© IZUBA énergies
Aller à : navigation, rechercher

Partie de bâtiment (Modèle occupant de l'Analyse d'incertitude d'AMAPOLA dans l'Editeur)












Partie de bâtiment dans l'arbre AMAPOLA

1 Généralités

Occup10.png

La majorité des paramètres nécessaires à l'établissement des scénarios stochastiques est disponible à partir de cette interface.

Le modèle stochastique pour les parties de bâtiment en usage de bureau (tertiaire) ou autre n'est pas encore disponible dans la version actuelle du logiciel.


  • Pour un immeuble de logement collectif, il faut faire une partie de bâtiment pour chacun des logements.
  • On ne peut pas affecter de variabilité sur les espaces communs de type "Circulation communes". On peut cependant affecter un scénario qui sera fixe. Les circulations ne sont donc pas à mettre dans les parties de bâtiments.


2 Données occupants

Occup11.png

La saisie des caractéristiques des occupants dans le tableau s'effectue par clics successifs.

La première étape de la simulation consiste à créer les habitants virtuels en tenant compte du type de logement (maison ou appartement, nombre de pièces) et de sa localisation. Il s’agit de renseigner le nombre de membres du ménage ainsi que leurs caractéristiques sociodémographiques (âge, genre, revenu, retraité ou non, temps de travail, niveau d’études, état de santé...). Ces éléments influenceront les emplois du temps des habitants (p. ex. les retraités seront plus présents à leur domicile) , l’équipement du ménage en appareils électriques (p. ex. les familles nombreuses possèderont plus d’appareils) et le choix des températures de consigne (p. ex. les personnes âgées préfèreront des températures intérieures plus élevées). Les données utilisées à cette étape proviennent pour l’essentiel du Recensement de la Population française de 2010.

A titre d’exemple, la Figure 4 présente ces probabilités (à gauche la fonction de probabilité et à droite la fonction de probabilité cumulée) pour un appartement de 3 pièces situé en zone urbaine. Le nombre tiré aléatoirement vaut 0,70 et le modèle fixe donc à 2 le nombre d’habitants du logement pour cette simulation.

Occup13.png

Pour un nombre de membres donné, le modèle fournit ensuite les probabilités des types de ménages possibles. Si, poursuivant l’exemple précédent, on sait que le ménage compte deux membres, alors il ne peut s’agir que d’une famille monoparentale ou d’un couple seul. Supposons que soit tiré le nombre 0,35 (Figure 5), alors les habitants du logement pour cette simulation seront un couple.

Occup14.png

Toujours d’après le recensement de la population, nous connaissons la distribution des âges des personnes suivant le type de leur ménage. Pour filer l’exemple précédent, nous obtenons que le premier membre du couple a entre 50 et 54 ans (Figure 6).

Occup15.png

Le processus se poursuit de cette manière, étape par étape, jusqu’à ce que tous les membres du ménage soient décrits par un jeu de caractéristiques sociodémographiques cohérentes. Lors d’une prochaine simulation, le même logement sera peut-être habité par une famille nombreuse ou une personne seule...

La modélisation de la présence et des activités est utile pour simuler l’usage des appareils électriques, les puisages d’eau et les actions adaptatives (gestion des fenêtres, de l'éclairage artificiel et des consignes de température). Elle permet également de localiser les habitants dans les différentes pièces et d’assigner les apports métaboliques correspondants. Le modèle est calibré sur l’Enquête Emploi de Temps (EET) 1999 de l’INSEE [1], où les participants ont renseigné dans un carnet dédié l’enchaînement précis de leurs activités pendant une journée complète. L’EET 1999 de l’INSEE porte sur 15441 individus. Les probabilités de débuter les différentes activités et les probabilités de leurs durées sont fonction des caractéristiques sociodémographiques.

La Figure 7 illustre l’intérêt de cette désagrégation de la population. Elle compare les profils d’activités journaliers moyens générés par le modèle pour deux sous-catégories de la population, les employés et les retraités. Les retraités sont globalement plus présents en journée ce qui signifie notamment qu’ils utiliseront davantage d’appareils électriques, pour cuisiner à midi par exemple, et auront moins tendance à réduire la consigne de chauffage.

Occup16.png

3 Consigne de chauffage

Occup17.png

Suivant la réglementation thermique en vigueur, la consigne de chauffage est de 19°C lors des périodes d’occupation et de 16°C le reste du temps. Il est avéré que ces hypothèses ne correspondent pas à la réalité des pratiques dans les logements. Le modèle stochastique propose un modèle simple intégrant une diversité en termes de :

  • Température de confort. La température de consigne des pièces principales est tirée au sort suivant une loi normale de moyenne 21°C et d’écart-type 2°C (valeurs définies d’après des mesures de températures dans un grand nombre de logements en France et dans d’autres pays européens). De plus, sur la base d’observations qualitatives recensées dans la littérature scientifique, les températures dépendent de l’âge, du sexe et du statut d’occupation (propriétaire ou locataire) des habitants, ainsi que du type de pièce (p. ex. les chambres sont moins chauffées que les séjours).
  • Gestion des réduits temporels. Des probabilités variables sont affectées aux ménages pour décrire leur propension à réduire la consigne lorsqu’ils quittent le logement ou se couchent.
  • Des limites hautes et basses (pouvant être imposées notamment par l'exploitant) en termes de consigne.


  • Avec l'utilisation des scénarios stochastiques, les variation temporelles et spatiales des émetteurs ne sont pas prises en compte dans le calcul des consommations. On considère que les températures issues du modèle correspondent aux températures ressenties par les utilisateurs.
  • La saison de chauffage définie globalement au niveau du projet est prise en compte dans le calcul.


Si les utilisateurs n'ont pas la main sur les consignes de températures, il est possible d'utiliser des scénarios déterministes de chauffage en lieu et place des scénarios stochastiques avec l'option Occup18.png. Dans ce cas, il est possible de fixer des limites de consigne haute et basse. La variabilité de température paramétrée ne sera alors pas utilisée. En effet, cette variabilité de température n'est utilisée que lorsque l'on utilise le scénario défini de la zone.

4 Equipements

Occup12bis.png


Connaissant les activités des occupants il devient possible de simuler l’utilisation des appareils électriques. Une trentaine de types d’appareils correspondants à plusieurs postes de consommation (lavage, cuisson, froid, informatique, audiovisuel, etc.) sont intégrés. Les probabilités d’équipement dépendent des caractéristiques des ménages (âge, type de ménage, revenu) ou sont fixées au niveau du taux d’équipement moyen national. Les données utilisées proviennent pour l’essentiel de l’enquête Équipement des Ménages de l’INSEE, de sondages commandés par des industriels ou d’inventaires réalisés lors de campagnes de mesures.

Les appareils sont placés dans les zones adéquates (p.ex. le lave-vaisselle est associé à la cuisine où à la zone qui englobe la cuisine) afin d’allouer précisément les apports internes. Chaque appareil se voit attribuer une puissance de veille et une puissance en fonctionnement (ou un cycle de fonctionnement constitué d'une succession de créneaux pour les lave-linges, sèche-linges et lave-vaisselles). En fonction de leurs spécificités techniques ou technologiques ou bien selon leurs dimensions, des appareils d’un type donné peuvent avoir des caractéristiques diverses. Cette variété des puissances de fonctionnement est modélisée grâce à des données issues de campagnes de mesures. L’utilisation des appareils est reliée aux activités des occupants par des hypothèses pragmatiques. Il est par exemple supposé que les lave-vaisselles sont utilisés immédiatement après les repas (ou en heure creuse). Selon la période de l’année, les appareils sont plus ou moins sollicités ou nécessitent plus ou moins de puissance pour remplir leur fonction. Ces phénomènes ont été pris en compte à travers des coefficients de saisonnalité qui affectent les probabilités d’utilisation des appareils de cuisson et des lave-linges et sèche-linges et les appareils de froid.

L’utilisation des dispositifs d’éclairage artificiel est modélisée suivant une méthode légèrement différente de celle des autres appareils électriques. Les probabilités d’utilisation dépendent toujours des activités des occupants et de l’heure de la journée, mais elles dépendent également de la localisation géographique et du mois de l’année (qui définissent des heures de lever et coucher du soleil). Elles sont calibrées à partir de données d’une campagne de mesures durant laquelle les consommations des luminaires de 100 logements ont été suivies avec un pas de temps de 10 min[2].

5 Les besoins d'ECS

Comme pour les usages électriques , les puisages d’eau chaude sont simulés en associant les activités des occupants aux différents postes de consommation (p.ex. «douche» ou «ménage»). Le calibrage repose sur une enquête et des modélisations des consommations unitaires réalisés par le Centre d’Information sur l’Eau. La moyenne et l’écart-type des consommations d’ECS par habitant ont été validées grâce aux données d’une campagne de mesures dans 300 logements.


  1. (Wilke et al. 2013)
  2. Enertech, 2004, Technologie de l'information et éclairage - Enquête de terrain dans 50 bâtiments de bureaux. Rapport final.