Energy planning at the neighborhood level is a major development axis for the energy transition. This scale allows the pooling of production and storage equipment, as well as new possibilities for demand-side management such as flexibility. To manage this growing complexity, one needs two tools. The first concerns modeling, allowing exhaustive simulation analyses of buildings and their energy systems. The second concerns optimization, making it possible to decide on the sizing or control of energy systems. In this article, we analyze, in the case of an existing residential neighborhood, the ability to study by modeling and optimization tools two scenarios of energy flexibility of indoor heating. We propose in particular a method allowing to rely on a varied set of data available to build the various models necessary for optimization tools or dynamic simulation. A study was conducted to identify the neighborhood’s flexibility potential in minimizing $C{O}_2$ emissions, through shared physical storage, or storage in the building envelope. The results of this optimization study were then compared to their application to the virtual neighborhood by simulation.

Cities take a central place in today’s energy landscape. Urban Buildings Energy Modeling (UBEM) is identified as a promising approach for energy planning and optimization in cities and districts. It generally relies on the use of Building Archetypes, i.e., simplified deterministic models for categorized building typologies. However, this implies large assumptions which may accumulate and induce significant bias on energy consumption estimates. In this work, we address this issue with static stochastic models whose parameters are inferred over national thermo-energy data using Bayesian Inference. We analyze inference results and validate them with a panel of standard indicators. Then, we provide comparative results with deterministic building archetypes and stock data from the TABULA European project. Comparisons between heat loss coefficients show relative coherence between building categories, but highlight some significant bias between both approaches. This bias is also shown in the comparative result of a Monte Carlo simulation using inferred stochastic models for a 10331 dwellings stock. In conclusion, inferred stochastic models show interesting insights over the French dwellings stock and potential for district energy simulation. All code and data involved in this study are released in an open repository.

Face aux forts besoins de réduction de la consommation énergétique et de l’impact environnemental,le bâtiment d’aujourd’hui vise la performance en s’appuyant sur des sourcesd’énergie de plus en plus diversifiées (énergies renouvelables), une enveloppe mieux conçue(isolation) et des systèmes de gestion plus avancés. Plus la conception vise la basse consommation,plus les interactions entre ses composants sont complexes et peu intuitives. Seule unerégulation plus intégrée permettrait de prendre en compte cette complexité et d’optimiser lefonctionnement pour atteindre la basse consommation sans sacrifier le confort.Les techniques de commande prédictive, fondées sur l’utilisation de modèles dynamiqueset de techniques d’optimisation, promettent une réduction des consommations et de l’inconfort.Elles permettent en effet d’anticiper l’évolution des sources et des besoins intermittentstout en tirant parti de l’inertie thermique du bâtiment, de ses systèmes et autres élémentsde stockage. Cependant, dans le cas du bâtiment, l’obtention d’un modèle dynamique suffisammentprécis présente des difficultés du fait d’incertitudes importantes sur les paramètresdu modèle et les sollicitations du système. Les avancées récentes dans le domaine de l’instrumentationdomotique constituent une opportunité prometteuse pour la réduction de cesincertitudes, mais la conception d’un tel système pour une telle application n’est pas triviale.De fait, il devient nécessaire de pouvoir considérer les problématiques de monitoring énergétique,d’instrumentation, de commande prédictive et de modélisation de façon conjointe.Cette thèse vise à identifier les liens entre commande prédictive et instrumentation dansle bâtiment, en proposant puis exploitant une méthode générique de modélisation du bâtiment,de simulation thermique et de résolution de problèmes d’optimisation. Cette méthodologiemet en oeuvre une modélisation thermique multizone du bâtiment, et des algorithmesd’optimisation reposant sur un modèle adjoint et les outils du contrôle optimal. Elle a étéconcrétisée dans un outil de calcul permettant de mettre en place une stratégie de commandeprédictive comportant des phases de commande optimale, d’estimation d’état et decalibration.En premier lieu, nous étudions la formulation et la résolution d’un problème de commandeoptimale. Nous abordons les différences entre un tel contrôle et une stratégie de régulationclassique, entre autres sur la prise en compte d’indices de performance et de contraintes. Nousprésentons ensuite une méthode d’estimation d’état basée sur l’identification de gains thermiquesinternes inconnus. Cette méthode d’estimation est couplée au calcul de commandeoptimale pour former une stratégie de commande prédictive.Les valeurs des paramètres d’un modèle de bâtiment sont souvent très incertaines. Lacalibration paramétrique du modèle est incontournable pour réduire les erreurs de prédictionet garantir la performance d’une commande optimale. Nous appliquons alors notreméthodologie à une technique de calibration basée sur des mesures de températures in situ.Nous ouvrons ensuite sur des méthodes permettant d’orienter le choix des capteurs à utiliser(nombre, positionnement) et des paramètres à calibrer en exploitant les gradients calculéspar la méthode adjointe.La stratégie de commande prédictive a été mise en oeuvre sur un bâtiment expérimentalprès de Chambéry. Dans le cadre de cette étude, l’intégralité du bâtiment a été modélisé,et les différentes étapes de notre commande prédictive ont été ensuite déployées de mainière séquentielle. Cette mise en oeuvre permet d’étudier les enjeux et les difficultés liées àl’implémentation d’une commande prédictive sur un bâtiment réel.Cette thèse est issue d’une collaboration entre le CEA Leti, l’IFSTTAR de Nantes et leG2ELab, et s’inscrit dans le cadre du projet ANR PRECCISION.