Formation en modélisation énergétique

Leçon 1 • Indicateurs clés et indicateurs de performance

Définit l'intensité énergétique, le facteur de charge et les profils de demande utilisés tout au long de la modélisation. Relie les données brutes de consommation à des références de performance exploitables.

Leçon 2 • Introduction aux approches de modélisation

Compare les paradigmes de modélisation physique, statistique et hybride. Guide le choix de l'approche appropriée pour un périmètre de projet donné.

Leçon 3 • Sources de données et méthodes de mesure

Examine les factures de services publics, le sous-comptage et les réseaux de capteurs en tant que données d'entrée principales. Établit les normes de qualité des données nécessaires à des entrées de modèle fiables.

Leçon 1 • Apports de chaleur internes et solaires

Quantifie les apports de chaleur des occupants, de l'éclairage et des équipements ainsi que l'irradiance solaire. Montre comment les charges internes modifient le moment et l'ampleur de la pointe de consommation.

Leçon 2 • Masse thermique et réponse dynamique

Examine comment la masse, la capacité et les constantes de temps affectent les profils de charge au fil du temps. Permet une simulation dynamique précise plutôt que des estimations de charge statiques.

Leçon 3 • Performance de l'enveloppe du bâtiment

Analyse l'isolation, le vitrage et les barrières d'air en tant que déterminants de la résistance thermique. Relie les propriétés de l'enveloppe à l'ampleur des charges de chauffage et de refroidissement.

Leçon 4 • Interactions des charges des systèmes CVC

Relie l'enveloppe et les apports internes au dimensionnement du CVC et aux courbes de performance en charge partielle. Prépare les étudiants à modéliser avec précision la consommation d'énergie au niveau du système.

Leçon 1 • Fondamentaux de la régression pour les données énergétiques

Présente les moindres carrés ordinaires et leurs hypothèses appliquées aux ensembles de données énergétiques. Établit la base statistique pour tous les modèles énergétiques basés sur la régression.

Leçon 2 • Méthodes de séries temporelles pour l'énergie

Présente l'autocorrélation, ARIMA et la décomposition saisonnière pour les données énergétiques d'intervalle. Étend les compétences en régression aux modèles temporels et à la prévision à court terme.

Leçon 3 • Modèles de régression à points de changement et par morceaux

Applique la régression à points de changement de type ASHRAE Guideline 14 pour capturer la réponse non linéaire aux conditions météorologiques. Permet une mesure précise des économies dans les régimes de chauffage et de refroidissement.

Leçon 4 • Sélection de variables et ingénierie des caractéristiques

Couvre les variables météorologiques, les proxys d'occupation et les caractéristiques calendaires comme prédicteurs du modèle. Enseigne la construction systématique de caractéristiques pour améliorer la précision du modèle.

Leçon 1 • Architecture du moteur de simulation

Explique la séquence de calcul, la logique du pas de temps et le réseau de zones des principaux moteurs de simulation. Fournit la carte conceptuelle nécessaire pour utiliser efficacement les outils.

Leçon 2 • Géométrie et zonage du bâtiment

Couvre la création de géométrie, l'attribution des zones thermiques et les conditions d'adjacence dans les outils de simulation. Une géométrie précise est la condition préalable à des calculs de charge valides.

Leçon 3 • Analyse des résultats de simulation

Extrait, agrège et visualise les sorties horaires pour diagnostiquer le comportement du modèle. Relie les résultats bruts de simulation aux décisions du projet et aux besoins de rapport.

Leçon 4 • Fichiers météorologiques et données climatiques d'entrée

Explique les fichiers météorologiques TMY, AMY et climatiques futurs et leur impact sur les résultats. Une sélection correcte des données météorologiques est essentielle pour des prévisions énergétiques propres à un site.

Leçon 1 • Techniques et flux de travail de calibration

Applique l'ajustement manuel, l'analyse de sensibilité et l'optimisation automatisée pour combler les écarts modèle-compteur. Fournit un flux de travail reproductible applicable à différents types de projets.

Leçon 2 • Calibration sur données d'intervalle

Utilise les données de comptage à 15 minutes et horaires pour calibrer la forme de la charge, et pas seulement les totaux mensuels. La calibration sur données d'intervalle révèle des problèmes opérationnels invisibles dans les données de facturation mensuelles.

Leçon 3 • Sources d'incertitude dans les modèles

Identifie l'incertitude des entrées concernant les horaires, les équipements et la météo comme principaux moteurs de calibration. Prioriser les incertitudes à fort impact accélère la convergence vers un modèle calibré.

Leçon 4 • Concepts et normes de calibration

Définit les objectifs de calibration, les seuils de tolérance et les protocoles industriels applicables. Présente la calibration comme un processus itératif et fondé sur des preuves plutôt que comme un simple ajustement de courbe.

Leçon 1 • Analyse paramétrique et de sensibilité

Effectue des balayages paramétriques sur les variables des MEE pour cartographier la surface de réponse coût-énergie. Révèle quels paramètres génèrent les économies les plus importantes avant une analyse détaillée.

Leçon 2 • Identification des mesures d'économie d'énergie

Identifie systématiquement les MEE couvrant l'enveloppe, les systèmes, la régulation et l'exploitation. Une identification structurée évite de négliger les opportunités à forte valeur ajoutée.

Leçon 3 • Algorithmes d'optimisation pour l'énergie

Présente les algorithmes génétiques, l'optimisation par essaims particulaires et les méthodes basées sur le gradient pour l'optimisation multivariable. Permet une recherche automatisée des combinaisons optimales de MEE au-delà de l'analyse manuelle.

Leçon 4 • Évaluation économique des mesures

Applique le délai de récupération simple, la VAN et le TRI pour classer les MEE par attractivité financière. Traduit les économies d'énergie en termes économiques exploitables par les décideurs.

Leçon 1 • Méthodes basées sur les arbres et les ensembles

Applique les forêts aléatoires et le gradient boosting à la prévision à court terme de la charge énergétique. Les modèles basés sur les arbres gèrent la non-linéarité et les types de caractéristiques mixtes courants dans les données énergétiques.

Leçon 2 • Détection d'anomalies et diagnostic de défauts

Utilise les forêts d'isolement, les autoencodeurs et les cartes de contrôle pour signaler une consommation anormale. Permet une détection proactive des défauts avant que le gaspillage ne s'accumule.

Leçon 3 • Fondamentaux du ML pour les applications énergétiques

Couvre le compromis biais-variance, les divisions entraînement-test et la validation croisée dans un contexte énergétique. Établit des habitudes de travail rigoureuses en ML avant d'introduire des algorithmes spécifiques.

Leçon 4 • Déploiement et suivi du modèle

Couvre la sérialisation des modèles, l'intégration API et la détection de dérive pour les modèles énergétiques en production. Garantit que les modèles de ML restent précis à mesure que l'exploitation du bâtiment évolue dans le temps.

Leçon 1 • Analyse énergétique à l'échelle du portefeuille

Adapte les méthodes mono-bâtiment à des portefeuilles multi-sites en utilisant la normalisation et le clustering. Identifie les sites les plus prioritaires pour une intervention sur de grandes bases d'actifs.

Leçon 2 • Assurance qualité et relecture par les pairs

Établit des listes de contrôle QA, des processus de révision indépendante et un contrôle de version pour les livrables du modèle. Garantit une fiabilité de niveau professionnel avant que les résultats n'influencent les décisions d'investissement.

Leçon 3 • Modélisation des trajectoires de décarbonation

Modélise les scénarios d'électrification, de changement de combustible et d'intégration des énergies renouvelables par rapport aux objectifs carbone. Traduit les résultats du modèle énergétique en feuilles de route de réduction des gaz à effet de serre.

Leçon 4 • Communication des résultats aux parties prenantes

Traduit les résultats techniques du modèle en résumés de direction, tableaux de bord et dossiers d'investissement. Fait le pont entre la rigueur de la modélisation et la compréhension des décideurs.