UNIVERSITE KASDI MERBAH OUARGLA Faculté des Sciences Appliquées Département de Génie Electrique Mémoire MASTER ACADEMIQUE Domaine : Sciences et technologies Filière : Electrotechnique Spécialité : Réseaux électriques Présenté par : Benyaza Mohamed Salah Thème: Répartition optimale des puissances dans un réseau électrique par l’algorithme génétique Soutenu publiquement Le : 31 /05/2016 Devant le jury : Mr Guehrar Youcef MA (A) Président UKM Ouargla Mr Boudjella Houari MA (A) Encadreur/rapporteur UKM Ouargla Mr Bouhadouza Boubekeur MA (A) Examinateur UKM Ouargla Année universitaire 2015/2016 En premier lieu, je tiens à remercier «DIEU» qui m’a aidé pour que ce modeste travail soit achevé et pour que nous avons réussi. Et tenons à remercier vivement tous ceux qui nous a orientées et nous a encouragées. Et pensons en particulier à notre encadreur BOUDJELLA HOUARI, Ce qu'il nous a donné ses conseils et directives valeur qui était de nous aider dans la réalisation de cette mémoire. Nos sincères remerciements et sa gratitude à tous ceux qui m'a aidé de près ou de loin pour accomplir ce travail, un grand merci aussi à tous les enseignants qui Contribution à notre enseignement en génie électrique Université de Ouargla. En fin, je remercie nos amis pour leur aide, leur soutien et leur compréhension. Pour consacrer le fruit de ce travail humble : Commencé à peloter et fatigué et sont restés jusqu'à nuits, Aimer en présence d'Allah et Son Messager après ma mère bien-aimée. Ce à quoi il a consacré sa vie et son argent dans mon éducation et de l'éducation et que mes carquois cardiaques de la miséricorde de Dieu souvenir Abe. Pour tenir dans les yeux de mes souvenirs d'enfance de ma jeunesse et mes frères. Pour mes amis qui habitent leurs images et des voix les plus beaux moments et des jours que je vivais. Pour tous ceux qui m'a aidé dans la réalisation de ce travail. Symboles bij V .V V i Susceptance des bronches ij Tensions aux nœuds i et j j Conjugué de la tension au nœud i * Vi Acronymes i min Module de la tension minimale au nœud i Module de la tension maximale au nœud i Conductance des bronches ij V imax g ij GA h i, j old Algorithme génétique L’ancienne valeur de l'opérateur de croisement heuristique du gène du parent h i, j new Dernière valeur de l'opérateur de croisement heuristique du gène du parent h i, j Ii I ij max Taille de pas maximale admissible Courant injecté au nœud i Courant transitant du nœud i au nœud j I ij' Courant de fuite au nœud i I Vecteur complexe des courants injectés au nœud k1 Coefficient réglable entre k1max et k1min Nombre aléatoire entre zéro et deux Rapport de la meilleure condition physique Désigne le nombre de nœuds dans le réseau Nombre total des nœuds consommateurs Nombre total des nœuds producteurs Variables de tension Variables d’angle Emplacements de tension Emplacements d'ange Taille de la population initiale Production active participant au réglage tertiaire puissance active injectée au nœud i Puissance active injectée par le générateur i k2 k3 n NC NG novv noav novloc noaloc nop P Pi PGi PCh j Puissance active consommée au nœud j min P Gi max P Gi Puissance active minimale injectée au nœud i PL Pertes des puissances actives totales Puissance active maximale générée au nœud i QGi Puissance réactive injectée au nœud i Puissance réactive génére au nœud i Q Chj Puissance réactive consommée au nœud j min Q Gi max Q Gi Puissance réactive minimale injectée au nœud i QL: RCGA Pertes réactives totales dans le réseau Real-Code Algorithme Génétique Conjugué de la puissance apparente injectée au nœud i Qi S*i Puissance réactive maximale injectée au nœud i Simax j Puissance maximale transitée entre les nœuds i et j t T L'itération courante (génération) Numéro Nombre maximum d'itérations Rapport de transformation du transformateur ti j timin j Valeur minimale du rapport de transformation du transformateur timax j Valeur maximale du rapport de transformation du transformateur V Vecteur complexe des tensions en chaque nœud y ij Admittance de ligne i – j y Matrice admittance complexe y ,ij Admittance shunt des nœuds i et j 2 θi j θimin j Phase du rapport de transformation du transformateur Valeur minimale de la phase de transformation du transformateur θ imax j Valeur maximale de la phase de transformation du transformateur λp Coût marginal horaire ou pénalité de la production active Figure I.1 : Caractéristique entrée-sortie d’une unité de production…………………... -04- Figure I.2 : Modèle d’un générateur de puissance…………………………………….. -06- Figure I.3 : Modèle de transformateur de puissance…………………………………... -07- Figure I.4 : Modèle équivalent en π de ligne de transport…………………………….. -08- Figure I.5 : Modèle d’un élément shunt……………………………………………….. -09- Figure I.6 : Structure étoile (les postes rouges représentent les apports d'énergie)……. -10- Figure I.7 : Structure radiale ou bouclée (Les postes rouges représentent les apports d'énergie)……………………………………………………………………………….. -10- Figure I.8 : Structure réseau maillée ………………………………………………….. -11- Figure I.9 : Fonction coût linéaire par morceaux……………………………………… -14- Figure I. 10 : Le réseau électrique sous la forme simplifié……………………………. -16- Figure I.11 : Schéma d’une branche entre deux nœuds i et j………………………….. -17- Figure I.12 : Représentation géométrique de la méthode de N-R…………………….. -25- Figure II.1: Éléments indispensable…………………………………………………… -34- Figure II.2: Les méthodes d’Optimisation……………………………………………... -35- Figure II.3: Classement des méthodes de résolution…………………………………... -43- Figure II.4: Minimum local et global d’une fonction………………………………… -43- Figure III.1: Vue d'ensemble d'un algorithme génétique………………………………. -48- Figure III.2: L’organigramme des AG standard……………………………………….. -49- Figure III.3: Représentation d'une sélection par tournoi d'individus pour un critère de maximisation (chaque individu représente une solution possible)…………………….. -51- Figure III.4: Représentation d’un croisement en un point de deux chaînes…………… -51- Figure III.5: Représentation d’une mutation de bits dans une chaîne…………………. -52- Figure III.6: Croisement en seul point…………………………………………………. -54- Figure III.7: Représentation d’un croisement en deux points…………………………. -54- Figure. IV.1 : Schéma du réseau de 14 jeu de barre………………………………….... -59- Figure IV.2 : Puissances générées optimales par méthode MIPS …………………… -60- Figure IV.3 : Puissances générées optimales par GA 14bus…………………………… -61- Figure IV.4 : Résultats d’optimisation mono-objective ……………………………… -61- Figure IV.5 : Réseau test IEEE 30 nœuds……………………………………………... -62- Figure IV.6 : Puissances générées optimales par MIPS 30bus………………………… -64- Figure IV.7 : Puissances générées optimales par GA 30bus…………………………… -65- Figure IV.8 : résultats d’optimisation mono-objective (la fonction cout de production)……………………………………………………………………………… -65- Tableau I.1 : Classification des nœuds dans un réseau électrique……………………... -16Tableau. III.1: Code de Gray et code binaire pour une chaîne à trois bits…………….. -52- Tableau IV.1 : Coefficients de la fonction cout des générateurs………………………. -58Tableau IV.2 : Résultats OPF par MIPS 14 nœuds …………………………………… -59- Tableau IV.3: Résultats OPF par AG sur réseau IEEE14 nœuds…………………….. -61- Tableau IV.4 : Coefficients de la fonction cout des générateurs………………………. -63Tableau IV.5: Résultats OPF par MIPS IEEE 30 nœuds ……………………….. -63- Tableau IV.6 : Résultats OPF par génétique algorithme IEEE 30 nœuds ……… -64- Tableau IV.7 : Influence de la sélection……………………………………………….. -66- Tableau IV.8 : Influence de la Croisement …………………………………………. -66- Tableau IV.9 : Influence de la Mutation………………………………………………. -66- Introduction générale………………………………………………………............. -01Chapitre I Ecoulement des puissances I.1 Introduction………………………………………………………………………... -03- I.2 Programme de marche des unités de production…………………………………… -03I.3 Modélisation des éléments de puissance d’un réseau électrique…………………... -06- I.3.1 Générateurs de puissance…………………………………………………. -06- I.3.2 Transformateurs de puissances…………………………………………… -06- I.3.3 Modélisation de ligne de transport………………………………………… -07- I.3.4 Charges électriques………………………………………………………... -08- I.3.5 Eléments shunt…………………………………………………………….. -09- I.4 Différentes structures des réseaux…………………………………………………. -09I.4.1. Réseau radial ou en étoile………………………………………………….. -09- I.4.2. Réseau en boucle…………………………………………………………… -10I.4.3 Réseau maillé ou connecté………………………………………………….. -11- I.5 Effet de réseau de transport sur la qualité du service……………………………… -11I.6 Niveaux de tensions des réseaux………………………………………………….. -12- I.7 Formulation du problème d’écoulement des puissances………………………….. -12- I.8 Analyse de l’écoulement des puissances………………………………………….. -15- I.9 Modélisation du réseau……………………………………………………………. -16- I.10 Détermination de la matrice admittances………………………………………… -17- I.11 Détermination des courants……………………………………………………… -18- I.12 Détermination des puissances……………………………………………………. -19- I.13 Caractéristiques des équations d’écoulement statique des charges……………… -19- I.14 Principe de base de la solution d’écoulement statique des charges……………… -20- I.15 Méthodes numériques de solution d’écoulement statique des charges……......... -20- I.15.1 Méthode de Gauss-Seidel…………………………………………………. -20I.15.2 Algorithme de Gauss-Seidel……………………………………………… -21- I.15.3 Organigramme de la méthode Gauss-Seidel avec Ybus…………………. -22- I.16 Méthode de Newton Raphson……………………………………………………. -24- I.16.1 Représentation géométrique de la méthode de N-R………………………. -24I.16.2 Algorithme de N-R dans un système de dimension ‘n’…………………... -25- I.16.3 Algorithme de N-R appliquée aux équations de l'écoulement de puissance -27I.16.4 Les coordonnées polaires…………………………………………………. -27- I.16.5 Organigramme de la méthode Newton-Raphson………………………… -29- I.17 Conclusion………………………………………………………………………… -30Chapitre II Méthodes d’optimisation appliquées a l’OPF II.1 Introduction………………………………………………………………………... -31II .2 Problème de la répartition de puissance optimal OPF……………………………. -31II.3 Formulation de problème de l'écoulement de puissance optimal (OPF)………….. -32- II.3.1 Fonction objective………………………………………………………….. -32II.3.1.1 Sous les contraintes d'égalité……………………………………… -33- II.3.1.2 Sous les contraintes d'inégalité…………………………………… -33- II. 4 Les éléments d’optimisation……………………………………………………… -34- II.5 Optimisation combinatoire………………………………………………………... -35- II.6 Méthodes d’optimisation déterministes…………………………………………. -36- II.6.1 Méthode du gradient……………………………………………………….. -37- II.6.1.1 Formulation mathématiques……………………………………….. -37- II.6.1.2 Avantages et inconvénients………………………………………... -38- II.6.2 Méthode de Newton……………………………………………………….. -38- II.6.3 Programmation dynamique………………………………………………... -38II.6.4 Méthode du point intérieur………………………………………………… -39- II.6.5 Technique de programmation quadratique ………………………………... -39- II.7 Méthodes Heuristique…………………………………………………………….. -40- II.8 Les méta-heuristiques……………………………………………………………... -41- II.8.1 Minimum local et global d’une fonction………………………………………... -43- II.8.2 Optimisation par algorithmes génétiques……………………………………….. -44- II.9 Conclusion………………………………………………………………………… -45- Chapitre III Algorithmes génétiques III.1 Introduction………………………………………………………………………. -46- III.2 Historique………………………………………………………………………… -46- III.3 Définition…………………………………………………………………………. -46III.4 Principe…………………………………………………………………………… -47III.5 Présentation………………………………………………………………………. -47- III.6 Paramètres d’un AG……………………………………………………………… -48- III.7 Principe de base d’un AG standard………………………………………………. -49- III.8 Les opérations d’un AG………………………………………………………….. -50- III.8.1 Sélection…………………………………………………………………... -50- III.8.2 Croisement………………………………………………………………… -51III.8.3 Mutation…………………………………………………………………... -52- III.8.4 Codage…………………………………………………………………….. -52- III.9 Processus d’évolution des générations : générationnel, stationnaire et élitiste….. -53- III.10 Opérateurs de croisement……………………………………………………….. -53- III.11 Pseudo code pour l'algorithme génétique………………………………………. -54- III.12 Algorithme de charge des flux de solution……………………………………… -55- III.13 Conclusion………………………………………………………………………. -57- Chapitre IV Application des GA dans la répartition optimale des puissances (Optimisation Mono-Objectif) IV.1 Introduction………………………………………………………………………. -58- IV.2 Optimisation mono-objectif……………………………………………………… -58- IV.3 Calcul OPF……………………………………………………………………… -58- IV.3.1Application sur le réseau IEEE 14 nœuds ………………………………… -58IV.3.1.1 Calcul OPF par application de la méthode Interior Point (MIPS)... -59- IV.3.1.2 Application des algorithmes génétiques dans le calcul d’OPF…… -60- IV.3.1.2.1 Valeurs des Paramètres d’un algorithme génétique…… -60- IV.3.1.3 Comparaison entre les deux méthodes…………………………….. -60- IV.3.2 Application sur le réseau IEEE 30 nœuds…………………………………. -60IV.3.2.1 Calcul OPF par application de la méthode Interior Point (MIPS)... -63- IV.3.2.2 Calcul d’OPF par GA sur réseau IEEE 30 nœuds………………… -64IV.3.2.3 Comparaison entre les deux méthodes…………………………….. -65- IV.3.2.4 Influence des paramètres AG sur le calcul OPF…………………… -66- IV.3.2.5 Comparaison entre les trois opérations ……………………………. -67- IV.4 Conclusion ……………………………………………………………………….. -67Conclusion générale…………………………………………………………………... -68Bibliographie Annexe A Annexe B Introduction générale Introduction générale L’énergie électrique occupe une place très importante dans les branches de l’économie moderne et de la vie courante. La consommation de l’énergie électrique augmente considérablement. Il est admis d’une manière générale, que depuis le début du dixneuvième siècle l’énergie électrique consommée dans le monde double en moyenne tous les dix ans. Le rôle des systèmes d’énergie électriques est de fournir aux utilisateurs le produit électricité au moindre coût dans des conditions de qualité et de sécurité satisfaisantes. Le problème d’optimisation de l’écoulement de puissance (OPF) essaye de maximiser le profit de la totalité des consommateurs de l’énergie électrique, de minimiser le coût total des puissances actives générées de façon que les pertes de puissances actives et réactives sont acceptables et les contraintes sur les transits des puissances dans les lignes de transport sont satisfaites et de contrôler les puissances actives sortantes des générateurs ainsi que leurs niveaux de tension. L’étude de l’optimisation de l’écoulement de puissance (OPF) peut nécessite la connaissance du transit des puissances dans un réseau électrique ainsi que les tensions aux différents points remarquables du réseau (générateurs, transformateurs, charges). Ces grandeurs sont nécessaires pour la conduite des réseaux et pour déterminer l’évolution du réseau en cas de changement de configurations, telles que, l’adjonction de nouveaux générateurs (énergies renouvelables), la croissance de la demande d’énergie, et l’implantation de nouvelles lignes. Plusieurs méthodes d’optimisation ont été appliquées pour les objectifs cités ci-dessus. Dans notre travaille nous avons choisis la méthode des algorithmes génétiques qui est inspiré par des analogies avec la biologie qui est très bien adapté au traitement d’un problème d’optimisation mono-objectif (optimisation de coût de production) dans laquelle le réseau est alimenté à partir du générateur. L’application a été consacrée aux réseaux test standard IEEE 14 nœuds et IEEE 30 nœuds. Afin que notre travail soit accomplis et pour cerner tous les aspects de cette étude, ce mémoire est organisé comme suit : Le premier chapitre étude les principaux éléments constitue un réseau électrique et traite en détaille l’analyse de l’écoulement de puissance, ainsi nous avons montré les 1 Introduction générale différentes méthodes de résolution d’un problème de répartition des puissances qui sont la méthode de Newton-Raphson et la méthode de Gauss-Seidel. Le deuxième chapitre est consacré à quelques définitions de base et formulation du problème d’optimisation mono-objectif avec les conditions des limites d’égalité et d’inégalité, ainsi que les méthodes d’optimisation. Le troisième chapitre donne une vue théorique sur les algorithmes génétiques, comme on a rédigé une illustration concernant la liaison entre les algorithmes génétiques et l’optimisation mono-objectif dont l’application a été traduite par une programmation sur Matlab en utilisant la boite à outil GA Toolbox. Le choix de la probabilité de croisement et de mutation est un facteur typique qui permet d’évaluer la fonction objective. Le quatrième chapitre est consacré à l’application des Algorithmes Génétiques dans la répartition optimale des puissances actives dans un réseau électrique. Une simulation a été faite sur les réseaux IEEE14 nœuds et IEEE 30 nœuds pour minimiser le coût de production. Les résultats sont comparés avec celle obtenus par la méthode du point intérieur. En fin nous clôturons ce travail par une conclusion générale. 2 Chapitre I Ecoulement des puissances I .1 Introduction Le problème de l’écoulement de puissance optimal a eu une longue histoire pour son développement. Il y a plus de quarante ans passés, Carpentier introduisit une formulation du problème du dispatching économique comprenant des contraintes sur les tensions et d’autres contraintes de fonctionnement. Dans son approche (connue par la méthode d’injection), il posa le problème du dispatching économique comme un problème d’optimisation no linéaire, et utilisa la technique du gradient réduit généralisé. En 1968, Dammel et Tinné introduiraient un problème d’optimisation comprenant le dispatching économique classique contrôlé par les équations de l’écoulement de puissance et des contraintes de fonctionnement, où ils ont utilisé la technique du gradient réduit pour résoudre les conditions d’optimalité de Kuhn Tucker. Cette formulation a été nommée plus tard problème de l’écoulement de puissance optimal (OPF). Depuis lors, cette dernière a connu un essor considérable comme en témoigne la littérature. En général, il serait difficile de classer d’une manière précise et approfondie toutes les approches parues dans la littérature, car beaucoup emploient une combinaison de méthodologies spécifiques. Toutefois, nous allons essayer de donner dans ce chapitre, un aperçu sur certaines méthodes qui nous paraissent importantes dans la résolution de ce problème. Les techniques classiques dites aussi mathématiques ou encore conventionnelles appliquées au problème de l’OPF [1]. I.2 Programme de marche des unités de production Les caractéristiques technico-économiques des centrales électriques sont déterminantes pour leur exploitation. Trois types de caractéristiques ont une influence pour l’exploitation d’une centrales électriques à court terme: son coût de production; ses contraintes techniques et sa fiabilité. Le plus important de ces trois caractéristiques est le coût variable de production. Pour les centrales thermiques, il reflète principalement le coût du combustible utilisé et les autres coûts d’exploitation et de maintenance de la centrale. Le coût du combustible est évalué en utilisant des valeurs de consommation spécifique de chaleur (une quantité d’énergie thermique nécessaire pour produire de l’électricité) de la centrale et le prix du combustible. La valeur de consommation spécifique de chaleur (CSC) est proportionnelle à l’inverse du rendement énergétique: plus la CSC est grande, moins la centrale est performante. 3 Chapitre I Ecoulement des puissances La fonction coût a une forme non linéaire qui peut être approximée à une courbe quadratique du type 2 C i PGi a i b i . PGi c i PGi (I.1) Où PGi : puissance active injectée au jeu de barre i (figure I.1). La constante ai est appelée coût de marche à vide, elle représente le coût pour maintenir la marche d’une unité de production à production nulle. Le coût incrémental (ou marginal) de production est le coût pour produire une unité supplémentaire d’énergie. Ce coût est important pour prendre les décisions d’exploitation à court terme λ dc b 2 cp dp (I.2) Figure I.1 : Caractéristique entrée-sortie d’une unité de production. Outre le coût variable à court terme, d’autres caractéristiques spécifiques sont importantes à mentionner pour la production d’électricité. C’est le cas notamment du coût spécifique pour démarrer ou arrêter l’unité de production (coût de démarrage et d’arrêt). Par exemple, le coût de démarrage correspond au coût de l’énergie nécessaire pour mettre en fonctionnement toutes les installations permettant la production d’électricité (chaudières, pompes, etc.). Ce coût dépend normalement de l’état de l’unité de production au moment de l’appel à démarrer (démarrage à froid ou à chaud). Certaines contraintes techniques sont aussi importantes pour l’exploitation. 4 Chapitre I Ecoulement des puissances Généralement, l’unité de production ne peut fonctionner de manière stable qu’à partir d’un niveau de production minimal (capacité minimale de production) et jusqu’à un niveau maximal de production (capacité maximale de production). L’inertie propre des moyens de production limite la vitesse à laquelle les unités de production peuvent changer leur niveau de production. La vitesse maximale de changement du niveau de production pour une période de temps donné est appelée contrainte de rampe. Il existe aussi un temps minimal pour le démarrage (temps de démarrage). Enfin, les unités de production présentent différents degrés de fiabilité et d’incertitude. Ce degré de fiabilité peut être interprété comme le degré de précision dans la prévision de la capacité de production d’une centrale. Les erreurs de prévision de capacité peuvent venir du manque de prévision sur la force motrice (par exemple, courant d’eau ou vitesse du vent). L’exemple le plus typique est ici la production éolienne, dont le niveau de production dépend de la vitesse du vent. Cette vitesse est un phénomène climatique qui dépend de plusieurs variables, et qui est très difficile à prévoir avec exactitude. Les erreurs de prévision peuvent venir aussi de la défaillance forcée d’une unité de production ou d’autres facteurs qui l’empêchent d’atteindre leur niveau normal de production. Lucas le plus extrême est quand l’unité n’arrive pas à démarrer comme prévu, ou qu’elle doit être arrêtée complètement pour des problèmes techniques. Le caractère de flexibilité ou de souplesse de moyens de production à court terme représente la vitesse à laquelle chaque moyen de production peut changer le niveau de sa production après un signal donné. Nous trouvons des moyens de production plus flexibles, comme les centrales hydrauliques (avec réservoir) et les centrales à combustion ou les moteurs diesel (avec des temps de démarrage faibles et des contraintes faibles de rampe). Par opposition, les centrales nucléaires et les centrales thermiques sont des moyens de production peu flexibles. Il est important de remarquer que cette flexibilité doit être obtenue rapidement après un ordre. Certains moyens de production peuvent avoir un caractère flexible, mais nécessitent plus de temps pour préparer cette vitesse de changement. Par exemple, certaines centrales nucléaires peuvent être programmées la veille pour réaliser des variations assez grandes de production, mais, à une échelle de temps plus proche du temps réel, les variations de production possibles pour ces centrales sont beaucoup moins élevées [2]. 5 Chapitre I Ecoulement des puissances I.3 Modélisation des éléments de puissance d’un réseau électrique Lorsqu’on veut calculer l’écoulement de puissance ou bien l’écoulement de puissance optimal dans un réseau électrique, il n’est pas nécessaire de modéliser tous les éléments qui constituent ce réseau, mais on ne modélise que les éléments qui interviennent réellement, tels que les générateurs de puissance, les charges électriques, les lignes de transport, les transformateurs de puissance et les compensateurs statiques. Le modèle doit être suffisamment simple tout en traduisant principalement la réalité du comportement [9]. Dans cette section, on utilise des grandeurs réduites(en unité relative pu). I.3.1 Générateurs de puissance Dans l’analyse de l’écoulement de puissance, les générateurs sont modélisés comme des injecteurs de courants. Dans l’état stationnaire, un générateur est généralement contrôlé de sorte que la puissance active injectée au jeu de barres et la tension aux bornes de générateurs soient maintenues constantes. La puissance active délivrée par le générateur est réglée à travers le contrôle de la turbine, qui doit être dans les limites de la capacité du système turbine générateur. La tension est liée principalement à l’injection de la puissance réactive au jeu de barres de production, qui est contrôlée par le courant de l’excitation, et comme le générateur doit fonctionner dans les limites de sa courbe de capacité réactive, il n’est pas possible de régler la tension en dehors de certaines limites admissibles [5]. Figure I.2 : Modèle d’un générateur de puissance. I.3.2 Transformateurs de puissances à prise variable : Il ya deux types de transformateur à modéliser: le transformateur régulateur de tension à changeur de prises de charges et le transformateur déphaseur. Dans la modélisation des systèmes électriques, les rapports de déviations et les décalages de phase sont typiquement représentés comme des modifications à la matrice admittance. La figure (1.3) présente le schéma unifilaire équivalent d’un transformateur triphasé symétrique à changeur de prises de charge et/déphaseur [3]. 6 Chapitre I Ecoulement des puissances Figure I.3 : Modèle de transformateur de puissance. : représente les pertes par effet joule et les inductances de fuite de transformateur ramenées au secondaire. La modélisation retenue suppose que les pertes sont séparées pour moitié au primaire et pour l’autre moitié au secondaire. Le paramètre en charge. Le paramètre symbolise la ration de régleur de tension symbolise le déphasage introduit par le transformateur entre les jeux de barres i et j. Il est important de noter que la matrice admittance du réseau électrique qui prend en considération ces variables va être donc ajustée à chaque itération. Y: c’est la matrice admittance du transformateur qui s’écrit comme suit: jα Ycap e y y I1 2 ti j e jα Ycap 1 I 2 y 2 y 2 ti j t i j ij IY V ij V1 V2 (I.3) I.3.3 Modélisation de ligne de transport Une ligne de transport moyenne est généralement modélisée par un modèle en π à paramètres distribués (figure I.4). Ces paramètres, dont les valeurs dépendent de la nature et la géométrie des conducteurs, sont définis pour une ligne connectée entre les jeux de barres i et j, comme suit: des paramètres linéaires séries, par phase, la résistance rij et la réactance xij ; et des paramètres shunts, par phase, la susceptance capacitive bcij et la conductance gij0 ; La conductance linéique est généralement négligée donc on a : gij0 = 0. L'admittance série de la ligne de transmission i et j est donné par la relation: yi j gi j jbi j 7 1 ri j x i j (I.4) Chapitre I Ecoulement des puissances L'admittance shunt de la ligne i j est donnée directement en fonction de la susceptance et la conductance de la ligne, donc on a: yi j 0 gi j 0 2 j bc i j 2 j bc i j 2 j Bcij (I.5) Figure I.4 : Modèle équivalent en π de ligne de transport. I.3.4 Charges électriques La modélisation de la charge joue un rôle très important dans l’étude de l’écoulement de puissances. Ces charges sont souvent des sous-stations qui alimentent les réseaux de distribution, on les modélise statiquement comme des injecteurs négatifs de puissance dans les jeux de barres. La connexion de la charge au réseau est réalisée par l’intermédiaire d’un transformateur à prises de charge qui maintient le niveau de tension constant, cela signifie que les puissances active et réactive de la charge peuvent être représentées par des valeurs constantes. Il existe aussi la modélisation dynamique des charges qui est relativement compliquée car la puissance consommée par la charge est en fonction de la tension et du temps, et elle est utilisée généralement pour l’étude et l’analyse de la stabilité transitoire [4]. Les équations des puissances active et réactive de la charge en fonction de la tension de jeu de barres peuvent s’écrire comme suit : V P P0 V0 np V Q Q 0 V0 , nq (I.6) Où 0 et 0: puissances active et réactive consommées à une tension de référence 8 0=1pu; Chapitre I Et Ecoulement des puissances : constantes dépendant du type de la charge. I.3.5 Eléments shunt Dans la plupart des cas, les éléments shunts sont des dispositifs destinés à la compensation de l’énergie réactive et la tenue de la tension, à savoir : batteries de condensateurs et inductances fixes, compensateurs synchrones ou compensateurs statiques (SVC) [6]. Chaque élément connecté au réseau sera modélisé, suivant le cas, par une admittance équivalente ou une injection de puissance. Yi 0 G i 0 j Bi 0 (I.7) Figure I.5 : Modèle d’un élément shunt. I.4 Différentes structures des réseaux Le concept de réseau englobe la totalité des installations, notamment les lignes aériennes, câbles, transformateurs et les appareils avec leurs moyens de contrôle et de sécurité, les interrupteurs, etc.., nécessaires ou transport et à la distribution de l’énergie èlectrique.les réseaux électrique peuvent être organisés selon plusieurs types de structures exposées ci-dessous [7]: I.4.1. Réseau radial ou en étoile Il représente le réseau sous sa forme la plus simple. Les lignes partent d'un point central, par exemple une station de transformation locale, et rayonnent depuis celui-ci. Si une perturbation se produit sur ce type de réseau, l'alimentation électrique de tous les clients rattachés à ce rayon défectueux est interrompue, jusqu'à ce que la panne soit réparée. La panne d'une station de transformation peut paralyser tout un quartier. 9 Chapitre I Ecoulement des puissances Figure I.6 : Structure étoile (les postes rouges représentent les apports d'énergie). La sécurité d'alimentation est faible puisqu'un défaut sur la ligne ou sur le poste rouge coupe l'ensemble des clients en aval. I.4.2. Réseau en boucle L'assemblage en boucle des lignes permet de mettre hors circuit une partie de la ligne défectueuse grâce à ses points de séparation. L'alimentation électrique est interrompue uniquement dans cette partie jusqu'à la réparation de la panne; le reste du réseau peut continuer à fonctionner. Figure I.7 : Structure radiale ou bouclée (Les postes rouges représentent les apports d'énergie). La sécurité d'alimentation, bien qu'inférieure à celle de la structure maillée, reste élevée. 10 Chapitre I Ecoulement des puissances I.4.3 Réseau maillé ou connecté Lorsque des lignes en boucle sont regroupées pour relier des points très éloignés les uns des autres, elles forment un réseau maillé. Ce type de réseau offre une très grande fiabilité d'approvisionnement car chaque tronçon de ligne peut être alimenté via différentes voies. Même une défaillance sur plusieurs tronçons n'engendre pas une grosse perturbation. Figure I.8 : structure réseau maillée. Les postes électriques sont reliés entre eux par de nombreuses lignes électriques, apportant une grande sécurité d'alimentation. Les réseaux maillés sont surtout construits et exploités là où la sécurité d'approvisionnement d'un grand nombre de clients peut être compromise par une perturbation, comme c'est particulièrement le cas pour les réseaux de transport et de distribution haute tension. I.5 Effet de réseau de transport sur la qualité du service Les réseaux HTB/HTA contribuent donc de façon déterminante au maintien de l’équilibre entre la demande et l’offre, ainsi qu’à la sécurité d’alimentation et à l’économie de l’exploitation. Par ailleurs, la qualité du service est également un souci majeur de l’exploitant. Sur le plan, cette qualité nécessite [8] : de maintenir les caractéristiques du produit (tension, fréquence) dans les limites très précises du cahier des charges. De limiter, autant que faire se peut, les interruptions de service. Les réseaux HTB/HTA jouent aussi un rôle très important pour respecter ces contraintes car, les 11 Chapitre I Ecoulement des puissances références de tension qui vont conditionner l’ensemble du plan de tension dans le réseau sont fixées, pour l’essentiel, par les groupes de production raccordés aux réseaux THT. La fréquence est, de même, fixée par les groupes de production qui doivent rester synchrones en régime permanent. La sécurité d’alimentation des grands centres de consommation dépend très fortement de la structure des réseaux de transport. I.6 Niveaux de tensions des réseaux D'une façon générale, la plupart des pays mettent en œuvre : • Un réseau de transport HTB 220 …….. 800 KV ; • Un réseau de répartition HTA 60 ……...170 KV ; • Un réseau de distribution MT 5 ……... 36 KV (selon CEI) ; • Un réseau de distribution et de livraison BT 400/230 V. I.7 Formulation du problème d’écoulement des puissances La gestion optimale des productions actives et réactives est une fonction de plus en plus importante des centres de conduite des réseaux, dans le but d’accroitre la sécurité d’alimentation et dans d’exploiter judicieusement les ressources existantes en minimisant les coûts de production et les pertes. Pour assumer pleinement cette tâche, il est important de bien définir les objectifs qui serviront de critères d’optimisation. On peut dégager les buts suivants : Proposer un programme de production qui respecte toutes les contraintes de courants de branche et de tensions, dans un but de sécurité avant toute autre recherche de gain économique (analyse de sécurité) ; Minimiser le coût de productions actives et réactives incluant les pertes dans le réseau (dispatching économique) ; Réajuster les programmes de production lors de défaillance d’un ou plusieurs éléments du réseau (groupe, ligne ou transformateur), afin de ramener le réseau de l’état d’alerte à l’état sain [10]. 12 Chapitre I Ecoulement des puissances Les objectifs précités peuvent être formulés tels quels pour résoudre les problèmes de planification, soit : Retarder le renforcement du réseau par une répartition judicieuse des puissances transitées ; Retarder l’investissement de nouveaux moyens de production ; Le cas échéant, minimiser le coût des renforcements et des nouveaux moyens de production. La recherche d’un programme de production qui respecte toutes les contraintes suivant diverses contingences et qui accroit de ce fait la sécurité d’alimentation est sans doute l’objectif primordial. En effet, le coût des conséquences économiques en cas de défaillance est beaucoup plus élevé que le cout de production. La minimisation du coût de la production active est un problème qui intéresse particulièrement les réseaux à prédominance thermique. Les coûts absolus ou relatifs des productions actives et réactives ont été admis a priori linéaire et positif en absorption comme en production. Toutefois, on peut les définir librement selon les divers objectifs que l’on souhaite atteindre. La même hypothèse a été faite pour les écarts des régleurs des transformateurs par rapport à leur position initiale. Les coûts marginaux et les pénalités sont donc constants, si l’on exclut la correction apportée par les facteurs de pénalité. A toute fin pratique, on peut admettre que la fonction coût de la production active d’une centrale thermique est linéaire, mais on peut toujours approximer une fonction convexe par plusieurs segments de droites (fonction linéaire par morceaux). On associe alors à chaque segment une nouvelle variable (figure I.9), sans relation physique avec les divers groupes d’une centrale. Si le coût marginal de la production d’énergie active est une notion bien définie que l’on peut quantifier avec précision (on affecte parfois un coût marginal à la production hydraulique pour valoriser l’énergie accumulée), il n’en est pas de même pour le coût marginal de l’énergie réactive qui est de 10 à 1000 fois inférieur a celui de l’énergie active [10]. En effet, ce cout représente les pertes actives dues aux transits des puissances réactives dans le réseau, qui sont prises en compte a l’aide de facteurs de pénalité dans la fonction objectif. La même remarque est applicable à l’effet de la variation des rapports de transformation sur les pertes actives. Comme le coût de la production d’énergie réactive est considérablement plus faible que celui de l’énergie active, le gain économique réalisé par son 13 Chapitre I Ecoulement des puissances optimisation n’est pas spectaculaire, mais reste appréciable. Par contre, on tire avantageusement parti de la diversité des moyens de production et de la souplesse de réglage en qualité et rapidité. Figure I.9 : Fonction coût linéaire par morceaux. Dans le cas exceptionnel d’une fonction coût non convexe ou discontinue, les méthodes de programmation linéaire ou non linéaire sont inexactes ou inapplicables, et il faut recourir à d’autre méthodes, telles que la programmation dynamique [10]. Les courbes donnant le coût de production de chaque centrale en fonction de la puissance qu’il débite ont été déterminées expérimentalement. La formation analytique de ces courbes est celle d’un polynôme de degré « n » et qui s’écrit sous la forme suivante : n 2 CPG a 0 a1 pG a 2 pG ........ a n pG (I.8) Dans la pratique, la fonction coût se présente sous forme d’un polynôme du deuxième degré [10] : 2 CP G a 0 a1 P G a 2 p G 14 (I.9) Chapitre I Ecoulement des puissances Les coefficients de ce polynôme sont calculés par les méthodes d’interpolation de Lagrange, Newton,…etc. NG F C i p Gi (I.10) i 1 Les puissances actives doivent être choisies de telle sorte à minimiser la fonction coût de production totale en tenant compte de certaines contraintes. Le problème peut être posé de la manière suivante : NG Minimiser Ci(Pgi) (I.11) i 1 Sous les contraintes NG NC i 1 j 1 c i pg i pch j PL 0 min max p Gi p Gi p Gi (I.12) I.8 Analyse de l’écoulement des puissances Le calcul de l’écoulement de puissances dit aussi calcul de la répartition des charges (load flow) permet de déterminer : Les tensions complexes aux niveaux des différents nœuds ; Les puissances transitées d’un nœud à un autre ; Les puissances injectées à chaque nœud ; Les pertes actives et réactives dans le réseau électrique. Pour résoudre le problème de l’écoulement de puissances, il existe deux méthodes, l’une dite des mailles, l’autre dite des nœuds. Cette dernière méthode est préférable car elle prend en considération la matrice admittance [Y], qui est une matrice creuse, de même elle est facile à introduire les données du problème. Le développement de l’outil informatique a permis d’élaborer plusieurs méthodes, on peut citer les méthodes de Gauss Seidel et de Newton - Raphson. 15 Chapitre I Ecoulement des puissances I.9 Modélisation du réseau La résolution du problème de l’écoulement des puissances dans tout système électrique nécessite un modèle mathématique pour calculer les différents paramètres du réseau Électrique. [10]. Soit le réseau électrique donné par la forme simplifié comme montre la figure (I. 10). Figure I. 10 : Le réseau électrique sous la forme simplifié En régime permanent, l’équation linéaire du réseau est donnée par : I y. V (I.13) Le tableau ci-dessous résume les différents types de nœuds constituant le réseau électrique. Tableau I.1 : Classification des nœuds dans un réseau électrique. Type de Nœuds Données inconnues Nœuds producteurs P et V Q et Nœuds consommateurs P et Q V et Nœud de bilan V et P et Q 16 Chapitre I Ecoulement des puissances I.10 Détermination de la matrice admittances On considère le schéma d’une branche entre deux nœuds i et j : Figure I.11 : Schéma d’une branche entre deux nœuds i et j. L’utilisation de la méthode des nœuds nécessite la transformation des impédances des branches du réseau en admittances ; pour cela, nous posons : yij D’où : 1 Zij 1 Rij Xij j (I.14) Rij jXij Rij2 jXij2 Rij2 Xij2 y ij g ij jbij (I.15) Avec : gij Rij Rij2 Xij2 (I.16) bij Xij 2 R ij Xij2 (I.17) Où g ij : Appelée conductance ; bij : Appelée susceptance ; L’admittance propre du nœud i donnée par : n Y ii j 1 ' y ij y ij 2 l’admittance mutuelle entre le nœud i et le nœud j : Y ij y ij 17 (I.18) Chapitre I Ecoulement des puissances I.11 Détermination des courants Les équations qui régissent le réseau par l’application de la loi des nœuds peuvent être données par la formule suivante : n I I i I ij j 1 ' ij (I.19) L’expression du courant transmit du nœud i vers le nœud j : I y V ij ij i V j (I.20) L’expression du courant de fuite à la terre : ' I ij y ' ij i V 2 (I.21) On déduit donc l’expression du courant au nœud i : I i y V V i ij j ' y ij V i 2 (I.22) D’où : I V i . i y ij ' 2 y ij y V ij j (I.23) On trouve ainsi l’équation générale du courant : I V .Y n i i ii I Y ij V Y ij V j 1 ji j (I.24) D’une façon générale, on aura : n i j 1 j (I.25) D’où la forme matricielle du courant : I y. V (I.26) 18 Chapitre I Ecoulement des puissances I.12 Détermination des puissances La puissance apparente injectée au nœud i est donnée par : S i P jQ V . I i i i (I.27) i On remplace l’équation (I.25) dans l’équation (I.27) on aura * S P jQ V . Y .V i i Sachant que : V Y V i ij i ij i j (I.28) j e i jf i G ij ei jf (I.29) jB (I.30) ij (I.31) i Et l’équation de la puissance apparente sera : n p jQ jf . ( Si Gij j Bij). (e j j f j) i i ei i J 1 (I.32) On en déduit les expressions des puissances actives et réactives : n P i e i . e j. G ij f j . Bii f i . f j . G ij e j. G ij j 1 (I.33) n Q i f i . e j . G ij f j . Bij e i . f j . G ij e j. B ij j 1 (I.34) I.13 Caractéristiques des équations d’écoulement statique des charges En observant les deux relations (I.33) (I.34), on constate que: 1. Les équations sont algébriques, car elles représentent un modèle statique du système, ou un système opérant en régime permanent. 19 Chapitre I Ecoulement des puissances 2. Les équations sont non linéaires, donc difficilement réservables de façon analytique, d'où la nécessité d'utiliser une méthode numérique de solution par ordinateur. 3. Généralement, dans l'analyse des systèmes, les équations relient le courant et la tension, ces équations relient la puissance et la tension. Par conséquent, il s'agit de réduire le nombre d'inconnues, de 6N à 2N en spécifiant 4N variables afin d'égaler le nombre d'équations à celui des variables. En principe les 2N variables restantes pourront être déterminées. I.14 Principe de base de la solution d’écoulement statique des charges Après avoir classifié les 6N variables, la solution du système d'équation formé par les deux équations (I.33) (I.34) peut être obtenue en procédant comme suit: Étape 1 : A partir de la connaissance de la demande de la clientèle, on possède toutes les informations requises sur les 2 N variables incontrôlables. Étape 2 : On spécifie alors 2 N variables de contrôle; par exemple les puissances générées. Étape 3 : Les 2 N variables qui restent constituent les inconnues. A l'aide de 2 N équations. I.15 Méthodes numériques de solution d’écoulement statique des charges Pour résoudre les équations d'écoulement statique des charges, un grand nombre de techniques numériques ont déjà été utilisées. Plusieurs méthodes itératives ont été appliquées, on peut citer : la méthode de GaussSeidel, la méthode de Newton-Raphson, la méthode de relaxation...etc. I.15.1 Méthode de Gauss-Seidel Cette méthode permet de résoudre un système d’équations non linéaire en utilisant la matrice admittance, on suppose initialement des tensions pour tous les nœuds excepté le nœud de bilan où la tension maintenue constante. On peut exprimer les courants pour chaque nœud par la relation suivante : 20 Chapitre I Ecoulement des puissances S I V i * i * P i i jQ V * i i=1,2,..., n (I.35) i En remplace la valeur du courant dans l’équation (I.35) on aura : Ii P jQ Y V Y V V i i * ii ij i i s j (I.36) i L’expression de la tension pour chaque nœud est : 1 Pi jQi Y ij E j Y ij E j * Yii Ei Vi (I.37) On pose : KL i YL ij P i jQ i Y ii Y ij (I.38) (I.39) Y ii D’où l’expression de la tension pour chaque nœud : V k 1 i KL Y L V k [V i ] i 1 i ij k 1 j j 1 n Y L V ij k j (I.40) j i 1 Pour accélérer la convergence de la méthode, on introduit un facteur d’accélération α: V k 1 i ΔV Avec : k i k k V i α Δ V i k 1 (I.41) k V i V i (I.42) I.15.2 Algorithme de Gauss-Seidel Etape1 : Formation de la matrice admittance [Y] Etape2 : 0 Estimation des valeurs initiales des tensions nodales V i i=1,2,……, n Etape3 : 21 Chapitre I Ecoulement des puissances i 1,2,......., n Détermination des paramètres KLi et YLij j 1,2,......, n Initiation des itérations k = 0 Etape4 : Calcul itératif des tensions pour chaque nœud suivant la relation : V k 1 i KL YL V k [V i ] i ij K 1 j YLij V K (I.43) j On calcul l’écart entre les valeurs d’une même tension trouvée aux itérations qui se suivent : 'k) ΔV i (k 1) V i (k) V i (I.44) On introduit le facteur d’accélération pour réduire le nombre d’itérations. Etape 5 : Une fois le test de convergence est vérifie (max ΔE(k) ≤ ε), les valeurs des tensions de la dernière itération sont retenues, on calcul : les puissances transitées S ij V i (V i V j )Y ij i n les puissances injectées : les pertes : S L S ji S S i S ij j 1 ij Si non aller à l’étape 4. I.15.3 Organigramme de la méthode Gauss-Seidel avec Ybus On pose quelques remarques pour l’organigramme : i= 1 : Nœud de référence. i = 2, …, m : Nœuds du contrôle. i = m + 1, …, n : Nœuds de charge. On voit que l’itération sont continue jusqu'à la tolérance (ε) est vérifiée 22 y V .V i 2 ij Chapitre I Ecoulement des puissances 23 Chapitre I Ecoulement des puissances I.16 Méthode de Newton Raphson La technique itérative de Newton Raphson converge avec une même vitesse, mesurée par le nombre d'itérations, pour les larges et courts systèmes, en moins de quatre à cinq itérations en général. C'est pour cette raison que la méthode de N-R est la plus utilisée pour l'étude des larges systèmes. I.16.1 Représentation géométrique de la méthode de N-R 24 Chapitre I Ecoulement des puissances Elle est basée sur la détermination de la tangente à la courbe F(x) en chaque point (x(k), F(x(k))). L'intersection de cette tangente avec l'axe des x fournit le point xk+1. Δ x(k) Étant une approximation de l'erreur commise sur x à l'itération(k)) [4]. Figure I.12 : Représentation géométrique de la méthode de N-R. I.16.2 Algorithme de N-R dans un système de dimension ‘n’ Soit la fonction f x 0 de dimension n, tel que f 1 x f x 2 . f x . . f n x x (0 ) 1( 0 ) x2 ( 0 ) . x . . (0 ) x n ( 0) (0) Estime que, x1(0) , x (0) 2 ,...., x n sont les solutions de ces n équations. L'exposant indique que ces valeurs sont des estimations initiales. (0) (0) (0) (0) On désigne par Δx 1(0) , Δx (0) 2 ,...., Δx n les valeurs à ajouter à x1 , x 2 ,...., x n pour trouver les solutions correctes. Lorsqu'on développe toutes les fonctions en série de Taylor au voisinage du point d'estimation initiale on aura : (0) F 1 x F x x1 (0) 1 (0) (0) (0) 1 F 1 x x 2 25 (0) 2 F 1 .... x x n (0) n 0 (I.45) Chapitre I Ecoulement des puissances (0 ) (0) (0 ) F 2 x F 2 x .... F 2 F x 0 F x x1 x 2 x n (0) (0) (0) F F F (0) n x1( 0 ) n x (20 ) .... n x n x ( 0 ) 0 F n x x1 x 2 x n (0) 2 (0) (0) 1 2 (0) (I.46) n (I.47) On peut écrire le système de n équations linéaires comme suit : f 1 f 1 x (0) x 1 0 (0) f x 2 f 2 x . 1 0 ... . f n x (0) f n x1 0 f ... 1 x n 0 (0) 0 Δx f 2 1(0) 0 ... . Δx 2 x n 0 ... ... ... ... (0) 0 f n Δx n ... x n 0 f1 x 20 f 2 x 20 ... f n f 20 (I.49) Les termes f 1 ,......., f n correspondent à la dérivée partielle évaluée avec les x x 1 0 n0 (0) valeurs x1(0) , x(0) 2 ,......, x n . Ou dans une notation compacte : f x (0) j(0) Δx (0) 0 La matrice carrée dite Jacobéenne : J(0) De cette dernière équation on tire ensuite le vecteur d'erreur x(0) 1 Δx (0) j(0) f x (0) . a (I.50) mais : 1 x (0) x (1) x (0) Donc x (1) x ( 0 ) j ( 0 ) f x ( 0 ) (I.51) en générale 1 x(k 1) x(k) j(k) f x (k) (I.52) Arrêt des opérations On a vu que théoriquement la solution n'est atteinte qu'après une infinité d'itérations. En pratique, on arrête les opérations pour l'un des tests suivants: 1. Si F(x(k)) est quasiment nulle. 26 Chapitre I Ecoulement des puissances 2. Si l'amélioration de (x(k)) d'une itération à la suivante ne justifie pas l'effort de calcul supplémentaire. 3. Si la convergence n'est pas obtenue avant un nombre d'itération fixe. Le processus est considéré comme non convergent pour l'estimation initiale (x(0)) donnée. I.16.3 Algorithme de N-R appliquée aux équations de l'écoulement de puissance Le problème de l'écoulement de puissance peut être résolu par la méthode de N-R, qui utilise des équations non linéaires pour exprimer les puissances actives et réactives en fonction des tensions. Le problème peut être résolu en utilisant soit les coordonnées rectangulaires soit les coordonnées polaires. On choisit les coordonnées polaires. I.16.4 Les coordonnées polaires En coordonnées polaires on a : P i v i v jQ i . exp i jθ et Y i ij Y ij . exp * v .Y . v ij i j ij (I.53) j La puissance au jeu de barres i est : P jQ V v Y i i i ij j . exp j ij θ i θ j Sachant que : exp j ij θ i θ j cos ij θ i θ j jsin ij θ i θ j (I.55) Les composantes actives et réactives de la puissance sont : P i Q i v v Y ij vv Y ij i j i j cos ij sin ij (I.56) (I.57) θ θ j θ θ j i i Les éléments de la matrice Jacobéenne qui sont calculées à partir des équations du système sont : Pour j1 : p i v .v .Y vv Y i j ij sin θ θ ij i j (I.58) j p i i j ij sin ij j Pour j2 : 27 θ θ i j (I.59) Chapitre I Ecoulement des puissances p v i v .Y i ij cos θ θ ij i (I.60) j j p v i 2 . v i . Y ii . cos v Y i ij ij cos θ θ ij i j (I.61) i Pour j3 : Q i vvY i j ij θ θ cos ij i (I.62) j j Q i vvY ij vY sin i j cos θ θ ij i (I.63) j i Pour j4 : Q v i i ij ij θ i θ j (I.64) j Q v i 2. v .Y i ii . sin v Y ij i ij . cos θ θ ij i j (I.65) i L'équation liant les variations des puissances aux variations des amplitudes de la tension et les angles de phase pour la méthode de N-R est donnée par : Δp J1 ... J 2 Δθ ... ... ... ... ... ΔQ J 3 ... J 4 Δ v 28 Chapitre I Ecoulement des puissances I.16.5 Organigramme de la méthode Newton-Raphson 29 Chapitre I Ecoulement des puissances I.17 Conclusion Le problème d'écoulement statique des charges dans un réseau électrique peut être formulé avec ou sans contraintes. Le développement des relations de tout modèle conduit à des équations non linéaires. Compte tenu de la complexité des systèmes (nombre de barres et de lignes élevé), les méthodes de solution sont toujours itératives. 30 Chapitre I Ecoulement des puissances Dans le chapitre prochain nous allons présenter plusieurs méthodes d’optimisation pour le calcul OPF. 31 Chapitre II Méthodes d’optimisation appliquées à l’OPF II.1 Introduction Les problèmes d’optimisation occupent actuellement une place importante dans la communauté scientifique. Les problèmes peuvent être combinatoires (discrets) ou à variables continues, avec un seul ou plusieurs objectifs (optimisation multi-objectif), statiques ou dynamiques. Cette liste n’est pas exhaustive et un problème peut être à la fois continu et dynamique. La résolution d’un problème d’optimisation et un problème complexe, car de nombreux facteurs interviennent et interagissent entre eux. Néanmoins, l’optimisation appliquée au domaine d’électrotechnique permet de résoudre des problèmes qui étaient insolubles auparavant et aboutit souvent à des solutions originales. Dans ce chapitre, nous présentons différentes méthodes de résolution. L’ensemble de ces méthodes est tellement vaste qu’il est impossible de tout exposer. Ainsi, nous présentons les principales méthodes de résolution. II .2 Problème de la répartition de puissance optimal OPF Comme tout secteur productif, la production et le transport d’énergie électrique sont sujet aux lois du marché. En plus de la dérégulation du développement des interconnexions et des fluctuations des prix des combustibles, l’aspect économique force les opérateurs à la gestion des différentes sources de production et acheminer le plus d’énergie possible à travers leurs réseaux de la manière la plus rentable possible. [12] Gestion de la puissance produite et transmise à travers le réseau n’est pas le seul souci des opérateurs. L’amélioration de la qualité et la réduction des coûts de fonctionnement tout en respectant les contraintes du réseau, sont considérées comme des problèmes majeurs de l’écoulement de puissance optimal. A court terme, le problème de la répartition optimale des puissances (OPF) est un problème d’optimisation dont l’objectif consiste à déterminer la contribution de chaque centrale électrique en service pour satisfaire la demande des consommateurs de l’énergie électrique de sorte que le coût de production de l’énergie totale soit le plus faible possible et satisferaient les différentes contraintes imposées au réseau. Ce problème est mathématiquement large, vu le nombre de variables et de contraintes qu’il fait intervenir. Les domaines d’application de l’écoulement de puissance optimal peuvent être classés comme suit : 31 Chapitre II Méthodes d’optimisation appliquées à l’OPF Minimisation du coût de combustible; Minimisation des pertes; Amélioration du profil et la stabilité de la tension; Maximisation de la puissance transmissible. II.3 Formulation de problème de l'écoulement de puissance optimal (OPF) Le problème de la répartition optimale des puissances est un problème d’optimisation dont l’objectif est de minimiser le coût total de la production de la puissance active d’un réseau électrique [13]. Minimiser : f x, u gx, u 0 Sujet à : h x, u 0 Tels que : f x, u : Fonction objective ; g x, u : Contraintes d’égalités ; h x, u : Contraintes d’inégalités ; x : Vecteur de variables d’état ; u : Vecteur de variables à contrôler ; Variables de contrôle : les variables de contrôle sont en général les modules de tensions ou les puissances réactives générées aux jeux de barres générateurs, les rapports de transformation des régleurs en charge, les phases des transformateurs déphaseurs, est les puissances réactives générées par les différents compensateurs d’énergie réactive. Variables d’état : sont les modules des tensions des jeux de barres des charges et les angles de toutes les tensions sauf le jeu de barres de référence. II.3.1 Fonction objective Généralement l'objectif le plus utilisé dans la formulation de problème d'OPF est minimisation du coût total de puissance active générée par des unités de productions, dont les caractéristiques sont complexes et fortement non-linéaire en satisfaisant les contraintes d’égalités et d’inégalités. La fonction objective totale du système électrique peut alors être écrite comme la somme du modèle quadratique de coût de chaque générateur [14]. 32 Chapitre II Méthodes d’optimisation appliquées à l’OPF NG NG i 1 i 1 2 Minimiser F Fi PGi a i PGi b i PGi c i ($ /h) Tels que , b et représentent les coefficients de coût de la è (II.1) unité de production. II.3.1.1 Sous les contraintes d'égalité Les contraintes d'égalité de l'OPF reflètent à des lois physiques gouvernant le système électrique. Elles sont représentées par les équations non-linéaires de l’écoulement de puissance qui exigent que la somme de l’injection nette des puissances actives et réactives dans chaque jeu de barres soit nulle [13] [14]. NG NC PGi Pchj PL 0 i 1 j 1 NG NC i 1 j 1 QGi Qchj g x 0 QL 0 (II.2) II.3.1.2 Sous les contraintes d'inégalité Les contraintes d'inégalités habituelles peuvent inclure les limites sur les dispositifs physiques dans le système électrique tels que, les générateurs, les transformateurs à prises de charge, et les transformateurs déphaseurs, ainsi que les limites créées pour assurer la sécurité de système, en plus d'autres contraintes d'inégalités comme les limites des puissances réactives de compensations. Les limites sur les générateurs concernent les limites des puissances actives et réactives qui doivent être maintenues dans les limites admissibles: PGimin PGi PGimax QGimin QGi QGimax Vi min Vi Vi max t imin t i j t imax h x 0 j j max θ imin j θi j θi j 2 max 2 S i j S i j 0 QCimin QCi QCimax 33 (II.3) Chapitre II Méthodes d’optimisation appliquées à l’OPF II. 4 Les éléments d’optimisation L’optimisation est une des mathématiques consacré à l’étude du (ou des) minimum(s)/maximum(s) d’une fonction à une ou plusieurs variables sur un certain domaine de définition, de l’étude de leur existence à leur détermination, en général par la mise en œuvre d’un algorithme et par suite un programme. Pour mener à bien une opération, plusieurs éléments sont indispensables et conditionnent la solution trouvée. Figure (II.1) présente les quatre éléments essentiels à la résolution d’un problème d’optimisation. Choix de la Fonction Objectif avec ces Contraintes Définir les Paramètres Optimum Chercher Choix de l’Algorithme d’Optimisation Choix du Modèle Figure II.1: Éléments indispensable. En général, un grand nombre de paramètres sont indispensables, il faut être capable de définir les paramètres utiles à l’optimisation. Certains paramètres ont une influence sur la fonction choisie, d’autres pas. Etant donné le coût des simulations, seul les paramètres influents sont à retenir : Une fonction objective : définie l’objectif à atteindre. La définition de cette fonction est en fait un problème délicat. Car le problème est formule en un problème d’optimisation par l’intermédiaire de la fonction objective. C’est elle qui est au centre de l’optimisation, c’est donc elle dépend que la pertinence de la solution. Un modèle : précis, robuste et malléable du système étudié est indispensable. Ce modèle doit être utilisable sur un domaine d’étude le plus large possible. Un algorithme d’optimisation : permet de trouver la solution. Différentes méthodes d’optimisation existent et en sont présentées. 34 Chapitre II Méthodes d’optimisation appliquées à l’OPF Figure II.2: Les méthodes d’Optimisation. II.5 Optimisation combinatoire L'optimisation combinatoire [20] occupe une place très importante en recherche opérationnelle, en mathématiques discrètes et en informatique. Son importance se justifie d'une part par la grande difficulté des problèmes d'optimisation et d'autre part par de nombreuses applications pratiques pouvant être formulées sous la forme d'un problème d'optimisation combinatoire. Bien que les problèmes d'optimisation combinatoire soient souvent faciles à définir, ils sont généralement difficiles à résoudre. En effet, la plupart de ces problèmes appartiennent à la classe des problèmes NP-difficiles et ne possèdent donc pas à ce jour de solution algorithmique efficace valable pour toutes les données. L’optimisation combinatoire est minimiser (ou maximiser) une fonction souvent appelée fonction coût, d’une ou plusieurs variables soumises à des contraintes. Le sujet de l’optimisation combinatoire dans un domaine discret. Il faut trouver parmi toutes les possibilités, souvent en nombre fini, la possibilité optimale. Ceci parait facile mais devient infaisable dès que la taille du problème est suffisamment grande. La taille pour 35 Chapitre II Méthodes d’optimisation appliquées à l’OPF laquelle la recherche d’un optimum devient infaisable est petite, très souvent plus petite que la taille des problèmes pratiques. En général, la difficulté d’un problème grandit très vite avec le nombre des variables. Il n’est pas alors faisable d’examiner toutes les possibilités. Les méthodes d’optimisation peuvent être reparties en deux catégories : Méthodes exactes. Méthodes approchées. Les méthodes exactes fournissent systématiquement une solution (optimale) au problème traité si une telle solution existe. Dans le cas contraire, ce type de méthode permet d’affirmer qu’il n’existe pas de solution au problème traité. Les méthodes approchées fournissent une solution approchée au problème traité. Elles sont en général conçues de manière à ce que la solution obtenue puisse être située par rapport à la valeur optimale : de telles méthodes permettent d’obtenir des bornes inférieures ou supérieures de la valeur optimale tel que : Méthodes Heuristiques ; Méthodes Méta heuristiques II.6 Méthodes d’optimisation déterministes Dans la littérature, nous trouvons de nombreuses méthodes d’optimisation conventionnelles (déterministes). Il est possible de classer ces méthodes en deux grandes catégories : programmation linéaire et programmation non-linéaire. Le premier groupe traite de la résolution des problèmes parfaitement représentés par un système d’équations linéaires, tandis que la programmation non-linéaire traite les problèmes non-linéaires. Les méthodes déterministes sont basées sur le calcul de la dérivée du problème, ou sur des approximations de cette dernière. Elles nécessitent donc quelques informations sur le vecteur gradient. Beaucoup de techniques d'optimisation classiques tels la programmation linéaire et non linéaire [21], la méthode de gradient, la méthode de newton [1], la programmation quadratique [22, 23], et la méthode de point intérieur [23, 24] ont été appliquées pour résoudre le problème d’optimisation liés à la planification et le control des réseaux électriques, en particulier l’optimisation de la puissance réactive. Ces méthodes ayant la 36 Chapitre II Méthodes d’optimisation appliquées à l’OPF propriété de converger vers la solution mathématique exacte « réelle » tout en respectant certaines conditions liées au bon fonctionnement du processus envisagé, ces dernières appelées contraintes d’égalités et d’inégalités. II.6.1 Méthode du gradient Historiquement, les méthodes de gradient sont les plus anciennes. Elles permettent de résoudre des problèmes non linéaires et sont basées sur une hypothèse forte sur la connaissance de la dérivée de la fonction objective en chacun des points de l’espace [3]. Cette méthode peut être classée en deux catégories de premier ordre et de deuxième ordre, le premier ordre basé sur une approximation linière en séries de Taylor avec initialisation de gradient, et le deuxième ordre base sur l’approximation quadratique en séries de Taylor avec initialisation de gradient en utilisant l’Hessien H. II.6.1.1 Formulation mathématiques On choisit un point de départ x 0 et on calcule le gradient f x0 en x0. Comme le R R gradient indique la direction de plus grand augmentation de f, on se déplace d’une quantité λ0 dans le sens opposé au gradient et on définit le point x1 : x1 x0 0 f x0 f x0 (II.4) Cette procédure est répétée et engendre les points x 0, x1,..., xk . Ainsi, pas a pas, la distance ente le point d’indice k et l’optimum diminue xk 1 xk k f xk k , k > 0 f xk (II.5) λ0 : c’est le déplacement à chaque itération. Si k est fixé, on parle de méthode de gradient à pas prédéterminé. L'inconvénient de cette procédure est que la convergence est très dépendante du choix du pas de déplacement. La convergence peut être très lente si le pas est mal choisi. L'intérêt principal de cette méthode est de pouvoir se généraliser aux cas de fonctions ne sont pas différentiables. 37 Chapitre II Méthodes d’optimisation appliquées à l’OPF II.6.1.2 Avantages et inconvénients L’inconvénient de ces méthodes est que la convergence est ralentie pour certains types de fonctions : les déplacements successifs sont orthogonaux, donc l’algorithme va être piégé si les vallées (s’il s’agit d’une minimisation) sont étroites. Dans le cas des fonctions non convexes, la méthode risque de converger vers un optimum local dépendant du point de départ choisi. Dans des régions plates, ou raides, la convergence sera fortement ralentie. II.6.2 Méthode de Newton La méthode de Newton est une méthode très puissante à cause de sa convergence rapide, en particulier si l’estimation initiale de la solution x(0) est suffisamment proche de la solution optimale x(*). L’idée de cette méthode est de minimiser, à chaque itération k, une approximation quadratique de la fonction objective originale f (x) au voisinage de l’estimation actuelle de la solution x(k) L’approximation quadratique de f (x) est obtenue à partir du développement en série de Taylor à l’ordre 2 [1] [15]. f( x (k+1) ) = f (x (k) )+[ ∇f(x(k))]T [ Δx (k+1) ]+[Δx (k+1) ] T [∇2f(x(k)[ Δx (k+1) ] ] T (II.6) Ou: F: Rn →Rn est régulière (au moins différentiable). On cherche donc x(*) tel que F(x) = 0 7T 7T Pour toute i = 1,….n. II.6.3 Programmation dynamique La programmation dynamique est une technique classique de conception d’algorithmes pour résoudre des problèmes en temps polynomial. L’idée générale est de résoudre un problème en utilisant des solutions à des sous-problèmes précédemment résolus. Pour ce faire, la programmation dynamique applique une approche dite « du bas vers le haut », c’est-à-dire qu’on commence par résoudre les sous-problèmes les plus petits, et donc les plus faciles, pour ensuite résoudre des problèmes de plus en plus grands, jusqu’à finalement déterminer une solution du problème initial. Bien souvent, comme la programmation dynamique nécessite de stocker les solutions de tous les sous-problèmes résolus, il est également nécessaire de disposer d’un espace exponentiel [16]. 38 Chapitre II Méthodes d’optimisation appliquées à l’OPF II.6.4 Méthode du point intérieur L’origine, les méthodes de type « Point Intérieur » ont été conçues pour résoudre les problèmes de programmation non linéaire. Des recherches plus approfondies sur ces méthodes ont montré qu’elles donnaient de très bonnes performances en termes de vitesse de convergence pour les problèmes de grande échelle. L’algorithme présenté dans cette section, connu sous le nom d’ « algorithme primal-dual » est l’un des plus utilisé. Le principe de cette méthode est de rajouter à la fonction objective une fonction logarithmique « barrière » incluant des contraintes et qui décroît progressivement au fil de l’optimisation pour tendre vers 0. Typiquement, considérons un problème de la forme [1]: min f x avec h x 0 (II.7) On peut théoriquement transformer ce problème contraint, en incorporant les contraintes d’inégalités dans la fonction objective, en un problème non contraint: min f u x , k avec Où f u x , k f x k i ln h i x (II.8) > 0 est un paramètre de pénalisation qui tend vers 0 au fil des itérations par remise à jour appropriée. Le choix de la valeur initiale de μ0 ainsi que sa procédure de remise à jour doivent être choisis de manière judicieuse pour éviter les problèmes de divergence. II.6.5 Technique de programmation quadratique Cette technique est une classe spéciale de la programmation non linéaire où la fonction objective est une approximation quadratique avec des contraintes linéaires. Ces techniques utilisent les dérivées du deuxième ordre pour améliorer la vitesse de convergence ainsi que la procédure quasi- Newtonienne, ou une approximation du Hessien est faite. Cependant, dans les méthodes quasi- Newtoniennes la matrice Hessien réduite construite itérativement est une matrice pleine, ce qui peut rendre ces méthodes trop lentes si le nombre de variables est important [1]. n Soit x R .n s’agit de minimiser une fonction objective de la forme suivante : n n n f x 1 ,......., x n q ij x i x j c i x i i 1 j 1 39 i 1 (II.9) Chapitre II Méthodes d’optimisation appliquées à l’OPF Sous les contraintes : n g k x a ij x i 0 k 1,........., m (II.10) i 1 Ce problème s’exprime sous forme matricielle : f x 1 2 x T Qx c T (II.11) x g k x Ax 0 k 1,........., m (II.12) Q est une matrice symétrique. Dans le cas où elle est semi-définie positive, la fonction f est convexe et le problème a au moins une solution (s'il existe un point satisfaisant les contraintes). Si Q est définie positive, f est strictement convexe et il existe une unique solution. II.7 Méthodes Heuristique (Du grec heuriskêin, « trouver ») est un terme de didactique qui signifie l'art d'inventer, de faire des découvertes (Littré). C'est en sociologie, une discipline qui se propose de dégager les règles de la recherche scientifique (Larousse). En optimisation combinatoire, Théorie des graphes et Théorie de la complexité, une heuristique est un algorithme qui fournit rapidement (en temps polynomial) une solution réalisable, pas nécessairement optimale, pour un problème d'optimisation NP-difficile. Une heuristique, où méthode approximative, est donc le contraire d'un algorithme exact qui trouve une solution optimale pour un problème donné. Les algorithmes de résolution exacts étant de complexité exponentielle, il est généralement plus judicieux de faire appel à des méthodes heuristiques pour des problèmes difficiles. On retiendra cependant que des méthodes de résolution exactes (comme le simplexe) sont de complexités exponentielles mais parfois plus efficaces en pratique qu'une méthode heuristique. L'usage d'une heuristique est pertinent pour calculer une solution approchée d'un problème et ainsi accélérer le processus de résolution exacte. Généralement une heuristique est conçue pour un problème particulier, en s'appuyant sur sa structure propre, mais les approches peuvent contenir des principes plus généraux. On parle de méta-heuristique pour les méthodes approximatives générales, pouvant s'appliquer à différents problèmes (comme le recuit simulé par exemple). La qualité d'une heuristique peut s'évaluer selon deux critères scientifiques : 40 Chapitre II Méthodes d’optimisation appliquées à l’OPF Critère pratique, ou empirique : on implémente l'algorithme approximatif et on évalue la qualité de ses solutions par-rapport aux solutions optimales (ou aux meilleures solutions connues). Ceci passe par la mise en place d'un benchmark (ensemble d'instances d'un même problème accessible à tous). Critère mathématique : il faut démontrer que l'heuristique garantit des performances. La garantie la plus solide est celle des algorithmes approchés, sinon il est intéressant de démontrer une garantie probabiliste, lorsque l'heuristique fournit souvent, mais pas toujours, de bonnes solutions. C'est un fait que ces deux critères peuvent être contradictoires. Un exemple frappant est celui du transversal minimum. L'algorithme 2-approché pour ce problème est dans une imposante majorité des cas nettement moins efficace que l'heuristique des plus hauts degrés. Celle-ci consiste à former une solution réalisable en sélectionnant à chaque itération le sommet couvrant un maximum de sommets. Cette heuristique peut pourtant fournir des solutions aussi mauvaises que l'on veut, dans le sens que pour tout ρ> 1 on peut construire une instance pour laquelle l'heuristique donne une solution dont la valeur est supérieure à ρfois celle de l'optimum. Ironiquement, la principale difficulté de la résolution exacte d'un problème d'optimisation combinatoire est non pas de trouver une solution optimale, ce qui souvent arrive assez rapidement lors du processus de résolution, mais de démontrer qu'une solution est bien la meilleure possible, c'est-à-dire de réaliser que l'on a la solution optimale. Le critère mathématique est surtout important car l'information qu'il donne est exploitable dans un processus de résolution exacte. Par-exemple, si l'heuristique 2-approchée pour le transversal minimum donne une solution réalisable de valeur 100, on sait que la valeur de la solution optimale est au minimum 50, on peut donc stopper un processus d'énumération (par-exemple séparation et évaluation) dès que l'on possède une solution réalisable atteignant cette borne. Dans ce contexte il devient motivant d'élaborer l'algorithme 2-approché le plus mauvais qui soit, donnant la solution la plus éloignée de l'optimum, pour prouver une meilleure borne. On utilise donc un couplage maximum, alors qu'un couplage maximal suffit, pour cette algorithme 2-approché. 41 Chapitre II Méthodes d’optimisation appliquées à l’OPF II.8 Les méta-heuristiques Les méthodes d’optimisation globales connues souvent par le nom méta-heuristiques sont inspirées parfois de la théorie d’évolution chez les sociétés d’animaux et d’insectes dans laquelle on trouve les algorithmes génétiques (AG), parfois sont inspirées de la théorie d’éthologie de ces sociétés dans laquelle on cite les algorithmes d’optimisation par essaims particulaires PSO, les colonies de Fourmies (ACO).etc. Ces algorithmes sont basés sur l’exploration aléatoire probabiliste d’une ou plusieurs régions de l’espace de recherche, cette exploration aléatoire guidée parfois par des fonctions probabiliste permet d’éviter les optimum locaux lors de l’exploration contrairement aux méthodes déterministes qui se bloque en général dans un optima local ou bien si la fonction objective présente certaine complexité mathématique grandissante. Les premières méta-heuristiques datent des années 1980, et bien qu’elles soient d’origine discrète, on peut les adapter à des problèmes continus. Elles sont utilisées généralement quand les méthodes classiques (mathématiques) ont échoué de trouver la solution souhaitée, leur efficacité n’est pas toujours garantie, elle dépond, de la nature de problème envisagé et les paramètres de l’algorithme. Ces méthodes sont largement appliquées aux différents domaines notamment dans le domaine de l’optimisation de l’énergie électrique [16]. Un très grand nombre de résolution existent en Recherche Opérationnelle et en Intelligence Artificielle pour l’optimisation combinatoire et l’affectation sous contraintes. La figure (II.3) met en parallèle les méthodes représentatives développées en RO et en IA, avec à titre indicatif la date approximative d’apparition de chaque méthode. 42 Chapitre II Méthodes d’optimisation appliquées à l’OPF Figure II.3: Classement des méthodes de résolution. II.8.1 Minimum local et global d’une fonction L’utilisation d’un algorithme de type gradient pour minimiser une fonction f non convexe peut donner des résultats non satisfaisants. Le point de départ pour la recherche de la solution peut beaucoup influencer la convergence de l’algorithme vers le minimum global. En effet, l’algorithme est d’autant plus susceptible de rester bloqué dans un minimum local si la fonction possède plusieurs optima locaux [17].Cette difficulté est illustrée dans la figure (II.4). Figure II.4: Minimum local et global d’une fonction. 43 Chapitre II Méthodes d’optimisation appliquées à l’OPF Pour éviter de rester bloqué dans un optimum local que présentent les méthodes classiques, les algorithmes d’optimisations globales adoptent une stratégie qui consiste à effectuer une exploration aléatoire de l’espace de recherche de la fonction objectif. Ils sont basés sur les principes de la théorie évolutionnaire. Ils simulent l’évolution naturelle des structures individuelles afin de trouver une solution optimale. Dans chaque génération, une nouvelle approximation de solution optimale se produit par des processus de sélection des individus selon leurs performances dans le domaine du problème. Les individus sélectionnés vont être reproduits en utilisant les mécanismes de recherche par exemple des opérateurs empruntés aux génétiques naturelles dans le cas d’un algorithme génétique. Ces processus mènent à l’évolution de la population des individus les mieux adaptés à leur environnement. Ces méthodes reçoivent de plus en plus d’intérêt en raison de leurs capacités potentielles à résoudre des problèmes complexes. Un des avantages bien connu des métaheuristiques est leur capacité à résoudre les problèmes sans connaissance a priori des formulations mathématiques de ces derniers. Les méta-heuristiques sont souvent employées pour leur facilité de programmation et de manipulation. Elles sont en effet facilement adaptables à tout type de problème d’optimisation. Parmi les méta-heuristiques les plus connues on cite : 1. les algorithmes génétiques GA. 2. Les algorithmes d’optimisation par essaims de particules PSO. 3. les algorithmes de colonies de fourmis ACO. 4. les algorithmes à évolution différentielle. 5. les stratégies d’évolution. II.8.2 Optimisation par algorithmes génétiques Les algorithmes génétiques (AG) sont des méthodes d’optimisation stochastiques maintenant bien connues, sont inspires des mécanismes de la sélection naturelle et de la génétique. Ils utilisent les principes de survie des individus les mieux adaptés. C’est J. Halland [1], qui a posé les fondements théoriques des algorithmes génétiques, passant du paradigme darwinien de l’évolution naturelle à celui de l’évolution artificielle. Une nouvelle étape est franchie de lorsque les travaux de G. Goldberg [18] vers le milieu des années quatrevingt, donnent aux algorithmes génétiques leurs lettres de noblesse en tant que méthode d’optimisation viable, efficace et non spécifique [19]. 44 Chapitre II Méthodes d’optimisation appliquées à l’OPF Le premier pas dans l'implantation des algorithmes génétiques est de créer une population d'individus initiaux. En effet, les algorithmes génétiques agissent sur une population d'individus, et non pas sur un individu isolé. Par analogie avec la biologie, chaque individu de la population est codé par un chromosome ou génotype. Une population est donc un ensemble de chromosomes. Chaque chromosome code un point de l'espace de recherche. L'efficacité de l'algorithme génétique va donc dépendre du choix du codage d'un chromosome Dans l'algorithme génétique de John Holland, un chromosome était représenté sous forme de chaînes de bits contenant toute l'information nécessaire à la description d'un point dans l'espace ce qui permettait des opérateurs de sélection, croisement et de mutation simple. II.9 Conclusion Dans ce chapitre, on a illustré le concept de l’écoulement optimal des puissances et plus particulièrement le dispatching économique dont la fonction objective est une fonction quadratique de la puissance générée. Plusieurs méthodes d’optimisation pour le calcul OPF ont étés développés avec la prise en considération de leur évolution historique. On a décrit les méthodes d’optimisation déterministes. L’une des méthodes mathématiques d’optimisation qui s’appelle la méthode d’algorithme génétique est appliquée pour le calcul de la répartition optimal des puissances, représente l’outil d’analyse et d’application dans le chapitre prochain. 45 Chapitre III l’Algorithmes génétiques III.1 Introduction Les algorithmes génétiques (AG) sont des techniques de recherche et d’optimisation stochastique dérivées de la génétique et des mécanismes de la sélection naturelle et de l’évolution. Leurs champs d’application sont très vastes : éco, optimisation de fonctions (cout ou les pertes), planification, et bien d’autres domaines. La raison de ce grand nombre d’application est claire, la simplicité et l’efficacité [25]. III.2 Historique Les algorithmes génétiques, initiés dans les années 1970 par John Holland, sont des algorithmes d’optimisation s’appuyant sur des techniques dérivées de la génétique et des mécanismes d’évolution de la nature : croisement, mutation, sélection. Les premiers travaux sur les algorithmes génétiques ont été initialement développés par John Holland (1975) qui a développé les principes fondamentaux des algorithmes génétiques dans le cadre de l’optimisation mathématique. A cette époque, l’informatique n’avait pas encore connu de développement et ses travaux n’ont pas pu être appliqués sur des problèmes réels de grande taille. La parution en 1989 de l’ouvrage de référence écrit par D.E Goldberg, qui décrit l’utilisation de ces Algorithmes dans le cadre de résolution de problèmes concrets, à permis de mieux faire connaître ces derniers dans la communauté scientifique et à marqué le début d’un nouvel intérêt pour cette technique d’optimisation, notamment après la parution de puissants calculateurs dans les années 90. III.3 Définition Les algorithmes génétiques sont des algorithmes d'optimisation s'appuyant sur des techniques dérivées de la génétique et des mécanismes d'évolution de la nature : sélections, croisements, mutations, etc. Ils appartiennent á la classe des algorithmes évolutionnaires. On peut dire que l'algorithme génétique est une méthode de programmation qui repose sur le principe de l’évolution pour effectuer la recherche d'une solution adéquate à un problème. 46 Chapitre III l’Algorithmes génétiques III.4 Principe Les algorithmes génétiques (AG) sont des méthodes utilisées dans les problèmes d’optimisation. Tirent leur nom de l’évolution biologique des êtres vivants dans le monde réel. Ces algorithmes cherchent à simuler le processus de la sélection naturelle dans un environnement défavorable en s’inspirant de la théorie de l’évolution proposée par C. Darwin. Dans un environnement, « les individus » les mieux adaptés tendent à vivre assez longtemps pour se reproduire alors que les plus faibles ont tendance à disparaître. Dans un problème d’optimisation à ‘n’ variables, nous faisons correspondre un gène à Chaque variable cherchée. Chaque gène est représenté par une chaîne de caractères choisis Dans un alphabet fini (souvent binaire). Les gènes s’enchaînent ensemble "bout à bout" pour construire un chromosome, chaque chromosome représentant une solution potentielle sous une forme codée. Ces chromosomes constituent les briques de base contenant les caractéristiques héréditaires des individus. Un chromosome (ou plusieurs) forme un individu qui représente à son tour une solution potentielle dans l’espace de recherche correspondant du problème. Etant donné que les algorithmes génétiques travaillent sur un ensemble de points de l’espace de recherche, nous appelons l’ensemble des points choisis (à savoir les individus) une population. Au fur et à mesure des générations (itérations), une population des individus mieux adaptés va être créée. III.5 Présentation Les techniques de recherche et d’optimisation sont en général classées en trois catégories. Énumératives, déterministes et stochastiques. Les AG font partie de la troisième catégorie et quatre caractéristiques les distinguent des autres techniques d’optimisation : Ils utilisent un codage des paramètres et non les paramètres eux-mêmes. Ils travaillent sur une population d’individus (ou de solutions). Ils n’utilisent que les valeurs de la fonction à optimiser, pas sa dérivée, ou une autre connaissance auxiliaire. Ils utilisent des règles de transition probabilistes et non déterministes. 47 Chapitre III l’Algorithmes génétiques Figure III.1 : Vue d'ensemble d'un algorithme génétique. III.6 Paramètres d’un AG Pour appliquer un la méthode des AG à un problème réel, on doit posséder les éléments suivants : Un codage des éléments appartenant à la population, le codage des solutions du problème à résoudre doit être choisi avec soin; un processus d’évolution des générations; des opérateurs pour modifier les individus d’une population de la génération t à la génération t 1 comme le croisement et la mutation; 1. des paramètres de l’AG : les opérateurs précédents dépendent de plusieurs paramètres qui sont fixés à l’avance et dont dépend fortement la convergence de l’algorithme : 2. taille de la population : c’est-à-dire le nombre d’individus dans la population. Si la taille est trop petite, l’AG peut ne pas converger, par contre si elle est trop grande, l’évaluation des individus peut être très longue; 3. probabilité de croisement et de mutation. Les valeurs de ces probabilités peuvent varier d’une application à l’autre. Par exemple, dans l’étude des AG pour l’optimisation de cinq fonctions mathématiques, De Jong (1975) a suggéré de choisir une probabilité de croisement élevée, une probabilité de mutation faible (inversement proportionnelle à la taille de la population), et une population de taille modérée. La probabilité de mutation est en général très faible, inférieure à 0,1, une probabilité trop grande, peut modifier les meilleurs individus; 4. critère d’arrêt : c’est-à-dire le nombre maximal de générations à effectuer. 48 Chapitre III l’Algorithmes génétiques III.7 Principe de base d’un AG standard Un AG standard nécessite en premier le codage de l’ensemble des paramètres du problème d’optimisation en une chaîne de longueur finie. Le principe d’un AG est simple, il s’agit de simuler l’évolution d’une population d’individus jusqu’à un critère d’arrêt. On commence par générer une population initiale d’individus (solutions) de façon aléatoire. Puis, à chaque génération, des individus individus sont sélectionnés, cette sélection est effectuée à partir d’une fonction objectif appelée fonction d’adaptation. Puis, les opérateurs de croisement et de mutation sont appliqués et une nouvelle population est créée. Ce processus est itéré jusqu’à un critère d’arrêt. Le critère le plus couramment utilisé est le nombre maximal de générations que l’on désire effectuer. La figure (III.2) ( présente le principe de l’AG standard. Figure III.2 : Organigramme rganigramme des AG standard. L’AG débute par la génération d’une population initiale et l’évaluation de la fonction d’adaptation de tous les individus qui composent cette première population. Puis, des individus sont sélectionnés aléatoirement pour la reproduction selon le principe de la survie du plus adapté. 49 Chapitre III l’Algorithmes génétiques Ensuite, des individus « enfants » (ou les descendants) sont générés en appliquant les deux opérateurs génétiques suivants : le croisement et la mutation. Ces enfants sont placés dans une nouvelle population p(t) et vont se substituer, en tout ou en partie, à la population de la génération précédente. De nouvelles populations d’individus vont ensuite se succéder, d’une génération (t) à la génération (t+1), chaque génération représentant une itération jusqu’à l’atteinte du critère d’arrêt. L’AG présenté ci-dessus est dit générationnel car tous les individus enfants générés sont placés dans une population et vont remplacer entièrement la population des individus parents. III.8 Les opérations d’un AG III.8.1 Sélection La sélection a pour objectif d’identifier les individus qui doivent se reproduire. Cet opérateur ne crée pas de nouveaux individus mais identifie les individus sur la base de leur fonction d’adaptation, les individus les mieux adaptés sont sélectionnés alors que les moins bien adaptés sont écartés. La sélection doit favoriser les meilleurs éléments selon le critère à optimiser (minimiser ou maximiser). Ceci permet de donner aux individus dont la valeur est plus grande une probabilité plus élevée de contribuer à la génération suivante (figure III.3). Il existe plusieurs méthodes de sélection, les plus connues étant la « roue de la fortune » et la « sélection par tournoi » : La « roue de la fortune » est la plus ancienne, où chaque individu, de la population de taille maximale jmax, occupe une section de la roue proportionnellement à sa fonction d’adaptation Fitness( j ), la probabilité de sélection d’un individu ( j ) s’écrit : Fitness prob j jmax j1 j Fitness j (III.1) À chaque fois qu’un individu doit être sélectionné, un tirage à la loterie s’effectue et propose un candidat, les individus possédant une plus grande fonction d’adaptation ayant plus de chance d’être sélectionnés. À chaque fois qu’il faut sélectionner un individu, la « sélection par tournoi » consiste à tirer aléatoirement (k) individus de la population, sans tenir compte de la valeur de leur fonction d’adaptation, et de choisir le meilleur individu parmi les k individus. Le nombre d’individus sélectionnés a une influence sur la pression de sélection, lorsque k = 2, la sélection est dite par «tournoi binaire». 50 Chapitre III l’Algorithmes génétiques Figure III.3 : Représentation d'une sélection par tournoi d'individus pour un critère de maximisation (chaque individu représente une solution possible) III.8.2 Croisement Le croisement permet de créer de nouvelles chaînes en échangeant de l’information entre deux chaînes (figure .III.4). Le croisement s’effectue en deux étapes. D’abord les nouveaux éléments produits par la reproduction sont appariés, ensuite chaque paire de chaînes subit un croisement comme suit : un entier k représentant une position sur la chaîne est choisi aléatoirement entre 1 et la longueur de chaîne (l) moins un (l -1). Deux nouvelles chaînes sont créées en échangeant tous les caractères compris entre les positions k +1 et l inclusivement. L’exemple suivant (figure III.4) montre deux chaînes (A1 et A2) de longueur l = 5 appartenant à la population initiale. Les deux nouvelles chaînes (A3 et A4) appartenant à la nouvelle population sont obtenues par croisement à la position k = 5 : A1 A2 0110|1 A3 0110|0 1100|0 A4 1100|1 Avan tTt Croisement Après Figure III.4 : Représentation d’un croisement en un point de deux chaînes. 51 Chapitre III l’Algorithmes génétiques III.8.3 Mutation La mutation est exécutée seulement sur une seule chaîne. Elle représente la modification aléatoire et occasionnelle de faible probabilité de la valeur d’un caractère de la chaîne, pour un codage binaire cela revient à changer un 1 en 0 et vice versa (figure .III.5). Cet opérateur introduit de la diversité dans le processus de recherche des solutions et peut aider l’AG à ne pas stagner dans un optimum local. Figure III.5: Représentation d’une mutation de bits dans une chaîne. III.8.4 Codage Le codage utilisé par un AG est représenté sous forme d’une chaîne de bits qui contient toute l’information nécessaire pour représenter un point de l’espace de recherche. Le codage binaire est le plus utilisé, l’inconvénient majeur du code binaire étant que deux points proches dans l’espace des variables (colonne 1 du Tableau III.1) ne sont pas nécessairement codés par deux chaînes de bits voisines (colonne 2). On remédie en général à ce problème en utilisant le codage de Gray qui conserve une distance de Hemming de 1 entre deux chaînes (colonne 3). La distance de Hemming entre deux chaînes de bits est le nombre de bits qui diffère de l’une à l’autre. Pour les deux chaînes suivantes: 111 et 100, la distance est de 2. Le Tableau (III.1) montre un exemple du code binaire et le code Gray pour des variables entières allant de 0 et 7. On voit que la distance de Hemming est de 1 pour chaque entier dans le code Gray, alors que pour les nombres binaires, pour passer de 3 à 4, la distance de Hemming est de 3. Tableau III.1: Code de Gray et code binaire pour une chaîne à trois bits. Variables entières 0 1 2 3 4 5 6 7 Code binaire 000 001 010 011 110 101 110 111 52 Code Gray 000 001 011 010 110 111 101 110 Chapitre III l’Algorithmes génétiques III.9 Processus d’évolution des générations : générationnel, stationnaire et élitiste Traditionnellement, les AG sont générationnels. Les individus de chaque génération sont testés et une nouvelle population en entier est générée, le nombre de descendants produits est donc égal au nombre d’individus parents. Les deux populations ne se chevauchent pas. La nouvelle population d’individus enfants est formée à chaque génération. Cependant, certains individus enfants peuvent être une copie conforme des parents qui n’ont pas été perturbés ni par un croisement ni par une mutation. La stratégie de remplacement stationnaire (steady-state) diffère de l’AG générationnel. Dans cette approche, il y a seulement un ou deux individus qui sont générés à la fois [28]. Il peut y avoir différentes façons de sélectionner « l’individu victime » à supprimer de la population. Par exemple, on 11 peut sélectionner un individu aléatoirement ou sélectionner celui qui a la plus petite fonction d’adaptation. Dans ce type d’AG, les nouveaux individus générés sont ajoutés à la population et peuvent immédiatement être sélectionnés comme parents de nouveaux individus. Approche élitiste (élitiste model) : Les opérateurs de croisement et de mutation peuvent affecter le meilleur individu d’une génération. Le modèle élitiste a pour avantage d’écarter la possibilité de perdre cet individu. Ce modèle copie le meilleur individu de chaque génération dans la population de la génération suivante. Ce modèle peut accélérer la vitesse de domination exercée par ce super individu sur la population. III.10 Opérateurs de croisement Il existe d’autres opérateurs de croisement : 1. Croisement en un seul point: dans ce type de croisement, un point de croisement est choisi Aléatoirement pour le couple la position de ce point M est définie par: M 1,2,3,.........., lS 1 lS : La longueur de chromosome (nombre de bits dans le chromosome). 53 Chapitre III l’Algorithmes génétiques Le croisement en un seul point a l’avantage d’être simple et facile à appliquer. De plus, ce type de croisement donne de bons résultats dans des applications où certaines informations importantes sur le problème sont déjà connues. Enfin, pour des problèmes d’optimisation en temps réel ou des problèmes ayant un grand nombre de variables, cette méthode peut donner une convergence rapide vers une solution optimale. Avant Apre Figure III.6 : Croisement en seul point. 2. Croisement en deux points: on choisit au hasard deux points de croisement et on échange les parties de chaîne situées entre ces deux points fig. (III.6). A1 00|0100|111 A3 01|1011|011 A2 11|1011|000 A4 10|0100|100 Avant Croisement en deux points Après Figure III.7 : Représentation d’un croisement en deux points. III.11 Pseudo code pour l'algorithme génétique [26] Input: population (size), problem (size), P (crossover), P (mutation) Output ; S (best) 54 Chapitre III l’Algorithmes génétiques 1. Population initialize population (population (size), problem (size)) ; 2. Evaluate population (population) ; 3. S (best) Get Best solution (population) ; 4. While stop condition () do ; 5. parents Select parents (population, population (size)) ; 6. Children ; 7. For each Parent1, Parent2 Parent do; 8. Child 1 , Child 2 Crossover ( Parent 1 , Parent 2 , P crossover ; 9. Children Mutate Child 1 , P mutation ; 10. children Mutate Child 2 , P mutation ; 11. end 12. Evaluate population Children ; 13. S (best) Get Best Solution (Children) ; 14. Population Replace (Population, Children) ; 15. end 16. return S (best) III.12 Algorithme de charge des flux de solution [27] Étape 1: Lire les données en ligne data, bus data et obtenir Ybus . Étape 2: Initialiser les paramètres de RCGA. Ils sont nop, noaloc, novloc, et noav. Étape 3 : nop novv Population initiale pour amplitude de tension est générée de façon aléatoire entre les limites minimales et maximales. Étape 4 : nop noav Population initiale pour les angles de tension est générée de façon aléatoire entre les limites minimales et maximale. 55 Chapitre III l’Algorithmes génétiques Étape 5 : n Calculé : p i Vi . V k . k 1 Y ik . cos n Q i Vi . k 1 V .Y k ik ik k i . sin ik k i (III.2) (III.3) Étape 6 : Découvrir la : p iCal Δp i p SPEC i (III.4) Q iCal ΔQ i Q SPEC i (III.5) Étape 7 : Calculé l'erreur en utilisant l'équation e Δp i2 ΔQ i2 (III.6) Étape 8 : Connaître la valeur de remise en forme de chaque population en utilisant l'équation : Fit i 1 Fiti (III.7) 1 Fit i Δp ΔQ 2 i 2 i (III.8) Étape 9 : Disposer la population en ordre décroissant en fonction de leurs valeurs de remise en forme. Étape 10 : Les meilleurs chromosomes sont directement copiés dans la population suivante de génération pour réaliser l'élitisme avec une probabilité de Pe pour les deux variables de tension et de variables d'angle. Etape 11: Les parents sont sélectionnés par paires en utilisant la technique de sélection de roue de la roulette en fonction de leurs valeurs de remise en forme. 56 Chapitre III l’Algorithmes génétiques Etape 12: Technique de croisement Arithmétique combine linéairement deux chromosomes parents pour produire deux nouveaux descendants. Deux descendants sont créés conformément aux équations suivantes : offspring 1 a parent 1 1 a parent 2 (III.9) offspring 1 1 a parent 1 a parent 2 (III.10) Où a est un nombre aléatoire entre zéro et un, qui est généré avant chaque opération de recouvrement. h i, j new k1 h i, j oid k 2 k 3 parent 1, j parent i, j (III.11) h i , j max h i , j new h i , j max max max min k1 k1 k1 k1 t T offspring i , j parent i , j h i , j new (III.12) (III.13) Étape 13: Vérifier le nombre d'itérations est supérieure à l'itération maximale ou non. Si elle est supérieure à nombre d'itérations, puis passez à l'étape 14. Étape 14: Après avoir effectué les opérateurs de l'élitisme et de croisement, la nouvelle population est générée à partir de la population âgée. Dans cet opérateur présent la mutation de travail est éliminée. Passez à l'étape 6 de répéter la même procédure .Arrêtez la procédure et d'imprimer les résultats. III.13 Conclusion Dans ce chapitre nous avons présenté tout d'abord une vue générale sur les algorithmes génétiques, leurs paramètres et les principaux opérations et principe de basse de AG standard ainsi quelques concepts concernant l’application des algorithmes génétiques sur l’optimisation mono objectif. Application de l’algorithme génétique (AG) dans le calcul de la répartition optimale des puissances actives sera traité sur le chapitre suivant. 57 Chapitre IV Application des GA dans la répartition optimale des puissances IV.1 Introduction Ce chapitre est réservé à l’application de l’optimisation mono objective sur la fonction coût de génération, méthode d’algorithme génétique est appliquée sur deux modèles de réseaux électriques standards tels que IEEE 14 et IEEE 30 nœuds, en se basant sur le calcul de l’écoulement de puissance. Le programme à été développé sous l’environnement Matlab pour optimiser la fonction coût. IV.2 Optimisation mono-objectif En appliquant une optimisation mono-objective sur la fonction coût de génération (FC), tout en respectant les limites des puissances générées actives et réactives, ainsi que l’amplitude de la tension pour chaque jeu de barre du réseau électrique qui est déterminée par le programme de l’écoulement de puissance afin de comparer les résultats et tirer des conclusions. La fonction coût peut s’écrire sous la forme : NG FCi PGi min aG i b G i . PGi cG i PGi2 (IV.1) i 1 Où ; aGi, bGi, cGi sont les coefficients de la fonction coût de générateur i. IV.3 Calcul OPF IV.3.1 Application sur le réseau IEEE 14 nœuds Pour obtenir l’objectif de notre travail, on a choisi réseau électrique IEEE 14 jeu de barres, avec 5 centrales électriques de production et 20 lignes représenté par la figure (IV.1). Tableau IV.1 : Coefficients de la fonction cout des générateurs. Coefficients de coût ($MW2) PGi (MW) cGi Générateur Min Max aGi bGi 1 22 110 151.8 22.50 0.1518 2 16 80 606.6 27.30 0.2274 3 14 70 303.6 22.74 0.1518 6 18 90 397.2 30.36 0.0756 8 12 60 454.8 22.74 0.2274 58 Chapitre IV Application des GA dans la répartition optimale des puissances Figure IV.1: Schéma du réseau IEEE 14 nœuds. IV.3.1.1 Calcul OPF par application de la méthode Interior Point (MIPS) Les résultats de calcul OPF obtenus par l’application de la méthode d’optimisation MIPS sont données par le Tableau (IV.2), le coût de production optimale est de 8081,53 $/h, les pertes actives totales à une valeur de 9,287 MW. Tableau IV.2 : Résultats OPF par MIPS 14 nœuds. N° de Jeu de Barres Puissances générées PGi (MW) 1 194,33 2 36,72 3 28,74 6 0 8 8,46 Coût de production ($/h) 8081,53 Pertes Active Total (MW) 9,287 59 Chapitre IV Application des GA dans la répartition optimale des puissances Figure IV.2 : Puissances générées optimales par méthode MIPS. IV.3.1.2 Application des algorithmes génétiques dans le calcul d’OPF IV.3.1.2.1 Valeurs des Paramètres d’un algorithme génétique Pour les algorithmes génétiques, il faut faire un choix des valeurs des paramètres introduits dans le code de calcul, ce choix est basé sur l’expérience de l’application des AG dans le domaine de l’optimisation de l’écoulement de puissance. On a pris le choix suivant dans notre travail : Le nombre des générations=150. Population size (le nombre d’individus dans la population) =200. Sélection=0.5. Croisement=0.5. Mutation=0.5. Les résultats de calcul OPF obtenus par l’application de la méthode d’optimisation GA sont données par le Tableau (IV.3), le coût de production optimale 711.8460 ($/h), les pertes actives totales à une valeur de 5.2342(MW). 60 Chapitre IV Application des GA dans la répartition optimale des puissances Tableau IV.3: Résultats OPF par AG sur réseau IEEE14 nœuds. N° de Jeu de Barres Puissances générées PGi (MW) 1 175.8863 2 48.3762 3 19.5004 6 10.1338 8 10.3376 Coût de production ($/h) 711.8460 Pertes Active Total (MW) 5.2342 Figure IV.3 : Puissances générées optimales par GA. Figure IV.4 : Résultats d’optimisation mono-objective. 61 Chapitre IV Application des GA dans la répartition optimale des puissances IV.3.1.3 Comparaison entre les deux méthodes On remarque que les résultats de calcul OPF obtenus par la méthode GA exprime un très bon résultat de minimisation de coût de production 711.8460 ($/h) et les pertes 5.2342 MW par rapport aux résultats obtenus par la méthode MIPS qui donne un coût de génération 8081, 53($/h) et pertes 9,287MW. IV.3.2 Application sur le réseau IEEE 30 nœuds Le réseau de transport qui va servir de base à notre étude est issu d'un réseau réel simplifié qui est le réseau test IEEE 30 nœuds représentant une portion du système de puissance électrique américain. Ce réseau électrique est constitué de 30 jeu de barres, 6 générateurs connectées aux jeux de barres (n=° 1, 2, 5, 8,11, et 13) injectant leurs puissances à un système alimentant 20 charges à travers 41 lignes de transport (figure IV.1). La tension de base pour chaque jeu de barres est de 135 kV, puissance de base 100 MVA. Figure IV.5: Réseau test IEEE 30 nœuds. 62 Chapitre IV Application des GA dans la répartition optimale des puissances Tableau IV.4 : Coefficients de la fonction cout des générateurs. Coefficients de coût ($MW2hr) (MW) cGi Nœud Min Max aGi bGi 1 50 200 0.00 2.00 0.00375 2 20 80 0.00 1.75 0.0175 5 15 50 0.00 1.00 0.0625 8 10 35 0.00 3.25 0.0083 11 10 30 0.00 3.00 0.0250 13 12 40 0.00 3.00 0.0250 IV.3.2.1 Calcul OPF par application de la méthode Interior Point (MIPS) Les résultats de calcul OPF obtenus par l’application de la méthode MIPS sur réseau IEEE 30 nœuds sont données par le Tableau (IV.5), le coût de production optimale est de 8906.14$/h, les pertes actives totales à une valeur de 11.742MW. Tableau IV.5: Résultats OPF par MIPS IEEE 30 nœuds. N° de Jeu de Barres Puissances générées PGi (MW) 1 212.23 2 36.23 5 29.35 8 12.94 11 4.40 13 0.00 Coût de production ($/h) 8906.14 Pertes Active Total (MW) 11.742 63 Chapitre IV Application des GA dans la répartition optimale des puissances Figure IV.6 : Puissances générées optimales par méthode MIPS. IV.3.2.2 Calcul d’OPF par GA sur réseau IEEE 30 nœuds Les résultats de calcul OPF obtenus par l’application de la méthode GA sur réseau IEEE 30 nœuds sont données par le Tableau (IV.6), le coût de production optimale est de 801.8551$/h, les pertes actives totales à une valeur de. 9.3694MW. Tableau IV.6 : Résultats OPF par génétique algorithme IEEE 30 nœuds. N° de Jeu de Barres Puissances générées PGi (MW) 1 176.4562 2 49.1225 5 20.9848 8 22.1436 11 12.6509 13 11.4115 801.8551 Coût de production ($/h) 9.3694 Pertes Active Total (MW) 64 Chapitre IV Application des GA dans la répartition optimale des puissances Figure IV.7 : Puissances générées optimales obtenus par GA. Best: 801.8551 Mean: 1240.4648 2500 Best f itness Fitness value Mean fitness 2000 1500 1000 500 0 20 40 60 80 100 120 140 160 180 200 Generation Current Best Individual Current best individual 0.6 0.4 0.2 0 -0.2 1 2 3 4 5 Number of variables (5) Figure IV.8 : Résultats d’optimisation mono-objective (la fonction coût de production) IV.3.2.3 Comparaison entre les deux méthodes On remarque que Les résultats de calcul OPF obtenus par la méthode GA exprime un très bon résultat de minimisation de coût de production 801.8551 ($/h) et les pertes 9.3694MW par rapport Les résultats de calcul OPF par la méthode MIPS le coût de production 8906.14 ($/h) et les pertes 11.742MW. 65 Chapitre IV Application des GA dans la répartition optimale des puissances IV.3.2.4 Influence des paramètres AG sur le calcul OPF Tableau IV.7 : Influence de la sélection. Grandeurs Paramètres AG Sélection 0.5 0.6 0.7 0.8 Croisement 0.5 0.5 0.5 0.5 Mutation 0.5 0.5 0.5 0.5 Coûts de génération 801.8551 817.60 822.7449 840.6827 Pertes actives totales 9.3694 9.7403 9.2656 6.7350 D’après le tableau (IV.7) on remarque qu’il y a une relation proportionnelle entre la sélection et les valeurs OPF obtenus, chaque fois qu’en augmente la sélection le coût s’élève et les pertes actives diminuent. Tableau IV.8 : Influence de la Croisement. Paramètres AG Grandeurs Sélection 0.5 0.5 0.5 0.5 Croisement 0.5 0.6 0.7 0.8 Mutation 0.5 0.5 0.5 0.5 Coûts de génération 801.8551 820.6882 808.7739 859.1319 Pertes actives totales 9.3694 9.3290 8.5936 8.6180 Tableau (IV.8) montre que la meilleure grandeur obtenue (coût et pertes actives) correspond à une valeur de croisement de 0.5. Tableau IV.9 : Influence de la Mutation. Paramètres AG Grandeurs Sélection 0.5 0.5 0.5 0.5 Croisement 0.5 0.5 0.5 0.5 Mutation 0.5 0.6 0.7 0.8 Coûts de génération 801.8551 806.0422 814.9963 830.8847 Pertes actives totales 9.3694 9.3735 9.5462 10.1396 66 Chapitre IV Application des GA dans la répartition optimale des puissances On remarque que chaque fois nous élevons la valeur de mutation, les valeurs des coûts et des pertes s'élève. IV.3.2.5 Comparaison entre les trois opérations On remarque que la variation de mutation donne bon résultats par rapport à la variation de la sélection et de croisement. Finalement on peut conclu que le choix optimal des paramètres de ces méthodes reste comme problème principal. IV.4 Conclusion Dans ce chapitre nous avons présenté les résultats de calcul d’OPF obtenus par l’application des algorithmes génétiques comparées avec celle obtenus par la méthode classique MIPS sur fonction mono-objective (coût de production). Ces méthodes (AG et MIPS) sont appliquées sur deux modèles IEEE 14 et IEEE 30 nœuds, nous avons conclu que la méthode AG est beaucoup mieux par rapport de la méthode MIPS dans le calcul OPF. 67 Conclusion générale . Conclusion générale Dans le premier chapitre, nous avons étudié les principaux éléments constitue un réseau électrique et traite en détaille l’analyse de l’écoulement de puissance. Dans le deuxième chapitre, on a donné un aperçu général sur les différentes méthodes d'optimisation déterministe et évolutionnaire. Dans le troisième chapitre nous avons présenté tout d'abord une vue générale sur les algorithmes génétiques, et comment appliquer pour calculer la répartition optimale des puissances. Dans le quatrième chapitre, nous avons appliqué l’algorithme génétique par l’optimisation de coût de génération, qui est la tache principale de ce mémoire, il était primordial de procéder à un choix judicieux des différents paramètres de l’algorithme génétique. On a abordé l’optimisation de la répartition des puissances en se basant sur la recherche du point de fonctionnement optimal en minimisant le coût sous les différentes contraintes d’égalité et d’inégalité reflétant respectivement l’équilibre Demande- Génération et sécurité de fonctionnement. Deux modèles du réseau test de tailles différentes ont été choisis pour valider notre algorithme, IEEE 14 et IEEE 30 nœuds. Le programme est développé sous l'environnement de MATLAB version 8.5 (2015a). 68 Bibliographie [1] Momoh JA, EL-Hawary ME, Adapta R, «A review of selected optimal power flow littérature to 1993, Part I:nonlinear quadratique programming Approach» .IEEE trans Power Sys;14(1):96-111.1999. [2] Martin Hennebel, «Valorisation des services système sur un réseau de transport d’électricité en environnement concurrentiel», thèse de doctorat, u-paris sud 11, 2009. [3] Alain Berro, «Optimisation multiobjectif et stratégies d'évolution en environnement dynamique», thèse présentée à l'université des sciences sociales toulouse I 2001. [4] S Sayah, «Application de l’intelligence artificiel pour le fonctionnement optimal des systèmes électriques »Université de Sétif thèse de doctorat, 2010. [5] Philipe Barret, «Régime transitoire des machines tournantes électriques» Edition eyroles ; 1982. [6] Hingorani NG, Gygyi L .Understanding facts, « Concept and technology of flexible ac Transmission Systems». New York : IEEE Prés ; 1999. [7] Pierre Bornard, «Conduite d’un système de production-transport», EDF. 10 nov. 2000 [8] Persoz H. et Adjemian R, « Interconnexions et échanges d’énergie électrique en Europe », EDF.2009 [9] L. Slimani, «optimisation de l’écoulement de puissance par une méthode de colonie de fourmis », Université de Sétif mémoire de Magister, 2006. [10] Naama, Bakhta, « Contribution à l’évaluation et au perfectionnement des méthodes métaheuristiques d’optimisation contribution application a l’optimisation des puissances actives d’un réseau d’énergie électrique», mémoire doctorat, sidi bel Abbes,2015 [11] Himakar Udatha et al Int, « Journal of Engineering Research and Applications ISSN», 2248-9622, Vol. 4, Issue 2(Version 1), pp.522-527, February 2014. [12] A. Ladjici, «calcul évolutionnaire application sur l’optimisation de la planification de la puissance réactive », école national polytechnique d’Alger Mémoire de Magister.sep 10 2015 [13] Angar yahia et Allaoua slimane, «Minimisation des pertes actives par Algorithme génétique appliquée au réseau électrique Algérien», Université de Med khider Biskra, Master en réseaux électriques 2011. [14] Ankit Yadav, «Multiobjective optimal power flow» Memoir Master, University, Patiala, July 2010. [15] Mathieu Liedloff, « Algorithmes exacts et exponentiels pour les problèmes NP-difficiles : domination, variantes et généralisations», l’université Paul Verlaine – Metz 2007. [16] Walid Tfaili, «Conception d’un algorithme de colonie de fourmis pour l’optimisation continue dynamique» de l’université paris 12-val de marne 2007. [17] Jean Dipama, «optimisation multi-objectif des systèmes énergétiques», Université de montréal 2010 [18] D .E. Goldberg,«genetic algorithm optimization and Machine learning» Addison Wesley publishing company, Ind .USA, 1989. [19] Belkacem SID, «optimisation topologique de structures par algorithmes génétiques», l'université de technologie de Belfort-Montbéliard 2006. [20] M. Yehia, R. Ramadan, Z. El-Tawail, K. Tarhini, «An Integrated Technico- Economical Methodology for Solving Reactive Power Compensation Problem», IEEE Trans. on PAS, vol. 13, No. 1, pp. 54–59, Feb. 2004. [21] N. Deeb, S.M. Shahidepour, «Linear reactive power optimization in a large power network using the decomposition approach», IEEE Trans. Power Syst. 428–4355, (2) (1990). [22] Quitana VH, santos-Nieto M, «Reactive-power dispatch by successive quadratic programming», IEEE Trans Energy convers, pp.425-435 (3) (4)1989. [23] J.A. Momoh, S.X. Guo, E.C. Ogbuobiri, R. Adapa, «The quadratic interior point method solving power system optimization problems», IEEE Trans .Power Syst. 1327–1336. (9) (3) (1994). [24] S. Granville, « Optimal réactive dispatch through interior point méthodes, IEEE Trans. Power Syst», (9) (1) (1994) 136–146. (9) (1) (1994). [25] Bouabdallah A, «application des algorithmes génétiques au dispatching économique et environnemental», thème mémoire master Université Mohamed Khider Biskra juin 2012. [26] Jason Brownlee, «clever Algorithmes nature-inspired programming recipe», Book Copyright .p97.2011. Annexe A Genetic Algorithm Programming def onemax(bitstring) sum = 0 bitstring.size.times {|i| sum+=1 if bitstring[i].chr=='1'} return sum end def random_bitstring(num_bits) return (0...num_bits).inject(""){|s,i| s<<((rand<0.5) ? "1" : "0")} end def binary_tournament(pop) i, j = rand(pop.size), rand(pop.size) j = rand(pop.size) while j==i return (pop[i][:fitness] > pop[j][:fitness]) ? pop[i] : pop[j] end def point_mutation(bitstring, rate=1.0/bitstring.size) child = "" bitstring.size.times do |i| bit = bitstring[i].chr child << ((rand()<rate) ? ((bit=='1') ? "0" : "1") : bit) end return child end def crossover(parent1, parent2, rate) return ""+parent1 if rand()>=rate point = 1 + rand(parent1.size-2) return parent1[0...point]+parent2[point...(parent1.size)] end def reproduce (selected, pop_size, p_cross, p_mutation) children = [] selected.each_with_index do |p1, i| p2 = (i.modulo(2)==0) ? selected[i+1] : selected[i-1] p2 = selected[0] if i == selected.size-1 child = {} child[:bitstring] = crossover(p1[:bitstring], p2[:bitstring], p_cross) child[:bitstring] = point_mutation(child[:bitstring], p_mutation) children << child break if children.size >= pop_size end return children end def search(max_gens, num_bits, pop_size, p_crossover, p_mutation) population = Array.new(pop_size) do |i| {:bitstring=>random_bitstring(num_bits)} end population.each{|c| c[:fitness] = onemax(c[:bitstring])} best = population.sort{|x,y| y[:fitness] <=> x[:fitness]}.first max_gens.times do |gen| selected = Array.new(pop_size){|i| binary_tournament(population)} children = reproduce(selected, pop_size, p_crossover, p_mutation) children.each{|c| c[:fitness] = onemax(c[:bitstring])} children.sort!{|x,y| y[:fitness] <=> x[:fitness]} best = children.first if children.first[:fitness] >= best[:fitness] population = children puts " > gen #{gen}, best: #{best[:fitness]}, #{best[:bitstring]}" break if best[:fitness] == num_bits end return best end if __FILE__ == $0 # problem configuration num_bits = 64 # algorithm configuration max_gens = 100 pop_size = 100 p_crossover = 0.98 p_mutation = 1.0/num_bits # execute the algorithm best = search(max_gens, num_bits, pop_size, p_crossover, p_mutation) puts "done! Solution: f=#{best[:fitness]}, s=#{best[:bitstring]}" end Annexe B Tensions nodaux du réseau IEEE 30 nœuds obtenus après OPF nœud 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 Tensions nœuds MIPS GA 1.060 1.039 1.021 1.012 1.013 1.011 1.004 1.013 1.042 1.038 1.060 1.050 1.060 1.035 1.031 1.038 1.033 1.021 1.019 1.023 1.026 1.027 1.021 1.016 1.014 0.996 1.022 1.008 1.002 0.990 1.0600 1.0430 1.0251 1.0168 1.0100 1.0146 1.0049 1.0100 1.0529 1.0468 1.0820 1.0596 1.0710 1.0447 1.0400 1.0470 1.0416 1.0303 1.0277 1.0317 1.0345 1.0351 1.0294 1.0237 1.0203 1.0027 1.0269 1.0127 1.0071 0.9957 Tensions Nodaux du réseau IEEE 14 nœuds obtenus après OPF nœud 1 2 3 4 5 6 7 8 9 10 11 12 13 14 gi 1 2 3 6 8 Tensions nœuds MIPS 1.060 1.041 1.016 1.014 1.016 1.060 1.046 1.060 1.044 1.039 1.046 1.045 1.040 1.024 Gencost14bus P min 10 20 15 10 10 GA 1.060 1.045 1.010 1.0 1.0 1.070 1.0 1.090 1.0 1.0 1.0 1.0 1.0 1.0 P max 250 140 100 120 45 Gencost IEEE 30bus gi 1 2 5 8 11 13 P min 50 20 15 10 10 12 P max 200 80 50 35 30 40 Résumé L'idée de base, sur laquelle centré ce travail, est la résolution du problème de la répartition optimale de l’énergie électrique pour avoir le minimum de coût de production d’énergie par les centrale de production d’énergie et cela par l’application de la méthode d’optimisation qui est la méthode des algorithmes génétique et qui à son tour occupe une large application dans la recherche scientifique en vu de son efficacité et rentabilité pour l’application en génie électrique . De ce point de vue et en se basant sur les méthodes d’optimisation classique et méta-heuristique, nous avons propose ce travail qui est destiné à élaborer un programme qui fait le calcul pour trouver le minimum de coût de production, nous avons appliqué ce code de calcul sur les réseaux test connus qui sont IEEE14 et IEEE 30 nœuds. L’exécution du programme a été faite sous l’environnement MATLAB. Il a été faire de très bons résultats concernant la minimisation de la fonction coût de production d'énergie électrique. Mots clés: Optimisation, OPF, Algorithme Génétique. اﻟﻤﻠﺨﺺ إن اﻟﻔﻜﺮة اﻷﺳﺎﺳﯿﺔ اﻟﺘﻲ ﯾﺘﻤﺤﻮر ﻋﻠﯿﮭﺎ ھﺬا اﻟﻌﻤﻞ ھﻲ ﻛﯿﻔﯿﺔ ﺣﻞ ﻣﺸﻜﻠﺔ اﻟﺘﻮزﯾﻊ اﻻﻗﺘﺼﺎدي اﻷﻣﺜﻞ ﻟﻠﻘﺪرة اﻟﻜﮭﺮﺑﺎﺋﯿﺔ ﻗﺼﺪ اﻟﺤﺼﻮل ﻋﻠﻰ اﻧﺘﺎج طﺎﻗﺔ أﻗﻞ ﻣﻦ ﺣﯿﺚ ﻛﻠﻔﺔ اﻟﺴﻌﺮ ﻣﻦ طﺮف ﻣﺤﻄﺎت إﻧﺘﺎج اﻟﻄﺎﻗﺔ وذﻟﻚ ﺑﺎﻧﺘﮭﺎج طﺮق اﻷﻣﺜﻠﺔ و ﺧﻮاص اﻟﺨﻮارزﻣﯿﺎت اﻟﺠﯿﻨﯿﺔ واﻟﺘﻲ ﺗﺸﻐﻞ ﺑﺪورھﺎ ﺣﯿﺰ ﻛﺒﯿﺮ ﻓﻲ ﻣﺠﺎل اﻟﺒﺤﺚ اﻟﻌﻠﻤﻲ .ﺗﺒﻌﺎ ﻟﻤﺎ ﺗﺘﻤﯿﺰ ﺑﮫ ﻣﻦ ﻣﺮدودﯾﺔ وﻓﻌﺎﻟﯿﺔ ﻓﻲ ﻣﺠﺎل اﻟﮭﻨﺪﺳﺔ اﻟﻜﮭﺮﺑﺎﺋﯿﺔ ﻣﻦ ھﺬا اﻟﻤﻨﻄﻠﻖ واﺳﺘﻨﺎدا اﻟﻰ طﺮق اﻷﻣﺜﻠﺔ اﻟﻜﻼﺳﯿﻜﯿﺔ ﻣﻨﮭﺎ واﻟﺤﺪﯾﺜﺔ اﻗﺘﺮﺣﻨﺎ ھﺬا اﻟﻌﻤﻞ اﻟﻤﻨﺠﺰ وھﻮ ﺑﺮﻧﺎﻣﺞ ﯾﻘﻮم ﺑﺎﻟﺤﺴﺎب ﻣﻦ أﺟﻞ اﯾﺠﺎد أﻗﻞ ﻗﯿﻤﺔ ﻟﺘﻜﻠﻔﺔ IEEE 30, IEEE 14 : اﻟﻘﺪرة اﻟﻜﮭﺮﺑﺎﺋﯿﺔ اﻟﻤﻨﺘﺠﺔ وﻟﻘﺪ اﻋﺘﻤﺪﻧﺎ ﻓﻲ دراﺳﺘﻨﺎ ھﺬه ﻋﻠﻰ ﺗﻄﺒﯿﻖ ھﺬا اﻟﺒﺮﻧﺎﻣﺞ ﻋﻠﻰ ﻧﻤﺎذج اﻟﺸﺒﻜﺎت اﻟﻜﮭﺮﺑﺎﺋﯿﺔ اﻟﻤﻌﺮوﻓﺔ ﻋﺎﻟﻤﯿﺎ أﻻ وھﻲ .MATLAB اﻧﺠﺰت ھﺪه اﻟﺪراﺳﺔ ﺑﻮاﺳﻄﺔ .وﻗﺪ ﺗﻢ اﻟﺤﺼﻮل ﻋﻠﻰ ﻧﺘﺎﺋﺞ ﺟﯿﺪة ﺟﺪا ﻓﻲ ﻣﺎ ﯾﺘﻌﻠﻖ ﺗﻘﻠﯿﻞ ﺗﻜﻠﻔﺔ إﻧﺘﺎج اﻟﻄﺎﻗﺔ اﻟﻜﮭﺮﺑﺎﺋﯿﺔ .ﺗﺪﻓﻖ اﻟﻘﺪرة اﻟﻜﮭﺮﺑﺎﺋﯿﺔ, اﻟﺨﻮارزﻣﯿﺔ اﻟﺠﯿﻨﯿﺔ, اﻷﻣﺜﻠﺔ: اﻟﻜﻠﻤﺎت اﻟﺮﺋﯿﺴﯿﺔ Abstract The basic idea, which centered sweat this work is solving the problem of the optimal distribution of electric power for the minimum energy production cost by the central power generation and that by the application of optimization method which is the genetic algorithms and methods which in turn holds a wide application in scientific research in view of its efficiency and profitability for the electrical engineering application. From this point of view and based on the methods of classical and metaheuristics optimization, we offer this work is to develop a program that does the calculation to find the minimum cost of production, we applied this computer code known test on networks that are IEEE-30, IEEE-14 nodes, program delivery was made under the MATLAB environment. It has been getting very good results regarding the minimization of the cost of producing electric energy function. Keywords: Optimization, OPF, Genetic Algorithm