Surrogate-based Calibration Methods for Building Energy Models

Les bâtiments jouent un rôle clé dans la transition vers un avenir plus vert. Pour mieux comprendre leur rôle, les modèles énergétiques de bâtiments (MEB) peuvent être utilisés pour déterminer les actions qui réduiront le plus efficacement les émissions de carbone. Les MEB sont des modèles numériques de bâtiments qui peuvent être simulés pour étudier un large éventail de scénarios d’efficacité énergétique et de décarbonation. Toutefois, pour obtenir des résultats précis pour les scénarios, la consommation d'énergie simulée des MEB doit correspondre à la consommation d'énergie mesurée des bâtiments modélisés. En d'autres termes, les MEB doivent être calibrés. La calibration des MEB est une tâche difficile car les bâtiments sont très complexes, avec un grand nombre de paramètres inconnus de bâtiment et relativement peu de données connues (par exemple, l'énergie mesurée) pour les déduire. Cette thèse présente deux nouvelles méthodes de calibration de MEB qui font une meilleure utilisation des données connues et de leurs interactions que la plupart des méthodes. Elles exploitent le pouvoir prédictif des modèles de substitution ainsi que les données météorologiques et d’énergie à haute résolution pour mieux calibrer les MEB que les méthodes existantes dans la littérature. La troisième contribution de la thèse est une étude comparative qui met en lumière l'importance de l'utilisation de données détaillées de consommation pour calibrer les modèles énergétiques des bâtiments urbains (UBEM), qui sont des MEB multiples regroupés dans un contexte urbain. Les modèles de substitution sont des modèles simplifiés d'apprentissage machine qui sont entraînés pour imiter des modèles plus complexes, tels qu'un MEB. La première nouvelle méthode de calibration utilise un modèle de substitution par réseau neuronal artificiel (RNA) qui, contrairement aux modèles de substitution similaires dans la littérature, apprend l'impact des données météorologiques et d'occupation du bâtiment, à la fois actuelles et passées, sur la consommation d'énergie mesurée. Le RNA de substitution est également beaucoup plus grand que la plupart des RNA dans la littérature afin de tenir compte du nombre accru d'entrées. Grâce à ces entrées, le RNA est capable de mieux prédire l'énergie mesurée. La deuxième méthode de calibration novatrice réentraîne un modèle de régression polynomiale multiple (RPM) plusieurs fois avec des espaces de paramètres inconnus de plus en plus restreints, ce qui réduit peu à peu l'erreur entre ses prédictions et l'énergie mesurée. En général, les modèles de substitution ne sont entraînés qu'une seule fois sur l'ensemble de l'espace des paramètres de bâtiment inconnus, ce qui rend leurs prédictions moins précises. Le modèle RPM ajuste également un modèle de régression distinct pour chaque heure de l'année, prenant ainsi en compte l'impact des conditions extérieures (la météo) et intérieures sur l'énergie mesurée. Dans la troisième contribution, nous examinons l'effet de la résolution spatio-temporelle de l'énergie mesurée sur la précision de calibration d'un UBEM résidentiel de 50 maisons. Quatre résolutions temporelles différentes (quart d'heure, heure, jour et mois) et trois résolutions spatiales différentes (maisons individuelles, groupes de 10 maisons et un groupe de 50 maisons) sont comparées. Les principales conclusions sont que les résolutions temporelles moins détaillées (par exemple, mensuelles) ont un faible impact négatif sur la précision de calibration du MEBU, tandis que les résolutions spatiales moins détaillées (par exemple, des groupes de 10 maisons) ont un impact négatif important. Toutefois, ces résultats ont été obtenus dans un contexte où le comportement d'occupation des maisons dans l'UBEM est estimé à partir des données mesurées elles-mêmes. Les résultats pourraient être différents si l'UBEM était calibré sans cette estimation ou avec de vraies données d’occupation. Les deux nouvelles méthodes de calibration de MEB et l'étude comparative posent les bases pour des méthodes de calibration encore plus avancées, qui exploitent au mieux les données connues pour déduire avec plus de précision les paramètres inconnus de bâtiment.