Les Systèmes Solaires Combinés (SSC), qui répondent aux besoins d'Eau Chaude Sanitaire (ECS) et de chauffage d'un bâtiment, peuvent réaliser des économies d'énergie conséquentes. Cependant, leurs performances dépendent énormément de leur conception, de leur installation et surtout de l'environnement énergétique auquel ils sont confrontés (c'est-à-dire les besoins thermiques du bâtiment et les ressources solaire). A ce jour, il est impossible de prédire l'économie d'énergie qu'un SSC permettrait de réaliser. Il n'existe aucun test normatif permettant la caractérisation des performances des SSC, ce qui pénalise le développement de son marché. La méthode SCSPT (Short Cycle System Performance Test) a pour objectif d'évaluer les performances annuelles des SSC à partir d'un test de 12 jours sur banc d'essai thermique semi-virtuel. Sa particularité est de considérer chaque système comme un unique ensemble ce qui permet, contrairement aux méthodes de type « composant », de prendre en compte les vraies interactions entre les éléments des SSC lors de leur test. Elle montre de très bons résultats mais ceux-ci sont limités à la prédiction des performances du système pour le seul environnement énergétique adopté lors du test. Ces travaux de recherche proposent une amélioration de la procédure SCSPT en lui ajoutant une étape d'identification d'un modèle générique de SSC à partir de données expérimentales. De cette manière, le modèle identifié pourrait simuler le comportement du SSC testé sur différentes séquences annuelles pour n'importe quel environnement énergétique et ainsi caractériser ses performances (à l'aide de la méthode FSC par exemple). L'architecture proposée pour ce modèle est du type « Boite Grise ». Elle mêle une partie « Boite Blanche » composée d'équations physiques caractéristiques de certains éléments du SSC et une partie « Boite Noire » constituée principalement d'un réseau de neurones artificiels. Une procédure complète est conçue pour entrainer et sélectionner un modèle correspondant aux SSC à partir des données de leur test sur banc d'essai semi-virtuel. Cette approche a été validée numériquement grâce à des simulations de trois modèles détaillés de SSC sous TRNSYS. En comparant leurs résultats annuels avec ceux des modèles « Boites Grises » entrainés à partir d'une séquence 12 jours, ces derniers sont capables de prédire la consommation en énergie d'appoint de manière très précise pour 27 environnements énergétiques différents. L'application concrète de cette nouvelle procédure a été réalisée expérimentalement sur deux SSC réels. Elle a confirmé que l'approche était pertinente et cohérente. Elle a également permis d'identifier quelques améliorations pour que la méthode soit totalement opérationnelle. Ce travaux offrent une base pour avancer dans l'élaboration d'une méthode complète et fiable de caractérisation des SSC qui pourraient conduire à une nouvelle procédure de normalisation (et d'envisager un étiquetage énergétique des SSC. / Solar Combi Systems (SCS) can be very efficient at reducing heat energy bill of a house but their performances depend on the environment they are working in (type of climate and thermal quality of the building). Currently it is impossible to predict how much energy a SCS would save before its installation. There is no standard test to characterize SCS performances and this curbs its market development. The Short Cycle System Performance Test (SCSPT), that is being developed at the French National Institute of Solar Energy (INES, Chambery, France), aims to evaluate SCS annual performance from a test on a semi-virtual test bench. Its special feature is to test the whole system as only one part, unlike “component testing” which can't consider real interaction between combisystems components. The SCSPT method shows good results but performance prediction is limited to only one environment (i.e. one set of system sizing, type of climate and building thermal quality, corresponding with the test). This work proposes an improvement of the SCSPT procedure by identifying a global SCS model from the test data. In this way, the identified model would be able to simulate the tested SCS behaviour in any environment and thus to characterize its performances. The proposed model to identify is a “grey box” model, mixing a “white box” model composed of known physical equations and a “black box” model, which is an Artificial Neural Network (ANN). A complete process is developed to train and select a relevant global SCS model from such a test on semi-virtual test bench. This approach has been validated through numerical simulations of three detailed SCS models. Compared to their annual results, “grey box” SCS models trained from a twelve days sequence are able to predict energy consumption with a good precision for 27 different environments. Concrete experimentations of this procedure have been applied to two real systems. They have confirmed that the approach is pertinent and revealed some points to improve in order to get it totally operational. This work offers major basis to get ahead with a complete method to characterize SCS that could lead to develop a standardization method from performance evaluation (and eventually complete the European norm EN 15316 for instance) and to plan a combisystems performance labelling.
| Identifer | oai:union.ndltd.org:theses.fr/2011GRENA016 |
| Date | 14 October 2011 |
| Creators | Leconte, Antoine |
| Contributors | Grenoble, Achard, Gilbert |
| Source Sets | Dépôt national des thèses électroniques françaises |
| Language | French |
| Detected Language | French |
| Type | Electronic Thesis or Dissertation, Text |
Page generated in 0.0021 seconds