Gestion optimale de l’énergie thermique dans un

procédé hybride : solaire/géothermie pour le chauffage

de bâtiments
Julien Nou

To cite this version:

Julien Nou. Gestion optimale de l’énergie thermique dans un procédé hybride : solaire/géothermie
pour le chauffage de bâtiments. Automatique. Université de Perpignan, 2011. Français. �NNT : �.
�tel-00756810�

HAL Id: tel-00756810

[Link]
Submitted on 23 Nov 2012

HAL is a multi-disciplinary open access L’archive ouverte pluridisciplinaire HAL, est

archive for the deposit and dissemination of sci- destinée au dépôt et à la diffusion de documents
entific research documents, whether they are pub- scientifiques de niveau recherche, publiés ou non,
lished or not. The documents may come from émanant des établissements d’enseignement et de
teaching and research institutions in France or recherche français ou étrangers, des laboratoires
abroad, or from public or private research centers. publics ou privés.
 UFR Sciences Exactes et Expérimentales  École Doctorale Énergie Environnement

Gestion optimale de l'énergie thermique

dans un procédé hybride : solaire/géothermie
pour le chauage de bâtiments

Thèse présentée pour l'obtention du

Doctorat de l'Université de Perpignan Via Domitia

Spécialité Sciences de l'ingénieur

par

Julien NOU

Soutenue publiquement le 13 décembre 2011 devant la commission d'examen,

Rapporteurs : B. DAHHOU Professeur LAAS, Toulouse

J-M. THIRIET Professeur - GIPSA-Lab, Grenoble

Examinateurs : F. KRATZ (Président de jury) Professeur - ENSI, Bourges

M. POLIT (Directeur de thèse) Professeur - Université de Perpignan

T. TALBERT (Co-directeur de thèse) Maître de conférences HDR - Université de Perpignan

A. TRAORÉ Maître de conférences - Université de Perpignan

Invité : D. NGUYEN Ingénieur - BRGM, Montpellier

Université de Perpignan Via Domitia

Laboratoire PROMES - CNRS UPR 8521
Remerciements

J e voudrais tout d’abord exprimer mes plus sincères remerciements à ma directrice de thèse,
Monique Polit, qui m’a permis d’effectuer cette thèse au sein du laboratoire. C’est en
effet grâce à sa direction énergique du laboratoire et à ses nombreuses ressources que j’ai pu
obtenir un financement sur un sujet intéressant et d’actualité, traité en collaboration avec le
Bureau de Recherche Géologique et Minière et l’entreprise Dominguez-Energie, spécialiste
dans le domaine de la géothermie.
Je suis très reconnaissant envers Thierry Talbert, mon co-directeur de thèse. Durant
ces trois années de thèse, il a été d’un soutien scientifique indéniable, d’une aide et d’une
disponibilité au quotidien remarquables. Toujours présent pour m’accompagner d’un bout
à l’autre de la France ou du monde pour les congrès. Ses compétences scientifiques dans
de nombreux domaines et notamment l’électronique et l’informatique m’ont été d’une aide
précieuse pour mes travaux de recherche. Plus encore, ses qualités humaines et ses contacts
dans différents domaines de la recherche m’ont permis parfois d’avancer très rapidement sur
des domaines où être seul se serait avéré délicat.
Je voudrais également adresser des remerciements sincères à Adama Traoré, qui m’a appuyé
et encadré tout au long de ma thèse. Ses compétences scientifiques très pointues dans le
domaine de l’automatique ont été pour moi d’une aide précieuse et m’ont permis de mener à
bien mes premiers travaux de recherche et la rédaction des articles.
Les principaux travaux de recherche présentés par ce manuscrit de thèse se sont déroulés
en collaboration avec l’entreprise Dominguez-Energie. Je souhaite donc remercier Antoine
Dominguez pour ses grandes connaissances dans le domaine de la géothermie, son profession-
nalisme mais avant tout pour ses fortes convictions dans ce domaine. Il a pu faire avancer
le déroulement des sites expérimentaux qui ont fait l’objet de mes travaux et a permis une
collaboration qui n’était pas évidente à mettre en place au premier abord, tant le nombre
d’interlocuteurs impliqués était important. Je lui adresse pour tout cela un grand merci.
Je voudrais également exprimer ma gratitude la plus sincère au président de jury et aux
deux rapporteurs de thèse, respectivement, Frédéric Kratz, Jean-Marc Thiriet et Boutaieb
Dahhou, qui ont passé beaucoup de temps à lire, et analyser ce mémoire de thèse afin de
l’améliorer au mieux, en apportant un regard objectif sur les travaux de recherche présentés.
Je souhaite exprimer également ma reconnaissance à Denis Nguyen, qui a fait l’effort
iv Remerciements

d’apprécier d’un œil critique mon travail de recherche et qui m’a fait l’honneur de venir
participer à ma soutenance de thèse.
Faire une thèse implique souvent de travailler sur un projet personnel, cependant, au cours
de ma thèse, j’ai eu plusieurs fois l’occasion de travailler avec d’autres doctorants sur des
projets transversaux. C’est ainsi que j’ai eu le plaisir de travailler pendant près de deux ans
avec Julien Eynard. C’est avec lui que j’ai réalisé mes premiers travaux. Ses connaissances
scientifiques, sa rigueur, sa disponibilité, sa gentillesse ont été de forts atouts pour aborder
ensemble certains problèmes.
En marge de mon travail de recherche, je garde un très bon souvenir de mes premières
années dans l’enseignement supérieur. Préparer des TD a été un travail aussi instructif
qu’intéressant. Le contact avec les étudiants et la transmission des connaissances sont très
gratifiants. Je remercie tout particulièrement Mathieu Roba qui m’a initié lors de mes
premiers travaux pratiques aux joies de l’enseignement. Je le remercie également pour tous
ces moments passés au sein du laboratoire et en dehors. Si j’avais dû compter et raconter,
dans ce manuscrit, les heures de fous rires passés ensemble, j’aurais certainement dû écrire
trois ou quatre chapitres supplémentaires.
Je désire remercier l’ensemble des professeurs, maı̂tres de conférences, ATER, doctorants
et stagiaires du laboratoire avec qui j’ai passé de très bons moments, faits de travail mais
aussi de bonne humeur.
Je remercie bien évidemment ma famille et Sophie qui m’ont été d’une aide incontestable
durant ces trois années et qui ont su me supporter durant la période préférée de la famille du
doctorant, surtout lorsque celle-ci a lieu en été : la phase de rédaction.
Enfin, je remercie toutes les personnes que j’ai pu croiser et qui ont éclairé de leur savoir,
de leur aide ou plus simplement de leur soutien, les trois années de l’expérience unique que
représente la préparation d’un doctorat. Le travail d’un thésard est fait de longues journées
de travail mais aussi de moments de détente, propices à éclaircir les idées. C’est pourquoi je
n’oublie pas non plus les personnes que j’ai pu fréquenter de façon moins formelle en dehors
du laboratoire, au détour d’une soirée, d’un poker, d’un petit foot, ou d’un basket. . .
À tous je vous dis un grand merci.

Perpignan, le 13 janvier 2012.

Table des matières

Titre i

Remerciements iii

Table des matières vii

Table des figures xiii

Liste des tableaux xix

Introduction générale 3

1 Enjeux énergétiques pour le chauffage de bâtiments 7

1.1 Contexte climatique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.1.1 Variations climatiques naturelles . . . . . . . . . . . . . . . . . . . . . . . 7
[Link] L’activité solaire . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
[Link] La position Terre/Soleil . . . . . . . . . . . . . . . . . . . . . . . 8
1.1.2 Influence anthropique sur la planète . . . . . . . . . . . . . . . . . . . . . 11
1.1.3 Changements climatiques . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
1.2 Contexte énergétique mondial . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
1.2.1 Consommation d’énergie . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
1.2.2 Épuisement des énergies fossiles . . . . . . . . . . . . . . . . . . . . . . . 17
1.2.3 Objectifs et directives . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
1.2.4 Énergies renouvelables . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
1.3 Secteur du bâtiment dans la consommation énergétique en France . . . . . . . 20
1.3.1 Répartition de la consommation énergétique par secteur . . . . . . . . . 20
1.3.2 L’importance du poste du chauffage dans le bâtiment . . . . . . . . . . 22
1.4 Solaire thermique et géothermie avec stockage saisonnier de la chaleur pour le
chauffage de bâtiments . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
1.4.1 Système solaire avec stockage de chaleur . . . . . . . . . . . . . . . . . . 24
1.4.2 Géothermie avec stockage de chaleur . . . . . . . . . . . . . . . . . . . . . 25
[Link] Sources géothermiques . . . . . . . . . . . . . . . . . . . . . . . 26
viii Table des matières

[Link] Stockage thermal aquifère . . . . . . . . . . . . . . . . . . . . . 27

[Link] Stockage diffusif de la chaleur dans le sol . . . . . . . . . . . . 30
1.4.3 Solaire et géothermie associés avec stockage de chaleur . . . . . . . . . . 34
Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37

2 Étude de procédés énergétiques hybrides solaire/géothermie 39

2.1 Projets GÉOHELIOS et SOLARGÉOTHERM . . . . . . . . . . . . . . . . . . . 41
2.1.1 Partenaires et financements . . . . . . . . . . . . . . . . . . . . . . . . . . 41
2.1.2 Les différents objectifs . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
2.2 Description physique et technique des installations . . . . . . . . . . . . . . . . . 43
2.2.1 GÉOHELIOS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
[Link] Dimensionnement de l’installation . . . . . . . . . . . . . . . . 43
[Link] Circuits hydrauliques de l’installation et leurs interconnexions 44
[Link] Champ solaire . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
[Link] Pompe à chaleur . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
2.2.2 SOLARGÉOTHERM . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
[Link] Champ solaire . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
[Link] Forages . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50
[Link] Aérotherme : dry-cooler . . . . . . . . . . . . . . . . . . . . . . . 50
2.3 Système de monitoring et données collectées . . . . . . . . . . . . . . . . . . . . 51
2.3.1 Métrologie et capteurs/actionneurs . . . . . . . . . . . . . . . . . . . . . . 51
[Link] Données de GÉOHELIOS . . . . . . . . . . . . . . . . . . . . . 51
[Link] Capteurs du projet GÉOHELIOS . . . . . . . . . . . . . . . . . 52
[Link] Capteurs et actionneurs de SOLARGÉOTHERM . . . . . . . 55
2.3.2 Système de monitoring . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59
[Link] Stockage de l’information sur la carte ARM-9 . . . . . . . . . 59
[Link] Traitement de l’information . . . . . . . . . . . . . . . . . . . . 62
2.4 Analyse énergétique du procédé de GÉOHELIOS . . . . . . . . . . . . . . . . . 64
2.4.1 Étude du fonctionnement du champ solaire . . . . . . . . . . . . . . . . . 65
2.4.2 Étude de l’échangeur thermique . . . . . . . . . . . . . . . . . . . . . . . 70
2.4.3 Étude de la pompe à chaleur . . . . . . . . . . . . . . . . . . . . . . . . . 74
[Link] Coefficient de Performance de la pompe à chaleur : le CoP . . 74
[Link] Bilan thermique de la PAC . . . . . . . . . . . . . . . . . . . . . 74
2.4.4 Puissance consommée par la maison . . . . . . . . . . . . . . . . . . . . . 77
2.4.5 Comportement thermique du forage . . . . . . . . . . . . . . . . . . . . . 80
2.4.6 Bilan énergétique global . . . . . . . . . . . . . . . . . . . . . . . . . . . . 82
Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 83
Table des matières ix

3 Modélisation d’une installation hybride solaire/géothermie 85

3.1 Méthodologie de modélisation et d’identification des systèmes . . . . . . . . . . 87
3.1.1 Objectifs . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 87
3.1.2 Identification d’un modèle non-linéaire de type « boı̂te grise » . . . . . 87
[Link] Problématique de l’identification . . . . . . . . . . . . . . . . . 87
[Link] Processus d’identification . . . . . . . . . . . . . . . . . . . . . . 87
3.1.3 Identification d’un modèle non-linéaire de type « boı̂te noire » de la
forme Hammerstein-Wiener . . . . . . . . . . . . . . . . . . . . . . . . . . 91
3.1.4 Modélisation de procédés par neuroflou . . . . . . . . . . . . . . . . . . . 92
[Link] Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 92
[Link] Généralités sur la logique floue . . . . . . . . . . . . . . . . . . 92
[Link] Mise en œuvre d’un Système d’Inférences floues . . . . . . . . 97
[Link] Neuroflou . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 104
3.1.5 Définition des critères de comparaison . . . . . . . . . . . . . . . . . . . . 107
[Link] Coefficient de ressemblance (FIT) . . . . . . . . . . . . . . . . . 107
[Link] Erreur Absolue Moyenne (EAM) . . . . . . . . . . . . . . . . . 108
[Link] Écart Relatif Moyen (ERM) . . . . . . . . . . . . . . . . . . . . 108
3.2 Modélisation du procédé hybride de Saint-Pierre dels Forcats . . . . . . . . . . 108
3.2.1 Champ solaire . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 109
3.2.2 Échangeur thermique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 111
3.2.3 Températures de sortie du forage . . . . . . . . . . . . . . . . . . . . . . . 118
[Link] Structure du modèle neuroflou du forage . . . . . . . . . . . . 119
[Link] Étude préliminaire de corrélation . . . . . . . . . . . . . . . . . 120
[Link] Sorties TG/E sim et TG/P sim . . . . . . . . . . . . . . . . . . . . 121
[Link] Fonctions d’appartenances d’entrée et de sortie liées aux sor-
ties TG/E sim et TG/P sim . . . . . . . . . . . . . . . . . . . . . . 123
3.2.4 Système de la pompe à chaleur . . . . . . . . . . . . . . . . . . . . . . . . 127
[Link] Structure du modèle neuroflou de la PAC . . . . . . . . . . . . 128
[Link] Sous-modèle de température de sortie : TP /M . . . . . . . . . . 128
[Link] Sous-modèle de température de sortie : TP /G . . . . . . . . . . 130
3.2.5 Synthèse des coefficients de comparaisons des modèles développés . . . 134
3.2.6 Modélisation thermique de l’habitat . . . . . . . . . . . . . . . . . . . . . 134
[Link] Conception de l’habitat . . . . . . . . . . . . . . . . . . . . . . . 134
[Link] Résultats de simulation du comportement thermique du bâti 136
[Link] Scénarios d’occupation . . . . . . . . . . . . . . . . . . . . . . . 139
[Link] Simulations des besoins mensuels en chauffage du bâtiment . 139
Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 140
4 Développement de contrôleurs flous pour le procédé expérimental du pro-
jet GÉOHELIOS 145
4.1 Problématique des contrôleurs actuels et méthodologie d’amélioration . . . . . 147
4.1.1 Contrôleur actuel des circulateurs . . . . . . . . . . . . . . . . . . . . . . 147
4.1.2 Contrôleur actuel du système d’extraction de chaleur (pompe à chaleur)148
4.1.3 Contrôle par logique floue . . . . . . . . . . . . . . . . . . . . . . . . . . . 149
4.2 Modèle thermique du procédé hybride et stratégies de contrôle . . . . . . . . . 150
4.2.1 Système modélisé sous Simulink® . . . . . . . . . . . . . . . . . . . . . . 150
4.2.2 Stratégies de contrôle de l’installation . . . . . . . . . . . . . . . . . . . . 153
4.2.3 Critère pour le contrôle de l’installation . . . . . . . . . . . . . . . . . . . 153
4.3 Développements et applications des contrôleurs flous . . . . . . . . . . . . . . . 155
4.3.1 Le système d’injection de chaleur . . . . . . . . . . . . . . . . . . . . . . . 155
[Link] Transcription du contrôleur actuel Tout Ou Rien en système
d’inférences floues . . . . . . . . . . . . . . . . . . . . . . . . . . 155
[Link] Résultats du contrôleur flou des circulateurs . . . . . . . . . . 157
4.3.2 Le système d’extraction de la PAC . . . . . . . . . . . . . . . . . . . . . . 159
[Link] Contrôleur flou version 1 . . . . . . . . . . . . . . . . . . . . . . 159
[Link] Contrôleur flou version 2 . . . . . . . . . . . . . . . . . . . . . . 164
[Link] Contrôleur flou version 3 . . . . . . . . . . . . . . . . . . . . . . 167
Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 174

Conclusion générale et perspectives 175

Nomenclature 177

Bibliographie 179
Table des figures

1.1 Taches solaires [4] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9

1.2 Évolution de l’irradiation solaire de 1975 à 2007 [4] . . . . . . . . . . . . . . . . 9
1.3 Excentricité de l’orbite terrestre . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
1.4 Obliquité [4] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
1.5 Précession des équinoxes [4] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
1.6 Représentation schématique des facteurs humains de l’évolution du climat, des
effets sur le changement climatique et des réponses apportées, ainsi que de
leurs corrélations [49] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
1.7 Émission mondiale de gaz à effet de serre anthropiques [49] . . . . . . . . . . . 13
1.8 Concentrations atmosphériques de CO2 , de CH4 et de N2 O durant les 10 000
dernières années (grands graphiques) et depuis 1750 (médaillons) [49] . . . . . 14
1.9 Répartition des énergies primaires consommée dans le monde [12] . . . . . . . 15
1.10 Facteurs d’émissions de CO2 des principaux combustibles fossiles [12] . . . . . 16
1.11 Émissions de CO2 par combustible, dues à l’énergie dans le monde [12] . . . . 16
1.12 Part de chaque filière dans la production primaire d’énergie renouvelable en
2010 [12] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
1.13 Répartition de la consommation d’énergie primaire française en 2010 [12] . . . 19
1.14 Consommation d’énergie finale par secteur [46] . . . . . . . . . . . . . . . . . . . 21
1.15 Émission de CO2 par secteur en France liés à la combustion de l’énergie [16] . 21
1.16 Consommation d’énergie finale des résidences principales par usage [16] . . . . 22
1.17 Consommation unitaire de chauffage, par énergie finale, en 2005 des résidences
principales construites après 1975 [16] . . . . . . . . . . . . . . . . . . . . . . . . 23
1.18 Émissions de CO2 liées au chauffage pour le secteur du bâtiment [47] . . . . . 24
1.19 Schéma de principe du stockage de chaleur dans le projet SECCO [60] . . . . . 26
1.20 Représentation des deux aquifères sous le bâtiment du Bundestag [82] . . . . . 28
1.21 Système de stockage de chaleur en aquifère pour le chauffage et le rafraichisse-
ment d’une serre agricole . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
1.22 Système d’échangeur de chaleur par pieux du Dock Midfield . . . . . . . . . . . 31
1.23 Exemple d’algorithme de contrôle utilisé pour la PAC . . . . . . . . . . . . . . . 32
xiv Table des figures

1.24 Représentation schématique du système d’échangeur de chaleur par pieux

simulé par la programme PILESIM (encadré en pointillés) . . . . . . . . . . . . 33
1.25 Installation géothermique pour le stockage de chaleur utilisant une PAC réversible 34
1.26 Schéma de principe d’optimisation du système IBS [9] . . . . . . . . . . . . . . 35
1.27 Schéma du procédé GEOSOL [97] . . . . . . . . . . . . . . . . . . . . . . . . . . . 36

2.1 Site expérimental du projet GÉOHELIOS . . . . . . . . . . . . . . . . . . . . . . 41

2.2 Site expérimental du projet SOLARGÉOTHERM . . . . . . . . . . . . . . . . . 42
2.3 Schéma de principe des installations . . . . . . . . . . . . . . . . . . . . . . . . . 42
2.4 Schéma de l’installation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
2.5 Disposition des circuits hydrauliques dans un forage . . . . . . . . . . . . . . . . 45
2.6 Configuration des panneaux solaires thermiques . . . . . . . . . . . . . . . . . . 46
2.7 Régulateur TOR des pompes du système d’injection de chaleur . . . . . . . . . 47
2.8 Principe de fonctionnement d’une pompe à chaleur [13] . . . . . . . . . . . . . . 48
2.9 Configuration du champ solaire de SOLARGÉOTHERM . . . . . . . . . . . . . 49
2.10 Géométrie des forages (vus du dessus) . . . . . . . . . . . . . . . . . . . . . . . . 50
2.11 Aérotherme en parallèle du champ solaire . . . . . . . . . . . . . . . . . . . . . . 51
2.12 Instrumentation de l’installation . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52
2.13 Capteur de température 1-wire® DS18S20 . . . . . . . . . . . . . . . . . . . . . 54
2.14 Capteur d’ensoleillement sur le champ solaire . . . . . . . . . . . . . . . . . . . . 54
2.15 Disposition de la fibre optique dans les forages . . . . . . . . . . . . . . . . . . . 55
2.16 Système d’acquisition des températures du sous-sol (DTS) . . . . . . . . . . . . 55
2.17 Données brutes issues des mesures de température par fibre optique . . . . . . 56
2.18 Schéma de configuration des forages et électrovannes . . . . . . . . . . . . . . . 58
2.19 Schéma des électrovannes pour l’injection/extraction de chaleur . . . . . . . . . 59
2.20 Carte APF9328 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 60
2.21 Schéma du système de monitoring . . . . . . . . . . . . . . . . . . . . . . . . . . . 61
2.22 Fonctionnement du cœur du système d’acquisition . . . . . . . . . . . . . . . . . 62
2.23 Fichier d’adressage des capteurs pour la journée du 20 juillet 2010 . . . . . . . 63
2.24 Base de données du projet SOLARGÉOTHERM . . . . . . . . . . . . . . . . . . 63
2.25 Page web du suivi d’installation en temps réel . . . . . . . . . . . . . . . . . . . 64
2.26 Relevés expérimentaux du champ solaire pour 5 jours spécifiques . . . . . . . . 66
2.27 Caractéristiques thermiques du fluide caloporteur . . . . . . . . . . . . . . . . . 66
2.28 Puissances mises en jeu entre les panneaux solaires et l’échangeur de chaleur . 67
2.29 Rendement des panneaux solaires (données du constructeur) en fonction du
rapport entre la différence de température et le rayonnement . . . . . . . . . . 69
2.30 Rendement des panneaux solaires (données du constructeur) en fonction de la
différence entre la température du capteur et la température ambiante avec
ensoleillement fixé . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 70
Table des figures xv

2.31 Échangeur à plaques à contre-courant . . . . . . . . . . . . . . . . . . . . . . . . 72

2.32 Températures d’entrées/sorties de l’échangeur de chaleur . . . . . . . . . . . . . 72
2.33 Entrées et sorties de la pompe à chaleur . . . . . . . . . . . . . . . . . . . . . . . 75
2.34 Températures du fluide dans le circuit hydraulique entre la PAC et le plancher
chauffant . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 78
2.35 Puissances mises en jeu entre le PAC et le plancher chauffant . . . . . . . . . . 78
2.36 Puissances et pertes thermiques du plancher chauffant . . . . . . . . . . . . . . 79
2.37 Efficacités thermiques du plancher chauffant . . . . . . . . . . . . . . . . . . . . 80
2.38 Températures du forage à 45 et 90 mètres de profondeur . . . . . . . . . . . . . 81
2.39 Puissances thermiques du forage . . . . . . . . . . . . . . . . . . . . . . . . . . . . 81
2.40 Bilan énergétique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 82

3.1 Modèle Hammerstein-Wiener . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 91

3.2 Classification de la population en sous-ensembles caractérisant l’âge . . . . . . 93
3.3 Caractéristiques d’un sous-ensemble flou . . . . . . . . . . . . . . . . . . . . . . . 94
3.4 Structure générale d’un système d’inférences floues . . . . . . . . . . . . . . . . 99
3.5 Présentation de méthode d’inférence max-min . . . . . . . . . . . . . . . . . . . 102
3.6 Validation du modèle du champ solaire . . . . . . . . . . . . . . . . . . . . . . . . 111
3.7 Fonctions d’appartenance d’entrée des sous-ensembles flous des deux sous-
modèles de l’échangeur . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 114
3.8 Températures expérimentale et simulée du fluide à la sortie de l’échangeur vers
le champ solaire (circulateurs ON) . . . . . . . . . . . . . . . . . . . . . . . . . . 116
3.9 Températures expérimentale et simulée du fluide à la sortie de l’échangeur vers
le champ solaire (circulateurs OFF) . . . . . . . . . . . . . . . . . . . . . . . . . . 116
3.10 Températures expérimentale et simulée du fluide à la sortie de l’échangeur vers
le sous-sol (circulateurs ON) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 117
3.11 Températures expérimentale et simulée du fluide à la sortie de l’échangeur vers
le sous-sol (circulateurs OFF) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 117
3.12 Structure générale du modèle neuroflou d’une température de sortie du forage 119
3.13 Corrélation entre VP AC et TG/E pour différents délais DP AC . . . . . . . . . . . 120
3.14 Corrélation entre VCir et TG/P pour différents délais DCir . . . . . . . . . . . . . 121
3.15 Structure du modèle neuroflou de TG/E sim sous Simulink® . . . . . . . . . . . 122
3.16 Structure du modèle neuroflou de TG/P sim sous Simulink® . . . . . . . . . . . 123
3.17 Fonctions d’appartenance d’entrée des sous-ensembles flous des deux sous-
modèles du forage (cascade 2) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 126
3.18 Températures expérimentale et simulée du fluide à la sortie du forage (côté
échangeur de chaleur) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 126
3.19 Températures expérimentale et simulée du fluide à la sortie du forage (côté
pompe à chaleur) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 127
xvi Table des figures

3.20 Variables d’entrée et de sortie utilisées pour le modèle de la pompe à chaleur . 128
3.21 Variables d’entrée et de sortie utilisées pour le modèle de la pompe à chaleur . 129
3.22 Comportement des différentes variables d’entrée et de sortie de la pompe à
chaleur pour 3 cycles . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 130
3.23 Erreur absolue moyenne sur l’estimation de TP (m)/M en fonction du nombre
d’itérations . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 131
3.24 Sortie du modèle de température de sortie de la pompe à chaleur côté plancher
chauffant . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 131
3.25 Erreur absolue moyenne sur l’estimation de TP (m)/G en fonction du nombre
d’itérations . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 132
3.26 Coefficient de ressemblance FIT sur l’estimation de TP (m)/G en fonction du
nombre d’itérations . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 133
3.27 Sortie du modèle de température de sortie de la pompe à chaleur côté forage . 133
3.28 Plan du rez-de-chaussée de la maison . . . . . . . . . . . . . . . . . . . . . . . . . 135
3.29 Plan du 1er étage de la maison . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 135
3.30 Températures simulées de la véranda et du séjour du 1er étage (sans ventilation)137
3.31 Températures simulées de la véranda et du séjour du 1er étage (sans ventilation)137
3.32 Exemple de températures simulées pour deux pièces (avec ventilation) . . . . . 138
3.33 Exemple de températures simulées pour deux pièces (avec infiltrations) . . . . 138
3.34 Simulation des besoins mensuels de chauffage de la maison . . . . . . . . . . . . 140

4.1 Schéma de principe du contrôleur actuel . . . . . . . . . . . . . . . . . . . . . . . 147

4.2 Différentes phases de la mise en œuvre des systèmes d’inférences floues . . . . 150
4.3 Modèle global de l’installation de Saint-Pierre dels Forcats sous Simulink® . . 151
4.4 Structure du modèle neuroflou du plancher chauffant de la maison . . . . . . . 152
4.5 Sortie expérimentale et modélisée du modèle neuroflou du plancher chauffant
de la maison . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 152
4.6 Plaque technique des circulateurs (a) et de la pompe à chaleur (b) . . . . . . . 155
4.7 Structure du contrôleur flou pour l’activation des circulateurs . . . . . . . . . . 156
4.8 Modèle du contrôleur TOR d’origine sous Simulink® . . . . . . . . . . . . . . . 156
4.9 Sous-ensembles flous du contrôleur des circulateurs . . . . . . . . . . . . . . . . 157
4.10 Contrôleur flou sous Simulink® . . . . . . . . . . . . . . . . . . . . . . . . . . . . 157
4.11 Variation du potentiel d’activation des circulateurs (P1) en fonction de TS(m)/E
et TG/E . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 158
4.12 État des circulateurs mesuré et par la simulation du contrôleur flou . . . . . . 159
4.13 Structure du contrôleur flou V1 pour l’activation de la PAC . . . . . . . . . . . 160
4.14 Sous-ensembles flous pour le contrôleur de la pompe à chaleur . . . . . . . . . . 160
4.15 Variation du degré de nécessité d’activation de la PAC (N1) en fonction de
TIN et ΦS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 161
4.16 Illustration des durées minimale et maximale requises pour le contrôle de la
pompe à chaleur . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 163
4.17 Température intérieure de la maison obtenue par la version V1 de la plateforme
de simulation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 164
4.18 Structure du contrôleur flou V2 pour l’activation de la PAC . . . . . . . . . . . 164
4.19 Sous-ensembles flous pour le contrôleur V2 de la pompe à chaleur . . . . . . . 165
4.20 Variation de la nécessité d’activation de la PAC (N2) en fonction de TIN , ΦS
et VCir . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 167
4.21 Température intérieure de la maison obtenue par la version V2 de la plateforme
de simulation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 168
4.22 Structure du contrôleur flou V3 pour l’activation de la PAC . . . . . . . . . . . 168
4.23 Sous-ensembles flous pour le contrôleur V3 de la pompe à chaleur . . . . . . . 170
4.24 Température intérieure de la maison obtenue par la version V3 de la plateforme
de simulation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 171
4.25 Évolution de la température intérieure de la maison obtenue par les 3 versions
de la plateforme de simulation et température de consigne . . . . . . . . . . . . 172
4.26 Résultats récapitulatifs des étapes de développement du contrôleur flou du
système d’extraction de chaleur . . . . . . . . . . . . . . . . . . . . . . . . . . . . 173
Liste des tableaux

1.1 Années des maxima des 24 cycles solaires de 1761 à 2013 . . . . . . . . . . . . . 9

1.2 Capacités calorifiques de quelques matériaux usuels [60] . . . . . . . . . . . . . 25
1.3 Valeurs du paramètre CFG en fonction de la configuration de l’installation . . 37

2.1 Nomenclature du champ solaire . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53

2.2 Débits volumiques de l’installation . . . . . . . . . . . . . . . . . . . . . . . . . . 53
2.3 Nomenclature des électrovannes de l’installation . . . . . . . . . . . . . . . . . . 57
2.4 Configuration des électrovannes des forages . . . . . . . . . . . . . . . . . . . . . 58
2.5 Configuration des électrovannes pour le stockage/déstockage . . . . . . . . . . 58
2.6 Puissances et efficacités du champ solaire durant les périodes de fonctionnement
des circulateurs . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 71
2.7 Puissances et efficacité de l’échangeur de chaleur durant les périodes de fonc-
tionnement des circulateurs . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 73
2.8 Puissances et efficacité de la pompe à chaleur durant son fonctionnement . . . 76

3.1 Principales T-normes et T-conormes . . . . . . . . . . . . . . . . . . . . . . . . . 97

3.2 Caractéristiques physiques et thermiques du champ solaire . . . . . . . . . . . . 109
3.3 Paramètres des fonctions d’appartenance d’entrée de sous-ensembles flous de
type gaussien des quatre sous-modèles de l’échangeur de chaleur . . . . . . . . 113
3.4 Règles floues pour le calcul des sorties de l’échangeur . . . . . . . . . . . . . . . 114
3.5 Coefficients des fonctions d’appartenance de sortie linéaires utilisés pour le
modèle de l’échangeur de chaleur . . . . . . . . . . . . . . . . . . . . . . . . . . . 115
3.6 EAM, ERM et FIT des sorties des quatre sous-modèles de l’échangeur de chaleur118
3.7 Paramètres des fonctions d’appartenance d’entrée des sous-ensembles flous de
type gaussien des deux sous-modèles de température TG/E (cascade 2) . . . . 124
3.8 Paramètres des fonctions d’appartenance d’entrée des sous-ensembles flous de
type gaussien des deux sous-modèles de température TG/P (cascade 2) . . . . 125
3.9 EAM, ERM et FIT des deux sorties des sous-modèles du forage . . . . . . . . . 127
3.10 Échantillons sélectionnés pour les phases d’apprentissage et de validation du
modèle TP (m)/M sim . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 130
3.11 EAM, ERM et FIT des deux sorties des modèles de la pompe à chaleur . . . . 130
xx Liste des tableaux

3.12 Échantillons sélectionnés pour les phases d’apprentissage et de validation du

modèle TP (m)/M sim . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 132
3.13 EAM, ERM et FIT des deux sorties des modèles de la pompe à chaleur après
200 itérations . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 133
3.14 EAM, ERM et FIT de l’ensemble des modèles développés pour le procédé de
GÉOHELIOS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 134
3.15 Surfaces du Rez-de-Chaussée . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 142
3.16 Surfaces du 1er étage . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 143
3.17 Matériaux et dimensions de l’habitat . . . . . . . . . . . . . . . . . . . . . . . . . 144
3.18 Températures annuelles simulées (minimales et maximales) du séjour et de la
véranda suivant les cas de ventilation et d’infiltration . . . . . . . . . . . . . . . 144
3.19 Scénarios d’occupation conventionnels . . . . . . . . . . . . . . . . . . . . . . . . 144
3.20 Températures de consigne conventionnelles . . . . . . . . . . . . . . . . . . . . . 144

4.1 EAM, ERM et FIT de la température de sortie du modèle du plancher chauffant152

4.2 Base des règles du contrôleur des circulateurs . . . . . . . . . . . . . . . . . . . . 157
4.3 Critère de validation du contrôleur flou de base . . . . . . . . . . . . . . . . . . . 159
4.4 Base des règles du contrôleur V1 de la pompe à chaleur . . . . . . . . . . . . . 161
4.5 Résultats du contrôleur V1 de la pompe à chaleur . . . . . . . . . . . . . . . . . 163
4.6 Base des règles du contrôleur V2 de la pompe à chaleur . . . . . . . . . . . . . 166
4.7 Résultats du contrôleur V2 de la pompe à chaleur . . . . . . . . . . . . . . . . . 166
4.8 Base des règles du contrôleur V3 de la pompe à chaleur . . . . . . . . . . . . . 169
4.9 Résultats du contrôleur V3 de la pompe à chaleur . . . . . . . . . . . . . . . . . 170
4.10 Résultats de simulation des trois versions des contrôleurs de la pompe à chaleur172
Introduction générale

P our réduire la dépendance énergétique et les problèmes liés à l’approvisionnement en

matières premières, le monde entier s’oriente vers l’utilisation des énergies renouvelables.
En plus de cette problématique, ce type d’énergie présente l’avantage de diminuer les émissions
de gaz à effet de serre. Même si les énergies renouvelables sont théoriquement considérées
comme inépuisables, puisque renouvelables naturellement, en pratique, elles présentent des
potentiels variables selon la situation géographique et les conditions climatiques.
Parmi les énergies renouvelables, on note très souvent l’énergie solaire source inépuisable,
abondante et très répandue à travers le monde. Tous les gouvernements (ou presque) mettent
en place des politiques pour favoriser la vulgarisation de cette ressource, autant sur le plan
industriel qu’individuel.
Une autre ressource, moins répandue, mais en forte croissance, est le sous-sol, utilisé comme
source de chaleur et/ou d’électricité.
L’idée de cette thèse est d’expérimenter la possibilité de combinaison de ces deux ressources
afin d’optimiser l’apport énergétique.
L’objectif est donc de développer et d’appliquer, à une problématique de chauffage pour le
particulier, une méthodologie d’optimisation de l’énergie et des coûts financiers. Cette métho-
dologie utilise les outils de l’automatique et, en particulier, ceux de l’intelligence artificielle.
L’étude s’est faite sur le « mix énergétique » solaire/géothermie. Deux installations de ce type
nous ont permis de réaliser ces travaux de recherche. La première, issue d’un projet nommé
GÉOHELIOS, est une maison de particuliers utilisant les ressources solaires et géothermiques
pour se chauffer. La seconde, entre dans le cadre du projet SOLARGÉOTHERM, faisant
partie du programme STOCK-E et est financé par l’Agence Nationale de la Recherche. Il
s’agit d’un procédé expérimental situé dans une carrière de schistes (sans habitation) mais
équipé également d’un champ solaire et de forages.
Cette étude a nécessité un bilan thermique initial du procédé expérimental afin de déter-
miner les zones devant être améliorées. En règle générale, il est difficile de disposer, en temps
réel, de toutes les variables nécessaires à l’élaboration d’une stratégie optimale de contrôle.
De ce fait, ce problème a fortement favorisé l’utilisation des techniques de l’Intelligence
Artificielle telles que la logique floue et le neuroflou. La logique floue dispose de la capacité à
gérer des connaissances imprécises et le savoir-faire humain. Le neuroflou, quant à lui, est
4 Introduction générale

l’association de la logique floue avec les réseaux de neurones, et présente la particularité de

pouvoir combiner les avantages de la logique floue à la capacité d’apprentissage des réseaux
de neurones.
Le développement d’une stratégie de contrôle nécessite des essais qu’il est matériellement
impossible de réaliser directement sur un procédé réel, en raison de l’échelle temporelle
importante qu’elle requiert. Pour cela, l’utilisation d’une plate-forme de simulation s’avère
indispensable pour tester les algorithmes avant leur implémentation sur l’installation réelle.

Dans le premier chapitre de ce travail, seront présentés les contextes environnementaux

et énergétiques dans lesquels l’Homme évolue. Nous évoquerons ensuite son rôle dans les
changements climatiques actuels et, en particulier, les émissions de gaz à effet de serre, ainsi
que les objectifs fixés par les instances internationales en matière de réduction de ces gaz. Ce
chapitre exposera également l’état de la consommation énergétique en France et sa répartition
sectorielle en mettant ainsi en évidence l’importance du poste du chauffage dans le bâtiment.
La dernière partie de ce chapitre dressera un état de l’art des solutions envisagées et mises en
place pour la gestion du chauffage dans le bâtiment, qu’il soit de type individuel ou collectif.

Dans le deuxième chapitre, nous décrirons d’abord l’ensemble du système d’instrumentation

mis en place sur les deux installations pilotes. L’électronique utilisée sera alors détaillée ainsi
que les types de capteurs, leur fonctionnement et les raisons de leur choix. La partie commande
du système sera ensuite abordée avant de détailler l’analyse énergétique du système hybride
solaire/géothermie ayant permis de dresser un bilan d’efficacité énergétique et servant de
référence pour les phases de contrôle ultérieures. L’optimisation énergétique, c’est-à-dire
l’amélioration du taux de couverture des énergies renouvelables, passe par le développement
de contrôleurs dont le paramétrage est optimisé pour répondre au mieux à cette stratégie de
chauffage.

Le chapitre suivant expliquera, tout d’abord, les méthodologies de modélisation et d’identi-

fication des systèmes que nous avons employées. Vu la complexité du système considéré, nous
avons adopté plusieurs types d’approches. Dans le cas idéal où nous disposions d’informations
nécessaires pour décrire l’ensemble des interactions (équations) entre les variables physiques et
que la totalité des valeurs des paramètres associés était connue pour la description mathéma-
tique de ces variables, nous avons opté pour des modèles dits « boı̂tes blanches », physiques
ou phénoménologiques. Dès lors que nous étions confrontés à un manque d’information sur les
paramètres physiques du système réel, nous avons eu recours à des modèles de type « boı̂tes
grises ». Dans ce cas, il est nécessaire de trouver une ou des relations cohérentes entre les
variables d’entrée et de sortie (à partir de considérations physiques ou simplement à partir
d’une analyse dynamique des variables impliquées). Enfin, lorsque ces deux approches étaient
impossibles à appliquer, nous avons utilisé des modèles dits « boı̂tes noires ». On utilise dans
Introduction générale 5

ces cas une structure d’équations générique dont la complexité et la souplesse permet de
modéliser un grand nombre de types de relations entrées/sorties.
Dans la suite du chapitre, nous présenterons, l’ensemble des modèles développés pour les
différents sous-systèmes de l’installation du projet GÉOHELIOS suivant les méthodologies de
modélisation et d’identification énoncées. Ces sous-systèmes sont : le champ solaire, l’échangeur
thermique, le forage, la pompe à chaleur ainsi que les différents circuits hydrauliques. Enfin les
résultats obtenus seront présentés et une attention particulière sera accordée à la comparaison
entre les valeurs estimées et les données expérimentales.
Enfin, ce chapitre s’achèvera par la modélisation, via le logiciel de simulation thermique
TRNSYS, de l’habitat du projet GÉOHELIOS (Saint-Pierre Dels-Forcats). Cette modélisation
prendra en compte les différents matériaux utilisés pour la structure du bâti, les orientations
des murs et cloisons, les épaisseurs et tout autre paramètre thermique agissant sur les variations
de température des pièces, sans oublier les divers scénarios d’occupation des pièces par les
habitants et les scénarios d’utilisation des appareils électriques qui ont un rôle prépondérant
dans les puissances thermiques mises en jeu. Ce modèle global permettra de simuler les
besoins de chaleur nécessaires au confort des habitants.

Le dernier chapitre concerne le développement et l’utilisation de contrôleurs flous, en

vue d’optimiser le fonctionnement de l’installation GÉOHELIOS. Nous présenterons les
problématiques associées à chacun des contrôleurs présents sur site et nous détaillerons la
stratégie de contrôle envisagée en définissant certains critères d’optimisation. Nous prêterons
ensuite une attention particulière au choix des variables d’entrées de ces contrôleurs. Ainsi, nous
analyserons, pour chacun des contrôleurs développés, les résultats obtenus en terme d’énergie
électrique consommée et d’économie financière réalisée. Pour terminer, nous dresserons un
bilan basé sur la comparaison entre le contrôleur actuellement utilisé in situ et les contrôleurs
développés au terme de ce travail.
Chapitre 1

Enjeux énergétiques pour le chauffage

de bâtiments

1.1 Contexte climatique

La Terre est soumise à des changements climatiques observables. On peut alors se poser la
question de savoir à quoi correspond la notion de « changement climatique » et s’il s’agit
uniquement de modifications causées par l’homme ou bien de changements à la fois de nature
anthropique et naturelle. Selon le GIEC [49], le changement climatique correspond à une
variation de l’état du climat que l’on peut déceler (par exemple au moyen de tests statistiques)
par des modifications de la moyenne et/ou de la variabilité de ses propriétés et qui persiste
pendant une longue période, généralement pendant des décennies ou plus. Il se rapporte à
tout changement du climat dans le temps, qu’il soit dû à la variabilité naturelle ou à l’activité
humaine. Cette définition diffère de celle figurant dans la Convention-Cadre des Nations
Unies sur les changements climatiques (CCNUCC), selon laquelle les changements climatiques
désignent des changements qui sont attribués directement ou indirectement à une activité
humaine altérant la composition de l’atmosphère mondiale et qui viennent s’ajouter à la
variabilité naturelle du climat observée au cours de périodes comparables.

1.1.1 Variations climatiques naturelles

Afin de pouvoir connaı̂tre les effets de l’Homme sur les changements climatiques, et en se
référant à la définition du changement climatique donnée par le GIEC, il est nécessaire, dans
un premier temps, de mettre en évidence les causes principales des variations climatiques
naturelles sur le climat.
8 Chapitre 1 : Enjeux énergétiques pour le chauffage de bâtiments

[Link] L’activité solaire

Tout d’abord, l’évolution de l’activité solaire et la transparence du milieu interplanétaire

sont à prendre en compte.
La quantité d’énergie émise par le Soleil à destination de la Terre est reçue avec une plus
ou moins bonne efficacité selon l’orientation de cette dernière. Ces variations de l’énergie
reçue sont responsables de variations climatiques.
La variation de la constante solaire terrestre, qui exprime la puissance solaire que recevrait
la Terre, en l’absence d’atmosphère, pour une surface de 1 m2 perpendiculaire aux rayons du
Soleil, est une des explications de l’élévation de la température moyenne de notre planète.
En effet, cette valeur est aujourd’hui de 1367 W/m2 et augmente progressivement suivant
le temps d’après l’équation (1.1) [4], dans laquelle t correspond au temps et est exprimé en
milliards d’années avec t = 0 correspondant à la création du système solaire.

Constante Solaire = 1367 × [1 + 0, 4(1 − t/4, 7)]−1 (1.1)

Cela signifie que dans 4,7 milliards d’années la puissance provenant du Soleil et reçue
par la Terre aura augmenté des deux tiers de sa valeur actuelle, à savoir près de 2300 W/m2 .
Cependant, dans 10 000 ans elle n’aura augmenté que d’un millième de W/m2 .
Au-delà de cette augmentation progressive de la puissance solaire, ou des cycles journaliers
(jour/nuit) et annuels (saisons) connus de tous, d’autres changements périodiques de l’activité
solaire ont déjà été constatés. En effet, des observations des taches solaires sont réalisées,
de manière systématique, depuis près de 500 ans. En 1843, l’astronome, Samuel Schawbe,
a découvert que la variation du nombre de ces taches et de leur orientation (Figure 1.1)
avaient lieu avec une périodicité d’environ 11 ans (Figure 1.2). En 1849, il établit alors une
méthode de calcul de l’activité solaire reposant sur le nombre de taches solaires et donc sur
ce cycle. A son maximum, le soleil est composé de taches et des éruptions solaires éclatent,
le soleil projette alors des milliards de tonnes de gaz électrifié dans l’espace. La variation
de l’irradiation solaire émise par le Soleil et perçue par la Terre est par conséquent issue en
partie de ces taches solaires d’une périodicité de 11 ans.
La période de ce cycle, d’une valeur moyenne de 10,7 ans, peut d’ailleurs varier de 8 à 16
ans et l’amplitude de ses maxima peut aller du simple au triple. Dans le Tableau 1.1, les
cycles de Schwabe sont numérotés à partir du maximum de l’année 1761 [6].
On remarque que le cycle le plus court a eu lieu de 1770 à 1778, soit une durée de seulement
8 ans, alors que le plus long a duré deux fois plus de temps (16 ans), de 1788 à 1804.

[Link] La position Terre/Soleil

La modification de la position de la Terre par rapport au Soleil est également source de

modification naturelle du climat.
1.1 Contexte climatique 9

Figure 1.1 – Taches solaires [4]

Figure 1.2 – Évolution de l’irradiation solaire de 1975 à 2007 [4]

1 2 3 4 5 6 7 8 9 10 11 12
1761 1770 1778 1788 1804 1816 1828 1838 1848 1860 1872 1884
13 14 15 16 17 18 19 20 21 22 23 24
1894 1906 1917 1928 1939 1947 1958 1968 1981 1991 2001 2013

Tableau 1.1 – Années des maxima des 24 cycles solaires de 1761 à 2013

En effet, la position de la Terre par rapport au Soleil détermine la quantité d’énergie

solaire qu’elle reçoit. Le mouvement que la Terre effectue sur une ellipse et dont le Soleil
occupe un des foyers, est caractérisé par trois paramètres.
En premier lieu vient l’excentricité (Figure 1.3). Ce phénomène modifie la distance Terre-
10 Chapitre 1 : Enjeux énergétiques pour le chauffage de bâtiments

Soleil avec une périodicité de 100 000 ans. Son influence reste cependant minime, puisqu’on
estime la variation de la température moyenne du globe, due à ce phénomène, de l’ordre du
dixième de degré.
C9D6E7FE7997E97

AB5765
1234567 8496234567

Figure 1.3 – Excentricité de l’orbite terrestre

L’inclinaison de l’axe terrestre par rapport au plan de l’orbite se nomme l’obliquité

(Figure 1.4) et correspond au deuxième phénomène. Cette dernière varie entre 22, 1o et 24, 5o
avec une périodicité de 41 000 ans. Une forte obliquité augmente les contrastes entre les
saisons : les étés sont plus chauds et les hivers plus froids. Mais là encore, la température
moyenne terrestre ne varie pas énormément. Enfin, le troisième phénomène connu est la
précession des équinoxes (Figure 1.5), qui modifie la position de l’axe de rotation de la
terre. Cet axe décrit un cône au niveau des pôles, ce qui entraine une perturbation sur les
saisons. Cette précession axiale reprend une valeur identique tous les 26 000 ans et représente
l’influence la plus importante à l’échelle du millier d’années.

Figure 1.4 – Obliquité [4]

Figure 1.5 – Précession des équinoxes [4]

Enfin, les manifestations externes de l’activité interne de la Terre tels que le volcanisme,
1.1 Contexte climatique 11

la tectonique des plaques l’évolution des reliefs ou encore l’évolution de la composition de

l’atmosphère (qui réfléchit, filtre ou piège le rayonnement solaire) sont d’autres facteurs
jouant un rôle dans l’évolution naturelle du climat. Deux points communs relient ces causes
naturelles : leurs influences sur la température moyenne du globe ne sont pas rapides et
ne dépassent guère quelques degrés pour la plus importante d’entre elles. Actuellement, les
scientifiques étudient plus en profondeur la piste de l’influence naturelle sur le climat, des
variations de l’activité solaire. Elles seraient à l’origine de changements importants comme
l’optimum médiéval (milieu du XV II e siècle) ou encore du petit âge glaciaire (de 1550 à
1850).

1.1.2 Influence anthropique sur la planète

Au delà de l’influence naturelle sur le climat, les influences anthropiques, c’est à dire les
influences liées au comportement de l’homme, ont depuis toujours contribué, de façon plus
ou moins forte, à modifier le milieu naturel dans lequel l’homme vit. Ces influences se sont
amplifiées pour devenir conséquentes avec l’augmentation de la population mondiale mais
surtout avec l’apparition de la première révolution industrielle.
La Figure 1.6 donne une représentation schématique des facteurs humains de l’évolution
du climat, des effets du changement climatique et des réponses apportées, ainsi que de leurs
corrélations.
Parmi les changements causés par l’homme, l’un des plus notables vu du ciel concerne la
surface terrestre. L’occupation des sols par l’homme pour l’agriculture, le logement et ses
besoins en matière première, notamment pour l’énergie, a véritablement bouleversé la surface
de la Terre. Les surfaces agraires sont devenues de plus en plus importantes au détriment
des surfaces boisées et les surfaces perméables ont laissé progressivement place aux surfaces
imperméables. En plus du changement lié à la surface du sol, on constate une évolution de la
morphologie du milieu physique, comme par exemple celle des cours d’eau ou encore celle
de certains littoraux. Tous ces phénomènes empêchent de plus en plus l’habitat naturel des
espèces de faune et de flore de perdurer, ils engendrent également la pollution des sols et
des cours d’eau, et favorisent les phénomènes d’inondations et la modification de l’albédo du
globe terrestre.
Cependant, l’influence la plus préoccupante de l’activité anthropique sur le milieu naturel
est celle modifiant la composition chimique de l’atmosphère ce qui perturbe fortement les
bilans de matière et d’énergie du système planétaire et devient la principale responsable du
changement climatique.
Ces rejets de gaz à effet de serre d’origine humaine contribuent ainsi à l’amplification de
l’effet de serre naturel. Cette addition est dangereuse et provoque un réchauffement accru de
la surface terrestre (ce constat a été confirmé et affiné par le Groupe Intergouvernemental sur
l’Évolution du Climat (GIEC) dans son quatrième rapport publié en 2007 [49]).
12 Chapitre 1 : Enjeux énergétiques pour le chauffage de bâtiments

Figure 1.6 – Représentation schématique des facteurs humains de l’évolution du climat, des
effets sur le changement climatique et des réponses apportées, ainsi que de leurs corréla-
tions [49]

D’après ce rapport, les variations de la concentration de gaz à effet de serre (GES) et

d’aérosols dans l’atmosphère, et la variation de la couverture végétale et du rayonnement
solaire modifient le bilan énergétique du système climatique.

L’homme a une influence très importante sur les émissions de gaz à effet de serre. La
Figure 1.7 présente les émissions mondiales de gaz à effet de serre anthropiques. La partie
a) représente les émissions annuelles de GES anthropiques dans le monde, de 1970 à 2004,
la partie b) décrit les parts respectives des différents GES anthropiques dans les émissions
totales de 2004, en équivalent-CO2 et la partie c) détaille les contributions des différents
secteurs aux émissions totales de GES anthropiques en 2004, en équivalent-CO2 . Il apparait
que c’est le CO2 qui est le plus massivement émis par les activités humaines (76,7% du total)
et que son émission est due en très grande partie à la combustion d’énergie fossile (56,6% du
total soit 73,8% des émissions de CO2 ).
1.2 Contexte énergétique mondial 13

Figure 1.7 – Émission mondiale de gaz à effet de serre anthropiques [49]

1.1.3 Changements climatiques

Onze des douze dernières années (1995-2006) figurent parmi les douze années les plus
chaudes depuis 1850, date à laquelle ont débuté les relevés instrumentaux de la température
à la surface du globe et la tendance linéaire au réchauffement, entre 1906 et 2005, atteint
‰
même 0,74 .
Ces conséquences sur la température moyenne du globe sont fortement corrélées à l’aug-
mentation des émissions de gaz à effet de serre (Figure 1.8) : le méthane (CH4 ), l’oxyde
nitreux (N2 O) et notamment le CO2 .
Aujourd’hui, ces concentrations sont bien supérieures aux valeurs historiques déterminées
par l’analyse de carottes de glace portant sur de nombreux millénaires.
En 2005, les concentrations atmosphériques de CO2 (379 ppm) et de CH4 (1774 ppb) ont
largement excédé l’intervalle de variation naturelle des 650 000 dernières années. Il est très
probable que l’augmentation observée de la concentration de CH4 provienne essentiellement de
l’agriculture et de l’utilisation de combustibles fossiles. Quant à la hausse de la concentration
de N2 O, elle est essentiellement due à l’agriculture.

1.2 Contexte énergétique mondial

1.2.1 Consommation d’énergie

La Figure 1.9 présente la répartition de l’énergie primaire consommée dans le monde en
1971 et en 2008. Cette énergie primaire est, on le rappelle, l’énergie brute, n’ayant subi aucune
conversion, comme par exemple le pétrole non raffiné. On remarque alors, sur cette figure,
14 Chapitre 1 : Enjeux énergétiques pour le chauffage de bâtiments

Figure 1.8 – Concentrations atmosphériques de CO2 , de CH4 et de N2 O durant les 10 000

dernières années (grands graphiques) et depuis 1750 (médaillons) [49]
1.2 Contexte énergétique mondial 15

que les énergies fossiles tels que le charbon, le pétrole et le gaz naturel représentent à eux
trois une forte part de cette énergie avec près de 80%.

Figure 1.9 – Répartition des énergies primaires consommée dans le monde [12]

Cette part a connu une légère baisse de 1971 à 2008 passant ainsi de 86% de l’énergie
primaire mondiale à 81%, en raison de l’essor du gaz naturel et du nucléaire dans le monde.
Néanmoins, la quantité d’énergie primaire consommée ayant plus que doublé durant ces
40 dernières années, la quantité d’énergie fossile utilisée est en fait passée de 4579 Mtep à
9936 Mtep. Ces énergies fossiles (Charbon, Pétrole, et Gaz) ne sont cependant pas a égalité
dans le rôle qu’elles jouent en terme d’émissions de CO2 . La quantité moyenne de CO2 émise
lors de la combustion dépend de l’unité énergétique considérée.

Le calcul d’un bilan d’émissions de CO2 nécessite l’utilisation de facteurs d’émissions

adaptés. La Figure 1.10 donne la valeur de ces facteurs pour les principaux combustibles
fossiles. Il est calculé par le rapport entre les émissions de CO2 mesurées et la quantité d’énergie
utilisée et s’exprime en (tCO2 /tep). Ces facteurs d’émissions sont des valeurs théoriques.

On remarque que le facteur d’émission lié au gaz naturel atteint les 2,3 tCO2 /tep tandis
que celui du charbon est de 4 tCO2 /tep et de 3,1 tCO2 /tep pour le pétrole brut.

Ainsi, le charbon qui apparait en seconde place des énergies primaires mondiales, derrière
le pétrole et devant le gaz naturel, est en fait le plus gros émetteur de CO2 au monde avec
près de 12 600 MtCO2 émises en 2008 soit une hausse de plus de 140% depuis 1971.
16 Chapitre 1 : Enjeux énergétiques pour le chauffage de bâtiments

Figure 1.10 – Facteurs d’émissions de CO2 des principaux combustibles fossiles [12]

La Figure 1.11 montre l’évolution mondiale, par combustible, des émissions de CO2 dues
à l’énergie, de 1971 à 2008. Le pétrole qui occupe la première place des énergies primaires
occupe la seconde place des combustibles les plus émetteurs en CO2 avec 10 600 MtCO2 . Le
gaz, qui est le moins représenté en terme de quantité au niveau mondial et le moins émetteur
de CO2 parmi les trois énergies fossiles, a néanmoins émis, en 2008, près de 6000 MtCO2 .

Figure 1.11 – Émissions de CO2 par combustible, dues à l’énergie dans le monde [12]

En 2008, les émissions mondiales de CO2 , dues à la combustion d’énergie, ont dépassé 29
milliards de tonnes (Gt CO2 ) (+40% depuis 1990). Le taux de croissance annuel des émissions
est passé de +3,3% en 2007 à +1,5% en 2008 sous l’effet de la crise économique. La Chine
reste le premier émetteur mondial de CO2 dues à la combustion d’énergie en 2008 devant les
États-Unis (respectivement 22,3 % et 19 %).
Dans l’UE à 27, les émissions ont baissé de 5% par rapport à 1990. Cette baisse est
principalement due aux 12 nouveaux États membres (-27 %), dont les économies ont été
1.2 Contexte énergétique mondial 17

restructurées dans les années 90. Les émissions de l’UE à 15 ont augmenté de 1,8% depuis 1990
mais ont baissé de 4,8% entre 2004 et 2008. Les pays en forte croissance comme l’Espagne,
l’Irlande ou le Portugal ont connu un ralentissement sensible en 2008. La baisse des émissions
du Royaume-Uni (-7 % depuis 1990) résulte notamment d’un report du charbon vers le gaz
pour la production d’électricité.

1.2.2 Épuisement des énergies fossiles

Ces tendances à l’augmentation des énergies fossiles et l’augmentation des émissions de
CO2 qui en résultent, posent la question des disponibilités de ces ressources énergétiques et
de leur effet sur l’environnement et donc sur l’homme.
Les combustibles fossiles (pétrole, gaz et charbon) ne sont pas des sources d’énergie
renouvelables à l’échelle de l’homme puisqu’ils proviennent de la transformation de biomasse
lors du carbonifère, il y a plusieurs dizaines de millions d’années. Ces ressources sont, par
conséquent, en train de s’épuiser peu à peu. On estime qu’avec la consommation énergétique
actuelle et les gisements exploités par l’homme en ce jour, les réserves de pétrole n’ont que
40 ans devant elles, 60 ans pour le gaz naturel et un peu plus de deux siècles pour le charbon
[21, 10]. Cependant, l’homme va, d’ici là, trouver quelques gisements supplémentaires mais
par ailleurs la consommation énergétique mondiale va s’accroitre (quasiment doubler en 50
ans).
La diminution des stocks va entraı̂ner un pic de production (ou pic de Hubbert, du nom du
géophysicien qui, en 1956, a prédit le pic de production de pétrole des États-Unis de 1970),
puis un ralentissement de cette production.
On peut imaginer les changements profonds de notre société face à une décroissance des
énergies fossiles, alors que la demande énergétique mondiale progresse de 1,6% par an en
moyenne [10]. Un rapport commandé par le ministère de l’Énergie des États-Unis montre la
nécessité d’initier l’adaptation énergétique, 10 à 20 ans avant le pic de production du pétrole,
pour éviter une pénurie massive pendant plusieurs décennies [80]. Mais, même si les plus
optimistes imaginent un peak oil entre 2020 et 2040, la majorité des experts pensent que
le pic de production de pétrole se passe maintenant [20, 58]. Les scénarios du GIEC [49]
prenant en compte des stocks d’énergies fossiles supérieurs à ceux généralement convenus par
la communauté scientifique, les changements sociétaux liés à la pénurie énergétique pourraient
même s’avérer plus pressants que ceux liés au climat.

1.2.3 Objectifs et directives

Face à l’augmentation des concentrations de gaz à effet de serre dans l’atmosphère et
les futures variations climatiques, la communauté internationale a décidé d’agir au nom du
principe de précaution. En décembre 1997, 38 pays industrialisés se sont engagés, dans le
cadre du protocole de Kyoto, à réduire leurs émissions des six principaux gaz à effet de serre
18 Chapitre 1 : Enjeux énergétiques pour le chauffage de bâtiments

d’au moins 5,2% dans la période 2008-2012, par rapport aux niveaux enregistrés en 1990.
Pour sa part, l’UE s’est engagée à réduire ses émissions de 8% dans le cadre de la « bulle »
européenne. Mais, pour que ce protocole puisse entrer en vigueur, il devait être ratifié par
plus de 55 pays, totalisant plus de 55% des émissions mondiales de gaz à effet de serre. Les
États-Unis refusant toute ratification, il a fallu celle de la Russie pour que le protocole puisse
entrer en vigueur, le 16 février 2005.
Dans ce contexte, l’UE a établi de nouvelles directives relatives à la promotion de l’énergie
produite à partir de sources renouvelables et, en décembre 2008, elle a adopté le « Paquet
climat-énergie » qui l’engage à réduire, d’ici à 2020, ses émissions globales de gaz à effet
de serre de 20% par rapport aux niveaux de 1990 et prévoit de porter cet objectif à -30%
si d’autres pays industrialisés acceptent d’en faire autant. Pour parvenir à ce niveau de
réduction, elle doit améliorer l’efficacité énergétique de 20% d’ici 2020, porter à une moyenne
de 20% la part des énergies renouvelables dans la consommation énergétique et que 10% des
carburants destinés aux transports soient des biocarburants.

1.2.4 Énergies renouvelables

Afin de connaı̂tre l’ampleur de la tâche qui incombe à l’UE et surtout à la France, il est
intéressant d’effectuer un tour d’horizon de la production et de la consommation française en
termes d’énergies renouvelables.
La France se situe au second rang de l’UE concernant la production des énergies re-
nouvelables grâce à des ressources naturelles riches. La France dispose d’un fort potentiel
hydraulique et géothermique et possède la première forêt d’Europe occidentale. De plus son
gisement éolien (France métropolitaine) est le second d’Europe continentale après celui du
Royaume-Uni, grâce à une façade littorale large et bien exposée.
La Figure 1.12 permet de situer le poids de chacune des filières renouvelables dans
ses productions primaires lors de l’année 2010. Comme on peut s’y attendre, la filière
du Bois-énergie est très développée et constitue 45% de la production primaire d’énergies
renouvelables en France, loin devant l’hydraulique avec tout de même 24% de la production
et les biocarburants encore en développement (10%).
L’ensemble des énergies renouvelables atteint ainsi 22,7 Mtep et est en progression de
+ 11,5% après une hausse de 3,6% en 2009 et la hausse record de 2008 (+ 14,7%). Le
retournement de tendance amorcé en 2006 après une longue période de déclin entre 1990 et
2005 a désormais laissé la place à une croissance durable qui ne cesse de se confirmer : la
production primaire a atteint en 2010 son niveau le plus élevé et s’est accrue depuis 2005
de 7,0 Mtep soit une croissance de 44% sur les cinq dernières années. La forte croissance de
2010 est toutefois à relativiser, car elle est liée pour plus de la moitié à des circonstances
climatiques favorables : la meilleure hydraulicité qui a permis un retour à une production
hydraulique quasi normale, et des vagues de froid qui ont augmenté la consommation de bois
1.2 Contexte énergétique mondial 19

des ménages.

Figure 1.12 – Part de chaque filière dans la production primaire d’énergie renouvelable en
2010 [12]

Pour ce qui est de la consommation d’énergies primaires en France pour 2010 (Figure 1.13),
celle-ci repose sur 43,3% d’électricité primaire, 30,9% de pétrole, 15,1% de gaz, 4,3% de
charbon et 6,4% de renouvelables thermiques et déchets. Les énergies renouvelables thermiques
et l’électricité prennent une part croissante, alors que la tendance au recul du pétrole se
confirme au fil des ans et que celle du charbon se poursuit.

Figure 1.13 – Répartition de la consommation d’énergie primaire française en 2010 [12]

En considérant l’ensemble des énergies renouvelables (thermiques et électriques), la consom-

20 Chapitre 1 : Enjeux énergétiques pour le chauffage de bâtiments

mation primaire est de 22,2 Mtep. Ainsi, la part des énergies renouvelables dans la consom-
mation totale d’énergie primaire, qui poursuit une remontée régulière depuis 2005, où elle
avait atteint un niveau d’étiage, dépasse pour la première fois la barre des 8% avec un taux
de 8,3% en 2010, contre 7,9% en 2009 et 7,4% en 2008. Si l’avancée est certaine, les objectifs
sont encore loin d’être atteints.

1.3 Secteur du bâtiment dans la consommation éner-

gétique en France

1.3.1 Répartition de la consommation énergétique par secteur

Nous avons mis en avant, dans les parties précédentes, l’importance de la consommation
mondiale d’énergies fossiles dans les émissions de GES et les mesures et directives mondiales
et européennes pour réduire cette consommation. Nous avons également établi un aperçu de
l’état et du potentiel des énergies renouvelables françaises. Ainsi, afin de mieux lutter contre
ces émissions de GES, il est important de cibler au mieux les secteurs d’activités les plus
énergivores.

La Figure 1.14 présente la répartition de la consommation énergétique en France depuis

1970. Depuis cette époque, jusqu’à 2008, la part de l’industrie (y compris la sidérurgie) dans
cette consommation, a fortement diminué passant de 36 % à 20 % de l’énergie consommée, la
part du secteur résidentiel-tertiaire est restée stable (environ 40 %), et celle du secteur des
transports a augmenté de 19 % à 31 %.

On remarque que les plus gros consommateurs d’énergie sont les secteurs résidentiels et
tertiaires, autrement dit, le secteur du bâtiment. Ce sont 69 Mtep d’énergie finale qui ont été
consommées en 2008, soit 38% de plus que pour le secteur des transports (50 Mtep).

C’est donc au secteur du bâtiment que nous allons nous intéresser puisqu’il est le secteur
le plus énergivore. Le potentiel de réduction des émissions de gaz à effet de serre y est donc
très important.
1.3 Secteur du bâtiment dans la consommation énergétique en France 21

Figure 1.14 – Consommation d’énergie finale par secteur [46]

Cependant, si l’on analyse la répartition des émissions de gaz à effet de serre liés à la
combustion de l’énergie (Figure 1.15), on remarque que le secteur du bâtiment n’arrive qu’en
seconde position avec 91,3 MtCO2 émis (24,1 % des émissions totales en France), devancé par
le secteur des transports émettant 137,9 MtCO2 (36,4 %).
Le secteur du bâtiment n’est donc que le second contributeur des émissions, mais reste un
secteur très présent. Sa contribution moindre se justifie en partie par une utilisation d’énergies
moins émettrices en CO2 mais également plus diversifiée que pour le secteur du transport qui
utilise du pétrole à plus de 90 %.

Figure 1.15 – Émission de CO2 par secteur en France liés à la combustion de l’énergie [16]
22 Chapitre 1 : Enjeux énergétiques pour le chauffage de bâtiments

1.3.2 L’importance du poste du chauffage dans le bâtiment

L’étude de la répartition de la consommation d’énergie finale par secteur en France
nous a permis de sélectionner le secteur du bâtiment, et notamment le secteur résidentiel,
comme étant celui sur lequel il est le plus intéressant de travailler, puisqu’il est le plus gros
consommateur d’énergie et le deuxième émetteur de gaz à effet de serre.
Notons que le Grenelle de l’environnement, avec le Plan Bâtiments, en accord avec la
nouvelle directive européenne concernant la performance énergétique des bâtiments [39], a
fixé comme objectif ambitieux de réduire d’au moins 38 %, d’ici 2020, les consommations éner-
gétiques du parc de bâtiments existant. Cet objectif passera notamment par des programmes
conséquents de réhabilitation des logements privés et sociaux. Pour les bâtiments neufs
résidentiels, la norme BBC (bâtiment basse consommation, 50 kW⋅h⋅m−2 ⋅an−1 ) s’appliquera à
toutes les constructions à partir de 2012. La norme « bâtiment à énergie positive » (consom-
mation inférieure à la quantité d’énergie produite) s’appliquera à toutes les constructions
neuves à compter de 2020.
L’étude de la consommation énergétique de ce secteur par usage, dont l’évolution de 1973
à 2006 est détaillée sur la Figure 1.16, permet de se rendre compte que ce sont les besoins en
chauffage qui sont les plus élevés. En effet, ils représentent 30 Mtep en 2006, soit 70 % des
42,7 Mtep de ce secteur. Si l’on y ajoute les 4,4 Mtep de l’eau chaude sanitaire qui est souvent
associée à cet usage, cela représente environ 80 % de la consommation d’énergie finale de ce
secteur. La diminution de l’impact énergétique dans le secteur résidentiel passe donc avant
tout par l’optimisation de l’usage du chauffage. C’est donc sur ce poste énergétique, que nous
focaliserons notre attention, pour la réduction de l’impact énergétique fossile et des émissions
de gaz à effet de serre dans le secteur du bâtiment.

Figure 1.16 – Consommation d’énergie finale des résidences principales par usage [16]
1.3 Secteur du bâtiment dans la consommation énergétique en France 23

L’évolution de 1973 à 2006 de la répartition des énergies par filière pour le poste de
chauffage est décrite sur la Figure 1.17. On peut constater que le charbon est une source
d’énergie qui a quasiment disparu et qui ne représentait plus que 0,2 Mtep en 2006. La
quantité de pétrole utilisée a été plus que divisée par 2 en 35 ans puisqu’elle n’atteignait
plus que 8,9 Mtep en 2006. Ce sont le gaz et l’électricité qui ont fortement progressé et qui
atteignaient en 2006 respectivement 14 Mtep et 11,6 Mtep.
Notons avec intérêt que le bois, source d’énergie renouvelable, atteint 6,5 Mtep et se
positionne en quatrième position avec 15,2 % en part d’énergie. Cependant, s’il semble bien
implanté, il n’a pas du tout progressé depuis 1973, malgré un potentiel très important. C’est
donc un des vecteurs sur lesquels jouer, pour diminuer la part des énergies fossiles, dans la
consommation énergétique liée au chauffage pour le secteur résidentiel. Remarquons également
que la part des réseaux de chaleur est marginale avec 1,5 Mtep, mais a doublé en quantité et
en proportion depuis 1973.

Figure 1.17 – Consommation unitaire de chauffage, par énergie finale, en 2005 des résidences
principales construites après 1975 [16]

Parmi les énergies utilisées pour le chauffage, toutes n’ont pas un impact identique sur
les émissions de gaz à effet de serre. La Figure 1.18 montre la répartition de ces émissions
liées au chauffage, selon la filière énergétique, en 1997 et en 2007. On peut voir qu’il y a
eu une évolution importante pendant cette période puisque la contribution du fioul recule
de 11 points (de 52 % à 41 %) et cède sa place au gaz, dont la part des émissions de CO2
augmente de 15 points (de 39 % à 54 %). Cette variation est en accord avec la diminution
de la part du pétrole au profit du gaz au niveau de l’énergie finale consommée. Le charbon,
qui ne représentait qu’une faible part des émissions, voit sa part réduite des deux tiers pour
atteindre seulement 3 % en 2007.
24 Chapitre 1 : Enjeux énergétiques pour le chauffage de bâtiments

Figure 1.18 – Émissions de CO2 liées au chauffage pour le secteur du bâtiment [47]

1.4 Solaire thermique et géothermie avec stockage sai-

sonnier de la chaleur pour le chauffage de bâti-
ments
L’énergie solaire et la géothermie sont deux sources d’énergies renouvelables souvent
utilisées pour le chauffage de bâtiments. Cependant, elles sont très souvent utilisées de
manière indépendante l’une de l’autre alors que leur complémentarité est évidente. La
thématique de ce travail s’inscrit dans ce contexte à savoir le couplage de ces deux sources
d’énergies renouvelables.

1.4.1 Système solaire avec stockage de chaleur

Une première étude sur le stockage de chaleur de l’énergie thermique, produite par des
capteurs solaires, a été réalisée par le Laboratoire de Physique Subatomique et de Cosmologie
de Grenoble (LPSC). Il s’agit d’un projet technico-économique, issu du rapport SECCO [60]
(Stockage d’Énergie-Chaleur pour un Chauffage Optimisé) dont l’objectif est d’optimiser
le chauffage du laboratoire en remplaçant une partie du chauffage traditionnel (énergie
fossile), par un chauffage solaire thermique avec un stockage saisonnier de la chaleur, dans des
cuves remplies d’eau. Le système de stockage énergétique permet de fournir 30% de l’énergie
nécessaire pour le chauffage. La chaleur provient, pour une partie, des capteurs solaires (10%
du total nécessaire) et pour une autre partie, du chauffage urbain. Le système comporte en
outre des pompes à chaleur pour récupérer au mieux l’énergie stockée. Celle-ci est directement
‰
utilisable entre 50 et 100 puis nécessite l’utilisation d’une pompe à chaleur entre 14 et 50 .‰
L’objectif de ce stockage est de subvenir à la moitié des besoins en chauffage d’un ensemble
de quatre bâtiments de 10 000 m2 de bureaux et de 2000 m2 de hall et locaux techniques qui
constituent le laboratoire. Ce dernier nécessite annuellement l’équivalent de 200 Tep en gaz.
1.4 Solaire thermique et géothermie avec stockage saisonnier de la chaleur pour le chauffage de
bâtiments 25

Le choix du fluide caloporteur utilisé a été également étudié. Une étude comparative sur
différents matériaux est réalisée et l’eau est finalement choisie pour ces nombreux avantages.
Son prix d’achat tout d’abord, relativement bon marché, sa capacité calorifique élevée (1.2)
et enfin sa mise en œuvre simple. La seule limitation est la température de changement de
‰
phase de 100 , à ne pas dépasser pour demeurer à la pression atmosphérique.

‰
kW h/m3 (ρC) ‰
kW h/kg (C) Densité (ρ) kg/l
Eau 1,161 1, 161.10−3 1
Sable 0,51 0, 22.10−3 2,3
Argile 0,64 0, 27.10−3 2,4
Calcaire 0,68 0, 24.10−3 2,8
Sol ≤ 1,05 ≤ 0, 5.10−3 2,0
Matière sèche du sol - 0,19 à 0, 23.10−3 2,8

Tableau 1.2 – Capacités calorifiques de quelques matériaux usuels [60]

Un compromis a été choisi entre un stockage hebdomadaire et saisonnier. Le stockage

hebdomadaire est prévu pour assurer le chauffage du laboratoire pendant la semaine la plus
froide, ce qui correspond à un volume d’environ 3000 m3 d’eau. Le stockage saisonnier est
alimenté pour moitié par le solaire (300 m2 de panneaux solaires), et pour moitié par les
excédents de chauffage urbain, ce qui représente également à 3000 m3 d’eau.
Le système de stockage a été réalisé avec 60 cuves cylindriques pour un total de 6000 m3
(3 m de diamètre et 14,2 m de haut) placées verticalement, au contact les unes des autres et
entourées d’une structure légère recevant l’isolation. L’isolation thermique est étudiée afin
que les pertes par échange avec l’atmosphère soient inférieures ou égales à 10% en 6 mois, ce
qui nécessite un coefficient d’isolation thermique K inférieur à 0,1 Wm−2 K−1 (obtenu par 40
cm de laine de verre ou de polyuréthane expansé). Pour le stockage hebdomadaire, l’isolation
est réduite à 10 cm d’isolant.
Une structure modulaire a été préférée à une cuve unique afin de gérer le stock de chaleur
par rapport aux différentes périodes de chauffe (conservation de l’eau très chaude pour les
périodes les plus froides).

1.4.2 Géothermie avec stockage de chaleur

Parmi les autres études réalisées sur le stockage de la chaleur, on trouve le stockage dans le
sous-sol. Ces études présentent différentes approches, notamment le stockage thermal aquifère
et le stockage diffusif.
26 Chapitre 1 : Enjeux énergétiques pour le chauffage de bâtiments

Figure 1.19 – Schéma de principe du stockage de chaleur dans le projet SECCO [60]

[Link] Sources géothermiques

La géothermie est la science étudiant les phénomènes thermiques internes du globe terrestre
et leur exploitation. Elle se divise en trois types : la géothermie « haute température »,
« moyenne température » ou « basse température ».
‰
Les géothermies « haute température » (températures supérieures à 150 ) et « moyenne
‰
température » (températures comprises entre 100 et 150 ) permettent, grâce à la vapeur
jaillissant (avec suffisamment de pression), d’alimenter une turbine et ainsi de produire de
‰
l’électricité. Les gradients de températures rencontrés atteignent les 10 par 100 mètres de
profondeur voire plus. Les forages atteignent alors plusieurs kilomètres. Ces deux types de
géothermie nécessitent évidemment des installations industrielles conséquentes et ne sont
localisés que dans quelques centaines d’endroits dans le monde, notamment en Indonésie, aux
Philippines et aux États-Unis, les trois plus gros producteurs mondiaux. Située le long de la
ceinture de feu du Pacifique, avec près de 170 volcans en activité, l’Indonésie détient, en effet,
le plus gros potentiel géothermique au monde : 27 gigawatts d’énergie souterraine, soit 40%
des réserves mondiales [8].
La géothermie basse température se divise en deux sous-catégories.
– Tout d’abord, la géothermie utilisant les nappes phréatiques d’eau chaude. Le principe
‰
est d’utiliser cette eau, comprise entre 50 et 90 issue d’une nappe phréatique (plusieurs
1.4 Solaire thermique et géothermie avec stockage saisonnier de la chaleur pour le chauffage de
bâtiments 27

centaines de mètres suivant les zones géographiques) et d’en extraire les calories néces-
saires au chauffage du/des bâtiment(s) via un échangeur. Cette première sous-catégorie
de géothermie basse température nécessite, par conséquent, la connaissance du massif
rocheux mais elle implique également la réalisation de forages longs.
– La seconde catégorie de géothermie basse température utilise des températures de
‰
sous-sol inférieures à 30 grâce à une pompe à chaleur qui permet de rehausser les
températures extraites et de chauffer ainsi à des températures suffisamment importantes
pour permettre le chauffage dans les bâtiments. Cette catégorie bénéficie d’avantages
incontestables. Tout d’abord, elle est la catégorie la plus courante géologiquement et la
plus facile à mettre en place par l’homme. Et enfin, elle nécessite des travaux de forage
relativement moins couteux que pour les autres types de géothermie en raison de la
profondeur nécessaire, qui est de l’ordre de la centaine de mètres.

[Link] Stockage thermal aquifère

Le plus souvent, ce type de stockage est fondé sur l’utilisation de deux forages (doublet
géothermique), espacés de plusieurs centaines de mètres, dont le premier assure l’extraction
de l’eau chaude, à partir d’un aquifère profond et le second permet de réinjecter l’eau refroidie.
La nécessité de réinjecter l’eau est liée au souci de maintenir la pression dans l’aquifère
et à l’impossibilité de rejeter l’eau prélevée dans les cours d’eau en raison de sa salinité.
Ainsi, disposant de deux sources à températures différentes, il est possible de pomper l’eau
souterraine dans un premier forage (appelé « puits froid »), celle-ci va refroidir le bâtiment
en se réchauffant, et être réinjectée dans le même aquifère via le second forage (appelé « puits
chaud »). Durant la période hivernale, le système fonctionne à l’inverse afin de bénéficier de
la chaleur emmagasinée l’été précédent : l’eau est pompée au « puits chaud », réchauffe le
bâtiment en se refroidissant, et est réinjectée dans l’aquifère pour être réutilisée l’été suivant.
Sur ce principe, des travaux [82] ont été menés en Allemagne (Berlin) lors de la conception
du nouveau parlement allemand, le Bundestag. Deux nappes phréatiques à des profondeurs
différentes (Figure 1.20) sont utilisées pour stocker le froid (à environ 60 m) et la chaleur (à
environ 300 m).
Le bilan énergétique, obtenu par simulation sur la nappe phréatique froide, montre en été,
‰ ‰
une extraction de l’ordre de 6 à 10 et une injection de 15 à 28 , soit une énergie récupérée
de 3,950 MWh par an.
Toujours sur la nappe froide, durant l’été, la température moyenne, lors de la phase
‰ ‰
d’extraction est de 22 et la température d’injection de 5 , soit une énergie stockée de
4,250 MWh par an.
Ceci donne un rapport entre énergie récupérée et stockée de 93% pour une consommation
électrique de fonctionnement de l’installation de 220 MWh.
Pour ce qui est du bilan énergétique sur la nappe phréatique chaude, l’étude par simulation
‰
montre, durant l’été, une température extraite de 20 et une injection de 70 , soit une ‰
28 Chapitre 1 : Enjeux énergétiques pour le chauffage de bâtiments

Figure 1.20 – Représentation des deux aquifères sous le bâtiment du Bundestag [82]

énergie stockée de 2,650 MWh par an. Pour cette même nappe, l’extraction de chaleur est
‰
comprise entre 65 et 30 , ce qui correspond à une énergie totale récupérée de 2,050 MWh
par an.
Le rapport entre cette énergie récupérée et stockée est de 77% pour une consommation
électrique de fonctionnement de l’installation de 280 MWh.
Des travaux similaires ont également été menés pour un hôpital en Turquie [79]. L’étude
présente un comparatif en terme de consommation et d’écologie de deux systèmes de chauffage
géothermiques réversibles avec un stockage thermal aquifère pour l’hôpital Balcali à Adana.
Des puits à eaux chaudes et à eaux froides permettent de faire les stockages inter-saisonniers
de la chaleur. L’été, l’eau froide est pompée des puits d’eaux froides puis réchauffée en surface
pour refroidir les bâtiments et réinjectée dans les puits d’eaux chaudes. Inversement, l’hiver,
l’eau chaude est puisée dans les puits chauds afin de réchauffer les bâtiments. L’eau refroidie
est restituée dans les puits froids. La particularité des travaux évoqués est que, parmi les
deux systèmes étudiés, l’un fonctionne par simple échangeur thermique (projet turc) alors
que le second comprend une pompe à chaleur pour tirer parti au maximum de l’échange
thermique (projet allemand). En conclusion, il apparaı̂t, qu’en terme d’économies financières
et écologiques, le système possédant une pompe à chaleur est meilleur mais souffre en contre
partie d’une consommation électrique supérieure.
Parmi les pays les plus avancés en terme d’énergie géothermique et de stockage en aquifère,
on trouve les Pays-Bas. Un état des lieux dans le pays, concernant les installations opéra-
tionnelles utilisant la géothermie thermale aquifère, avec stockage inter-saisonnier, dresse un
recensement comptabilisant plus de 400 installations [86]. Parmi les secteurs concernés on
1.4 Solaire thermique et géothermie avec stockage saisonnier de la chaleur pour le chauffage de
bâtiments 29

trouve, celui des bureaux, des hôpitaux, et aussi de l’industrie et de l’agriculture. Plusieurs
types de systèmes ont été installés et sont comparés. Le premier type sert uniquement de
climatiseur (climatisation l’été avec échangeur thermique et stockage thermal du froid l’hiver
avec refroidissement par tour de refroidissement). Avec ce système 75% de l’énergie de refroi-
dissement peut être économisée. Le deuxième type réversible fonctionne avec un échangeur
thermique. Le puits froid amène du froid à un ventilateur l’été et la chaleur est stockée dans
le puits chaud en attendant l’hiver. Ainsi en hiver, l’eau chaude pompée dans le puits chaud
est refroidie par le ventilateur qui réchauffe le bâtiment avant d’être réinjecté dans le puits
froid pour être stockée pour l’été. L’énergie économisée est deux fois plus importante que
dans le premier système, puisque le système est réversible. Le troisième système est différent
du second, en ce sens que, l’échangeur thermique utilisé pour le chauffage l’hiver est remplacé
par une pompe à chaleur.

Pour le cas de la France, dans le domaine du stockage de la chaleur en aquifère, le BRGM

[7] a mené une étude de faisabilité pour le chauffage et la climatisation de serres agricoles,
avec stockage inter-saisonnier de la chaleur [70, 69]. L’installation possède deux puits de
forages géothermiques, un chaud et un froid. Lorsqu’on souhaite chauffer la serre, l’eau chaude
est extraite du puits d’eau chaude et réchauffe la serre grâce à un échangeur thermique
(Figure 1.21.a). L’eau refroidie est alors réinjectée dans le puits d’eau froide ou elle est stockée
en attendant d’être réutilisée l’été.

Lorsqu’on souhaite refroidir la serre, le circuit est inversé, l’eau du puits froid est pompée
et refroidit la serre, toujours avec l’échangeur thermique. L’eau réchauffée est réinjectée
dans le puits d’eau chaude, pour être stockée jusqu’à la prochaine demande de chauffage
(Figure 1.21.b).

Ces travaux de recherche dressent un bilan des transferts énergétiques qui interviennent
sur les aquifères (advection, dispersion et diffusion). Ceci induit des pertes énergétiques dans
les puits de stockage, notamment si la vélocité de l’aquifère souterrain est importante. Cette
étude de faisabilité a demandé une modélisation et des simulations, réalisées avec le logiciel
MARTHE [95] développé par le BRGM pour la modélisation et la simulation des aquifères.
La modélisation a été réalisée en 3 dimensions avec des pas de discrétisation variables. Deux
types de simulations ont été testées, l’une avec un aquifère de vélocité nulle et l’autre avec
une petite vélocité. Les résultats montrent qu’une vélocité même petite, entraı̂ne au cours
des années un étalement beaucoup plus important de l’énergie injectée (froid ou chaud). Ceci
implique une plus faible part d’énergie recouvrée. Une étude comparative est aussi menée
pour évaluer l’influence de la distance qui sépare les deux puits au niveau de l’énergie qui peut
être recouvrée. Il apparaı̂t que si les puits sont trop proches, ils interfèrent, c’est à dire qu’une
partie des eaux chaudes se mélangent aux eaux froides, ce qui réduit d’autant l’efficacité du
stockage saisonnier de l’énergie.
30 Chapitre 1 : Enjeux énergétiques pour le chauffage de bâtiments

Figure 1.21 – Système de stockage de chaleur en aquifère pour le chauffage et le rafraichissement

d’une serre agricole

[Link] Stockage diffusif de la chaleur dans le sol

Une autre façon d’envisager de stocker la chaleur dans le sol est de le faire sans présence
ou circulation d’eau, le procédé pour l’extraction et l’injection de chaleur comporte alors
une différence notable. Il s’agit de capter et de stocker la chaleur dans une zone commune
contrairement au stockage en aquifère où l’on préconise l’utilisation de deux puits, l’un
constituant la source chaude, l’autre la source froide.
Des travaux de recherche ont été réalisés sur le stockage diffusif, notamment en Autriche
pour le métro de Vienne [2]. L’étude a évalué la possibilité d’utiliser des pieux géothermiques
pour les besoins de chauffage l’hiver et de refroidissement l’été. Ces éléments, en béton,
1.4 Solaire thermique et géothermie avec stockage saisonnier de la chaleur pour le chauffage de
bâtiments 31

sont prévus pour contenir des conduites absorbeurs d’énergie, leur conférant la propriété
d’échangeur thermique réversible (chauffage l’hiver, refroidisseur l’été).
Un autre projet d’envergure est celui du Dock Midfield, un nouveau terminal de l’aéroport
de Zurich mesurant 500 m de long. La zone située sous l’aéroport est équipée de 300 pieux
géothermiques utilisés comme réservoir de stockage d’énergie pour chauffer et refroidir
l’aéroport. La chaleur emmagasinée l’été sert à réchauffer les bâtiments l’hiver et le froid
emmagasiné l’hiver permet de refroidir la structure en été.
Concernant ce projet, l’aéroport a été entièrement modélisé sous TRNSYS, ce qui a
donné lieu à la réalisation d’un logiciel de modélisation/simulation plus spécifique pour les
systèmes à pieux échangeurs, dénommé PILESIM. L’étude réalisée a été commandée par
l’OFEN (Office Fédéral de l’ENergie) de Suisse. Elle débute par une analyse de la conductivité
thermique du terrain, ainsi qu’une analyse comparative des besoins énergétiques au cours de
l’année (logiciels DIAS, TRNSYS et PILESIM). Une première simulation de l’installation
avec PILESIM fait une étude de l’influence de la variation de ces paramètres. Le système
d’échangeur utilisé est présenté sur la Figure 1.22.

Figure 1.22 – Système d’échangeur de chaleur par pieux du Dock Midfield

L’installation modélisée comporte l’ensemble des pieux géothermiques, un échangeur

thermique hiver, un échangeur thermique été, une cuve de stockage d’eau, et une pompe à
chaleur réversible en machine frigorifique, des vannes et des circulateurs. Le système possède
3 modes de fonctionnement distincts grâce à l’activation des pompes et des vannes.
Le premier mode est le mode de refroidissement : le froid extrait du sol par les pieux, passe
par la cuve d’eau et entre dans la machine frigorifique pour générer encore plus de froid. Le
liquide très froid passe par l’échangeur thermique hiver pour refroidir le bâtiment. La chaleur
retourne dans le sol à travers les pieux géothermiques.
Le second mode est le mode de repos : le fluide provenant des bâtiments passe à travers
l’échangeur thermique hiver, traverse la cuve, repasse dans l’échangeur thermique hiver et
32 Chapitre 1 : Enjeux énergétiques pour le chauffage de bâtiments

retourne dans le bâtiment. Dans ce mode, les pieux et la PAC ne sont pas utilisés. Ce mode
permet d’équilibrer la température du bâtiment et de la cuve dans le cas où il ne serait pas
nécessaire de chauffer ou de refroidir le bâtiment.
Le troisième mode est le mode de chauffage : le fluide extrait la chaleur des pieux, traverse
la cuve, et est réchauffé encore plus par la PAC avant d’être envoyé vers les échangeurs
thermiques pour réchauffer le fluide qui réchauffera les bâtiments. Dans ces mêmes travaux, un
algorithme de décision permet l’enclenchement des différents modes, selon les températures et
les états précédents. Ces règles de contrôle utilisées reposent sur de simples « Tout-Ou-Rien ».
Le système de contrôle étant divisé en 4 groupes, les échangeurs de chaleur été et hiver,
le système de mode opératoire, la pompe à chaleur et la machine de refroidissement qui
possèdent chacun leurs propres contrôleurs. Par exemple, pour ce qui est du contrôle de la
PAC les règles de contrôle utilisées sont présentées sur la Figure 1.23.

Figure 1.23 – Exemple d’algorithme de contrôle utilisé pour la PAC

Des simulations sont alors faı̂tes pour étudier le système d’un point de vue énergétique sur
une année et sur un jour en avril où sont réalisés des essais en faisant varier les paramètres
du système.
Ce projet a notamment permis au LASEN (LAboratory of ENergy Systems) de l’EPFL
(Ecole Polytechnique Fédérale de Lausanne) de développer le logiciel PILESIM grâce au
logiciel TRNSYS [76, 77, 78]. PILESIM a permis de modéliser et de simuler un ensemble de
1.4 Solaire thermique et géothermie avec stockage saisonnier de la chaleur pour le chauffage de
bâtiments 33

pieux ou sondes géothermiques, dans différents types de terrains, avec un circuit de chauffage
et refroidissement utilisant des pompes à chaleur et des machines frigorifiques (Figure 1.24).
Le logiciel nécessite de connaı̂tre les besoins en chauffage et en climatisation du bâtiment.

Figure 1.24 – Représentation schématique du système d’échangeur de chaleur par pieux simulé
par la programme PILESIM (encadré en pointillés)

Enfin, pour achever cette succincte étude bibliographique concernant le stockage diffusif de
la chaleur dans le sol, il est important de présenter quelques études réalisées sur la faisabilité
technico-économique, du dimensionnement de ce type de procédés et des recommandations
nécessaires à leur bon fonctionnement.
Pour ce qui est du bon fonctionnement d’une telle installation et connaissant la quantité
d’échangeurs, de forages, ou de pieux géothermiques ainsi que l’aspect réversible ou non de
l’installation, il est nécessaire d’établir une étude sur les besoins en chauffage du bâtiment
permettant ensuite de dimensionner au mieux un système comme la pompe à chaleur et éviter
ainsi que le sous-sol ne puisse geler et entraı̂ner de graves défaillances au système de chauffage.
Une étude de faisabilité technique et économique et sur le dimensionnement, l’installation et
l’utilisation de pieux échangeurs a notamment été réalisée pour répondre à une partie des
besoins énergétiques du quartier nord de l’EPFL [15].
Également, on trouve des travaux de dimensionnement de sondes géothermiques, avec
stockage en sous-sol de l’énergie et utilisation d’une pompe à chaleur. Le projet Wollereau
consiste, à ce propos, à dimensionner une installation comprenant 36 sondes géothermiques
et une pompe à chaleur réversible en machine frigorifique (Figure 1.25).
Au cours de ce projet, une campagne de mesure de deux ans a été réalisée pour calibrer un
modèle de simulation construit avec le logiciel TRNSYS. Le système possède différents modes
de fonctionnement différents, en chauffage seul, en refroidissement direct (sans la machine
frigorifique), en chauffage et refroidissement direct combiné, et en refroidissement avec la
machine à chaleur. L’étude de plusieurs scénarios montre les parts transitoires qu’occupent le
34 Chapitre 1 : Enjeux énergétiques pour le chauffage de bâtiments

Figure 1.25 – Installation géothermique pour le stockage de chaleur utilisant une PAC
réversible

refroidissement direct et le refroidissement avec machine frigorifique sur le refroidissement

total, certains scénarios permettant de se passer de machine frigorifique au bout d’un certain
nombre d’années.
Comme nous venons de le montrer une étude sur le dimensionnement des machines
électriques en fonction du nombre de sondes ou de pieux géothermiques est une étape
importante pour le bon fonctionnement des installations basées sur le stockage saisonnier de
l’énergie. Cependant, la première étape consiste à dimensionner correctement le système de
captage de chaleur [15] (sondes ou pieux géothermiques).
L’ensemble des systèmes de stockage de chaleur dans le sous-sol (en aquifère ou diffusif)
dont nous venons d’établir un bref aperçu, ne fait pas appel à l’énergie solaire. Dans la partie
suivante, nous présentons d’autres manières de stocker la chaleur notamment en associant le
solaire à la géothermie pour le chauffage des bâtiments.

1.4.3 Solaire et géothermie associés avec stockage de chaleur

Une voie complémentaire à celles présentées précédemment est le mix énergétique des deux
solutions, à savoir, le solaire couplé à la géothermie en utilisant le sous-sol comme zone de
stockage de chaleur. Il existe deux types de stockage possibles pour ce procédé, le stockage
aquifère et le stockage diffusif (le plus souvent rencontré).
1.4 Solaire thermique et géothermie avec stockage saisonnier de la chaleur pour le chauffage de
bâtiments 35

Le projet de Suva (caisse d’assurance des accidents du travail) de Root en Suisse [1],
comprend une couverture de panneaux solaires ainsi que des sondes géothermiques assurant
le stockage/déstockage de la chaleur en profondeur dans le sol, grâce à une pompe à chaleur.
Ce système permet d’assurer 50% des besoins de chaleur et de froid du bâtiment.
Un projet industriel développé par la société Ventilone [3, 9] est présenté comme réalisant
l’étude et la supervision des installations de systèmes de stockage diffusif de chaleur et
souterrains qui combinent le solaire (panneaux solaires) et la géothermie (pieux géothermiques).
En été l’énergie issue des capteurs solaires thermiques et l’énergie extraite du bâtiment en
mode rafraı̂chissement sont injectées dans la zone de stockage. En hiver, l’énergie issue des
capteurs solaires thermiques est directement transmise au bâtiment, le complément d’énergie
pour chauffer le bâtiment est puisé dans la zone de stockage. L’expertise de cette entreprise est
novatrice, puisqu’elle propose, en plus, un système de gestion optimal du stockage/déstockage
de la chaleur, breveté sous le terme « Integrated Borehole Systems » (IBS). Le stockage de
la chaleur est réparti dans de nombreux pieux géothermiques dont la gestion énergétique
est pilotée de façon individuelle pour assurer une gestion optimale de l’ensemble de l’énergie
stockée. De plus, ce système assure un équilibre énergétique annuel. Le COP (COefficient
de Performance) annuel annoncé est supérieur à 5. Le principe du système d’optimisation
breveté IBS est présenté (été et hiver) sur la Figure 1.26.

Figure 1.26 – Schéma de principe d’optimisation du système IBS [9]

Toute source de chaleur, traditionnellement perdue, peut être couplée à la zone de stockage
géothermique. La première est le bâtiment lui-même : soumis aux cycles saisonniers, il se
transforme en capteur de chaleur l’été et en capteur de fraı̂cheur l’hiver, à condition que
son système de distribution thermique le lui permette. La chaleur provenant de groupes
de froid industriels, ou dégagée par des appareils électriques ou thermiques peut également
être valorisée alors qu’elle n’est souvent que dissipée dans l’atmosphère. Enfin, lorsque le
bâtiment ne « produit » pas assez de chaleur, l’utilisation de panneaux solaires thermiques
peut s’avérer utile.
Un travail de recherche sur une simple habitation a été menée en France, en Savoie, il
36 Chapitre 1 : Enjeux énergétiques pour le chauffage de bâtiments

s’agit du projet GEOSEOL. C’est une étude portant sur la combinaison de panneaux solaires
et d’un puits géothermique vertical à basse énergie pour le chauffage et le rafraı̂chissement par
plancher chauffant d’une maison de 180 m2 [100]. Le système comporte un forage géothermique
qui, relié à une pompe à chaleur, permet de chauffer le bâtiment et de produire l’eau chaude
sanitaire nécessaire. Des panneaux solaires reliés au réseau de chauffage permettent de couvrir
une partie des besoins énergétiques. Le surplus d’énergie solaire est réinjecté dans le puits
géothermique pour compenser, en partie, les pertes liées à la chaleur puisée dans le sol. Sur
une année complète, 34% de l’énergie puisée dans le sol est réinjectée grâce aux panneaux
solaires [99].
Le schéma de fonctionnement du projet GEOSOL est donné par la Figure 1.27.

Figure 1.27 – Schéma du procédé GEOSOL [97]

Suivant les ressources disponibles, les besoins et les paramètres environnementaux, le

système se positionne sur un type de configuration donné (CFG), numéroté de 0 à 7. Ces
configurations ont été préétablies et sont présentées dans le Tableau 1.3. L’eau chaude
sanitaire est toujours prévue, mais à cela, vient s’ajouter en parallèle, l’utilisation du plancher
chauffant et/ou la recharge du sol et/ou l’approvisionnement du ballon d’appoint. À chaque
« CONFIGURATION » est associée une configuration de vannes, circulateurs et autres
actionneurs qui repose sur des différentiels de températures. On note alors que le contrôle des
différents éléments du système n’est réalisé qu’à partir de simples régulateurs TOR.
1.4 Solaire thermique et géothermie avec stockage saisonnier de la chaleur pour le chauffage de
bâtiments 37

CFG CONFIGURATION de l’installation

0 Eau chaude solaire
1 Eau chaude solaire + P.S.D. (Plancher Solaire Direct)
2 Eau chaude solaire + Recharge thermique du sol
3 Eau chaude solaire + P.S.D. + Recharge thermique du sol
4 Eau chaude solaire + Ballon d’appoint
5 Eau chaude solaire + P.S.D. + Ballon d’appoint
6 Eau chaude solaire + Recharge thermique du sol + Ballon d’appoint
7 Eau chaude solaire + Recharge thermique du sol + P.S.D. + Ballon d’appoint

Tableau 1.3 – Valeurs du paramètre CFG en fonction de la configuration de l’installation

Conclusion du chapitre
Les problématiques énergétiques et environnementales actuelles amènent inévitablement à
l’intégration des sources à énergie renouvelable, dans l’ensemble de la chaı̂ne économique,
écologique et industrielle. Le travail de recherche qui m’a été attribué, est la réalisation,
le suivi et le contrôle d’un procédé de mix énergétique (solaire/géothermie), à destination
du chauffage de bâtiment de type tertiaire et/ou de maisons individuelles. Sur l’ensemble
des installations qui ont été réalisées, jusqu’à maintenant, la partie contrôle a été rarement
étudiée en détail. Afin de réaliser cette tâche, nous avons eu l’opportunité de travailler sur
deux installations de mix énergétique. Dans le chapitre suivant, nous présenterons ces deux
installations et nous établirons un bilan énergétique d’un procédé de stockage et de déstockage
de la chaleur produite par une installation solaire. Cette étude servira de travail préliminaire
aux chapitres 3 et 4 dans lesquels il sera question de la gestion optimale de ce type de
procédés.
Chapitre 2

Étude de procédés énergétiques

hybrides solaire/géothermie

Introduction

D ans ce chapitre, nous étudions le comportement énergétique de procédés de stockage et

de déstockage, dans un massif rocheux, de la chaleur produite par des panneaux solaires
thermiques. Cette étude s’articule autour de deux installations expérimentales hybrides
solaire/géothermie sur lesquelles le laboratoire PROMES s’est grandement impliqué. Ces
installations font partie de deux projets différents, tant dans leurs objectifs que dans leurs
financements et les partenaires entrant en jeu. L’objectif de cette analyse énergétique est
d’établir un bilan permettant de mieux appréhender, par la suite, la phase d’optimisation de la
gestion de l’extraction et de l’injection de chaleur dans le sous-sol, via des stratégies de contrôle
adaptées. Ces dernières reposant naturellement sur une modélisation du comportement du
système, la plus fidèle possible.
Pour mieux comprendre les différences entre ces deux projets, nous détaillerons, dans une
première partie, les objectifs de chacun d’eux et nous établirons leur description physique.
Dans une seconde partie, nous décrirons les dispositifs de mesures mis en place sur chaque
site expérimental afin de collecter l’ensemble des données nécessaires à l’étude énergétique du
procédé. Nous décrirons alors l’ensemble des paramètres physiques mesurés et la manière dont
l’information est traitée (position, stockage, transfert, affichage, accès). Enfin, la troisième
partie de ce chapitre, consacrée à l’étude énergétique de l’une des installations, permettra de
dresser un bilan sur les efficacités et les pertes dans chacune des composantes du système
et de déterminer ainsi les améliorations à lui apporter lors de la phase de contrôle, détaillée
dans le chapitre 4.
2.1 Projets GÉOHELIOS et SOLARGÉOTHERM 41

2.1 Projets GÉOHELIOS et SOLARGÉOTHERM

Les travaux de recherche réalisés sont issus de deux installations expérimentales ayant vu
le jour, du moins en partie, grâce au laboratoire PROMES. Néanmoins, ces deux projets
comportent certaines différences tant dans les financements que dans leurs objectifs et les
partenaires entrant en jeu.

2.1.1 Partenaires et financements

Tout d’abord, le projet GÉOHELIOS a vu le jour en 2006 par la rénovation d’une maison
individuelle du sud de la France située en altitude (1500 m) à Saint-Pierre dels Forcats dans les
Pyrénées Orientales (Figure 2.1). Ce projet a été financé par la région Languedoc Roussillon
et Antoine Dominguez (industriel spécialiste en géothermie dans le département des Pyrénées
orientales) y a joué un rôle essentiel, puisque c’est de lui qu’est venue l’idée originale de
réaliser un stockage de chaleur dans des puits géothermiques. De plus, c’est son entreprise
Dominguez Énergie (Argelès/mer, Pyrénées Orientales), qui a installé le champ solaire et
l’ensemble des connexions hydrauliques de l’installation.

Figure 2.1 – Site expérimental du projet GÉOHELIOS

Le second projet (Figure 2.2), utilisé pour la réalisation de cette étude est SOLARGÉO-
THERM et est implanté dans une carrière de schiste à Montauriol (Pyrénées Orientales). Ce
projet est par ailleurs intitulé : « Stockage et déstockage supervisés dans un massif rocheux
de l’énergie thermique produite par une installation solaire ». Il a débuté le 1er décembre
2008 et est, quant à lui, financé par l’agence nationale de la recherche (ANR) dans le cadre du
programme Stock-E lié au stockage innovant de l’énergie. Il associe le laboratoire PROMES,
au Bureau de Recherches Géologiques et Minières (BRGM), ainsi qu’à l’entreprise Dominguez
Énergie, à nouveau représentée.
42 Chapitre 2 : Étude de procédés énergétiques hybrides solaire/géothermie

Figure 2.2 – Site expérimental du projet SOLARGÉOTHERM

2.1.2 Les différents objectifs

Les deux installations hybrides « solaire/géothermie » sont très proches dans leur schéma
de principe (Figure 2.3) : de la chaleur produite par un champ solaire est stockée par des
forages jusqu’à son utilisation. Cependant, comme nous allons le voir dans la description
physique et technique, des petites différences notables entre les deux procédés font que les
objectifs ne sont pas les mêmes et présentent de plus l’avantage d’être complémentaires.

 123456
123456
789A!B"!9C##9A
789AAB9CDEF9BF
$%"!B

1356
78CFEBCBF

Figure 2.3 – Schéma de principe des installations

Concernant l’installation de Saint-Pierre dels Forcats, le sol est composé principalement

de roche graniteuse avec une présence d’eau statique aux environs de 15 m de profondeur. Il
s’agit d’une information importante car la circulation d’eau dans le forage pourrait favoriser le
« lessivage » des calories transmises au sous-sol et ainsi compromettre le stockage de chaleur
souhaité.
L’objectif de cette installation repose sur l’optimisation de la gestion du stockage et du
déstockage de la chaleur tout en assurant le confort et les besoins de chauffage des habitants.
2.2 Description physique et technique des installations 43

Il s’agit par conséquent de minimiser la consommation électrique liée au fonctionnement des

appareils électriques (PAC, pompes et périphériques) et donc les coûts financiers.
Par ailleurs, l’installation de Montauriol (Pyrénées Orientales) issue du projet SOLAR-
GÉOTHERM, est une installation pilote, comprenant un champ solaire de 42 m2 , 3 forages
de 200 m de profondeur et un aérotherme jouant le rôle de dissipateur de chaleur. Elle se
situe dans une carrière de schiste car il était nécessaire d’établir un forage en dehors de
tout aquifère afin d’éviter, ici également, qu’une dissipation excessive de la chaleur vienne
compromettre le stockage désiré. L’ensemble du circuit hydraulique parcourant les trois
forages et les panneaux solaires est commandé par des électrovannes qui permettent de
modifier la structure hydraulique générale du système et plus particulièrement des 3 forages.
L’objectif de ce procédé, qui permet de modifier à la fois le nombre de forage requis et la
structure série ou parallèle de ces derniers, est de tester ces différentes configurations, d’en
étudier le comportement thermique et énergétique et in fine d’en établir des règles de contrôle
optimisées.
En résumé, le projet GÉOHELIOS (Saint-Pierre dels Forcats), axé sur une configuration
classique de chauffage chez un particulier, permet l’étude de l’optimisation de la gestion de
la demande et de l’apport de chaleur alors que le projet SOLARGÉOTHERM (Montauriol)
permet d’étudier l’optimisation de la commande du circuit hydraulique des forages via ses
différentes configurations.

2.2 Description physique et technique des installations

2.2.1 GÉOHELIOS
[Link] Dimensionnement de l’installation

L’installation de Saint-Pierre dels Forcats s’étant construite sur plusieurs mois, lors du
dimensionnement des puits géothermiques, le champ solaire n’était pas encore présent ni
même prévu. La longueur du forage estimée à cette époque reposait donc simplement sur
la surface de plancher chauffant et le type de sous-sol présent. D’après les informations des
spécialistes, l’extraction de chaleur spécifique d’un sous-sol constitué de granit est d’environ
Cs = 70 W/ml [11]. Or, les besoins en chauffage des habitants pour une telle surface sont
de l’ordre de 15 kW. Par conséquent, en déterminant la puissance devant être extraite du
sous-sol Pf roid , on est capable de déterminer la longueur Lf nécessaire des forages.
Cette puissance se calcule [11] en utilisant le Coefficient de Performance de la pompe à
chaleur, que nous définirons plus tard dans cette section. On obtient ainsi l’équation (2.1).

Pf roid = Pth −
Pth
(2.1)
CoP
44 Chapitre 2 : Étude de procédés énergétiques hybrides solaire/géothermie

Avec Pth = 15050W [13] et une moyenne de CoP donnée par le constructeur de 3,85 on
obtient :

Pf roid = 11 140 W (2.2)

Avec cette valeur de Pf roid on obtient la longueur de forage Lf par(2.3).

Lf =
Pf roid
(2.3)
Cs
Soit :

Lf = 159 m (2.4)

À l’époque, ce sont finalement 200 m qui ont été forés sur deux puits de 100 m. Mais
aujourd’hui avec l’apport complémentaire du champ solaire, les habitants ne font plus appel
qu’à un forage, ce qui est suffisant d’après leurs dires, d’autant plus que le solaire vient
recharger thermiquement le sous-sol. Le dimensionnement du champ solaire dans ce type de
procédé hybride ne pouvant s’appuyer sur aucune règle définie, c’est Antoine Dominguez, qui
a estimé une surface de champ d’environ 20 m2 , en utilisant son expérience et son expertise
dans le domaine.

[Link] Circuits hydrauliques de l’installation et leurs interconnexions

Maintenant que le dimensionnement du procédé hybride a été détaillé, analysons d’un

point de vue hydraulique, ses différentes composantes.
L’installation est constituée de quatre circuits indépendants (Figure 2.4) répartis en deux
systèmes : (i) le système d’injection de chaleur et (ii) celui d’extraction. Un premier circuit
permet tout d’abord de transférer la chaleur collectée par le champ solaire à un échangeur de
chaleur. Un second assure la liaison entre ce même échangeur de chaleur et le forage dans
lequel les calories reçues du premier circuit sont injectées pour y être stockées. Le forage
agissant comme une zone tampon de chaleur, un troisième circuit vient extraire cette énergie
thermique à l’aide de la PAC qui restitue alors cette chaleur dans un quatrième et dernier
circuit constitué par le plancher chauffant.
Pour faire circuler le fluide caloporteur (monopropylène glycol à 40%) dans le système
d’injection, deux pompes (Pompe 1 et Pompe 2, ref. Wilo, Star-RS 25/6 130 mm) sont installées
(une dans chaque circuit). Il est à noter que lorsqu’elles sont activées, elles fonctionnent à
puissance constante et par conséquent à débit constant. De plus, le fluide caloporteur présent
dans le système d’extraction circule uniquement lorsque la PAC est activée, ce qui dépend
nécessairement de la température des pièces dans la maison et du confort requis par ses
habitants.
2.2 Description physique et technique des installations 45

1
1ABB5AF629AE5
CDAB5FE 12345678 19ABCD5E
D5E3F5 1234567
1234568
D5E3F5 1AA39 6CDAFAB
71872397 123456
111111111111 1123456537 111111111111111111111111111111111189A53B

123456789AB4CD2EFB82E4CB4B 1223456789AB4CDB882E4CB4B

Figure 2.4 – Schéma de l’installation

Comme nous venons de l’énoncer, bien que les systèmes d’injection et d’extraction soient
indépendants, on les retrouve tous deux dans le forage (utilisé), où ils constituent un échangeur
de chaleur sur toute la longueur. Les 4 sondes présentes sont placées dans de la bentonite
(matériau homogène à base d’argile) ayant servi à colmater le forage et assurant ainsi à la
fois un contact thermique et mécanique (sa conductivité thermique varie généralement de
0,5 à 2 W.m−1 .K −1 [42]). La Figure 2.5 présente, par une coupe transversale du forage, la
configuration des 4 tuyaux correspondant aux 2 allers et retours des systèmes d’injection et
d’extraction de l’installation hybride.
Ce procédé présente néanmoins l’inconvénient de ne pas permettre le chauffage de l’ha-
bitation directement en utilisant la chaleur produite par les panneaux solaires thermiques.
L’idée générale pour ce procédé hybride réside donc dans l’amélioration du coefficient de
performance de la pompe à chaleur en « dopant » le sous-sol à l’aide de la chaleur collectée
par le champ solaire.

Figure 2.5 – Disposition des circuits hydrauliques dans un forage

[Link] Champ solaire

[Link].1 Caractéristiques physiques et thermiques

Le champ solaire est composé de dix panneaux solaires thermiques, disposés sur deux
rangées de cinq, mises en parallèle (Figure 2.6).
46 Chapitre 2 : Étude de procédés énergétiques hybrides solaire/géothermie

Figure 2.6 – Configuration des panneaux solaires thermiques

La surface totale du champ est de 21,25 m2 et les caractéristiques thermiques, données par
le constructeur [83] nous informent sur les coefficients de perte thermique à l’ordre 1 (noté
a1 ) et à l’ordre 2 (noté a2 ) ainsi que sur le coefficient optique η0 . Ces coefficients, permettant
d’estimer au mieux la puissance thermique que peut produire le champ solaire, nous donnent :

a1 = 3,06 Wm−2 K−1 (2.5)

a2 = 0,019 Wm−2 K−2 (2.6)

et

η0 = 0, 73 (2.7)

[Link].2 Principe de fonctionnement

Comme nous l’avons vu précédemment, la circulation du fluide caloporteur dans le système
d’injection se fait à l’aide des pompes 1 et 2. Ces pompes, lorsqu’elles sont en marche,
fonctionnent toujours simultanément suivant une règle de tout-ou-rien (Figure 2.7) s’appuyant
sur un delta de température (∆Tpompes ) entre le fluide en sortie directe du champ solaire et
‰
en retour de forage. Ainsi, lorsque ce delta de température est supérieur à 7 , les pompes
‰
sont en fonctionnement, s’il se trouve être inférieur à 4 , les pompes sont à l’arrêt, dans les
cas restants, les pompes conservent leur état précédent.
2.2 Description physique et technique des installations 47

F878A2A4342ABE
45

466

1222222222222222222222222222222223 789AB9CD
12345678962ABCDE

Figure 2.7 – Régulateur TOR des pompes du système d’injection de chaleur

[Link] Pompe à chaleur

[Link].1 Principe de fonctionnement

Avant de dresser les caractéristiques thermiques de la pompe à chaleur utilisée sur le site
de Saint-Pierre dels Forcats, nous présentons ou rappelons ici son principe de fonctionnement.
Une pompe à chaleur est une machine thermodynamique constituée d’un circuit fermé dans
lequel circule un fluide de travail (fluide frigorigène). Ce circuit est composé de quatre éléments
principaux : un compresseur, un détendeur et deux échangeurs de chaleur (le condenseur et
l’évaporateur). Le principe de cette machine thermodynamique est de transférer l’énergie d’un
milieu froid (source froide) à un milieu chaud (source chaude) et se caractérise par ce qu’on
appelle le coefficient de performance (CoP) que nous définirons lors du bilan énergétique de
l’installation. Généralement, les PAC sont pour la plupart réversibles, c’est-à-dire qu’elles
peuvent prélever de la chaleur dans un bâtiment, et donc le rafraı̂chir, et rejeter cette chaleur à
l’extérieur. Dans le cadre de notre étude, la PAC utilisée par les résidents n’est pas réversible,
ce qui s’avère être un choix judicieux en raison de la localisation en haute altitude du site et
donc des faibles besoins en climatisation l’été.
Le fluide frigorigène circulant dans ce circuit fermé parcourt un cycle composé de quatre
étapes (Figure 2.8) durant lesquelles il change d’état (liquide ou vapeur), de température et
de pression [75].
Tout d’abord, la phase de compression (P1), permet au fluide frigorigène, alors à l’état
vapeur, d’augmenter sa pression. Cette compression permet par ailleurs de faire circuler le
fluide frigorigène dans le circuit fermé.
Lors de la phase de condensation (P2), le fluide frigorigène, à l’état vapeur et à haute
pression, cède son énergie thermique et permet ainsi la condensation du fluide frigorigène
qui passe alors à l’état liquide. L’énergie récupérée par le condenseur est utilisée pour la
production de chaleur à l’intérieur du bâtiment (dans notre cas pour le plancher chauffant).
Le fluide frigorigène à l’état liquide et à haute pression traverse alors le détendeur, et voit
48 Chapitre 2 : Étude de procédés énergétiques hybrides solaire/géothermie

88C634 88C634
!8DD6C46DD2 A2BC46DD634 "836C46DD2
EF
123456 123456
4296 8C248634 A45364B A296D634 578396
EF 865396 EF
64658C6 424 6 646596
$ $
8C2482 A296D8293
93396 8#396
69634 8#396 396
EF
!8DD6C46DD2 "836C46DD2

Figure 2.8 – Principe de fonctionnement d’une pompe à chaleur [13]

sa pression ainsi que sa température diminuer, c’est la phase de la détente (P3). De plus, le
débit de fluide frigorigène qui parcourt le circuit fermé peut être réglé par le détendeur. À la
sortie de ce dernier, le fluide frigorigène est à l’état liquide et à basse pression.
La phase d’évaporation (P4) du fluide frigorigène (liquide à basse température) permet
alors de capter l’énergie thermique (dans notre cas elle provient du sous-sol). Cette chaleur
prélevée permet au fluide de se vaporiser et un nouveau cycle peut alors débuter.

[Link].2 Règles de mise en marche de la pompe à chaleur

La pompe à chaleur utilisée (Atlantis 14T [71]) permet d’apporter la puissance thermique
nécessaire au maintien de la température dans les différentes pièces, via le plancher chauffant
installé dans toute la maison. La température de consigne Tconsigne , choisie par les habitants,
‰
est de 23 en hiver. Bien entendu, nous ne nous sommes pas permis d’interférer en aucune
manière que ce soit sur leur besoin ou confort lié au chauffage de leur maison. Par conséquent
les études de bilans énergétiques ou les simulations ont été réalisées avec cette valeur de
Tconsigne . L’enclenchement de la PAC se fait donc en fonction de la température de consigne
mais également de la température extérieure. En effet, le générateur est équipé d’une régulation
qui gère la partie hydraulique et limite la température de retour d’eau en fonction de la
température extérieure. Plus la température extérieure baisse, plus la température du retour
d’eau va augmenter (au maximum 33 ). ‰
Le système de régulation dispose de 4 sondes de température :
– une sonde extérieure,
– une sonde de retour d’eau condenseur,
– une sonde de départ d’eau condenseur,
– une sonde utilisée pour le retour d’eau plancher chauffant.
La régulation gère, en fonction des consignes ou des défauts des différents éléments suivants :
– le démarrage du compresseur (avec 6 démarrages au maximum par heure),
– le démarrage des circulateurs.
2.2 Description physique et technique des installations 49

Au-delà de la connaissance des variables utilisées pour réguler la température de la maison,

les règles de régulation utilisées ne sont pas fournies par le constructeur. Cela s’explique par
le fait que les industriels maintiennent « secret » leurs algorithmes qui sont généralement
programmés de façon définitive, avant la connaissance même du site sur lequel ils vont être
appliqués. Ainsi, il nous sera nécessaire de retrouver ces règles par nos propres moyens
(données collectées, connaissances humaines et expertes) afin d’assurer la modélisation de la
pompe à chaleur qui est un des éléments essentiels du système global de l’installation. Les
données nécessaires, lors des chapitres 3 et 4, sont présentés dans la section suivante de même
que le système de monitoring permettant leur acquisition.

2.2.2 SOLARGÉOTHERM
Comme pour le Projet GÉOHELIOS de Saint-Pierre dels Forcats, le procédé SOLARGÉO-
THERM est constitué de deux principales composantes hydrauliques : la partie injection
de chaleur et la partie permettant son extraction. Les différences notables résident dans le
fait qu’il ne s’agit en fait que d’un seul et même circuit hydraulique dans lequel circule de
l’eau (pure). Par ailleurs, la surface du champ solaire est plus importante, 42 m2 . De plus, un
aérotherme est installé sous l’un des capteurs du champ solaire et joue le rôle de dissipateur
de chaleur, dont l’objectif est de simuler la décharge thermique, liée à la consommation
thermique d’une habitation. Enfin, 3 forages d’environ 200 m de profondeur constituent la
zone tampon (injection/extraction).

[Link] Champ solaire

Le champ solaire (Figure 2.9) est réparti sur six rangées de panneaux. On compte 3 rangées
de 4 capteurs et 3 rangées de 3. Cette configuration a été décidée en concertation avec les
différents partenaires du projet et en se référant à certaines recommandations du domaine [44].

Figure 2.9 – Configuration du champ solaire de SOLARGÉOTHERM

50 Chapitre 2 : Étude de procédés énergétiques hybrides solaire/géothermie

Son fonctionnement est simple, lorsque la température de sortie d’un des panneaux (nous
‰
verrons lequel plus loin) est supérieure à 30 , les pompes de circulation se mettent en marche
et la chaleur issue de tout le champ est envoyée dans le sous-sol, tout cela dans un seul et
même circuit fermé.

[Link] Forages

Le sous-sol présente deux particularités comparativement à celui du site de Saint-Pierre

dels Forcats. Tout d’abord, le sous-sol de Montauriol est constitué de schiste qui est une
roche possédant un aspect feuilleté. D’autre part, la géométrie et la profondeur des forages
sont différentes. Trois forages A, B et C d’environ 200 m sont disposés en triangle et espacés
de 5 m les uns des autres, comme le montre la Figure 2.10. Le choix de cette distance entre
les sondes géothermiques (par des études de simulation réalisées sous le logiciel COMSOL)
est expliqué plus en détail dans les travaux [56, 43]. Trois autres forages de seulement 20 m
de profondeur servent à réaliser un suivi de température supplémentaire, nous y viendrons
dans la partie suivante.

Figure 2.10 – Géométrie des forages (vus du dessus)

[Link] Aérotherme : dry-cooler

Comme nous venons de le voir, le sous-sol peut recevoir la chaleur injectée par le champ
solaire mais il peut également déstocker cette chaleur via l’aérotherme (Figure 2.11) alimenté
en 230 V et dont la puissance totale de refroidissement est comprise entre 2840 W et 4190 W
[17].
L’appareil est prévu pour ne dissiper la chaleur que durant les nuits. Ainsi, le système est
conçu pour fonctionner sur trois types de configurations :
– Le procédé est en mode injection : le champ solaire injecte la chaleur produite dans le
sous-sol pour la stocker,
– le procédé est en mode extraction : la chaleur du sous-sol est extraite par le dry-cooler
et dissipée dans l’atmosphère,
2.3 Système de monitoring et données collectées 51

Figure 2.11 – Aérotherme en parallèle du champ solaire

– le système est à l’arrêt : les modes d’injection et d’extraction ne sont pas valides.

2.3 Système de monitoring et données collectées

L’objectif du système de monitoring, mis en place par le laboratoire est de collecter
l’ensemble des données nécessaires à la conception et au développement des modèles des
installations (qu’il s’agisse de celle de Saint-Pierre ou de Montauriol). Par ailleurs, il doit
permettre, ensuite, d’en assurer un fonctionnement optimal en envoyant des ordres de
commande à différents actionneurs.
Dans cette partie, nous allons, d’une part, présenter et définir les variables dont nous avons
besoin (température, ensoleillement, courant...) sur chacune des deux installations, puis nous
définirons les types de capteurs et actionneurs utilisés. Nous présenterons ensuite quelques
exemples de relevés expérimentaux, la manière dont toutes ces informations sont stockées et
traitées et enfin nous dresserons un bilan énergétique de l’installation GÉOHELIOS.

2.3.1 Métrologie et capteurs/actionneurs

[Link] Données de GÉOHELIOS

Le choix des variables à mesurer sur le site de Saint-Pierre dels Forcats, vient de notre
volonté de connaı̂tre les variables clés de chaque sous-système de l’installation. Ainsi, le bilan
énergétique pourra être présenté de façon globale, mais également par sous-système. De
plus, la modélisation pourra être réalisée par sous-système également, ce qui, naturellement,
permettra un contrôle plus précis.
52 Chapitre 2 : Étude de procédés énergétiques hybrides solaire/géothermie

Les variables choisies et leur positionnement sur le système sont présentés sur le schéma
de la Figure 2.12 et le Tableau 2.1 donne la définition de chacune d’entre elles.

Figure 2.12 – Instrumentation de l’installation

On compte donc au total :

– 13× capteurs numériques de température,
– 2× capteurs analogiques de température,
– 2× capteurs de courant, et
– 1× capteur d’ensoleillement.

Chaque type de capteur est détaillé un peu plus loin dans cette partie.
Outre la connaissance de ces variables, il est nécessaire de disposer de l’ensemble des débits
de l’installation. Pour cela, nous avons utilisé un débitmètre à ultrasons non intrusif [67].
Cela était possible car toutes les pompes ou circulateurs agissant à puissance constante les
débits dans chaque circuit sont, par conséquent, constants eux aussi. Les mesures ont été
réalisées toutes les 10 s durant 2 minutes afin de s’assurer d’être en régime permanent et donc
d’avoir un débit constant (puissances des pompes constantes). Les débits volumiques relevés
sur l’ensemble des circuits du site expérimental sont donnés par le Tableau 2.2.

[Link] Capteurs du projet GÉOHELIOS

[Link].1 Capteurs numériques

La majorité des capteurs de température employés sont des capteurs numériques. Il
s’agit particulièrement du DS18S20 (Figure 2.13), fournissant directement une mesure en
degré celcius sur 9 bits évitant ainsi les questions d’étalonnage. Ce capteur de température
communique grâce à un bus 1-Wire® qui, par définition, ne nécessite qu’un seul fil de
données (et la terre), pour une communication avec un microprocesseur central. Sa plage de
‰ ‰ ‰
température de fonctionnement va de −55 à 125 et est précis à ± 0,5 sur la plage de
2.3 Système de monitoring et données collectées 53

Nomenclature du champ solaire

IP AC Courant utilisé par la pompe à chaleur A
ICIR Courant utilisé par les circulateurs A
TS(m)/E Température champ solaire vers échangeur thermique ‰
(au niveau du champ solaire)
TS/E(m) Température champ solaire vers échangeur thermique ‰
(au niveau de l’échangeur thermique)
TE(m)/S Température échangeur thermique vers champ solaire ‰
(au niveau de l’échangeur thermique)
TE/G Température échangeur vers forage ‰
TEXT Température extérieure ‰
TG/E Température forage vers échangeur ‰
TG/P Température forage vers pompe à chaleur ‰
TG45 Température du forage à 45 mètres de profondeur ‰
TG90 Température du forage à 90 mètres de profondeur ‰
TIN Température intérieure de la maison ‰
TM /P (m) Température maison vers pompe à chaleur (au niveau de ‰
la PAC)
TM (m)/P Température maison vers pompe à chaleur (au niveau de ‰
la maison)
TP (m)/M Température pompe à chaleur vers maison (au niveau de ‰
la PAC)
TP /M (m) Température pompe à chaleur vers maison (au niveau de ‰
la maison)
TP /G Température pompe à chaleur vers forage ‰
ϕ Déphasage rad
φS Irradiation solaire perçue par le champ solaire W⋅m−2

Tableau 2.1 – Nomenclature du champ solaire

Débits volumiques [m3 ⋅s−1 ]

V̇S/E 3, 32.10−4
V̇E/G 1, 96.10−4
V̇G/P 2, 60.10−4
V̇P /M 2, 37.10−4

Tableau 2.2 – Débits volumiques de l’installation

54 Chapitre 2 : Étude de procédés énergétiques hybrides solaire/géothermie

‰ ‰
−10 à 85 [32]. Cette dernière correspond tout à fait à notre utilisation. Chaque DS18S20
a une adresse unique de 64 bits, qui permet à plusieurs capteurs de fonctionner sur le même
bus 1-Wire® .

Figure 2.13 – Capteur de température 1-wire® DS18S20

[Link].2 Capteurs analogiques

Un capteur d’ensoleillement est installé sur le site, le « Spektron300 » [98]. Il s’agit d’un
capteur silicium capable de mesurer l’irradiation solaire jusqu’à 1500 Wm−2 . Il est positionné
sur un plan parallèle à celui du champ solaire (Figure 2.14).

Figure 2.14 – Capteur d’ensoleillement sur le champ solaire

Deux capteurs de température de type « LM35 » [84] sont également utilisés (pour le
forage en fonctionnement). Il s’agit ici de capteurs qui ne nécessitent pas de calibration
‰
externe et qui permettent d’obtenir une précision de ±0,25 sur une plage de température
‰ ‰
allant de −55 à 150 et de ±0,75 en dehors.
Les consommations électriques des pompes de circulation du système d’injection de chaleur
et de la pompe à chaleur sont mesurées grâce à deux capteurs de courant de type « AC
Current transducer AT-B5 » [65]. Ainsi, non seulement les consommations électriques sont
connues mais les périodes d’activation et d’arrêt également.
2.3 Système de monitoring et données collectées 55

[Link] Capteurs et actionneurs de SOLARGÉOTHERM

[Link].1 Capteurs
Sur le site de Montauriol, le champ solaire a été instrumenté en utilisant le même type
de capteurs, pour les températures du champ et pour l’ensoleillement (bus 1-Wire® et
« Spektron300 »). La particularité du site concernant les capteurs se situe au niveau des
forages. Ces derniers sont équipés d’une fibre optique qui permet de réaliser une mesure de
température tous les mètres. Cette fibre parcourt (aller-retour) l’ensemble des trois forages
profonds A, B et C et des trois forages courts D, E et F (Figure 2.15).

Figure 2.15 – Disposition de la fibre optique dans les forages

Le DTS-RAMAN (Figure 2.16) permet l’acquisition des températures le long de cette fibre
optique. Les données collectées toutes les 15 minutes et tous les mètres sont alors archivées.

Figure 2.16 – Système d’acquisition des températures du sous-sol (DTS)

Chaque température est mesurée deux fois. La Figure 2.17 présente ces relevés expérimen-
taux. On trouve, par ailleurs, autant d’axes de symétrie que de forages.

[Link].2 Actionneurs
Afin de contrôler la configuration hydraulique des trois forages de l’installation, nous avons
56 Chapitre 2 : Étude de procédés énergétiques hybrides solaire/géothermie

Figure 2.17 – Données brutes issues des mesures de température par fibre optique

mis en place un jeu d’électrovannes. Elles doivent permettre de basculer à tout moment et
lorsque nous le voulons sur la configuration la plus efficace. Tout d’abord nous avons choisi
de ne pas limiter les choix de stratégies et de rendre toutes les configurations hydrauliques
possibles. On peut par conséquent disposer d’un, deux ou trois forages, en série ou en parallèle.
La Figure 2.18 présente les circuits hydrauliques des forages A, B et C et les électrovannes
2 voies qui y sont associées (nous avons opté pour des électrovannes 2 voies afin de minimiser
les coûts et de simplifier la stratégie de configuration du type de stockage).
Le Tableau 2.3 synthétise le positionnement des électrovannes liées à la configuration des
forages et décrit leur rôle dans le circuit.
À partir des différents scénarios recherchés nous avons fait correspondre les états de
chaque électrovanne. Ces états sont répertoriés dans le Tableau 2.4. Ainsi, les cases notées
« O » et « F » signifient respectivement que l’électrovanne est ouverte ou fermée. Notons
également que l’ensemble des électrovannes a été choisi en mode N.O (normalement ouverte)
afin d’assurer une évacuation de fluide dans un réservoir de secours permettant ainsi d’éviter
les surchauffes d’eau dans les panneaux lors d’une éventuelle coupure de courant électrique.
En plus de la possibilité de modifier la configuration (série/parallèle) des forages, le choix
du stockage ou déstockage est également possible. Deux électrovannes placées en parallèle du
champ solaire permettent de passer en mode stockage ou déstockage.
Le Tableau 2.5 donne, pour ces deux électrovannes, les configurations nécessaires aux
modes d’injection et d’extraction. Ainsi, pour que l’aérotherme puisse fonctionner il faut que
les deux électrovannes soient fermées. Le fluide ne circule alors que dans les forages et le
dry cooler (mode extraction). À l’inverse, lorsque l’aérotherme de fonctionne pas, les deux
électrovannes sont ouvertes et le fluide peut alors circuler dans le champ solaire et les forages
(mode injection).
2.3 Système de monitoring et données collectées 57

Nom Disposition
Entrée Sortie
Adist Distributeur Entrée Forage A
Ain Entrée Forage A Entrée Forage A
Acoll Sortie Forage A Collecteur
Aout Sortie Forage A Sortie Forage A
Ab Sortie Forage A Entrée Forage B
Bdist Distributeur Entrée Forage B
Bin Entrée Forage B Entrée Forage B
Bcoll Sortie Forage B Collecteur
Bout Sortie Forage B Sortie Forage B
Bc Sortie Forage B Entrée Forage C
Cdist Distributeur Entrée Forage C
Cin Entrée Forage C Entrée Forage C
Ccoll Sortie Forage C Collecteur
Cout Sortie Forage C Sortie Forage C
Ca Sortie Forage C Entrée Forage C
P Sin Collecteur Champ solaire
P Sout Champ solaire Distributeur

Tableau 2.3 – Nomenclature des électrovannes de l’installation

58 Chapitre 2 : Étude de procédés énergétiques hybrides solaire/géothermie

Champ solaire / Dry cooler Forages vers

vers forages Champ solaire / Dry cooler

Distributeur Collecteur
Clapets anti-retour

Adist Acoll Bdist Bcoll Cdist Ccoll

Ab Bc Ca

Ain Aout Bin Bout Cin Cout

A B C

Figure 2.18 – Schéma de configuration des forages et électrovannes

Électrovannes 2 voies - Forages A, B et C

Scénario/vanne Adist Ain Acoll Aout Ab Bdist Bin Bcoll Bout Bc Cdist Cin Ccoll Cout Ca
A, B, C Parallèle O O O O F O O O O F O O O O F
A, B Parallèle O O O O F O O O O F F F F F F
B, C Parallèle F F F F F O O O O F O O O O F
C, A Parallèle O O O O F F F F F F O O O O F
A - O O O O F F F F F F F F F F F
B - F F F F F O O O O F F F F F F
C - F F F F F F F F F F O O O O F
A, B, C Série O O F O O F O F O O F O O O F
A, B Série O O F O O F O O O F F F F F F
B, C Série F F F F F O O F O O F O O O F
C, A Série F O O O F F F F F F O O F O O

Tableau 2.4 – Configuration des électrovannes des forages

Électrovannes 2 voies (Champ solaire/Dry-cooler

Scénario/vanne P Sin P Sout
Stockage énergie O O
Déstockage énergie F F

Tableau 2.5 – Configuration des électrovannes pour le stockage/déstockage

2.3 Système de monitoring et données collectées 59

Champ solaire

Dry-cooler

PSout PSin Clapet anti-retour

Champ solaire / Dry cooler Forages vers

vers forages Champ solaire / Dry cooler

Figure 2.19 – Schéma des électrovannes pour l’injection/extraction de chaleur

2.3.2 Système de monitoring

[Link] Stockage de l’information sur la carte ARM-9

Les 2 installations faisant l’objet de nos travaux sont équipées d’une carte ARM-9 capable
de réaliser l’acquisition et le stockage des données mais également de passer des ordres de
commande à d’éventuels actionneurs. Dans notre cas, nous nous sommes plutôt focalisés sur
la partie acquisition.

[Link].1 Description de la carte

Cette carte illustrée par la Figure 2.20 est la carte du projet GNU Armadeus (carte
de développement APF9328 DevFull) et est basée sur un processeur ARM-9 de la société
Freescale (ex Motorola).
Elle possède les caractéristiques suivantes :

– 8 Mo de mémoire FLASH (Type NOR),

– 16 Mo de SDRAM,
– 1 contrôleur Ethernet 10/100 Mbits Davicom (DM9000),
– 1 convertisseur analogique numérique (CAN) 10 bits Max1027 (8 entrées FIFO, 300ksps,
simples ou différentielles, connectées sur bus SPI 10 MHz, consommation d’environ 700
mW),
– 1 convertisseur numérique analogique (CNA) 10 bits Max5821 (2sorties, sur bus i2C
compatible bus 400 kHz, consommation d’environ 375 mW),
– 1 FPGA Xilinx de type Spartan 3 (200 k portes).
– L’ensemble du système est géré par un système d’exploitation Linux.
60 Chapitre 2 : Étude de procédés énergétiques hybrides solaire/géothermie

Figure 2.20 – Carte APF9328

[Link].2 Installation de la carte

Notre carte Armadeus requiert comme système d’exploitation, Linux, ce qui décompose la
mémoire en trois parties :

– U-boot : son but est d’initialiser tous les modules pour démarrer Linux (équivalent au
Bios).

– Linux : il contient tous les fichiers de configuration et d’autres fichiers nécessaires au

système d’exploitation.

– Application : c’est l’espace réservé à l’utilisateur pour charger ses programmes et fichiers.

[Link].3 Fonctionnement du système

Le fonctionnement global du système de monitoring installé à Saint-Pierre dels Forcats se
compose de quatre blocs principaux.
– L’ensemble des capteurs numériques et analogiques forment le bloc de base de ce système.
– Le bloc processeur, constitué de la carte ARM-9, permet ensuite de collecter les données
numériques et analogiques (en utilisant un convertisseur analogique/numérique) collectées
par le bloc lié aux capteurs et actionneurs.
– Le cœur de contrôle constitué d’un processeur FPGA permet, via un bus SPI, de donner
les ordres du processeur ARM-9, aux actionneurs.
– Enfin, les données présentes dans la carte ARM-9 peuvent être téléchargées par les
utilisateurs via des connexions sécurisées (SSH, SFTP) ou bien directement sur la page
2.3 Système de monitoring et données collectées 61

web prévue. Nous y reviendrons plus loin dans cette section.

Le schéma 2.21 illustre le fonctionnement de ce système de monitoring et les interactions
de chacun des blocs entre eux.
189AB45CD8 8CCD8E3 B546645AB

2264C

2657&C93C'6A545AB
+A4AC85&

1D84B59CA8D645CD8
45CD8
$ 1D84B5
E2FFF2 4B461A0DC 18849A45AB64A8C
45CD8 1 C&%845D8C2841C

E F
345647 12 D!"#A8C
5ABBCD8

 BBC'AB 45CD8 1 C&%845D8C9C63%44B1CD8
%D8A%C BD&%8A0DC 1 C&%845D8C9C64
3%&A8C (22)*2+ , 1 C&%845D8C9C4BBC4D'

64A8C54C8&A0DC
D2 1 C&%845D8CC'5%8ACD8C

1 C&%845D8CAB5%8ACD8

&C(A8DA564A8C,
1

-D89CB58.6C 5ABBCD8 &C9C64

1

8CCD8+/

Figure 2.21 – Schéma du système de monitoring

Le système installé sur le site de Montauriol diffère légèrement, par sa configuration, de

celui de Saint-Pierre dels Forcats. Le processeur ARM-9 récupère d’un côté les données du
capteur analogique via un convertisseur analogique/numérique (CAN), de l’autre, les mesures
des capteurs numériques (températures) sont centralisées sur le terminal. Les deux types
de mesures sont regroupés et envoyés via une connexion internet en Wi-Fi sur le serveur
ELIAUS/SOLARGÉOTHERM.
En interne, nous avons effectué une étude du fonctionnement du cœur ARM-9 et des
périphériques, la partie consommation étant primordiale pour des installations à énergies
renouvelables. Le choix des composants permet d’avoir un système caractérisé par de faibles
consommations tout au long des différentes phases visibles sur la Figure 2.22. On distingue 3
phases de fonctionnement [94, 73, 57] :
1. Démarrage du système (A). Le système attend 30 s pour une commande de configuration
(comme charger un nouveau « firmware » ou changer les paramètres de démarrage),
puis entame le démarrage de l’OS. À ce point, tous les composants sont alimentés
mais sans activité, excepté le processeur ARM-9, la mémoire vive et le port RS232. La
puissance instantanée est de seulement 1,33 W.
2. Démarrage de l’OS (B). La communication s’effectue dans un premier temps uniquement
entre le processeur et la mémoire vive (B1 exécution du noyau Linux), puis entre la
mémoire vive et la mémoire Flash (chargement de tous les logiciels nécessaires : web,
acquisition, ssh etc.). La puissance instantanée augmente à peine de 0,28 W.
3. Fonctionnement (C) : Le processeur est à 90% de son temps inactif lors de la troisième
phase. Les 10% du temps restant, il récupère les données des différents capteurs, les
sauvegarde et les transfère (A1, A2 et A3).
62 Chapitre 2 : Étude de procédés énergétiques hybrides solaire/géothermie

571
22222222222
22222222222 82 84
22222222222
511
22222222222 14

5671
22222222222 12 1
22222222222
471
22222222222
22222222222
22222222222
2EBF

411
22222222222
22222222222
22222222222
371
22222222222

4 671
22222222222
22222222222
2A671

311
22222222222
22222222222
22222222222
71
22222222222
22222222222
22222222222 1 8 9
1
22222222222
22222222222
22222222222
71
2222222222
122222222222222222222222222222222231222222222222222222222222222222224122222222222222222222222222222222512222222222222222222222222222222261222222222222222222222222222222222712222222222222222222222222222222281
2222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222229ABCD2EDF

Figure 2.22 – Fonctionnement du cœur du système d’acquisition

Le système développé au laboratoire se distingue, au niveau logiciel, des versions indus-

trielles par :
– la partie contrôle à distance (serveur web et connexion sécurisée),
– un contrôle/commande implémentable directement sur le système.

[Link] Traitement de l’information

[Link].1 Transfert des données

Les deux sites expérimentaux étant situés relativement loin du laboratoire, nous avons
souhaité, une fois les données acquises, les transférer vers un serveur distant afin d’y être
traitées. L’information est stockée sur site sous format texte (.txt) avec toutes les informations
nécessaires à la construction a posteriori de la base de données. Chaque fichier (pour chaque
installation) comprend ainsi, l’heure de la journée (format hh :mm :ss), l’ensemble des données
mesurées et surtout l’adresse des capteurs (située en en-tête de chaque fichier, indispensable
pour la constitution des tables). D’autre part, ces fichiers sont toujours nommés suivant la
date du jour (exemple : le fichier du 20 juillet 2010 se nomme [Link] - Figure 2.23).
Un programme (réalisé en langage PERL), présent sur le serveur, est exécuté quotidien-
nement, il assure l’importation du fichier du jour et le classe dans la base de données. La
Figure 2.24 montre la base de données utilisée pour Montauriol. Pour ce site, nous avons
préféré une base de données contenant deux sous parties : une pour le champ solaire et une
2.3 Système de monitoring et données collectées 63

Figure 2.23 – Fichier d’adressage des capteurs pour la journée du 20 juillet 2010

pour les puits géothermiques. Ces deux sous-parties se présentent ainsi sous forme de tables.
Ce choix vient du fait que les périodes d’acquisition pour chacune des sous-parties diffèrent
(Toutes les minutes pour le champ solaire et toutes les 10 minutes pour les forages).

Figure 2.24 – Base de données du projet SOLARGÉOTHERM

[Link].2 Affichage des mesures

Une fois les données reçues par le serveur, celui-ci permet d’assurer un stockage sécurisé
(utilisation d’un identifiant et d’un mot de passe) mais surtout, il permet un suivi en temps
réel des installations via une interface graphique.
64 Chapitre 2 : Étude de procédés énergétiques hybrides solaire/géothermie

Dans le cas de Saint-Pierre dels Forcats, l’interface que nous avons mise en place, permet
aux propriétaires de la maison de visualiser l’état du système en temps réel, grâce aux tempéra-
tures et courants mesurés dans les différents sous-systèmes du procédé à l’adresse web suivante :
« [Link] ».
Par exemple, sur la Figure 2.25, le suivi offre à l’utilisateur, les informations d’un champ
solaire et d’un échangeur thermique en plein fonctionnement (température en sortie des
‰
panneaux solaires de 36,25 , et ECH : ON). Il nous renseigne également sur l’état de la PAC,
dans notre cas, à l’arrêt (PAC : OFF). Il permet par ailleurs de disposer de l’information sur
la température des forages et de connaı̂tre ainsi les risques d’un gel du sous-sol.

Figure 2.25 – Page web du suivi d’installation en temps réel

2.4 Analyse énergétique du procédé de GÉOHELIOS

Dans cette partie nous présentons, pour chaque sous-système du procédé expérimental,
une analyse du comportement thermique ainsi qu’un bilan énergétique afin de constituer une
étude préliminaire de l’installation de Saint-Pierre Dels Forcats et ainsi déterminer les points
clés qu’il faudra considérer lors de l’étape de contrôle du système (chapitre 4). Pour cela,
2.4 Analyse énergétique du procédé de GÉOHELIOS 65

nous présenterons tout d’abord un bilan sur la partie injection de chaleur (champ solaire,
échangeur thermique), puis sur la partie liée à l’extraction/consommation de chaleur, enfin
nous présenterons un bilan global de l’installation.

2.4.1 Étude du fonctionnement du champ solaire

La Figure 2.26 présente 5 jours de mesure que nous avons sélectionnés pour leurs différents
types d’expositions à l’irradiation solaire qui les caractérisent et pour leur continuité. Les deux
premiers jours, l’ensoleillement est significatif et le ciel est de type dégagé (sans perturbation
nuageuse significative). Les deux derniers jours, l’irradiation solaire n’est pas très élevée et
est fortement variable. Il s’agit naturellement de journées nuageuses. Enfin, le troisième jour
montre un comportement intermédiaire de par une probable présence nuageuse intermittente.
On remarque que plus la température et l’irradiation solaire sont élevées, plus la température
du fluide en sortie du champ solaire est élevée. Durant ces 5 jours, la température maximale
‰
de 41,5 , en sortie directe des panneaux solaires, est atteinte à 15h46, le 17 octobre.
Cette température du fluide TS(m)/E et celle arrivant à l’échangeur TS/E(m) démontrent une
importante perte de chaleur le long du circuit hydraulique que parcourt le fluide caloporteur.
Cette perte est proportionnelle à la différence entre la température du fluide circulant et la
température extérieure. On peut par ailleurs ajouter quelques remarques sur le fonctionnement
des pompes durant cette période. Tout d’abord, lors des trois derniers jours, en raison des
variations de l’irradiation solaire, le nombre d’enclenchements des pompes est plus important
(7 fois le 21 octobre 2009 contre seulement 2 fois pour le 17 octobre 2009). D’autre part,
durant les deux premiers jours (ensoleillés), les circulateurs ont fonctionné 33,6% du temps,
ce qui représente environ 8 heures et 4 minutes alors que durant les deux derniers jours
(nuageux) elles n’ont fonctionné que 7,6% du temps (1 heure et 50 minutes) soit 4,4 fois
moins.
Nous venons de présenter une brève étude qualitative sur le comportement du procédé
expérimental en fonction des paramètres météorologiques que sont la température extérieure et
l’irradiation solaire. Nous nous intéressons désormais à une analyse énergétique du procédé, ce
qui implique naturellement la connaissance des paramètres thermiques du fluide caloporteur
utilisé dans l’installation. Nous avons évoqué en début de ce chapitre qu’il s’agissait de
monopropylène glycol 40%. Sa capacité calorifique Cp et sa masse volumique ρ varient suivant
sa température [27, 28] (Figure 2.27). Ainsi, pour des variations de température du fluide
‰ ‰
(dans les différentes parties de l’installation) allant de −10 à 80 , la capacité calorifique
‰ ‰
du fluide peut varier de plus de 50% (près de 4000 J⋅kg−1 ⋅ −1 à 80 et 6000 J⋅kg−1 ⋅ −1 à ‰
‰
−10 ). Pour cette gamme de température, la masse volumique reste quasiment constante et
proche de 1000 kg⋅m3 .
Partant de ce constat, nous avons considéré l’évolution de la capacité calorifique du fluide
en fonction de sa température et avons négligé la variation de sa masse volumique (±3% dans
66 Chapitre 2 : Étude de procédés énergétiques hybrides solaire/géothermie

50
J1 J2 J3 J4 J5

Irradiation solaire [W.m-2]

40
30
Température [°C]

20
10 1200
0 1000
-10 CirculateursON/OFF 800
TS(m)/E
TEXT 600
S 400
200
0
17/10/09 0h 17/10/09 12h 18/10/09 0h 18/10/09 12h 19/10/09 0h 19/10/09 12h 20/10/09 0h 20/10/09 12h 21/10/09 0h 21/10/09 12h 22/10/09 0h
Date

Figure 2.26 – Relevés expérimentaux du champ solaire pour 5 jours spécifiques

Figure 2.27 – Caractéristiques thermiques du fluide caloporteur

la gamme de température de l’installation) pour tous les calculs de puissance à suivre (la
masse volumique a alors été fixée à 1000 kg⋅m3 ).
La masse volumique et le débit volumique du fluide caloporteur étant considérés constants,
le débit massique, nécessaire aux calculs de puissance thermique est par conséquent fixe. Le
débit massique du système d’injection côté champ solaire, est donné par l’équation (2.8).

ṁS/E = ρ ⋅ V̇S/E (2.8)

Les débits massiques des autres circuits hydrauliques du procédé étant calculés de façon
similaire, nous les présentons en même temps dans cette partie. Ainsi, le débit massique du
circuit d’injection côté forage et les deux débits massiques du système d’extraction, côté
forage et côté plancher chauffant, sont respectivement donnés par les équations (2.9), (2.10)
et (2.11).
2.4 Analyse énergétique du procédé de GÉOHELIOS 67

ṁE/G = ρ ⋅ V̇E/G (2.9)

ṁG/P = ρ ⋅ V̇P /G (2.10)

ṁP /M = ρ ⋅ V̇P /M (2.11)

Connaissant les mesures de température d’entrée et de sortie des panneaux solaires ainsi
que les propriétés thermiques du fluide, on peut alors calculer les puissances thermiques mises
en jeu dans le champ solaire. La puissance solaire reçue par les panneaux solaires PIS , peut
facilement être déterminée par l’irradiation solaire ΦS que nous mesurons et la surface totale
(notée S) du champ par (2.12).

PIS = S ⋅ ΦS (2.12)

La puissance PIS , captée par les panneaux solaires (Figure 2.28), devient PS après les
échanges de chaleur sur l’aller et le retour du circuit hydraulique (PS−LOSS1 et PS−LOSS2 ,
généralement il s’agit de pertes).

12345267899A3
BCDEFCC

B8A85
B5284A 48A53
9823A BC
BC B8A8579823A48A53

123452673A653
BCDEFCC

Figure 2.28 – Puissances mises en jeu entre les panneaux solaires et l’échangeur de chaleur

PS−LOSS1 , puissance perdue entre la sortie du champ solaire et l’entrée de l’échangeur (ces
deux éléments étant connectés par 9,31 m de circuit hydraulique donnant sur l’extérieur), est
obtenue grâce à la différence entre TS(m)/E et TS/E(m) (2.13).

PS−LOSS1 = ṁE/S ⋅ (CpS(m)/E ⋅ TS(m)/E − CpS/E(m) ⋅ TS/E(m) ) (2.13)

68 Chapitre 2 : Étude de procédés énergétiques hybrides solaire/géothermie

Une autre puissance PS−LOSS2 , peut alors être estimée à partir de PS−LOSS1 . Elle traduit les
pertes thermiques le long du circuit hydraulique reliant l’échangeur de chaleur à l’entrée du
champ solaire (3,80 m de circuit donnant sur l’extérieur). Son estimation vient du fait que la
mesure de la température TE/S(m) (Température du fluide à l’entrée du champ solaire) n’avait
pas été prévue à l’origine de l’instrumentation du procédé expérimental. Elle est calculée
proportionnellement à PS−LOSS1 en prenant en compte la différence entre la température du
fluide caloporteur et la température extérieure, ainsi que le ratio de circuit hydraulique se
trouvant à l’extérieur de l’installation (2.14).

PS−LOSS2 = (3, 8 × (TS/E(m) − TEXT ) ⋅ PS−LOSS1 )/(9, 31 × (TS(m)/E − TEXT ) (2.14)

La puissance absorbée par les panneaux solaires, PS , (entre son entrée directe (non mesurée)
et sa sortie) peut alors être déduite (2.15) de l’évaluation de PS−LOSS2 .

PS = ṁE/S ⋅ (CpS(m)/E ⋅ TS(m)/E − CpE/S ⋅ TE/S ) + PS−LOSS2 (2.15)

À partir de ces puissances thermiques calculées, un bilan thermique de la partie liée au

champ solaire est dressée dans le Tableau 2.6 (page 71). Les résultats sont présentés pour
différentes périodes. Ainsi, les 5 jours (J1, J2, J3, J4 et J5) et les 2 mois de chauffe (du 23
août au 23 octobre 2009) ont été analysés.
L’étude montre dans chaque cas que la puissance thermique produite par les panneaux
solaires n’est pas entièrement transmise à l’échangeur de chaleur.
L’efficacité des panneaux solaires Ef fS définie comme le ratio entre la puissance thermique
produite par le collecteur et l’irradiation solaire perçue (2.16) donne, pour les 2 mois une
valeur moyenne de 73,9 %.

Ef fS =
PS
(2.16)
PIS
Cependant, cette efficacité est fortement corrélée à la valeur de l’ensoleillement ΦS et à
l’écart entre la température extérieure et la température de l’absorbeur (∆TA/E ) (2.17).

∆TA/E = TABS − TEXT (2.17)

Avec la température moyenne de l’absorbeur TABS définie comme la moyenne entre la

température d’entrée et de sortie des capteurs solaires (2.18).

TABS =
TE/S(m) + TS(m)/E
(2.18)
2
2.4 Analyse énergétique du procédé de GÉOHELIOS 69

La performance du champ solaire η est donnée suivant les caractéristiques de rendement

η0 , a1 et a2 . η0 étant le coefficient optique du capteur, a1 le coefficient lié aux pertes par
conduction et convection (W /m2 .K) et a2 le coefficient relatif aux pertes par rayonnement
(W /m2 .K 2 ). Ces deux coefficients ont été déterminés par le constructeur. Plus ces coeffi-
cients de transfert thermiques sont élevés, plus le rendement des capteurs décroı̂t lorsque la
température augmente.
Les valeurs données par le constructeur sont les suivantes :

– a1 (coefficient de perte du premier ordre) : 3,06 W /m2 .K.

– a2 (coefficient de perte du second ordre) : 0,019 W /m2 .K 2 .
Partant de ces coefficients, il nous est donc possible de connaı̂tre le rendement des panneaux
solaires à tout instant.
η0 × ΦS est de ce fait l’énergie absorbée par les capteurs et a1 .(∆TA/E ) − a2 .(∆TA/E )2
l’ensemble des pertes thermiques.
Ainsi, le rendement η du capteur, représentant le rapport entre l’énergie (la chaleur)
extraite en sortie du capteur et l’énergie à l’entrée (ensoleillement), est à tout instant lié à
ΦS et ∆TA/E . Le modèle mathématique (2.19) le plus fréquemment utilisé, figurant parmi la
norme « EN 12975 » sur les installations solaires thermiques et leurs composants [5], donne
la valeur du rendement d’un capteur solaire.

(∆TA/E )2
η = η 0 − a1 ⋅
∆TA/E
− a2 ⋅ (2.19)
ΦS ΦS
Cette courbe caractéristique (Figure 2.29) du rendement des panneaux solaires utilisés est
unique quel que soit l’ensoleillement mesuré.

Figure 2.29 – Rendement des panneaux solaires (données du constructeur) en fonction du

rapport entre la différence de température et le rayonnement

Si l’on analyse le rendement en fonction de la différence de température entre le capteur et

la température ambiante, et si l’ensoleillement est fixé (Figure 2.30), on obtient une courbe
70 Chapitre 2 : Étude de procédés énergétiques hybrides solaire/géothermie

de rendement caractéristique de chaque ensoleillement.

Figure 2.30 – Rendement des panneaux solaires (données du constructeur) en fonction de la

différence entre la température du capteur et la température ambiante avec ensoleillement
fixé

La méthodologie de calcul du rendement des panneaux solaires en fonction de la tempé-

rature extérieure et de l’ensoleillement que nous venons de présenter sera utilisée lors de la
modélisation du champ solaire dans le chapitre 3.
L’étude de l’efficacité des panneaux solaires venant d’être présentée, nous nous intéressons
désormais à l’efficacité des circuits hydrauliques assurant la liaison entre le champ solaire
et l’échangeur Ef fS/E . Cette efficacité (2.20) est déterminée en prenant en compte les deux
pertes thermiques (aller et retour).

PS − PS−LOSS1 − PS−LOSS2
Ef fS/E = (2.20)
PS
Le résultat de l’évaluation de cette efficacité donne une valeur de 50,0 %. Le calcul
de l’efficacité globale du champ solaire Ef fCS (2.21) donne un résultat de 36,5 % durant
l’ensemble de cette période.

Ef fCS = Ef fS ⋅ Ef fS/E =
PS − PS−LOSS1 − PS−LOSS2
(2.21)
PIS
Cette étude nous permet de remarquer qu’une grande partie de la puissance collectée par
le champ solaire est perdue, principalement durant son transport. Ce résultat met en évidence
la nécessité d’une gestion énergétique adaptée et optimisée passant par la considération de
ces déperditions.

2.4.2 Étude de l’échangeur thermique

L’échangeur de chaleur est utilisé pour transmettre la puissance collectée par le champ
solaire jusqu’au forage. Il s’agit d’un échangeur à plaques à contre-courant (Figure 2.31).
2.4 Analyse énergétique du procédé de GÉOHELIOS 71

Caractéristiques Variable J1 J2 J3 J4 J5 Moyenne Moyenne

journa- journa-
lière lière
(5 jours) (2 mois)
Enclenchements 2 3 3 4 4 3,20 2,94
pompes [-]
Durée de fonc- 8,10 8,03 6,30 0,833 1,93 5,04 7,32
tionnement [h]
Puissance PIS 16,1 15,7 13,4 3,44 6,97 14,2 12,4
moyenne [kW] PS 11,4 11,1 7,75 3,68 4,89 9,62 9,42
PS−LOSS1 5,63 5,51 2,74 0,895 1,34 4,38 3,51
PS−LOSS2 1,10 1,04 0,783 0,679 0,543 0,947 1,32
Écart-type PIS 4,34 4,42 4,24 1,76 5,48 5,39 6,23
puissance [kW] PS 3,40 3,91 2,84 2,35 3,56 4,14 4,87
PS−LOSS1 2,02 2,20 1,47 1,80 2,28 2,56 2,72
PS−LOSS2 0,251 0,335 0,432 0,970 0,952 0,48 1,20
Efficacité Ef fS 70,0 68,6 57,3 80,8 63,0 66,2 73,9
moyenne [%] Ef fS/E 41,3 41,6 56,5 69,5 71,4 48,4 50,0
Ef fCS 27,9 28,1 31,6 54,1 42,5 30,9 36,5
Écart-type Ef fS 11,5 12,6 11,7 20,3 25,9 15,0 20,5
efficacité [%] Ef fS/E 10,5 9,55 12,2 27,7 29,1 17,1 18,4
Ef fCS 4,51 5,87 7,75 24,2 23,5 11,3 13,8

Tableau 2.6 – Puissances et efficacités du champ solaire durant les périodes de fonctionnement
des circulateurs
72 Chapitre 2 : Étude de procédés énergétiques hybrides solaire/géothermie

La Figure 2.32 montre les différentes températures d’entrée et de sortie et les périodes de
fonctionnement des pompes. Durant une partie de la saison de chauffe (du 23 août au 23
octobre 2009), les pompes ont fonctionné 32,7% du temps. On remarque que la température
du fluide caloporteur se dirigeant vers le forage TE/G est très proche de la température du
fluide provenant du champ solaire et arrivant à l’échangeur TS/E(m) .

Figure 2.31 – Échangeur à plaques à contre-courant

Figure 2.32 – Températures d’entrées/sorties de l’échangeur de chaleur

Les quatre températures d’entrées/sorties de l’échangeur de chaleur et les débits dans les
deux circuits hydrauliques associés permettent de calculer la puissance thermique échangée.
Le Tableau 2.7 présente les puissances thermiques fournies par le circuit solaire PE/S (2.22)
et absorbées par le circuit géothermique PE/G équation (2.23).

PE/S = ṁE/S ⋅ (CpS/E(m) ⋅ TS/E(m) − CpE(m)/S ⋅ TE(m)/S ) (2.22)

PE/G = ṁE/G ⋅ (CpG/E ⋅ TG/E − CpE/G ⋅ TE/G ) (2.23)

2.4 Analyse énergétique du procédé de GÉOHELIOS 73

Caractéristiques Variable J1 J2 J3 J4 J5 Moyenne Moyenne

journa- journa-
lière lière
(5 jours) (2 mois)
Enclenchements 2 3 3 4 4 3,20 2,94
pompes [-]
Durée de fonc- 8,10 8,03 6,30 0,833 1,93 5,04 7,32
tionnement [h]
Puissance PE/S 4,63 4,54 4,22 2,10 3,00 4,29 4,58
moyenne [kW] PE/G 4,09 4,00 3,58 1,38 2,07 3,69 3,18
PE−LOSS 0,537 0,539 0,636 0,725 0,930 0,599 1,40
Écart-type PE/S 1,57 1,63 1,60 0,733 1,47 1,67 1,98
puissance [kW] PE/G 1,27 1,28 1,20 0,363 1,08 1,40 1,61
PE−LOSS 0,458 0,517 0,510 0,501 0,664 0,520 0,709
Efficacité Ef fE 87,6 86,9 86,9 63,2 64,7 84,0 67,3
moyenne [%]
Écart-type Ef fE 8,73 10,3 10,7 14,1 16,5 12,8 16,3
efficacité [%]

Tableau 2.7 – Puissances et efficacité de l’échangeur de chaleur durant les périodes de

fonctionnement des circulateurs

La puissance thermique collectée par le circuit solaire est maximale à 15h30 (environ
16 kWt ). On remarque que la puissance fournie par les panneaux solaires n’est pas entièrement
transmise au forage. La puissance thermique perdue PE−LOSS , représentée dans le Tableau 2.7,
montre une importante perte thermique due au circuit hydraulique (0,46 kWt à 0,66 kWt ,
durant les 5 jours, dès lors que les pompes sont en marche).
L’efficacité de l’échangeur, lorsque les pompes fonctionnent, est donnée par l’équation (2.24).

Ef fE =
PE/S
(2.24)
PE/G
Le Tableau 2.7 montre les résultats obtenus pour un jour typique et représentatif de
l’étude réalisée. Ces résultats sont caractérisés par une efficacité allant de 60% à près de
80 %. L’efficacité est, bien entendu, variable au cours du temps puisque lorsque les pompes
démarrent (le matin) l’efficacité est faible (environ 60 %), ensuite elle augmente. La structure
de l’échangeur de chaleur étant froide le matin, une part importante est utilisée pour le
réchauffer. De plus, l’échangeur fonctionne mieux lorsque les températures mises en jeu
sont élevées. C’est pourquoi, lorsque les températures d’entrée et de sortie augmentent et
atteignent leur température de régime permanent, l’efficacité est naturellement plus élevée.
74 Chapitre 2 : Étude de procédés énergétiques hybrides solaire/géothermie

En raison de l’enclenchement ou de l’arrêt des pompes, l’efficacité peut être parfois de 0 %

ou de 100 %. Ces artefacts, sur une durée très courte, ne représentent pas correctement le
fonctionnement de l’échangeur. Ainsi, en ne considérant que les périodes de fonctionnement,
l’efficacité est de l’ordre de 67, 3 % durant la saison complète.

2.4.3 Étude de la pompe à chaleur

La pompe à chaleur est l’une des composantes essentielles du procédé pour assurer le
chauffage de la maison. Elle extrait les calories présentes dans le sous-sol, pour les restituer à la
maison, via le plancher chauffant. L’énergie est transférée de la source froide à la source chaude
par un travail électrique fourni par la pompe à chaleur. Son principe de fonctionnement ayant
été expliqué précédemment, nous introduisons, dans cette partie, la notion de « Coefficient
de Performance » (CoP) qui la caractérise, puis nous établirons son bilan thermique.

[Link] Coefficient de Performance de la pompe à chaleur : le CoP

Le rendement d’une PAC, généralement appelé CoP, est défini par le rapport entre
la puissance thermique « utile » Pth (chaleur restituée à la source chaude) et la puissance
électrique fournie à la pompe à chaleur PP −ELEC pour faire fonctionner son compresseur (2.25).

CoP =
Pth
(2.25)
PP −ELEC

Dans notre cas, la puissance Pth (puissance côté plancher chauffant de la pompe à chaleur)
peut être calculée à l’aide de l’équation (2.26) incluant la température d’entrée et celle de
sortie du fluide pour cette source, son débit ṁP /M et sa capacité calorifique CpP /M .

Pth = ṁP /M ⋅ CpP /M ⋅ ∆TP /M (2.26)

Avec la pompe à chaleur considérée, (ref. Atlantis 14T, PT = 15 050 W et Pe = 3900 W),
le CoP moyen donné par le constructeur est de 3, 85. Par conséquent, ce modèle (de PAC)
est capable de restituer approximativement 15 kWt (thermique) lorsque 3,9 kWe (électrique)
sont utilisés.

[Link] Bilan thermique de la PAC

Durant les deux mois, la PAC a fonctionné près de 4, 7 % du temps (plus en octobre qu’en
septembre). En effet, la PAC ne fonctionne que lorsque le contrôleur interne, dont elle est
équipée, juge qu’un apport de chaleur est nécessaire. La Figure 2.33 présente, d’une part,
les 3 entrées de la PAC, à savoir, les températures du fluide provenant du forage TG/P et du
retour du plancher chauffant TM /P , ainsi que le courant consommé IP AC , d’autre part, les
2.4 Analyse énergétique du procédé de GÉOHELIOS 75

2 sorties que sont la température du fluide en direction du forage TP /G et celle du fluide se

dirigeant vers le plancher chauffant de la maison TP /M .

Figure 2.33 – Entrées et sorties de la pompe à chaleur

On peut noter que la mesure du courant IP AC permet de déterminer aisément les périodes
d’enclenchement et d’arrêt de la PAC. En effet, celui-ci augmente très rapidement lors d’une
activation du compresseur, jusqu’à devenir constant en cours de fonctionnement.
Sur la Figure 2.33, on note que lorsque la pompe à chaleur fonctionne, la température du
fluide en direction du forage TP /G chute très rapidement, d’environ dix degrés, en quelques
minutes, puis elle continue de diminuer plus progressivement. Dans certains cas, la température
‰
du fluide peut atteindre une température très basse, inférieure à 0 . Ainsi, l’utilisation d’un
fluide mixte eau-glycol, ayant une température de fusion relativement basse, se justifie une
nouvelle fois ici. La température augmente de la même façon après l’arrêt de la pompe à
chaleur. Inversement, la température du fluide vers le plancher chauffant augmente rapidement
‰
d’environ 8 puis augmente plus lentement. Cette température revient quasiment à l’identique
une fois la pompe à chaleur arrêtée.
À l’aide des températures d’entrée et de sortie, du courant consommé par la PAC (Fi-
gure 2.33) et des valeurs (fixes) des débits, on peut calculer la puissance produite par la
PAC (Tableau 2.8). La puissance extraite du forage (PP /G ) est fonction de la différence
entre la température d’entrée du fluide provenant du forage et la température du fluide y
retournant (2.27).

PP /G = ṁP /G ⋅ (CpG/P ⋅ TG/P − CpP /G ⋅ TP /G ) (2.27)

La puissance électrique consommée par la PAC (PP −ELEC ) est calculée (2.28) en utilisant
les mesures du courant et des caractéristiques techniques de la pompe à chaleur, laquelle
fonctionne en triphasé.

√
PP −ELEC = 3 ⋅ UP AC ⋅ IP AC ⋅ cos ϕ (2.28)
76 Chapitre 2 : Étude de procédés énergétiques hybrides solaire/géothermie

Caractéristiques Variable J1 J2 J3 J4 J5 Moyenne Moyenne

journa- journa-
lière lière
(5 jours) (2 mois)
Enclenchements 2 6 8 6 3 5 1,59
PAC [-]
Durée de fonc- 0,300 4,11 5,15 3,81 5,71 3,82 1,12
tionnement [h]
Puissance PP −ELEC 3,73 3,78 3,77 3,81 3,86 3,81 3,79
moyenne [kW] PP /G 15,0 13,0 12,9 12,2 10,8 12,2 12,0
PP /M 14,5 14,2 13,6 13,5 13,2 13,6 14,8
Écart-type PP −ELEC 0.420 0,217 0,251 0,238 0,104 0,213 0,252
puissance [kW] PP /G 1,75 1,09 1,68 1,52 1,35 1,76 1,85
PP /M 2,43 1,01 1,74 1,30 0,732 1,32 2,26
CoP 3,90 3,86 3,84 3,85 3,82 3,64 3,90
Efficacité Ef fP 91,0 90,3 89,9 90,3 90,6 87,5 89,7
moyenne [%]
Écart-type Ef fP 4,43 5,31 5,27 6,30 8,15 6,83 6,37
efficacité [%]

Tableau 2.8 – Puissances et efficacité de la pompe à chaleur durant son fonctionnement

Le voltage utilisé est de 400 V et le paramètre cos ϕ est proche de 0,79. Enfin, la puissance
thermique fournie pour le chauffage de la maison PP /M repose sur la différence entre les
températures de sortie et d’entrée du fluide passant par la pompe à chaleur et le plancher
chauffant (2.29).

PP /M = ṁP /M ⋅ (CpP (m)/M ⋅ TP (m)/M − CpM /P (m) ⋅ TM /P (m) ) (2.29)

Du fait de la tension constante et du courant absorbé relativement stable, la PAC fonctionne

avec une puissance électrique constante. Sa valeur est d’environ 3,9 kWe , mentionnée dans la
documentation technique de la pompe à chaleur. La puissance thermique fournie au forage est
alors d’environ 16-17 kWt au démarrage des pompes puis diminue de plus en plus lentement
jusqu’à atteindre parfois moins de 8 kWt lors de longues périodes d’extraction.
Afin d’évaluer la performance de la PAC, deux cas sont envisagés : soit une analyse
classique reposant sur le rapport entre les sorties et les entrées, soit une analyse plus spécifique
prenant en compte les énergies « non gratuites » en entrée (électricité). Ce coefficient de
performance est donc le rapport entre la puissance thermique fournie pour se chauffer et la
puissance électrique utilisée par la PAC, pour transférer la chaleur issue du sous-sol, comme
2.4 Analyse énergétique du procédé de GÉOHELIOS 77

nous l’avons défini précédemment (Équation (2.25)). L’étude menée a permis de donner les
valeurs moyennes des CoP obtenus, répertoriées dans le Tableau 2.8.
Le CoP peut être considéré comme étant un indicateur d’utilisation de l’énergie « gratuite »
et est toujours supérieur à 1. Par exemple, un CoP de 3 signifie que pour 1 kWe , 3 kWt sont
utilisés pour chauffer la maison, ainsi, 2 kWt utilisés sont complètement « gratuits » puisque
issus du sous-sol. Conformément à la documentation technique de la pompe à chaleur, la
valeur nominale du CoP est d’environ 3,85. La valeur moyenne obtenue est de l’ordre de
3,90. Cependant, le CoP varie très fortement, allant de 4,6 à 2,3 durant les 5 jours d’étude
considérés. On peut noter que lorsque la PAC s’enclenche, le CoP est généralement supérieur
à 3,5 et chute brusquement. Lorsque la PAC fonctionne pendant un temps relativement
long, son CoP peut devenir très faible. Dans ce cas, l’utilisation de la PAC montre donc des
limites. En fait, en raison de la réduction de la chaleur disponible dans le forage, le CoP et la
température décroissent, ce qui rend l’extraction de chaleur beaucoup plus difficile.
Pour obtenir à nouveau un CoP intéressant, il est nécessaire de stopper l’extraction de
chaleur du forage et attendre que le sous-sol se recharge naturellement ou que cela soit fait
par le champ solaire. L’efficacité thermodynamique de la pompe à chaleur (équation (2.30),
Tableau 2.8) est définie comme étant le rapport entre la puissance thermique produite pour
chauffer la maison et la puissance utilisée pour cela (puissance thermique extraite et puissance
électrique consommée).

Ef fP =
PP (m)/M
PP /G + PP −ELEC
(2.30)

En ne calculant évidemment sa valeur que lorsque la PAC est en fonctionnement, la valeur

moyenne de l’efficacité Ef fP obtenue est de 89,7 %. Du fait que la puissance électrique
est constante, l’efficacité est fortement liée à l’énergie consommée par le plancher chauffant
et celle extraite du sous-sol. Toutefois, Ef fP est plus élevée après une certaine durée de
fonctionnement de la PAC. Cela s’explique par le fait qu’initialement, la puissance nécessaire
pour chauffer la maison est maximale. Ensuite, la température de la maison augmentant,
l’efficacité diminue progressivement.

2.4.4 Puissance consommée par la maison

La puissance thermique fournie par la PAC n’est pas directement celle qui arrive à la
maison. En raison de contraintes d’isolation phoniques, la PAC est installée dans un garage
annexe à la maison. Par conséquent, le fluide caloporteur effectue un trajet de quelques
mètres en passant sous terre. Durant ce transport, du fait de l’isolation non parfaite, et d’un
sol plus froid que le fluide, celui-ci se refroidit naturellement. TP (m)/M est la température de
sortie de la PAC et TP /M (m) celle du fluide arrivant à la maison. De même pour le retour, la
température du fluide en sortie du plancher chauffant (TM (m)/P ) est mesurée ainsi que celle
78 Chapitre 2 : Étude de procédés énergétiques hybrides solaire/géothermie

du retour à la PAC (TM /P (m) ). Comme le montre la Figure 2.34, la diminution est beaucoup
plus importante lors de l’aller (PAC vers Plancher chauffant) que du retour, en raison des
températures plus élevées et donc des différences avec la température du sol plus importantes.

Figure 2.34 – Températures du fluide dans le circuit hydraulique entre la PAC et le plancher
chauffant

La Figure 2.35 détaille le positionnement des 4 puissances relatives au chauffage de la

maison. Leur évolution est présentée sur la Figure 2.36 et a été calculée à l’aide des débits et
des températures des fluides.

12345267899A3
BCDEF

BA7 B984A3
B5284A
489A53 B1B984A3748586 48586
BBC BC

123452673A653
BCDEF

Figure 2.35 – Puissances mises en jeu entre le PAC et le plancher chauffant

Les différentes puissances sont données par les équations suivantes. PP /M , puissance fournie
par la PAC (2.31) ;

PP /M = ṁP /M ⋅ (CpP (M )/M ⋅ TP (m)/M − CpM /P (m) ⋅ TM /P (m) ) (2.31)

PM −LOSS1 , puissance thermique perdue entre la PAC et le plancher chauffant (2.32) ;

2.4 Analyse énergétique du procédé de GÉOHELIOS 79

PM −LOSS1 = ṁP /M ⋅ (CpP (m)/M ⋅ TP (m)/M − CpP /M (m) ⋅ TP /M (m) ) (2.32)

PM , puissance dissipée par le plancher chauffant pour chauffer la maison (2.33) ;

PM = ṁP /M ⋅ (CpP /M (m) ⋅ TP /M (m) − CpM (m)/P ⋅ TM (m)/P ) (2.33)

PM −LOSS2 , puissance thermique perdue entre le plancher chauffant et la PAC (2.34) ;

PM −LOSS2 = ṁP /M ⋅ (CpM (m)/P ⋅ TM (m)/P − CpM /P (m) ⋅ TM /P (m) ) (2.34)

On peut clairement remarquer que les pertes thermiques observées dans le circuit hydrau-
lique aller (environ 9 kW) sont plus importantes que dans le circuit retour (environ 1 kW).
Cela s’explique par le fait que plus l’écart de température entre les deux milieux est important,
plus l’échange thermique est important.

Figure 2.36 – Puissances et pertes thermiques du plancher chauffant

L’efficacité du système (Ef fM ) est définie comme étant le rapport entre la puissance
réellement consommée par le plancher chauffant et la puissance utilisée par la PAC (2.35).

Ef fM =
PP
(2.35)
PP /M

Lorsque le système démarre, comme le montre la Figure 2.37, l’efficacité est très élevée
mais chute fortement en quelques minutes jusqu’à environ 70 %, puis plus lentement jusqu’à
arriver par moments à moins de 55 % lors de durées de fonctionnement relativement longues.
Comme on pouvait s’y attendre, MLOSS1 (2.36) est d’environ 30 % tandis que MLOSS2 (2.37)
n’excède pas les 10 %.
80 Chapitre 2 : Étude de procédés énergétiques hybrides solaire/géothermie

MLOSS1 =
PM −LOSS1
(2.36)
PP /M

MLOSS2 =
PM −LOSS2
(2.37)
PP /M

L’observation de ces résultats permet de conclure sur le fait que le choix de l’emplacement
de la PAC est essentiel pour éviter les pertes thermiques liées au transport des calories
(environ 40 % de pertes pour cette installation).

Figure 2.37 – Efficacités thermiques du plancher chauffant

2.4.5 Comportement thermique du forage

En règle générale, l’extraction de calories du sous-sol, pour le chauffage de bâtiments, se
fait par le biais d’un système de pompe à chaleur. Toutefois, lorsque les besoins énergétiques
sont trop étendus sur la durée, trop fréquents et trop importants, le sous-sol n’a plus la
capacité naturelle de se recharger thermiquement. Par conséquent, la température du sous-sol
diminue engendrant une forte baisse du CoP de la PAC. C’est pourquoi la récupération de la
chaleur du sous-sol, via l’utilisation de l’énergie solaire peut aider considérablement le sous-sol
à compenser cette perte de chaleur. La Figure 2.38 présente l’évolution des températures
à l’intérieur du forage à 45 m et 90 m de profondeur. On remarque que lorsque le sous-sol
est rechargé par l’énergie solaire, la température du forage à 45 m augmente plus que la
température à 90 m. Cela s’explique aisément par le fait que la chaleur répartie tout au
long du forage va plus facilement diffuser dans les premiers mètres que vers le fond du
forage étant donné que la différence entre la température du fluide et du sous-sol est plus
importante dans ces premiers mètres. Il en va de même lorsque la PAC fonctionne, les
variations de température sont plus importantes à 45 m de profondeur qu’à 90 m. En outre,
2.4 Analyse énergétique du procédé de GÉOHELIOS 81

comme nous l’avons mentionné en début de chapitre, la présence d’eau à 15 m de profondeur

est importante, car elle augmente et facilite considérablement ce transfert de chaleur entre le
circuit hydraulique et le sous-sol lors des premiers mètres de forage.

Figure 2.38 – Températures du forage à 45 et 90 mètres de profondeur

La Figure 2.39 représente les puissances injectées et extraites au niveau du sous-sol. Ces
deux courbes de puissance présentent des allures et traduisent des comportements bien
distincts. En effet, lorsque la puissance solaire est injectée durant la journée avec de faibles
variations (pas plus de 6 kW), la pompe à chaleur extrait la chaleur le soir ou la nuit et ce à
haute amplitude (environ 13 kW) et parfois même avec plusieurs enclenchements successifs.
Durant les cinq jours considérés, l’énergie solaire journalière injectée dans le forage est
d’environ 18,6 kWh. Au même moment, la PAC a extrait chaque jour environ 46,6 kWh
d’énergie thermique, i.e. 2,5 fois plus. Dans ce cas, l’énergie solaire représente 40 % de ce qui
est extrait.

Figure 2.39 – Puissances thermiques du forage

82 Chapitre 2 : Étude de procédés énergétiques hybrides solaire/géothermie

2.4.6 Bilan énergétique global

L’étude de chacun des sous-systèmes permet la compréhension du fonctionnement de
l’ensemble du procédé et permet également d’établir un bilan énergétique de l’installation
(Figure 2.40). Sur ce schéma, les flèches entrantes et sortantes symbolisent respectivement
les puissances d’entrée et de sortie des sous-systèmes tandis que les flèches venant du
haut représentent les puissances perdues. Ces puissances sont normalisées et représentées
proportionnellement à la puissance de référence qu’est la puissance électrique consommée par
la pompe à chaleur (1 kWe ).

Figure 2.40 – Bilan énergétique

L’étude des circuits hydrauliques montre que l’injection de chaleur dans le sous-sol est
naturellement très dépendante de l’irradiation solaire. En prenant en compte les pertes
thermiques, on note que seulement 0, 75 × 0, 5 = 37, 5 % de la puissance thermique issue
du solaire est fournie à l’échangeur. Cependant, son efficacité de l’ordre de 80 % (20 % de
pertes) implique que 0, 375 × 0, 8 = 30 % de puissance solaire est réellement injectée dans le
sous-sol pour faciliter sa recharge thermique. Par conséquent, pour 4,44 kWr d’irradiation
solaire reçue par le champ solaire, 1,33 kWt de puissance thermique est envoyée au sous-sol.
Pour le circuit hydraulique de la pompe à chaleur, les mesures montrent clairement que le
CoP varie de manière significative durant son fonctionnement, car le sous-sol rafraichit lors
de l’extraction de chaleur et aussi puisque le procédé fonctionne mieux avec des températures
plus élevées, comme le montre ses courbes d’efficacité. On peut noter qu’avec la puissance
électrique et la puissance extraite du sous-sol, 90 % de cette énergie est envoyée à la maison.
Mais en raison des pertes thermiques importantes lors des liaisons entre les différents sous-
systèmes, seulement 60 % est réellement utilisée pour chauffer la maison. Ainsi, lorsque 1 kWe
est consommé par la PAC, 3,33 kWt est extrait du sous-sol. À partir de ces 4,33 kW d’énergies
primaires, 2,34 kWt sont réellement utilisées pour chauffer la maison, donc environ 55 %.
Une vision globale du procédé, négligeant la part des pertes thermiques dans le sous-
sol avant l’extraction de chaleur, met en évidence la valeur globale d’entrée, composée de
4,44 kWr d’irradiation solaire, 1 kWe consommé par la PAC et 2 kWt extraits du sous-sol
(si les 1,33 kWt de puissance solaire injectée sont entièrement réutilisées). La somme de
l’ensemble des énergies primaires est d’environ 7,44 kW. La puissance thermique de sortie
(2,34 kWt ) est la puissance nécessaire pour chauffer la maison. Par conséquent, l’efficacité
globale du système est seulement de 30 %. La somme de toutes les pertes thermiques est
2.4 Analyse énergétique du procédé de GÉOHELIOS 83

d’environ 5,1 kW et représente 68,5 % de l’énergie d’entrée. On peut également noter que
environ 87 % de l’énergie primaire est « gratuite » (solaire et géothermique), mais que le
CoP global du procédé n’est que de 2,34.
Le principal paramètre inconnu est, comme mentionné précédemment, le lien entre les
circuits solaires et de la PAC. En effet, la quantité de chaleur injectée dans le sous-sol et qui
est réellement récupérée par la pompe à chaleur est difficile à déterminer sans l’utilisation
d’un modèle du forage et de l’ensemble des différents sous-systèmes qui composent le procédé
hybride. Cette modélisation fait l’objet d’une partie du troisième chapitre.

Conclusion du chapitre
Dans ce chapitre, nous avons tout d’abord présenté les deux projets sur lesquels s’appuient
nos travaux de recherche. Nous avons ainsi mis en avant, d’une part, les points communs
entre les deux procédés expérimentaux, et d’autre part, les particularités et avantages qu’elles
présentent.
Ensuite, nous avons présenté le système de monitoring tel qu’il a été installé sur les
sites expérimentaux et une description détaillée des caractéristiques des différents type de
capteurs a été établie. Suite à ces mesures, une analyse du procédé global de Saint-Pierre
dels Forcats a été réalisée et a permis de mettre en évidence différents points de l’installation
nécessitant une amélioration substantielle. Ces constats s’avèreront donc utiles lors de la
phase de modélisation, que nous allons aborder dans le chapitre suivant, et la phase de
contrôle qui fera l’objet du dernier chapitre de ce manuscrit.
L’objectif final de ces travaux étant de proposer un système de contrôle capable d’amé-
liorer la gestion des deux sources d’énergie utilisées (le solaire et la géothermie), le chapitre
suivant présentera le développement des différents sous-modèles d’un procédé hybride so-
laire/géothermie. À partir de la connaissance de chaque sous-système, nous justifierons le
type de modèle choisi et nous présenterons alors la démarche ayant amené au développement
de chaque sous-modèle et les résultats obtenus.
Chapitre 3

Modélisation d’une installation

hybride solaire/géothermie

Introduction

D ans ce chapitre, sera présentée la modélisation de l’installation hybride solaire/géothermie

de Saint-Pierre dels Forcats.
La première partie décrira les différents outils utilisés lors de la modélisation et de
l’identification des procédés à partir des données expérimentales. Différentes méthodes seront
donc expliquées suivant la connaissance que l’on a du fonctionnement du procédé et/ou
des mesures expérimentales dont on dispose. Le principe de fonctionnement de l’algorithme
d’identification utilisé, basé sur la minimisation des moindres carrés non linéaires et utilisant
la méthode de la région de confiance de Newton, sera ensuite détaillé. Les modèles utilisés sont,
soit des modèles de connaissance, soit des modèles reposant sur les méthodes de l’intelligence
artificielle.
La seconde partie détaillera, tout d’abord, la mise en place des différents sous-modèles,
ainsi que la validation de chacun d’entre eux. Enfin, dans la troisième partie, nous nous
intéresserons à la modélisation de l’un des sous-systèmes de l’installation : le bâtiment.
Celui-ci, situé à Saint-Pierre dels Forcats et considéré comme procédé pilote, sera décrit en
détail et les résultats de simulations réalisées par le biais du logiciel TRNSYS seront présentés
(les travaux incluront les différents scénarios d’occupation et d’apports de chaleur).
3.1 Méthodologie de modélisation et d’identification des systèmes 87

3.1 Méthodologie de modélisation et d’identification

des systèmes
3.1.1 Objectifs
Dans cette section, nous présenterons les objectifs et intérêts principaux de la modélisation
et de l’identification d’un procédé physique en général. Ainsi, différentes approches seront
abordées. Nous choisirons ensuite celles qui sont les mieux adaptées à notre installation pilote.
Les applications et les résultats seront présentés par la suite.
La modélisation d’un procédé physique peut se faire à l’aide de 3 principales méthodes :
– La première consiste à disposer de toutes les équations mathématiques et des paramètres
qui sont alors spécifiques au procédé (obtenus par identification) considéré. On parle
alors de modèle quantitatif ou mathématique ou encore de modèle dit « boı̂te blanche »
[85]. Ce cas s’apparente bien aux procédés mécaniques, comme, par exemple, des moteurs
ou des pendules oscillants dont on maı̂trise bien les principes de fonctionnement.
– S’il n’est pas possible de développer un modèle physique du système, généralement à
cause du manque d’informations sur les paramètres physiques de ce système réel (au
moins un paramètre qui ne respecte plus les conditions théoriques) ou bien à cause d’un
procédé plus complexe, on peut faire appel à des modèles dits « boı̂te noire » et pouvant
parfois faire appel aux techniques de l’intelligence artificielle (approche qualitative).
– En pratique une combinaison des approches quantitatives et qualitatives donne des
résultats plus probants. On parle alors de modèles « boı̂te grise ».
À ces trois méthodes, il convient d’ajouter la notion de capteur logiciel [74]. Ce dernier
permet, grâce à l’analyse et la connaissance, de se substituer à un ou plusieurs capteurs
physiques, inexistants ou trop chers.

3.1.2 Identification d’un modèle non-linéaire de type « boı̂te grise »

[Link] Problématique de l’identification

On appelle boı̂te grise, un modèle dont on peut définir explicitement la forme des équations
qui lient les entrées aux variables d’état du modèle ainsi qu’aux sorties. On dispose donc de
la connaissance a priori de la structure du modèle, l’incertitude étant associée uniquement
aux valeurs des paramètres entrant en jeu dans ces équations.

[Link] Processus d’identification

[Link].1 Description générale des équations

Chaque variable physique y(k) correspond à la variable de sortie d’un modèle mathématique
non-linéaire décrit sous la forme d’équations différentielles f, g, dépendantes de paramètres
88 Chapitre 3 : Modélisation d’une installation hybride solaire/géothermie

connus ou inconnus ζ. Ces équations peuvent comprendre des variables d’état dites internes
x(k) qui n’apparaissent pas au sein des variables de sorties. Certaines variables peuvent être
les solutions d’équations purement algébriques ou comporter des composantes logiques (valeur
nulle (0 ou faux) ou unitaire (1 ou vrai)) ou discrètes (valeurs appartenant à l’ensemble des
entiers relatifs Z). De façon générale, un ensemble de sorties d’un système modélisé peut se
représenter sous la forme (3.1).

⎧
⎪
⎪ ẋ(k) = f (x(k), u(k), ζx )
⎨
⎪
⎩ y(k) = g(x(k), u(k), ζy )
(3.1)
⎪

[Link].2 Formulation du problème d’identification

À partir d’une structure d’équations définies sous la forme (3.1), il faut parvenir à calculer les
valeurs optimales des paramètres ζx et ζy . Pour cela, on utilise un algorithme de minimisation
d’un coût, dépendant de l’écart entre les sorties simulées ysim par le modèle en fonction des
vecteurs d’entrées expérimentaux appliqués et les vecteurs de sortie expérimentaux yexp . Le
processus d’identification, employé ici pour l’estimation des paramètres d’un modèle, utilise
la méthode de minimisation de l’erreur d’estimation. Soit ǫi (k) l’erreur d’estimation de la
sortie i à l’instant k (3.2) entre la valeur expérimentale et la valeur simulée, on peut alors
définir l’erreur ei comme étant la somme des erreurs sur l’ensemble des N échantillons (3.3).

ǫi (k) = yexpi (k) − ysimi (k) (3.2)

ei = ∑ ǫ2i (k)
N
(3.3)
k=1

Ainsi, pour ny sorties dont on connait la mesure expérimentale de N échantillons successifs,

on peut définir l’erreur d’estimation globale E (3.4), comme le vecteur ligne contenant l’erreur
e des ny sorties du modèle.

E = {e1 , . . . , eny } (3.4)

Le problème d’optimisation se formule donc sous la forme de la minimisation quadratique

de ces erreurs en optimisant les vecteurs de paramètres libres ζx et ζy des équations du modèle.
Dans le cas d’un modèle possédant plusieurs sorties (systèmes SIMO (Single Inputs Multiple
Outputs ou MIMO Multiple Inputs Multiple Outputs), le critère d’erreur reste un scalaire,
mais est une fonction composée de la somme des critères d’erreur de chaque sortie, assortie
d’un poids ωi , pondérant son importance dans le critère de minimisation global, par le biais
de la matrice de pondération W (3.5). On minimise donc la trace de la matrice représentant
l’ensemble des erreurs d’estimation (3.6). Afin d’obtenir une identification homogène, le poids
ω attribué à chaque variable correspond à l’inverse de la valeur absolue maximale de cette
3.1 Méthodologie de modélisation et d’identification des systèmes 89

variable au niveau du vecteur expérimental utilisé pour l’identification.

⎧
⎪
⎪
⎪ ⎛ω1 0 0 ⎞
⎪
⎪
⎪
⎪
⎪ W = ⎜⎜0 ⋱ 0⎟
⎟
⎪
⎨ ⎝ 0 0 ωn ⎠
⎪
(3.5)
⎪
⎪
⎪
⎪
⎪
⎪ ωi =
1
⎪
⎪ ∣max (yexpi )∣
⎩

ny
min(Tr (E T ⋅ E ⋅ W )) = min(∑ (ωi ⋅ e2i )) (3.6)
ζx ,ζy ζx ,ζy i=1

[Link].3 Algorithme de minimisation des moindres carrés non-linéaires par la

méthode de la région de confiance de Newton
Les algorithmes numériques de minimisation de Matlab® , permettant de résoudre le
problème d’optimisation décrit en (3.6), utilisent la méthodologie des moindres carrés non-
linéaires [61, 72], basée sur la méthode de la région de confiance de Newton, décrite en détails
par Coleman et al., [29, 30] et Byrd et al., [24].
Il s’agit d’une méthode de minimisation itérative : à partir d’un point xk on cherche le
point xk+1 tel que f (xk+1 ) < f (xk ) jusqu’à atteindre le point xn tel que f (xn ) ≈ minf (x).
L’idée de cette méthode, pour résoudre le problème min(f (x)), est d’approcher f (xk ) par
x

une fonction m(xk ) plus simple, dans une région de confiance, un sous espace Rk , dans lequel
x

m a un comportement proche de f , pour des valeurs proches de xk . On résout alors le problème

d’optimisation simplifiée (3.7) dans ce sous espace, c’est le sous-problème d’optimisation de
la région de confiance.

⎧
⎪ (m(p)) ∣ p ∈ Rk
⎪ min
⎨ p
⎪
(3.7)
⎪
⎩ Rk = {xk + r ; ∥r∥2 ≤ ∆}

r représente le rayon de la région de confiance Rk autours de xk . ∆ est un scalaire qui

permet de dimensionner ce rayon.
La solution déterminée aura beaucoup de chance de convenir si, p ∈ Rk est tel que
f (xk + p) ≈ m (xk + p). En effet, on évalue ensuite le point xk + p avec la fonction f et si
f (xk + p) < f (xk ) alors un nouveau minimum a été trouvé tel que xk+1 = xk + p et on peut
continuer l’optimisation à partir de ce nouveau point. Dans le cas contraire, cela signifie que
la région de confiance n’est pas adaptée et qu’il faut la réduire car m ne correspond plus assez
à f quand on s’éloigne trop de xk . La réduction de la dimension de la région de confiance,
c’est-à-dire de ∆, est discutée dans les travaux de Sorensen [88] et de Coleman et Verma et
al., [31].
Généralement la fonction d’approximation quadratique m est définie par les deux premiers
termes de l’approximation de Taylor de f autours de xk (3.8), comme décrit par Moré et
90 Chapitre 3 : Modélisation d’une installation hybride solaire/géothermie

Sorensen [68]. La région de confiance Rk a alors une forme ellipsoı̈dale autour de xk .

⎧
⎪
⎪
⎪ min ( ⋅ pT ⋅ H ⋅ p + pT ⋅ ∇f )
1
⎨ p 2
⎪
(3.8)
⎪
⎩ xk + p ; ∥D ⋅ p∥2 ≤ ∆}
⎪

D est une matrice diagonale d’échelle telle que ∥r∥2 ≡ ∥D ⋅ p∥2 . H représente le Hessien de
la fonction f et ∇f son gradient. Lorsque le Hessien est calculé de façon exacte, la méthode
est dite « à région de confiance de Newton ». Certains optimiseurs numériques permettent de
résoudre ce nouveau problème d’optimisation, quelle que soit la dimension du sous-espace de
la région de confiance [68] avec, par exemple, les méthodes du point de Cauchy ou de Dogleg.
Certains algorithmes utilisent conjointement des méthodes heuristiques pour résoudre ce
problème [89]. L’optimiseur, qui a été utilisé dans ce travail, restreint le sous-espace Rk à un
espace de dimension 2, pour la résolution de ce problème, comme décrit par Branch et al.,
[22], et Byrd et al., [25]. Déterminer la solution optimale de p dans ce sous-espace Sk est alors
fortement simplifié, la complexité du travail étant alors de parvenir à définir correctement ce
sous-espace, comme le décrit la méthode de Steihaug [89].
Dans le cas général, la méthodologie retenue pour définir ce sous-espace se base sur le
gradient conjugué préconditionné. Ainsi, le solveur défini Sk selon la base s1 et s2 , avec s1
la direction du gradient de f , c’est-à-dire (∇f ) et s2 correspondant, soit à la direction de
Newton, solution de (3.9), soit à la direction de la courbure négative, solution de (3.10).

H ⋅ s2 = −∇f (3.9)

sT2 ⋅ H ⋅ s2 < 0 (3.10)

Le choix de S est fait pour accélérer la convergence, si possible en empruntant la direction

de la plus forte pente, afin d’obtenir une convergence locale rapide.
Dans le cas de la minimisation des moindres carrés non-linéaires, une valeur approchée
de la direction selon la méthode de Gauss-Newton est calculée. La valeur de p, solution de
l’équation (3.11), est alors utilisée pour aider à définir le sous-espace Sk .

min∥J ⋅ s + f (s)∥2
2
(3.11)
s

J représente la matrice jacobienne de f .

La résolution de ce problème d’optimisation pour trouver le sous-espace utilise alors, à
chaque itération, la méthode du gradient conjugué préconditionné (3.12).

J T ⋅ J ⋅ s = −J T ⋅ f (s) (3.12)
3.1 Méthodologie de modélisation et d’identification des systèmes 91

3.1.3 Identification d’un modèle non-linéaire de type « boı̂te noire »

de la forme Hammerstein-Wiener
Lorsque la connaissance du système à modéliser est trop faible pour définir facilement des
équations le décrivant, ou qu’aucun modèle de type « boı̂te grise » n’a permis d’identifier un
modèle suffisamment précis, des modèles de type « boı̂te noire » peuvent être utilisés .
Il en existe de différentes sortes, linéaires ou non-linéaires. Pour la modélisation du procédé
et plus particulièrement pour les circuits hydrauliques, nous avons retenu une modélisation
non-linéaire. Il existe différentes structures de modèles boı̂tes noires non-linéaires, les plus
connus étant les modèles ARX non-linéaires et les modèles Hammerstein-Wiener. Ces deux
types de modèles ont en commun l’utilisation conjointe d’une structure linéaire et d’une
structure non-linéaire.
Les modèles de type Hammerstein-Wiener reposent sur des fonctions de transfert linéaires
(YL (z) = B(z)
F (z) ⋅ UL (z)), auxquelles sont ajoutées des non-linéarités statiques au niveau des
entrées et des sorties (Figure 3.1). Celles qui sont appliquées aux entrées sont de la forme
(UL (t) = f (U (t))) (ce qui donne la dénomination de Hammerstein) et les non-linéarités appli-
quées aux sorties (donnent la dénomination de Wiener) sont de la forme (Y (t) = g(YL (t))).

123456 3 743A6

3 D97EF9A25BA46 3 3
27289A254BA46 27289A25BA46
D
C 

Figure 3.1 – Modèle Hammerstein-Wiener

Nous avons choisi ce type de modèle pour les avantages qu’il présente. Il permet, tout
d’abord, de définir de façon simple, à la fois la dynamique du système par l’utilisation
de fonctions de transfert, et des non-linéarités par un choix large et flexible de fonctions
statiques non-linéaires. Le découpage en blocs permet également d’utiliser une partie des
informations sures, sur le processus (non-linéarité, modèle linéarisé . . .), et de n’identifier que
les paramètres des autres blocs. Ainsi, l’utilisation de ce type de modèles peut répondre de
façon intéressante à la modélisation d’un grand nombre de systèmes. De plus, sa structure
reste proche de la théorie des systèmes linéaires, puisque le bloc central reste une fonction de
transfert. Son aspect orienté par blocs, avec fonctions de transfert et non-linéarités statiques,
lui permet de limiter le coût de la procédure de modélisation, par rapport à une modélisation
phénoménologique. Enfin, de par les éléments qui le constituent, ce type de modèle est
généralement facile à utiliser pour faire a posteriori du contrôle (rapidité d’exécution) comme
ce sera le cas dans le chapitre 4.
92 Chapitre 3 : Modélisation d’une installation hybride solaire/géothermie

3.1.4 Modélisation de procédés par neuroflou

[Link] Introduction

Parmi les modèles du système hybride solaire/géothermie, certains ont été développés
en utilisant les méthodologies de l’intelligence artificielle, particulièrement le neuroflou. Il
s’agit d’une méthodologie combinant les réseaux de neurones à la logique floue. Afin de
bien comprendre le principe de cette méthode, nous présenterons dans un premier temps
les éléments de base nécessaires à la compréhension de la logique floue. Nous nous intéresse-
rons particulièrement aux outils que nous utiliserons dans la suite, pour la mise en œuvre
de systèmes d’inférences floues et neurofloues. Nous n’aborderons pas les développements
mathématiques de la théorie des ensembles flous. Le lecteur intéressé par ces considérations
pourra se référer aux travaux de Zadeh [62] ou de Kaufmann [14].
La théorie des ensembles flous (fuzzy sets) a été développée en 1965 par le professeur
L. A. Zadeh de l’Université de Berkeley en Californie [62]. Elle peut être définie comme
un concept mathématique, dont l’objectif est de modéliser les notions vagues ou imprécises
du langage naturel, pour pallier à l’inadéquation de la théorie des ensembles classiques,
dans ce domaine [96]. Dès 1975, on trouve les premières applications de la logique floue au
niveau des systèmes de réglage [36]. Comme tout nouveau concept, la logique floue a été
confrontée à des débuts difficiles avant de connaı̂tre, à partir de 1985, un essor prodigieux, dû
principalement à l’évolution de l’intelligence artificielle et aux applications pratiques dans le
domaine de la commande et du contrôle des procédés industriels au Japon. La capacité de
la théorie à pouvoir intégrer le savoir faire humain dans le raisonnement et l’apparition de
logiciels puissants spécialisés dans le traitement des systèmes d’inférences floues ont permis
son ouverture à un champ d’applications quasi illimité à travers le monde. On peut noter
entre autres, les secteurs de l’énergie (régulateurs de température, systèmes de climatisation),
les transports (automobiles, métros, avions), les industries (papeterie, cimenterie, sidérurgie),
la médecine, les biotechnologies ou encore la robotique.

[Link] Généralités sur la logique floue

[Link].1 Présentation générale

Les ensembles classiques sont caractérisés par des frontières abruptes qui donnent lieu à deux
catégories d’éléments : ceux qui appartiennent à l’ensemble, et ceux qui ne lui appartiennent
pas. Dans un tel Univers (U), en modélisant le concept d’appartenance à un ensemble A
(A ⊂ U ) par la fonction µA , on a :

Si x ∈ A alors µA (x) = 1
Si x ∈/ A alors µA (x) = 0

La fonction µA est une fonction binaire (∀x ∈ U , µA (x) ∈ [0 ; 1]) qui permet simplement
de savoir si un élément appartient ou non à un ensemble donné. Cependant, dans le langage
3.1 Méthodologie de modélisation et d’identification des systèmes 93

naturel, les frontières entre les différents ensembles ne sont pas aussi abruptes. En effet, les
expressions du type « grand, beau, intelligent, âgé, etc. » sont des termes relatifs à celui
qui parle et aussi, à son environnement. Il serait, par exemple, délicat de faire une partition
rigide de l’espace associé à l’adjectif « beau ». En revanche, on peut envisager un passage
progressif d’un ensemble à un autre et c’est là l’intérêt de la logique floue. En fait, la logique
floue propose une extension de la fonction traduisant la notion d’appartenance classique
pour prendre en compte les notions imprécises ou relatives. Une bonne illustration serait
de considérer la classification de la population en trois ensembles d’âges. Suivant la logique
classique on pourrait par exemple faire la classification suivante :

0 - 30 ans : jeunes
31 - 50 ans : entre deux âges
51 ans et plus : âgés

Comme le montre la Figure 3.2.a, dans une telle approche, une personne est soit « jeune »,
« entre deux âges » ou « âgée ». Ainsi une personne de 28 ans sera considérée comme jeune,
au même titre qu’une autre de 2 ans. Par ailleurs, une personne passerait de manière brusque
à la classe « entre deux âges » en ayant 31 ans. Cela laisse apparaı̂tre le manque de finesse
d’une telle classification car en réalité, le passage d’une classe à une autre doit se faire de façon
progressive. La logique floue dont les variables peuvent prendre toutes les valeurs comprises
entre 0 et 1, permet de tenir compte de cette réalité. Ainsi, sur le même exemple, on peut
envisager la classification proposée sur la Figure 3.2.b. Dans cet exemple, une personne de 25
ans appartient à l’ensemble « jeunes » avec un degré de 0,75 et à l’ensemble des « entre deux
âges » avec un degré de 0,25. En revanche, un individu de 70 ans appartiendra entièrement à
la classe des « âgés ».

Figure 3.2 – Classification de la population en sous-ensembles caractérisant l’âge

[Link].2 Définitions
La première étape, lors d’une analyse par logique floue, consiste à déterminer les grandeurs
nuancées à prendre en compte. Ces grandeurs, appelées variables linguistiques, peuvent
94 Chapitre 3 : Modélisation d’une installation hybride solaire/géothermie

être de type quelconque. Par exemple, dans l’illustration précédente, nous avons analysé la
variable linguistique « Âge » dont nous avons subdivisé le domaine de variation (ou univers
de discours) en trois sous-ensembles flous (Figure 3.2.b). Pour un Univers E, on définit un
sous-ensemble flou A de E par la donnée d’une application µA de E vers l’intervalle [0 ; 1]
défini par :

∀x ∈ E, 0 ≤ µA (x) ≤ 1 (3.13)

L’application µA est appelée fonction d’appartenance, et la valeur de µA (x) est appelée

degré d’appartenance de x à l’ensemble A. Une variable linguistique est définie par l’ensemble
des fonctions d’appartenance associées aux différents sous-ensembles flous. Cette opération
permet de passer d’une représentation linguistique nuancée à des valeurs numériques µ(x)
comprises entre 0 et 1. Les sous-ensembles flous sont manipulés par les opérateurs afin de faire
des déductions floues (ou inférences). Les caractéristiques les plus utiles à la représentation d’un
sous-ensemble flou noté A ont trait principalement à la forme de sa fonction d’appartenance
µA . La Figure 3.3 illustre l’ensemble de ces caractéristiques sur un exemple simple.

Figure 3.3 – Caractéristiques d’un sous-ensemble flou

Le support
On appelle support de A, noté Supp(A), l’ensemble des éléments de E pour lesquels le
degré d’appartenance à A n’est pas nul.

Supp(A) = {x ∈ E / µA (x) > 0} (3.14)

3.1 Méthodologie de modélisation et d’identification des systèmes 95

Le noyau
On appelle noyau de A, noté Noy(A), l’ensemble des éléments de E pour lesquels le degré
d’appartenance à A est égal à 1 :

N oy(A) = {x ∈ E/µA (x) = 1} (3.15)

La hauteur
On appelle hauteur de A, noté h(A), la plus grande valeur prise par la fonction d’apparte-
nance associée à A :

h(A) = supx∈E µA (x) (3.16)

A est dit normalisé si h(A) = 1.

Les α-coupes
On appelle α-coupe de A, noté Aα , l’ensemble des éléments de E pour lesquels le degré
d’appartenance à A est au moins égal à α :

Aα = {x ∈ E / µA (x) ⩾ α} (3.17)

[Link].3 Opérations de base sur les ensembles flous

Le concept de sous-ensemble flou étant une généralisation du concept classique de sous--
ensemble, il est légitime de généraliser les opérations ensemblistes classiques aux sous--
ensembles flous. Soient A et B deux sous-ensembles flous d’un même ensemble de référence E,
on généralise alors les opérations ensemblistes sur A et B de la manière suivante :

Égalité
A et B sont dits égaux si leurs fonctions d’appartenance prennent la même valeur pour
tout élément de E :

A = B ∶ ∀x ∈ E, µA (x) = µB (x) (3.18)

Inclusion
On dit que A est inclus dans B si tout élément x de E appartient à B avec un degré au
moins aussi grand que celui de son appartenance à A :

A ⊆ B ∶ ∀x ∈ E, µA (x) ⩽ µB (x) (3.19)

96 Chapitre 3 : Modélisation d’une installation hybride solaire/géothermie

Intersection
L’intersection de deux sous-ensembles flous A et B de E est un sous-ensemble flou composé
des éléments de E auxquels on attribue le plus petit des deux degrés d’appartenance à A et
B:

C = A ∩ B ∶ ∀x ∈ E, µC (x) = min(µA (x), µB (x)) (3.20)

Union
L’union de deux sous-ensembles flous A et B de E est un sous-ensemble flou composé des
éléments de E auxquels on attribue le plus grand des deux degrés d’appartenance à A et B :

C = A ∪ B ∶ ∀x ∈ E, µC (x) = max(µA (x), µB (x)) (3.21)

Complément
On définit le complément AC d’un sous-ensemble flou A de E de telle sorte qu’un élément
x de E appartient d’autant plus à AC qu’il appartient peu à A :

AC ∶ ∀x ∈ E, µAC (x) = 1 − µA (x) (3.22)

Commutativité, associativité et distributivité

La logique floue conserve d’autres propriétés de la logique classique. Ainsi, étant donnés
les ensembles flous A, B et C on a :
- commutativité : A ∪ B = B ∪ A et A ∩ B = B ∩ A
- associativité : (A ∪ B) ∪ C = A ∪ (B ∪ C) et (A ∩ B) ∩ C = A ∩ (B ∩ C)
- distributivité : A ∪ (B ∩ C) = (A ∪ B) ∩ (A ∪ C) et A ∩ (B ∪ C) = (A ∩ B) ∪ (A ∩ C)

[Link].4 Normes et conormes triangulaires

La généralisation de l’union et de l’intersection ensembliste classique aux sous-ensembles
flous n’est pas définie de manière unique. Zadeh L. A. [62] a proposé, en premier, d’utiliser
les opérateurs « min », pour l’intersection et « max » pour l’union de sous-ensembles flous,
comme nous l’avons défini précédemment. Il existe, en fait, une multitude d’opérateurs que
l’on peut utiliser pour mettre en œuvre les opérations d’union et d’intersection qui, par
prolongement logique, correspondent aux opérateurs de disjonction et conjonction utilisés
dans les propositions floues. Ces opérateurs sont regroupés en deux familles : les normes
triangulaires, notées T-normes, qui définissent les opérateurs d’intersection ou de conjonction
et les conormes triangulaires, notées T-conormes, qui définissent les opérateurs d’union ou de
disjonction.
3.1 Méthodologie de modélisation et d’identification des systèmes 97

T-norme
T ∶ [0, 1] × [0, 1] → [0, 1] est une fonction de type T-norme si et seulement si pour chaque
élément x, y et z de [0, 1], elle vérifie les propriétés suivantes :
(T 1) ∶ T (x, 1) = x 1 est l’élément neutre
(T 2) ∶ x ≤ y, u ≤ v ⇒ T (x, u) ≤ T (y, v) isotonie
(T 3) ∶ T (x, y) = T (y, x) commutativité
(T 4) ∶ T (x, T (y, z)) = T (T (x, y), z) associativité

T-conorme
T ∶ [0, 1] × [0, 1] → [0, 1] est une fonction de type T-conorme si et seulement si pour chaque
élément x, y et z de [0, 1] elle vérifie la propriété :
(S1) ∶ S(x, 0) = x 0 est l’élément neutre
ainsi que les propriétés : (T2), (T3) et (T4).
À partir de ces deux familles d’opérateurs, il est possible de définir tout un ensemble de
mises en œuvre différentes, associées aux opérations de disjonction-conjonction ou union-
intersection [38, 53]. Ces opérateurs ont alors des propriétés distinctes qui vont influer sur
le type de raisonnement approximatif qui va en découler [18]. Nous avons regroupé, dans le
Tableau 3.1, les principales T-normes et T-conormes duales.

T-norme T-conorme Nom

min(x,y) max(x,y) Zadeh
x.y x+y - x.y probabiliste
max(x+y-1, 0) min(x+y, 1) Lukasiewicz

Tableau 3.1 – Principales T-normes et T-conormes

[Link] Mise en œuvre d’un Système d’Inférences floues

[Link].1 Principe du raisonnement flou

Le raisonnement flou s’appuie sur le concept des sous-ensembles flous présenté précédemment
pour prendre en compte et manipuler des informations de nature imprécise, des classes aux
frontières vagues qui peuvent se superposer, la notion de multi-appartenance d’un élément à
plusieurs catégories avec un certain degré. Outre l’ensemble de ces concepts fondamentaux, le
raisonnement flou permet de concilier, de manière cohérente, des données symboliques ou
qualitatives (connaissances humaines) avec des données numériques [63, 64].
Nous présentons, dans cette partie, les principes du raisonnement flou qui sont déduits
d’une logique formelle que l’on peut rapidement décrire de la manière suivante :
98 Chapitre 3 : Modélisation d’une installation hybride solaire/géothermie

Les connaissances imprécises sont représentées par des propositions floues de type « X est
A » où X est une variable et A un sous-ensemble flou souvent associé à un terme linguistique
(ex : « jeune », « vieux », « grand », etc.). Ces propositions floues sont ensuite introduites
dans des règles floues de type « Si X est A alors Y est B ».
On appelle prémisse la première partie de la règle (X est A) et conclusion la seconde partie
de la règle (Y est B). L’agrégation de ces différentes règles floues constitue alors un Système
d’Inférences Floues (SIF) qui permet de conduire le raisonnement approximatif ou flou.
D’une manière générale, on peut combiner des propositions floues de type (X est A) par
des opérateurs logiques de conjonction et de disjonction (« ET » et « OU »), mis en œuvre
respectivement par des T-normes et T-conormes. Par exemple, si l’on considère la proposition
floue suivante :

p : X1 est A1 et X2 est A2 ,

avec X1 et X2 respectivement définies sur E1 et E2 , alors pour tout x = (x1 , x2 ) de

E1 × E2 , la proposition p est représentée par la relation floue P de fonction d’appartenance :
µP (x) = T (µA1 (x1 ), µA2 (x2 )), où T est une T-norme.
En fait, le raisonnement mené, à partir des règles floues, découle du modus ponens classique
qui a été généralisé de la manière suivante :

Règle : Si X est A alors Y est B

Fait : X est A’
Conclusion : Y est B’

avec A, B, A’ et B’ des sous-ensembles flous. Le sous-ensemble flou B’ est obtenu par la

règle compositionnelle d’inférence :

∀y, µB ′ (y) = Supx T (µA′ (x), I(µA (x), µB (y))), (3.23)

où T est une T-norme et I représente l’implication floue.

Cette définition générale tient compte de l’aspect graduel des sous-ensembles flous ; ainsi
la conclusion (Y est B’) est d’autant plus proche de la conclusion de la règle (Y est B) que la
donnée (X est A’) est proche de la prémisse de la règle (X est A).

[Link].2 Méthodologie de mise en œuvre d’un SIF

L’architecture généralement utilisée pour la résolution des problèmes par logique floue est
composée de trois parties selon la Figure 3.4.
Les variables d’entrée et de sortie des systèmes sont généralement des grandeurs numériques.
Le rôle du bloc de fuzzification est de transformer ces valeurs numériques en variables floues.
On définit ainsi un ensemble flou caractérisé par des symboles et des fonctions d’appartenance.
3.1 Méthodologie de modélisation et d’identification des systèmes 99

Figure 3.4 – Structure générale d’un système d’inférences floues

À la sortie de ce bloc on a une série de variables floues réunies dans un vecteur. Au niveau des
inférences, ces variables floues sont ensuite reliées entre elles afin de décrire le fonctionnement
statique et/ou dynamique du système. C’est la partie intelligente du système car la combinaison
des entrées avec les règles floues permet de tirer des conclusions. Comme le système en sortie
du SIF doit être attaqué par des valeurs numériques, la défuzzification sert à transformer les
données. C’est en fait l’opération inverse de la fuzzification.

Pour la mise en œuvre des SIF, on distingue deux méthodes :

– la structure de Mamdani [35]

– et celle de Takagi et Sugeno [93]

Nous ferons une présentation détaillée de la structure de Mamdani dans un premier temps
avant de dégager la particularité de celle de Takagi et Sugeno.

Structure de MAMDANI
Fuzzification
La fuzzification consiste à définir les fonctions d’appartenance des différentes variables d’entrée
et de sortie. On réalise ainsi le passage des grandeurs physiques (grandeurs déterminées) aux
variables linguistiques (variables floues), qui peuvent alors être traitées par des inférences.
Les formes choisies pour les fonctions d’appartenance sont généralement triangulaires ou
trapézoı̈dales bien qu’il existe d’autres formes plus complexes. Les grandeurs physiques X
(par exemple, la température) sont réduites à des grandeurs normalisées x variant entre -1
et 1 (−1 < x < 1) avec un facteur d’échelle X/x choisi en fonction du système étudié. Pour
certaines études relativement simples, on peut se passer de cette phase de normalisation et
travailler directement avec les grandeurs physiques. En général, à une variable x, on associe
3, 5 ou 7 sous-ensembles flous représentés par des fonctions d’appartenance. Une subdivision
plus fine n’apporte pas d’amélioration significative. Par contre elle complique énormément la
formulation des règles d’inférence. Les différents sous-ensembles peuvent être caractérisés par
des symboles au choix (ex : grand, moyen, +, moins, etc.) mais la représentation standard est
la suivante :
100 Chapitre 3 : Modélisation d’une installation hybride solaire/géothermie

NG ∶ N EGAT IF GRAN D
NM ∶ N EGAT IF M OY EN
NP ∶ N EGAT IF P ET IT
EZ ∶ EN V IRON ZERO
PP ∶ P OSIT IF P ET IT
PM ∶ P OSIT IF M OY EN
PG ∶ P OSIT IF GRAN D
Les fonctions d’appartenance peuvent être symétriques ou non. Il est nécessaire d’éviter les
chevauchements insuffisants car cela provoque des zones de non intervention (zones mortes)
qui entraı̂nent une instabilité dans le fonctionnement du système.
Il est aussi indispensable de définir des fonctions d’appartenance pour la variable de sortie.
On a besoin de ses sous-ensembles flous pour la formulation des règles d’inférence et pour la
défuzzification. Les règles et les principes sont identiques à ceux adoptés pour les variables
d’entrée.
Inférences
Les règles floues utilisées dans le cadre de la modélisation et du contrôle sont généralement
de deux types : MISO (Multiple Input, Single Output) ou MIMO (Multiple Input, Multiple
Output). En considérant un système de type MISO, soit x = x1 , ..., xr les variables d’entrée
du système appartenant aux ensembles de référence X = X1 x...xXr ety, la variable de sortie
appartenant à l’espace Y. La structure de Mamdani est exprimée sous la forme d’une série de
règles du type

ri ∶ SI (x1 est Bi1 )...et...(xr est Bir ) ALORS (y est Di ) (3.24)

où Bi1 , ..., Bir etDi sont des valeurs linguistiques de x1 , ..., xr et y respectivement. En notant
Bi = Bi1 x...xBir , on peut réécrire l’équation précédente sous la forme

ri ∶ SI (x est Bi ) ALORS (y est Di ) (3.25)

Ces inférences lient les variables linguistiques xi en entrée à chacune des variables floues y
en sortie. La formulation des règles d’inférence prend en compte les comportements statiques
et dynamiques du système, de même que l’expertise humaine dans le domaine.
Dans les systèmes d’inférences par logique floue, le traitement numérique des informations
fait intervenir les opérateurs logiques ET et OU pour lier les variables floues d’entrée entre
elles au niveau des conditions de chaque règle. Le terme « ALORS » introduisant, la conclu-
sion de chaque règle, est réalisée à partir de l’équation (3.23). L’implication floue (I) de
cette équation permet de former des fonctions d’appartenance partielles, qui sont ensuite
combinées, au cours de la phase d’agrégation des règles, pour fournir, en sortie, la fonction
3.1 Méthodologie de modélisation et d’identification des systèmes 101

d’appartenance résultante. A cause du chevauchement des différents sous-ensembles flous,

on a généralement plusieurs règles actives en même temps (une règle est dite active si le
facteur d’appartenance associé est non nul). Cette difficulté doit être prise en compte lors du
traitement. Il existe plusieurs méthodes de réalisation des deux opérateurs ET et OU, dont
les noms sont associés au choix des méthodes d’agrégation des règles et d’implication. On
utilise généralement l’une des trois méthodes suivantes :

méthode d’inférence max-min

méthode d’inférence max-prod
méthode d’inférence somme-prod

Pour décrire ces trois méthodes, considérons l’exemple proposé par [50], où x1 et x2 sont
les variables d’entrée et, xR , la variable de sortie. Ces trois variables sont définies par les
fonctions d’appartenance de la Figure 3.5. Les règles d’inférence sont :

SI (x1 est P G ET X2 est EZ) ALORS xR = EZ (3.26)

OU,

SI (x1 est EZ ET X2 est N G) ALORS xR = N G (3.27)

Méthode d’inférence max-min

Cette méthode réalise, au niveau de la condition de chaque règle, l’opérateur OU par le calcul
du maximum et l’opérateur ET par le calcul du minimum. Pour la conclusion de chaque
règle, l’implication, permettant d’obtenir la fonction d’appartenance partielle, se fait par
l’opérateur ET (réalisé par formation du minimum). Enfin, au niveau de l’agrégation des
règles, l’opérateur OU, qui lie les différentes règles, est réalisé par le calcul du maximum. La
désignation de la méthode se rapporte à la réalisation de l’agrégation (max) et de l’implication
(min).
Sur l’exemple de la Figure 3.5, si nous prenons x1 = 0, 44 et x2 = −0, 67, à partir de la
condition de la première règle (x1 est PG ET x2 est EZ), nous calculons µP G (x1 = 0, 44) =
0,67 et µEZ (x2 = −0, 67) = 0,33. La condition de la première règle prend alors le facteur
d’appartenance µC1 = 0,33 (minimum des deux valeurs, à cause de l’opérateur ET). Au niveau
de la conclusion (ALORS xR = EZ), la fonction d’appartenance µEZ (xR ) pour la variable
de sortie est écrêtée à 0,33 (à cause de la formation du minimum lié à ALORS). On obtient
ainsi une première fonction d’appartenance partielle µR1 (xR ).
Pour la deuxième règle (x1 est EZ OU x2 est NG), on a µEZ (x1 =0,44) = 0,33 et µN G (x2 =-
0,67) = 0,67. Ainsi la condition OU prend le facteur d’appartenance µC2 = 0,67 (maximum
102 Chapitre 3 : Modélisation d’une installation hybride solaire/géothermie

Figure 3.5 – Présentation de méthode d’inférence max-min

des deux valeurs, à cause de l’opérateur OU). La fonction d’appartenance µEZ (xR ) est ensuite
écrêtée à 0,67 (à cause de la formation du minimum lié à ALORS) et nous obtenons une
deuxième fonction d’appartenance partielle µR2 (xR ). L’agrégation de ces deux règles permet
d’obtenir la fonction d’appartenance résultante µRES (xR ), par formation du maximum des
deux fonctions d’appartenance partielles µR1 (xR ) et µR2 (xR ).
Méthode d’inférence max-prod
Au niveau de la condition tout se passe comme pour la méthode précédente (ET réalisé
par minimum et OU, par le maximum). Par contre, l’implication dans chaque règle, est ici
réalisée par le calcul du produit. Pour l’agrégation des règles, permettant d’obtenir la fonction
d’appartenance résultante µRES (xR ), on procède par la formation du maximum (comme dans
la méthode précédente). Comme on peut le constater, la désignation de cette méthode se
réfère à la méthode d’agrégation (max) et à la méthode d’implication (prod). Pour revenir
à notre exemple, la seule différence est donc que les fonctions d’appartenance µEZ (xR ) et
µN G (xR ) ne sont plus écrêtées, mais multipliées respectivement par les facteurs 0,3 et 0,67
pour obtenir les fonctions d’appartenance partielles µR1 (xR ) et µR2 (xR ).
Méthode d’inférence som-prod
Contrairement aux méthodes précédentes, on réalise le OU par le calcul de la somme (valeur
moyenne) et le ET par le calcul du produit. Pour l’exemple considéré on obtient donc
3.1 Méthodologie de modélisation et d’identification des systèmes 103

µC1 = 0, 67 × 0, 33 = 0, 22 et µC2 = (0, 67 + 0, 33)/2 = 0, 5. L’introduction de la conclusion

par ALORS est réalisée par le produit. Les fonctions d’appartenance µEZ (xR ) et µN G (xR )
sont donc multipliées respectivement par les facteurs 0,22 et 0,5 pour obtenir les fonctions
d’appartenance partielles µR1 (xR ) et µR2 (xR ). Finalement l’agrégation est réalisée par la
formation de la somme (moyenne) de ces deux fonctions d’appartenance partielles.
Défuzzification
Les méthodes d’inférence fournissent en sortie une fonction d’appartenance résultante µRES
pour la variable y définie sur un univers de discours [a, b]. Il s’agit donc d’informations floues.
Comme nous l’avons souligné pour le bloc de fuzzification, il faudra envisager l’opération
inverse permettant de transformer ces grandeurs floues en grandeurs numériques pour les
transmettre au système extérieur. Il existe plusieurs techniques de défuzzification mais la plus
utilisée est la méthode du centre de gravité. Il s’agit de déterminer le centre de gravité y ∗ de
la fonction d’appartenance µRES (y) par l’équation (3.28).

∫ y.µRES (y)dy
b
y = ab
∗
(3.28)
∫a µRES (y)dy
Le numérateur correspond au moment et le dénominateur à la surface. La défuzzification
peut aussi être réalisée en prenant la valeur maximale de la fonction d’appartenance résultante
µRES (xR ) ou la moyenne des abscisses du maximum (en anglais : Mean of Maximum Method )
si la fonction est écrêtée.

Structure de Takagi-Sugeno
Un autre modèle couramment utilisé pour la mise en place de contrôleurs flous est celui
proposé par Takagi et Sugeno [93, 90, 91]. La particularité de ce modèle par rapport à celui
de Mamdani est que la conclusion de chaque règle n’est plus un sous-ensemble flou Di , mais
une fonction des entrées. Les règles sont du type :

ri ∶ SI (x1 est Bi1 )...et...(xr est Bir ) ALORS y = fi (x1 , ..., xr ) (3.29)

où les fi sont des fonctions de X dans Y représentant des modèles locaux utilisés pour l’ap-
proximation de la sortie du système dans l’espace, représentée par Bi . L’équation précédente
peut être écrite plus simplement comme l’équation (3.30).

ri ∶ SI (x est Bi ) ALORS y = fi (x) (3.30)

La sortie finale est la moyenne de la sortie correspondant à la règle ri , pondérée par le

degré d’enclenchement normalisé de la règle. Avec cette méthode, la défuzzification peut alors
être réalisée par l’équation (3.31).
104 Chapitre 3 : Modélisation d’une installation hybride solaire/géothermie

∑i Bi (x)fi (x)
y∗ =
∑i Bi (x)
(3.31)

Puisqu’il s’agit d’approximations locales, les fonctions fi sont souvent très simples : linéaires
ou polynomiales, voire constantes. Cette approche, fréquente en modélisation de systèmes,
suppose que la dynamique varie, tout en restant polynomiale par régions de l’espace. La
détermination des coefficients des fonctions fi se fait à l’aide de méthodes d’identification
classiques en automatique : par exemple la méthode des moindres carrés. Pour plus de détails
sur l’identification de ces coefficients, le lecteur pourra se reporter aux ouvrages [33, 104, 55].

Quelques remarques
Les modèles flous basés sur la structure de Mamdani ont l’avantage d’avoir une représenta-
tion simplifiée des règles floues. Dans cette structure, les prémisses et les conclusions sont
facilement interprétables. Cependant, lorsqu’il s’agit de systèmes complexes avec un grand
nombre de variables en entrée et en sortie, le nombre de règles devient prohibitif. L’approche
par la méthode de Takagi-Sugeno est alors mieux adaptée pour diminuer le nombre de règles.
Une fois le type de modèle défini, le choix parmi les nombreuses possibilités de formulation
des fonctions d’appartenance et des règles d’inférence dépend des objectifs de la modélisation
ou de l’action de contrôle. Plusieurs travaux s’intéressent à la réalisation de lois de commande
classiques en utilisant la logique floue. Par exemple, [66] montre la possibilité de réalisation
d’un contrôle PID avec un contrôleur flou en utilisant la méthode d’inférence som-prod et la
méthode de défuzzification par centre de gravité. Cela n’est, en revanche, pas possible avec la
méthode max-min. De même, [48] proposent une méthodologie de construction automatique
d’un contrôleur flou réalisant l’action de contrôle proportionnelle intégrale (PI).
Notons que l’un des principaux intérêts de l’utilisation de la logique floue est la possibilité
d’exprimer et de traiter l’information sous forme de langage naturel. En subdivisant direc-
tement les univers de discours numériques en sous-ensemble flous, on parle de fuzzification
numérique. Une autre approche, dite fuzzyfication symbolique [45, 54], consiste à effectuer la
subdivision sur des univers de discours formés de symboles. Ce type de raisonnement permet
de se rapprocher encore plus du langage naturel et les contrôleurs basés sur ce principe
peuvent facilement être associés à d’autres stratégies de contrôle classiques. Nous n’abordons
pas cette approche dans ce manuscrit, mais le lecteur intéressé pourra se rapporter à [34] ou
[41].

[Link] Neuroflou

Dans les systèmes complexes, le développement d’un système d’inférence flou n’est pas
aisé même quand on dispose de l’expertise humaine nécessaire. Cette difficulté a favorisé
le développement de systèmes hybrides combinant les techniques des réseaux de neurones
avec la logique floue. Les définitions liées à ce nouveau concept sont parfois différentes mais,
3.1 Méthodologie de modélisation et d’identification des systèmes 105

globalement nous pouvons faire une classification en trois groupes : les systèmes d’inférences
floues auxquels on associe des concepts issus des réseaux de neurones (apprentissage pour
la détermination de la structure et des paramètres du modèle flou) [40, 59]. Inversement
le neuroflou peut aussi être vu comme des réseaux de neurones auxquels on incorpore des
notions issues de la théorie des ensembles flous (fuzzification des opérations, des poids, des
entrées et des sorties). Finalement, une troisième approche, très souvent utilisée pour la
résolution de problèmes complexes, consiste à mettre en parallèle ou en série deux sous
systèmes dont l’un est flou et l’autre neuronal. En ne nous intéressant qu’à la première
catégorie, la démarche peut être présentée comme une automatisation de la mise en œuvre
d’un système flou classique. Ainsi, lorsqu’on dispose d’une série représentative de données,
l’extraction et l’interprétation de la connaissance se font par des méthodes d’identification
consistant à déterminer, parmi une classe de modèles, celui qui semble le plus adapté, selon
un critère donné, aux relations entre les variables d’entrée et de sortie du système [87]. Parmi
les méthodes de mise en œuvre de modèles neuroflous existants dans la littérature, on peut
faire la distinction entre les modèles de type boı̂te grise, où la base de règles est fournie
par un expert et les modèles de type boı̂te noire pure, où la base de règles elle-même, est
estimée. Dans le cas d’un modèle de type boı̂te noire, la connaissance du système se résume à
l’existence d’un ensemble d’apprentissage T = (xk , yk ), k = 1, ..., N ∈ X × Y . L’identification
du système se décompose alors essentiellement en deux étapes, même si elles ne sont pas
indépendantes : l’identification de la structure du modèle et l’estimation des paramètres. Le
modèle de type boı̂te grise requiert uniquement la deuxième étape.

[Link].1 Détermination de la structure du modèle

L’identification de la structure du modèle consiste à déterminer le nombre de sous-ensembles
flous, les formes des fonctions d’appartenances associées (en entrée et en sortie) et le nombre de
règles. En général les formes des fonctions d’appartenances ne sont pas cruciales [102]. Quant
à la détermination du nombre optimal de classes et de règles, plusieurs types d’approches
sont envisageables [52]. Parmi ces méthodes, nous nous intéressons particulièrement à la
classification automatique de l’ensemble d’apprentissage et aux techniques basées sur des
critères d’erreur de prédiction, comme les techniques de rééchantillonnage.

Classification automatique
Les méthodes les plus fréquentes reposent sur la classification de l’espace représentant
les données à partir de l’ensemble d’apprentissage. Soit P = {P1 , ..., PI } un ensemble de I
classes partitionnant l’espace X × Y . Ces classes peuvent avoir été obtenues à l’aide d’un
algorithme quelconque de partitionnement, comme par exemple les centres mobiles [19], les
cartes auto-organisatrices [92] ou les C-moyennes floues (Fuzzy C-means). Afin de tenir compte
du passage progressif d’une classe à une autre, elles peuvent également être déterminées par
une méthode de partitionnement flou, comme les centres mobiles flous [26]. Chaque classe
106 Chapitre 3 : Modélisation d’une installation hybride solaire/géothermie

Pi va permettre de construire une règle floue ri en tenant compte des relations locales entre
variables. Chaque règle correspond ainsi à une région de l’espace. La détermination du nombre
de règles revient ainsi à choisir le nombre optimal de classes. La sélection du nombre de
classes correspond à un arbitrage entre la précision et la complexité du modèle. Un grand
nombre de règles permet une grande précision dans l’estimation de la sortie du système mais
est coûteuse en temps de calcul. Inversement, si le nombre de règles est trop faible, le calcul
sera rapide, mais l’estimation sera de mauvaise qualité. Différentes variantes sont possibles
pour construire les classes. Il est courant de partitionner séparément les espaces X et Y ou
de partitionner uniquement l’espace X en classes {C1 , ..., CI } et d’induire les classes Pi sur
X × Y en utilisant, par exemple, une méthode de régression [52].
Quant à la sélection du nombre de classes, de nombreux critères ont été proposés dans
la littérature [37]. En nous plaçant dans le cas le plus fréquent consistant à partitionner
uniquement X, soit ci le centre de la classe Ci . On désigne par uik le degré d’appartenance
de l’élément xk de l’ensemble d’apprentissage à la classe Ci . Ces critères sont basés sur les
matrices de covariance (floues) de la classe i :

∑=∑
′
(xk − ci )(xk − ci )T
N
uik
k=1 ∑k uik
(3.32)
i

ou sur des mesures de dispersion intra-classes :

SSW = ∑ ∑ uik ∥ xk − ci ∥2
m N
(3.33)
i=1 k=1

En particulier, une approche simple mais efficace consiste à considérer le pourcentage

« d’inertie expliquée » par la partition, SSW/SST, où SST est la dispersion totale :

SST = ∑ ∥ xk − x̄ ∥2 , avec x̄ =
1 N
∑ xk (3.34)
k N k=1
Ces méthodes déterminent une bonne répartition des prototypes dans l’espace de représen-
tation des données. Cette répartition ne garantit pas une bonne estimation des sorties du
système, mais elle permet de résumer l’information contenue dans l’ensemble d’apprentissage.
La perte d’information est compensée par une grande lisibilité des règles.

Rééchantillonnage
L’identification de la structure peut se formuler comme un problème d’estimation fonc-
tionnelle par un réseau de neurones [103, 101, 51, 81]. Elle représente la première étape qui
consiste à contrôler la complexité du modèle afin de définir sa taille, c’est-à-dire, si on se
limite à un réseau à une couche cachée, le nombre I d’unités cachées. On peut alors utiliser
des techniques de rééchantillonnage, telles que la validation croisée.
3.1 Méthodologie de modélisation et d’identification des systèmes 107

L’une des variantes les plus utilisées de la validation croisée, connue sous le nom de « leave
one out » consiste, pour un certain nombre de valeurs de I (unités cachées), à effectuer la
procédure suivante : le point (xk , yk ) est retiré de l’échantillon et on estime la variable y en
xk à l’aide des N − 1 exemples restants. L’estimateur de yk obtenu étant noté fˆI (xk ), on
(−k)

construit alors le critère de validation croisée CV(I) suivant :

CV (I) = ∑ (yk − fˆI (xk ))2

1 N (−k)
(3.35)
N k=1

Une fois la première phase achevée, la taille du modèle est déterminée et il ne reste plus
qu’à sélectionner les paramètres, représentés par un vecteur w, de l’équation (3.25) ou de
l’équation (3.30) selon qu’il s’agisse d’un modèle de type Mamdani ou Takagi-Sugeno. Ce
vecteur contient les paramètres des fonctions d’appartenance des ensembles flous Bi et Di
dans le cas d’un modèle de type Mamdani. Dans le cas d’un modèle de type Takagi-Sugeno,
il contient les paramètres de Bi ainsi que les coefficients des polynômes fi . Cette deuxième
phase correspond au problème classique de l’optimisation des paramètres w d’un réseau
de neurones, c’est-à-dire d’une fonction non linéaire w ↦ f (x, w). Étant donné l’ensemble
d’apprentissage, le problème consiste à ajuster les poids w en minimisant un critère d’erreur
par rapport à w.
L’algorithme le plus utilisé est celui de la descente de gradient pour lequel on calcule

w(t + 1) = w(t) − η(t)∇J(w(t)), η(t) ∈]0, 1[ (3.36)

L’algorithme s’arrête à l’itération T dès que l’erreur est inférieure à un seuil fixé. Alors
w(T ) est l’estimation finale de w. Le système neuroflou est alors complètement spécifié.

3.1.5 Définition des critères de comparaison

[Link] Coefficient de ressemblance (FIT)

Nous introduisons ici un premier coefficient, appelé FIT, qui permet de juger de la
ressemblance entre un vecteur de données expérimentales, Vexp , et un vecteur simulé, Vsim .
L’équation (3.37) présente ce calcul dont le résultat est exprimé en pourcentage. Une valeur
de 100 indique une ressemblance parfaite entre les vecteurs comparés, alors qu’une valeur
proche de 0 indique que le vecteur modélisé n’a pas un comportement plus proche du vecteur
expérimental que la moyenne de ce vecteur expérimental ⟨Vexp ⟩.

∥Vsim − Vexp ∥2
F IT = 100 × (1 − )
∥Vexp − ⟨Vexp ⟩ ∥2
(3.37)
108 Chapitre 3 : Modélisation d’une installation hybride solaire/géothermie

[Link] Erreur Absolue Moyenne (EAM)

Nous introduisons maintenant un second coefficient d’analyse, appelé EAM pour Erreur
Absolue Moyenne, qui permet de quantifier l’erreur absolue moyenne entre le vecteur expéri-
mental, Vexp , et le vecteur simulé, Vsim . L’équation (3.38) présente ce calcul, dont le résultat
est homogène aux éléments de ces vecteurs.

EAM = ∣∣Vsim − Vexp ∣∣1 (3.38)

[Link] Écart Relatif Moyen (ERM)

Nous introduisons maintenant un troisième coefficient d’analyse, appelé ERM pour Écart
Relatif Moyen, qui permet de quantifier l’écart relatif entre le vecteur expérimental, Vexp ,
et le vecteur simulé, Vsim . L’équation (3.39) présente ce calcul, dont le résultat est lui aussi
exprimé en pourcentage. Basé sur le calcul plus classique de l’erreur relative moyenne (MRE),
il normalise l’écart, non pas par la valeur du signal expérimental, mais par l’écart entre la
valeur maximale et la valeur minimale de ce vecteur expérimental. Ceci évite les problèmes
quand un signal est proche de zéro en supprimant l’influence de la composante continue d’un
signal.

∣∣Vsim − Vexp ∣∣1

ERM = 100 × ( )
max (Vexp ) − min (Vexp )
(3.39)

Les méthodes de modélisation et d’identification utilisées pour l’obtention de modèles ont

été décrites. À partir de cette méthodologie, les paramètres des équations algébriques ou
différentielles décrivant les différentes variables physiques de l’installation hybride sont
identifiées. Selon la connaissance de l’interaction physique entre les variables ou de la pertinence
des résultats, un choix itératif est réalisé pour modéliser telle ou telle variable avec un modèle
de type boı̂te grise (3.1.2) ou boı̂te noire (3.1.3). En fin d’optimisation des paramètres, les
courbes simulées et expérimentales sont comparées grâce aux indices précédents EAM (3.38),
ERM (3.39) et FIT (3.37).

3.2 Modélisation du procédé hybride de Saint-Pierre

dels Forcats
Comme nous l’avons présenté dans le chapitre 2, l’installation de Saint-Pierre dels Forcats
est composée de 5 principaux sous-systèmes : le champ solaire, l’échangeur thermique, le
forage, la pompe à chaleur et le plancher chauffant. Dans la partie qui suit, nous détaillerons
les modèles développés pour chacun d’entre eux. Ces modèles ont été réalisés à partir de
vecteurs de données expérimentales et parmi les variables mesurées, la totalité de celles issues
des capteurs numériques possède un pas de temps de 180 s. Par ailleurs, les variables provenant
3.2 Modélisation du procédé hybride de Saint-Pierre dels Forcats 109

Caractéristiques physiques
Surface d’entrée (m2 ) 2,125
Capacité absorbeur (L) 2,76
Dimensions (mm) 1204 x 1891 x 100
Caractéristiques thermiques
Performance optique η0 0,73

Tableau 3.2 – Caractéristiques physiques et thermiques du champ solaire

des capteurs analogiques, tels que les capteurs de courant ou de température possèdent un
pas de temps d’une minute. Partant de ces différences de périodes d’échantillonnage, les
données ont été complétées par interpolation pour permettre leur utilisation simultanée de
façon cohérente avec une base de temps de référence de TE = 60 s. Les modèles développés ici
sont, par conséquent, tous des modèles à temps discret échantillonnées à la période TE .

3.2.1 Champ solaire

La connaissance que nous avons sur le sous-système « champ solaire » est relativement
bonne. En effet, les propriétés chimiques et thermiques du fluide caloporteur (60% d’eau
et 40% de monopropylène glycol) sont connues. D’autre part, les caractéristiques physiques
et thermiques des panneaux solaires thermiques haute performance utilisés (2,3 HP) sont
disponibles et répertoriées dans le Tableau 3.2. Enfin, les bases de données liées au champ
solaire sont relativement exhaustives (plusieurs mois d’acquisition et données nécessaires
collectées : TEXT , TS(m)/E , TE(m)/S et ΦS ). De ce fait, l’ensemble des connaissances sur le
sous-système permet d’envisager une modélisation du comportement du champ solaire avec le
plus de précision possible, c’est pourquoi dans ce cas, une approche physique a été privilégiée.
En considérant les températures d’entrée et de sortie du champ solaire comme étant
respectivement les variables Ti et To , une approche numérique permet de déterminer la
température de sortie du champ solaire à l’instant k + 1, à savoir To (k + 1).
Le bilan de puissance sur le fluide caloporteur à la sortie du capteur solaire [23] donne
l’expression suivante :

∆Q = QS − QL − QF
° ° ° °
variation puissance puissance solaire absorbee perte thermique collecteurs chaleur absorbee
(3.40)

A savoir que, la variation de puissance entre deux instants est égale à la puissance solaire
absorbée de laquelle on soustrait les pertes thermiques au niveau du collecteur et la chaleur
absorbée par le fluide caloporteur.
110 Chapitre 3 : Modélisation d’une installation hybride solaire/géothermie

La puissance solaire reçue par l’absorbeur du collecteur s’exprime proportionnellement à

l’ensoleillement perçu par les panneaux solaires :

Q S = Φ S S C η0 (3.41)

Les pertes thermiques au niveau du collecteur sont, entre autres, proportionnelles à l’écart
de température entre l’absorbeur (définie dans le chapitre 2) et la température ambiante

QL = UL SC (TABS − TEXT ) (3.42)

QF = ṁc(To − Ti ) (3.43)

La chaleur absorbée par le fluide rend compte de l’écart entre la température de sortie et
d’entrée du fluide caloporteur. Cette expression est vraie car dans notre plage d’utilisation
les équations (3.44) sont vérifiées.

⎧
⎪
⎪
⎪
⎪
V est constant
⎨ ρin = ρout = ρ
⎪
(3.44)
⎪
⎪
⎪
⎩ cin = cout = c
Ainsi, le bilan de puissance peut être établi à partir des équations précédentes comme
suit :

∂To (t) To (t) + Ti (t)

ρV CP = Sc η0 φ(t) − UL Sc [ − TEXT (t)] − ṁCp [Ti (t) − To (t)] (3.45)
∂t 2
Par discrétisation on peut alors exprimer (3.46) la température de sortie du fluide à l’instant
To (k + 1) en fonction de celle à l’instant To (k), de l’irradiation solaire, de la température
extérieure et des paramètres géométriques et thermiques de l’installation :

⎡ ⎤
∆t ⎢⎢ To (k) + Ti (k) ⎥
To (k + 1) = To (k) + − [ − (k)] − [T (k) − (k)]⎥
ρV Cp ⎢⎢ ⎥
S c η φ(k) U L S c T EXT ṁC p i T o
⎥
0
2
⎣ ⎦
(3.46)

Les paramètres : ρ, V , Cp , Sc , η0 et ṁ étant soit mesurés, soit calculés, on peut estimer le

paramètre de déperdition thermique global UL en utilisant l’algorithme de minimisation des
moindres carrés non linéaires par la méthode de la région de confiance de Newton. On obtient
3.2 Modélisation du procédé hybride de Saint-Pierre dels Forcats 111

par cette méthode : UL = 6, 13 W /(m2 .K), ce qui surestime l’évaluation du constructeur qui
donnait une valeur de seulement 3, 06 W /(m2 .K).
Afin de traduire les erreurs entre les estimations et les mesures réelles, les critères FIT et
ERM ont été utilisés. Les données employées pour la validation du modèle vont d’octobre
2009 jusqu’à mars 2010. Le modèle (Figure 3.6) donne de bons résultats puisque FIT = 85,9%
et ERM = 2,6%.

Figure 3.6 – Validation du modèle du champ solaire

Dans le but d’interconnecter l’ensemble des sous-modèles de l’installation, le sous-modèle

présenté désormais est celui de l’élément intervenant juste après le champ solaire lorsque l’on
se trouve en phase de stockage, à savoir l’échangeur de chaleur.

3.2.2 Échangeur thermique

L’échangeur thermique qui joue un rôle intermédiaire entre le champ solaire et le sous-sol
pour le stockage de chaleur permet d’adapter les débits du fluide caloporteur dans chacun
de ces deux sous-systèmes. Ainsi le débit du forage peut alors être moins élevé que celui
du champ solaire. Afin de modéliser les deux sorties de l’échangeur thermique, à savoir les
températures TE(m)/S et TE/G , nous avons utilisé les deux variables d’entrée TS/E(m) et TG/E
ainsi que la valeur de l’état de fonctionnement des circulateurs (CirculateursON /OF F ). Notre
choix pour ce modèle s’est porté sur les méthodologies de l’intelligence artificielle, et plus
particulièrement le neuroflou avec des modèles de type Takagi-Sugeno et en particulier la
méthode ANFIS (Adaptive Neural Fuzzy Inference System). L’intérêt d’une telle méthodologie
dans le développement d’un tel modèle est de s’affranchir d’un nombre relativement important
de paramètres tels que les surfaces d’échange, le nombre de plaques, le sens de variation des
fluides, les coefficients d’échange, les débits, les paramètres thermiques du fluide caloporteur,
tout en conservant un résultat très satisfaisant.
Les données utilisées pour entraı̂ner notre modèle ont été sélectionnées afin de balayer
l’ensemble des valeurs de températures d’entrée et de sortie que peut rencontrer l’échangeur
durant l’année. En effet, on peut noter que par exemple, TS/E(m) varie entre 0 et 35 . Ces ‰
112 Chapitre 3 : Modélisation d’une installation hybride solaire/géothermie

valeurs extrêmes sont plusieurs fois rencontrées lors des cinq premiers mois de l’année, ce qui
signifie que le choix du jeu de données lié à l’apprentissage est suffisant et donc judicieux pour
établir un modèle satisfaisant, quelle que soit la période de fonctionnement de l’échangeur
dans l’année.
Les données vont de janvier à mai 2010 pour ce qui est de l’apprentissage et de janvier à
mai 2011 pour la validation. 39652 instants en mode ON (Pompes 1 et 2 actives) et 112549
instants en mode OFF (Pompes 1 et 2 inactives) pour la phase d’apprentissage et 40945
instants en mode ON et 108650 instants en mode OFF pour la phase de validation.
Le modèle de l’échangeur a été établi en développant quatre sous-modèles neuroflous :
deux sous-modèles pour la sortie TE(m)/S et deux sous-modèles pour la sortie TE(m)/G . Pour
chacune des deux variables, un sous modèle prend en compte le comportement lorsque les
pompes 1 et 2 sont activées et un autre lorsqu’elles sont à l’arrêt. Il est important de modéliser
le comportement de l’échangeur, même à l’arrêt, puisque les sorties de l’échangeur devenant
les entrées du champ solaire et du sous-sol, elles permettront de donner une information sur
les premières températures du fluide au moment où le mode d’injection sera actif.
Les fonctions d’appartenance utilisées dans Matlab® sont de type « gauss2mf ». Il s’agit
d’une fonction gaussienne dépendant de deux paramètres, σ et c donnée par :

f (x; σ, c) = e
(x−c)2
2σ 2 (3.47)

Cette fonction est une combinaison de deux valeurs de ces paramètres. La première fonction
caractérisée par σ1 et c1 détermine la forme de la partie supérieure gauche de la courbe alors
que la seconde fonction caractérisée par σ2 et c2 détermine la partie supérieure droite de cette
même courbe. Si c1 < c2, la fonction gaussienne atteint une valeur maximale de 1, sinon la
valeur atteinte est inférieure à 1. Les paramètres obtenus pour chacune des caractéristiques
des courbes (fonctions d’appartenances) et chacun des sous-modèles sont classés dans le
Tableau 3.3.
La Figure 3.7 montre les fonctions d’appartenance calculées pour la conception du modèle
neuroflou des 2 sorties de l’échangeur en mode ON et OFF. Les paramètres d’entrée des sous-
modèles ayant été établis, nous présentons dans le Tableau 3.4 les règles floues (identiques pour
chacun des sous-modèles) permettant de calculer la sortie de chacun des quatre sous-modèles
en fonction des deux entrées de chacun.
Le Tableau 3.5 présente les coefficients des fonctions d’appartenance de sortie non linéaires
obtenus. Il répertorie, pour chaque sous-modèle de l’échangeur, les trois coefficients établis.
Les quatre sorties estimées, de l’échangeur, représentées sur les Figures 3.8, 3.9, 3.10
et 3.11, présentent des résultats très satisfaisants en terme d’allure. Les courbes des valeurs
d’estimation suivent très bien les valeurs réelles dans chacun des cas.
3.2 Modélisation du procédé hybride de Saint-Pierre dels Forcats 113

Sous-modèle Entrée Nom σ1 c1 σ2 c2

in1mf1s1 2,956 -4,972 3,035 5.480
Input1
S1 : TE/S [ON]

in1mf2s1 3,014 12,38 2,913 22.88

in1mf3s1 2,942 29,87 2,956 40.28
in2mf1s1 1,553 -0,2236 1,743 5.304
Input2

in2mf2s1 1,579 8,902 1,715 14.51

in2mf3s1 1,529 18,06 1,553 23.55
in1mf1s2 2,427 -7,476 2,560 1.136
Input1
S2 : TE/S [OFF]

in1mf2s2 2,475 6,776 2,461 15.39

in1mf3s2 2,561 21,03 2,427 29.67
in2mf1s2 1,928 -5,404 2,027 1.429
Input2

in2mf2s2 1,976 5,906 1,970 12.76

in2mf3s2 2,078 17,21 1,927 24.09
in1mf1s3 2,956 -4,972 3,151 5.509
Input1
S3 : TE/G [ON]

in1mf2s3 2,976 12,40 2,960 22.88

in1mf3s3 2,934 29,85 2,956 40.28
in2mf1s3 1,553 -0,2236 1,730 5.314
Input2

in2mf2s3 1,566 8,916 1,607 14.44

in2mf3s3 1,452 18,10 1,553 23.55
in1mf1s4 2,427 -7,476 2,627 1.171
Input1
S4 : TE/G [OFF]

in1mf2s4 2,468 6,788 2,439 15.38

in1mf3s4 2,570 21,04 2,427 29.67
in2mf1s4 1,927 -5,404 1,899 1.406
Input2

in2mf2s4 1,808 6,002 1,935 12.75

in2mf3s4 1,933 17,27 1,927 24.09

Tableau 3.3 – Paramètres des fonctions d’appartenance d’entrée de sous-ensembles flous de

type gaussien des quatre sous-modèles de l’échangeur de chaleur
114 Chapitre 3 : Modélisation d’une installation hybride solaire/géothermie

Figure 3.7 – Fonctions d’appartenance d’entrée des sous-ensembles flous des deux sous-modèles
de l’échangeur

Entrées 1 Entrée 2 Règle

1 1 1
1 2 2
1 3 3
2 1 4
2 2 5
2 3 6
3 1 7
3 2 8
3 3 9

Tableau 3.4 – Règles floues pour le calcul des sorties de l’échangeur

3.2 Modélisation du procédé hybride de Saint-Pierre dels Forcats 115

Sortie Fonction d’ap- 1er coefficient 2nd coefficient 3eme coeffi-

sous- partenance cient
modèle linéaire
1 (règle 1) 0,3498 0,5011 1,153
2 (règle 2) 0,6430 0,4579 -0,9907
3 (règle 3) 689,7 -708,6 104,8
S1 : TE/S [ON]

4 (règle 4) 0,6163 0,3717 0,2183

5 (règle 5) 0,6589 0,3891 -0,6858
6 (règle 6) 0,6148 0,3046 1,935
7 (règle 7) -26,31 21,85 378,0
8 (règle 8) 0,7584 0,3243 -2,916
9 (règle 9) 0,5465 0,4467 1,167
1 (règle 1) -0,5750 1,273 -3,136
2 (règle 2) 1,591 -0,4365 0,6540
S2 : TE/S [OFF]

3 (règle 3) -20,43 33,62 -358,9

4 (règle 4) -3,186 1,981 13,48
5 (règle 5) 0,7652 0,2489 -0,2742
6 (règle 6) 2,277 -0,7840 -5,025
7 (règle 7) 216,2 -828,7 2658
8 (règle 8) 2,295 -0,4079 -24,81
9 (règle 9) 1,790 1,571 -46,50
1 (règle 1) 0,7936 0,2351 0,008944
2 (règle 2) 0,8991 0,6909 -4,619
S3 : TE/G [ON]

3 (règle 3) 432,2 -415,3 -114,1

4 (règle 4) 0,9241 0,1306 -0,2209
5 (règle 5) 1,005 0,04176 -0,8394
6 (règle 6) 0,9749 -0,01289 0.,7797
7 (règle 7) -27,52 28,84 360,7
8 (règle 8) 1,089 -0,04413 -1,961
9 (règle 9) 0,9780 0,01530 0,2710
1 (règle 1) 1,263 -0,9332 4,054
2 (règle 2) 0,7420 0,2733 0,1653
S4 : TE/G [OFF]

3 (règle 3) -18,44 -8,447 176,5

4 (règle 4) 1,972 -2,452 4,940
5 (règle 5) 0,5900 0,3952 0,3903
6 (règle 6) 0,2779 1,165 -7,444
7 (règle 7) -1740 4218 804,1
8 (règle 8) 0,1008 0,3613 14,98
9 (règle 9) 1,348 -0,07539 -5,908

Tableau 3.5 – Coefficients des fonctions d’appartenance de sortie linéaires utilisés pour le
modèle de l’échangeur de chaleur
116 Chapitre 3 : Modélisation d’une installation hybride solaire/géothermie

Figure 3.8 – Températures expérimentale et simulée du fluide à la sortie de l’échangeur vers

le champ solaire (circulateurs ON)

Figure 3.9 – Températures expérimentale et simulée du fluide à la sortie de l’échangeur vers

le champ solaire (circulateurs OFF)
3.2 Modélisation du procédé hybride de Saint-Pierre dels Forcats 117

Figure 3.10 – Températures expérimentale et simulée du fluide à la sortie de l’échangeur vers

le sous-sol (circulateurs ON)

Figure 3.11 – Températures expérimentale et simulée du fluide à la sortie de l’échangeur vers

le sous-sol (circulateurs OFF)

En plus, l’approche qualitative sur le suivi des valeurs estimées avec les valeurs réelles
de l’échangeur thermique, nous présentons ici les résultats de l’approche quantitative par le
Tableau 3.6.
Celui-ci nous donne les résultats de corrélation EAM, ERM et FIT liés à la comparaison de
ces valeurs. Les résultats apparaissent très satisfaisants pour ce qui est des erreurs commises
lorsque les pompes sont en circulation (mode ON). L’erreur absolue moyenne EAM, dans ce
‰
cas, ne dépasse pas les 0,3 ce qui donne une valeur de ERM inférieure à 1% et des valeurs
de FIT élevées, avec respectivement pour le champ solaire et le forage : 93,7% et 96,4%. Les
118 Chapitre 3 : Modélisation d’une installation hybride solaire/géothermie

EAM [ ] ‰ ERM [%] FIT [%]

TE(m)/S sim 0,271 0,990 93,7
[mode ON]
TE(m)/S sim 1,36 4,91 65,1
[mode OFF]
TE(m)/G sim 0,192 0,572 96,4
[mode ON]
TE(m)/G sim 0,514 1,85 83,9
[mode OFF]

Tableau 3.6 – EAM, ERM et FIT des sorties des quatre sous-modèles de l’échangeur de
chaleur

résultats obtenus lorsque les pompes sont à l’arrêt (mode OFF) sont très disparates d’une
sortie à l’autre. On obtient une valeur de EAM relativement acceptable pour la sortie du
‰
côté du champ solaire, 0,51 , une valeur de ERM de 1,85% et un FIT proche de 84%. En
‰
revanche, dans le cas de la sortie du coté du forage, EAM s’élève à 1,36 , la valeur de ERM
proche des 5% et la valeur de FIT atteignant 65%. Ce dernier résultat peut s’expliquer par le
fait que lorsque le fluide caloporteur ne circule plus, la chaleur contenue dans le fluide présent
dans le forage est susceptible de remonter par conduction et venir modifier la température en
sortie de l’échangeur. Ceci étant facilité par l’absence de clapets anti-retour dans l’installation.

3.2.3 Températures de sortie du forage

Le forage qui joue le rôle de zone tampon énergétique, en raison de sa capacité à stocker
et déstocker la chaleur, respectivement du champ solaire et de la PAC, est le point clé de
l’installation hybride, tant son rôle est permanent et central et la complexité de reproduire
son comportement est élevée.
En effet, afin de modéliser un tel système, deux solutions peuvent être envisagées. La
première nécessite d’intégrer l’ensemble des paramètres physiques du forage. On compte
notamment, la conductivité et la diffusivité thermique de la roche, très souvent variables
suivant la profondeur (en raison des nappes phréatiques, des différentes roches constituant le
forage...). Identifier de tels paramètres nécessite soit un carottage et une analyse géologique
précise, soit une instrumentation par des capteurs de température, à différentes profondeurs,
afin de déterminer, suivant les puissances thermiques injectées, les temps de retour à la
température d’équilibre et donc les paramètres thermiques de la roche tout le long du forage.
Une seconde méthode consiste à utiliser la capacité d’apprentissage et la connaissance
humaine et experte que peuvent apporter les méthodologies du neuroflou. C’est la méthode
que nous avons sélectionnée en raison de son efficacité, de sa mise en œuvre relativement
3.2 Modélisation du procédé hybride de Saint-Pierre dels Forcats 119

rapide et du fait que les conditions nécessaires pour réaliser la première méthode, n’étaient
pas réunies.
L’objectif de cette étape de modélisation consiste à modéliser les deux sorties du forage, à
savoir les températures TG/E et TG/P . Pour cela, nous avons utilisé, comme variables, TE/G et
TP /G , ainsi que les valeurs d’état de fonctionnement des circulateurs (CirculateursON /OF F )
et de la PAC (P ACON /OF F ).

[Link] Structure du modèle neuroflou du forage

La modélisation du forage implique la création de deux modèles de sortie. Chacun de

ces modèles de sortie a été conçu en respectant la même méthodologie. Ainsi, le modèle
de forage que nous proposons, repose sur la mise en cascades de plusieurs sous-modèles
(Figure 3.12). Son principe est d’améliorer les résultats d’un premier sous-modèle en intégrant
progressivement différentes informations. Partant d’un modèle simplifié intégrant les entrées
1.1 et 1.2 (cascade 1), on affine les résultats par un second sous-modèle, ayant pour entrées, la
sortie de la cascade 1, et les entrées 2.2, et 2.3. Les entrées 2.2 et 2.3 sont des entrées apportant
des informations complémentaires. On utilise donc la sortie de la cascade 1 comme entrée de
la cascade 2 (entrée 2.1), à laquelle on ajoute des informations telles que les températures
mises en jeu et les historiques des durées de stockage ou de déstockage depuis un temps
donné.

Figure 3.12 – Structure générale du modèle neuroflou d’une température de sortie du forage
120 Chapitre 3 : Modélisation d’une installation hybride solaire/géothermie

[Link] Étude préliminaire de corrélation

Afin de définir le délai nécessaire au calcul de la durée de fonctionnement de la PAC, nous

avons procédé à une étude de corrélation. Il s’agit de comparer pour différents délais, celui qui
offre la meilleure corrélation entre les vecteurs A et B définis respectivement par le vecteur
créé à partir de l’historique de la variable P ACON /OF F (constitué uniquement de 0 et de 1)
et le vecteur correspondant à la variable vers laquelle le modèle doit converger TG/E . Nous
avons réalisé cette étude pour un délai variant de 1 à 240 heures (soit 10 jours).
Le coefficient de corrélation obtenu CORR entre les deux vecteurs a été calculé à l’aide de
l’équation (3.48).

∑ (Ai − Ā)(Bi − B̄)

n
CORR = √ n i=1 (3.48)
(∑i=1 (Ai − Ā)2 )(∑ni=1 (Bi − B̄)2 )

Où Ā et B̄ représentent respectivement la moyenne des vecteurs A et B.

Figure 3.13 – Corrélation entre VP AC et TG/E pour différents délais DP AC

La Figure 3.13 montre que la meilleure corrélation est de 0,634 et est obtenue pour un délai
(DP AC ) de 50 heures. Ce délai va nous permettre d’établir une des entrées des sous-modèles
2.a et 2.b en calculant à chaque instant i (pas de temps d’une minute) la valeur VP AC i
relative à l’historique de durée de fonctionnement de la PAC (équation (3.49)).

VP AC i =
i−1
∑ Aj (3.49)
j=i−DP AC

De manière similaire au calcul du délai nécessaire pour le calcul de la durée de fonction-

nement de la PAC, nous avons procédé à une seconde étude de corrélation entre le vecteur
C, créé à partir de l’historique de la variable CirculateursON /OF F (constitué uniquement
de 0 et de 1) et le vecteur D correspondant à la variable vers laquelle le second modèle de
température de sortie du forage doit converger TG/P . L’étude a été réalisée en procédant de la
même manière, à savoir en utilisant un délai variant de 1 heure à 240 heures (soit 10 jours).
3.2 Modélisation du procédé hybride de Saint-Pierre dels Forcats 121

Figure 3.14 – Corrélation entre VCir et TG/P pour différents délais DCir

La Figure 3.14 montre que la meilleure corrélation est de 0,650 et est pour un délai DCir
de 88 heures. Ce délai va nous permettre d’établir une des entrées des sous-modèles 2.a et
2.b en calculant à chaque instant i (pas de temps d’une minute) la valeur VCir i relative à
l’historique de durée de fonctionnement des circulateurs.

VCir i =
i−1
∑ Cj (3.50)
j=i−DCir

[Link] Sorties TG/E sim et TG/P sim

La Figure 3.15 représente la structure du modèle de sortie du forage côté échangeur tel
qu’elle a été implémentée sous Simulink® . On note la présence d’un « switch » (switch PAC
ON/OFF) permettant de choisir le modèle approprié à la situation du moment. La sortie
TG/E sim a , de la cascade 2, sera sélectionnée si la PAC est en fonctionnement (P ACON /OF F = 1)
et TG/E sim b si elle est à l’arrêt (P ACON /OF F = 0).
Dans le cas du modèle de la sortie TG/E sim , le premier sous-modèle neuroflou (cascade
1) prend pour entrées TE/G et CirculateursON /OF F (en rouge). Son rôle est de simuler la
température du fluide caloporteur, en sortie du forage (côté échangeur), en ne considérant
que la température du fluide y entrant et les périodes d’activation des circulateurs. La
sortie obtenue, intermédiaire, est nommée TG/E sim 1 . Ce sont les deux autres sous-modèles,
appartenant à la cascade 2 qui prendront en compte l’influence du circuit hydraulique
d’extraction (circuit pompe à chaleur). En entrée de la cascade 2 on a alors (en bleu), d’une
part, la sortie TG/E sim 1 , d’autre part, la température qui provient de la PAC lors de l’instant
choisi (TP /G ) et enfin, le temps d’activation de la PAC depuis un temps donné (DP AC ). Cette
variable définie précédemment constitue une information primordiale rendant compte de
l’état du déstockage du sous-sol à tout instant et donc traduisant l’influence des variations de
température dans le circuit hydraulique opposé.
122 Chapitre 3 : Modélisation d’une installation hybride solaire/géothermie

Figure 3.15 – Structure du modèle neuroflou de TG/E sim sous Simulink®

La Figure 3.16 représente la structure du modèle de sortie du forage côté pompe à chaleur.
Un nouveau « switch » (switch Circulateurs ON/OFF) permet de choisir le modèle approprié
suivant si dans le circuit opposé, on procède à une injection de chaleur ou non. Ainsi, la
sortie TG/E sim 2 a , de la cascade 2, sera sélectionnée si les circulateurs sont en fonctionnement
(CirculateursON /OF F = 1) et TG/E sim 2 b s’ils sont à l’arrêt (CirculateursON /OF F = 0).

Pour le cas du modèle de la sortie TG/P sim , le premier sous-modèle neuroflou (cascade 1)
possède les entrées TP /G et P ACON /OF F (en bleu). Le rôle de cette première cascade est de
simuler la température du fluide caloporteur, en sortie du forage (côté PAC), en ne considérant
que la température du fluide y entrant et les périodes d’activation de la PAC. La sortie
obtenue, intermédiaire, est nommée TG/P sim 1 . Comme pour le cas précédent, ce sont les
deux autres sous-modèles, appartenant à la cascade 2 qui prendront en compte l’influence de
l’autre circuit hydraulique, à savoir celui de l’injection de chaleur. En entrée de la cascade 2
on a alors (en rouge), d’une part la sortie TG/P sim 1 , d’autre part la température provenant de
l’échangeur à l’instant choisi (TE/G ) et enfin, le temps d’activation des circulateurs depuis un
temps donné (DCir ). Cette variable définie précédemment rend compte de l’état de stockage
du sous-sol à tout instant et donc traduit l’influence des variations de température dans le
circuit hydraulique opposé, soit celui lié à l’échangeur de chaleur.

Dans la partie suivante nous présentons les différentes fonctions d’appartenance d’entrée
et de sortie des sous-modèles du forage.
3.2 Modélisation du procédé hybride de Saint-Pierre dels Forcats 123

Figure 3.16 – Structure du modèle neuroflou de TG/P sim sous Simulink®

[Link] Fonctions d’appartenances d’entrée et de sortie liées aux sorties TG/E sim
et TG/P sim

Les fonctions d’appartenance utilisées pour la réalisation du modèle du forage sont de type
gaussienne (« gbellmf » dans Matlab® ). La fonction donnée par l’expression (3.51) dépend
de trois paramètres, a, b et c.

g(x; a, b, c) =
1
x − c 2b
(3.51)
1+∣ ∣
a

Le paramètre a détermine la largeur à mi-hauteur, b est généralement positif et rend

compte de l’allure plus ou moins évasée de la courbe et c situe le centre de la courbe. Durant
l’étape de modélisation du forage, nous avons développé un grand nombre de modèles et
de sous-modèles. Chacun d’entre eux a été optimisé suivant en utilisant des critères d’arrêt
relatifs au nombre d’itérations ou reposant sur l’écart par rapport aux données expérimentales.
Par ailleurs, les sous-modèles neuroflous développés comportent 3 à 4 entrées et utilisent 3 à 5
sous-ensembles flous. Les tables de règles générées peuvent alors contenir plusieurs dizaines de
règles. Afin d’être le plus lisible possible, nous avons fait le choix de focaliser la présentation
des résultats sur certaines parties des modèles qui nous semblent être les plus intéressantes,
notamment les fonctions d’appartenance d’entrée de la cascade 2 des sous-modèles de TG/E
et de TG/P .
Les paramètres obtenus, caractérisant chacune de ces fonctions, sont classés dans les
Tableaux 3.7 et 3.8.
124 Chapitre 3 : Modélisation d’une installation hybride solaire/géothermie

Sous-modèle Entrée Nom a b c

in1mf1s2a 2,546 1,961 3,076

entrée 2.1
in1mf2s2a 2,504 1,955 7,886
in1mf3s2a 2,519 1,970 12,80
in1mf4s2a 2,485 1,989 17,74
in2mf1s2a 3,466 1,992 -6,253

entrée 2.2
TG/E [2.a]
in2mf2s2a 3,597 2,002 0,8276
in2mf3s2a 3,545 2,006 7,897
in2mf4s2a 3,534 1,991 14,97
in3mf1s2a 206,0 2,039 16,00
entrée 2.3

in3mf2s2a 206,0 2,002 428,0

in3mf3s2a 206,0 1,933 840,0
in3mf4s2a 206,0 2,042 1252
in1mf1s2b 2,966 1,963 2,931
entrée 2.1

in1mf2s2b 2,844 1,986 8,757

in1mf3s2b 2,944 1,990 14,56
in1mf4s2b 2,993 1,982 20,35
in2mf1s2b 3,940 1,918 -5,816
TG/E [2.b]

entrée 2.2

in2mf2s2b 3,963 1,999 2,074

in2mf3s2b 3,967 2,044 9,923
in2mf4s2b 3,862 1,946 17,84
in3mf1s2b 206,0 1,967 15,00
entrée 2.3

in3mf2s2b 206,0 2,001 427,0

in3mf3s2b 206,0 1,991 839,0
in3mf4s2b 206,0 2,002 1251

Tableau 3.7 – Paramètres des fonctions d’appartenance d’entrée des sous-ensembles flous de
type gaussien des deux sous-modèles de température TG/E (cascade 2)

Les valeurs estimées des deux sorties du forage sont présentées sur la Figure 3.18 et la
Figure 3.19. D’un point de vue qualitatif, les courbes d’estimation des sorties du forage
montrent un bon suivi des valeurs expérimentales, tant dans la dynamique que dans les
amplitudes.
3.2 Modélisation du procédé hybride de Saint-Pierre dels Forcats 125

Sous-modèle Entrée Nom a b c

in1mf1s2a 3,123 1,982 -0,9529

entrée 2.1
in1mf2s2a 3,010 1,971 5,049
in1mf3s2a 3,008 2,018 11,14
in1mf4s2a 3,109 1,962 17,15
in2mf1s2a 5,607 1,992 1,327
entrée 2.2
TG/P [2.a]

in2mf2s2a 5,589 1,986 12,47

in2mf3s2a 5,596 1,996 23,65
in2mf4s2a 5,600 1,980 34,80
in3mf1s2a 399,0 1,954 6,000
entrée 2.3

in3mf2s2a 399,0 2,084 804,0

in3mf3s2a 399,0 1,895 1602
in3mf4s2a 399,0 2,058 2400
in1mf1s2b 3,330 2,007 -2,548
entrée 2.1

in1mf2s2b 3,323 1,997 4,091

in1mf3s2b 3,314 1,995 10,71
in1mf4s2b 3,377 1,858 17,33
in2mf1s2b 4,623 2,007 -2,500
TG/P [2.b]

entrée 2.2

in2mf2s2b 4,614 1,964 6,767

in2mf3s2b 4,625 2,012 16,00
in2mf4s2b 4,667 1,853 25,24
in3mf1s2b 399,2 1,986 5,000
entrée 2.3

in3mf2s2b 399,2 2,004 803,3

in3mf3s2b 399,2 1,990 1602
in3mf4s2b 399,2 1,996 2400

Tableau 3.8 – Paramètres des fonctions d’appartenance d’entrée des sous-ensembles flous de
type gaussien des deux sous-modèles de température TG/P (cascade 2)
126 Chapitre 3 : Modélisation d’une installation hybride solaire/géothermie

Figure 3.17 – Fonctions d’appartenance d’entrée des sous-ensembles flous des deux sous-
modèles du forage (cascade 2)

Figure 3.18 – Températures expérimentale et simulée du fluide à la sortie du forage (côté

échangeur de chaleur)
3.2 Modélisation du procédé hybride de Saint-Pierre dels Forcats 127

Figure 3.19 – Températures expérimentale et simulée du fluide à la sortie du forage (côté

pompe à chaleur)

Sur une approche qualitative désormais, le Tableau 3.9 récapitulant les résultats de
corrélation EAM, ERM et FIT liés à la comparaison des valeurs expérimentales et simulées
des sorties du forage présente des résultats satisfaisants. Les valeurs de corrélation montrent
en effet des résultats très satisfaisants pour ce qui est des erreurs commises, dans l’estimation
‰
de la sortie TG/E , avec une erreur absolue moyenne EAM ne dépassant pas les 0,7 , ce qui
donne une valeur de ERM inférieure à 3% et une valeur de FIT satisfaisante avec 75,11%.
Quant à l’estimation de la sortie TG/P , les résultats obtenus sont certes de moins bonne
qualité avec une erreur absolue moyenne EAM proche du degré celcius, une valeur de ERM
de 5,52% mais à nouveau la valeur du FIT est intéressante puisque proche de 70%.
Ces valeurs de FIT sont significatives de la capacité du modèle à suivre la même allure
que les valeurs expérimentales, c’est pourquoi les modèles développés du comportement du
forage peuvent être considérés comme valides et vont pouvoir être utilisés dans la suite de ce
manuscrit.

EAM [ ] ‰ ERM [%] FIT [%]

TG/E sim 0,674 2,95 75,11
TG/P sim 1,074 5,52 69,46

Tableau 3.9 – EAM, ERM et FIT des deux sorties des sous-modèles du forage

3.2.4 Système de la pompe à chaleur

Les modèles de pompe à chaleur que nous avons développés reposent eux aussi sur les
méthodes de l’intelligence artificielle, particulièrement, le neuroflou. Ce choix s’explique
par le fait qu’une grande partie des données constructeurs n’est pas accessible et que les
128 Chapitre 3 : Modélisation d’une installation hybride solaire/géothermie

comportements thermodynamiques mis en jeu nécessitent la connaissance de différentes

pressions, débits internes et propriétés thermo-physiques qui en résultent. Or, dans notre cas,
nous n’avons pas accès à l’ensemble de ces paramètres propres au fluide interne de la pompe à
chaleur. Ainsi, faire appel au neuroflou offre la possibilité de s’affranchir de ces informations.
Les modèles que nous avons souhaité développer sont les températures aux sorties physiques
de la pompe à chaleur du côté du forage et de la maison, respectivement : TP /G et TP /M .
Suite à ces modèles de températures, le CoP a été modélisé et sera utilisé comme variable de
référence pour le contrôle du système global présenté dans le chapitre suivant.

[Link] Structure du modèle neuroflou de la PAC

Le choix de la structure du modèle a été réalisé de façon empirique, suivant les résultats
de corrélation obtenus entre valeurs expérimentales et valeurs simulées. Nous allons donc
présenter le modèle neuroflou retenu pour l’estimation de la température TP /M sim et TP /G sim .
Le sous-modèle de température de sortie de la PAC (TP /M ) prend en compte 4 entrées dont
les deux températures d’entrée de la PAC, à savoir TG/P et TM /P (m) , la dérivée numérique de
cette dernière dTM /P (m) et la température extérieure TEXT (Figure 3.20). Le sous-modèle de
température de sortie de la PAC côté forage (TP /G ) prend en compte 3 entrées dont les deux
températures d’entrée de la PAC, tout comme le modèle précédent (TG/P et TM /P (m) ) et la
sortie TP /M sim donnée par le modèle précédent. Ainsi on obtient deux sous-modèles où celui
donnant la température TP /G sim est obtenu par le sous modèle de la sortie TP /M sim .

Figure 3.20 – Variables d’entrée et de sortie utilisées pour le modèle de la pompe à chaleur

[Link] Sous-modèle de température de sortie : TP /M

La Figure 3.21 montre l’évolution des températures d’entrée utilisées durant 2000 minutes
(mois de février 2010) pour le modèle et les températures de sortie de la pompe à chaleur lors
de plusieurs cycles. On note que les températures d’entrée de la pompe à chaleur TM /P (m)
3.2 Modélisation du procédé hybride de Saint-Pierre dels Forcats 129

et TG/P varient, d’une façon générale, comme la température extérieure TEXT . Cela traduit
l’apport du champ solaire dans les transferts de chaleur du forage vers la maison. Cette
variation de températures d’entrée fait varier les températures de sortie avec une allure
similaire. On obtient, en effet, une température de sortie en direction du plancher chauffant
‰
de la maison TP (m)/M variant pour l’ensemble des données collectées, de 30 à 36 et de 31,2
‰
à 33,1 sur cette figure.

Figure 3.21 – Variables d’entrée et de sortie utilisées pour le modèle de la pompe à chaleur

Si désormais nous analysons de plus près le comportement des différentes variables en

ne considérant que cinq cycles de fonctionnement de la pompe à chaleur (Figure 3.22), on
remarque que lorsque la PAC est en position ON, TG/P s’élève progressivement durant environ
5 minutes puis diminue lentement. On peut expliquer la phase d’augmentation de cette
température d’entrée par l’arrivée du fluide présent tout le long du forage, avant l’activation
de la PAC. La température de ce fluide fait donc varier la température d’entrée de la PAC
durant ces 5 minutes, puis la perte de chaleur relative à la phase d’extraction (PAC à ON) se
traduit par une baisse progressive de TG/P . Afin de dissocier ces deux phases, le modèle prend
également en compte l’information contenue dans la pente dTM /P (m) . Le modèle neuroflou sera
donc capable d’interpréter, suivant la valeur de cette pente l’importance de cette température
d’entrée.
Pour réaliser la phase d’apprentissage puis celle de validation du modèle neuroflou de
la sortie TP (m)/M , nous nous sommes focalisés uniquement sur le mode ON de la PAC
(P ACON /OF F = 1). Au total, 3000 instants de fonctionnement de la PAC, soit 50 heures mises
bout à bout, ont été considérés pour l’apprentissage, alors que 1500 instants ont été utilisés
pour la phase de validation (25 heures).
Le Tableau 3.10 montre les instants d’apprentissage et de validation sélectionnés. Ces
échantillons ont été choisis durant les mois de janvier à mars lorsque la demande en chauffage
de la maison est la plus importante.
Lors de ces différentes phases, nous avons analysé et comparé la valeur de EAM en
fonction du nombre d’itérations utilisées. On remarque (Figure 3.23) que lors de la phase
130 Chapitre 3 : Modélisation d’une installation hybride solaire/géothermie

Figure 3.22 – Comportement des différentes variables d’entrée et de sortie de la pompe à

chaleur pour 3 cycles

Phase d’apprentissage 1/2 Phase de validation Phase d’apprentissage 2/2

Échantillons 1 à 1500 1501 à 3000 3001 à 4500

Tableau 3.10 – Échantillons sélectionnés pour les phases d’apprentissage et de validation du

modèle TP (m)/M sim

d’apprentissage l’erreur absolue moyenne EAM est quasiment toujours réduite alors que pour
la phase de validation, EAM diminue durant 68 itérations puis augmente par la suite. Cela
signifie que si la phase d’apprentissage est réalisée de manière trop avancée, la qualité des
résultats obtenus lors de la phase de validation est considérablement réduite.
En retenant le modèle obtenu au bout de 68 itérations, on remarque (Figure 3.24), que
les valeurs expérimentales et simulées de la sortie de la PAC côté maison, sont très proches.
L’analyse de ces valeurs, réalisée dans le Tableau 3.11, montre une erreur absolue moyenne
‰
EAM de 0,62 , une valeur de ERM inférieure à 6% et une valeur de FIT de 32%. Ceci nous
amène à dire que les résultats obtenus sont satisfaisants.

TP (m)/M sim EAM [ ] ‰ ERM [%] FIT [%]

Apprentissage 0,55 4,62 47,73
Validation 0,62 5,68 31,98

Tableau 3.11 – EAM, ERM et FIT des deux sorties des modèles de la pompe à chaleur

[Link] Sous-modèle de température de sortie : TP /G

Pour réaliser la phase d’apprentissage puis celle de validation du modèle neuroflou de la

sortie TP (m)/M , nous nous sommes à nouveau focalisés sur le mode ON de la PAC. Au total,
3.2 Modélisation du procédé hybride de Saint-Pierre dels Forcats 131

Figure 3.23 – Erreur absolue moyenne sur l’estimation de TP (m)/M en fonction du nombre
d’itérations

Figure 3.24 – Sortie du modèle de température de sortie de la pompe à chaleur côté plancher
chauffant

20000 instants de fonctionnement de la PAC, soit 333 heures et 20 minutes mises bout à bout,
ont été considérés pour l’apprentissage, alors que 10000 instants ont été utilisés pour la phase
de validation (166 heures et 40 minutes).
Le Tableau 3.12 montre les instants d’apprentissage et de validation sélectionnés. Ces
échantillons ont été choisis durant les mois de janvier à mars lorsque la demande en chauffage
de la maison est la plus importante.
Lors de ces différentes phases, nous avons analysé et comparé la valeur de EAM et de FIT
en fonction du nombre d’itérations utilisées. Le nombre d’itérations retenu pour la phase
d’apprentissage est de 200 en raison d’une valeur de EAM convergeant vers la valeur de
132 Chapitre 3 : Modélisation d’une installation hybride solaire/géothermie

Phase d’apprentissage 1/2 Phase de validation Phase d’apprentissage 2/2

Échantillons 1 à 10000 10001 à 20000 20001 à 30000

Tableau 3.12 – Échantillons sélectionnés pour les phases d’apprentissage et de validation du

modèle TP (m)/M sim

‰
0,302 (Figure 3.25). Dans ce cas, on remarque également (Figure 3.26) que la valeur du
FIT n’a fait que croı̂tre dans la partie relative à l’apprentissage et a montré une progression
quasi permanente lors de la phase de validation, jusqu’à converger vers la valeur de 75,5%.

Figure 3.25 – Erreur absolue moyenne sur l’estimation de TP (m)/G en fonction du nombre
d’itérations

Après 200 itérations, le modèle obtenu pour l’estimation de la température du fluide

caloporteur en sortie de la PAC, côté forage, permet d’obtenir un bon suivi des valeurs
expérimentales. La Figure 3.27 montre d’un point de vue qualitatif cette corrélation. De plus,
les valeurs de EAM, ERM et FIT du modèle, données par le Tableau 3.13, montrent, entre
les valeurs expérimentales et simulées de la sortie de la PAC (côté forage), une erreur absolue
‰
moyenne EAM très faible, 0,3 , une valeur de ERM inférieure à 2% et une valeur de FIT de
plus de 75%.
Les résultats obtenus pour ce sous-modèle sont donc très satisfaisants mais restent à être
pondérés dans la mesure où les phases d’apprentissage et de validation ont été réalisées en
utilisant directement en entrée, le jeu de variables expérimentales : {TG/P , TM /P (m) , TP /M }.
Cependant, le modèle étant placé en cascade après la sortie du modèle de température de
3.2 Modélisation du procédé hybride de Saint-Pierre dels Forcats 133

Figure 3.26 – Coefficient de ressemblance FIT sur l’estimation de TP (m)/G en fonction du

nombre d’itérations

Figure 3.27 – Sortie du modèle de température de sortie de la pompe à chaleur côté forage

TP (m)/G sim EAM [ ] ‰ ERM [%] FIT [%]

Apprentissage 0,22 1,02 88,10
Validation 0,30 1,97 75,47

Tableau 3.13 – EAM, ERM et FIT des deux sorties des modèles de la pompe à chaleur après
200 itérations

sortie côté plancher chauffant, les résultats obtenus dépendront de la qualité de l’estimation
de la valeur de TP /M sim . Le choix de la mise en cascade des deux sous-modèles de la pompe à
chaleur a pour but de donner le plus de cohérence possible aux chaleurs extraites et restituées.
134 Chapitre 3 : Modélisation d’une installation hybride solaire/géothermie

3.2.5 Synthèse des coefficients de comparaisons des modèles déve-

loppés
Afin de synthétiser les résultats de modélisation obtenus jusqu’ici pour l’installation du
projet GÉOHELIOS, le Tableau 3.14 rappelle les valeurs obtenues des coefficients EAM,
ERM et FIT.

EAM [ ] ‰ ERM [%] FIT [%]

TS(m)/E - 2,65 85,7
TE(m)/S [ON] 0,271 0,990 93,7
TE(m)/S [OFF] 1,36 4,91 65,1
TE(m)/G [ON] 0,192 0,572 96,4
TE(m)/G [OFF] 0,514 4,85 83,9
TG/E 0,674 2,95 75,11
TG/P 1,074 5,52 69,46
TP (m)/M 0,62 5,68 31,98
TP (m)/G 0,30 1,97 75,47

Tableau 3.14 – EAM, ERM et FIT de l’ensemble des modèles développés pour le procédé de
GÉOHELIOS

3.2.6 Modélisation thermique de l’habitat

La modélisation du système hybride ayant été réalisée, nous abordons désormais le modèle
de l’habitat, afin que les besoins de chaleur soient reproduits le plus fidèlement possible. Ces
besoins nécessitent d’une part la modélisation du bâti (matériaux employés, surfaces, volumes,
etc.) mais également la mise en place de scénarios d’occupation des habitants et d’utilisation
des appareils susceptibles de produire de la chaleur.

[Link] Conception de l’habitat

L’habitat faisant l’objet de notre étude est, nous le rappelons, une maison individuelle
de 100 m2 située dans une zone montagneuse des Pyrénées-Orientales où les températures
‰
peuvent facilement atteindre, en hiver, des valeurs proches des −20 . Elle est constituée
d’un étage et est équipée d’un plancher chauffant dans chaque pièce. Le plan de la maison
utilisé pour sa modélisation est visible sur les Figures 3.28 et 3.29.
L’agencement des pièces en fonction de leur orientation répond aux principes de base de
l’architecture bioclimatique (plébiscitée d’ailleurs par la RT2005). Les chambres (ch1 rdc,
ch2 rdc et ch etage) sont positionnées autant que possible à l’est pour profiter du soleil
3.2 Modélisation du procédé hybride de Saint-Pierre dels Forcats 135

Figure 3.28 – Plan du rez-de-chaussée de la maison

Figure 3.29 – Plan du 1er étage de la maison

136 Chapitre 3 : Modélisation d’une installation hybride solaire/géothermie

levant (dans notre cas, 2 des 3 chambres le sont) et les pièces tampons comme les toilettes
ou les salles de bain (sdb rdc et sdb etage) sont exposées au nord. La cuisine et le bureau
(bureau rdc) se trouvent à l’ouest afin de favoriser l’éclairage du soleil de fin de journée et
le séjour (sejour rdc et sejour etage), au centre de l’habitat est juxtaposé à une véranda
(veranda rdc et veranda etage) orientée plein sud.
À partir de ce plan on peut alors fournir au logiciel le volume des pièces, la constitution des
surfaces, leurs éventuelles adjacences ainsi que leurs orientations. Les tableaux 3.15 et 3.16
réunissent ces informations pour chacun des deux niveaux de la maison.
La modélisation thermique de l’habitat nécessite évidemment une connaissance précise de
la structure des murs extérieurs, cloisons, sol, plancher (entre les étages) et toit, à savoir les
matériaux utilisés et leur épaisseur. Le Tableau 3.17 présente ces caractéristiques telles qu’elles
ont été mesurées et entrées dans TRNSYS ainsi que les valeurs de déperdition thermique
équivalente (Ueq ) calculées par le logiciel.
La toiture telle qu’elle a été entrée dans le logiciel est de type horizontal afin de s’affranchir
des problèmes de pente lors de sa saisie. Son coefficient de déperdition équivalent entré dans
le logiciel a donc dû être augmenté artificiellement, pour pallier au problème de surface
d’échange inférieur dans le cas d’une surface horizontale, plutôt qu’inclinée de 30 ○ comme
c’est réellement le cas.

[Link] Résultats de simulation du comportement thermique du bâti

Les premiers tests de simulation ont été réalisés sans intégration du chauffage ou d’une
éventuelle ventilation. Le but est d’étudier le comportement du modèle en se basant sur les
températures des différentes zones et de vérifier la cohérence des résultats. Pour valider cette
cohérence nous nous sommes focalisés sur les pièces du séjour et de la véranda du 1er étage.
Cette première simulation (établie sur une année complète, du 1er janvier au 31 décembre)
présente (Figure 3.30) des comportements thermiques très distincts malgré le fait qu’il s’agisse
de deux pièces juxtaposées. Il est à noter que trois des quatre courbes présentées par la suite
sont très oscillantes et donc difficilement observables en détail puisqu’il s’agit d’une année
complète de simulation, cependant leur analyse réside surtout dans la comparaison d’une
température par rapport à une autre.
‰
Les températures des pièces s’échelonnent de −1 à 48 pour la véranda du 1er étage. Pour
ce qui est de la température du séjour au 1er étage, elle est, comme l’on peut s’en douter,
soumise à moins d’amplitude thermique, la température varie en effet de 1, 5 à 39,5 à cet ‰
endroit. Ces températures simulées, notamment en été, sont bien supérieures à ce que l’on
relève dans de telles zones géographiques.
Par ailleurs, si l’on analyse sur une période plus restreinte les résultats de cette simulation
(Figure 3.31), on constate que les températures de la véranda et du séjour présentent une
dynamique très proche.
Nous venons de voir que la dynamique et les températures des pièces les unes par rapport
3.2 Modélisation du procédé hybride de Saint-Pierre dels Forcats 137

Figure 3.30 – Températures simulées de la véranda et du séjour du 1er étage (sans ventilation)

Figure 3.31 – Températures simulées de la véranda et du séjour du 1er étage (sans ventilation)

aux autres semblaient cohérentes, des différences d’amplitude sont encore présentes d’après la
zone géographique étudiée. Il est donc nécessaire d’améliorer le modèle en prenant en compte
les phénomènes de ventilation et d’infiltration.
Si l’on applique une ventilation telle qu’on en trouve dans ce type de maison ancienne
(ratio de 0,6 1⋅h−1 ), les résultats obtenus (Figure 3.32) montrent que l’amplitude thermique
est réduite.
Les températures des pièces ne varient plus que de −2 à 46,5 ‰, pour la véranda du 1 er

‰
étage et de −0, 5 à 35 pour le séjour du même étage.
Enfin, la ventilation par air extérieur à laquelle on ajoute les infiltrations, entraine une
baisse significative des températures en particulier durant l’été (Figure 3.33).
En effet, la température dans la véranda ne varie plus que de −2, 5 à 45 ‰ et de −1, 5 à
138 Chapitre 3 : Modélisation d’une installation hybride solaire/géothermie

Figure 3.32 – Exemple de températures simulées pour deux pièces (avec ventilation)

Figure 3.33 – Exemple de températures simulées pour deux pièces (avec infiltrations)

‰
32,5 dans le séjour, soit une baisse de l’amplitude thermique (entre la simulation intégrant
‰
la ventilation et l’infiltration et celle n’intégrant aucune des deux) de +5,5 (Tableau 3.18).
Ces résultats satisfaisants valident le modèle du bâti ainsi créé. Il reste à y intégrer les
scénarios d’occupation et d’apport de chaleur.
3.2 Modélisation du procédé hybride de Saint-Pierre dels Forcats 139

[Link] Scénarios d’occupation

Au-delà des paramètres thermiques du bâti, la température des pièces est fortement corrélée
avec leurs périodes d’occupation par les habitants.
Ces occupations jouent nécessairement un rôle dans l’utilisation quotidienne d’appareils
électriques ou non susceptibles d’apporter de la chaleur. Par conséquent, nous avons pris en
compte ces paramètres, grâce à l’interrogation des habitants sur leurs habitudes de vie. Par
exemple, les durées et fréquences d’utilisation des plaques de cuisson, du four, ou encore de
leur machine à laver ont été relevées et intégrées au logiciel, tout comme pour les apports
plus réguliers tels que l’éclairage, les téléviseurs et les ordinateurs. Les émissions de chaleur
générées par ces appareils, mises bout à bout constituent un apport non négligeable qu’il
était indispensable de prendre en considération.
Par ailleurs, concernant les règles préconisées par la « Règlementation Thermique »
Française, suivant le type d’habitat, la présence ou non des personnes à l’intérieur, l’heure
de la journée ou la pièce en question, la température de consigne requise pour assurer un
confort suffisant est différente. Le Tableau 3.19 présente les scénarios d’occupation rencontrés
habituellement et le Tableau 3.20 dresse les températures de consigne conventionnelles en
chauffage.
Cependant, dans notre cas, le besoin des habitants est très simple, bien qu’il soit relative-
ment élevé par rapport aux recommandations de la RT-2009. Les résidents chauffent leur
‰
maison, quelle que soient les circonstances et les pièces, à 23 (température mesurée dans le
salon du rez-de-chaussée), ce qui simplifie par ailleurs la réalisation du modèle.

[Link] Simulations des besoins mensuels en chauffage du bâtiment

En prenant en compte la température de consigne choisie par les habitants, nous avons
pu établir une simulation des besoins énergétiques mensuels pour une année complète (Fi-
gure 3.34). Étant donnée la position des pièces et leur volume, les besoins pour chaque zone
sont différents. En les cumulant, on obtient les besoins énergétiques totaux de la maison.
On note que pour une telle maison les besoins en chauffage sont présents touts les mois
de l’année. Novembre, décembre et janvier sont les mois les plus énergivores avec une
consommation mensuelle supérieure à 7000 kWh (le mois de décembre est le plus demandeur
en énergie : 8752 kWh). Les besoins en chauffage durant l’été (juin, juillet et août) ne sont
pas nuls en raisons des nuits qui peuvent aisément faire descendre la température extérieure
et refroidir la maison jusqu’à des valeurs inférieures à la température de consigne. Cependant,
durant la journée, l’énergie thermique apportée par la pompe à chaleur aurait pu être apportée
naturellement par la maison, en raison de son exposition (une part importante provenant de
la véranda).
L’ensemble de ces analyses met en avant la nécessité de contrôler efficacement les actionneurs
du système hybride à savoir les pompes de circulation au niveau de l’échangeur et la PAC.
140 Chapitre 3 : Modélisation d’une installation hybride solaire/géothermie

9000

8000

7000

6000
Énergie [kWh]

5000

4000

3000

2000

1000

0
jan. fév. mars avr. mai juin juil. août sep. oct. nov. déc.
[kWh] 7502,2 6276 4706,6 3305,7 1920,7 1273,6 1027,9 1238,9 2125 4306,2 7162,1 8752

Figure 3.34 – Simulation des besoins mensuels de chauffage de la maison

L’objectif étant ainsi de réduire la consommation électrique de ces périphériques tout en

maintenant un confort optimal dans la maison.

Conclusion du chapitre
Dans ce chapitre, a été présenté le développement et la validation du modèle de l’installa-
tion hybride solaire/géothermie assurant le chauffage d’un habitat individuel situé à haute
altitude : Saint-Pierre dels Forcats. Les modèles proposés reposent, suivant la connaissance
du processus, sur une approche « boı̂te blanche » lorsque celui-ci est fortement connu, sur
une approche « boı̂te grise » dès lors que certains paramètres ne sont pas connus ou encore,
si les connaissances du processus sont vraiment insuffisantes, les modèles utilisés peuvent être
de type « boı̂te noire ».
La procédure de modélisation a permis grâce à un processus itératif d’identifier chaque
variable séparément afin de minimiser les erreurs. Les algorithmes utilisés pour l’identification
des paramètres des modèles s’appuient sur la formulation d’un problème de minimisation de
l’erreur de prédiction. Ce problème d’optimisation est alors résolu par une minimisation des
moindres carrés non-linéaires avec un algorithme de région de confiance de Newton.
Chaque sous-système du procédé hybride a été analysé et modélisé suivant les connaissances
et les données collectées à disposition afin d’établir un modèle global de l’installation. Les
résultats de sortie obtenus pour chaque sous-modèle montrent des valeurs de corrélation avec
les variables mesurées in situ plutôt importantes.
Le modèle thermique de la maison a été établi via TRNSYS, afin que les besoins de chaleur
soient reproduits le plus fidèlement possible. Pour cela nous avons procédé à la modélisation
3.2 Modélisation du procédé hybride de Saint-Pierre dels Forcats 141

du bâti et à l’intégration des besoins en chauffage des habitants.

L’ensemble des deux modèles ainsi développés peut donc être utilisé pour simuler assez
efficacement le comportement global de l’installation, en ne considérant que l’influence des
variables exogènes qui sont la température extérieure et l’irradiation solaire.
L’objectif de ces modèles, connectés les uns aux autres, est de former une plateforme
de simulation et ainsi de permettre de développer des contrôleurs assurant la gestion des
systèmes d’injection et d’extraction afin d’augmenter l’efficacité énergétique du procédé. Par
conséquent, nous présenterons dans le chapitre suivant, les problématiques et contraintes
techniques auxquelles nous devons faire face, les contrôleurs développés et les résultats issus
des différentes stratégies de contrôle étudiées.
142 Chapitre 3 : Modélisation d’une installation hybride solaire/géothermie

zone volume murs constitution adjacence aire

ch1 rdc 23,4 N EXT1 ext 7,8
S INT1 sejour rdc 7,8
E EXT1 ext 7,5
W INT1 sdb rdc 7,5
sol sol ext 9,36
plancher plancher ch etage 9,36
sdb rdc 24,15 N EXT1 ext 8,05
S INT1 sejour 8,05
E INT1 ch1 7,5
W INT1 ch2 7,5
sol sol ext 9,66
plancher plancher ch etage 6,66
plancher plancher sdb etage 3
ch2 rdc 25,5 N EXT1 ext 7,5
S INT1 bureau 7,5
E INT1 sdb 8,5
W EXT1 ext 8,5
E INT1 sejour 1
sol sol ext 10,2
plancher plancher sdb etage 10,2
bureau rdc 14,25 N INT1 ch2 7,5
S INT1 sejour 7,5
E INT1 sejour 4,75
W EXT1 ext 4,75
sol sol ext 5,7
plancher plancher sdb etage 5,7
sejour rdc 123,784 N INT1 bureau 7,5
N INT1 sdb 8,05
N INT1 ch1 7,8
S EXT1 veranda 17,275
S EXT1 ext 6,075
W INT1 bureau 4,75
W EXT1 ext 9,35
W INT ch2 1
E EXT1 ext 15,1
sol sol ext 49,5136
plancher plancher ch etage 12,06
plancher plancher sdb etage 2,26
plancher plancher sejour etage 35,3
veranda rdc 60,4625 N EXT1 sejour 17,275
S Mur véranda ext 17,275
E Mur véranda ext 8,75
W Mur véranda ext 8,75
sol sol ext 24,185
plancher plancher veranda etage 24,185

Tableau 3.15 – Surfaces du Rez-de-Chaussée

3.2 Modélisation du procédé hybride de Saint-Pierre dels Forcats 143

zone volume murs constitution adjacence aire

ch etage 56,1768 N EXT1 ext 10,68
E EXT1 ext 10,52
W INT1 sdb 10,52
S INT2 sejour 10,68
plancher plancher ch1 rdc 9,36
plancher plancher sdb rdc 6,66
plancher plancher sejour rdc 12,06
toit toit ext 28,0884
sdb etage 42,08 N EXT1 ext 8
E INT1 ch1 10,52
W EXT1 ext 10,52
S INT2 sejour 8
plancher plancher sdb rdc 3
plancher plancher sejour rdc 2,26
plancher plancher bureau rdc 5,6
plancher plancher cha rdc 10,2
toit toit ext 21,04
veranda etage 48,37 N EXT1 sejour 13,82
E Mur véranda ext 7
W Mur véranda ext 7
S Mur véranda ext 13,82
plancher plancher veranda rdc 24,185
toit veranda toit veranda ext 24,185
sejour etage 70,6104 N INT1 ch1 10,68
N INT1 sdb 8
W EXT1 ext 7,56
S EXT1 veranda 13,82
S EXT1 ext 4,86
E EXT1 ext 7,56
plancher plancher sejour rdc 35,3052
toit toit ext 35,3052

Tableau 3.16 – Surfaces du 1er étage

144 Chapitre 3 : Modélisation d’une installation hybride solaire/géothermie

Surface Structure Ueq [W/m2 K]

EXT1 50 cm pierre, 10 cm laine verre, 3 cm bois 0,339
INT1 3 cm bois, 5 cm tasseau, 3 cm bois 1,273
INT2 3 cm bois, 20 cm parpaing, 3 cm bois 1,318
Mur véranda 50 cm pierre 3,200
Sol 12 cm isolant, 5-6 cm dalle béton 0,370
Plancher 7 cm isolant, 3 cm dalle béton 0,219
Toit 4 cm air, 8 cm polyuréthane extrudé, 16 cm laine verre 0,134
Toit véranda 4 cm air, 20 cm laine verre 0,175

Tableau 3.17 – Matériaux et dimensions de l’habitat

Pièce température sans aération avec aération avec aération

[ ]‰ sans infiltration sans infiltration avec infiltration
Véranda min -1 -2 -2,5
étage max 48,5 46,5 45
Séjour min 1,5 -0,5 -1,5
étage max 39,5 35 32,5

Tableau 3.18 – Températures annuelles simulées (minimales et maximales) du séjour et de la

véranda suivant les cas de ventilation et d’infiltration

Horaires d’occupation Heures par jour Jours par semaine

Longs 16 (de 0h à 10h et de 18h à 24h) 5 (lundi au vendredi)
24h samedi et dimanche
Moyens 10 (8h à 18 h) 5 (lundi au vendredi)
Courts 5 (9h à 14 h) 5 (lundi au vendredi)

Tableau 3.19 – Scénarios d’occupation conventionnels

Niveau de Occupation Réduction de chauffage Réduction de chauffage

température de moins de 48h de plus de 48h
Élevé 21 ‰ 18 ‰ 7 ‰
Moyen 19 ‰ 16 ‰ 7 ‰
Réduit 15 ‰ 7 ‰ 7 ‰
Tableau 3.20 – Températures de consigne conventionnelles
Chapitre 4

Développement de contrôleurs flous

pour le procédé expérimental du
projet GÉOHELIOS

Introduction

D ans le chapitre précédent, nous avons mis en place, via l’ensemble des modèles développés,
de quoi établir une plateforme de simulation capable de reproduire le comportement
thermique de l’installation hybride, solaire/géothermie, de Saint-Pierre dels Forcats.
À partir des modèles développés et de la plateforme de simulation ainsi créée, ce chapitre
présentera la stratégie de contrôle de l’installation et les contrôleurs développés afin d’optimiser
l’efficacité énergétique du procédé. La démarche sera présentée sous forme de trois parties.
La première partie de ce chapitre présentera l’intérêt de l’application de contrôleurs flous
sur ce type de procédés et nous exposerons leurs modes d’utilisation. Nous rappellerons
les principes actuels du contrôleur du système d’injection de chaleur (circulateurs) et du
contrôleur du système d’extraction (PAC). Enfin, nous évoquerons les problématiques et
limitations qui découlent de leurs utilisations (notamment en terme de stratégie, et de
consommation énergétique notamment).
Dans une seconde partie, nous présenterons le système modélisé sous Simulink® , à partir
des sous-modèles développés dans le chapitre précédent et nous décrirons la mise en œvre
du modèle neuroflou de décharge thermique, jouant le rôle de la maison modélisée sous
l’outil TRNSYS (voir sous-section 3.2.6). Enfin, nous expliquerons les stratégies de contrôle
envisagées pour améliorer le procédé global et répondre à ces problématiques, et pour cela,
nous détaillerons les critères énergétiques utilisés (sur le procédé) pour juger de la qualité des
contrôleurs développés.
La troisième partie présentera l’ensemble des contrôleurs développés, au niveau des circula-
teurs d’une part, et de la pompe à chaleur, d’autre part. Dans les deux cas, nous listerons les
 Chapitre 4 : Développement de contrôleurs flous pour le procédé expérimental du projet
146 GÉOHELIOS

variables utilisées pour chacun des contrôleurs et nous justifierons ces choix. Nous présenterons
et justifierons les différentes étapes de la mise en œuvre des systèmes d’inférences floues
pour chacun des contrôleurs. Et ce, de la forme la plus simple à la version optimisée. Nous
présenterons ensuite, les résultats obtenus sur les critères énergétiques définis et nous finirons
cette partie par un bilan énergétique et économique (sur l’installation) prenant en compte les
contrôleurs développés.
4.1 Problématique des contrôleurs actuels et méthodologie d’amélioration 147

4.1 Problématique des contrôleurs actuels et méthodo-

logie d’amélioration
Dans cette section, nous présenterons la situation de l’état de fonctionnement actuel des
différents actionneurs utilisés sur le procédé expérimental GÉOHELIOS. Après leurs descrip-
tions, nous soulignerons leurs limitations respectives avant de terminer par des propositions
de méthodes de contrôle avancées.

4.1.1 Contrôleur actuel des circulateurs

Comme nous l’avions évoqué dans le chapitre 2, le système d’injection de chaleur est
composé de deux circuits hydrauliques, l’un assurant la liaison entre le champ solaire et
l’échangeur de chaleur et l’autre parcourant le forage géothermique et également connecté à
l’échangeur de chaleur.
Le contrôleur actuel utilisé pour faire fonctionner les pompes 1 et 2 de ce système d’injection,
est de type Tout Ou Rien (TOR). Il repose sur l’écart de température entre deux points notés
P-A et P-C, comme indiqué sur la Figure 4.1.

D34EFBC497

125
396

7DC78
C7D678

123456478 124
9A5BCDEF7D 56472 396

123456789 123B7AC5B
A7B234C789

123
3 56472

9467

Figure 4.1 – Schéma de principe du contrôleur actuel

 Chapitre 4 : Développement de contrôleurs flous pour le procédé expérimental du projet
148 GÉOHELIOS

L’écart entre les températures du fluide circulant vers l’échangeur, en sortie directe du
champ solaire et provenant du forage (TS(m)/E − TG/E ) est noté ∆Tpompes . Suivant cette valeur,
le contrôleur enclenche les circulateurs (Pompe 1 et Pompe 2), ce qui assure une circulation
du fluide caloporteur dans l’ensemble du système d’injection, et ce, à débit constant. Cette
stratégie, très basique, peut être traduite par l’algorithme suivant :

⎧
⎪ si ∆Tpompes >7 ‰
⎪
⎪
⎪
⎪
⎪
⎪ P ompe 1 et P ompe 2 ∶ ON
⎪
⎪
⎪
⎪
⎪
⎪ sinon si ∆Tpompes <4 ‰
⎨
⎪ P ompe 1 et P ompe 2 ∶ OFF
(4.1)
⎪
⎪
⎪
⎪
⎪
⎪
⎪
⎪
⎪
sinon
⎪
⎪
⎪
⎩ P ompe 1 et P ompe 2 ∶ valeur précédente

Dans la pratique, l’application de cet algorithme, au procédé, présente deux principales

limitations.
La première provient du fait qu’il a été paramétré par l’installateur le jour de sa mise
en place, voire même, directement en usine, mais certainement pas de façon optimale.
L’algorithme du contrôleur ne tient pas compte des conditions climatiques (ensoleillement,
température extérieure...). Or, suivant les saisons, les pertes thermiques au niveau des
circuits hydrauliques assurant la jonction des sous-systèmes entre eux (notamment champ
solaire/échangeur) ne sont naturellement pas les mêmes. De plus, nous avons pu constater
lors de l’analyse énergétique du procédé qu’une grande part de sa perte d’efficacité était
due aux pertes engendrées au niveau des circuits hydrauliques (50% sur celui du système
d’injection et 40% sur celui du système d’extraction). Ainsi, la puissance injectée dans le
sous-sol, proportionnelle à ∆Tinjection (différence de température entre les points P-A et P-B),
ne varie pas linéairement avec ∆Tpompes .
La seconde limitation est, que d’un point de vue pratique, le contrôleur actuel n’aurait
jamais pu se baser sur une différence de température, entre les points P-B et P-C, qui reflète
pourtant bien la puissance injectée dans le sous-sol. En effet, lorsque le système de pompes
est à l’arrêt, la température en P-B est bien souvent décorrélée de celle du fluide caloporteur
dans le panneau solaire (en P-A).
Partant de ces constats, nous présenterons, plus loin, une possibilité d’amélioration de
cette partie du procédé.

4.1.2 Contrôleur actuel du système d’extraction de chaleur (pompe

à chaleur)
Concernant la pompe à chaleur, le système de contrôle ne s’inscrit pas véritablement dans
le philosophie de gestion d’un système hybride. Cette situation ne permet donc pas de tirer
le maximum de profit lié à ce type de procédé. En effet, les règles d’activation de la PAC
4.1 Problématique des contrôleurs actuels et méthodologie d’amélioration 149

sont totalement indépendantes du système d’injection alors que les deux systèmes sont censés
fonctionner de façon conjointe et optimale. Pour rappel, nous soulignions, dans le chapitre 2,
que l’enclenchement de la pompe à chaleur s’effectuait en fonction des températures de départ
et de retour du fluide au condenseur, de la température extérieure, et enfin, de celle du fluide
en retour du plancher chauffant.
Afin de pallier cette limitation, c’est à dire de faire interagir le système d’extraction avec
celui d’injection, nous proposons une méthode de contrôle intégrant les capteurs logiciels
définis lors de la présentation du développement des modèles du forage, dans le chapitre 3.
Il s’agit des variables VCir et VP AC , respectivement relatives à l’historique d’injection et
d’extraction de la chaleur dans le sous-sol.
Afin de prendre en compte toutes les limitations sus-énumérées et d’optimiser le fonction-
nement global du procédé, nous avons opté pour des stratégies de contrôle basées sur les
techniques de l’intelligence artificielle. En particulier, la logique floue. Ce choix est guidé par
la complexité et le nombre important de variables (mesurées ou issues de capteurs logiciels).
La prise en compte de toutes ces données nécessite une intégration de l’expertise humaine (en
terme de raisonnement). Il convient aussi de noter que cet outil permet de prendre en compte
les constats et critiques réalisés par les occupants de l’habitat (pour accroı̂tre l’efficacité du
système de contrôle). Dans ce qui suit, nous présenterons l’outil de simulation utilisé pour la
réalisation et le test de ces contrôleurs.

4.1.3 Contrôle par logique floue

Nous avons vu, dans le chapitre 3, comment il était possible de modéliser un procédé ou un
système, en utilisant les méthodes de l’intelligence artificielle et particulièrement le neuroflou.
Nous avons alors mis en évidence la nécessité d’établir :
– la fuzzification des entrées et des sorties,
– une base de règles floues,
– et la défuzzification des sorties.
Avec le neuroflou, nous utilisions sa capacité d’apprentissage (des réseaux de neurones)
pour ajuster le système d’inférences floues pour ainsi faire correspondre au mieux les valeurs
estimées aux valeurs réelles. Les modèles flous résultants étaient alors de type Takagi-Sugeno
(paragraphe [Link].2 - Structure de type Takagi-Sugeno). En voulant proposer un contrôle par
logique floue, nous pourrons alors nous affranchir de la connaissance de diverses fonctions de
transferts. En revanche, il nous sera cette fois indispensable d’effectuer nous-même, les trois
différentes phases de mise en œuvre d’un système d’inférences floues (paragraphe [Link].2).
Nous procèderons alors, à une étude systémique de la commande floue comme présenté sur la
Figure 4.2. Nous nous appuierons pour cela sur nos connaissances du procédé et les critiques
des occupants que nous formulerons alors sous forme linguistique.
 Chapitre 4 : Développement de contrôleurs flous pour le procédé expérimental du projet
150 GÉOHELIOS

23456789ABC5DED34DB89F9767E8

DD4D3

BE45D74D39F8958A8BD78

D9F89549ECF89FD3CB838

CDD4D3

879478E83989 45DF4D3
F89549EE43F8

Figure 4.2 – Différentes phases de la mise en œuvre des systèmes d’inférences floues

D’une manière générale, la commande des procédés a pour objectif l’amélioration de leur
efficacité tout en garantissant leur sûreté générale. En automatique classique, on applique
généralement une consigne de commande à l’entrée du système. Cette consigne est traduite
sous forme de valeur de sortie à atteindre. Le système de contrôle-commande compare la
valeur de sortie réelle à la valeur de sortie désirée et agit sur la commande instantanée à
appliquer au système pour arriver à une parité entre ces deux valeurs. Dans notre cas, il
ne s’agira pas de comparer ces deux valeurs mais plutôt d’établir tout d’abord le jeu de
variables d’entrée du contrôleur flou qui, par des règles bien définies, permettra d’obtenir
les meilleurs résultats possibles sur les critères choisis. La Figure 4.2 présente les différentes
phases réalisées pour la mise en œuvre des différents contrôleurs proposés par la suite.

4.2 Modèle thermique du procédé hybride et stratégies

de contrôle

4.2.1 Système modélisé sous Simulink®

Tous les modèles développés et présentés dans le chapitre précédent, ont été importés et
connectés judicieusement entre eux sous Simulink® afin de constituer un outil de simulation
du procédé hybride global (Figure 4.3). On y retrouve donc, le modèle du champ solaire (fond
bleu), les sous-modèles de l’échangeur (contours bleus), ceux de la PAC (contours rouges)
et des forages (contours marron) et les contrôleurs des circulateurs et de la PAC (fonds
4.2 Modèle thermique du procédé hybride et stratégies de contrôle 151

respectivement orange et rose). Les variables du système, directement mesurées en ligne, que
sont la température extérieure et l’irradiation solaire, sont quant à elles, représentées sous la
forme de vecteurs (fond rouge).

Figure 4.3 – Modèle global de l’installation de Saint-Pierre dels Forcats sous Simulink®

Par ailleurs, pour des raisons d’interconnexion et de compatibilité entre le logiciel TRNSYS
et Matlab® , nous avons développé un modèle neuroflou de la charge. Celui-ci a été réalisé en
prenant en compte la température d’entrée du plancher chauffant (TP /M (m) ) et les 2 variables
du système directement mesurées en ligne (température extérieure et irradiation solaire). La
 Chapitre 4 : Développement de contrôleurs flous pour le procédé expérimental du projet
152 GÉOHELIOS

Figure 4.4 nous présente la structure de ce modèle.

1234567

189A 4DEF8 1456732

28A

BC

Figure 4.4 – Structure du modèle neuroflou du plancher chauffant de la maison

Nous avons choisi pour chacune des entrées, 3 sous-ensembles flous de type Gaussien.
La phase d’entraı̂nement a été réalisée avces les données de janvier à mai 2009 et celles de
validation avec les données de janvier à mai 2010.
La Figure 4.5 montre la comparaison entre les valeurs expérimentales et estimées de la
température de sortie du plancher chauffant de la maison.

Figure 4.5 – Sortie expérimentale et modélisée du modèle neuroflou du plancher chauffant de

la maison

On remarque que les 2 courbes sont quasiment superposées. Dans une comparaison
quantitative, si l’on analyse les critères de ressemblance tels que l’EAM, l’ERM et le FIT
(sous-section 3.1.5), on obtient des valeurs satisfaisantes, comme le montre le Tableau 4.1.

Variable EAM [ ] ‰ ERM [%] FIT [%]

TM (m)/P sim 0,289 2,68 67,3

Tableau 4.1 – EAM, ERM et FIT de la température de sortie du modèle du plancher chauffant

Il apparaı̂t très clairement que l’EAM et l’ERM sont plutôt faibles, respectivement inférieurs
‰
à 0,3 et 3 % et le FIT traduit une bonne corrélation entre les valeurs expérimentales et
4.2 Modèle thermique du procédé hybride et stratégies de contrôle 153

estimées avec une valeur de 67,3 %. L’ensemble de ces critères et constats, nous permet, par
conséquent, de valider ce modèle.
Ce modèle, implanté sous Simulink® (bloc apparaissant sous fond rose sur la Figure 4.3),
permet de reproduire le comportement thermique du plancher chauffant de la maison et donc
de simuler une demande de chaleur ou non.
Sur cette même figure (Figure 4.3), les deux blocs, orange et rose, respectivement intitulés
« CONTRÔLEUR CIRCULATEUR » et « CONTRÔLEUR PAC ON/OFF » sont, les blocs
relatifs aux contrôleurs des pompes de circulation et de la pompe à chaleur. Ce sont donc ces
contrôleurs que nous allons modifier, dans la suite, afin d’améliorer l’efficacité de l’installation.

4.2.2 Stratégies de contrôle de l’installation

Comme mentionné précédemment, pour améliorer les différents contrôleurs, nous avons
choisi d’utiliser la logique floue, nous permettant ainsi de nous appuyer sur les connaissances
et le retour d’expérience dont nous disposions sur l’installation. La stratégie de contrôle est
simple et repose alors sur le choix des entrées, l’univers de discours, le partitionnement de ces
entrées en différentes classes et la structure du système d’inférences floues.

4.2.3 Critère pour le contrôle de l’installation

L’idée est de maximiser ce que l’on appelle : le coefficient de performance global de
l’installation CoPglobal défini par l’équation (4.2).

∑ Putile
N

COPglobal =
i
i=1
(4.2)
∑ Pelec
N
i
i=1

Où N correspond au nombre d’échantillons et où Putile et Pelec sont définis respectivement
par les équations (4.3) et (4.4).

Putile = Pth−plancher−chauf f ant (4.3)

Pelec = Pelec−pac + Pelec−circulateurs + Pelec−carte (4.4)

Avec :

– Pth−plancher−chauf f ant : puissance thermique au niveau du plancher chauffant

– Pelec−pac : puissance électrique de la pompe à chaleur
 Chapitre 4 : Développement de contrôleurs flous pour le procédé expérimental du projet
154 GÉOHELIOS

– Pelec−circulateurs : puissance électrique consommée par les circulateurs

– Pelec−carte : puissance électrique consommée par le système de monitoring

Cependant, comme nous l’avons déjà énoncé, l’un des objectifs du contrôle du procédé est
de garder le confort thermique des habitants inchangé. Par conséquent, le critère à optimiser
ne dépend plus que de la consommation électrique moyenne des appareils faisant fonctionner
l’ensemble du système, c’est à dire la grandeur Pelec .
Or, en considérant que le système de monitoring consomme, à chaque instant, la même
puissance électrique, il faut donc se concentrer sur la minimisation de la puissance électrique
moyenne consommée par les circulateurs et la PAC. Nous appellerons alors cette puissance
Pcp définie simplement par l’équation (4.5).

Pcp = Pelec−circulateurs + Pelec−pac (4.5)

La Figure 4.6.a présente un des deux circulateurs utilisés pour faire circuler le fluide calopor-
teur dans le système d’injection de chaleur. Conformément au réglage établi (1900 tr⋅min−1 ),
la puissance électrique nécessaire à son fonctionnement est de 67 W. De plus, étant donné
que les deux pompes sont identiques et possèdent le même réglage, à chaque instant où elles
sont activées, ce sont donc 134 W qui sont utilisés pour leur fonctionnement. La Figure 4.6.b
présente la plaque signalétique de la PAC qui donne sa puissance électrique nominale.
Partant de ces deux puissances et des périodes d’activation et d’arrêt des circulateurs et
de la PAC, nous sommes capables d’établir en temps réel leur consommation électrique. La
consommation électrique moyenne Pcpmoyen , calculée en fin de simulation, nous servira alors
de premier critère.
Cette minimisation doit impérativement être réalisée en conservant un bon suivi de la
température de consigne de la maison Tconsigne , caractérisé par EQM (l’erreur quadratique
moyenne) définie par l’équation (4.6).

EQM = ∑(Tin i − Tconsigne )2

1 N
(4.6)
N i=1
Où N représente le nombre d’échantillons utilisés durant la simulation. La valeur de EQM
correspond au second critère utilisé. Le but est de ne pas dégrader cette valeur.
En bilan, nous disposons de deux critères :
– la puissance électrique moyenne Pcpmoyen que nous devons minimiser par le développement
des contrôleurs flous,
– la valeur relative au suivi de la température de consigne dans la maison, EQM, que nous
devons maintenir, voire améliorer.
Nous venons de bien détailler la problématique du contrôle intelligent du procédé expé-
rimental de Saint-Pierre dels Forcats et la démarche sélectionnée. Nous aborderons dans
4.3 Développements et applications des contrôleurs flous 155

123 143

Figure 4.6 – Plaque technique des circulateurs (a) et de la pompe à chaleur (b)

ce qui suit, la phase pratique de ce travail. Elle se décompose en deux parties, à savoir, le
développement et l’application des contrôleurs flous.

4.3 Développements et applications des contrôleurs flous

Dans cette section, nous présentons les différentes étapes mises en place pour l’amélioration
progressive de l’efficacité énergétique de l’installation depuis les deux contrôleurs actuels
(systèmes d’injection et d’extraction). Pour cela, nous allons, pour chacun des contrôleurs, agir
sur les variables d’entrées sélectionnées, les univers de discours, agir sur le partitionnement
de ces entrées en différentes classes, mais aussi sur le nombre et la forme des sous-ensembles
flous utilisés. Nous établirons également différentes règles tant quantitativement que qualita-
tivement.

4.3.1 Le système d’injection de chaleur

[Link] Transcription du contrôleur actuel Tout Ou Rien en système d’infé-
rences floues

Pour améliorer le système de commande des pompes, nous avons souhaité intégrer l’efficacité
variable des circuits hydrauliques suivant le climat. Par conséquent, une première étape a
consisté à développer un contrôleur flou capable de donner des résultats très proches de ceux
obtenus avec le contrôleur actuel. Nous avons, par conséquent, utilisé les mêmes variables
d’entrée (TS(m)/E et TG/E ) afin d’obtenir l’état des circulateurs (ON ou OFF). Pour cela,
le contrôleur délivre, en sortie, un coefficient traduisant le degré de nécessité d’activation
 Chapitre 4 : Développement de contrôleurs flous pour le procédé expérimental du projet
156 GÉOHELIOS

P1 de ces pompes (marche ou arrêt - comprise entre 0 et 1) et qui repose sur ces variables
d’entrées (Figure 4.7). Plus ce coefficient est proche de 1, plus le besoin d’activation est élevé.
Et inversement, plus il se rapproche de 0, plus l’arrêt des circulateurs est décidé.

1234567
AE
 9ABACDEF
BAEF
1867

Figure 4.7 – Structure du contrôleur flou pour l’activation des circulateurs

L’implantation, sous Simulink® , du contrôleur actuel des circulateurs (Figure 4.8), repose
sur le calcul de la différence de température. Un hystérisis (Relay) paramétré conformément
aux règles rappelées par (4.1), permet alors d’attribuer la sortie du contrôleur (0 ou 1).

Figure 4.8 – Modèle du contrôleur TOR d’origine sous Simulink®

Notre cheminement, pour la conception de ce contrôleur repose sur le fait que généralement,
plus l’écart de température entre la sortie du champ solaire TS(m)/E et le retour du forage
à l’échangeur TG/E est élevé, plus on est sûr que les circulateurs sont activés. Évidemment,
plus l’écart est faible, moins on est sûr qu’ils sont activés.
Ce raisonnement nous a permis de faire une subdivision très simple des entrées en deux
sous-ensembles flous chacun (« Petit » et « Grand »), et la sortie en « Faible », « Moyen »
et « Fort » comme le montre la Figure 4.9.
Nous pouvons alors dresser une base des règles (tableau 4.2) liée à la nécessité d’activation
des circulateurs. La méthode max-min est employée pour l’agrégation de ces règles et l’étape
de défuzzification se fait par la méthode du centre de gravité.
Le contrôleur devant restituer une valeur comprise entre 0 et 1, nous avons utilisé (Fi-
gure 4.10) un Relay. Ainsi, pour des valeurs inférieures à 0,5 la sortie du contrôleur est à 0,
4.3 Développements et applications des contrôleurs flous 157

265A744768272A
265A744768272A
28 8 67 28 8 67
8 8

3 3
1234444444441534444444444443444444444444534444444444234444444444463444444444473444444444833 123444444444153444444444444344444444444453444444444423444444444446344444444447344444444483344

12345678962A1BC3DEFAA 12345678962A1EFAA

265A744768272A
#7 !2 $%22 #682
8

3
44344444444444398444444444439544444444439A444444444439244444444439B4444444444396444444444439C44444444439744444444439D444444444448

67 ! 85A78 "78 A2A4342A

Figure 4.9 – Sous-ensembles flous du contrôleur des circulateurs

TG/E
Petit Grand
Petit Moyen Faible
TS(m)/E
Grand Fort Moyen

Tableau 4.2 – Base des règles du contrôleur des circulateurs

sinon elle est à 1.

Figure 4.10 – Contrôleur flou sous Simulink®

[Link] Résultats du contrôleur flou des circulateurs

Tout au long de cette étude, la mise en place des bases de règles a été guidée par
l’exploitation de la connaissance humaine et des résultats obtenus des caractéristiques des
contrôleurs à travers les surfaces générées. Pour le contrôle final de l’activation des circulateurs,
la Figure 4.11 présente la surface dite de contrôle en fonction des deux entrées. Cette surface
 Chapitre 4 : Développement de contrôleurs flous pour le procédé expérimental du projet
158 GÉOHELIOS

montre le caractère quasi-linéaire du contrôleur, ce qui traduit bien la transcription de

l’algorithme de Tout Ou Rien.
Lors de la mise en place de ces règles, nous nous sommes aperçu que la stratégie devait
reposer sur une augmentation du potentiel d’activation P1 lorsque la TS(m)/E était élevée ou
que TG/E était faible. À l’inverse, nous avons constaté que le potentiel P1 d’enclenchement
des circulateurs devait être plus faible, lorsque TS(m)/E était faible ou que TG/E était élevée.

Figure 4.11 – Variation du potentiel d’activation des circulateurs (P1) en fonction de TS(m)/E
et TG/E

On remarque que d’un point de vue général, le comportement d’activation et d’arrêt des
pompes de circulation, simulé avec le contrôleur flou, est très proche du contrôleur actuel de
l’installation (Figure 4.12).
En effet, le Tableau 4.3 montre que le nombre d’enclenchements des circulateurs, entre
la réalité et la simulation, est très proche : seulement 1,9% d’activation supplémentaire,
dans la cas de la simulation, comparé aux données expérimentales. De plus, la durée totale
d’état d’activation est très proche, seulement 1,4% de plus en simulation qu’en réalité. Par
ailleurs, et c’est certainement le critère le plus important, le taux de ressemblance des états
des circulateurs (ON et OFF) s’élève à près de 83%. Cela signifie que le contrôleur flou ainsi
développé joue un rôle très proche du contrôleur réel. Les différences constatées peuvent
s’expliquer du fait de l’importance de l’écart entre les deux températures TS(m)/E et TG/E . Une
simple différence de quelques dixièmes de degré suffit alors à ne pas activer les circulateurs et
modifier toute la suite de la simulation.
Nous venons de présenter un contrôleur flou capable de montrer des résultats proches du
contrôleur réel. Nous reviendrons plus tard sur son amélioration. Nous allons maintenant
répondre aux problématiques, liées au contrôleur de la pompe à chaleur dans la même optique,
augmenter l’efficacité énergétique du procédé.
4.3 Développements et applications des contrôleurs flous 159

Figure 4.12 – État des circulateurs mesuré et par la simulation du contrôleur flou

Expérimental Simulation
Nombre d’enclenchements 526 536
Durées totale à l’état ON [min] 40387 40945
Ressemblance des états [%] 82,97

Tableau 4.3 – Critère de validation du contrôleur flou de base

4.3.2 Le système d’extraction de la PAC

[Link] Contrôleur flou version 1

[Link].1 Développement du contrôleur flou version 1

Nous avons souhaité, dès le premier contrôleur développé, intégrer une variable d’entrée
ayant une forte influence sur l’ensemble des sous-systèmes du procédé, comme notamment
pour le champ solaire, l’échangeur et la maison, il s’agit de l’irradiation solaire.
La première version du contrôleur flou (V1) que nous avons développée pour l’activation de
la PAC (Figure 4.13) repose donc sur la température de la maison Tin , indispensable puisqu’il
s’agit d’en assurer sa valeur et l’irradiation solaire ΦS .
Le principe de ce contrôleur est de déterminer un coefficient, compris entre 0 et 1, traduisant
le degré de nécessité d’activation des circulateurs, et à partir duquel nous déterminons, grâce
à une valeur de seuil, l’état de la PAC (ON ou OFF). Ainsi, le coefficient N1 sera élevé si la
température intérieure de la maison est suffisamment faible et lorsque l’irradiation solaire est
relativement importante. La valeur du seuil, quant à elle, est fixée à une valeur proche de 0,5
et ajustée pour affiner les résultats.
L’intérêt de ce contrôleur est de permettre, tout d’abord, de chauffer la maison lorsque
la température de sa pièce principale est faible mais surtout de privilégier et d’accentuer
 Chapitre 4 : Développement de contrôleurs flous pour le procédé expérimental du projet
160 GÉOHELIOS

123
F7CB
C 67879AB
 C89DEF
45

Figure 4.13 – Structure du contrôleur flou V1 pour l’activation de la PAC

le chauffage lorsque l’irradiation solaire est forte. Ce second critère permet de favoriser un
chauffage plus proche des périodes de stockage, plutôt qu’un chauffage de nuit, par exemple,
où l’efficacité de la pompe à chaleur en sera naturellement réduite. De plus, la circulation du
fluide caloporteur de jour entraı̂ne moins de pertes que la nuit où la température extérieure
diminue fortement et où les pertes thermiques sont donc plus conséquentes.
Afin de formuler les règles floues relatives à ces principes, nous définissons dans un premier
temps les labels linguistiques utilisés.
Ce raisonnement nous a permis de faire une subdivision très simple des entrées en trois
sous-ensembles flous pour la température intérieure (« Petit », « Moyen » et « Grand »), et
en deux sous-ensembles flous pour l’irradiation solaire (« Petit » et « Grand »). La sortie,
quant à elle, a été divisée en quatre sous-ensembles flous (2 de type trapézoı̈dal et 2 de type
triangulaire) notés : « Très Faible », « Faible », « Fort » et « Très Fort », comme le montre
la Figure 4.14. La forme, le nombre et les paramètres des fonctions d’appartenance ont été
choisis dans le but de répondre aux deux critères énoncés précédemment : Pcpmoyen et EQM.
265A744768272AD

265A744768272AD

#288 $%2 &67 #288 &67

2 2

3 3
1231111111111111111111111111241111111111111111111111111531111111111111111111111111154111111111111111111111111163111111111111111111111111164 113111111111115331111111173311111111183311111111933111111123331111112533

12345678962A1BCAADEF  "
B66778A762AAD3 ! 
265A744768272AD

16*A+7,2 -7,2 -68 16*A+68

2

3
111311111111113A211111111113A51111111113A611111111113A71111111113A411111111113A811111111113AB1111111113A91111111113AC111111111112

C5285A78'78A2A7A4342A(A)7296AD

Figure 4.14 – Sous-ensembles flous pour le contrôleur de la pompe à chaleur

À partir de ces raisonnements et subdivisions, nous pouvons alors dresser une base des
4.3 Développements et applications des contrôleurs flous 161

règles (Tableau 4.4) liée à la nécessité d’activer la PAC. La méthode max-min est employée
pour l’agrégation de ces règles et la défuzzification se fait par la méthode du centre de gravité.

ΦS
Petit Grand
Petit Fort Très fort
TIN Moyen Moyen Fort
Grand Faible Moyen

Tableau 4.4 – Base des règles du contrôleur V1 de la pompe à chaleur

La Figure 4.15 montre la surface formée par la nécessité d’activation de la PAC en fonction
des 2 entrées du contrôleur flou développé. Contrairement au contrôleur flou des circulateurs,
on constate ici une surface non plane traduisant la non linéarité entre les variables d’entrée
et de sortie. On remarque que la valeur de N1 est plus forte pour une température TIN faible
et une irradiation solaire ΦS élevée. Et à l’inverse, on obtient une plus faible nécessité N1
d’enclenchement de la PAC, lorsque TIN est relativement élevée et que ΦS est faible.

Figure 4.15 – Variation du degré de nécessité d’activation de la PAC (N1) en fonction de TIN
et ΦS

En plus du contrôleur flou développé, nous avons souhaité que des règles de bon sens,
concernant les durées de fonctionnement et d’arrêt de la PAC, soient respectées. Pour cela,
nous avons établi deux algorithmes simples permettant de limiter leurs durées.
Ainsi, l’algorithme 1 permet de fixer, à la pompe à chaleur, une durée d’activation maximale
à ne pas dépasser.
L’algorithme 2 permet de laisser à la pompe à chaleur, lorsqu’elle s’arrête, un temps de
repos minimum avant de pouvoir (éventuellement) être activée à nouveau.
 Chapitre 4 : Développement de contrôleurs flous pour le procédé expérimental du projet
162 GÉOHELIOS

Algorithm 1 Algorithme sur la durée maximale d’activation de la PAC

for i = m + 1 → N do
sum P AC ← 0
for j = i − 1 → i − m do
sum P AC ← sum P AC + P ACj
end for
if sum P AC = m then
P ACi ← 0
end if
end for

Algorithm 2 Algorithme sur la durée minimale d’arrêt de la PAC

for i = n + 1 → N do
sum P AC ← 0
for j = i − 1 → i − n do
sum P AC ← sum P AC − (P ACj − 1)
end for
if sum P AC < n then
P ACi ← 0
end if
end for

Après une analyse du comportement réel du système (Figure 4.16), nous avons conservé la
durée maximale d’activation et la durée minimale d’arrêt observées, respectivement notées m
et n. Ainsi, on a : m = 120 (la pompe à chaleur ne peut donc pas dépasser 2 heures à l’état
ON) et n = 30 (lorsque la pompe à chaleur s’arrête, elle doit observer un minimum de 30
minutes de repos).
Les phases d’extraction entraı̂nent nécessairement une baisse de la température du sous-sol.
Cette baisse engendre alors une baisse des performances de la pompe au fil de l’extraction.
La durée m qui fixe sa durée maximale de fonctionnement, permet d’éviter de trop réduire
les performances de la pompe à chaleur. Ainsi, le sous-sol a la possibilité de se recharger
thermiquement, soit naturellement, soit par l’apport du champ solaire durant une durée
minimale, notée n. Cette durée permet également de ne pas imposer à la pompe à chaleur
des changements d’états trop rapprochés dans le temps. Ces règles vont donc dans le sens de
celles données par le constructeur et énoncées dans le chapitre 2.

[Link].2 Résultats du contrôleur version 1

Afin de pouvoir juger de la qualité des résultats obtenus, nous présentons (Tableau 4.5) les
résultats issus des contrôleurs présents in situ et ceux obtenus par le contrôleur V1.
On remarque que l’erreur quadratique moyenne obtenue est, comme nous le souhaitions,
4.3 Développements et applications des contrôleurs flous 163

123456

7823
456

Figure 4.16 – Illustration des durées minimale et maximale requises pour le contrôle de la
pompe à chaleur

Contrôleur in situ Contrôleur V1

EQM 1,109 2 ‰ 0,822 2‰
Pcpmoyen 913,42 W 967,32 W
TINmoyen 22,52 ‰ 22,45‰
EAM TIN 0,83 ‰ 0,71‰
Moyenne des Circulateurs ON [%] 27,37 32,90
Moyenne des PAC ON [%] 22,48 23,67

Tableau 4.5 – Résultats du contrôleur V1 de la pompe à chaleur

‰ ‰
assez proche (0,822 2 ) de celle obtenue sur le site (1,109 2 ). On peut également noter la
‰
qualité de la température moyenne obtenue pour la maison qui est de 22,45 (Figure 4.17),
soit moins d’un dixième de degré en dessous de la valeur moyenne réelle. De même, l’erreur
absolue moyenne est de plus d’un dixième de degré plus faible (0,71 ). ‰
Cela signifie que par le contrôleur V1 ainsi développé, la consigne est plutôt bien suivie et
elle l’est d’autant plus que les valeurs d’EAM et d’EQM ont été améliorées.
Cependant, la minimisation recherchée du critère de consommation électrique Pcpmoyen ,
montre une limitation de ce contrôleur. En effet, bien que les résultats obtenus soient
satisfaisants en terme de suivi de consigne, les besoins d’activation des circulateurs ont été
augmentés de 20,2 %, passant ainsi de 27,37 % d’activation à 32,90 % par jour, en moyenne.
Par ailleurs, concernant la pompe à chaleur, son activité a augmenté de 5,29 %, entraı̂nant
un passage de 22,48 % d’activation à 23,67 %. Cette hausse des activités des circulateurs et
de la PAC se traduisent par une hausse de 5,9 % de la consommation électrique requise.
 Chapitre 4 : Développement de contrôleurs flous pour le procédé expérimental du projet
164 GÉOHELIOS

Figure 4.17 – Température intérieure de la maison obtenue par la version V1 de la plateforme

de simulation

Néanmoins, sans la prise en compte des capteurs logiciels préalablement évoqués, le

contrôleur V1 offre des résultats proches de ceux obtenus par le contrôleur in situ.
La possibilité d’intégration d’autres variables à cette première version du contrôleur,
montre, par conséquent, une marge de progression encourageante.
C’est donc en intégrant d’autres variables à ce contrôleur (V1) que nous allons établir la
seconde version du contrôleur (V2).

[Link] Contrôleur flou version 2

[Link].1 Développement du contrôleur flou version 2

Pour cette seconde version du contrôleur flou (V2), nous avons souhaité analyser l’influence
de la valeur issue du capteur logiciel VCir , qui correspond, nous le rappelons, à la durée
d’injection de chaleur dans le sous-sol, depuis un temps DCir .
Le second contrôleur (Figure 4.18) ainsi développé, prend en compte, la température
intérieure de la maison TIN , l’irradiation solaire ΦS et la valeur VCir .
De la même manière que pour le contrôleur flou V1, le principe est de déterminer un
coefficient (compris entre 0 et 1) à partir duquel l’état ON ou OFF de la PAC est choisi.

123
F7CB
C 67879AB
45
 C89DEF
F

Figure 4.18 – Structure du contrôleur flou V2 pour l’activation de la PAC

4.3 Développements et applications des contrôleurs flous 165

Ainsi, le coefficient respectera les mêmes principes que pour le premier contrôleur, auxquels
nous ajoutons l’idée que plus la valeur de VCir sera élevée, plus ce coefficient sera important.
L’intérêt de cette seconde version du contrôleur (V2) est, d’une part, de permettre de
chauffer la maison lorsque la température de la pièce principale est faible et de favoriser le
chauffage la journée pour diminuer les problèmes de pertes thermiques au niveau des circuits
hydrauliques (naturellement plus importants la nuit). Et d’autre part, l’intérêt est d’ajouter à
cela, l’idée de favoriser d’autant plus l’extraction de chaleur que les circulateurs ont beaucoup
fonctionné dans le délai de temps DCir (recharge thermique du sous-sol récente).
Ce raisonnement nous a permis d’établir une subdivision des entrées de la manière
suivante. Nous faisons à nouveau appel à trois sous-ensembles flous (type triangulaire) pour
la température intérieure (« Petit », « Moyen » et « Grand »), à deux sous-ensembles flous
(type gaussien) pour l’irradiation solaire (« Petit » et « Grand ») et à deux sous-ensembles
flous (type triangulaire) pour la variable VCir (« Petit » et « Grand »).
La sortie, quant à elle, a été divisée en quatre sous-ensembles flous (2 de type trapézoı̈dal
et 2 de type triangulaire) notés : « Très faible », « Faible », « Fort » et « Très fort », comme
le montre la Figure 4.19.
265A744768272AD

265A744768272AD

265A744768272AD

&288 '(2 )67 &288 )67 &288 )67

2 2 2

3 3 3
1231111111111111111111111111241111111111111111111111111531111111111111111111111111154111111111111111111111111163111111111111111111111111164 113111111111115331111111173311111111183311111111933111111123331111112533 11311111111111111111111111123331111111111111111111115333111111111111111111111633311111111111111111111173331111111111111111111114333

12345678962A1BCAADEF  " -F6AAD

B66778A762AAD3 ! 
265A744768272AD

16*A+7,2 .7,2 .68 16*A+68

2

3
111311111111113A211111111113A51111111113A611111111113A71111111113A411111111113A811111111113AB1111111113A91111111113AC111111111112

C5285A78#
A2A7A4342A$A%7296AD

Figure 4.19 – Sous-ensembles flous pour le contrôleur V2 de la pompe à chaleur

À partir de ces règles, nous pouvons alors dresser une base des règles (Tableau 4.6) liée à la
nécessité d’activer la PAC. La méthode max-min est toujours employée pour l’agrégation de
ces nouvelles règles et la phase de défuzzification se fait par la méthode du centre de gravité.
La Figure 4.20 présente différentes surfaces de contrôle en fonction des entrées. On peut
souligner, sur chacune des surfaces, la forte non linéarité entre les variables d’entrée et la
sortie estimée. L’exploitation de ces surfaces nous a alors permis de mettre en place les règles
floues.
 Chapitre 4 : Développement de contrôleurs flous pour le procédé expérimental du projet
166 GÉOHELIOS

ΦS Faible ΦS Faible ΦS Fort ΦS Fort

VCir Faible VCir Fort VCir Faible VCir Fort
Faible Fort Très fort Très fort Très fort
TIN Moyen Faible Fort Fort Fort
Fort Très faible Très faible Très faible Faible

Tableau 4.6 – Base des règles du contrôleur V2 de la pompe à chaleur

[Link].2 Résultats du contrôleur version 2

Les résultats obtenus par ce troisième contrôleur sont présentés dans le Tableau 4.7. Nous
avons conservé, à titre comparatif, les résultats des contrôleurs utilisés in situ.

Contrôleur in situ Contrôleur V2

EQM 1,109 2 ‰ ‰
0,751 2
Pcpmoyen 913,42 W 834,10 W
TINmoyen 22,52 ‰ 22,56‰
EAM TIN 0,83 ‰ 0,69‰
Moyenne des Circulateurs ON [%] 27,37 30,94
Moyenne des PAC ON [%] 22,48 20,32

Tableau 4.7 – Résultats du contrôleur V2 de la pompe à chaleur

Après l’analyse des résultats obtenus par simulation, du contrôleur V2, on remarque que
l’erreur quadratique moyenne obtenue est du même ordre de grandeur que celle obtenue sur
‰
le site (0,751 2 ). De plus, on peut dire que la température moyenne obtenue pour la maison
‰
est conservée avec 22,56 (Figure 4.21) et que l’erreur absolue moyenne est même réduite à
0,69 .‰
Par conséquent, le contrôleur V2, que nous avons développé, respecte plutôt rigoureusement
‰
la consigne fixée, nous le rappelons à 23 et surtout, ce nouveau contrôleur permet pour la
première fois d’observer des économies d’énergie. En effet, grâce à une meilleure utilisation
des périodes de fonctionnement de la PAC, son taux d’activité a chuté de 10,6%, passant
de 22,48 % à 20,32 %. Cette utilisation réduite de la PAC s’est cependant traduite par une
augmentation du taux d’activation des circulateurs pour recharger thermiquement le sous-sol.
Ce taux, qui avoisine désormais les 31 %, a donc augmenté de 13 %.
Ces variations d’activités de la pompe à chaleur et des circulateurs se traduisent naturelle-
ment par des variations de la puissance moyenne Pcpmoyen , qui ne s’élève qu’à 834,10 W .
Le contrôleur V2, nous venons de le voir, offre des résultats satisfaisants. Nous allons
maintenant présenter l’étude de l’intégration d’une nouvelle variable à ce contrôleur.
4.3 Développements et applications des contrôleurs flous 167

BC BC
FB88 FB88C8

 
143 143

12342546789A8BC8A78D67E546789A88A581438FB8E675275

BC BC

888 !"C 888 !"C

FB 143 FB 143

12342546789A8BC8A78D67E546789A8FB8A5814388E675275

BC BC

14388
14388

14388 14388

FB  FB


12342546789A8BC8A78D67E546789A8FB8A5881438E675275

Figure 4.20 – Variation de la nécessité d’activation de la PAC (N2) en fonction de TIN , ΦS et

VCir

[Link] Contrôleur flou version 3

[Link].1 Développement du contrôleur flou version 3

Pour ce troisième contrôleur flou (V3), nous avons intégré au contrôleur précédent la valeur
issue du capteur logiciel VP AC , qui correspond, nous le rappelons, à la durée d’extraction de
chaleur dans le sous-sol, depuis un temps DP AC .
 Chapitre 4 : Développement de contrôleurs flous pour le procédé expérimental du projet
168 GÉOHELIOS

Figure 4.21 – Température intérieure de la maison obtenue par la version V2 de la plateforme

de simulation

Le troisième contrôleur (Figure 4.22) ainsi développé, prend en compte, la température

intérieure de la maison TIN , l’irradiation solaire ΦS , la valeur VCir et la valeur VP AC .

123
F7CB
45 C 67879AB
F  C89DEF

DEF

Figure 4.22 – Structure du contrôleur flou V3 pour l’activation de la PAC

Lors de la mise en place des règles, Tableau 4.8, où nous avons encore utilisé la méthode
max-min et celle du centre de gravité pour la phase de défuzzification, nous nous sommes
aperçu que la stratégie devait reposer sur une augmentation du coefficient d’activation de
la PAC lorsque la valeur de VP AC diminuait et sur une baisse lorsque la valeur de VP AC
augmentait. Ainsi, pour nuancer un peu plus la sortie du contrôleur, nous avons ajouté une
fonction d’appartenance (de type triangulaire) supplémentaire en sortie.
Ainsi, le coefficient respectera les mêmes principes que pour le contrôleur précédent, auquel
nous ajoutons l’idée que plus la valeur de VP AC sera élevée, plus ce coefficient sera faible.
L’intérêt de cette troisième version du contrôleur (V3) est, d’une part, de permettre de
chauffer la maison lorsque la température de la pièce principale est faible et de favoriser le
chauffage la journée pour diminuer les problèmes de pertes thermiques au niveau des circuits
hydrauliques (naturellement plus importants la nuit). Et d’autre part, l’intérêt est d’ajouter à
cela, l’idée de favoriser d’autant plus l’extraction de chaleur que les circulateurs ont beaucoup
fonctionné dans le délai de temps DCir (recharge thermique du sous-sol récente) et que la
4.3 Développements et applications des contrôleurs flous 169

VP AC Grand ΦS Faible ΦS Faible ΦS Fort ΦS Fort

VCir Faible VCir Fort VCir Faible VCir Fort
Faible Moyen Fort Fort Fort
TIN Moyen Faible Moyen Moyen Moyen
Fort Très faible Très faible Très faible Faible

VP AC Petit ΦS Faible ΦS Faible ΦS Fort ΦS Fort

VCir Faible VCir Fort VCir Faible VCir Fort
Faible Fort Très fort Très fort Très fort
TIN Moyen Moyen Fort Fort Fort
Fort Faible Faible Faible Moyen

Tableau 4.8 – Base des règles du contrôleur V3 de la pompe à chaleur

PAC a peu fonctionné depuis un temps DP AC .

Ce raisonnement nous a permis d’établir une subdivision des entrées de la manière
suivante. Nous faisons à nouveau appel à trois sous-ensembles flous (type triangulaire) pour
la température intérieure (« Petit », « Moyen » et « Grand »), à deux sous-ensembles flous
(type gaussien) pour l’irradiation solaire (« Petit » et « Grand »), à deux sous-ensembles flous
(type triangulaire) pour la variable VCir (« Petit » et « Grand ») et à deux sous-ensembles
flous (type triangulaire) pour la variable VP AC (« Petit » et « Grand »).
La sortie, quant à elle, a été divisée en cinq sous-ensembles flous (2 de type trapézoı̈dal
et 3 de type triangulaire) notés : « Très faible », « Faible », « Moyen », « Fort » et « Très
fort », comme le montre la Figure 4.23.

[Link].2 Résultats du contrôleur version 3

Les résultats obtenus par ce troisième contrôleur sont présentés dans le Tableau 4.9. Nous
avons conservé, toujours à titre comparatif, les résultats des contrôleurs utilisés in situ.
Après l’analyse des résultats obtenus par simulation, du contrôleur V3, on remarque que
l’erreur quadratique moyenne obtenue est toujours du même ordre que celle obtenue in situ
‰
avec EQM = 0,751 2 . De plus, on peut dire que le maintien de la température moyenne de
‰
la pièce principale est toujours réalisé, avec 22,55 de moyenne (Figure 4.24) et que l’erreur
absolue moyenne reste relativement faible : 0,73 . ‰
Par conséquent, le contrôleur V3, que nous avons développé, assure un bon suivi de la
température de consigne et permet une baisse significative de la consommation électrique.
En effet, grâce à une meilleure gestion du stock de chaleur dans le sous-sol et donc une
meilleure utilisation des périodes de fonctionnement de la PAC et des circulateurs. Ainsi,
 Chapitre 4 : Développement de contrôleurs flous pour le procédé expérimental du projet
170 GÉOHELIOS
265A744768272AD

265A744768272AD
#288 $%2 &67 #288 &67
2 2

3 3
1231111111111111111111111111241111111111111111111111111531111111111111111111111111154111111111111111111111111163111111111111111111111111164 113111111111115331111111173311111111183311111111933111111123331111112533

12345678962A1BCAADEF  "
B66778A762AAD3 ! 
265A744768272AD

265A744768272AD
#288 &67 #288 &67
2 2

3 3
11311111111111111111111111123331111111111111111111115333111111111111111111111633311111111111111111111173331111111111111111111114333 11311111111111111111111111111111111111111123331111111111111111111111111111111111153331111111111111111111111111111111111116333

'F6AAD '(FAD

16,A-.2 /.2 $  / 8 16, - 8

2

3
111311111111113A211111111113A51111111113A611111111113A71111111113A411111111113A811111111113AB1111111113A91111111113AC111111111112

Figure 4.23 – Sous-ensembles flous pour le contrôleur V3 de la pompe à chaleur

Contrôleur in situ Contrôleur V3

EQM 1,109 2 ‰ 0,785 2 ‰
Pcpmoyen 913,42 W 808,53 W
TINmoyen 22,52 ‰ 22,55 ‰
EAM TIN 0,83 ‰ 0,73 ‰
Moyenne des Circulateurs ON [%] 27,37 34,07
Moyenne des PAC ON [%] 22,48 19,56

Tableau 4.9 – Résultats du contrôleur V3 de la pompe à chaleur

le taux d’activité de la PAC, en comparaison avec le contrôleur présent sur site, a chuté de
13%, passant de 22,48 % à 29,56 %. Cette utilisation réduite s’est, une nouvelle fois, traduite
4.3 Développements et applications des contrôleurs flous 171

Figure 4.24 – Température intérieure de la maison obtenue par la version V3 de la plateforme

de simulation

par une augmentation du taux d’activation des circulateurs pour recharger thermiquement
le sous-sol. Avec la troisième version du contrôleur, ce taux d’activité atteint 34 %, ce qui
représente une hausse de plus de 24,48 %.

Le résultat le plus intéressant est bien entendu lié à la puissance moyenne consommée par
l’installation Pcpmoyen , qui ne s’élève plus qu’à 808,53 W . Cette baisse de puissance atteint
11,48 %.

Pour les 5 mois étudiés en simulation (duree simulation = 2493, 33 heures), l’économie
d’énergie réalisée se calcule grâce au produit de la puissance moyenne consommée par le
nombre d’heures de simulation (équations (4.7) et (4.8)).

Eeco = Pcpmoyen × duree simulation (4.7)

Eeco = 808, 53 × 2493, 33 (4.8)

D’où : Eeco = 261, 5 kW h.

Pour synthétiser, nous présentons sur les Figures 4.25 et 4.26, ainsi que sur le Tableau 4.10,
l’évolution des résultats obtenus avec les trois versions des contrôleurs flous. On peut noter,
d’une part, l’amélioration progressive du taux d’utilisation de la PAC, qui passe de 23,67%,
avec le premier contrôleur, à 19,56% avec la troisième version du contrôleur. D’autre part,
 Chapitre 4 : Développement de contrôleurs flous pour le procédé expérimental du projet
172 GÉOHELIOS

Figure 4.25 – Évolution de la température intérieure de la maison obtenue par les 3 versions
de la plateforme de simulation et température de consigne

V1 V2 V3
EQM ‰
0,822 2 0,751 2‰ 0,785 2‰
Pcpmoyen 967,32 W 834,10 W 808,53 W
TINmoyen 22,45‰ 22,56‰ 22,55‰
EAM TIN 0,71‰ 0,69‰ 0,73‰
Moyenne des Circulateurs ON [%] 32,90 30,94 34,07
Moyenne des PAC ON [%] 23,67 20,32 19,56

Tableau 4.10 – Résultats de simulation des trois versions des contrôleurs de la pompe à
chaleur

on remarque que la consommation électrique moyenne consommée a diminué après chaque

nouvelle version de contrôleur de la pompe à chaleur, passant de 967,32 W à 808,53 W.
4.3 Développements et applications des contrôleurs flous 173

2
56C
56B
56A
569


568
567
564
563
562
5
12 13 14
DEF

 D D!"#
$%&F"'(!!#!EF'#"!EFF)

75
48
45
38
35
28
25
8
5
12 13 14
DEF

2555

C55
"*E+F,

B55

A55

955

855
12 13 14
DEF

Figure 4.26 – Résultats récapitulatifs des étapes de développement du contrôleur flou du

système d’extraction de chaleur
 Chapitre 4 : Développement de contrôleurs flous pour le procédé expérimental du projet
174 GÉOHELIOS

Conclusion du chapitre
Dans ce chapitre, nous nous sommes intéressés au contrôle des actionneurs du procédé
expérimental de Saint-Pierre dels Forcats. Ce travail réalisé en simulation nous a, dans un
premier temps, montré que le système de contrôle Tout Ou Rien appliqué aux circulateurs
était suffisant. Nous nous sommes donc contenté de sa transcription en contrôleur flou. Notons,
cependant, que ce contrôleur pourra être très utile et amélioré sur un procédé disposant
de pompes à débits variables. En ce qui concerne la pompe à chaleur, le développement et
l’amélioration progressive de plusieurs versions de contrôleurs flous a permi de mettre en
évidence l’intérêt d’utiliser des variables synthétiques (issus de capteurs logiciels) relatives
aux phases de stockage et de déstockage de la chaleur dans le sous-sol. La prise en compte de
ces variables nous a permis d’améliorer les performances des contrôleurs utilisés in situ et
ainsi de déterminer les périodes les plus propices à des phases d’extraction de chaleur ou de
repos. Ce choix des plages d’utilisation de la pompe à chaleur, a ainsi permis d’améliorer
l’exploitation de la ressource géothermique, et donc d’augmenter l’efficacité de la pompe à
chaleur. À partir de cette amélioration de la gestion thermique du sous-sol, nous avons permis
la minimisation de la consommation électrique globale du système.
Conclusion générale et perspectives

Conclusion

D urant tout ce travail, nous nous sommes intéressés à la problématique du chauffage dans
le secteur du bâtiment conformément aux enjeux énergétiques et environnementaux
actuels. Nous avons souligné que la réponse à ces problématiques amenait inévitablement à
l’intégration des sources d’énergies renouvelables, dans l’ensemble de la chaı̂ne économique,
écologique et industrielle.
Dans l’objectif de l’amélioration de l’efficacité de la gestion de ce type de ressources, nous
nous sommes focalisés sur l’étude du « mix énergétique » solaire/géothermie.
Ainsi, afin de réaliser l’étude de ces installations, nous avons montré les possibilités
offertes par notre système de monitoring en terme d’acquisition et de capacité à assurer le
contrôle de l’installation. Le système de monitoring développé a permis de collecter l’ensemble
des données de température, d’ensoleillement, et de courant sur ces deux installations. La
base de données alors établie, sur l’installation GÉOHELIOS, nous a permis de réaliser
son bilan thermique. Cette étape nous a permis de nous rendre compte que, concernant
l’étude du système d’injection de chaleur, l’apport d’énergie thermique dans le sous-sol était
naturellement très dépendant de l’irradiation solaire et que, surtout, les pertes thermiques
étaient relativement importantes au niveau des circuits hydrauliques assurant le transport
du fluide caloporteur entre le champ solaire et l’échangeur de chaleur. Pour le système
d’extraction de chaleur, les mesures ont montré clairement que le coefficient de performance
variait de manière significative durant son fonctionnement, du fait du rafraı̂chissement lors
de l’extraction de chaleur. De plus, nous avons pu noter, l’importance, à nouveau, des pertes
thermiques au niveau des liaisons entre les différents sous-systèmes. Ces constats, ont permis
alors de mieux appréhender la phase de contrôle, et nous en avons déduit que les pertes
thermiques, jouant un rôle important dans cette installation, se devaient d’être intégrées lors
du développement du contrôleur.
Cependant, avant de développer ces contrôleurs, nous avons dû créer une plateforme de
simulation capable de reproduire, le plus fidèlement possible, le comportement du procédé
hybride réel. Les sous-modèles développés ont montré des résultats satisfaisants et cette
plateforme ainsi créée a donné place à un outil de simulation capable de tester, en temps réel,
176 Conclusion générale et perspectives

une grande quantité de scénarios et de stratégies de contrôle.

Les contrôleurs de l’installation ont été développés à partir de la logique floue. Le choix
des structures, des fonctions d’appartenance et l’ajustement des règles, ont permis de mettre
en évidence la nécessité de développement de capteurs logiciels. Ceux-ci nous ont permis, par
la suite, d’obtenir des variables synthétiques nécessaires à la caractérisation des phases de
stockage et de déstockage de la chaleur dans le sous-sol. La prise en compte de ces variables
a ainsi amélioré les performances des contrôleurs utilisés in situ et de déterminer, de façon
plus judicieuse, les périodes et durées des phases d’extraction de chaleur ou de repos. Ce
choix des plages d’utilisation de la pompe à chaleur, a ainsi permis d’améliorer l’exploitation
de la ressource géothermique, et donc d’augmenter l’efficacité de la pompe à chaleur. À
partir de cette amélioration de la gestion thermique du sous-sol, nous avons pu observer
des améliorations significatives sur la consommation énergétique globale du procédé tout
en respectant le confort et les besoins en chauffage des habitants. Au terme de ce travail,
nous pouvons présenter l’outil mis en place comme une plateforme de contrôle supervisé de
procédés hybrides solaire/géothermie. Notons, de même, la facilité de portabilité à d’autres
types de systèmes mixtes à énergies renouvelables.

Perspectives
L’une des continuations des plus immédiates de ce travail est l’implémentation des contrô-
leurs développés en simulation, sur le procédé réel GÉOHELIOS, via le système de monitoring.
À ce niveau, la démarche consistera à une application directe, suivie éventuellement d’un léger
ajustement des paramètres des contrôleurs. Tout ceci impliquera, bien entendu, une poursuite
de l’instrumentation du procédé avec des actionneurs positionnés, d’une part, sur le système
d’injection, pour l’activation des circulateurs et d’autre part, sur le système d’extraction de
chaleur, pour la mise en marche de la pompe à chaleur.
À un niveau supérieur, la stratégie de contrôle développée pourra être transposée au
projet SOLARGÉOTHERM. La commande de l’aéroréfrigérant étant maintenant en place
et prête à fonctionner, il sera, d’ici peu, possible d’intégrer à ces algorithmes, les stratégies
de configuration de forages définies dans ce manuscrit et de les appliquer toujours par le
biais du système de monitoring. Suivant les résultats obtenus au niveau du comportement du
sous-sol, durant l’extraction de chaleur, une adaptation éventuelle de la structure des capteurs
logiciels peut aussi être envisagée. Les prochaines compagnes de mesures nous permettront
donc d’aborder prochainement cette problématique.
Nomenclature

CirculateursON /OF F État de fonctionnement des circulateurs . . . . . . . . . . . . . . . . . . . . . . . . . . [−]

CoP Coefficient de performance de la pompe à chaleur . . . . . . . . . . . . . . . . . . . . [−]

Cp Capacité calorifique du fluide caloporteur . . . . . . . . . . . . . . . . . . . [J⋅kg−1 ⋅ ‰ −1

]

CpS/E(m) Capacité calorifique du fluide en entrée de l’échangeur (côté champ solaire)

‰
[J⋅kg−1 ⋅ −1 ]

CpS(m)/E Capacité calorifique du fluide en sortie directe du champ solaire [J⋅kg−1 ⋅ ‰ −1

]

EAM Erreur Absolue Moyenne . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . [-]

Ef fCS Efficacité du champ solaire . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .[−]

Ef fE Efficacité de l’échangeur thermique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . [−]

Ef fM Efficacité correspondant au rapport entre la puissance réellement consommée

par le plancher chauffant et la puissance utilisée par la PAC . . . . . . . . . . [−]

Ef fP Efficacité de la pompe à chaleur . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . [−]

Ef fS Efficacité de l’ensemble des panneaux solaires . . . . . . . . . . . . . . . . . . . . . . . . [−]

Ef fS/E Efficacité des circuits hydrauliques liant les panneaux solaires à l’échangeur
thermique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . [−]

ERM Erreur Relative Moyenne . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . [%]

F IT Critère de ressemblance . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . [%]

ICIR Courant utilisé par les circulateurs . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .[A]

IP AC Courant utilisé par la pompe à chaleur . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . [A]

ṁE/G Débit massique échangeur thermique - forage . . . . . . . . . . . . . . . . . . . . [kg⋅s−1 ]

ṁG/P Débit massique forage - pompe à chaleur . . . . . . . . . . . . . . . . . . . . . . . . [kg⋅s−1 ]

MLOSS1 Pourcentage de pertes thermiques sur le circuit aller (pompe à chaleur -

plancher chauffant) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . [−]
178 Nomenclature

MLOSS2 Pourcentage de pertes thermiques sur le circuit retour (plancher chauffant -

pompe à chaleur) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . [−]

ṁP /M Débit massique pompe à chaleur - plancher chauffant . . . . . . . . . . . . [kg⋅s−1 ]

ṁS/E Débit massique champ solaire - échangeur thermique . . . . . . . . . . . . .[kg⋅s−1 ]

P ACON /OF F État de Fonctionnement de la pompe à chaleur . . . . . . . . . . . . . . . . . . . . . . [−]

PE−ELEC Puissance électrique utilisée par la PAC . . . . . . . . . . . . . . . . . . . . . . . . . . . . . [W]

PE/G Puissance thermique injectée dans le forage . . . . . . . . . . . . . . . . . . . . . . . . . [W]

PE−LOSS Différence entre la puissance fournie par le champ solaire et la puissance

reçue par le forage (lorsque les pompes fonctionnent) . . . . . . . . . . . . . . . . [W]

PE/S Puissance thermique fournie par le circuit solaire . . . . . . . . . . . . . . . . . . . . [W]

PIS Puissance solaire perçue par les panneaux solaires . . . . . . . . . . . . . . . . . . . [W]

PM Puissance thermique fournie au plancher chauffant de la maison . . . . . [W]

PM −LOSS1 Puissance thermique perdue entre la pompe à chaleur et le plancher chauf-

fant . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . [W]

PM −LOSS2 Puissance thermique perdue entre le plancher chauffant et la pompe à

chaleur . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . [W]

PP /M Puissance thermique fournie par la pompe à chaleur . . . . . . . . . . . . . . . . [W]

PS Puissance thermique absorbée par les panneaux solaires . . . . . . . . . . . . . [W]

PS−LOSS1 Puissance thermique échangée entre la sortie du champ solaire et l’entrée

de l’échangeur thermique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . [W]

PS−LOSS2 Puissance thermique échangée entre la sortie de l’échangeur thermique et

l’entrée du champ solaire . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . [W]

Pth Puissance thermique produite par la PAC . . . . . . . . . . . . . . . . . . . . . . . . . . . [W]

S Surface totale du champ solaire . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .[m2 ]

Tconsigne Température de consigne de la maison . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . [ ] ‰

TE Période d’échantillonnage . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . [s]

TE/G Température échangeur vers forage . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . [ ] ‰

TE(m)/S Température échangeur thermique vers champ solaire (au niveau de l’échan-
geur thermique) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .[ ] ‰
TE/S(m) Température échangeur thermique vers champ solaire (au niveau du champ
‰
solaire) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . [ ]
TEXT ‰
Température extérieure . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . [ ]

TG45 Température du forage à 45 mètres de profondeur . . . . . . . . . . . . . . . . . . . [‰]

TG90 Température du forage à 90 mètres de profondeur . . . . . . . . . . . . . . . . . . . [‰]

TG/E Température forage vers échangeur . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . [‰]

TG/P Température forage vers pompe à chaleur . . . . . . . . . . . . . . . . . . . . . . . . . . . [‰]

TIN Température intérieure de la maison . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . [‰]

TM (m)/P Température maison vers pompe à chaleur (au niveau de la maison) . [‰]

TM /P (m) Température maison vers pompe à chaleur (au niveau de la PAC) . . . [‰]

TP /G Température pompe à chaleur vers forage . . . . . . . . . . . . . . . . . . . . . . . . . . . [‰]

TP /M (m) Température pompe à chaleur vers maison (au niveau de la maison) . [‰]

TP (m)/M Température pompe à chaleur vers maison (au niveau de la PAC) . . . [‰]

TS/E(m) Température champ solaire vers échangeur thermique (au niveau de l’échan-
geur thermique) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .[ ] ‰
TS(m)/E Température champ solaire vers échangeur thermique (au niveau du champ
‰
solaire) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . [ ]

UP AC Tension de la pompe à chaleur . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .[V]

V̇E/G Débit volumique échangeur thermique - forage . . . . . . . . . . . . . . . . . . [m3 ⋅s−1 ]

V̇G/P Débit volumique forage - pompe à chaleur . . . . . . . . . . . . . . . . . . . . . . . [m3 ⋅s−1 ]

V̇P /M Débit volumique pompe à chaleur - plancher chauffant . . . . . . . . . . [m3 ⋅s−1 ]

V̇S/E Débit volumique champ solaire - échangeur thermique . . . . . . . . . . . [m3 ⋅s−1 ]

∆TP /M Écart de température entre la sortie et l’entrée de la pompe à chaleur (côté

plancher chauffant) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . [ ] ‰
∆ρ Masse volumique du fluide caloporteur . . . . . . . . . . . . . . . . . . . . . . . . . .[kg⋅m−3 ]

∆Tpompes Écart de température entre la sortie du champ solaire et le retour du forage

vers l’échangeur . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . [ ] ‰
φS Irradiation solaire perçue par le champ solaire . . . . . . . . . . . . . . . . . . [W⋅m−2 ]

ρ Masse volumique du fluide caloporteur . . . . . . . . . . . . . . . . . . . . . . . . . .[kg⋅m−3 ]

180 Nomenclature
Bibliographie

[1] Lettre d’information du citeg, p. 14, avril-mai 2005.

[2] Lettre d’information du citeg, p. 14, juin-septembre 2004.
[3] Lettre d’information du citeg, p. 15, janvier-mars 2007.
[4] [Link]
[5] [Link]
[6] [Link]
[7] [Link]
[8] [Link]
[9] [Link]
[10] Agence internationale de l’Énergie, 2011.
[11] [Link] 2011.
[12] [Link] 2011.
[13] [Link] 2011.
[14] Kaufmann A. Introduction à la théorie des sous-ensembles flous à l’usage des ingénieurs.
Masson, 1977.
[15] L. Laloui M. Moreni C. Krapp A. Fromentin, D. Pahud and K. Roth. Pieux échangeurs
- Étude préliminaire de faisabilité technique et économique. Technical report, LASEN,
LMS, EPFL, Lausanne, Suisse, Janvier 1998.
[16] ADEME. Les chiffres clés du bâtiment 2007, 2007.
[17] AERMEC. Technical manual. Technical report, AERMEC, 2011.
[18] Bouchon-Meunier B. Logique floue et ses applications. Addison Wesley France Eds,
janvier 1996.
[19] MacQueen J. B. Some methods for classification and analysis of multivariable observa-
tions. Statistics ans probability : 5th symposium, 1 :281–297, 1967.
[20] M. Barnier. Atlas pour un monde durable. Acropole, 2007.
[21] BP. Statistical review of world energy. Technical report, BP, 2011.
182 BIBLIOGRAPHIE

[22] Mary Ann Branch, Thomas F. Coleman, and Yuying Li. A subspace, interior, and
conjugate gradient method for large-scale bound-constrained minimization problems.
SIAM Journal on Scientific Computing, 21(1) :1–23, 1999.
[23] J. Buzás, I. Farkas, A. Biró, and R. Németh. Modelling and simulation aspects of a
solar hot water system. Mathematics and Computers in Simulation, 48(1) :33 – 46,
1998.
[24] Richard H. Byrd, Robert B. Schnabel, and Gerald A. Shultz. A trust region algorithm for
nonlinearly constrained optimization. SIAM Journal on Numerical Analysis, 24(5) :1152–
1170, 1987.
[25] Richard H. Byrd, Robert B. Schnabel, and Gerald A. Shultz. Approximate solution of
the trust region problem by minimization over two-dimensional subspaces. Mathematical
Programming, 40(1) :247–263, 1988.
[26] Bezdek J. C. Pattern recognition with fuzzy objective function algorithms. Springer, 31
juillet 1981.
[27] M.-H. Li C.-K. Li, A.N. Soriano. Heat capacities of the mixed-solvents desiccants
(glycols + water + salts). Thermochimica Acta, 487 :26–32, 2009.
[28] Celsius-process. [Link]
[29] Thomas F. Coleman and Yuying Li. On the convergence of interior-reflective Newton
methods for nonlinear minimization subject to bounds. Mathematical Programming,
67(1) :189–224, 1994.
[30] Thomas F. Coleman and Yuying Li. An interior trust region approach for nonlinear
minimization subject to bounds. SIAM Journal on Optimization, 6(2) :418–445, 1996.
[31] Thomas F. Coleman and Arun Verma. A preconditioned conjugate gradient approach to
linear equality constrained minimization. Computational Optimization and Applications,
20(1) :61–72, 2001.
[32] Maxim Dallas. High-precision 1-wire digital thermometer. Technical report, Maxim
Dallas, 2011.
[33] Hellendoorn H. et Reinfranck M. Driankov D. An introduction of fuzzy. Springer-Verlag,
Heidelberg, 1993.
[34] Galichet S. Foulloy L. Dussud M. Application of fuzzy logic control for continuous
casting mold level control. IEEE Transactions on Control Systems Technology, 6 :246256,
1998.
[35] Mamdani E. Application of fuzzy algorithms for control of single dynamic plant. proc
of IEEE, 121, n° 12 :1585–1588, 1974.
[36] Mamdani E. An experiment in linguistic synthesis with a fuzzy logic controller.
International Journal on Man-Machine Studies, 7 :1–13, 1975.
BIBLIOGRAPHIE 183

[37] Pal N. R. et Bezdek J. C. On cluster validity for the fuzzy c-means model. IEEE
transactions on fuzzy systems, 3 :370–379, 1995.
[38] Bloch I. et Maı̂tre H. Fusion de données en traitement d’image. Traitement du signal,
11 :433–446, 1994.
[39] Union Européenne. Directive 2010/31/UE du Parlement Européen et du Conseil du 19
mai 2010 sur la performance énergétique des bâtiments (refonte), 2010.
[40] Galichet S. Evsukoff A., Branco A. C. S. Structure identification and parameter
optimization for non-linear fuzzy modelling. Fuzzy Sets and Systems, 132 :173–188,
2002.
[41] Galichet S. Foulloy L. Evsukoff A., Gentil S. Commande floue1 : de la stabilisation à
la supervision, Traité IC2. Hermès, 2003.
[42] Régis Olives Antoine Dominguez Fabien Delaleux, Xavier Py. Enhancement of geo-
thermal borehole heat exchangers performances by improvement of bentonite grouts
conductivity. Applied Thermal Engineering, 2011.
[43] Régis Olives Antoine Dominguez Sandra Lanini Denis Nguyen Fabien Delaleux, Xa-
vier Py. Suprvised rock-mass storage of thermal energy produced by a solar thermal
panel. In SolarPACES, 2010.
[44] Martin Schnauss Felix A. Peuser, Karl-Heinz Remmers. Installations solaires thermiques
- Conception et mise en oeuvre. Systèmes Solaires, 2005.
[45] Galichet S. Foulloy L. Typology of fuzzy controllers, in Theoretical Aspects of Fuzzy
Control, pages 65–90. H.T. Nguyen, M. Sugeno, R. Tong, R.R. Yager, John Wiley &
Sons Inc., 1995.
[46] République Française. Repères, Chiffres clés de l’énergies, édition 2009, 2009.
[47] République Française. Repères, chiffres clés du climat, France et Monde, édition 2010,
2010.
[48] Foulloy L. Galichet S. Fuzzy controllers : Synthesis and equivalences. IEEE transactions
on fuzzy systems, 3 :140–148, 1995.
[49] GIEC. Bilan 2007 des changements climatiques : Rapport de synthèse.
[50] Bühler H. Réglage par logique floue. Presses Polytechniques et Universitaires Romandes,
1994.
[51] Tibshirani R. J. Hastie T. J. Generalized additive models. Chapman and Hall, New
York, 1990.
[52] Driankov D. Hellendoorn H. Fuzzy model identification : selected approaches. Springer,
1997.
[53] Bloch I. Fusion de données, ensembles flous et morphologie mathématique en traitement
d’images : Application à l’imagerie médicale cérébrale et cardiovasculaire multimodalités.
In Ecole Nationale Supérieure des Télécommunications, 1995.
184 BIBLIOGRAPHIE

[54] Truck I. Approches symbolique et floue des modificateurs linguistiques et leur lien
avec l’agrégation. Application : le logiciel FLOUS. PhD thesis, Thèse de doctorat de
l’Université Reims Champagne - Ardenne, 2002.
[55] Zhao J. System modelling, Identification and Control using fuzzy logic. PhD thesis,
Thèse de doctorat, Université Catholique de Louvain, 1995.
[56] D. Nguyen M. Polit X. Py T. Talbert A. Dominguez S. Lanini J. Nou, F. Delaleux.
Solargeotherm - supervised rock-mass storage and release of thermal energy produced
by a solar power unit. In ANR Stock-E 2007 au colloque de Paris La Villette, 19 - 20
Novembre 2009, 2009.
[57] T. Talbert. J. Nou, A. Traoré. Solar thermal and geothermal hybrid process. IEEE
Green Technologies, Baton Rouge, Louisiana, April 14-15, 1 :1 – 6, 2011.
[58] J.M. Jancovici. Manicore. Technical report, Manicore, 2011.
[59] Sun. C. T. Jang J. S. R. Functional equivalence between radial basis function networks
and fuzzy inference systems. IEEE Transactions on Neural Networks, 4 :156–159, 1993.
[60] M. Fruneau D. Heuer J.M. Loiseaux, J.L. Belmont and M. Lieuvin. Projet secco :
Stockage energie-chaleur pour un chauffage optimisé. Technical report, LPSC 06-88 -
Grenoble, 2006.
[61] CT Kelley. Iterative methods for optimization. Society for Industrial and Applied
Mathematics, 1999.
[62] Zadeh L.A. Fuzzy sets. Information and Control, 8(3) :338 – 353, 1965.
[63] Zadeh L.A. The concept of a linguistic variable and its application to approximate
reasoning. Information Sciences, 8 :199 – 249, 1975.
[64] Zadeh L.A. Fuzzy sets as a basis for theory of possibility. Fuzzy Sets Syst., 1 :3–28,
1978.
[65] LEM. Ac current transducer at-b5. Technical report, LEM, 2011.
[66] Mizumoto M. Realization of pid controls by fuzzy control methods. Fuzzy sets and
systems, 70 :171–182, 1995.
[67] Engineering Mesures. Portaflow 220 - débitmètre à ultrasons portable - manuel d’utili-
sation. Technical report, Micronics Ltd, 2011.
[68] Jorge J. Moré and D. C. Sorensen. Computing a trust region step. SIAM Journal on
Scientific and Statistical Computing, 4(3) :553–572, 1983.
[69] A. Grisey N. Courtois, V. Petit and D. Grasselly. Heating and cooling of greenhouses
using aquifer thermal energy storage : a pre-feasibility study.
[70] D. Grasselly A. Menjoz Y. Noel N. Courtois, A. Grisey and V. Petit. Application of
aquifer thermal energy storage for heating and cooling of greenhouses in france : a
pre-feasibility study.
BIBLIOGRAPHIE 185

[71] L’énergie naturelle. Notice d’utilisation de votre atlantis se. Technical report, FRANCE
GÉOTHERMIE, janvier 2005.
[72] Oliver Nelles. Nonlinear system identification. Measurement Science and Technology,
13(4) :646, 2002.
[73] Fruchier O. Thiery F. Talbert T. Nou J., Gachon D. Étude d’un mix-énergétique
solaire/géothermie à l’échelle 1. In Colloque sur l’Enseignement des Technologies et des
Sciences de l’Information et des Systèmes, Grenoble, mars 2010.
[74] Z. HADJ-SADOK M. PENGOV D. DOCHAIN M. ESTABEN P. LABAT O. BER-
NARD, M. POLIT. Advanced monitoring and control of anaerobic wastewater treatment
plants : software sensors and controllers for an anaerobic digester. Water science and
technology - ISSN 0273-1223 - CODEN WSTED4, 43(7) :175–182, 2001.
[75] K. Ochner. Geothermal Heat Pumps : A Guide for Planning and Installing. Earthscan,
2007.
[76] D. Pahud. Design tool for heating-cooling systems with pile or borehole heat exchangers,
2000.
[77] D. Pahud. Simulation tool for heating/cooling systems with heat exchanger piles or
borehole heat, avril 1999.
[78] D. Pahud. Simulation tool for heating-cooling systems with energy piles or multiple
borehole heat exchangers, Mai 2007.
[79] H. Paksoy, O. Andersson, H. Evliya, and Ô. Abaci. Aquifer thermal energy storage
system for cooling and heating of çukurova university balcali hospital. In Proceedings
of 2nd Stockton Geothermal Conference, pages 2–1, 1998.
[80] R. Wendling R. Hirsch, R. Bezdek. Peaking of world oil production : impacts, mitigation,
and risk management. Nova Science Pub Inc, 2005.
[81] Soltani S. Application de la théorie des ondelettes en reconnaissance des formes. PhD
thesis, Université de Compiègne, 1998.
[82] B. Sanner, F. Kabus, P. Seibt, and J. Bartels. Underground thermal energy storage
for the german parliament in berlin, system concept and operational experiences.
Proceedings World Geothermal Congress, 1 :1 – 8, 2005.
[83] PIAC Sarl. Avis technique 14/05-998 - capteur solaire 2,3 hp. Technical report, PIAC,
2006.
[84] National Semiconductor. Lm35 - precision centigrade temperature sensors. Technical
report, National Semiconductor, 2000.
[85] Jonas Sjöberg, Qinghua Zhang, Lennart Ljung, Albert Benveniste, Bernard Delyon,
Pierre-Yves Glorennec, Håkan Hjalmarsson, and Anatoli Juditsky. Nonlinear black-box
modeling in system identification : a unified overview. Automatica, 31(12) :1691 – 1724,
1995. Trends in System Identification.
 [86] A.L Snijders. Aquifer thermal energy storage in the netherlands, 2005.
[87] Stoica P. Soderstrom T. System identification. Prentice Hall, 1989.
[88] D. C. Sorensen. Minimization of a large-scale quadratic functionsubject to a spherical
constraint. SIAM Journal on Optimization, 7(1) :141–161, 1997.
[89] Trond Steihaug. The conjugate gradient method and trust regions in large scale
optimization. SIAM Journal on Numerical Analysis, 20(3) :626–637, 1983.
[90] Kang G. T. Sugeno M. Structure identification of fuzzy model. Fuzzy sets and syst.,
28 :15–33, 1988.
[91] Tanaka K. Sugeno M. Successive identification of a fuzzy model and its applications to
prediction of a complex system. Fuzzy sets and syst., 42 :315–334, 1991.
[92] Kohohen T. Selt organized formation of topological correct feature maps. biological
cybernetics, 43 :59–69, 1982.
[93] Sugeno M. Takagi T. Fuzzy identification of systems an dits application to modelling
and control. IEEE Trans. On Syst., Man and Cybern, SMC-15, n°1 :116–132, 1985.
[94] Perona A.-Polit M. Boibessot J. Colombain N. Talbert T., Caussanel M. L’électronique
embarquée des systèmes enr en enseignement. In 6ième Colloque sur l’Enseignement
des Technologies et des Sciences de l’Information et des Systèmes, 2007.
[95] D. Thiery. Plaquette de présentation du code de calcul marthe du brgm.
[96] J.-R. Tong-Tong. La logique floue. Hermes, 1995.
[97] V. Trillat-Berdal. Intégration énergétique dans les bâtiments par l’utilisation combinée
de l’énergie solaire et de la géothermie basse température. PhD thesis, Université de
Savoie-Chambery, 2006.
[98] TRITEC. Configuration du raccordement - capteur de rayonnement spektron 300.
Technical report, TRITEC, 2009.
[99] B. Souyri V. Trillat-Berdal and G. Achard. Coupling of geothermal heat pumps with
thermal solar collectors. Applied Thermal Engineering, 27 :1750–1755, 2007.
[100] B. Souyri V. Trillat-Berdal and G. Fraisse. Experimental study of a ground-coupled heat
pump combined with thermal solar collectors. Energy and Buildings, 38 :1477–1484,
2006.
[101] Hardle W. Applied nonparametric regression. Cambridge University Press, 1990.
[102] Glorennec P. Y. Algorithmes d’apprentissage pour systèmes d’inférence floue. Hermes,
1999.
[103] Grandvalet Y. Injection de bruit dans les perceptrons multicouches. PhD thesis,
Université de Compiègne, 1995.
[104] Hirota K. Yoshinari Y., Pedrycz W. Construction of fuzzy models througth clustering
techniques. Fuzzy sets ans Syst., 54 :157–165, 1993.
 Résumé
Gestion optimale de l’énergie thermique dans un procédé hybride solaire/géothermie
pour le chauffage de bâtiments

Les enjeux environnementaux, énergétiques et économiques actuels, nous amènent à proposer de

nouvelles solutions de gestion énergétique afin d’éviter d’entrer dans une ère de récession énergétique
brutale. À partir des constats établis par les institutions mondiales, telles que le GIEC, il est
aujourd’hui admis par la communauté scientifique internationale, que la température moyenne de
la Terre est en augmentation et que l’activité anthropique en est une des causes, sinon la plus
importante.
Les travaux réalisés et présentés dans ce manuscrit visent à répondre, en partie, à ces problé-
matiques par la mise en place d’un système de contrôle supervisé permettant l’optimisation de
la gestion énergétique d’un procédé hybride alliant l’énergie solaire à la géothermie, et destiné au
chauffage dans le secteur du bâtiment.
L’utilisation des méthodologies de l’intelligence artificielles telles que le neuroflou et la logique
floue nous a permis de développer une plateforme de simulation d’un système énergétique hybride
et d’en réaliser la gestion à l’aide de contrôleurs flous. Les résultats obtenus, par l’utilisation de ces
contrôleurs, montrent qu’un choix judicieux des périodes et durées de marche du système d’extraction
permet d’améliorer de façon significative le fonctionnement du procédé. La consommation électrique
et le coût de fonctionnement de l’installation sont donc diminués, tout en respectant les contraintes
techniques de fonctionnement et le confort thermique des habitants.

Optimal management of thermal energy in a solar/geothermal hybrid process

for heating buildings
Environmental issues, energy and economic challenges, lead to propose new solutions for energy
management in order to avoid brutal energy recession. Considering the international institutions
such as the IPCC report, it’s now established that the Earth’s average temperature is rising and
essentialy caused by human activities.
The work realized and presented in this manuscript is designed to address these issues using a
methodology based on the optimization of the energy management in a hybrid process combining
solar and geothermal energy for house heating.
The use of artificial intelligence methodologies such as Adaptive Neural-Fuzzy Inference Systems
and fuzzy logic enabled to develop a simulation platform for a hybrid energy system and to manage
it using fuzzy controllers. The obtained results, using these controllers, show that a judicious choice
of operating periods and durations of the extraction system can significantly improve the process
power consumption and operating cost are clearly reduced, while respecting the technical operating
constraints and thermal needs of residents.