Garantie de performance énergétiqueGarantie de performance énergétique –Tâche 4.4 – Octobre 2014 Page 7 sur 26 Recommandations pour le système de M&V – Version finale 3

Page 1 sur 26 Version provisoire - Tâche n°4.4

Fondation Bâtiment-Energie

Garantie de performance énergétique

Recommandations pour le système de mesures et de vérification

Tâches 4.4

Version finale

Julien Caillet – COSTIC

Daniel Magnet – IBTECH

Myriam Humbert - CEREMA

Christophe Beslay (BESCB)

Jean Dominique Lénard - DE LUMINAE

Version 3

Octobre 2014

Garantie de performance énergétique –Tâche 4.4 – Octobre 2014

Page 2 sur 26 Recommandations pour le système de M&V – Version finale Recommandations pour le système de M&V – Version finale

Sommaire

1. Introduction ...................................................................................................... 3

2. Intérêts des analyses de sensibilité sur le futur bâtiment rénové .............. 4

3. La cause des écarts prévision-mesure en logement collectif ..................... 7

3.1 Les différentes méthodes de recalage ......................................................... 7

3.2 Causes principales des écarts sur l’étude de cas de logement ................. 9

3.3 Généralisation et recommandations pour le logement collectif .............. 12

4. Enseignements sur l’étude de cas de bureau et recommandations ........ 14

5. Comportement des utilisateurs : retours d’expériences techniques et sociologiques ........................................................................................................... 15

5.1 Modélisation des occupants dans le logement collectif ........................... 15

5.2 Électricité spécifique et éclairage pour le tertiaire .................................... 18

5.3 Synthèse des apports de la sociologie ...................................................... 18

6. Annexe A : Qu’est ce que l’analyse de sensibilité ? .................................. 22

7. Annexe B : Les différentes méthodes d’analyse de sensibilité ou d’incertitude .............................................................................................................. 24

7.1 La méthode du Screening ............................................................................ 24

7.2 Analyse de sensibilité locale ....................................................................... 24

7.3 Plans d’expérience ....................................................................................... 25

7.4 Analyse de sensibilité globale ..................................................................... 25

7.5 Analyse d’incertitude ................................................................................... 25

7.6 Le calibrage ................................................................................................... 26

7.7 Conclusion .................................................................................................... 26



1. Introduction L’objectif de ce document est de proposer des recommandations pour la définition du système de mesure et de vérification afin de contribuer à l’optimisation de l’instrumentation en s’appuyant sur une synthèse des travaux menés en phase 4 (Analyse de campagnes de mesure, analyse comportementale, définition d’une méthode de caractérisation et de prise en compte des écarts prévisions-mesures et du niveau d’incertitude des mesures).

Le système de mesure et de vérification répond à deux objectifs :

• La vérification de l’engagement et le suivi des variables contractuelles d’ajustement

• L’identification de la cause des écarts entre la consommation garantie et la consommation mesurée après travaux

A partir du retour d’expérience sur les études de cas, nous exposerons les méthodes de simulation utilisables pour définir le dispositif de M&V répondant à ces deux objectifs :

• Comment définir les données à mesurer ? • Les données identifiées sur les études de cas peuvent elles être

généralisées ?



2. Intérêts des analyses de sensibilité sur le futur bâtiment rénové

Pour rappel, dans le cadre de la démarche de GRE proposée dans l’atelier, une étude de sensibilité est menée à deux étapes :

- En phase audit, sur la consommation avant travaux, afin d’identifier les paramètres influents, dont la caractérisation devra être la plus précise possible pour bien calibrer le modèle avant travaux

- En phase conception, pour effectuer un tri et repérer les données les plus influentes qui seront prises en compte dans le calcul de propagation d’incertitude sur la consommation garantie

Ainsi, une analyse de sensibilité sur la consommation d’énergie du bâtiment après travaux a deux intérêts « séquentiels » :

• Lors de la contractualisation de l’opération : elle donne des pistes sur les variables qui pourront justifier un écart entre la consommation et le calcul. Ces variables doivent donc être étudiées avec attention pour réduire les incertitudes de la prévision. En fonction du périmètre de la garantie, les variables les plus sensibles devraient donc être présentes dans le dispositif de M&V. Par conséquent, pour décrire le plan de M&V à mettre en place lors de la conception de l’opération, le résultat fourni par une analyse de sensibilité peut permettre d’orienter la sélection des grandeurs à mesurer.

• Après contractualisation : elle permet d’identifier pour chaque phase du projet les variables à explorer de près lors de la comparaison calculs initiaux – calculs mis à jours selon la phase du projet – mesures en usage et donc de faciliter la recherche de la cause des écarts.

Le principe d’une analyse de sensibilité et les différents types sont présentés en Annexe A et annexe B.

Dans le livrable 4.3 plusieurs méthodes de sensibilité ont été testés sur l’étude de cas de logement collectif : quatre analyses de sensibilité ont été menées, mais avec des objectifs, des méthodes, des paramètres et des marges de variations différents :

• Une analyse par la méthode de Morris avec pour objectif de repérer les données influentes sur les besoins de chauffage après travaux avant d’effectuer un calcul d’incertitude. Le modèle de calcul utilisé dans ce cas est le moteur Th-Cex aux conventions ouvertes

• Une analyse de sensibilité par plan d’expériences factoriel, avec pour objectif de tester l’influence des facteurs statiques comparativement aux données intrinsèques sur la consommation de chauffage après travaux avec l’outil TRNSYS.

• Une analyse de sensibilité par méthode adjointe sur la consommation après travaux, dont l’objectif était de démonter la faisabilité et l’accélération des calculs par cette méthode. Un logiciel développé à cette fin a été utilisé (ReTroFit)

• Une analyse de sensibilité par plan d’expériences factoriel pour répérer les paramètres impactant les pertes de distribution d’eau chaude (modèle du guide d’audit de l’ADEME 1999 et de la norme NF EN 12828).



Les résultats de ces analyses sont présentés succinctement dans tableau suivant, qui classe par ordre d’importance les facteurs influents.

La liste des paramètres choisies est différentes de part leur objectif différent. Les marges de variations dans les deux premières et dans la dernières sont choisies en fonction des informations disponibles sur les paramètres (mesures/documentation). Pour l’étude par méthode adjoint, une marge forfaitaire de 10% est choisi pour chacune des variables (pas forcément représentatif de l’incertitude réelle que l’on a sur les données).

Tableau 1

Tri Morris (ThCExco)

Plan factoriel (Trnsys)

Méthode adjointe (ReTroFit)

Plan factoriel (NF EN 12828)

Débit de ventilation Ouverture des fenêtres

Rendement des systèmes

Classe isolant

Vitesse du vent Scénario de gains internes

Absorptivité des surfaces

Longueur non calorifugée

Q4Pa Uw fenêtres Rayonnement solaire diffus

Différence de température avec l’ambiance

Surface (plans) Température de consigne

Renouvellement d’air

Longueur total

Température extérieure

Météo –Température, rayonnement, vitesse du vent)

Rayonnement solaire direct

…

Uw fenêtre Tlocal/Tsol (hypothèse de modélisation)

Ug vitrage

Apports équipements

Débits de ventilation

U parois

Débits de pointes (ouverture des fenêtres)

Psi ponts thermiques

Psi ponts thermiques

…

Température de consigne

…



Les études de sensibilité n’ont pas été menées avec les mêmes méthodes, paramètres et marges de variation (l’objectif était différent), mais toutes s’accordent à montrer l’importance du taux de renouvellement d’air (l’une via les débits de ventilation, les défauts d’étanchéité et la vitesse du vent ; et la seconde via le scénario d’ouverture des fenêtres) et de la température extérieure (quand testée).

La seconde montre également l’importance du scénario de gain interne (non testé dans les deux autres), de la température de consigne.

La seconde et la troisième montrent également l’importance des caractéristiques inchangées après travaux que sont le Uw des fenêtres.

La troisième montre l’importance des données de rayonnement (avec une marge de variation forfaitaire de 10%)

Dans les deux premières études de sensibilité, deux paramètres avec la même marge de variation (Uw fenêtre et débit de ventilation), ont un ordre de sensibilité différent :

• Pour le Uw, cela est dû au fait que la méthode de Morris prend en compte la densité de probabilité, alors que les plans factoriels considèrent celle-ci uniforme. Ainsi la loi de probabilité Uw fenêtre triangulaire impactera moins qu’une loi uniforme.

• Concernant le débit de ventilation et le scénario d’ouverture des fenêtres, cela provient du fait que la modélisation n’est pas la même : dans un premier cas, la ventilation et l’ouverture des fenêtres est modélisée par un débit fixe, dans le second cas, les échanges aérauliques sont modélisés à partir d’un couplage du modèle d’enveloppe avec un modèle aéraulique : la ventilation par ouverture des fenêtres dépend des conditions climatiques.

En ce qui concerne l’impact de la température de consigne, la marge de variation est la même, ainsi que la loi de probabilité pour les deux premières études de sensibilité : la différence de classement pourrait cette fois être due à une sensibilité intrinsèque différente des modèles thermiques (cf. livrable 3.2).

Ainsi, les différences s’expliquent :

• D’une part, chaque outil dispose d’une certaine capacité à modéliser les phénomènes et à la possibilité de modifier certaines données (par exemple le scénario d’ouverture des fenêtres).

• D’autre part l’utilisateur, en connaissance de certaines variables mesurées sur site, peut en réduire les incertitudes.



3. La cause des écarts prévision-mesure en logement collectif

3.1 Les différentes méthodes de recalage

Le cas d’étude de Feyzin a été le support de différentes méthodes d’identification de la cause des écarts dans le livrable 4.3 :

• Approche séquentielle de recalage de la météo et de l’occupation • Approche par la réduction des incertitudes

3.1.1 Approche séquentielle

L’approche séquentielle modifie de manière séquentielle les données suivantes dans cet ordre : correction climatique, correction des éléments mesurés de l’occupation (températures intérieures et puissances dissipées) Elle a été testée avec le modèle de calcul Pléaides-comfie dans un cadre « optimal » (utilisation de modèles stochastiques voir partie 5)

Dans cette approche, la prise en compte dans la simulation énergétique du climat mesuré (station proche du site et des températures intérieures mesurées) sur-évalue la consommation d’énergie par rapport à la mesure.

Ainsi, si ce modèle est corrigé en prenant en compte les températures de consignes mesurées après travaux, on obtient une bonne concordance entre la mesure et le calcul.

3.1.2 Approche par réduction d’incertitude

L’approche par réduction des incertitudes reprend les données d’entrée du calcul prévisionnel (tâche 2.2) en remplaçant certaines données d’entrée par les données mesurées et leur incertitude : les apports internes, température intérieure et le climat mesuré (température extérieure, apports solaires)

A travers cette étude de cas et pour le modèle de simulation énergétique dynamique utilisé (THCEex aux conventions ouvertes), le recours à la modélisation pour le calcul de la valeur cible pour l’engagement sur une consommation d’énergie pour le chauffage est une voie prometteuse dont la pertinence dépend fortement de l’estimation de l’usage du bâtiment après travaux, du bon choix des conditions climatiques pour le calcul et d’une bonne prise en compte des caractéristiques thermiques des composants rénovés en s’assurant de leur bonne mise en œuvre.

Le tableau ci-dessous donne les valeurs chiffrées des comparaisons calcul-mesures, ainsi que le résultat de la tâche 2.2 de calcul prévisionnel de la consommation d’énergie avec des hypothèses « conventionnelles » 1 (température intérieure et apports internes, de température extérieure).

Les simulations menées intègrent la propagation d’incertitude à l’aide de la méthode de Monte Carlo.

1 Il s’agit de données dites « conventionnelles » car elles correspondent à des valeurs prévisibles selon des hypothèses.



Tableau 2 (source livrable 4.3 CSTB)

Calcul Mesure Calcul

prévisionnel avec hypothèses sur l’usage, le fonctionnement et fichier météo départemental

Tâche 2.2

Calcul prévisionnel avec données mesurées sur l’usage, le fonctionnement et en considérant la température extérieure mesurée

Tâche 4.3

Consommation d’énergie pour le chauffage mesurée Incertitude estimée sur cette valeur : loi de distribution normale de 5% d’écart type.

Mesure

Valeur moyennekWhEf/m²Shon/an 30.6 57 56

Incertitude élargie 90 - 90 13% 9 % - Intervalle de confiance 90 – 90 kWhEf/m²Shon/an

[24.8 - 36.4] [51.6 - 61.8] -]

La figure ci-dessous présente les distributions de probabilité de consommations de chauffage pour les 3 cas cités ci-dessus. Elle montre bien l’amélioration de la prévision de la consommation d’énergie pour le chauffage quand on considère pour le calcul les données mesurées pour les apports internes gratuits y compris ceux dus à l’éclairage et à l’ensoleillement, pour la température intérieure dans les logements et pour la température extérieure.



Figure 1 simulation prévisionnelle tâche 2.2 (en haut) – simulation calibrée tâche 4.3

(en bas) - CSTB

D’après cette étude de cas, rapprocher les données incertaines au plus près de leurs valeurs réelles et réduire leurs incertitudes permet de bien estimer la valeur moyenne de la consommation pour le chauffage. Pour ce cas d’étude, il a été déduit qu’il s’agissait principalement des données liées à l’usage (température intérieure et apports internes) et des données climatiques (température extérieure et apports solaires).

3.2 Causes principales des écarts sur l’étude de cas de logement

3.2.1 Impact isolé de la température intérieure

L’impact isolé de la température intérieure a été simulé sous COMFIE. Les besoins de chauffage moyen (méthode de Monte Carlo) sont donnés au tableau suivant. Tableau 3 : Besoins annuels pour le chauffage comparaison entre les mesures après

travaux et les moyennes de deux séries de simulations. Besoins

annuels en kWh/m² (pertes

incluses)

Mesures après travaux

Moyenne simulations,

consigne à 20,2°C

Moyenne simulations,

consigne à 22,8°C

Chauffage 62 38 57

Pour ce cas d’étude, la température intérieure est un facteur permettant d’expliquer les écarts prévisions/mesures.

0

0,05

0,1

0,15

20 30 40 50 60 70Densité

dep

roba

bilité

ConsommationChauffage(kWh/m²(SHON))

calcultâche2.2

calcultâche2.2


Page 10 sur 26 Recommandations pour le système de M&V – Version finale

Les résultats plus détaillés des simulations effectuées sont regroupés sur la figure ci-dessous. Les distributions correspondent à 1000 simulations pour une température de consigne intérieure :

• De 20.2°C (température de consigne prévisionnelle) • De 22.8°C (température mesurée après travaux)

Figure 2 Distributions des besoins de chauffage obtenues avec les consignes de

température mesurées avant et après travaux

Les besoins de chauffage et d’ECS semblent coïncider avec la mesure pour une température de consigne de 20,2°C. Néanmoins en examinant dans le détail les résultats, l’évaluation de la consommation d’ECS n’est pas cohérente avec la mesure. Pour ce cas d’étude, un ajustement par la mesure des besoins aurait été nécessaire.

3.2.2 Evaluation de l’influence de la performance de la production et distribution de chaleur

La consommation des chaudières dépend de différents facteurs. Certains d’entre eux ont été examinés pour le cas d’étude collectif :

• des données techniques de la production • l’exploitation de la production (production de chauffage seule, production

d’ECS seule, production mixte) : ü Chaudière fonctionnant sans priorité ü Chaudière fonctionnant avec priorité

Les écarts à la mesure des consommations gaz pour deux types de paramétrage des caractéristiques des chaudières (données conventionnelles de la réglementation thermique 2012 / caractéristiques produit) sont donnés à la figure suivante.

0

1

2

3

4

5

6

7

8

Prob

abilité[%

]

Besoinsthermiquesetpertesdistribution(CH+ECS)[kWh/m²]

Tcons=20,2°C

Tcons=22,8°C

Mesure

LoiNormale,Tcons=20,2°C

LoiNormale,Tcons=22,8°C



Figure 3

Pour le cas d’étude, les performances de la chaudière ont peu d’impact sur la consommation annuelle. La sélection de deux chaudières ayant les caractéristiques minimales de la réglementation thermique n’aurait eu que peu de conséquences sur la consommation annuelle.

Par ailleurs, hors saison de chauffe, la précision du modèle est peu fiable (jusqu’à 15% d’écart) et dépendante des données techniques. Néanmoins, le modèle utilisé a permis de prédire de façon fiable la consommation annuelle des chaudières.

Pour ce cas d’étude, l’exploitation choisi pour cette chaudière impact peu les résultats.

Une analyse des pertes de distribution a mis en avant un écart potentiel de 26 % entre les pertes de distributions estimées et mesurées. Néanmoins, ramené à la consommation thermique globale, cet écart aura un impact négligeable (de l’ordre de 3%).

3.2.3 Synthèse des causes des écarts

Les deux approches développées d’analyse de la cause des écarts (approche séquentielle ou approche par réduction de l’incertitude) concordent à montrer qu’en corrigeant avec la température de consigne, les apports internes et la température extérieure, un biais réduit (écart calcul/mesure) peut être obtenu.

En effet, les paramètres intrinsèques étaient peu incertains et peu influents (sauf le Uw des fenêtres – inchangées). Le renouvellement d’air (ventilation/ouverture de fenêtres), Q4Pa, vitesse du vent avaient une influence très importante en analyse de sensibilité.

-20

-15

-10

-5

0

5

10

15

20

Ecarts (%) calculs aux mesures Modèle Th-B-C-E avec valeurs constructeur/ RT par défaut

Valeurs certif iées / Mesures

Valeurs RT par défaut / Mesures



3.3 Généralisation et recommandations pour le logement collectif

3.3.1 Chauffage et ECS

Dans le cas d’un bâtiment qui sera fortement rénové, comme les caractéristiques thermiques des variables intrinsèques au bâti et aux équipements énergétiques sont connues avec une faible incertitude, les variables les plus incertaines qui peuvent justifier un écart entre la consommation calculée prévisible et la consommation réelle pour le chauffage sont les variables liées à l’usage du bâtiment et aux données météorologiques. Les apports internes dus aux occupants et aux équipements électriques devraient être estimés avec rigueur.

Par ailleurs l’influence des scénarios d’ouverture des fenêtres n’est pas négligeable, un suivi de l’engagement peut s’imposer si les occupants augmenterait leur ouverture de fenêtres (à voir avec l’approche sociologique, quels facteurs pourraient augmenter une ouverture de fenêtres dans un bâtiment rénové ?).

Concernant les données climatiques, la solution d’ajuster la valeur cible de l’engagement selon la température extérieure n’est pas suffisante car les incertitudes sur les apports solaires et sur la vitesse du vent ont un fort impact. Ce fort impact doit être relativisé du fait des hypothèses sur la plage de variation et du profil de probabilité. Une analyse météorologique statistique sur la variabilité du vent / de l’ensoleillement devrait être menée pour renseigner ces informations et ainsi de permettre de fournir aux professionnels des informations pertinentes pour mener à bien des analyses d’incertitudes.

Enfin, l’engagement sur une valeur cible de perméabilité à l’air du bâtiment, permet de réduire les infiltrations non maitrisées de l’air et permet de mieux estimer la valeur cible de la consommation d’énergie pour le chauffage (dans ce cas, l’incertitude sur les vitesses du vent est moins problématique).

A noter que l’on ne peut pas se fier aux relevés de températures intérieures avant travaux, ou aux relevés de consommation d’eau sanitaire, les deux ayant changé avant/ et après travaux. Pour la température l’effet rebond permet de l’explique. Pour le puisage ECS, au contraire fortement diminué, nous n’avons pas d’explications (les baignoires ont-elles été remplacées par des douches ?). Dans notre cas l’évolution est favorable, mais un suivi global du puisage d’ECS serait recommandé.

En résumé, il est recommandé de suivre et mesurer :

- La température intérieure avec un échantillonnage suffisamment représentatif - La puissance électrique dissipée totale du bâtiment –un relevé du nombre et

type d’équipements électriques par enquête et une modélisation stochastique de l’occupation devrait permettre d’améliorer la précision de la prévision.

- Les données climatiques : la température extérieure et le rayonnement solaire global horizontal

- L’étanchéité à l’air du bâtiment à réception (sinon données météorologiques de vitesse du vent sur site – données très incertaines et difficile à recueillir)

- Le volume d’ECS total puisé



3.3.2 Éclairage

En ce qui concerne le temps d’utilisation pour l’éclairage et, en particulier, son estimation, il n’existe, à notre connaissance pas de méthode normalisée de prise en compte ou d‘hypothèses d’estimation établies et reconnues. Or ces hypothèses peuvent faire varier la prévision d’utilisation de l’éclairage électrique d’un facteur 10. Si, dans le cas du logement, des hypothèses vraisemblables peuvent être définies qui représentent correctement la réalité, ce point est particulièrement délicat dans le tertiaire (cf. rapport sur les incertitudes). En logement, les notions d’éblouissement et de confort sont différentes du cas tertiaire en ce que les usagers sont plus mobiles, not de multiples activités et peuvent facilement agir pour éliminer des inconforts. D’autre part, l’arrivée de soleil direct et d’éventuels éblouissements peuvent amener une dynamique dans les espaces de logement qui peut être bienvenus. Dans le cas du tertiaire, les usagers ont beaucoup moins de moyens d’actions et son peu mobiles. En conséquence, les inconforts entrainent très rapidement l’usage de l’éclairage électrique et donc des surconsommations alors même que la lumière naturelle peut être considérée comme suffisante.

Lors de rénovation de grande ampleur, il est difficile en éclairage de se fonder sur les hypothèses avant travaux pour en détecter des hypothèses après travaux. Des simulations et ajustements peuvent être mises en place avant travaux pour trouver les scénarios de comportement qui représentent la situation et ainsi en déduire un modèle qui représente correctement cette situation. Toutefois, ce travail ne peut être utilisé pour la situation après travaux. Il apparaît donc nécessaire pour la situation après travaux de relancer un travail de calcul/simulations/ajustements en fonction des premières consommations réelles pour obtenir un modèle ajusté. Ce modèle sera conçu en fonction d’un premier modèle théorique, auquel sera comparé les premières consommations réelles pour l’éclairage. Ce modèle sera fondé sur une première hypothèse de comportement des usagers. Le comportement réel des usagers doit ensuite être analysé, étudié afin de déterminer pour les différents locaux les éléments/moments/situations d’éclairage qui entraînent l’usage de l’éclairage électrique. En effet, s’il est facile de conclure sur l’utilisation de la lumière électrique lorsque la lumière à l’extérieur devient trop faible, il est très délicat de déterminer a priori l’usage de la lumière électrique pour cause d’éblouissement. Ainsi, l’enquête de terrain sur ce sujet permettra de déterminer les situations de climat extérieur qui entraîne l’usage de la lumière artificielle et d’utiliser ces règles d’usage pour recaler le modèle de consommation.



4. Enseignements sur l’étude de cas de bureau et recommandations

Dans le cadre de la tâche 3.3 une analyse de sensibilité a été menée sur un bâtiment d e bureau climatisée avant travaux.

Dans le tableau suivant sont reportés les paramètres les plus impactant sur la consommation d’énergie totale, par ordre d’influence. Les mêmes paramètres impactant ressortent, avec un ordre toutefois sensiblement différent. Dans les quatre premiers, on retrouve toujours les apports/consommation bureautique et éclairage, la surface, quand elle est testée.

IDA-ICE Virtual Environnement Nepseo Trnsys

Apports/consommation bureautique

Apports/consommation bureautique surfaces Apports/consommation

bureautique Apports/consommation

éclairage Apports/consommation

éclairage Apports/consommation

bureautique Apports/consommation

éclairage

Uw et Fs vitrages surfaces Apports/consommation éclairage

Surfaces / Consignes batteries CVC

Débits de ventilation Débits de ventilation Débits de ventilation Uw et Fs vitrages

Consignes batteries CVC Consignes batteries CVC Consignes batteries CVC Débits de ventilation

NB : les surfaces n’ont pas été testées

NB : la météo n’a pas été testée

NB : la météo, l’albédo n’ont pas été testés.

NB2 : pas de calcul de consommation de climatisation

NB : les ponts thermiques, pertes de charge du réseau de ventilation et rendement CPCU n’ont pas été testés

Tableau 4: Classement des variables en fonction de leurs niveaux de sensibilité pour les quatre logiciels testés par plan d’expérience

A noter que si l’on teste les influences séparément sur les postes d’électricité, de réseau de chaleur ou de réseau de froid, on n’obtiendrait pas les mêmes sensibilités, parce que la proportion d’électricité est importante, réduisant ainsi les impacts que l’on peut observer sur le réseau de chaud ou froid (cf. livrable 3.2).

Si l’on veut garantir la consommation d’énergie totale, il faudra être vigilant à bien connaître la consommation de bureautique et d’éclairage : influente avant travaux, et donc d’autant plus après travaux avec des consommations chaud/froid qui diminuent. Pour le reste n’ayant pas de sensibilité après travaux nous ne pouvons conclure de leur influence.

Vu la complexité d’un bâtiment de bureau chauffé et refroidi, les sensibilités n’étant pas toujours linéaires, et les postes pouvant se compenser avec des sources multi-énergie, on voit qu’il sera ici incontournable de mener une analyse de sensibilité sur la consommation d’énergie après travaux pour déterminer les données à suivre (analyse qui devrait être faite en Tri préalable du calcul d’incertitude pour préciser le niveau d’engagement).



5. Comportement des utilisateurs : retours d’expériences techniques et sociologiques

Pour réduire les incertitudes, les études de cas ont permis d’expérimenter des techniques de modélisation et sociologiques. Ces retours d’expériences spécifiques sont présentés dans cette partie.

5.1 Modélisation des occupants dans le logement collectif

5.1.1 Température de consigne

L’étude de cas collectif et l'état des connaissances sur l'effet rebond soulignent qu'il n'est par exemple pas raisonnable de supposer a priori un maintien des températures de consignes suite à une opération de rénovation.

Ainsi un suivi précis des températures intérieures apparait indispensable dans une démarche de GPE, mais ceci est loin d'être insoluble puisqu'une telle mesure est facile à réaliser, peu coûteuse et fiable.

La température de consigne n'est pas l'unique paramètre lié à l'occupation qui soit sensiblement différent avant et après la rénovation.

5.1.2 Modélisation stochastique des occupants

Intérêts

L’approche déterministe de prise en compte de l’occupation (température de consigne, puissance dissipée) dans les modèles de simulation thermique semble grossière, c’est pourquoi, il a été testé un couplage du modèle thermique avec les modèles stochastiques d’occupation développés le cadre du projet : génération de ménage virtuels avec modèle de présence, d’activité et puisages ECS associés.



Comparaison des besoins énergétiques annuels mesurés et simulés avec 2 fichiers météo (météo locale et historique), les consignes de températures et les puissances dissipées corrigées (COMFIE).

Les résultats de simulation paraissent dans un premier temps assez surprenant car les résultats à priori les plus précis, c'est-à-dire avec la météo de Vaulx-En-Velin, et les scénarios corrigés (après travaux) ne sont pas toujours les plus proches des mesures mensuelles de besoins énergétiques en aval de la chaudière. Ceci peut être expliqué par les hypothèses relativement grossières qui ont été prises (consignes de températures constantes, puissances dissipées identiques selon les semaines). La plus forte influence est imputable à la consigne de température. Un effort particulier doit être opéré pour bien modéliser la régulation des systèmes de chauffage et le réglage manuel des robinets thermostatiques. Sans cela, il paraît compliqué de réaliser une procédure de calibrage fiable.

Des modèles stochastiques d'occupation ont été développés et couplés de manière automatisée à un logiciel de simulation dynamique des bâtiments (COMFIE). Ils intègrent les caractéristiques sociodémographiques des habitants, la génération de scénarios d'activités, l'équipement en appareils électriques et la description de ces appareils, l'équipement en luminaires et leur description, l'utilisation des appareils et des luminaires, les puisages d'eau chaude et froide ainsi que la gestion des fenêtres (ouverture).

Il a été observé que 1000 simulations permettaient d'esquisser une distribution des besoins de chauffage et d'ECS dépendants du comportement des occupants avec des modéles stochastiques.

Les modèles stochastiques des occupants et de leurs actions sont donc prometteurs pour améliorer la précision de la prise en compte de l’occupation. Des travaux restent encore à conduire pour améliorer les modèles d’ouverture des fenêtres (issus de modèles de bureau), et pour développer de modèle de fermeture des volets en logement, et des apports internes.

63 69 71

2731 31

0

20

40

60

80

100

120

Mesures MétéoMâcon(TRY) MétéoVaulx-En-Velin

Besoinsé

nergétique

sann

uels[kWh/m²]

ECS

Chauffage



Perspectives pour la modélisation de la température intérieure

Un modèle de gestion des consignes par les occupants a été développé (après la réalisation des calculs de cette étude) mais son utilisation dans un processus de GPE parait délicate puisqu'elle conduit à une incertitude élevée sur les besoins de chauffage (chaque logement se voit attribué une consigne de chauffage centrée sur 21°C avec un écart-type de 2,5°C, puis des réduits sont éventuellement intégrés durant les phases d'absence ou de sommeil).

Par exemple, les ajustements en fonction du climat et des températures intérieures des logements ont permis, dans le cas d'étude de logement collectif, de réduire les écarts entre simulation et mesure. La valeur mesurée se situe alors dans un intervalle correspondant à une probabilité de 90% -probabilité de 5% que la consommation soit supérieure (resp. inférieure) à la borne supérieure (resp. inférieure) de l'intervalle.

Dans un processus de garantie de performance énergétique, les modèles développés pourront être utilisés sous la condition nécessaire de mesurer les températures intérieures.

Perspective pour la modélisation du volume d’ECS

Pour l’étude de cas collectif, les volumes d'ECS puisés ont évolués mais cette fois-ci dans le sens d'une diminution.

L'évolution a été avantageuse dans le cas étudié mais la question d'un suivi par logement peut être discutée.

Un modèle a été développé dans le cadre du projet mais sa validité n’a pas été démontrée sur le cas d’étude compte tenu de l’effet rebond constaté : il est donc difficile de prévoir la future consommation en eau Plusieurs questions restent en suspend: y a-t- il une explication particulière (dispositifs sur les points de puisage ou absences prolongées par exemple) à des consommations d'eau aussi faibles? Y a-t-il des facteurs, socio-économiques par exemple, susceptibles d'uniformiser fortement les consommations d'eau au sein d'un même bâtiment/type de bâtiment ou quartier/type de quartier (auquel cas le modèle devrait plutôt définir une consommation d'eau par habitant qui prendrait en compte ces facteurs et serait partagée par tous les habitants du bâtiment)?

Perspectives pour la modélisation des apports internes

Pour les apports internes, les informations nécessaires pour la caractérisation des écarts entre modèle et mesure devraient porter sur les ménages et leurs membres (type de ménage, revenu, statut d’emplois, etc.) via une enquête par exemple, voire un recensement des appareils électriques.

Perspectives pour la gestion des occultations et ouverture des fenêtres

La gestion des occultations par les occupants n'est pas intégrée, cet aspect est pris en compte avec les incertitudes de l'enveloppe sur la base de différents scénarios déterministes. Des mesures spécifiques seraient nécessaires pour développer un modèle stochastique sur ce point. Au vu de la littérature sur la gestion des



occultations dans les bâtiments de bureau les modèles logit apparaissent comme des candidats possibles. Les variables explicatives auraient trait au confort visuel et thermique; des éléments de contexte, importants dans le cas de logements, comme la présence de vis-à-vis devraient également être relevés.

L'impact de l'ouverture des fenêtres doit être analysé en détail. Des mesures doivent être utilisées pour étudier la vraisemblance des prédictions et discuter des hypothèses du modèle. Pour rappel, celui-ci a été développé initialement pour des bâtiments de bureaux et son extrapolation aux logements, bien que déjà étudiée, est toujours sujette à discussion. De plus, une connaissance fine des activités permet d'envisager le développement d'un modèle plus détaillé, dans lequel, par exemple, les habitants tendent à ouvrir la fenêtre de la cuisine après avoir préparé le repas mais n'ouvrent pas la fenêtre de la salle de bain quand ils prennent leur douche.

5.2 Électricité spécifique et éclairage pour le tertiaire

En ce qui concerne l'électricité spécifique (et son impact sur les apports internes), la diversité générée par les modèles a été suffisamment élevée pour que l'intervalle de confiance sur les besoins de chauffage inclue la valeur mesurée.

Une analyse sociologique qualitative a permis de découper la population des usagers d’un bâtiment tertiaire en ensemble de sous-populations aux comportements et usages proches (technicien, administration et ingénieurs).

Les données issues de l’analyse sociologique à une simulation « de base » ont impactées les résultats de l’ordre de 7%.

5.3 Synthèse des apports de la sociologie

Les modèles de comportement des occupants ont été utilisés avec un minimum d'informations en dehors de la consigne de chauffage. Celle-ci a tout d'abord été fixée à la valeur approchée grâce aux mesures avant travaux (suivant l'hypothèse que les habitants conserveraient cette consigne) puis à sa valeur approchée grâce aux mesures après travaux. En revanche, tous les autres paramètres des modèles d'occupation ont été déterminés suivants les procédures stochastiques par défaut des modèles.

Dans la mesure où les caractéristiques des habitants virtuels influencent leurs scénarios de présence et d'activité et par conséquent l'ensemble des actions (déclenchement d'appareils, puisages, ouvertures des fenêtres), l'incertitude des sorties pourrait être réduite en limitant la diversité des ménages virtuels créés par le modèle, c'est à dire en intégrant des informations supplémentaires sur les habitants qui pourraient être collectées au cours d'une enquête.

De plus, étant donné que l'équipement des logements en appareils électriques s'effectue de manière probabiliste en fonction de caractéristiques du ménage qui l'habite, les informations collectées sur les occupants permettraient aussi de circonscrire la variabilité en matière d'équipement des habitants.

Plusieurs questions se posent alors: y a-t- il une explication particulière (dispositifs sur les points de puisage ou absences prolongées par exemple) à des consommations d'eau aussi faibles? Y a-t-il des facteurs, socio-économiques par



exemple, susceptibles d'uniformiser fortement les consommations d'eau au sein d'un même bâtiment/type de bâtiment ou quartier/type de quartier (auquel cas le modèle devrait plutôt définir une consommation d'eau par habitant qui prendrait en compte ces facteurs et serait partagée par tous les habitants du bâtiment)?

Au delà des informations sur les habitants, il pourrait être envisagé de lister directement au cours d'une visite les (principaux) appareils électriques présents dans chacun des logements et, si possible, de renseigner leur gamme de performance, leurs caractéristiques de fonctionnement et de veille ou encore leurs consommations d'eau.

Ces données permettraient de simuler plus précisément le parc d'appareils présents dans le bâtiment. En revanche des mesures de consommations d'électricité globales par logement ne permettent pas d'affiner les hypothèses de simulation pour un modèle dans lequel tous les appareils sont modélisés explicitement.

L’intérêt d’utiliser des données réelles liées à l’occupation et aux usages pour améliorer le degré de précision de la simulation et comprendre les écarts entre les valeurs simulées et mesurées, pose la question du recueil des données auprès des occupants. Obtenir de l’information sur les pratiques énergétiques des occupants passe soit par l’instrumentation, soir par leur interrogation.

L’instrumentation peut éviter d’interroger les occupants sur leurs pratiques, mais pose la question des moyens à engager, de l’acceptabilité sociale de l’instrumentation et, surtout, du sens des pratiques ainsi observées et de leur durabilité. Les résultats des mesures de consommation sont difficilement interprétables si l’on ne connaît pas les pratiques réelles, les caractéristiques des équipements et les contextes d’utilisation des appareils. Une baisse des consommations peut provenir d’une meilleure attention énergétique ou d’un changement de mode de vie, comme, par exemple, un départ à la retraite et de nombreuses absences du domicile pour visiter les enfants éloignés. Les retours d’expériences tendent à montrer que, dans le tertiaire, ce type de suivi instrumenté est généralement bien accepté, lorsque les salariés sont habitués à ce que leur activité fasse l’objet de suivi et d’un contrôle de leur hiérarchie. Dans le résidentiel, le degré d’acceptabilité de ces technologies intrusives est moindre. Cependant, l’acceptabilité est conditionnée par les formes de communication sur les dispositifs et les modes d’engagement des usagers. Lorsque les objectifs sont clairement explicités, que l’instrumentation est faite en toute transparence avec une garantie d’anonymat des personnes et dans une relation de confiance avec le gestionnaire et les opérateurs, l’instrumentation ne pose généralement pas de problème d’acceptabilité. Qu’elles soient qualitatives (par entretien) ou quantitatives (par questionnaire), intégrant ou non des visites à domicile, les enquêtes auprès des occupants sont toujours coûteuses et lourdes à mettre en œuvre, parce qu’elles engagent à la fois les occupants/utilisateurs qui doivent répondre aux enquêtes et les gestionnaires (entreprises, bailleurs…) qui doivent donner accès au terrain. On ne peut d’ailleurs les reproduire trop souvent, sous peine de lasser les occupants et de n’obtenir que peu de retours.



En amont des travaux, la caractérisation des pratiques, des comportements et des modes de vie se heurte à une double difficulté. • La première est liée aux caractéristiques des occupants eux-mêmes. Une

rénovation lourde peut s’accompagner d’un changement d’usage et d’occupation, avec l’arrivée de nouveaux occupants qui n’ont pas forcément les mêmes caractéristiques que la population antérieure. Il est, dans ce cas, impossible de s’appuyer sur la connaissance des pratiques énergétiques antérieures pour en extrapoler les résultats dans un autre contexte sociotechnique.

• Une rénovation lourde modifie nécessairement la configuration du système sociotechnique (nouveaux équipements, nouveaux modes d’emploi), remettant en cause les habitudes et les pratiques antérieures. Dans ces conditions, la caractérisation des comportements avant travaux est peu prédictive des nouvelles habitudes et pratiques énergétiques qui se mettront en place après une phase d’apprentissage et d’appropriation.

Quelle que soit la situation (nouveaux occupants ou continuité d’occupation), la réalisation d’un diagnostic social devrait être un point de passage obligé pour toute opération de rénovation lourde et, en particulier, dans le cadre d’une GPE. Les données comportementales à recueillir pourraient se limiter, lorsque c’est possible, aux renseignements suivants : le nombre des occupants habituels, leurs caractéristiques sociodémographiques (genre, âge, catégorie socioprofessionnelle),le temps et les créneaux horaires de présence, si possible selon un ou des segmentations en fonction des caractéristiques sociodémographiques des occupants, les températures de consigne pour le chauffage et la climatisation, si possible selon les conditions d’occupation et les caractéristiques des occupants, la gestion de l’éclairage artificiel, selon les mêmes types de segmentation, la gestion des ouvrants (portes et fenêtres) et des occultants (volets, stores), selon ces segmentations, les équipements et leurs conditions d’utilisation.

Dans la plupart des cas de bâtiments résidentiels collectifs et de bâtiments tertiaires, les données peuvent être recueillies auprès d’informateurs privilégiés, bons connaisseurs et bon informateurs des occupants, de leurs caractéristiques sociodémographiques et de leurs pratiques énergétiques. Ce type de recueil de données peut éviter de mettre en place des enquêtes auprès des occupants, toujours lourdes et difficiles à gérer. • Dans les bâtiments tertiaires, les services généraux des entreprises, les

équipes de maintenance, les chargés d’exploitation, ou encore les organisations syndicales et les CHSCT, connaissent bien les occupants, leurs conditions de travail, leurs plaintes et les éventuels problèmes vécus quant aux conditions de confort dans les bâtiments.

• Dans le résidentiel collectif, les bailleurs, et surtout les gardiens et les personnels de proximité qui sont en relation directe et quotidienne avec les occupants, les syndics de copropriété, mais aussi les associations de locataires, sont également de bons informateurs à propos des occupants et de leurs pratiques énergétiques.

Les données ainsi recueillies, certes de seconde main et avec un moindre degré de précision que celle recueillies directement auprès des occupants, permettent



d’obtenir un bon degré d’approximation. Ces données sont généralement globalisées par grandes catégories d’occupants (les employés, les cadres, les techniciens, les retraités, les personnes seules, les familles avec enfants, etc.). Dans les grands collectifs résidentiels et tertiaires, on peut penser que les variations interindividuelles – l’imprécision et l’incertitude de la mesure – se compensent et peuvent être considérées comme relativement négligeables, mais dans des contextes sociotechniques qui sont toujours particuliers.

A l’étape de mesure et de vérification du protocole de GPE, la prise en compte des occupants et des conditions d’occupation pourrait n’intervenir qu’en cas de non atteinte des objectifs ou de litige quant à la part respective de la technique et des comportements. Dans les autres cas, il n’est pas nécessaire de mettre en œuvre de méthodologie particulière et de solliciter à nouveau les occupants ou les informateurs privilégiés.



6. Annexe A : Qu’est ce que l’analyse de sensibilité ?

Les analyses de sensibilité permettent d’évaluer l’influence des données d’entrée d’un modèle sur les sorties du modèle. Nous supposons que le modèle peut se mettre sous la forme suivante :

𝑦 = 𝑓 𝑥 = 𝑓(𝑥&, 𝑥(, … , 𝑥*) Équation 1 : Forme du modèle

où y est la sortie du modèle (x1,x2,...,xn)=x est l’ensemble des données d’entrée du modèle

L’augmentation de l’utilisation de logiciels de simulation et de modélisation a conduit à développer des méthodes pour analyser finement les résultats. C’est-à-dire, que l’erreur relative entre la sortie du modèle et les mesures doit être faible, mais aussi le modèle doit reproduire au mieux les phénomènes physiques. En conclusion, les analyses de sensibilité permettent d’évaluer l’influence des données d’entrée sur la variation des sorties du modèle. Les analyses de sensibilité ont donc un intérêt particulier dans les travaux d’élaboration de modèle, dans l’interprétation des résultats et dans la validation du modèle.

L’analyse de sensibilité permet de déterminer :

- Les données d’entrée qui ont une forte contribution sur la sortie. Cette information permet de se rendre compte de la fidélité du modèle par rapport à la réalité. Par exemple, si une donnée d’entrée est connue pour être non influente 2 mais que l’analyse de sensibilité souligne son importance, ceci voudra dire que le modèle ne représente pas fidèlement la réalité.

- Les données d’entrée ayant une grande variabilité sur la sortie du modèle. Une fois ces données déterminées, une attention particulière sera portée pour connaître sa valeur exacte ce qui réduira les erreurs sur la sortie du modèle.

- Au contraire, une donnée d’entrée peu influente pourra être négligée. Une valeur par défaut pourra être utilisée pour les futurs modèles.

- Les interactions entre les données d’entrée. Une connaissance de ces interactions permet une meilleure compréhension des phénomènes.

Les différentes analyses de sensibilité utilisées sont les suivantes3 :

- La méthode du Screening où un faible nombre de simulation est nécessaire, permet de déterminer les paramètres les plus influents, maiscetteinformationestqualitative.

- Les méthodes de sensibilité locales et globales qui permettent de déterminer les influences des données d’entrée sur la sortie du modèle.

2 SPITZ Clara. Analyse de la fiabilité des outils de simulation et des incertitudes de métrologie appliquée à l’efficacité énergétique des bâtiments. Thèse sci. : Université de Grenoble, 2012 3 SALTELLI Andrea. Global Sensitivity Analysis:An Introduction, European Commission, Joint Research Centre of Ispra, Italy



- Les analyses d’incertitude qui déterminent un intervalle de confiance pour la sortie.

- Le calibrage qui compare la sortie du modèle avec l’expérimentation, cette méthode permet de déterminer les valeurs optimales des données d’entrée.



7. Annexe B : Les différentes méthodes d’analyse de sensibilité ou d’incertitude

7.1 La méthode du Screening

Les logiciels de simulation deviennent de plus en plus complexes et précis, de plus ils exigent un grand nombre de paramètres d’entrée. Mais, le temps de calcul est souvent important. Une des problématiques est de déterminer les paramètres qui ont une réelle influence sur les sorties du modèle. La méthode du Screening permet avec un nombre de simulation faible de déterminer les données les plus influentes. Le principal inconvénient de cette méthode est qu’elle donne une information qualitative sur l’influence des données d’entrée. Ensuite, ces données sont classées par ordre d’influence mais elle ne permet pas de comparer l’influence des données d’entrée entre elles.

Une des méthodes du Screening couramment utilisée est celle proposée par Morris4, sa méthode fait varier une donnée d’entrée à la fois. Ensuite, elle classe ces données en trois groupes :

– effets négligeables – effets linéaires et sans interaction – effets non linéaires et/ou avec interactions.

7.2 Analyse de sensibilité locale

Les analyses de sensibilité locale estiment la dérivée de la sortie y par rapport aux paramètres i au voisinage de la valeur nominale des paramètres :

𝜕𝑦𝜕𝑥- ./.0

Comme la méthode du Screening, l’analyse de sensibilité locale permet d’obtenir une information qualitative sur les données d’entrée à partir d’un faible nombre de simulations. Cette méthode est généralement utilisée lorsque le nombre de données d’entrée est trop important pour appliquer une analyse de sensibilité globale. Cette méthode fait aussi varier une donnée à la fois, les autres restent à leurs valeurs nominales, ceci a pour but d’éviter les problèmes d’effets d’annulation. L’effet d’annulation ou de compensation est lorsque les effets de deux facteurs s’annulent, la valeur de la sortie est donc inchangée mais ces données sont tout de même influentes.

L’analyse de sensibilité locale présente l’avantage d’être simple à mettre en œuvre. Par contre, elle ne prend pas en compte des effets dus aux interactions entre les données d’entrée. D’autre part, cette méthode peut demander un temps d’exécution élevé si le temps de simulation est long et le nombre de simulations à effectuer est grand. Cette méthode a été utilisée par Mejri O. dans sa thèse intitulée : « Développement de méthodes de diagnostic énergétique des bâtiments »5.

4M.D. Morris. Factorial sampling plans for preliminary computational experiments. 1991 5O. Mejri, Développement de méthodes de diagnostic énergétique des bâtiments, 2011



7.3 Plans d’expérience

Comme la méthode du Screening, les plans d’expérience sont des méthodes qui permettent de connaître l’influence de différentes données d’entrée sur la sortie du modèle en faisant un nombre de simulations moindres. Cependant, l’influence des paramètres est connue avec une précision plus importante. Les plans d’expérience permettent d’organiser les simulations afin de minimiser le nombre de simulations à effectuer. Les résultats sont facilement exploitables, ce qui rend cette méthode attrayante.

En général, un plan d’expérience factoriel a deux niveaux, c’est-à-dire que chaque donnée d’entrée ne peut prendre que deux valeurs, la valeur minimum et maximum. Le nombre d’expériences nécessaires pour déterminer l’influence de tous les données est alors de 2n. Cette méthode présente aussi l’avantage de déterminer l’influence des interactions entre les données d’entrée. Contrairement aux méthodes précédentes, les plans d’expérience permettent de classer avec plus précision les données d’entrée en fonction de leurs influences.

Cependant, le nombre de simulation croît très rapidement en fonction du nombre n de facteurs. Or, les interactions de grand ordre sont généralement négligeables comparées aux effets principaux. Les plans d’expérience factoriels fractionnaires permettent de tirer profit de ce degré de liberté en n’effectuant qu’une partie du plan d’expérience complet, soit 2n-r.

7.4 Analyse de sensibilité globale

Les analyses de sensibilité globale s’intéressent à l’influence des données d’entrée sur toutes leurs plages de variation. Le principal désavantage de ces analyses est le temps de calcul extrêmement coûteux. Les méthodes les plus répandues sont les méthodes de Sobol, FAST, Random Balance Design et l’analyse de Monte-Carlo. Dans la thermique du bâtiment, l’utilisation de ces méthodes très coûteuses en temps de calcul ne se fait que pour déterminer un intervalle d’incertitude ou vérifier les résultats d’une étude de sensibilité effectuée par une méthode moins précise. Généralement, les paramètres les plus influents sont déduits d’une analyse de sensibilité par plans d’expériences ou méthodes du screening. Puis, l’analyse de Monte-Carlo vérifie la validité des résultats en comparant l’intervalle d’incertitude des données d’entrée identifiées comme influents6.

7.5 Analyse d’incertitude

L’analyse d’incertitude permet de déterminer un intervalle de confiance sur les sorties du modèle. Pour cela, il faut connaître l’incertitude sur les données d’entrée, ce qui n’est pas toujours le cas. Généralement, une analyse de sensibilité vient avant une analyse d’incertitude afin de déterminer les paramètres les plus influents. Ensuite, une analyse d’incertitude est menée, cette étape s’effectue au moyen de l’approche probabiliste de Monte Carlo. Cette étape est très coûteuse en termes de temps de calcul. Pour un modèle à p variables, l’estimation de tous les indices de

6 De Witt, M.S.. Identification of the Important Parameters in Thermal Building Simulation Models, Journal of Statistical Computation and Simulation, 1997



sensibilité nécessite N*2p simulations avec N, la taille de l’échantillon7. Dans la pratique, un modèle d’une dizaine de variables d’entrées nécessite environ 10000 simulations pour estimer les indices de sensibilité.

7.6 Le calibrage

Une fois que ces différentes analyses sont effectuées, il est possible de savoir si l’écart entre la sortie du modèle et la réalité provient d’une approximation des valeurs de certaines données d’entrée. Le calibrage est donc nécessaire, cette étape consiste à déterminer le jeu de valeurs optimales des données d’entrée responsable de l’écart dans le but de diminuer l’écart entre les calculs et la mesure.

7.7 Conclusion

Pour conclure, ces différentes méthodes ont pour but d’identifier les données d’entrée ayant une forte influence comparée aux autres. Ensuite, une meilleure connaissance de ce jeu de données permettra une meilleure approximation du résultat. L’analyse d’incertitude a pour objectif de définir un intervalle de confiance pour la sortie du modèle en connaissant l’incertitude sur les données d’entrée. L’analyse de sensibilité et l’analyse d’incertitude permettent une meilleure comparaison entre le modèle et les phénomènes physiques. Dans le cadre d’une expérimentation, Fürbringer8 définit ces deux analyses comme essentielles dans le domaine de la simulation thermique des bâtiments.

7J. Jacques, Pratique de l’analyse de sensibilité : comment évaluer l’impact des entrées aléatoires sur la sortie d’un modèle mathématique, 2011 8Fürbringer J.M. and Roulet C.A. Confidence of simulation results : put asensitivity analysis module in your model the IEA-ECBCS annex 23 experience of model evaluation. Energy and buildings, 1999.

Documents

Garantie de performance énergétiqueGarantie de performance énergétique –Tâche 4.4 – Octobre 2014 Page 7 sur 26 Recommandations pour le système de M&V – Version finale 3