This paper presents a statistical approach for uncertainty and sensitivity analyses applied to 14 inputs whose 10 properties associated with brick material, using the four different EnergyPlus wall models. The variability of inputs has been extracted from several characterization works presented in IEA Annexes 14, 24 and 55, being coherent to the lack of knowledge in the early design stage. Besides the methodology, this paper presents the moisture effects on cooling energy demand and indoor air conditions, using a simple building geometry and the humid climate of Singapore. Results are presented in terms of uncertainty quantification, most uncertain parameters and sensitivity indices for all models, illustrating the impact of moisture and the importance of the need to well define moisture-dependent functions. The methodology is well adapted for use in complex interactive models with a low-cost simulation and can be used to reduce uncertainties in the design stage and promote reliability of retrofitting assessment.
1 February 2015 in Reliability Engineering & System Safety
Uncertainty and risk analyses are important tools for building designs and performance assessment of renewable energy systems. This task requires to account for the variability of the weather data. In this work, we develop a methodology to characterize and simulate stochastic weather data. The stochastic features of each weather input, such as auto-correlation and hourly cumulative distribution functions, are extracted from the dataset at hand. Then, the procedure of Iman and Conover is used to generate stochastic weather inputs. The approach is applied to a sequence of 1 month extracted from the typical meteorological year of the city of Lyon, France. The simulated stochastic weather data are employed to perform the uncertainty and sensitivity analysis of a real passive, low-energy house. The results show that the uncertainty on the predicted energy needs is roughly 20% and is essential due to the stochastic variability of the outdoor air temperature.
Ce travail de thèse s'inscrit dans le cadre du projet ANR FIABILITE qui porte sur la fiabilité des logiciels de simulation thermique dynamique et plus particulièrement sur les sources potentielles de biais et d'incertitude dans le domaine de la modélisation thermique et énergétique des bâtiments basse consommation. Les sollicitations telles que les occupants, la météo ou encore les scénarios de consommation des usages font partie des entrées les plus incertaines et potentiellement les plus influentes sur les performances d'un bâtiment basse consommation. Il est nécessaire pour pouvoir garantir des performances de déterminer les dispersions de sortie associées à la variabilité des entrées temporelles et d'en déterminer les variables responsables pour mieux réduire leur variabilité ou encore concevoir le bâtiment de manière robuste. Pour répondre à cette problématique, on se base sur les indices de sensibilité de Sobol adaptés aux modèles complexes à grandes dimensions tels que les modèles de bâtiment pour la simulation thermique dynamique. La gestion des entrées fonctionnelles étant un verrou scientifique pour les méthodes d'analyse de sensibilité standard, une méthodologie originale a été développée dans le cadre de cette thèse afin de générer des échantillons compatibles avec l'estimation de la sensibilité. Bien que la méthode soit générique aux entrées fonctionnelles, elle a été validée dans ce travail de thèse pour le cas des données météorologiques et tout particulièrement à partir des fichiers météo moyens (TMY) utilisés en simulation thermique dynamique. Les deux aspects principaux de ce travail de développement résident dans la caractérisation de la variabilité des données météorologiques et dans la génération des échantillons permettant l'estimation de la sensibilité de chaque variable météorologique sur la dispersion des performances d'un bâtiment. A travers différents cas d'application dérivés du modèle thermique d'une maison basse consommation, la dispersion et les paramètres influents relatifs à la variabilité météorologique sont estimés. Les résultats révèlent un intervalle d'incertitude sur les besoins énergétiques de l'ordre de 20% à 95% de niveau de confiance, dominé par la température extérieure et le rayonnement direct.