livrable n°2.4 final - Fondation Bâtiment Energie · Définition de la méthode d’audit énergétique Test de la méthode d’audit énergétique, de ... Elle force les BET/entreprises

Page 1 sur 53 Version finale provisoire - Tâche n°2.4

Fondation Bâtiment-Energie

Garantie de performance énergétique

Définition de la méthode d’audit énergétique

Test de la méthode d’audit énergétique, de conception et de définition de l’objectif de

performance

Tâches 2.4

Version finale provisoire

Julien Caillet – COSTIC

Christophe Beslay – BESCB

Frédéric Gal, Julien Suzanne – BOUYGUES

Mohamed Elmtiri - Veolia

Version 2

Octobre 2014

Garantie de performance énergétique –Tâche 2.4 – Septembre 2014

Page 2 sur 53 Version finale provisoire

Sommaire

1. Test de la méthode d’audit et définition de l’objectif de performance ................................ 3

1.1 Rappel de la démarche ............................................................................................................ 3

1.2 Recueil des données ............................................................................................................... 3

1.3 Modélisation ............................................................................................................................. 4

1.4 Synthèse et perspectives ........................................................................................................ 5

2. Test de la méthode de commisionnement ............................................................................. 6

2.1 Rappel de la méthode de commissionnement ...................................................................... 6

2.2 Mise à jour du livrable en fonction des retours du groupe utilisateur ............................... 6

3. Aspects sociologiques ........................................................................................................... 13

4. Eclairage .................................................................................................................................. 16

Annexe : étude H3C............................................................................................................................. 18

5. Contexte et objectifs de l’étude ............................................................................................. 18

6. Estimation des incertitudes lors des relevés initiaux ......................................................... 19

7. Plans d’expérience ................................................................................................................. 22

8. Evaluation des incertitudes sur le calcul de consommation de chauffage. ..................... 44

9. Conclusion .............................................................................................................................. 53



1. Test de la méthode d’audit et définition de l’objectif de performance

1.1 Rappel de la démarche

L’approche proposée est basée sur la démarche suivante : - Audit de l’état initial : recueil des caractéristiques initiales du bâtiment (relevé sur site, mesure

ou documentation) - Modélisation du bâtiment : saisie des caractéristiques recueillies dans un logiciel de

simulation énergétique - Calibrage : modification de certaines données d’entrées afin que les consommations simulées

correspondent (au plus près) aux consommations réelles (sur factures ou mesurées) - Utilisation du modèle calibré pour comparer plusieurs scénarios de réhabilitation et choisir le

plus pertinent - Définition de l’objectif de performance

1.2 Recueil des données

L’état des lieux peut comprendre : • Le recueil des informations disponibles auprès du maître d’ouvrage et /ou du gestionnaire de

l’établissement (factures, plans de bâtiments, schémas des réseaux électrique et de fluides, données de suivi énergétique, abonnements et contrats d’exploitation, livret de chaufferie).

• La caractérisation des locaux en fonction des facteurs climatiques extérieurs et intérieurs des bâtiments (données météo locales, organisation du site, zonage climatique et utilisation des bâtiments).

• Le relevé sur le site et la description détaillée du bâti et des installations (état du bâti et des installations, plans des réseaux de fluides).

• Un contrôle du fonctionnement des installations avec des outils d’investigations appropriés (débit de ventilation, température de consigne, hygrométrie intérieure, mesures de combustion, éclairement moyen, infiltrométrie de l’enveloppe et des réseaux, etc.).

• Un examen des modes de gestion des énergies (tarification, nature et durée des contrats).

Cette liste de tâches génériques (semblables à celle du cahier des charges ADEME) est à adapter au bâtiment concerné pour optimiser le coût de la prestation. C’est pourquoi, l’utilisation itérative d’un modèle peut s’avérer utile pour déterminer le degré de précision de la méthode de recueil à employer.

Bâti et systèmes Occupation Site et climat

ModèleChauffage ECS Éclairage Auxiliaires

Consommations recueillies

Comparaison

Recueil

Saisie



Il est également important de noter l’utilité de vérifier la disponibilité des informations nécessaires pour le modèle. Une visite préalable des sites doit donc être organisée. Lors de cette visite, des vérifications doivent permettre au prestataire de définir si une campagne de mesures préalables ou des relevés utiles au récolement des données sont nécessaires (et ainsi les intégrer dans le prix de la prestation). Une première simulation « provisoire » pourrait ainsi aider à formuler plus précisément le contenu de l’audit à entreprendre.

1.3 Modélisation

1.3.1 Analyse de sensibilité avant travaux : identification des paramètres impactant

L’étude menée par H3C montre que l’expérience de l’auditeur aurait permis d’arriver aux mêmes conclusions que celle de ma méthode d’audit proposé : les deux approches montrent que l’identification des paramètres impactant est possible.

1.3.2 Calcul de l'incertitude avant travaux

Le calcul des incertitudes doit être personnalisé, et il est difficile d’annoncer une incertitude « type » pour les calculs sur tous types de bâtiment.

Effectué une analyse d’incertitude sur l’avant travaux est une démarche intéressante. Elle force les BET/entreprises à se questionner sur la validité de leurs résultats (calibrage) et indirectement sur la prise de risque au niveau de l’engagement d’économie d’énergie.

1.3.3 Calcul de sensibilité et incertitude après travaux

Si des tendances peuvent être dégagées et quelques paramètres toujours importants peuvent être définis, il reste très délicat d'établir a priori la liste suffisamment complète des paramètres impactant les consommations sur un projet particulier.

Ainsi, même si il n’est pas possible de dresser une liste exhaustive applicable à tous type de bâtiment, certaines variables semblent être essentielles pour réaliser l’ajustement contractuel (climat, occupation, température de consigne intérieure). Ces variables devraient être prises « conventionnellement1 » et associées à des incertitudes élevées.

Par exemple, si dans le cadre d’un contrat de GPE, on peut considérer la température extérieure comme une variable d’ajustement, le problème se pose pour l’ensoleillement et pour la vitesse du vent. Le niveau d’ensoleillement et la vitesse du vent impactent fortement les besoins de chauffage. L’ensoleillement pour les apports solaires récupérés et la vitesse du vent pour le débit de renouvellement d’air neuf dû aux défauts d’étanchéité, ce phénomène est accentué si la perméabilité à l’air du bâtiment présente elle-même de fortes incertitudes.

Une analyse systématique semble donc nécessaire mais des tendances peuvent être proposées.

Dans le cas d’étude traité, un bâtiment collectif, grâce à la forte rénovation du bâtiment, le niveau de consommation du bâtiment après travaux devient relativement faible, chaque hypothèse et chaque variation des paramètres liés à l’usage, au fonctionnement et à la météo a un impact non négligeable sur la consommation prévisionnelle.

Ainsi pour une forte rénovation et des caractéristiques thermiques des éléments ou composants rénovés bien connues, les incertitudes sur les variables correspondantes sont faibles et ont permis de diminuer l’incertitude sur la consommation prévisionnelle.

Dans le cas de rénovations moins lourdes ou de rénovations lourdes avec certains composants de l’ouvrage non rénovés, l’incertitude sur la consommation prévisionnelle peut être plus élevée. En effet, les variables caractérisant les éléments non rénovés peuvent présenter une forte incertitude à cause

1 Il s’agit ici d’hypothèses de simulation convenu entre le prestataire et le MOA.



des difficultés pour les caractériser. Il convient alors d’augmenter la précision de la méthode de recueil des données.

1.4 Synthèse et perspectives

Les études de cas menées ont permis de vérifier la faisabilité de la méthode d’audit et de la définition de l’objectif de performance.

Néanmoins les tests effectués ont mis en évidence certaines contraintes et difficultés de mise en œuvre. Ces difficultés sont les suivantes :

• une connaissance approfondie des principes et concepts de la métrologie, des logiciels de calculs d’incertitude et statistiques. Ces connaissances sont quasi absentes dans les BET/entreprises.

• Un chaînage entre logiciel de calcul et logiciel statistiques doit être effectué. Ce chaînage n’existe pas encore dans les outils commerciaux.

• une latitude au BET/entreprise pour évaluer l’incertitude des paramètres : les incertitudes doivent être spécifiées et adaptées au cas rencontré.

• un investissement en temps d’analyse et de calcul incompatible avec les tarifs actuels des prestations d’AMO/diagnostic.

• des modèles de simulation suffisamment fiable et adaptés au cas d’étude concerné.

La différenciation contractuelle d’une part de la prestation d’audit et d’autre part de la définition de la cible de performance ne semble pas aisée. En effet, les analyses menées à partir des simulations après travaux ont montrés qu’il pouvait être nécessaire d’augmenter la précision de la méthode de recueil des données. Cette remarque est d’autant plus pertinente lorsqu’il s’agit de bâtiments dont la rénovation va s’effectuer partiellement.

La réduction du coût des prestations pourra passer par la recherche de « standard » :

• des éléments à recueillir systématiquement pour différentes catégorie de bâtiment et opération ;

• des incertitudes en fonction de la méthode de recueil utilisée (relevé sur site, documentation, mesure). Certaines de ces données sont disponibles mais doivent être complétées.



2. Test de la méthode de commisionnement

2.1 Rappel de la méthode de commissionnement

Le commissionnement est un processus qualité visant à vérifier le projet dans le temps. Le commissionnement démarre dès la prise de décision et permet de suivre la conception et la réalisation du projet jusqu’ à la mise en exploitation.

La mission globale de commissionnement consiste à mener un contrôle qualité du projet dans la durée. Cette mission s’appuie sur la prescription de tâches à réaliser (plan de commissionnement).

La mission de commissionnement peut inclure la prescription d’actions spécifiques à conduire. En effet, à l’issue d’un contrôle sur un équipement ou une prestation, une action corrective peut être prescrite si cela représente un risque de non obtention de la performance énergétique garantie.

2.2 Mise à jour du livrable en fonction des retours du groupe utilisateur

A la mise à disposition du livrable au groupe utilisateur et des présentations effectués lors de deux colloques de la Fondation, la principales remarques provenait du surcoût de la prestation et par conséquent de :

• La sélection des contrôles à effectuer ; • De la répartition les tâches aux différents acteurs, voir de mandater un intervenant

supplémentaire

Le livrable a été amendé et compléter par :

• un niveau de détail supplémentaire au niveau des actions à conduire à chaque étape du projet avec des jalons-clés a été proposé

• des précisions sur les rôles et responsabilités • des exemples de mises en œuvre d’actions techniques à conduire qui, si elles diffèrent d’un

projet à l’autre, peuvent être cernées avec plus de précision par l’intermédiaire de simulation (étude de sensibilité des paramètres) en fonction de l’impact qu’elles représentent sur la performance du bâtiment.

2.2.1 Sélection des contrôles à effectuer

Pour optimiser le coût de la méthode sans avoir recours à la simulation, il est possible de s’appuyer sur des retours d’expérience menés statistiquement, c'est-à-dire sur différents échantillons représentant une certaine typologie.

Les contrôles à mener pourraient par exemple être les suivants.

Préconisations Liste / Nature des essais

Nature contrôle / essai Fréquence

Equi

pem

ents

te

chni

ques

Remplacement de chaudières et d’échangeurs de chaleur vétustes

Conformité produit et conformité pose 100 %

Mise en place d’un désemboueur sur le circuit de chauffage

Conformité produit et test de fonctionnement 100 %

Mise en place de robinets thermostatiques sur les radiateurs Conformité produits et pose Sondage



Séparation des réseaux (école / centre de loisirs) Conformité réseau et pose 100%

Installation de compteurs d’énergie (logements et cuisines)

Conformité produits et pose, tests de fonctionnement 100 %

Remplacement de ballon ECS et abaissement de la capacité de

stockage

Conformité produits et pose, tests de fonctionnement Sondage

Mise en place d’horloge programmable sur ballon ECS et

CTA Test de fonctionnement 100 %

Luminaires Basse consommation Conformité produits et tests de fonctionnement 100 %

GTB Conformité produits et tests de fonctionnement 100 %

Sondes de température Conformité produits, pose et tests de fonctionnement 100 %

Enve

lopp

e du

bât

imen

t

Isolation intérieure ou extérieure des murs verticaux

Conformité produit, analyse des points singuliers par thermographie Sondage

Isolation des combles par ouate de cellulose

Conformité produit, contrôle de l’épaisseur mise en œuvre, analyse

des points singuliers par thermographie

Sondage

Isolation des planchers sur locaux non chauffés ou vide sanitaire par

flocage

Conformité produit, contrôle de l’épaisseur mise en œuvre Sondage

Remplacement des menuiseries extérieures

Conformité produit, contrôle de l’étanchéité à l’air Sondage

Il convient de noter que cette liste est non exhaustive. Par principe, les tests qui devront être effectués correspondent au périmètre pris lors de l’engagement et par rapport aux résultats des simulations.

Aucune base de données n’est disponible pour caractériser l’aspect technico-économique de tel ou tel défaut en fonction d’un type précis de bâtiment. En effet, les défauts (conception exploitation, maintenance) ou les aspects comportementaux pouvant impacter la performance énergétique d’un équipement ou d’un bâtiment sont difficilement mesurables.

Il semble donc essentiel pour les acteurs désirant mener une opération de GPE d’effectuer des analyses de sensibilités systématiquement sur l’après travaux pour :

• Identifier les contrôles prioritaires ; • Associer une fréquence aux contrôles ; • Définir un critère d’acceptabilité à chacun des contrôles.

Certains travaux « théoriques » pourraient être menés pour identifier l’impact de certains défauts ou impact comportementaux à travers des études de cas menées par simulation.



Il faut toutefois rappeler que l’utilisation des modèles disponibles aujourd’hui et intégrer dans les outils commerciaux ne sont pas tous identiques et ne permettent pas de simuler de manière précise tous les types de défaut possibles.

En plus de l’enveloppe et des systèmes techniques, il est important de réaliser un commissionnement de la gestion technique (GTB, GTC,…) afin de s’assurer que le fonctionnement, l’état et les fonctions de régulation des systèmes correspondent à ce qui était prévu en conception.

En effet, il est nécessaire de s’assurer que la remontés sur la supervision est correctement faite afin que les exploitants puissent piloter au mieux les installations. Le commissionnement de la GTB est important car il facilite également la mise en œuvre des logiciels :

• de suivi de performance énergétique • de détection de fautes • de pilotage optimisé des systèmes

Il est également possible de s’appuyer sur la GTB afin de réaliser certains tests sur les systèmes techniques. Ci-dessous la liste des points à tester par exemple pour les systèmes de CTA, Equipement de Production et Distribution :

Les 2 exemples décrits ci-dessous illustrent ce type de test à réaliser pour vérifier par exemple que :

• la cascade des chaudières s’effectue correctement • l’efficacité de l’échangeur de la sous-station correspond à celle indiquée par le constructeur



FTP1 : Gestion de la cascade des chaudières



FTP2 : Efficacité de l’échangeur

Concernant la performance de l’enveloppe, il est important de disposer de méthodes de commissionnement. En effet, la qualité du bâti est un paramètre primordial à prendre en compte dans le calcul du niveau de performance global d’un bâtiment. Il est donc nécessaire de disposer d’un ensemble de méthodes permettant de vérifier la performance intrinsèque du bâti à partir de mesures et d’intégrer les résultats dans la méthode de calcul de l’objectif de performance énergétique. Ces tests de qualité effective du bâti concernent notamment :

• sa perméabilité à l’air • son inertie • ses gains solaires • ses déperditions thermiques par paroi (Uparoi) • sa déperdition thermique globale (Ubât) • ses ponts thermiques

Cette batterie de tests permettra à termes de séparer la responsabilité des constructeurs (erreur de construction) et celle de l’exploitant (erreur de pilotage) dans le cadre de pénalités basées sur le cout des travaux.

Le processus de déclenchement des tests des différents points relatifs à la qualité effective de l’enveloppe du bâtiment peut être décrit par le diagramme ci-après :



Les résultats des mesures pourront être utilisés pour calibrer des modèles de simulation ou expliquer des écarts entre des mesures de consommation et des simulations et aider à la réception d’un ouvrage en émettant des réserves sur sa qualité thermique intrinsèque.

Elémentdéclencheurduprocessus:différenceentrelaConsocalculéeetla

consomesurée

Miseenœuvredesfichesdetestfonctionnels

FTP:1parparamètreàmesurer:-perméabilitédubâti-inertie-pontthermique-ubat

Comparaisondesmesuresavec:-Valeursissuesducalculthermique-Valeursréglementaires(valeursderéférenceRT)

Est-cequelesmesuressontconformesaux

attentes?

Valeursréglementaires(référencesRT)

Oui:recherchedesolutionsurles

systèmesNon

Nouveauxcalculsenprenantlesvaleursmesurées(Attentionaux

incertitudes)

Comparaisondunouveaurésultat(Consocalculéebis)avec

laconsomesurée

Est-cequeConsocalculéebisest

conformeàConsomesurée?

Oui:recherchedesolutionsurlebâti

Non:recherchedesolutionsurlebâtietlessystèmes



2.2.2 Répartition des responsabilités

Le commissionnement n’incombe pas à un seul acteur, il repose sur un partage de responsabilités. Le responsable du processus s’appuie sur d’autres acteurs pour conduire les différentes actions incluent dans le plan de commissionnement, à l’image de ce qui est fait dans le cadre de la démarche HQE.

Il est recommandé d’éviter la dilution des responsabilités concernant la mission globale de commissionnement, celle-ci devant, idéalement, être réalisée par un acteur unique rattaché au porteur du risque du projet. Par exemple, pour la route n°1 (voir tâche 1.1), le mandataire de groupement devrait assurer la mission de commissionnement. En effet le commissionnement doit démarrer au début du projet de GRE, il est par conséquent préférable de conserver le même acteur responsable de la bonne réalisation des missions de commissionnement tout au long de la durée de vie du projet.

Néanmoins, les responsables de chacune des tâches à mener dans le cadre du commissionnement s’appuient sur le maître d’ouvrage, le groupement d’entreprise, et l’exploitant/mainteneur.



3. Aspects sociologiques Dans l’étape de caractérisation de l’état initial et de définition des travaux et des objectifs de performance, la caractérisation des pratiques énergétiques des occupants se heurte à une double difficulté :

• La première difficulté 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 profils 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, les comportements avant travaux sont peu prédictifs des nouvelles habitudes et pratiques énergétiques qui se mettront en place après une phase d’apprentissage et d’appropriation des nouveaux locaux. Leur connaissance permet pourtant de mieux concevoir les travaux et les équipements, afin d’en améliorer l’utilisabilité et l’appropriabilité par les occupants.

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. L’utilisation de données réelles peut sensiblement améliorer la performance des modèles et la fiabilité des résultats

Sans entrer dans le recueil d’un grand nombre de données correspondant aux différents usages de l’énergie dans le bâtiment, on peut se limiter à un ensemble de données de base, permettant d’alimenter la modélisation énergétique et d’améliorer, ne serait-ce que de quelques points, le degré de précision des résultats.

Les données comportementales à recueillir pourraient ainsi se limiter 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 occultant (volets, stores), selon ces

segmentations. • Les équipements et leurs conditions d’utilisation.

Dans la plupart des cas de bâtiments résidentiels collectifs et 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, les variations interindividuelles se compensent et peuvent être considérées comme relativement négligeables, mais dans des contextes sociotechniques qui sont toujours particuliers. Dans la phase de recueil des caractéristiques nécessaires pour l'état initial, la collecte relative aux facteurs impactant les consommations d'éclairage est une phase délicate :

§ Il existe en général très peu d'informations relatives à ces données. Rappelons ici que les données qui sont le plus intéressantes pour les consommations relatives à l'éclairage sont, pour le bâtiment lui-même, les caractéristiques optiques des couches de finition pour les matériaux opaques et les caractéristiques optiques des matériaux transparents. Or, même si l'on retrouvait la référence exacte des matériaux utilisés, les données de caractéristiques optiques de matériaux anciens ne sont simplement pas disponibles. Il est donc nécessaire de passer par une phase intensive de mesure sur site. Les appareils pour réaliser de telles mesures sont relativement coûteux mais demeurent indispensables pour faire un recueil correct.

§ La caractérisation de la géométrie est naturellement essentielle et tous les moyens doivent être mis en œuvre pour en assurer la qualité.

§ Au-delà de ces éléments "objectifs", un des déterminants essentiels de la consommation électrique est le besoin de confort et d'agrément des utilisateurs du bâtiment. Il ne s'agit de juger si le comportement des utilisateurs est énergivore ou non en termes d'usage de l'éclairage électrique, ceci relève de notions comportementales traitées dans la section précédente. Le besoin de confort et d'agrément des utilisateurs entraîne l'utilisation plus ou moins importante de l'éclairage. Les utilisateurs "jouent" sur les possibilités offertes en éclairage électrique pour restaurer les niveaux nécessaires. Ainsi, des démarches d'audit centrées non pas sur la performance des appareillages mais bien sur le confort et la proposition de solutions d'améliorations peuvent considérablement modifier la consommation électrique sans jouer sur les systèmes électriques eux-mêmes. Ces études sont malheureusement encore peu courantes. En effet, l'éclairage naturel est une préoccupation essentiellement récente dans le bâtiment du point de vue de l'énergie et la tendance est encore centrée sur la "performance" quantitative (atteindre un niveau de lux), alors que la consommation électrique réelle pour l'éclairage n'est que très partiellement liée à cette "performance".

En termes de performance attendue, le problème posé est très proche de la caractérisation de la performance initiale :

§ Il est nécessaire de faire une prévision en prenant en compte les caractéristiques du bâtiment lui-même.

§ En revanche, il est délicat de connaître le comportement futur des usagers. La problématique rejoint en cela celle de la sociologie. En effet, il est illusoire de penser que le comportement des usagers (qu'ils soient les mêmes ou non) reste le même dans le bâtiment rénové (surtout si la rénovation a été lourde). Il est donc important dans l'estimation des consommations futures (l'efficacité des bouquets de travaux) de prendre en compte particulièrement les conditions de confort apportées par l'éclairage naturel et les protections (il faut être conscient que ces conditions font varier la consommation pour l'éclairage électrique de un rapport de 1 à 100 dans certains cas). Ce type d'étude est encore assez peu développé mais les méthodes existent.

Lorsque la rénovation a été effectuée et que le bâtiment est à nouveau en utilisation, il sera très utile de profiter de la période de calage du bâtiment (1 ou 2 an après la réception) pour étudier ces conditions de confort :

§ La réception du bâtiment a permis de valider que les matériaux installés présentent bien des caractéristiques optiques conformes aux exigences du projet, il n'aura pas été possible de valider les conditions de confort et donc le comportement des usagers.



§ Il est donc souhaitable de profiter de la période de calage pour étudier ces conditions de confort, pour interviewer les usagers sur ce sujet spécifique, pour réaliser des mesures non plus des matériaux mais des réelles conditions de confort et pour les mettre en corrélation avec les consommations pour l'éclairage.

A titre d'exemple, lorsque d'une étude d'autonomie lumineuse, nous étudions le nombre d'heures durant lequel un niveau donné en lux sur un plan de travail est atteint (en prenant en compte les données météo du lieu). § Dans ce cadre, le calcul le plus simple (simulation du nombre de lux sur le plan de travail en

fond de local) peut donner un résultat tout à fait correct (par exemple l'éclairage électrique n'est nécessaire que 2 heures par jour en moyenne).

§ Ensuite, si l'on prend en compte que o le bureau contient 2 personnes (une en fond de local et une proche de la façade). o un niveau en lux trop élevé est également gênant et que cela provoque l'utilisation de

stores et donc la nécessité d'utiliser l'éclairage électrique si le niveau en lux est trop élevé.

On arrive alors à la constatation que l'autonomie lumineuse réelle est proche de 0 (zéro). Ce cas peut sembler caricatural, mais est largement présent, il suffit de constater le nombre de bureaux dans lesquels l'éclairage électrique est utilisé en pleine journée alors que le soleil brille à l'extérieur (et on ne parle pas ici de ceux qui ont oublié d'éteindre).

La problématique est très proche de celle rencontrée dans le domaine sociologique. Lorsque l'on s'intéresse réellement aux consommations (prédictions, explicitations, recherche de causes, etc.), il est nécessaire de quitter le domaine du calcul de la performance en éclairage, du nombre de lux, de l'autonomie théorique du bâtiment. Le déterminant principal est l'usager du bâtiment.

En effet, dans la plupart des projets, l'usager du bâtiment a un grand contrôle sur l'éclairage et c'est son comportement qui détermine pour une bonne part la consommation électrique. Nous ne cherchons pas ici à minimiser l'importance de la mise en place de systèmes intelligents, peu consommateurs, etc. mais à simplement remettre à leur place les différents éléments qui participent à la consommation.

Or, ce type d'étude est naturellement complexe et assez peu développée hormis dans quelques bureaux spécialisés et centres de recherche. Toutefois, il est possible conjointement avec les politiques d'accompagnement, durant les interviews prévues, etc. de faire un focus particulier sur le point de l'éclairage pour recueillir les ressentis des usagers du bâtiment car ce ressenti est fondamental pour les consommations.

Ainsi, dans le cadre de ces audits énergétiques, il est tout à fait important de garder cette dimension à l'esprit.



4. Eclairage Dans la phase de recueil des caractéristiques nécessaires pour l'état initial, la collecte relative aux facteurs impactant les consommations d'éclairage est une phase délicate :

§ Il existe en général très peu d'informations relatives à ces données. Rappelons ici que les données qui sont le plus intéressantes pour les consommations relatives à l'éclairage sont, pour le bâtiment lui-même, les caractéristiques optiques des couches de finition pour les matériaux opaques et les caractéristiques optiques des matériaux transparents. Or, même si l'on retrouvait la référence exacte des matériaux utilisés, les données de caractéristiques optiques de matériaux anciens ne sont simplement pas disponibles. Il est donc nécessaire de passer par une phase intensive de mesure sur site. Les appareils pour réaliser de telles mesures sont relativement coûteux mais demeurent indispensables pour faire un recueil correct.

§ La caractérisation de la géométrie est naturellement essentielle et tous les moyens doivent être mis en œuvre pour en assurer la qualité.

§ Au-delà de ces éléments "objectifs", un des déterminants essentiels de la consommation électrique est le besoin de confort et d'agrément des utilisateurs du bâtiment. Il ne s'agit de juger si le comportement des utilisateurs est énergivore ou non en termes d'usage de l'éclairage électrique, ceci relève de notions comportementales traitées dans la section précédente. Le besoin de confort et d'agrément des utilisateurs entraîne l'utilisation plus ou moins importante de l'éclairage. Les utilisateurs "jouent" sur les possibilités offertes en éclairage électrique pour restaurer les niveaux nécessaires. Ainsi, des démarches d'audit centrées non pas sur la performance des appareillages mais bien sur le confort et la proposition de solutions d'améliorations peuvent considérablement modifier la consommation électrique sans jouer sur les systèmes électriques eux-mêmes. Ces études sont malheureusement encore peu courantes. En effet, l'éclairage naturel est une préoccupation essentiellement récente dans le bâtiment du point de vue de l'énergie et la tendance est encore centrée sur la "performance" quantitative (atteindre un niveau de lux), alors que la consommation électrique réelle pour l'éclairage n'est que très partiellement liée à cette "performance".

En termes de performance attendue, le problème posé est très proche de la caractérisation de la performance initiale :

§ Il est nécessaire de faire une prévision en prenant en compte les caractéristiques du bâtiment lui-même.

§ En revanche, il est délicat de connaître le comportement futur des usagers. La problématique rejoint en cela celle de la sociologie. En effet, il est illusoire de penser que le comportement des usagers (qu'ils soient les mêmes ou non) reste le même dans le bâtiment rénové (surtout si la rénovation a été lourde). Il est donc important dans l'estimation des consommations futures (l'efficacité des bouquets de travaux) de prendre en compte particulièrement les conditions de confort apportées par l'éclairage naturel et les protections (il faut être conscient que ces conditions font varier la consommation pour l'éclairage électrique de un rapport de 1 à 100 dans certains cas). Ce type d'étude est encore assez peu développé mais les méthodes existent.

Lorsque la rénovation a été effectuée et que le bâtiment est à nouveau en utilisation, il sera très utile de profiter de la période de calage du bâtiment (1 ou 2 an après la réception) pour étudier ces conditions de confort :

§ La réception du bâtiment a permis de valider que les matériaux installés présentent bien des caractéristiques optiques conformes aux exigences du projet, il n'aura pas été possible de valider les conditions de confort et donc le comportement des usagers.

§ Il est donc souhaitable de profiter de la période de calage pour étudier ces conditions de confort, pour interviewer les usagers sur ce sujet spécifique, pour réaliser des mesures non plus



des matériaux mais des réelles conditions de confort et pour les mettre en corrélation avec les consommations pour l'éclairage.

A titre d'exemple, lorsque d'une étude d'autonomie lumineuse, nous étudions le nombre d'heures durant lequel un niveau donné en lux sur un plan de travail est atteint (en prenant en compte les données météo du lieu). § Dans ce cadre, le calcul le plus simple (simulation du nombre de lux sur le plan de travail en

fond de local) peut donner un résultat tout à fait correct (par exemple l'éclairage électrique n'est nécessaire que 2 heures par jour en moyenne).

§ Ensuite, si l'on prend en compte que o le bureau contient 2 personnes (une en fond de local et une proche de la façade). o un niveau en lux trop élevé est également gênant et que cela provoque l'utilisation de

stores et donc la nécessité d'utiliser l'éclairage électrique si le niveau en lux est trop élevé.

On arrive alors à la constatation que l'autonomie lumineuse réelle est proche de 0 (zéro). Ce cas peut sembler caricatural, mais est largement présent, il suffit de constater le nombre de bureaux dans lesquels l'éclairage électrique est utilisé en pleine journée alors que le soleil brille à l'extérieur (et on ne parle pas ici de ceux qui ont oublié d'éteindre).

La problématique est très proche de celle rencontrée dans le domaine sociologique. Lorsque l'on s'intéresse réellement aux consommations (prédictions, explicitations, recherche de causes, etc.), il est nécessaire de quitter le domaine du calcul de la performance en éclairage, du nombre de lux, de l'autonomie théorique du bâtiment. Le déterminant principal est l'usager du bâtiment.

En effet, dans la plupart des projets, l'usager du bâtiment a un grand contrôle sur l'éclairage et c'est son comportement qui détermine pour une bonne part la consommation électrique. Nous ne cherchons pas ici à minimiser l'importance de la mise en place de systèmes intelligents, peu consommateurs, etc. mais à simplement remettre à leur place les différents éléments qui participent à la consommation.

Or, ce type d'étude est naturellement complexe et assez peu développée hormis dans quelques bureaux spécialisés et centres de recherche. Toutefois, il est possible conjointement avec les politiques d'accompagnement, durant les interviews prévues, etc. de faire un focus particulier sur le point de l'éclairage pour recueillir les ressentis des usagers du bâtiment car ce ressenti est fondamental pour les consommations.

Ainsi, dans le cadre de ces audits énergétiques, il est tout à fait important de garder cette dimension à l'esprit.



Annexe : étude H3C / Ville de Nîmes

5. Contexte et objectifs de l’étude

Dans le cadre de la mise en place d’un Contrat de Performance Energétique, la ville de Nîmes a confié à H3C-énergies une mission d’assistance à maitrise d’ouvrage.

Celle-ci débute par la définition du périmètre du futur contrat ainsi que par la définition des situations de référence des bâtiments retenus.

Ce rapport complète les diagnostics énergétiques des bâtiments Pablo Neruda & Carré d’Art. Il consiste en la réalisation d’une étude de sensibilité sur les paramètres d’entrées, et au calcul de l’incertitude final sur le calcul des consommations de chauffage.

Les incertitudes d’entrées sont basées sur les prescriptions contenues dans le cahier des charges. Nous avons apporté nos propres modifications en fonction de notre analyse sur site.



6. Estimation des incertitudes lors des relevés initiaux

Lors de nos relevés sur site, tous les paramètres relevés et enregistrés ont été analysés en termes d’incertitudes. Le tableau suivant détaille nos relevés pour l’enveloppe.

Variable unité source EstimationH3Cdelaplagedevariation

Loi incertitudeélargieà90%

CDC

Longueurs(1) m Plans (1) U 5%

Surfaces(1) m² Plans (1) T 12%

Epaisseurisolant(2) m Plans+Visitesursite 15% U

Epaisseurbéton(3) m Plans+Visitesursite 5% U

coefficient detransmissionsurfacique des parois(4)

W/m².°C Visitesursite+bibliothèquePerrenoud

T 22%

Lambda desmatériaux(5)

W/m.°C bibliothèquePerrenoud 15% U

coefficient detransmissionsurfacique des baiesvitrées

W/m².°C Visitesursite+bibliothèquePerrenoud

15% U 14%

coefficient detransmission linéique(6)

W/m°C Visitesursite+bibliothèquePerrenoud

30% U 41%

(1) Lesrelevésayantétéfaitsurplan,nousconsidéronsqueleslongueursetsurfacessontconnuesavecuneprécisiontrèsbonne.Depluslamodificationdeslongueursetsurfacesdansl’outildecalculdesdéperditionsauraitnécessitéunequantitédetravailseulementenvisageabledansuntravailderecherche.

(2) L’épaisseurd’isolantn’étaitpasunequantitéspécifiquementadressédanslecahierdescharges.Noussavonsparexpériencequ’ilestparfoistrèsdifficiled’estimerprécisémentl’épaisseurd’isolantdanslesbâtimentsanciens

(3) L’épaisseurdubétonestquandàelleplusfacileàestimer(4) Etantdonnéquenousavonsestimél’incertitudesurl’épaisseuretlelambdadesmatériaux,nousn’avons

plusbesoind’estimerl’incertitudesurleUdesparois,ceparamètreétantunecombinaisondes2précédents

(5) L’incertitudedulambdadesmatériauxprovientdudoutesurlanaturedubéton,trèsdifficileàestimer,etsurl’étatdeconservationdescouchesisolantes,quipeuventsedégraderavecletemps.

(6) Nousavonsréaliséuntravailspécifiquederelevédespontsthermiques,nousestimonsquelaprécisionobtenueestmeilleurequecelleindiquéedanslecahierdescharges.

Tableaud’estimationdesincertitudesdesparamètresd’entréespourlecalculdesdéperditionsstatiquesdesbâtiments



Le tableau suivant détaille nos relevés pour les systèmes de chauffage :

Variable unité source Estimation H3C de la plage de variation

Loi incertitude élargie à 90% CDC

Bornes choisies

pour plan factoriel

Déperditions W/K Calculs Perrenoud N 8.4% 20%

apport occupant, bureautique et éclairage

kW Relevé sur site + fichier de déperdition

25% N 25 à 30% 25%

inertie - Visite sur site + bibliothèque Perrenoud

50% U ? -

infiltrations (I4) m3/hm² Visite sur site + fichier de déperdition + biblio (ratio)

50% U 54% 60%

débits de ventilation m3/h Relevé sur site + fichier de déperdition + données constructeur + biblio (règlementation)

40% U 45% 50%

facteur solaire baies vitrées

- Visite sur site + fichier de déperdition

25 % U 27% 27%

température de consigne occupation

°C Données client + sonde Kimo

5% U 9% 7%

Production de chaleur

température de réduit °C Données client + loi d'eau

5% U 13% 14%

efficacité échangeur de chaleur

- Relevé sur site + fichier de déperdition + données constructeur

20% U 14% 14%

rendement générateur

- Analyse de combustion 5% U 11% 11%

températures de distribution

°C Relevé sur site + données clients

15% U 15%

Rendement régulation

- Relevé sur site + données clients

10%

Rendement émission - Relevé sur site + données clients

5%

pertes à l'arrêt - / U 45% -

scénarios d'occupation/fréquentation

- données clients (enquête usagers)

12.5% U ? 12.5%

scénarios de ventilation

- données clients + biblio (règlementation)

12.5% U ? 12.5%



Météo °C.jours Météo France 10% 10%

Note : Pour l’incertitude sur les déperditions statiques, nous avons choisi une valeur proche de celle donnée dans le cahier des charges pour les coefficients de transmission des parois opaques, et non la valeur obtenue dans les plans factoriels sur les déperditions, à savoir 20% (cf. ci-dessous).



7. Plans d’expérience

Précisions

Afin de repérer les caractéristiques les plus influentes, nous réalisons une première étude de sensibilité sur la caractérisation des déperditions des 2 bâtiments, Pablo Neruda et Le Carré des Arts. Cette étude de sensibilité est conduite à l’aide d’un logiciel de statistiques qui va définir un plan d’expérience factoriel.

On nomme plan d'expériences la suite ordonnée d'essais d'une expérimentation, chacune permettant d'acquérir de nouvelles connaissances en contrôlant un ou plusieurs paramètres d'entrée pour obtenir des résultats validant un modèle avec une bonne économie (nombre d'essais le plus faible possible, par exemple).

Un exemple classique est le « plan en étoile » où en partant d'un jeu de valeurs choisi pour les paramètres d'un essai central, on complète celui-ci par des essais où chaque fois un seul des facteurs varie « toutes choses égales par ailleurs ». Un type de plan plus exhaustif est le plan factoriel consistant à choisir des valeurs pour chacun des facteurs en faisant varier simultanément tous les facteurs (de façon exhaustive ou non). Le nombre d'essais peut alors devenir très grand (explosion combinatoire).

Nous avons réalisé un plan d’expérience factoriel fractionnaire, permettant d’obtenir des interactions au-delà du second ordre. Le calcul des déperditions étant un phénomène linéaire (de type somme des coefficients de transmission) la précision obtenue ainsi était suffisante.

Nous avons utilisé MINITAB 17 comme logiciel statistique permettant de construire la matrice des essais et d’analyser par la suite les résultats.

Analyse des déperditions statiques (enveloppe)

La matrice des essais pour l’analyse des déperditions statique est la suivante :



Matricedesessaispourlecalculdesdéperditions

Nous avons donc réalisé 32 calculs de déperditions dans le logiciel Perrenoud pour chaque bâtiment.

Résultats Pablo Neruda

Les calculs nous permettent d’obtenir une régression linéaire du modèle de calcul des déperditions à partir des essais réalisés.

Equation de régression en unités non codées

DEPER = 12356,8 - 13,2605 ep_isol + 13,0985 l_isol - 1,839 e_beton + 21,7139 l_beton

+ 51,9809 Uw_fen + 8,9793 PT - 0,09030 ep_isol*l_isol

Récapitulatif du modèle

R carré R carré

S R carré (ajust) (prév)

4,08381 100,00% 100,00% 100,00%

Le coefficient « R carré » représente la précision de la régression réalisée. Une valeur de 100% montre que l’erreur est nulle. Cela signifie que :

• Le modèle de calcul des déperditions est purement linéaire • Nous n’avons fait aucune erreur dans les essais réalisés

OrdreStd OrdEssai ep_isol l_isol e_beton l_beton Uw_fen PT12 1 15 15 -5 15 -15 3018 2 15 -15 -5 -15 15 -309 3 -15 -15 -5 15 -15 3027 4 -15 15 -5 15 15 3022 5 15 -15 5 -15 15 3032 6 15 15 5 15 15 3017 7 -15 -15 -5 -15 15 3021 8 -15 -15 5 -15 15 -3029 9 -15 -15 5 15 15 3016 10 15 15 5 15 -15 -302 11 15 -15 -5 -15 -15 3023 12 -15 15 5 -15 15 305 13 -15 -15 5 -15 -15 3013 14 -15 -15 5 15 -15 -3015 15 -15 15 5 15 -15 304 16 15 15 -5 -15 -15 -308 17 15 15 5 -15 -15 3028 18 15 15 -5 15 15 -3010 19 15 -15 -5 15 -15 -3011 20 -15 15 -5 15 -15 -303 21 -15 15 -5 -15 -15 3031 22 -15 15 5 15 15 -301 23 -15 -15 -5 -15 -15 -3030 24 15 -15 5 15 15 -3020 25 15 15 -5 -15 15 306 26 15 -15 5 -15 -15 -307 27 -15 15 5 -15 -15 -3019 28 -15 15 -5 -15 15 -3024 29 15 15 5 -15 15 -3014 30 15 -15 5 15 -15 3026 31 15 -15 -5 15 15 3025 32 -15 -15 -5 15 15 -30



On voit que l’équation obtenue n’utilise pas le terme du 2nd degré « épaisseur béton * lambda béton ». L’influence de ce terme est trop faible, ceci étant dû à l’intervalle de variation trop restreint choisi pour l’épaisseur du béton. Les influences respectives de chaque terme sont représenté sur le diagramme de Pareto suivant :

Nous avons ainsi le classement des termes le plus influents. Ce classement est intéressant pour 2 choses :

• Lors du recalage du modèle sur les consommations réelles, nous saurons quel facteur influence le plus les résultats, nous pourrons ainsi recaler le modèle avec le plus de connaissances possibles.

• Lors de la réalisation des préconisations d’améliorations, nous savons quels éléments rénover en priorité (si cela est techniquement, ou économiquement faisable). Ce sont ceux influençant le plus directement les déperditions.

C’est incontestablement le Uw des fenêtres qui impacte le plus la valeur des déperditions. Suivent ensuite le lambda du béton, la valeur des ponts thermiques, l’épaisseur et le lambda de l’isolant, le produit de ces 2 paramètres, et enfin l’épaisseur du béton.



Une autre présentation des résultats est également accessible grâce à la droite de Henry.

Le graphique des effets illustre bien l’effet de chaque paramètre.



Les interactions de second ordre sont représentées dans le graphe précédent. On voit que toutes sauf épaisseur isolant*lambda isolant ne sont pas significatives. Les calculs reflètent bien la réalité physique.

Un dernier test à effectuer est d’analyser la réponse obtenue à partir des 32 essais, pour évaluer l’incertitude totale sur les déperditions que l’on va réinjecter dans le calcul des consommations du bâtiment.

On réalise un test de normalité pour vérifier que la distribution obtenue s’approche d’une loi Normale de probabilité. Le fait que les points ici s’alignent avec la droite montre que c’est le cas. Nous calculons donc les valeurs caractéristiques de cette loi normale.



Il manque évidemment les points centraux autour de la moyenne, car les tests ont été faits aux extrémités des intervalles initiaux donnés. Cependant, l’hypothèse de la loi normale est ici vérifiée.

L’incertitude type est égale à !"#

32 étant le nombre d’essai.

Nous obtenons une moyenne de 12 357 W/K ± 927 W/K (IC 90% en utilisant la loi de Student). Soit une estimation de l’incertitude élargie à 90% de 7 %.

Résultats Carré d’Art

Equation de régression en unités non codées

DEPER = 15734,5 - 6,730 ep_isol + 6,348 l_isol - 22,072 e_beton + 22,346 l_beton

+ 82,830 Uw_fen + 10,2226 PT - 0,07736 ep_isol*l_isol - 0,0119 e_beton*l_beton


R carré R carré


1er quartile 11521Médiane 123463e quartile 13151Maximum 14162

12073 12640

11929 12821

785 1198

A au carré 0,30Valeur de P 0,556

Moyenne 12357EcTyp 945Variance 893192Asymétrie 0,00762Aplatissement -1,00788N 32

Minimum 10602

Test de normalité d'Anderson-Darling

Intervalle de confiance = 90 % pour la moyenne

Intervalle de confiance = 90 % pour la médiane

Intervalle de confiance = 90 % pour l'écart type

14 000,00W/ K13 000,00W/ K12 000,00W/ K11 000,00W/ K

Médiane

Moyenne

12 800,00W/ K12 600,00W/ K12 400,00W/ K12 200,00W/ K12 000,00W/ K

Intervalles de confiance = 90 %

Rapport récapitulatif pour DEPER



10,6147 100,00% 99,99% 99,99%

A la différence de Pablo Neruda, le facteur épaisseur béton * lambda béton est ici pris en compte dans le modèle par le logiciel.

C’est incontestablement le Uw des fenêtres qui impacte le plus la valeur des déperditions. Suivent ensuite le lambda du béton, la valeur des ponts thermiques, l’épaisseur du béton, l’épaisseur et le lambda de l’isolant, le produit de ces 2 paramètres, et enfin le deuxième produit.

Le béton a ici une importance plus importante que pour Pablo Neruda. Cela peut s’expliquer par l’importance des niveaux souterrains en contact direct avec la terre, et qui ainsi génèrent une part importante des déperditions.

De plus le Uw des fenêtres possède une influence relativement plus importante par rapport aux autres facteurs, si l’on compare les 2 bâtiments. C’est tout à fait compréhensible si l’on étudie le bâtiment du Carré des Arts qui est très fortement vitré.





On voit bien ici que seuls 2 facteurs du second ordre sont pris en compte.

Le test de la loi normale est ici un peu moins concluant. Cela s’explique par le fait qu’un facteur a une prédominance forte et peut déséquilibrer les essais.



Effectivement, la disposition ne ressemble pas à une loi Normale. Le coefficient p est inférieur à 0.005 et montrerait donc que l’on pourrait rejeter l’hypothèse. Cependant, on a vu que sur le précédent bâtiment l’hypothèse était validée. Etant donné que ce sont les mêmes calculs, nous utiliserons donc l’hypothèse loi Normale.

Nous obtenons une moyenne de 15 735 W/K ± 1331 W/K (IC 90% en utilisant la loi de Student). Soit une estimation de l’incertitude élargie à 90% de 8.4 %.


15328 16141

14837 16660

1126 1720

A au carré 1,22Valeur de P < 0,005

Moyenne 15735EcTyp 1356Variance 1839387Asymétrie 0,00628Aplatissement -1,56745N 32

Minimum 13578





1800017000160001500014000

Médiane

Moyenne

16500160001550015000


Rapport récapitulatif pour DEPER



Analyse des calculs de consommation

Voici la matrice d’analyse du plan factoriel fractionnaire :

Cette matrice comporte 128 essais.

Résultats Pablo Neruda


R carré R carré


* 100,00% * *

Q_avc_app = -1013106 + 14,96 D_stats + 5,525 D_ventil + 9,803 D_infiltr + 5738 h_confort

- 24,61 DJU_confort - 133,6 DJU_red - 1109133 Iventil + 1631 DJU + 3777 Rend_prod

+ 2295 Rend_distr - 4637 rend_reg - 10785 rend_emi - 1,878 App_solaire

+ 2,361 App_occ - 5,915 App_élec + 0,000000 D_stats*D_ventil

- 0,000014 D_stats*D_infiltr + 0,001257 D_stats*h_confort

- 0,000760 D_stats*DJU_confort + 0,002086 D_stats*DJU_red

- 0,1188 D_stats*Iventil - 0,002230 D_stats*DJU - 0,03763 D_stats*Rend_prod

- 0,02697 D_stats*Rend_distr - 0,01404 D_stats*rend_reg



- 0,08986 D_stats*rend_emi + 0,000001 D_stats*App_solaire

+ 0,000001 D_stats*App_occ + 0,000001 D_stats*App_élec

- 0,000000 D_ventil*D_infiltr - 0,009707 D_ventil*h_confort

- 0,001040 D_ventil*DJU_confort + 0,000256 D_ventil*DJU_red

+ 5,451 D_ventil*Iventil + 0,001593 D_ventil*DJU - 0,03130 D_ventil*Rend_prod

- 0,02332 D_ventil*Rend_distr - 0,02461 D_ventil*rend_reg

+ 0,02327 D_ventil*rend_emi - 0,000002 D_ventil*App_solaire

+ 0,000019 D_ventil*App_occ + 0,000003 D_ventil*App_élec

- 0,03723 D_infiltr*h_confort + 0,001120 D_infiltr*DJU_confort

+ 0,000019 D_infiltr*DJU_red + 2,059 D_infiltr*Iventil + 0,002664 D_infiltr*DJU

- 0,06600 D_infiltr*Rend_prod - 0,02798 D_infiltr*Rend_distr

- 0,02497 D_infiltr*rend_reg - 0,001016 D_infiltr*rend_emi

+ 0,000012 D_infiltr*App_solaire - 0,000006 D_infiltr*App_occ

- 0,000004 D_infiltr*App_élec - 1,013 h_confort*DJU_confort

+ 0,1519 h_confort*DJU_red + 1428 h_confort*Iventil + 0,006035 h_confort*DJU

- 29,99 h_confort*Rend_prod - 13,54 h_confort*Rend_distr

+ 13,96 h_confort*rend_emi - 0,08423 h_confort*App_occ

- 0,002224 h_confort*App_élec - 45,47 DJU_confort*Iventil

+ 0,2799 DJU_confort*Rend_prod + 0,4481 DJU_confort*rend_reg

+ 0,4664 DJU_confort*rend_emi + 0,000072 DJU_confort*App_solaire

+ 0,002153 DJU_confort*App_occ + 0,04055 DJU_red*DJU - 0,6977 DJU_red*Rend_prod

+ 1,641 DJU_red*rend_reg - 0,5709 DJU_red*rend_emi - 0,001026 DJU_red*App_solaire

+ 0,000171 DJU_red*App_élec + 547,8 Iventil*DJU - 4368 Iventil*rend_reg

+ 6882 Iventil*rend_emi + 1,029 Iventil*App_élec - 5,710 DJU*Rend_prod

- 6,792 DJU*Rend_distr - 9,417 DJU*rend_reg + 0,4395 DJU*rend_emi

+ 0,000006 DJU*App_solaire - 0,01046 DJU*App_occ + 133,6 Rend_prod*rend_reg

+ 0,01867 Rend_prod*App_élec + 108,4 Rend_distr*rend_reg

+ 0,01436 Rend_distr*App_solaire + 0,02227 Rend_distr*App_élec

+ 0,03841 rend_reg*App_occ + 0,006861 rend_emi*App_solaire

+ 0,08037 rend_emi*App_occ - 0,000000 App_solaire*App_élec

+ 0,000004 App_occ*App_élec + 0,000000 D_stats*D_ventil*D_infiltr

- 0,000000 D_stats*D_ventil*rend_reg + 0,000000 D_stats*D_infiltr*h_confort

- 0,000000 D_stats*D_infiltr*DJU_confort - 0,000000 D_stats*D_infiltr*DJU_red

+ 0,000003 D_stats*D_infiltr*Iventil - 0,000000 D_stats*D_infiltr*DJU

+ 0,000000 D_stats*D_infiltr*Rend_prod - 0,000000 D_stats*D_infiltr*Rend_distr



- 0,000000 D_stats*D_infiltr*rend_reg - 0,000000 D_stats*D_infiltr*rend_emi

- 0,000000 D_stats*D_infiltr*App_solaire - 0,000000 D_stats*D_infiltr*App_occ

+ 0,000000 D_stats*D_infiltr*App_élec + 0,000005 D_stats*h_confort*DJU_confort

- 0,000007 D_stats*h_confort*DJU_red - 0,000007 D_stats*DJU_red*rend_reg

- 0,000000 D_stats*DJU_red*App_élec + 0,000080 D_stats*Iventil*rend_reg

+ 0,000042 D_stats*DJU*rend_emi + 0,000005 D_ventil*h_confort*DJU_confort

- 0,000001 D_ventil*h_confort*DJU_red - 0,000209 D_ventil*h_confort*Iventil

+ 0,000001 D_ventil*DJU_confort*Rend_prod

+ 0,000000 D_ventil*DJU_confort*App_solaire - 0,000000 D_ventil*DJU_red*Rend_prod

- 0,000001 D_ventil*DJU_red*rend_emi - 0,02665 D_ventil*Iventil*rend_emi

- 0,000000 D_ventil*Rend_distr*App_élec - 0,000000 D_ventil*rend_emi*App_occ

- 0,8951 h_confort*Iventil*DJU + 0,000054 h_confort*DJU*App_occ

Le modèle est très complexe et prend en compte une multitude de facteurs du 2nd ordre. Le calcul des consommations bénéficie de nombreuses interactions entre les paramètres d’entrées. Ce n’est plus un modèle purement linéaire comme celui du calcul des déperditions statiques.

L’influence de la ventilation, des déperditions statiques, des rendements de la production de chauffage, de DJU (météo) sont prépondérants.



L’influence des apports internes ou solaires semble limitée.



Beaucoup d’interactions sont prises en compte dans le modèle.

La distribution est statistiquement compatible avec une distribution de type loi Normale (p=0.012).

La consommation du bâtiment est 1 032 064 kWh ± 391 326 kWh (IC 90 %). Cette analyse des incertitudes est un premier élément, nous analyserons plus en détails lors des simulations de Monte Carlo que nous ferons.


971719 1092408

894164 1074775

373810 459831


Moyenne 1032064EcTyp 412035Variance 1,69773E+11Asymétrie 0,751117Aplatissement 0,720271N 128

Minimum 371094





2400000200000016000001200000800000400000

Médiane

Moyenne

110000010500001000000950000900000


Rapport récapitulatif pour Q_avc_app





Bâtiment Carré des Arts


R carré R carré


* 100,00% * *

Q_avc_app = -8760739 + 13,05 D_stats + 1,656 D_ventil sans recup + 6879174 rend_recup

- 1,602 D_infiltr + 2345 h_confort - 388,8 DJU_confort - 642,3 DJU_red

+ 6215492 Iventil - 47,15 DJU + 30138 Rend_prod + 39382 Rend_distr

+ 18088 rend_reg + 5012 rend_emi - 2,376 App_solaire - 4,105 App_élec

- 0,000001 D_stats*D_ventil sans recup - 12,95 D_stats*rend_recup

+ 0,000005 D_stats*D_infiltr + 0,01127 D_stats*h_confort

- 0,000834 D_stats*DJU_confort + 0,000931 D_stats*DJU_red + 5,973 D_stats*Iventil

+ 0,001869 D_stats*DJU - 0,04826 D_stats*Rend_prod - 0,04340 D_stats*Rend_distr

+ 0,006497 D_stats*rend_reg - 0,08038 D_stats*rend_emi

- 0,000001 D_stats*App_solaire - 0,000001 D_stats*App_élec

+ 1,802 D_ventil sans recup*rend_recup + 0,000002 D_ventil sans recup*D_infiltr

+ 0,005258 D_ventil sans recup*h_confort

+ 0,000107 D_ventil sans recup*DJU_confort + 0,000164 D_ventil sans recup*DJU_red

+ 1,453 D_ventil sans recup*Iventil + 0,000744 D_ventil sans recup*DJU

- 0,008380 D_ventil sans recup*Rend_prod - 0,01597 D_ventil sans recup*Rend_distr

- 0,005109 D_ventil sans recup*rend_reg - 0,01369 D_ventil sans recup*rend_emi

+ 0,000002 D_ventil sans recup*App_solaire

+ 0,000000 D_ventil sans recup*App_élec + 4,099 rend_recup*D_infiltr

+ 4029 rend_recup*h_confort + 33,87 rend_recup*DJU_confort

+ 61,79 rend_recup*DJU_red + 2184974 rend_recup*Iventil + 862,9 rend_recup*DJU

- 25127 rend_recup*Rend_prod - 21787 rend_recup*Rend_distr

- 20343 rend_recup*rend_reg - 47661 rend_recup*rend_emi

- 0,2948 rend_recup*App_solaire + 0,1175 rend_recup*App_élec

- 0,000001 D_infiltr*h_confort + 0,000202 D_infiltr*DJU_confort

+ 0,000009 D_infiltr*DJU_red + 2,272 D_infiltr*Iventil + 0,001334 D_infiltr*DJU

- 0,01881 D_infiltr*Rend_prod - 0,01134 D_infiltr*rend_reg

+ 0,000002 D_infiltr*App_solaire - 0,000000 D_infiltr*App_élec

- 2,821 h_confort*DJU_red + 1,588 h_confort*DJU - 15,30 h_confort*Rend_distr

+ 5,682 h_confort*rend_reg + 21,94 h_confort*rend_emi



- 0,02161 h_confort*App_solaire + 1,465 DJU_confort*Iventil

- 0,1223 DJU_confort*DJU + 0,008595 DJU_confort*Rend_distr

+ 1,183 DJU_confort*rend_reg + 5,894 DJU_confort*rend_emi

- 0,000257 DJU_confort*App_élec - 9,861 DJU_red*Iventil

+ 1,885 DJU_red*Rend_distr + 6,990 DJU_red*rend_reg + 0,000160 DJU_red*App_élec

+ 901,5 Iventil*DJU - 37508 Iventil*Rend_prod - 14146 Iventil*Rend_distr

- 35935 Iventil*rend_reg - 8656 Iventil*rend_emi + 0,3596 Iventil*App_solaire

- 11,85 DJU*Rend_distr - 0,000026 DJU*App_élec + 88,09 Rend_prod*Rend_distr

+ 64,30 Rend_prod*rend_emi + 0,01703 Rend_prod*App_élec

+ 0,01608 Rend_distr*App_solaire + 120,7 rend_reg*rend_emi

+ 0,02307 rend_reg*App_solaire + 0,01516 rend_emi*App_élec

- 0,000000 App_solaire*App_élec + 0,000001 D_stats*D_ventil sans recup*rend_recup

+ 0,000000 D_stats*D_ventil sans recup*Rend_distr

- 0,000010 D_stats*rend_recup*D_infiltr - 0,01334 D_stats*rend_recup*h_confort

- 0,000073 D_stats*rend_recup*DJU_confort - 0,000180 D_stats*rend_recup*DJU_red

- 1,735 D_stats*rend_recup*Iventil - 0,000565 D_stats*rend_recup*DJU

+ 0,03828 D_stats*rend_recup*Rend_prod + 0,02744 D_stats*rend_recup*Rend_distr

+ 0,01407 D_stats*rend_recup*rend_reg + 0,1050 D_stats*rend_recup*rend_emi

+ 0,000001 D_stats*rend_recup*App_solaire - 0,000000 D_stats*rend_recup*App_élec

+ 0,000000 D_stats*D_infiltr*h_confort + 0,000000 D_stats*D_infiltr*DJU_confort

+ 0,000004 D_stats*DJU_confort*Rend_distr + 0,000000 D_stats*DJU_confort*App_élec

- 0,000005 D_stats*DJU_red*Rend_distr - 0,05284 D_stats*Iventil*rend_reg

+ 0,000000 D_ventil sans recup*D_infiltr*h_confort

- 0,000000 D_ventil sans recup*D_infiltr*DJU_confort

+ 0,000000 D_ventil sans recup*D_infiltr*DJU_red

+ 0,000002 D_ventil sans recup*h_confort*DJU

- 0,000070 D_ventil sans recup*h_confort*rend_emi

- 0,000000 D_ventil sans recup*DJU_confort*DJU

- 0,000000 D_ventil sans recup*DJU_confort*rend_reg

- 0,000001 D_ventil sans recup*DJU_red*rend_reg

- 0,000000 D_ventil sans recup*Rend_prod*App_élec

- 0,000000 D_ventil sans recup*rend_reg*App_solaire

- 0,000070 D_infiltr*DJU_red*Iventil - 0,000002 D_infiltr*Iventil*App_solaire

- 23154 Pt ctr

Le modèle est très complexe et prend en compte une multitude de facteurs du 2nd ordre. Le calcul des consommations bénéficie de nombreuses interactions entre les paramètres d’entrées. Ce n’est plus un modèle purement linéaire comme celui du calcul des déperditions statiques.



L’influence de la ventilation et des déperditions statiques sont à nouveau les 2 paramètres les plus influents. Contrairement au bâtiment Pablo Neruda, c’est ensuite les apports internes et les apports solaires qui ont une influence plus grande. Ce bâtiment étant vitré, avec une occupation ainsi qu’un éclairage important, cette influence se comprend aisément. L’influence des apports internes ou solaires semble limitée.





Beaucoup d’interactions sont prises en compte dans le modèle.

1000000500000

01000000

5000000

1000000500000

01000000

5000000

1000000500000

01000000

5000000

1000000500000

01000000

5000000

1000000500000

01000000

5000000

1000000500000

01000000

5000000

1000000500000

0

428 90

0

3574

17

2859

34

1000000500000

0

5737

50

3825

00

1912

5 00,6

840,6

000,5

16

9180

0

5 7375

2295

012

611

298

243 1,0

0

2142

,90

1854

,81

2043

,0

1 599,5

1156

,0

0,821

625

0,762

938

0,704

2 50

1707

,2

1 552,0

1396

,899

,990

,080

,1

100,0

088

,2576

,5010

0,094,1

88,2

99,75

95,00

90,25

2537

74

1998

22

1458

70

D_stats * D_ventil san

D_stats * rend_recup ventil san * rend_recu

D_stats * D_infiltr D_ventil san * D_infiltr rend_recup * D_infiltr

D_stats * h_confort D_ventil san * h_confort end_recup * h_confort D_infiltr * h_confort

D_stats * DJU_confort ventil san * DJU_confoend_recup * DJU_confor D_infiltr * DJU_confort h_confort * DJU_confort

D_stats * DJU_red D_ventil san * DJU_red rend_recup * DJU_red D_infiltr * DJU_red h_confort * DJU_red DJU_confort * DJU_red

D_stats * Iventil D_ventil san * Iventil rend_recup * Iventil D_infiltr * Iventil h_confort * Iventil DJU_confort * Iventil DJU_red * Iventil

D_stats * DJU D_ventil san * DJU rend_recup * DJU D_infiltr * DJU h_confort * DJU DJU_confort * DJU DJU_red * DJU Iventil * DJU

D_stats * Rend_prod ventil san * Rend_proend_recup * Rend_prodD_infiltr * Rend_prod h_confort * Rend_prod JU_confort * Rend_prodDJU_red * Rend_prod Iventil * Rend_prod DJU * Rend_prod

D_stats * Rend_distr _ventil san * Rend_distend_recup * Rend_dist D_infiltr * Rend_distr h_confort * Rend_distrDJU_confort * Rend_distr DJU_red * Rend_distr Iventil * Rend_distr DJU * Rend_distr end_prod * Rend_dist

D_stats * rend_reg D_ventil san * rend_reg end_recup * rend_reg D_infiltr * rend_reg h_confort * rend_reg DJU_confort * rend_reg DJU_red * rend_reg Iventil * rend_reg DJU * rend_reg Rend_prod * rend_reg Rend_distr * rend_reg

D_stats * rend_emi _ventil san * rend_emend_recup * rend_emi D_infiltr * rend_emi h_confort * rend_emi DJU_confort * rend_emi DJU_red * rend_emi Iventil * rend_emi DJU * rend_emi Rend_prod * rend_emiRend_distr * rend_emi rend_reg * rend_emi

D_stats * App_solaire ventil san * App_solair nd_recup * App_solair D_infiltr * App_solaireh_confort * App_solaireJU_confort * App_solaireDJU_red * App_solaire Iventil * App_sola ire DJU * App_solaire end_prod * App_sola ir end_distr * App_solaireend_reg * App_solaireend_emi * App_sola ire

D_stats * App_élec

D_stats

D_ventil san * App_élec

D_ventil san

end_recup * App_élec

rend_recup

D_infiltr * App_élec

D_infiltr

h_confort * App_élec

h_confort

DJU_confort * App_élec

DJU_confort

DJU_red * App_élec

DJU_red

Iventil * App_élec

Iventil

DJU * App_élec

DJU

Rend_prod * App_élec

Rend_prod

Rend_distr * App_élec

Rend_distr

rend_reg * App_élec

rend_reg

rend_emi * App_élec

rend_emi

App_solaire * App_élec

App_solaire

191250 Sommet

382500 Cent ré

san

D_vent i l

poi nt

Type de

0,516 Sommet

0,600 Cent ré

rend_recup poi nt

Type de

22950 Sommet

57375 Cent ré

D_i nf i l t r poi nt

Type de

98 Sommet

112 Cent ré

h_conf or t poi nt

Type de

1854,81 Sommet

2142,90 Cent ré

DJU_conf ort poi nt

Type de

1156,0 Sommet

1599,5 Cent ré

DJU_red poi nt

Type de

0,704250 Sommet

0,762938 Cent ré

I vent i l poi nt

Type de

1396,8 Sommet

1552,0 Cent ré

DJU poi nt

Type de

80,1 Sommet

90,0 Cent ré

Rend_prod poi nt

Type de

76,50 Sommet

88,25 Cent ré

Rend_di st r poi nt

Type de

88,2 Sommet

94,1 Cent ré

rend_reg poi nt

Type de

90,25 Sommet

95,00 Cent ré

rend_emi poi nt

Type de

145870 Sommet

199822 Cent ré

App_sol ai re poi nt

Type de

329546 Sommet

439395 Cent ré

App_él ec poi nt

Type de

Moy

enne

de

Q_a

vc_a

pp

Diagramme des interactions pour Q_avc_appMoyennes ajustées


463094 585143

425703 566513

379653 466638


Moyenne 524119EcTyp 418326Variance 1,74996E+11Asymétrie 0,561222Aplatissement 0,223503N 129

Minimum -284097





160000012000008000004000000

Médiane

Moyenne

600000550000500000450000


Rapport récapitulatif pour Q_avc_app



La distribution est statistiquement compatible avec une distribution de type loi Normale (p=0.053).

La consommation du bâtiment est 524 119 kWh ± 497 777 kWh (IC 90 %). Cette analyse des incertitudes est un premier élément, nous analyserons plus en détails lors des simulations de Monte Carlo que nous ferons.

Note : Les premières estimations ici réalisées de l’espérance (la moyenne) sur la consommation ne sont qu’une approche, car on applique une méthode statistique sur des essais qui n’ont pas la répartition d’incertitude adéquate sur les variables d’entrée. En effet, ne sont utilisées que les valeurs extrêmes des intervalles représentant les incertitudes. L’évaluation de la moyenne exacte, et des incertitudes s’effectue dans un deuxième temps.



8. Evaluation des incertitudes sur le calcul de consommation de chauffage.

Précisions

Pour évaluer l’incertitude sur la consommation de chauffage des bâtiments, nous utilisons la méthode de Monte Carlo. Le terme méthode de Monte-Carlo, ou méthode Monte-Carlo, désigne toute méthode visant à calculer une valeur numérique en utilisant des procédés aléatoires, c'est-à-dire des techniques probabilistes. Le nom de ces méthodes, qui fait allusion aux jeux de hasard pratiqués à Monte-Carlo, a été inventé en 1947 par Nicholas Metropolis, et publié pour la première fois en 1949 dans un article coécrit avec Stanislaw Ulam.

Les méthodes de Monte-Carlo sont particulièrement utilisées pour calculer des intégrales en dimensions plus grandes que 1 (en particulier, pour calculer des surfaces et des volumes). Elles sont également couramment utilisées en physique des particules, où des simulations probabilistes permettent d'estimer la forme d'un signal ou la sensibilité d'un détecteur. La comparaison des données mesurées à ces simulations peut permettre de mettre en évidence des caractéristiques inattendues, par exemple de nouvelles particules.

La méthode de simulation de Monte-Carlo permet aussi d'introduire une approche statistique du risque dans une décision financière. Elle consiste à isoler un certain nombre de variables-clés du projet, tels que le chiffre d'affaires ou la marge, et à leur affecter une distribution de probabilités. Pour chacun de ces facteurs, un grand nombre de tirages aléatoires est effectué dans les distributions de probabilité déterminées précédemment, afin de trouver la probabilité d'occurrence de chacun des résultats. C’est cette approche que nous utilisons ici pour évaluer l’incertitude finale de nos calculs.

Il est d’abord nécessaire d’allouer à chaque paramètre d’entrée une loi de probabilité concernant son incertitude. Le tableau les récapitulant, issu des campagnes de mesures, de notre expérience, et du cahier des charges a été présenté auparavant.

La figure suivante montre le paramétrage que nous avons réalisé dans le logiciel statistique MC-ED.



Evaluation de l’incertitude sur les consommations de chauffage du bâtiment Carré d’art

Note : Pour l’incertitude sur les déperditions statiques, nous avons choisi une valeur proche de celle donnée dans le cahier des charges pour les coefficients de transmission des parois opaques, et non la valeur obtenue dans les plans factoriels sur les déperditions.

Les calculs sont alors lancés pour 100 000 combinaisons aléatoires, et la valeur de la consommation de chauffage est alors analysée pour ces 100 000 tirages. La répartition des tirages donne alors une loi de probabilité qui représente l’incertitude sur le résultat, issue de toutes les incertitudes sur les variables d’entrées.



Voici la représentation de la densité de probabilité des résultats pour la consommation de chauffage du bâtiment Carré d’Art. Il s’agit bien d’une distribution Normale, et qui paraît centrée. Cependant la répartition des résultats montre déjà une dispersion très importante des résultats.

La moyenne obtenue est de 633 891 kWh. L’écart type de 242 939 kWh.

On peut alors affirmer que la consommation est de 633 891 kWh ± 399 634 kWh (IC 90%).

Cette incertitude est considérable.

Afin de vérifier nos calculs, et disposer des influences respectives de chaque paramètre nous utilisons une autre méthode, la loi de propagation des variances.

Le modèle est à nouveau paramétré avec les lois régissant les incertitudes des paramètres d’entrée, dans un logiciel de calcul analytique « GUMY ».



Les coefficients de sensibilité sont également calculés. Il s’agit des dérivées partielles de la fonction de calcul de la consommation du bâtiment en fonction de chaque paramètre d’entrée.

On obtient alors la contribution de chaque incertitude à l’incertitude finale :



LA valeur finale obtenue est alors une consommation de 622 854 kWh ± 384 112 kWh (IC 90%). Les chiffres obtenus sont très proches selon les 2 méthodes.

On voit également que :

• L’incertitude sur la ventilation a une influence considérable, suivie par l’incertitude des

déperditions. • L’incertitude sur les DJU est également très importante. • Viennent ensuite les infiltrations et l’incertitude sur les rendements.

Cette très grande dispersion s’explique aussi par le type de distribution choisie en majorité, à savoir une distribution uniforme, qui est la plus défavorable. En effet, la probabilité d’avoir une erreur maximum correspondant à la limite de l’intervalle de confiance est la même que celle de mesurer/relever une valeur proche de la valeur véritable.

Ce choix de distribution est par conséquent assez discutable.

Proposition pour des incertitudes minorées.



L’écart type de la distribution est abaissé pour correspondre à un IC 90 de 15%

La distribution devient normale. IC 90 abaissé à 20%.

La distribution devient normale. IC 90 14%

La distribution devient normale. IC 90 abaissé à 35%

L’IC 90 abaissé à 5%




La distribution devient normale. IC 90 abaissé à 2.5%

La distribution devient normale. IC 90 abaissé à 20 %

L’IC 90 abaissé à 20 %

Voici donc le nouveau tableau des incertitudes utilisé dans la simulation de Monte Carlo :



Voici la Densité de probabilité de la consommation de chauffage du bâtiment Carré d’Art.



La moyenne obtenue est de 626 234 kWh. L’écart type de 158 293 kWh.

On peut alors affirmer que la consommation est de 626 234 kWh ± 260 391 kWh (IC 90%) ou encore (626 234 ± 41%) kWh

L’incertitude a été abaissée de 20% avec les nouvelles incertitudes prises.

Evaluation de l’incertitude sur les consommations de chauffage du bâtiment Carré d’art

Les caractéristiques des incertitudes des paramètres d’entrées pour le modèle de consommation du bâtiment de Pablo Neruda sont les suivantes :

Seules les valeurs des moyennes ont été modifiées pour prendre en compte le paramétrage du modèle correspondant au bâtiment Pablo Neruda. Les écarts types ou demi étendues peuvent légèrement fluctuer, car elles étaient initialement exprimées en pourcentage (incertitudes relatives)

La courbe des densités de probabilités obtenues pour la consommation de chauffage est la suivante :



La moyenne obtenue est de 1 001 917 kWh. L’écart type de 134 460kWh.

On peut alors affirmer que la consommation est de 1 001 917 kWh ± 221 187 kWh (IC 90%) ou encore (1 001 917 ± 22%) kWh (IC 90)

L’incertitude a été abaissée de 20% par rapport au Carré des Arts. Cela s’explique par plusieurs facteurs :

(1) Un facteur est pris comme fixe, le rendement de la récupération de chaleur est pris égal à

zéro, avec un écart type extrêmement petit. En effet le bâtiment ne comporte pas d’échangeur de chaleur.

(2) Les déperditions de ventilation sont, de manière relative, d’une importance moindre par rapport aux pertes par l’enveloppe. Or c’est sur les déperditions par ventilation que nous avons le plus d’incertitude.

(3) Les apports gratuits (internes et solaires) sont eux aussi moins importants, de manière relative, par rapport à la consommation totale de chauffage. Or ces 2 termes ont également une incertitude assez grande.



9. Conclusion

Ces résultats sont globalement en adéquation avec ce que l’on peut ressentir de manière intuitive, à savoir qu’un bâtiment plus récent et très vitré occasionnera des modélisations de chauffage moins précises.

Le calcul des incertitudes doit donc bien être personnalisé, et il est difficile d’annoncer une incertitude « type » pour les calculs sur tous types de bâtiment.

Il a été nécessaire de revoir les lois de probabilités données dans le cahier des charges. L’incertitude finale était supérieure à 60%, ce qui n’est pas un résultat validé dans la littérature.

L’incertitude élargie à 90% donnée était parfois très grande, et donc très conservative.

Les lois utilisées (uniformes) sont très pénalisantes ; en effet la probabilité est la même de faire une erreur de la demi étendue de l’intervalle propagé que d’avoir une erreur nulle ou faible.

La démarche est intéressante, et force les BET/entreprises à questionner la validité de leurs résultats.

Cependant :

Elle nécessite une connaissance approfondie des principes et concepts de la métrologie, des logiciels de calculs d’incertitude et statistiques. Ces connaissances sont quasi absentes dans les BET/entreprises.

Elle nécessite, en cas d’utilisation de modèle de calcul non algébriques (types Simulation thermique dynamique) des méthodes de chaînage entre logiciel de calcul et logiciel statistiques qui n’existent pas encore.

Elle laisse beaucoup de latitude au BET/entreprise pour évaluer l’incertitude initiale des paramètres et pour choisir et paramétrer les outils de calcul des incertitudes. Il est nécessaire de bien cadrer cette partie dans une prestation éventuelle.

Elle nécessite un investissement en temps d’analyse et de calcul incompatible avec les tarifs actuels des prestations d’AMO/diagnostic.

Documents

livrable n°2.4 final - Fondation Bâtiment Energie · Définition de la méthode d’audit énergétique Test de la méthode d’audit énergétique, de ... Elle force les BET/entreprises