Systèmes non conventionnels connectés

Nous vivons actuellement une transition énergétique qui suit l’évolution du mix énergétique vers une plus grande part de production renouvelable afin de pallier les disponibilités décroissantes des ressources en énergie primaires fossiles. Dans ce cadre, la dénomination de charge ou de source n’est plus discriminante au vu des évolutions technologiques et des besoins nouveaux du réseau électrique en mutation. Une source ou une charge est soit par nature réversible ou pilotable, ce qui revient à effacer de la consommation avec une même finalité qu’elle est déjà recherchée avec la production : gérer les intermittences de production et de consommation pour réaliser au final l’égalité entre production et consommation sur les réseaux électriques.
Les composants connectés aux réseaux, (les charges ou sources pilotables) peuvent également être regroupés localement ou à distance sous la forme de poches de réseau décentralisé. Nous parlons ainsi de micro ou même nano-grids. Ainsi, les composants ou groupes de composants sont certes connectés par les énergies échangées mais aussi par le champ des divers vecteurs de communication : internet, mobilité, compteur intelligent.
Les besoins du réseau électrique ont également évolués vers plus de flexibilité, de fiabilité et vers l’intégration de ces nouveaux systèmes non conventionnels : les énergies renouvelables, le bâtiment intelligent et à moyen terme le véhicule hybride intelligent ou le stockage distribué.
Les actions pour maintenir en harmonie ce système en évolution sont à la fois dans l’élaboration d’algorithmes de gestion temps réelle optimisée des flux et dans les architectures de réseaux et l’intégration de nouveaux composants.

Il n’est pas aisé de faire un bilan détaillé faisant remonter l’originalité des travaux effectués, c’est pour cela que l’on illustrera les saillances scientifiques à travers un problème d’optimisation de flux énergétiques faisant intervenir le bâtiment (sous la forme d’un profil de consommation électrique non pilotable), la ressource solaire, un moyen de stockage et enfin le réseau électrique. Un tel système est un archétype de problème d’optimisation temps réel, à évènements incertains et qui peut être multi-objectifs et multi-contraint. Dans ce cas, et afin de valoriser au maximum la production d’origine renouvelable et les services rendus, il convient de gérer les flux énergétique dans le système de manière optimale à chaque instant en fonction de l’état du système et de l’environnement au temps présent
Le travail effectué lors de la thèse de Yann Riffonneau nous a permis d’approfondir nos recherches déjà pérennes sur l’optimisation. L’objectif est de minimiser le coût de la facture énergétique (cash-flow) sur la période des 2 jours en tenant compte du vieillissement de la batterie. Dans un premier temps, la programmation dynamique (PD) est utilisée pour calculer le plan anticipatif optimal sur 24h avec un pas de temps de 10min conformément à des prédictions sur la courbe de charge électrique sur les tarifs de l’électricité sur le réseau sur et la production PV. La force de la PD est qu’elle étudie l’ensemble des solutions possibles à chaque pas de temps. La méthode retenue est la supervision en « boucle fermée sur la consigne de puissance batterie », présentée sur la figure ci-dessous. Sur ce schéma, les variables avec une astérix « * » sont des prédictions tandis que les variables sans astérix sont les données réelles.

 

Pendant le calcul du plan anticipatif (réalisé sur une machine de calcul la veille), l’ensemble des solutions possibles à chaque pas de temps sont mémorisées. Pour chacune de ces solutions, on calcule les coefficients de réajustement linéaires (« a » et « b ») de la consigne optimale de la puissance batterie en fonction de la variation des données fluctuantes, respectivement la consommation électrique du bâtiment, les tarifs de l’électricité et la production PV. Ces coefficients traduisent, à chaque pas de temps, la sensibilité du plan anticipatif optimale aux données variable. Ensuite, le plan anticipatif est appliqué tant que les données réelles correspondent aux prédictions. Quand les données réelles sont différentes des prédictions, on applique les coefficients de réajustement calculés précédemment conformément à l’écart avec les prédictions. Comme les coefficients de réajustement sont calculés avec la PD, leur utilisation garantie le respect des contraintes et l’optimisation globale à la fin de la période étudiée.