Optimisation des processus énergétiques : concepts par Jean-Claude DUCROCQ Ingénieur Civil des Mines Ingénieur-Chercheur à la Direction des Études et Recherches de Électricité de France (EDF) Dominique SAUMON et Chef du Département PROVAL (Prospectives, évaluation et valorisation) du Service Information, prospectives et normalisation de Électricité de France (EDF) 1. 1.1 1.2 1.3 Nécessité de l’optimisation technico-économique ........................ Illustration sur un cas particulier................................................................ Variations des prix relatifs des énergies et indisponibilités des équipements .......................................................... Substitution possible des différentes sources d’énergie ......................... 2. 2.1 2.2 2.3 3. 3.1 3.2 — — 2 2 Différents niveaux de l’optimisation.................................................. Choix des solutions ..................................................................................... Dimensionnement de la solution retenue ................................................. Exploitation optimale des équipements .................................................... — — — — 4 4 4 5 Formalisation générale des problèmes d’optimisation................. Variables et relations entre elles ................................................................ Principales questions .................................................................................. 3.2.1 Déterminer le coût d’exploitation...................................................... 3.2.2 Décider un investissement................................................................. 3.2.3 Concevoir les appareils ...................................................................... 3.2.4 Définir un programme d’investissements ........................................ Traitement pratique de ces questions........................................................ — — — — — — — — 5 5 5 5 6 6 6 7 4.3 Outils mathématiques disponibles ..................................................... Programmation linéaire ou mixte (optimisation linéaire)........................ Simulation et optimisation non linéaires .................................................. 4.2.1 Simulation non linéaire...................................................................... 4.2.2 Optimisation non linéaire .................................................................. Rapide panorama des autres outils mathématiques disponibles ........... — — — — — — 7 7 7 7 8 8 5. Conclusion ................................................................................................. — 8 Références bibliographiques ......................................................................... — 9 3.3 11 - 1988 4. 4.1 4.2 B 1 280 B 1 280 - 2 — 2 ’article « Optimisation des processus énergétiques » se compose de trois articles : — Concepts [B 1 280] ; — Applications [B 1 281] ; — Gestion optimale [B 1 282]. L Toute reproduction sans autorisation du Centre français d’exploitation du droit de copie est strictement interdite. © Techniques de l’Ingénieur, traité Génie énergétique B 1 280 − 1 OPTIMISATION DES PROCESSUS ÉNERGÉTIQUES : CONCEPTS __________________________________________________________________________________ 1. Nécessité de l’optimisation technico-économique 1.2 Variations des prix relatifs des énergies et indisponibilités des équipements 1.1 Illustration sur un cas particulier Les prix relatifs des différentes énergies varient de façon souvent importante et rapide au cours du temps (par exemple, le cours du fuel lourd). Donc, aussi bien l’industriel utilisateur que les producteurs-distributeurs doivent tenir compte de ces possibilités de variation, quand ils s’équipent ou quand ils établissent leur programme d’exploitation et décident leur approvisionnement. Un autre élément peut avoir une assez grande importance en pratique : le risque d’indisponibilité des équipements. Même si celui-ci est faible pour chaque appareil constituant l’équipement, il faut en général en tenir compte explicitement. En effet, la plupart des systèmes doivent être conçus de façon à ce que le risque de ne pas fournir le service demandé soit réduit au maximum : l’interruption de la fourniture d’énergie cause trop de nuisances aux activités desservies. Le choix, la conception et l’exploitation d’équipements ou de systèmes d’équipements énergétiques se présentent rarement sous l’angle d’une solution unique. En d’autres termes, les décisions d’investissement, le dimensionnement des appareils et leur utilisation se posent en terme de recherche d’une solution optimale vis-à-vis de critères choisis par l’ingénieur ayant en charge ces problèmes. Cette idée générale est illustrée par l’exemple du dimensionnement optimal d’un système pompe à chaleur-compression mécanique de vapeur d’eau (figure 1). Considérons, en effet, le cas d’une machine à papier dans une papeterie. Les cylindres de ce séchoir – une machine à papier est en effet un séchoir multicylindrique – sont alimentés en vapeur à différents niveaux thermiques ; on retient les valeurs suivantes : pression de 2 bar et température de 120 oC. Les buées provenant du séchage de la feuille de papier constituent un effluent à bas niveau thermique (65 oC) non valorisé. On envisage donc de récupérer la chaleur de ces buées à l’évaporateur d’une pompe à chaleur (PAC) pour vaporiser l’eau condensée sortant des cylindres sécheurs. La vapeur ainsi produite (1 bar-100 oC) ne présentant pas le niveau thermique requis pour son utilisation dans les cylindres, une compression de la vapeur (CMV) est donc nécessaire. Si l’on se fixe les températures d’évaporation et de condensation de la PAC ainsi que les différents pincements au niveau des échangeurs, il n’y a qu’un seul dimensionnement possible. La solution est techniquement faisable, mais il est probable que d’autres valeurs de ces températures et pincements pourraient conduire à une meilleure solution au regard d’un critère donné (consommation électrique du système par tonne de vapeur produite, coût d’exploitation annuel, ce dernier pouvant incorporer les charges d’investissement, etc.). Ainsi, l’élévation de la température de condensation conduit à augmenter la puissance de la PAC et à diminuer celle de la CMV. La diminution des pincements permet une meilleure récupération énergétique, mais pénalise les surfaces des échangeurs, et par là même le coût d’investissement du projet. En résumé, plusieurs solutions sont possibles, et accroître le rendement énergétique global d’une installation ne conduit pas nécessairement à la solution optimale sur le plan économique. Cet exemple permet de montrer : — la nécessité de poser le problème de dimensionnement en terme d’optimisation ; — la nécessité de choisir un critère d’optimisation au regard de l’objectif poursuivi ; ce critère sera généralement de nature économique, incluant les charges d’investissement et l’ensemble des coûts d’exploitation. L’optimisation de la conception ou de l’exploitation d’un système énergétique n’est cependant pas régie seulement par des paramètres techniques comme dans l’exemple précédent. Les variations des prix relatifs des énergies, les indisponibilités des équipements ou la substitution possible des sources d’énergie conduisent eux aussi à des optimisations. B 1 280 − 2 1.3 Substitution possible des différentes sources d’énergie La substitution possible des différentes énergies constitue un degré de liberté important dans la conception et l’exploitation des installations énergétiques. Non seulement la vapeur et l’air chaud peuvent être produits à partir du fuel, du gaz, du charbon, de l’électricité, mais les vecteurs énergétiques eux-mêmes peuvent souvent être l’objet d’un choix. L’opération de concentration peut ainsi, suivant les cas, être réalisée à l’aide de la vapeur (concentrateur multiples effets), de rayonnement (séchage par micro-ondes sous vide) ou par l’effet de la pression (procédés de séparation par osmose inverse). Cet exemple de substitution des énergies, relatif au choix de la technique à utiliser, trouve son équivalent dans le domaine de l’exploitation des énergies substituables. Ainsi, dans le cas du système chaleur-force de la figure 2, l’exploitant aura intérêt, en fonction des prix relatifs de l’électricité et du combustible sous chaudière, à autoproduire thermiquement l’énergie électrique ou, au contraire, à l’acheter au réseau et à détendre statiquement la vapeur. La substituabilité des énergies concerne donc tout autant le choix optimal des investissements que l’optimisation de leur gestion. La complexité de la gestion d’un système tel que celui de la figure 2, ou le dimensionnement optimal des équipements de la figure 1, nécessitent des outils d’étude appropriés à ces différents problèmes [1]. Cet article est donc articulé autour des thèmes suivants : — les différents niveaux et problèmes d’optimisation ; — la formalisation générale des problèmes d’optimisation et les critères utilisés ; — les outils mathématiques disponibles. Toute reproduction sans autorisation du Centre français d’exploitation du droit de copie est strictement interdite. © Techniques de l’Ingénieur, traité Génie énergétique __________________________________________________________________________________ OPTIMISATION DES PROCESSUS ÉNERGÉTIQUES : CONCEPTS Figure 1 – Système pompe à chaleur (PAC) – compression mécanique de vapeur (CMV) en récupération sur les buées sortant d’un cylindre sécheur d’une machine à papier (les paramètres , , b et X sont définis au paragraphe 3.1) Toute reproduction sans autorisation du Centre français d’exploitation du droit de copie est strictement interdite. © Techniques de l’Ingénieur, traité Génie énergétique B 1 280 − 3 OPTIMISATION DES PROCESSUS ÉNERGÉTIQUES : CONCEPTS __________________________________________________________________________________ Figure 2 – Exemple de système chaleur-force complexe 2. Différents niveaux de l’optimisation L’optimisation des processus énergétiques peut être envisagée à trois niveaux différents : — le choix des solutions ; — le dimensionnement (la conception) de la solution retenue ; — l’exploitation des équipements. 2.1 Choix des solutions Le choix de la meilleure solution se pose en des termes légèrement différents suivant la nature de l’entreprise concernée. Pour les producteurs-distributeurs d’énergie, il s’agit de minimiser un coût constitué en grandes parties par l’achat des matières premières et l’amortissement des équipements. Pour le producteur d’électricité, il s’agira ainsi de déterminer la meilleure répartition entre les différentes filières de production (nucléaire, thermique charbon ou fuel, hydraulique), ainsi que le meilleur tracé des différents réseaux de distribution (haute, moyenne et basse tension). Pour une industrie de process (chimie, raffinage, sidérurgie, etc.), il s’agit souvent de choisir, entre différents équipements susceptibles de rendre le même service (thermocompression et compression mécanique de vapeur, par exemple), celui dont l’insertion au sein B 1 280 − 4 d’un réseau énergétique conduit au moindre coût. Le choix peut néanmoins, comme pour les distributeurs d’énergie, se poser en amont en terme de choix entre plusieurs filières de fabrication. Ce serait par exemple le choix des séquences de séparation pour un raffineur : le mélange A + B + C + D doit-il être séparé en A + B et C + D, puis A, B, C, D, ou au contraire en A et B + C + D, ce dernier mélange étant ensuite fractionné en B + C et D par exemple ? Ces différentes solutions conduisent à des coûts énergétiques et d’investissement différents. 2.2 Dimensionnement de la solution retenue Une filière de production ou un équipement ayant été choisi lors de la phase précédente, il convient ensuite d’en assurer la conception optimale au regard d’un objectif (d’un critère). Ceci a été illustré, dans le cas d’un équipement isolé, par l’exemple de la figure 1. Une mention spéciale doit être faite pour les équipements s’insérant dans un système énergétique complexe. Pour reprendre l’exemple de la figure 1, si la vapeur consommée par les cylindres sécheurs est fournie par le système de transformation de l’énergie de la figure 2, il convient de procéder en deux temps. ■ Il faut étudier l’intéraction du système PAC + CMV avec le système énergétique de la figure 2 de façon à établir l’intérêt économique du projet et à confirmer le choix de cette technique. Le système Toute reproduction sans autorisation du Centre français d’exploitation du droit de copie est strictement interdite. © Techniques de l’Ingénieur, traité Génie énergétique __________________________________________________________________________________ OPTIMISATION DES PROCESSUS ÉNERGÉTIQUES : CONCEPTS PAC + CMV est alors caractérisé par quelques ratios essentiels (ordres de grandeur de la consommation électrique, de la production de vapeur, du coût d’investissement), éventuellement paramétrés pour tenir compte des degrés de liberté existant dans la conception optimale du système PAC + CMV qui sera réalisée à l’étape ultérieure. Cette phase s’apparente au choix de la solution, mais peut également fournir l’ordre de grandeur de la taille optimale de l’investissement. ■ L’intérêt économique et la « taille » de la solution ayant été établis en tenant compte de son intégration dans le système énergétique, il est alors possible d’en envisager la conception optimale en se focalisant sur le système PAC + CMV. En d’autres termes, le choix et la conception optimale du projet sont deux facettes d’un même problème qui ont été découplées moyennant un transfert d’informations de l’une à l’autre, et d’éventuelles itérations. Le traitement simultané des deux aspects du problème est théoriquement possible ; ce sont des considérations pratiques de limitation des outils informatiques disponibles et de simplification des analyses qui conduisent à procéder ainsi. 2.3 Exploitation optimale des équipements L’exploitation optimale des équipements peut recouvrir deux aspects différents : — la gestion prévisionnelle, qui a alors pour objectif de définir le planning d’exploitation conduisant à la minimisation des coûts d’exploitation, en particulier énergétiques, sur un laps de temps pouvant aller de la journée à plusieurs années (cas de la gestion du parc de centrales nucléaires) ; — la gestion en temps réel des installations. 3. Formalisation générale des problèmes d’optimisation Les premières sont les relations entre les caractéristiques propres au matériel et les paramètres descriptifs du processus de transformation. Elles expriment la faisabilité des différentes opérations élémentaires qui constituent le processus ; elles peuvent être assez nombreuses et être écrites de façon très générale si l’on fait abstraction des problèmes particuliers que poseraient des stockages de produits intermédiaires ou encore une analyse très fine des régimes transitoires : G (X, ϕ, θ ) = 0 (1) Les secondes expriment la conservation de la matière et de l’énergie. Elles sont linéaires (simples bilans physiques) et peuvent être aussi écrites de façon très générale : B·ϕ+e=b (2) B est la matrice de l’opérateur qui résume ses bilans physiques pour le problème d’optimisation technico-économique. Elle reflète la topologie du système énergétique étudié. La prise en compte des possibilités d’indisponibilités de certains matériels peut rendre un peu complexe la formulation des bilans. Il faut alors écrire le bilan emploi-ressources dans chacune des situations où certains matériels sont indisponibles et pour lesquelles on exige que tout ou partie des besoins, représentés par le vecteur b, soient desservis. ■ Le facteur temps : les relations précédentes doivent être vérifiées à tout instant. Aussi, ϕ, θ et e doivent être considérés comme des fonctions du temps, comme le sont b et p paramètres du problème. Bien sûr, si ces paramètres ne sont que peu destinés à varier, on peut se contenter d’analyser un seul régime de fonctionnement des appareils. Mais il faut souvent tenir compte de ce que certaines énergies, le gaz par exemple et surtout l’électricité, présentent une structure tarifaire avec prime fixe et coûts de l’énergie pouvant avoir différentes valeurs au cours de l’année. Ces variations relatives des prix des énergies au cours d’une année d’exploitation peuvent alors justifier des solutions modulant l’appel à plusieurs énergies. C’est notamment le cas de la bi-énergie combustible fossile-électricité, appliquée à la production de vapeur : cette dernière est réalisée à partir des combustibles fossiles pendant l’hiver tarifaire EDF, et par utilisation d’une chaudière électrique pendant les périodes ou le kilowattheure du réseau est compétitif pour cette utilisation (été tarifaire ). Dans d’autres cas, c’est la modulation des besoins qui impose sa loi au fonctionnement du système fournisseur d’énergie. 3.1 Variables et relations entre elles 3.2 Principales questions On comprendra mieux comment se situent les trois niveaux de décision cités au paragraphe 2 si l’on définit plus précisément les variables qui interviennent le plus fréquemment dans les optimisations de systèmes énergétiques, ainsi que les principales relations entre elles. Si l’on veut caractériser complètement les coûts économiques d’une configuration d’un système d’équipements définie par un vecteur X, il faut ensuite se référer à deux éléments : — un coût fixe d’investissement, que l’on notera A (X ) ; — un coût variable d’exploitation, qui résulte principalement de l’achat des énergies fournies au processus et qu’il faut rendre le plus faible possible : c (t ) = < e (t ) · p (t ) > ■ Ce qu’il faut déterminer : X caractéristiques du matériel (surfaces d’échange, diamètres de tuyauteries, etc.) ; ϕ flux de matières et transferts d’énergie ; θ autres paramètres physiques descriptifs du processus (températures, pressions, etc.) ; e consommations du processus (apports extérieurs d’énergies primaires). ■ Ce que l’on doit savoir sur l’environnement du système : b besoins que le processus doit desservir, c’est-à-dire l’énergie utile demandée (chaleur dans des conditions données, force motrice, etc.) ; p prix d’achat des énergies primaires consommées. ■ Ce qui relie ces éléments entre eux : beaucoup de processus peuvent être pratiquement représentés par deux familles de relations. 3.2.1 Déterminer le coût d’exploitation Supposons X connu ; les valeurs qui caractérisent l’exploitation du processus pourraient être définies en résolvant, pour tout instant t, le problème : Mine, ϕ, θ | c (t ) = < e (t ) · p (t ) > | G (X, ϕ, θ ) = 0 [formule (1)] B·ϕ+e=b [formule (2)] ce qui fournit e* (t), ϕ* (t ) et θ * (t ) qui caractérisent l’exploitation optimale du processus. Ces résultats, et donc aussi le coût d’exploitation obtenu, sont des fonctions de l’équipement : < e* (t) · p (t ) > = c* (X, t ) Toute reproduction sans autorisation du Centre français d’exploitation du droit de copie est strictement interdite. © Techniques de l’Ingénieur, traité Génie énergétique B 1 280 − 5 OPTIMISATION DES PROCESSUS ÉNERGÉTIQUES : CONCEPTS __________________________________________________________________________________ Un système d’aide à la conduite doit avoir pour but de fournir à l’opérateur les moyens de résoudre ce problème. 3.2.2 Décider un investissement Pour apprécier l’intérêt d’un investissement, il faut comparer son coût fixe A (X ) et celui de son exploitation c (X, t ). Plus précisément, il faut comparer ces valeurs à celles qui correspondent aux autres solutions que l’on peut envisager pour assurer la desserte des besoins que l’on vient de caractériser par b. C’est ici qu’intervient le critère de choix des investissements ou de rentabilité, qui caractérise les préférences du décideur, les conditions auxquelles il est soumis, etc. Le lecteur qui souhaiterait une présentation plus générale du cadre d’analyse de la rentabilité d’un investissement pourra se reporter à l’article Choix des investissements [A 4 450] dans le traité L’entreprise industrielle. On se contentera d’indiquer ici comment les critères les plus courants s’appliquent. ■ Bilan actualisé : la formulation précédente s’étend sans difficulté au cas d’investissements répartis sur plusieurs périodes. Si Ai (X ) représente les coûts des investissements effectués chaque année i entre 0 et T, et a le taux d’actualisation choisi : T–1 A i (X ) = ∑ ---------------------+ ( 1 + a)i i=0 T 0 dt < e ( t ) ⋅ p ( t ) > ----------------------(1 + a) t représente le coût total actualisé sur la période [0, T ]. Il peut cependant être nécessaire de tenir compte du renouvellement des équipements, ou de leur valeur résiduelle à la fin de la période examinée [13]. Comme il s’agit de trouver la solution assurant les services demandés au moindre coût, le meilleur investissement est celui qui conduit au coût total actualisé minimal. ■ Taux interne de rentabilité TIR : il est souvent employé parce qu’il ne nécessite pas l’épineux choix d’un taux d’actualisation et il peut permettre un classement des projets (par rentabilité croissante ou décroissante). Il s’agit de la valeur du taux d’actualisation pour lequel le bilan actualisé de l’opération envisagée serait nul. Aucune solution ne peut assurer les services requis avec un coût nul ; aussi, ce critère ne peut s’appliquer ici que de façon différentielle (ou comme critère relatif), par rapport à une solution de référence (que l’on note ici X 0 ). Soit X 0 les caractéristiques du projet de référence, alors TIR est la solution de : = A ( X ) – A (X 0 ) + T 0 dt [ c ( X, t ) – c ( X 0 , t ) ] ------------------------------ = 0 ( 1 + TIR ) t ■ Temps de retour d’un investissement TRI : son emploi fréquent vient sans doute de ce qu’il est très simple à calculer. TRI est la valeur de T qui réalise l’égalité : A (X ) – A (X 0 ) = [c (X 0 ) – c (X )] TRI Remarque générale : ni le TIR ni le TRI ne permettent d’assurer facilement l’homogénéité des critères des différents problèmes que nous avons distingués ; même le classement des projets par TIR doit être interprété avec beaucoup de précautions [2]. Seul le bilan actualisé, additif par rapport aux différents coûts économiques, est commode de ce point de vue. En résumé, il suffit de noter qu’il faut choisir un critère qui sera défini par une fonctionnelle [ A ( X ),c ( X,t ) ] . Par exemple, l’appréciation de l’intérêt d’un investissement neuf de caractéristiques X, remplaçant l’appareillage en place dans un site industriel et dont les caractéristiques actuelles correspondent aux valeurs X 0 , résultera de la valeur de : [ A ( X ) – A ( X 0 ), c ( X,t ) – c ( X 0 ,t ) ] Ce critère peut être le bilan actualisé : = A ( X ) – A (X 0 ) + T 0 dt [ c ( X, t ) – c ( X 0 , t ) ] --------------------------(1 + a) t Il peut être négatif, et donc être un bénéfice, si le gain : c (X 0 , t ) – c (X, t ) réalisé du fait du remplacement de l’appareillage actuel est suffisamment important tout au long de la période d’étude. 3.2.3 Concevoir les appareils Dimensionner l’équipement, c’est déterminer les caractéristiques (dimensionnelles) des appareils élémentaires qui le constituent, c’est-à-dire les différentes composantes du vecteur X. En théorie, cela pourrait être fait directement à partir de la fonctionnelle représentant le critère de rentabilité. Le problème se ramènerait à la recherche du maximum (s’il s’agit d’un indice de rentabilité) ou du minimum (s’il s’agit d’un coût) du critère : [ A ( X ), < e ( t ), p ( t ) > ] mais en respectant les conditions (1) et (2) pour toutes les valeurs de t correspondant à la période de temps pendant laquelle est envisagée l’exploitation de l’équipement. En pratique, on ne peut procéder ainsi que si le problème d’optimisation n’est pas trop complexe ; en particulier, quand il n’est pas nécessaire d’examiner de façon trop détaillée les variations temporelles de ϕ et θ, d’une part, et quand le nombre des caractéristiques de l’équipement qui doivent être déterminées n’est pas trop important, d’autre part. Si des conditions de ce type permettent une représentation correcte du problème par un modèle mathématique avec un nombre de variables qui reste raisonnable (quelques dizaines), la programmation non linéaire (§ 4.2.2) fournit un outil puissant pour le résoudre. C’est le cas pour le dimensionnement optimal du système PAC + CMV de la figure 1, avec la signification des variables et paramètres (ϕ, X, b, θ ) intervenant dans la conceptualisation du problème. Le tableau joint reproduit la formulation du problème d’optimisation correspondant. Plus TRI est faible, plus l’investissement est bon. Ceci présente toutes les limites du TRI (besoin d’une référence dont dépendra le résultat) tout en ayant encore moins de possibilités d’application aux problèmes de choix un peu complexes. Il est, de plus, important de s’interroger sur le réalisme d’un critère qui ne tient pas compte des coûts et des bénéfices intervenant au-delà d’une durée TRI, qui peut être très rapprochée par comparaison à la durée de vie des investissements en cause. B 1 280 − 6 3.2.4 Définir un programme d’investissements L’investissement peut lui-même être échelonné dans le temps. C’est en particulier le cas de l’installation énergétique des très grandes usines et, surtout, celui des grands systèmes de desserte en électricité ou en gaz par exemple. L’intérêt d’une décision d’investissement ne peut pas alors être évalué sans que soient aussi examinées les décisions ultérieures. L’évolution des besoins implique, en effet, que l’on réalise fréquemment des investissements et le coût d’exploitation futur de celui qu’on étudie aujourd’hui dépendra de ceux qui seront décidés et réalisés demain. Toute reproduction sans autorisation du Centre français d’exploitation du droit de copie est strictement interdite. © Techniques de l’Ingénieur, traité Génie énergétique __________________________________________________________________________________ OPTIMISATION DES PROCESSUS ÉNERGÉTIQUES : CONCEPTS Ce sont alors des évolutions de parcs d’équipements, définissant des programmes d’investissements, qu’il faut étudier. Cela ne peut être fait qu’en simplifiant considérablement la description physique du processus de transformation, par exemple en supposant connus les résultats de l’étape de dimensionnement des appareils. On peut alors linéariser les relations du type (1). Celles-ci, réduites à quelques coefficients représentant en général les consommations spécifiques, il devient possible de traiter le problème de recherche du programme optimal. 3.3 Traitement pratique de ces questions Intégrer la résolution de ces différentes questions par une optimisation unique mais détaillée serait en général voué à l’échec. Dans les problèmes les plus simples, on peut quelquefois l’envisager et s’appuyer sur une formulation semblable à celle indiquée ci-dessus pour le problème de conception-dimensionnement. Mais, bien souvent, les quatre catégories de questions qui ont été définies ici sont à étudier avec une certaine autonomie. Une approche réaliste de chacune d’entre elles requiert en effet : — des compétences bien spécifiques, souvent mises en œuvre par des équipes différentes ; — des schématisations du processus physique, de l’évolution des besoins desservis et de celle des prix des énergies consommées, qui devront aussi différer. Il faut alors que chaque problème puisse être étudié à la lumière des résultats des autres. Cela est possible à condition de mettre en œuvre quelques principes. ■ Traiter chaque question dans un esprit systémique : les réponses apportées par l’étude d’une d’entre elles, à un moment donné, résultent de ce qu’on sait de la résolution des autres ; réciproquement, tout résultat de calcul fournira non seulement une réponse à la question formulée mais, et peut-être surtout, des éléments pour permettre la résolution des autres. ■ Avoir une organisation rationnelle vis-à-vis du problème traité : les outils mis en œuvre, les tâches confiées aux différentes équipes, doivent, autant que faire se peut, coïncider avec un découpage logique du problème (par exemple, la décomposition en quatre questions définie ci-dessus, encore qu’elles ne soient pas toutes à poser explicitement dans chaque problème réel). ■ Assurer l’homogénéité des critères de choix retenus pour chacune des questions : cette dernière exigence paraît aller de soi. Son respect exige pourtant certaines précautions et l’expérience montre qu’elles ne sont pas toujours prises. 4. Outils mathématiques disponibles 4.1 Programmation linéaire ou mixte (optimisation linéaire) Nous avons déjà indiqué que le choix d’un investissement d’équipements énergétiques est aussi caractérisé par la dépendance entre ces équipements. En effet, les uns peuvent utiliser les produits des autres et tous contribuent aux besoins d’ensemble des procédés de production : le choix d’une pompe à chaleur modifie en général l’autoproduction d’électricité, car celle-ci est, dans la pratique, liée aux besoins de vapeur que ce choix permet de réduire. De plus, les courbes de charge qui résultent des programmes d’exploitation des unités et la modulation du coût du kilowattheure fourni par le réseau sont des éléments très importants pour déterminer la puissance d’une turbine ou la taille d’un générateur de vapeur haute pression. De ces deux aspects peut résulter le besoin de prendre en compte un assez grand nombre de variables, ce qui conduit au recours à la programmation linéaire ou mixte. La formulation d’un problème de ce type est exposée dans l’article Optimisation des processus énergétiques : gestion optimale [B 1 282] dans le présent traité. La modélisation se traduit alors par la minimisation d’une fonction linéaire sous un ensemble de contraintes elles-mêmes linéaires. L’algorithme du simplex permet alors de trouver de façon certaine l’optimum absolu (sauf cas particulier de dégénérescence) en un nombre fini d’itérations et, cela, quel que soit le nombre de variables. Cette propriété explique le large emploi qui a été fait de cette méthode, notamment dans le domaine de la planification du choix d’équipements énergétiques [12]. 4.2 Simulation et optimisation non linéaires 4.2.1 Simulation non linéaire La prise en compte de certains phénomènes thermiques, lors de la modélisation de fours ou de séchoirs par exemple (équation de la chaleur, phénomènes de convection, etc.), conduit à la résolution d’équations ou de systèmes d’équations différentielles. Celles-ci se répartissent en deux groupes principaux : les équations aux dérivées totales et les équations aux dérivées partielles, pour lesquelles les méthodes sont de natures différentes : — les équations aux dérivées totales sont résolues par des méthodes d’intégration dont les plus connues sont les méthodes de Runge-Kutta (article Méthodes numériques de base [A 1 220], dans le traité Sciences fondamentales) ; — les équations aux dérivées partielles se résolvent par discrétisation par rapport aux variables de dérivation ; la résolution de l’équation différentielle se ramène alors à la résolution d’un système d’équations linéaires dont la matrice est creuse (article Équations aux dérivées partielles [A 650], dans le traité Sciences fondamentales). Le lecteur trouvera dans l’ouvrage de Carnahan [11] des exposés théoriques de ces différentes méthodes accompagnés de nombreux exemples pratiques. Le fonctionnement d’un système tel que celui de la figure 1 peut être décrit par un jeu d’équations algébriques non linéaires. Celles-ci décrivent, dans le cas présent, le cycle thermodynamique du Fréon dans la pompe à chaleur, les relations d’échange dans l’évaporateur et le condenseur, la compression de la vapeur produite et, enfin, l’expression des grandeurs thermodynamiques en fonction de la pression et de la température ; le jeu d’équations est donné, à titre indicatif, dans le tableau de la figure 1. Le problème de simulation consiste à se fixer suffisamment de paramètres pour avoir autant d’équations que d’inconnues. Ces dernières peuvent alors être obtenues en résolvant le système par l’une des méthodes suivantes : — méthode de Newton ; — méthodes quasi-Newton, notamment les méthodes de Broyden [3] ; — méthodes de Brent et de Brown [4] ; — méthode de Levenberg-Marquardt et méthode hybride de Powell [5] ; — méthodes de continuation par chemin homotope [6]. La simulation peut être une phase préliminaire à l’optimisation car elle permet de lui fournir un ou plusieurs points de départ. De plus, il est envisageable dans des cas simples de réaliser l’optimisation technico-économique par simulations successives. Ainsi, dans le cas du système PAC + CMV de la figure 1, il est possible d’effectuer une série de simulations en faisant varier le paramètre pression au refoulement du compresseur de la PAC, puis de tracer la courbe de la grandeur qu’on cherche à minimiser en fonction Toute reproduction sans autorisation du Centre français d’exploitation du droit de copie est strictement interdite. © Techniques de l’Ingénieur, traité Génie énergétique B 1 280 − 7 OPTIMISATION DES PROCESSUS ÉNERGÉTIQUES : CONCEPTS __________________________________________________________________________________ de ce paramètre. Cette démarche peut être renouvelée pour d’autres paramètres, ce qui conduit à une série d’optimisations monovariables manuelles. Cette façon de procéder révèle cependant deux inconvénients dans le cadre de l’optimisation du procédé : — elle est fastidieuse, car une optimisation non linéaire est remplacée par de nombreuses simulations ; — l’optimum sur chacun des paramètres que l’on a fait varier peut ne pas correspondre au véritable optimum global si ces paramètres sont interdépendants, ce qui est généralement le cas. — le nombre de relations des types (1) et (2) permet un bon fonctionnement des algorithmes précédemment cités. Si tel n’est pas le cas, problème de trop grande taille ou linéarisation des fonctions G admissible, les outils de programmation linéaire et mixte sont à utiliser (§ 4.1). 4.3 Rapide panorama des autres outils mathématiques disponibles 4.2.2 Optimisation non linéaire Les deux remarques précédentes justifient le recours à la programmation non linéaire quand cela est possible. En reprenant l’exemple précédent, les problèmes posés par l’optimisation manuelle par simulations successives peuvent être résolus en minimisant une fonction objectif (temps de retour de l’investissement dans l’exemple présent) sous les contraintes égalité du problème de simulation équivalent, et des contraintes inégalité limitant le champ de recherche des variables (figure 1). Quatre grands types de méthodes générales sont disponibles : — les méthodes d’optimisation de fonction non contrainte (méthodes Davidon-Fletcher-Powell, Broyden-Fletcher-Shanno, méthode quadratique de Powell), avec prise en compte des contraintes par pénalisation de la fonction objectif [7] ; — les méthodes de lagrangien augmenté, qui reprennent le principe des méthodes de pénalisation avec une expression plus élaborée de la fonction de pénalisation [7] [8] ; — les méthodes de gradient réduit généralisé [14] ; — les méthodes quadratiques séquentielles, dont la plus célèbre est la méthode de Wilson-Han-Powell [9]. Cette dernière classe correspond aux plus récents développements en matière de programmation non linéaire algébrique. Ce sont aussi les méthodes statistiquement les plus robustes, suivies de près par les méthodes de gradient réduit généralisé. Les méthodes de lagrangien augmenté, quant à elles, peuvent être performantes et sont parmi les plus simples. Il faut cependant garder à l’esprit que la programmation non linéaire ne peut être envisagée avec succès que pour des problèmes de taille modérée, et que leur mise en œuvre demande souvent de longues adaptations. Il apparaît donc que les méthodes de simulation et d’optimisation non linéaires sont (pour des raisons techniques de convergence et de temps de calcul entre autres) adaptées aux problèmes pour lesquels on souhaite privilégier la finesse de représentation des fonctions G (X, ϕ, θ ) = 0, et à la condition que celles-ci ne soient pas trop nombreuses. Cela exclut en particulier une indexation des variables et des contraintes de type (1) et (2) sur le temps, ce qui aurait pour effet d’accroître très nettement la taille des problèmes à traiter. Il en résulte donc que la simulation et l’optimisation non linéaire ne sont parfaitement adaptées au problème de choix et de dimensionnement d’un équipement que si : — l’impact de la finesse de représentation des fonctions G sur le résultat est plus important que l’effet des variations en cours du temps des paramètres ϕ, θ, e, b et p ; B 1 280 − 8 Parmi les autres outils mathématiques disponibles, on peut citer notamment : — la programmation dynamique et la commande optimale ; ces méthodes permettent de déterminer l’évolution optimale d’un système au cours du temps de façon à minimiser un critère ; elles ne s’avèrent applicables en pratique que si le système étudié est décrit par un petit nombre de variables d’état (contrairement à la programmation linéaire par exemple), le nombre de pas de temps pouvant être élevé. Le fonctionnement optimal d’une ligne de réacteurs chimiques discontinus peut être obtenu à l’aide de ces méthodes (programmation dynamique dans ce cas) ; — la commande adaptative multivariable et, d’une façon plus générale, les méthodes de l’automatique [10] ; ces méthodes permettent d’élaborer des lois de commande de certains paramètres d’un équipement de façon à respecter des valeurs de consigne sur d’autres paramètres. Elles sont appliquées, par exemple, pour obtenir en fonction du temps la commande de puissance d’un four électrique qui permet d’atteindre la température de consigne en un temps minimal et sans dépassement de celle-ci (article Chauffage et rafraîchissement des bâtiments par l’électricité. Chauffage électrique par effet Joule [B 2 156], dans le traité Génie énergétique). Ces deux classes de méthodes sont donc plus spécifiquement destinées à la gestion optimale d’un équipement en temps réel (article spécialisé Optimisation des processus énergétiques : gestion optimale [B 1 282], dans le présent traité) et se placent donc en aval des méthodes préalablement citées (choix et dimensionnement d’un équipement, gestion globale sur une année d’un système décrit par de nombreuses variables d’état). 5. Conclusion Le but de cet article est de positionner les différents problèmes les uns par rapport aux autres, ainsi que les méthodes permettant de les résoudre. Ces méthodes de résolution progressent rapidement : elles sont souvent performantes et fiables. Elles deviennent aussi de plus en plus accessibles à l’ingénieur car un nombre croissant de logiciels permet de les mettre en œuvre. Le lecteur trouvera dans les références bibliographiques les informations nécessaires à la mise en pratique de ces méthodes et outils. Toute reproduction sans autorisation du Centre français d’exploitation du droit de copie est strictement interdite. © Techniques de l’Ingénieur, traité Génie énergétique __________________________________________________________________________________ OPTIMISATION DES PROCESSUS ÉNERGÉTIQUES : CONCEPTS Références bibliographiques [1] [2] [3] [4] DUCROCQ (J.C.). – Optimal energy management in a complex system with mixed-integer programming (Gestion optimale de l’énergie dans un système complexe à l’aide de la programmation mixte). Journal APII., 19, no 4, Afcet Gauthier-Villars (1985). SARGENT (R.W.H.). – A review of methods for solving nonlinear algebric equations (Panorama des méthodes de résolution de systèmes d’équations algébriques non linéaires). Imperial College, South Kensington, Londres. BROYDEN (C.G.). – A class of methods for solving nonlinear simultaneous equations (Une classe de méthodes pour résoudre des équations non linéaires simultanées). Journal of Mathematical Computing, p. 577-592 (1965). BRENT (R.P.). – Some efficient algorithms for solving systems of nonlinear equations (Un algorithme efficace pour la résolution des [5] [6] [7] [8] systèmes d’équations non linéaires). SIAM J. Numer, Anal. (USA), 10, no 2, p. 327-345, avril 1973. POWEL (M.J.D.). – A hybrid method for nonlinear equations (Une méthode hybride pour la résolution de systèmes d’équations non linéaires). Numerical methods for nonlinear algebric equations, Philip Rabinowitz, Gordon & Breach Science Publishers Londres, Paris (1970). ABBOT (J.P.). – Computing solution arcs of nonlinear equations with a parameter. The Computer Journal, 23, no 1, p. 85-89 (1978). SIDDALL (J.N.). – Optimal Engineering design (Dimensionnement optimal en ingénierie). Marcel Dekker Inc. (New York). FLETCHER (R.). – An ideal penalty function for constrained optimisation. Nonlinear programming 2, OL Mangasarian Academic press New York (1975). [9] [10] [11] [12] [13] [14] HAN (S.P.). – Superlinearly convergent variable metric algorithms for general nonlinear programming problems (Algorithmes à métrique variable et à convergence superlinéaire pour les problèmes généraux de programmation non linéaire). Mathematical Programming (NL), 11 (1976). STEPHANOPOULOS (G.). – Chemical process control. An introduction to theory and practice (Contrôle des procédés chimiques. Une introduction à la théorie et à la pratique). PrenticeHall Inc. Englewood Cliffs (New-Jersey). CARNAHAN, LUTHER et WILKES. – Applied numerical methods (Méthodes numériques appliquées). John Wiley & Sons (1969). MASSÉ (P.). – Le choix des investissements. Dunod (1968). TERBORGH (G.). – Dynamic Equipment Policy. McGraw Hill (1949). ABADIE (J.) et GUIGOU (J.). – Gradient réduit généralisé. EDF note HI 069/02 (1969). Toute reproduction sans autorisation du Centre français d’exploitation du droit de copie est strictement interdite. © Techniques de l’Ingénieur, traité Génie énergétique B 1 280 − 9