Avec le développement récent de régulateurs innovants pour le bâtiment, il devient nécessaire de mettre au point une méthode de test qui soit à la fois rapide, reproductible et réaliste. La méthode développée dans cette thèse permet d'obtenir des performances annuelles de régulateurs de pompes à chaleurs (PAC) géothermiques en seulement quelques jours de test. Basé sur une technique d'émulation déjà utilisée pour des tests de PAC géothermiques et de systèmes solaires combinés, le test permet d'incorporer le régulateur et la PAC réels dans un environnement de simulation calibré par des mesures in-situ. Chaque jour de test correspond à un jour type de chaque mois. Le développement de la méthode consiste à déterminer la séquence de jours types optimale permettant une bonne estimation des performances. La méthode est ensuite testée expérimentalement sur le banc semi-virtuel pour comparer un régulateur prédictif à un régulateur conventionnel sur une saison de chauffage. Pour les besoins de la méthode, un régulateur prédictif de PAC géothermiques est développé. Ce régulateur utilise des réseaux de neurones pour la prévision des données météo et de la température ambiante. Un nouveau module pour la prévision des températures dans le plancher chauffant et les sondes géothermiques est proposé. Le régulateur prédictif est testé par simulation sur une saison de chauffage pour différents climats et types de maisons individuelles. En fonction de la référence, les économies d'énergie réalisées varient entre 6% et 15%. / With the recent development of innovative controllers for the building, there is a need to develop a testing method that is fast, reproducible and realistic. The method developed in this study aims to estimate the annual performance of ground source heat pump (GSHP) controllers in only a few days of test. Based on emulation techniques already used for GSHP and solar combined systems, the test immerses the controller and a real GSHP in a simulated environement that is calibrated with in-situ data. Each day of test represents a typical day of the month. The development of the method consists in determining the optimal typical days that ensure an accurate estimation of annual performance. The method is then experimentally tested on the semi-virtual test bench for the comparison of a predictive controller and a conventionnal controller over an entire heating season.To develop the method, a predictive controller for GSHP is elaborated. The controller is based on artificial neural networks used for the prediction of weather data and indoor temperature. A new module for the prediction of floor heating and boreholes fluid temperatures is also proposed. The predictive controller is tested by simulation over a heating season for various climates and types of single family house. According to the reference case, the energy savings vary between 6% and 15%.
| Identifer | oai:union.ndltd.org:theses.fr/2013ENMP0095 |
| Date | 15 October 2013 |
| Creators | Salque, Tristan |
| Contributors | Paris, ENMP, Marchio, Dominique |
| Source Sets | Dépôt national des thèses électroniques françaises |
| Language | French |
| Detected Language | French |
| Type | Electronic Thesis or Dissertation, Text |
Page generated in 0.0017 seconds