4.1031/Z/96-146. (cité page 36.)
Sidler, O. (2002a). Connaissance et maîtrise des consommations des usages de l'électricité dans
le secteur résidentiel. Technical report. (cité pages 31 et 142.)
Sidler, O. (2002b). Maîtrise de la demande electrique campagne de mesures par usage dans le
secteur domestique. Technical report, Commission des Communautés Européennes Programme
SAVE Contrat N 4.1031/93.58 Rapport nal. (cité pages 36 et 142.)
Stum, K., Mosier, R., et Haasl, T. (1997). Energy management systems. Technical report,
Porland Energy Conservation Inc.(PECI). (cité page 41.)
Wacks, K. (1993). The impact of home automation on power electronics. In Applied Power
Electronics Conference and Exposition, pages 3 9. (cité pages 41 et 120.)
Wacks, K. P. (1991). Utility load management using home automation. IEEE transaction on
Consumer Electronics, 37 :168174. (cité page 41.)
Williams, H. P. (1993). Model building in mathematical programming. New York : Wiley. (cité
page 64.)
WWF (2004). Living planet report 2004. Technical report, World Wildlife Fund. (cité page 20.)
171
Yang, H. et Huang, K. (1999). Direct load control using fuzzy dynamic programming. Proc.
Inst. Elect. Eng. Gen. Transm. Distrib.,, 146 :294300. (cité page 111.)
Zhou, G. et Krarti, M. (2005). Parametric analysis of active and passive building thermal storage
utilization. Journal of Solar Energy Engineering, 127 :3746. (cité pages 76 et 88.)
Table des gures
1.1 Consommation énergétique mondiale depuis 1870 (source IEA statistique et BMU
(2006b)) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
1.2 Réserve mondiale l'énergie fossile . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
1.3 Consommation d'électricité par secteur dans le monde entier . . . . . . . . . . . . 23
1.4 Évolution et répartition par secteur de la consommation nale d'énergie primaire
(source (DGEMP, 2004)) en France . . . . . . . . . . . . . . . . . . . . . . . . . . 25
1.5 Structure du réseau de production et de distribution d'électricité . . . . . . . . . 27
1.6 Les records de pic de consommation en France de 1996 à 2006 (source RTE) . . . 28
2.1 La répartition de la consommation de l'électricité par les diérentes fonctions

énergétiques dans le bâtiment (source Angioletti et Despretz (2004)) . . . . . . . 32
2.2 PMV : sensation thermique sur un échelle de 7 niveaux . . . . . . . . . . . . . . . 32
3.1 Service énergétique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43

3.2 Les trois critères de la Maîtrise De l'Energie(MDE) . . . . . . . . . . . . . . . . . 45
4.1 Diagramme de classe UML du système . . . . . . . . . . . . . . . . . . . . . . . . 54

4.2 Modèle thermique de la température dans une pièce munie d'une fenêtre et d'un
radiateur (Madsen, 1995) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59
4.3 Modélisation de la régulation thermique tout ou rien par automate à états . . . . 60
4.4 Modèle de l'automate à l'état d'une batterie . . . . . . . . . . . . . . . . . . . . . 60
4.5 Machine à états nis du comportement d'une machine à laver . . . . . . . . . . . 61
5.1 Formulation continue du service temporisé . . . . . . . . . . . . . . . . . . . . . . 69
6.1 Mécanise de pilotage multi-échelle pour le système de gestion de l'énergie dans le

bâtiment (IDC : Interface de communication) . . . . . . . . . . . . . . . . . . . . 79
7.1 Transformation d'un problème en graphe de relations temporelles directes . . . . 91

7.2 La solution optimale pour l'exemple 1 en utilisant GLPK . . . . . . . . . . . . . . 95
7.3 Principe de "Diviser et Conquérir" des métaheuristiques hybrides . . . . . . . . 96
7.4 Illustration de la génération des voisinages par l'algorithme 4 . . . . . . . . . . . 98
7.5 Évolution du recuit simulé après 4 itérations . . . . . . . . . . . . . . . . . . . . . 101
7.6 Illustration du croisement du algorithme génétique . . . . . . . . . . . . . . . . . 104
7.7 Graphe des relations temporelles pour l'exemple 5 . . . . . . . . . . . . . . . . . . 105
7.8 La vitesse de convergence de diérentes métaheuristiques en comparaison avec la
PLVM . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 106
174 Table des gures
8.1 Principe de la couche réactive . . . . . . . . . . . . . . . . . . . . . . . . . . . . 109

8.2 Notion de rapport cyclique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 110
8.3 Illustration de la programmation dynamique . . . . . . . . . . . . . . . . . . . . . 115
8.4 Résultat de l'exemple 1 sans la couche réactive . . . . . . . . . . . . . . . . . . . 116
8.5 Résultat de l'exemple 1 avec la couche réactive . . . . . . . . . . . . . . . . . . . 117
9.1 Illustration de la programmation multi-paramétrique . . . . . . . . . . . . . . . . 125

9.2 Principe d'application de la programmation multi-paramétrique . . . . . . . . . . 125
9.3 Illustration du résultat de l'exemple 1 . . . . . . . . . . . . . . . . . . . . . . . . 126
9.4 Les fonctions linéaires par morceaux de φr (k) en fonction de [Text , Emax ] . . . . . 128
10.1 Architecture matérielle de Multisol . . . . . . . . . . . . . . . . . . . . . . . . . . 136

10.2 Architecture du composant logiciel du Multisol . . . . . . . . . . . . . . . . . . . 137
10.3 Le plan de l'appartement cible . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 139
10.4 Modélisation de la consommation d'énergie électrique du service de lavage et le
lave vaisselle . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 143
10.5 Résultats d'aectation des ressources d'énergie dans le mode de confort avec la
stratégie de consommation locale de l'énergie produite . . . . . . . . . . . . . . . 146
10.6 Résultats d'aectation des ressources d'énergie dans le mode économique avec la
stratégie de consommation locale de l'énergie produite . . . . . . . . . . . . . . . 147
10.7 Résultats du plan d'aectation des ressources d'énergie électrique dans le mode
en vendant l'énergie produite au réseau . . . . . . . . . . . . . . . . . . . . . . . . 148
11.1 Principe du mécanisme de prévention des blackouts en utilisant Home Automation

System . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 150
11.2 Les phases de blackout dans le cas général (Lu et al., 2006a) . . . . . . . . . . . . 151
11.3 Résultat de simulation sur l'exemple 1 . . . . . . . . . . . . . . . . . . . . . . . . 156
11.4 Résultat de simulation sur l'exemple 2 . . . . . . . . . . . . . . . . . . . . . . . . 157
Liste des tableaux
2.1 Besoin de ventilation de diérents types de bâtiment (Angioletti et Despretz, 2004) 34

2.2 Besoin en eau chaude sanitaire dans le bâtiment (N est le nombre des personnes)
(Angioletti et Despretz, 2003a) . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
3.1 Caractérisation du degré de liberté pour diérents services énergétiques . . . . . 44

3.2 Comparaison entre un système de production de biens et un système de gestion
de l'énergie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
4.1 Structure d'information du besoin utile d'un service . . . . . . . . . . . . . . . . . 57
5.1 Table de vérité de fonctions booléennes . . . . . . . . . . . . . . . . . . . . . . . . 64
7.1 Relaxation de certains services pour calculer une borne inférieure . . . . . . . . . 92

7.2 Résultas de la programmation en nombres entiers . . . . . . . . . . . . . . . . . . 95
7.3 Le temps de calcul moyen et les taux d'optimalité des solutions obtenus par plu-
sieurs méthodes sur 60 exemples . . . . . . . . . . . . . . . . . . . . . . . . . . . 108
7.4 La déviation moyenne et maximale de la solution obtenue par rapport à la borne
inférieure sur 60 exemples . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 108
9.1 Classication des types d'incertitudes dans le problème de gestion de l'énergie

dans le bâtiment . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 121
10.1 Liste des équipements disponible dans la maison . . . . . . . . . . . . . . . . . . 139

Liste des Algorithmes
1 Fonction de génération du graphe des relations temporelles directes . . . . . . . . 90
2 Algorithme de marquage pour chercher les sous problèmes indépendants . . . . . 91
3 Conception de la métaheuristique hybride composée de trois étapes . . . . . . . . 97
4 Fonction de génération du voisinage de la solution Sini . . . . . . . . . . . . . . . 99
5 Implémentation de la recherche tabou hybride . . . . . . . . . . . . . . . . . . . . 100
6 L'implémentation du recuit simulé . . . . . . . . . . . . . . . . . . . . . . . . . . 102
7 Algorithme génétique considéré . . . . . . . . . . . . . . . . . . . . . . . . . . . . 103
8 Algorithme de programmation dynamique pour le problème d'aectation d'énergie 114
9 Algorithme d'aectation dynamique . . . . . . . . . . . . . . . . . . . . . . . . . 115
10 Algorithme de l'étape 2 : trouver une solution la plus robuste dans la famille de
solutions calculées . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 129
Résumé : Le travail présenté contribue à la gestion de la consommation et de la production d'éner-
gie dans le bâtiment. L'objectif est de montrer qu'en dotant les équipements domotiques d'algorithmes
d'optimisation et de facultés de communication, il est possible de mieux maîtriser la consommation
dans le bâtiment en exploitant les degrés de liberté oerts par l'usager et ceux liés au fonctionnement
des équipements. Une formulation mathématique et une architecture de conduite structurées en trois
niveaux : prédictif, réactif et local, sont proposées dans le but d'optimiser le confort de l'usager, les
coûts économiques et environnementaux. Plusieurs approches de résolution à base de métaheuristiques
hybrides et de programmation dynamique sont proposées. La programmation multiparamétrique est
utilisée pour la prise en compte des grosses incertitudes. Ces résultats ont été appliqués à la ges-
tion d'énergie d'un bâtiment photovoltaïque et à la prévention de blackouts par un délestage intelligent.
Mots clés : gestion de l'énergie, bâtiment, optimisation, domotique, commande prédictive,

métaheuristiques hybrides, programmation dynamique, programmation multiparamétrique
Abstract: This PhD thesis contributes to the power management in buildings. It is shown that,
by providing appliances with optimization algorithms and communication abilities, it is possible to
improve energy consumption and production in buildings by exploiting the degrees of freedom coming
from user requests and appliance behaviors. A mathematical formulation and a multi-layer control
architecture composed of three layers: predictive, reactive and local layers, are proposed in order to
optimize user's comfort, economical and environmental criterion. Dierent solving approaches based
on hybrid metaheuristics and dynamic programming are proposed. A multi-parametric programming
is used to take into account big uncertainties. It has been applied to the power management of
a photovoltaic building and to the prevention of blackouts using sets of buildings equipped with
intelligent and communicating home automation systems.
Keywords: Energy management, building, optimization, home automation system, predictive

control, hybrid system, hybrid metaheuritics , dynamic progamming, multiparametric programming.

These Duy Long HA 2007

Transféré par

Droits d'auteur :

Formats disponibles

These Duy Long HA 2007

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

These Duy Long HA 2007

Transféré par

Droits d'auteur :

Formats disponibles

Un système avancé de gestion d’énergie dans le bâtiment

pour coordonner production et consommation

To cite this version:

HAL Id: tel-00260143

HAL is a multi-disciplinary open access L’archive ouverte pluridisciplinaire HAL, est

préparée au Laboratoire d'Automatique de Grenoble,

et au Laboratoire des sciences pour la conception, l'optimisation et la production

dans le cadre de l'École Doctorale :

Électronique, Électrotechnique, Automatique, Traitement du Signal

Un système avancé de gestion d'énergie dans le bâtiment

pour coordonner production et consommation

Directrice de thèse : Mireille JACOMINO

Pierre BAPTISTE Professeur de l'école Polytechnique Montréal Rapporteur

Pierre LOPEZ Chargé de recherche au CNRS de Toulouse Rapporteur

André ROSSI Maître de conférence de l'Université de Bretagne Sud Examinateur

Mireille JACOMINO Professeur de l'INP Grenoble Directrice de thèse

Stéphane PLOIX Maître de conférence de l'INP Grenoble Co-Encadrant

Je tiens tout d'abord à remercier M. Alain Barraud (directeur du Laboratoire Automatique de

Je souhaite exprimer toute ma gratitude à mes deux rapporteurs, M. Pierre Baptiste et M.

Je tiens aussi à remercier l'équipe technique et administrative de l'ancien laboratoire LAG

Chapitre 2 Caractérisation du problème 31

1.5.1 Production de froid alimentaire . . . . . . . . . . . . . . . . 36

Chapitre 3 Système de gestion de l'énergie dans le bâtiment 41

Partie II Modélisation du problème 49

Chapitre 5 Formulation mathématique du problème 63

Chapitre 6 Architecture de conduite retenue 75

Partie III Approches de résolution 83

3 Programmation linéaire en variables mixtes (PLVM) . . . . . . . . . . . . . . . 93

Chapitre 8 Approche de résolution pour la couche réactive 109

Chapitre 9 Prise en compte des incertitudes 119

Partie IV Applications 131

1.2 Architecture logicielle . . . . . . . . . . . . . . . . . . . . . . . . . . . 137

Chapitre 11 Prévention des blackouts grâce au système de gestion d'énergie149

Conclusion générale 159

Table des gures 173

Liste des tableaux 175

par les autres couches.

Ce chapitre analyse sommairement le contexte de la consommation et de la production éner-

Consommation énergie primmaire EJ/a ( EJ = Exajoule =1018 Joule)

1.1 Contexte mondial

Fig. 1.2  Réserve mondiale l'énergie fossile

Impacts sociaux : Les carburants fossiles représentent un enjeu politico-économique majeur

1.1.2 De la production à la consommation d'électricité

L'électricité provenant d'énergies non-renouvelables : L'électricité peut être produite à

Production de l'électricité à partir des énergies renouvelables : En considérant le

Fig. 1.3  Consommation d'électricité par secteur dans le monde entier

Consommation d'électricité : Le rapport sur la production d'énergie mondiale (IEA, 2006)

1.2 Contexte français

1.3 Conclusions sur le contexte

2 Problématique de la production et de la consommation

2.1 La structure et l'exploitation du réseau électrique

2.1.1 La structure du réseau électrique

Fig. 1.5  Structure du réseau de production et de distribution d'électricité

• le réseau de transport à haute tension, chargé de transporter massivement l'énergie sur

2.1.2 Supervision, conduite et exploitation du réseau électrique

2.1.3 Problématique des pics de consommation

de 23% en 10 ans. En conséquence, la production doit suivre la consommation en augmentant

2.2 Maîtrise de l'énergie dans le secteur Résidentiel-Tertiaire : l'enjeu incon-

per l'intermittence caractéristique des sources locales en satisfaisant la contrainte de sécurité

Table des gures 173

Fig. 1.2 Réserve mondiale l'énergie fossile

Fig. 1.3 Consommation d'électricité par secteur dans le monde entier

Fig. 1.5 Structure du réseau de production et de distribution d'électricité

1.1 Chauage et climatisation

Fig. 2.2 PMV : sensation thermique sur un échelle de 7 niveaux

Fig. 3.1 Service énergétique

Tab. 3.1 Caractérisation du degré de liberté pour diérents services énergétiques

2.1.2 Notion de degré de liberté du ux de service

2.2 Vers une optimisation de la gestion des ux énergétiques

Fig. 3.2 Les trois critères de la Maîtrise De l'Energie(MDE)

2.3 Gestion de ux énergétiques

Tab. 3.2 Comparaison entre un système de production de biens et un système de gestion de

Fig. 4.1 Diagramme de classe UML du système

1.1 Notion de ux

Tab. 4.1 Structure d'information du besoin utile d'un service

équipements par des automates à états nis.

Fig. 4.4 Modèle de l'automate à l'état d'une batterie

Fig. 4.5 Machine à états nis du comportement d'une machine à laver

Tab. 5.1 Table de vérité de fonctions booléennes