Outil MPE 3.3 Outil de qualification d’une trajectoire énergétique de bâtiment. Développé par IFPEB et ses partenaires EDF, Schneider Electric et Bureau Veritas Outil Mesure de la Performance Energétique MPE V3.3 - Equipe projet depuis 2013 • Bertrand GUARINOS • Marion GOBLET • Roberto LOPES - VALLE • Jaouad OUAHI • Hicham LAHMIDI • Thierry DJAHEL • Didier ROUSTAN • Magali Saint-Donat • Guillaume LEVOYER • Denis DI PAOLA • Pascal CREMEL • Thierry SIMON • Baptiste BENOIT • Cédric BOREL L’exercice à résoudre L’interprétation d’une « trajectoire énergétique » de bâtiment pour en déterminer le progrès en efficacité énergétique. Un bâtiment… MPE 4 Le calcul CUBE Référence: 3 ans d’historique des consommations mensuelles. 2012 2013 2015 2014 Consommation de Référence Référence Ajustée climat et usages 2015 Consommation réelle, base factures. Economies d’énergie % Autre cas : la trajectoire long terme MPE calé Sur l’historique récent Différence mesurée 8 ans auparavant. MPE 6 Un outil robuste qui doit • Calculer un progrès énergétique, une « trajectoire énergétique » à partir d’un historique : • • • Dé correler dans cette analyse les facteurs externes : • • • • La rigueur climatique, ou encore les DJU chauffage, Les hautes températures de l’été, les DJU rafraichissement, Les données d’usages d’expression significative dans la structure de consommation susceptibles d’avoir varié indépendamment des actions d’efficacité énergétiques menées par ailleurs. Se baser sur une information simple: • • • Quelque soit les années de référence (2006, 2007…) ou 1990, 1991, etc. Quelque soit l’année d’arrivée. Les factures mensuelles des énergies, Les éventuelles données d’usages historisées, si besoin. Etre suffisamment fin pour détecter et séparer les candidats avec 1 chiffre après la virgule idéalement. Sans calcul de correction climatique ? Bâtiment Economie d’énergie corrigée climat en 2014 (référence 2011, 12, 13) Economie d’énergie brute 2014 (année douce) sans correction climatique. Economie d’énergie brute 2014 si climat équivalent à 2012 (année froide). Analyse 380 personnes, 6346 m2 de surface chauffée. Gaz+Elec. 6,8% d’économies 13,2 % d’économies -6,6% de surconsommation 20% d’écart par rapport à une EEB de 6,8% 450 personnes, 8298 m2 de surface chauffée. CPCU + Gaz + Elec. 12,1% d’économies 19,2 % d’économies -10,1% de surconsommation 29% d’écart par rapport à une EEB de 12% Rien de lisible… MPE 8 Détermination de l’outil Base mathématique et tests de fiabilité 9 Quelle donnée d’entrée universellement disponible? • La donnée de base, nécessaire et suffisante pour la connaissance « macro » du comportement climatique et d’usages: • Les consommations mensuelles d’énergie, tous vecteurs d’énergie achetés, sur une base mensuelle. • Prétraitement de l’information: • Mensualisation de l’information non mensuelle (exemple: facture d’électricité au 10 de chaque mois, etc.) par deux méthodes: • Prorata temporis si la donnée n’est pas thermosensible, • Prorata DJU su la donnée est avérée thermosensible. • Correction des effets de facture: prévisionnels et relevée avec régulation, fait apparaître des discontinuités évidentes. • Traiter les singularités: • Semestrialisation des données (gaz), • Changements de fournisseurs d’énergie (mauvaise qualité de service en ce moment) • Traduction d’unités de mesures exotiques en kWh, • Eternel problème du traitement du fioul quand il n’est pas mesuré en sortie de cuve. MPE 10 Utilisation de l’IPMVP • Base universelle du calcul des CPE et par exemple d’une GRE, l’IPMVP est une comparaison « avant / après » sur une action (ou des actions) d’efficacité énergétique qui vise à: 1. Caractériser le comportement du système énergétique (ici: le bâtiment) AVANT les actions d’efficacité énergétique, en détectant les paramètres explicatifs du système et en mathématisant la consommation prévisionnelle, 2. Tracer les variations de périmètre du système énergétique étudié sur des contributeurs avérés à la consommation totale. Exemples: • Augmentation de surface, • Augmentation de l’intensité d’usage (augmentation des postes de travail, installation de serveurs, déploiement de prises pour véhicules électriques), • Changement du périmètre de comptage, • Etc. 3. Faire la comparaison, au cours de la mise en place des actions d’efficacité énergétique, entre la consommation prévisionnelle et la consommation réelle mesurée, pour en mesurer le volume d’économies, pour tout effet. MPE 11 Choix de la méthode (1/2) • Après divers tests… • Construction d’un polynôme de régression multilinéaire: • Y = a0 + a1X1 + a2X2 + … + anXn, où Y est la consommation et X, l’ensemble de variables explicatives. Le nombre n de variables n’est pas fixe : en fait, il dépend de l’énergie Y et du bâtiment étudié. • Calcul des ai par la méthode des moindres carrés, pour la garantie de la meilleure interpolation possible, • Pour identifier le jeu de variables idéal pour un bâtiment, il faut réaliser plusieurs tests, en faisant varier l’ensemble de variables du modèle, ce qui fait varier la valeur du coefficient R2. Lorsque l’on aura le R2 optimal (le plus élevé), on aura donc trouvé un bon jeu de variables expressives dans la consommation finale. • Même si notre outil nous permet de sélectionner un nombre élevé de variables, l’IPMVP souligne que l’on ne peut jamais dépasser un total de 4 variables dans la méthode de régression. MPE 12 Choix de la méthode (2/2) 1−𝑅 2 𝑛−1 • Notre outil utilise le coefficient ajusté: =1− , 𝑛−𝑘 où n est le nombre d’observations réelles et k le nombre de variables explicatives utilisées pour décrire la courbe. La dénomination « ajusté » vient du fait qu’il fait une correction du coefficient de détermination R2 • Le R2 est biaisé: il augmente mécaniquement lorsqu’on augmente le nombre de variable explicatives, même fausse. Il ne permet pas de mieux caractériser le « taux d’explication » de la variable de sortie en fonction de la donnée d’entrée, • Le R2ajusté est capable de faire ces deux tâches. Il garde la fonction du R2 normal (calcul de la qualité de la courbe) et nous permet d’identifier si une donnée fausse a été inclue dans le modèle en faisant diminuer la valeur du coefficient de détermination non-ajusté. R2 MPE R2ajusté 13 Autres variables de contrôle qualité de la régression • Test de FISHER, • Contrôle visuel des singularités possibles, • Revue critique en post-traitement et éventuel dialogue client, • Calcul de l’intervalle de confiance d’une consommation prévisionnelle en fonction de la qualité de la donnée d’entrée. MPE 14 Calcul final • Situation de référence: • Choix de 3 années antérieures à l’année concours: 36 points idéalement pour caractériser le modèle, • Peu d’incidence possible de gros travaux dans une période rapprochée (sinon, il faut réduire l’intervalle au passé proche après travaux) • Possibilité de choisir un intervalle de référence plus large, une période plus reculée (décret: possible dès 2006… si la donnée est disponible). • Calcul concours • Déterminer les énergies Y en fonction de données d’entrée explicatives: au moins DJU, DJU, usages le cas échéant, • Calculer pendant l’année concours la consommation prévisionnelle, • Effectuer la différence avec la consommation réelle, • En déduire les économies. 15 Cas réels Consos réelles _____ Consos Reconstituées Algorithme CUBE - - - - Modèle polynomial de degré > 2 Un modèle de régression polynomial serait-il plus adapté ? Dans l'ensemble, une régression polynomiale n'est pas significativement plus explicative qu'une relation linéaire (augmentation moyenne du R2 = 0,05) On a rencontré trois types de bâtiments atypiques, dont la régression polynomiale explique significativement plus que la régression linéaire Etude – Bâtiment 1 Courbe de consommation de gaz sur 3 ans : pic de consommation les 2 derniers étés Courbe de consommation en ignorant les pics de gaz en été MPE 17 Modèle polynomial de degré > 2 Résultats – Bâtiment 1 Amélioration de l'explication de la courbe prévisionnelle = Prise en compte de données extérieures à la performance du bâtiment à corriger. Régression linéaire Régression polynomiale MPE 18 Modèle polynomial de degré > 2 Etude – Bâtiment 2 Courbe de consommation d'électricité en dents de scie Courbe d'électricité lisse d'un bâtiment non atypique Outil MPE 19 Modèle polynomial Résultats – Bâtiment 2 Amélioration de l'explication de la courbe prévisionnelle = Cause peut être lié à la performance énergétique et des possibles bouclages non linéaires Régression linéaire Régression polynomiale Outil MPE 20 Modèle polynomial de degré > 2 Etude – Bâtiment 3 Amélioration de l'explication de la courbe prévisionnelle = Données erronées Régression linéaire Régression polynomiale Outil MPE 21 Modèle polynomial de degré > 2 Conclusion MPE 22 Traitement de la colinéarité Exemple Graphiques Fréquentation, Hébergement et Nombre d’heures de cours Bonne corrélation (r > 0,7) Vecteurs colinéaires Outil MPE 23 Traitement de la colinéarité Plan de l’étude Outil MPE 24 Conclusion dans la construction de MPE 3.3 1. Synthèse des données descriptives de bâtiment (destination, usages, systèmes énergétiques, fournitures d’énergie, hors génération PV), 2. Correction des données d’entrées non mensuelles ou aux dates décalées, 3. 4. Choix des meilleurs DJU (DJC, DJR) pour le bâtiment, Rapatriement automatique des DJU en ligne, 5. Test de variables d’intensité d’usage si besoin, 6. 7. Calcul des coefficients de qualité / confiance, Détermination des polynômes de régressions linéaires, 8. Eventuelles régressions non linéaires (cas rare, électricité), 9. Chargement automatique des DJU pendant la période de mesure, 10. Calcul de la prévision de consommation pendant la période de mesure, 11. Calcul de l’économie d’énergie pendant la période souhaitée. MPE 25 Tests paramétriques Quelle robustesse du modèle? MPE 26 Etude de sensibilité: l’éclairement Objets d’étude Le Hive Tour Sequana Objectif : Déterminer si l’ensoleillement doit être considéré dans le calcul de performance. MPE 27 Traiter l’éclairement? Sur une localisation réelle. Graphique Ensoleillement x DJU : bonne corrélation (0,69 < r < 0,8) Vecteurs colinéaires, pas de traitement sauf cas exceptionnel et… envie d’aller dans le détail. Outil MPE 28 Etudes de sensibilité sur l’éclairement Tour Sequana DJU 18 17 16 15 14 13 12 11 10 Le Hive DJU 18 17 16 15 14 13 12 11 10 R2 Electricité R2 Réseau de Chaleur Economies d’énergie Avec Eclairement Sans Eclairement -5,6 -3,4 -5,5 -3,4 -5,3 -3,3 -4,9 -3,1 -4,6 -2,9 -4,3 -2,7 -4,1 -2,5 -4,0 -2,4 -4,0 -2,3 R2 Electricité Avec Eclairement Sans Eclairement 60,6 61,5 60,9 61,8 61,5 62,3 62,4 63,2 63,2 64,0 63,8 64,6 63,5 64,4 62,3 63,4 60,2 61,3 Avec Eclairement Sans Eclairement 75,5 76,2 75,9 76,6 76,2 76,9 76,4 77,1 76,4 77,1 76,2 76,7 75,7 76 75 74,7 73,9 72,5 R2 Gaz Avec Eclairement Sans Eclairement 83,5 83,4 84,9 84,8 86,4 86,3 87,6 87,6 88,6 88,7 89,4 89,6 89,9 90,2 90,1 90,3 89,6 89,4 Avec Eclairement Sans Eclairement 18,5 22,6 18,3 18,3 18,0 18,0 17,7 17,2 17,4 17,4 17,2 17,1 16,9 16,7 16,7 16,4 16,7 16,3 Economies d’énergie Avec Eclairement Sans Eclairement 6,6 6,7 6,4 6,5 6,0 6,1 5,6 5,6 5,1 5,2 4,7 4,8 4,4 4,4 4,1 4,0 4,1 3,9 Outil MPE 29 Etudes de sensibilité éclairement Conclusion • La base DJC à adopter lors du traitement de bâtiments fortement vitrés, avec intense puissance informatique installée, est inférieure à la base moyenne (18 °C), étant plutôt dans la plage de 12 à 15°C. • Dans les deux cas, l’ensoleillement ne produit pas une augmentation du coefficient R2, en réalité, il le diminue. • On peut donc négliger les apports d’énergie dus à l’éclairement naturel. Outil MPE 30 Etudes de sensibilité Stress test: données d’entrées du modèle. Conclusion d’un plan d’expérience. Erreur Effet attendu Résultat mesuré Effet Donnée de consommation divergente La courbe de référence change sensiblement Les variations des résultats sont d’autant plus sensibles que l’écart entre la valeur réelle et la valeur anormale Peu grave à moyennement important Variable ayant valeur(s) aberrante(s) La courbe de référence ne change pas sensiblement Variations sensibles surtout sur les économies cumulées Peu grave à moyennement important Changement de station météo Les résultats changent puisque les données climatiques dépendent de la localisation Très petites variations par rapport aux valeurs de base Peu grave Décalage temporel La saisonnalité n’est plus détectable, donc grosses variations des résultats Erreur très sensible sur la consommation spécifique saisonnière et sensible sur les économies cumulées Grave à très important! Outil MPE 31 Visualisations de l’outil Une méga table Excel… Autonome ou en lien avec l’outil en ligne www.CUBE2020.fr MPE 32 Onglet d’entrée: données descriptives Imports DJU et données d’entrées Import automatique: deux intervalles de DJU importées 34 Choix des données d’entrées et exclusion des données singulières 35 Visualisations des DJU significatifs 36 Choix définitif des DJC/DJR et Usage Avant correction d’un effet de facture. MPE 37 Calcul de performance: format CUBE ou pas 38 Fiche de synthèse candidat EXEMPLE Possibilité d’utilisation en format « non CUBE » sur des versions antérieures Avant travaux sur la régulation. Après travaux sur la régulation. Merci pour votre attention [email protected] www.cube2020.fr MPE 41