tel-00007677 - TEL (Thèses-en

Gestion des réseaux de distribution en
présence de Génération d’Énergie Dispersée
par Raphaël Caire
Encadrants :
Nicolas Retière
Nouredine Hadjsaid
Raphaël Caire, le 2 avril 2004
ENSIEG, le 2 avril 2004
1
Contexte
Ouverture à la concurrence
du marché de l’énergie
Développement nouvelles
technologies de petites
productions et moyens de stockage
Directives Européennes
Accords de Kyoto
Saturation des
réseaux de transport
Contraintes
écologiques
Multiplication attendue des générateurs au sein des réseaux
de distribution qui ne sont pas prévus pour
d’où impacts plus ou moins critiques
Remise en question possible des systèmes
électriques de distribution notamment français
Raphaël Caire, le 2 avril 2004
2
Contexte
© Copyright EDF
Raphaël Caire, le 2 avril 2004
3
Objectifs généraux
 Problématique du raccordement :
 Tendance à l’insertion de moins en moins marginale des producteurs,
 Études existantes concernant les impacts HTA/HTA et BT/BT,
 Contraintes de raccordement importantes et limitatives.
 Objectifs :
 Etudier la transmission des impacts de la BT vers la HTA,
 Trouver des solutions innovantes pour la gestion des réseaux de distribution
en présence de Génération d’Energie Dispersée (GED),
 Augmenter la capacité d’accueil.
 Découpage :
 Études d’impacts,
 Remèdes aux impacts les plus critiques,
 Validation avec un banc à échelle réduite (ARENE temps réel).
Raphaël Caire, le 2 avril 2004
4
Plan de la présentation
I – Contexte et objectifs généraux
II – Études d’impacts
III – Coordination des moyens de réglage
IV – Validation
V – Conclusions et perspectives
Raphaël Caire, le 2 avril 2004
5
Plan de la présentation
I – Contexte et objectifs généraux
II – Études d’impacts
III – Coordination des moyens de réglage
IV – Validation
V – Conclusions et perspectives
Raphaël Caire, le 2 avril 2004
6
Méthodologie d’étude d’impact
 Idée
Quantifier et évaluer la criticité d’un impact en fonction des valeurs
usuelles des paramètres du réseau
 Démarche
La plus générale possible
 Bonus
Trouver des solutions pour la gestion du réseau de distribution en
présence de GED
 Approche
Type paramétrique
Raphaël Caire, le 2 avril 2004
7
Méthodologie proposée
Choix de l’impact étudié
Choix des réseaux
Outil
informatique
Outil analytique
Choix d’un indice
Choix des paramètres
Simulation et exploitation
Quantification de
l’impact
Raphaël Caire, le 2 avril 2004
8
Impacts envisagés
Séparation en plusieurs grandes catégories :
 Grandeurs électriques :
 Plan de tension,
 Courants de court-circuit,
 Déséquilibres,
 Stabilité,
 Qualité de l’énergie (Harmoniques, Flicker, Creux de tension, …).
 Conception, planification et exploitation :
 Plan de protection,
 TCFM (Télécommande centralisée à fréquence musicale),
 Gestion entre autres.
 Matériels de réseau :
 Vieillissement des matériels accéléré entre autres.
Il faut donc trouver lesquels sont prioritaires
Raphaël Caire, le 2 avril 2004
9
Impacts étudiés au cours de l’étude
Études quantitatives sur :
 Le plan de tension
 Respect des limites réglementaires
 Les courants de court-circuit en régime permanent
 Conformes au dimensionnement et aux réglages des matériels
 Le plan de protection
 Bon fonctionnement assuré : pas d’aveuglement ni de
déclenchement intempestifs
 La stabilité
 petits signaux : pas de modes instables
 grands signaux : valeurs de TEC acceptables
 Les déséquilibres en tension inverse
 Respect des valeurs réglementaires
Raphaël Caire, le 2 avril 2004
10
Méthodologie proposée et illustration sur le plan de tension
Choix de l’impact étudié
Choix des réseaux
Outil
informatique
Outil analytique
Choix d’un indice
Choix des paramètres
Simulation et exploitation
Quantification de
l’impact
Raphaël Caire, le 2 avril 2004
11
Choix des réseaux
Mise en place des réseaux
 Réseau de référence de type urbain
 Réseau de référence de type rural
 Réseau Basse Tension générique
 Réseau école pour études analytiques
HTA / BT
N1
PBT , Q BT
type 5
N2
type 7
N3
33 m
392 m
BT générique
type 7
PN 3 , Q N 3
N 4 type 7
158 m
309 m
N5
rural
PN 5 , Q N 5
urbain
Xcc
U source
N1
P1,Q1
R1, X 1
N2
Pg ,Q g
R 2, X 2
N3
P2,Q2
HTA école
Raphaël Caire, le 2 avril 2004
12
Méthodologie proposée et outils associés
Choix de l ’impact
étudié
Choix des réseaux
Outil
informatique
Outil analytique
Choix d’un indice
Choix des paramètres
Simulation et exploitation
Quantification de
l’impact
Raphaël Caire, le 2 avril 2004
13
Outil analytique
Chute de tension pour une impédance RL :
L
Pe,Qe
R
Ue
I
Us
Ue
I


U
j . X .I
R.I
Us
U
Si on considère que l’hypothèse de Kapp est valide, la chute de
tension entre Ue et Us est :
U 
RPe  XQe
Ue
Généralisation pour un réseau radial :
n
 k j 
 k j 
  Rl Pk     X l Qk

k 1  l 1
k 1  l 1


U ( N j ) 
U source
n
R1,X1
N1
R2,X2
N2
R3,X3
N3
Rj,Xj
Nj
Rn,Xn
Nn
Usource
P1,Q1
Raphaël Caire, le 2 avril 2004
P2,Q2
P3,Q3
Pj,Qj
Pn,Qn
14
Méthodologie proposée et indice de quantification
Choix de l ’impact
étudié
Choix des réseaux
Outil
informatique
Outil analytique
Choix d’un indice
Choix des paramètres
Simulation et exploitation
Quantification de
l’impact
Raphaël Caire, le 2 avril 2004
15
Indice d’impact et paramètres
Afin de quantifier l’impact de la génération d’énergie dispersée
et des paramètres du réseau, on a défini l’écart relatif :
 relatif ( N j ) 
U avec _ producteur( N j )  U sans _ producteur( N j )
U sans _ producteur( N j )
L’écart relatif traduit donc la modification de la tension due à
un transit de puissance donné.
Les paramètres sont :
 dépendants des impédances R et X du réseau :
 Position du producteur,
 Puissance de court-circuit du réseau amont,
 Types de lignes et câbles entre autres.
 dépendants des puissances P et Q :
 Puissance de la GED connectée en BT,
 Puissance des charges connectées au réseau,
 Insertion massive de GED sur des réseaux BT différents.
Raphaël Caire, le 2 avril 2004
16
Méthodologie proposée et simulation
Choix de l ’impact
étudié
Choix des réseaux
Outil
informatique
Outil analytique
Choix d’un indice
Choix des paramètres
Simulation et exploitation
Quantification de
l’impact
Raphaël Caire, le 2 avril 2004
17
Exemple de résultats : influence de la position du
producteur sur le plan de tension
Evolution du plan de tension en fonction de la position du
Ecart relatifEvolution
en fonction
de la
position
du producteur
du plan de tension
en fonction
de la position
du
producteur
producteur
N55
N55
0.3%
0.3%
0.25%
Ecart relatif (%)
Ecart relatif (%)
0.25%
0.2%
0.15%
N29
N29
0.2%
0kW
250kW N1
0.15%
0.1%
N1
N1
250kW N29
0kW
250kW N55
250kW N1
250kW N29
0.05%
0.1%
N55
250kW N55
0
0
2000
4000
0.05%
6000
8000
10000
12000
Longueur (m)
0
0
2000
 javan t 
 javan t 
Pg .  Rk   Qg .  X k 
4000
6000  8000
10000  k 112000

 k 1 
relatif ( Njavant ) 
k  javan t
n
n
 

 k  javan t  
2
U source      Rl .Pk     X l .Qk 
Longueur (m)
k 1  l 1
 
 k 1  l 1 
Variation de l’indice :
 javant 
 javant 
  Rk  et   X k 
N1 k 1 
 k 1 
Avant le point d’insertion : augmente
N29
Après le point d’insertion : constant  relatif ( N 2)   relatif ( N 3)
Raphaël Caire, le 2 avril 2004
18
Etude quantitative sur le réseau urbain
Application au plan de tension
 Cas d’insertion massive a priori et distribution des générateurs
19 GED de 250 kW
sur des réseaux BT
21 kV
uniformément répartis
21
20.8
20.6
Tension (kV)
20.4
Référence Cmin
20.2
19 GED Cmin
20
19 GED_fin Cmin
19.8
19.6
19.4
19.2
19
0
2000
principalement localisés
19 kV
4000
6000
8000
10000
12000
en bout d’artère
Longueur (m )
Raphaël Caire, le 2 avril 2004
19
Etude quantitative sur le réseau rural
Application au plan de tension
 Cas d’insertion massive a priori et distribution des générateurs
23 21
GED de 100 kW sur des réseaux BT
21 kV
20.8
20.6
20.4
Référence
20.2
23 GED
20
23 GED artère 1
19.8
23 GED artère 6
19.6
tout le réseau
artère 6
19.4
artère 1
19.2
19 kV
19
0
Raphaël Caire, le 2 avril 2004
1000
2000
3000
4000
5000
6000
7000
8000
20
Résultats sur le plan de tension
Application à différents départs (ruraux, urbains) et étude de
sensibilité paramétrique (paramètres des conducteurs,
puissance produite, localisation des producteurs, Pcc entre
autres)
Exemple de résultats pour le plan de tension
 Premiers impacts apparaissent pour 100% de la
consommation totale du départ
 Impacts renforcés par :



une consommation minimale
une localisation concentrée en bout de départ des producteurs
la contrainte initiale du réseau
 Dans certains cas, changement de prise du régleur
 conséquences sur les départs adjacents
Raphaël Caire, le 2 avril 2004
21
Conclusion sur les impacts
Conclusions pour les autres impacts : peu problématiques sauf cas
particuliers identifiés
GED
réseau
BT
BT
BT
HTA
HTA
HTA
HTA
HTB
Plan de tension
+++
++
+++
++
Courants de
+++
++
++
-
Déséquilibres
++
+
Stabilité
+*
+*
++
++
court-circuits
Choix du problème principal à traiter : plan de tension
Conclusions valables sur réseaux d’étude et renforcées par d’autres
études nationales et internationales.
Raphaël Caire, le 2 avril 2004
22
Plan de la présentation
I – Contexte et objectifs généraux
II – Études d’impacts
III – Coordination des moyens de réglage
IV – Validation
V – Conclusions et perspectives
Raphaël Caire, le 2 avril 2004
23
Recensement des moyens de réglage
 Moyens de réglage de la tension dits « traditionnels » :
 Régleurs en charge au poste source,
 Bancs de condensateurs.
 Coordination de ces moyens avec d’autres :
 Distribution-Flexible AC Transmission Systems (D-FACTS),
 Certains producteurs indépendants,
 Autres types.
Raphaël Caire, le 2 avril 2004
24
Coordination des moyens de réglage
 Méthodes de gestion optimale des moyens de réglage :
 le meilleur choix des consignes des éléments réglants (parallèles et
séries)
 le placement optimal des moyens de réglages supplémentaires,
 le choix/limitation du nombre des moyens de réglage.
 Coordination des services
réseau de chaque producteur
par un opérateur réseau
 Réflexion pour la coordination
de groupes de producteurs
 vision verticalement intégrée
 intelligence répartie
 vision horizontale (décentralisée)
 moyens télécoms locaux / globaux
Raphaël Caire, le 2 avril 2004
25
Coordination en utilisant un algorithme d’optimisation
 Minimisation d’une fonction objectif :
Minimiser F ( x, u )
avec
g (u, x)  0
h(u, x)  0
 F(x,u) est la fonction objectif,
 x sont les variables électriques (tensions, courants, phases, puissances),
 u sont les grandeurs commandables (consignes producteurs / FACTS, régleurs en
charge, condensateurs entre autres),
 g(u,x) la (ou les) équation(s) qui se réfère(nt) à des conditions d’égalité (exemple :
calcul de répartition, égalité puissance consommée et puissance produite aux pertes
près),
 h(u,x) la (ou les) inégalité(s) qui tradui(sen)t les contraintes sur les vecteurs x et u
(tensions maximales, puissances transmissibles).
Raphaël Caire, le 2 avril 2004
26
Problématique de l’optimisation dans les réseaux
 Problème mixte (continu et/ou discret) :



Valeurs de l’injection de puissance réactive des D-FACTS et des
producteurs sont continues
Valeurs du régleur en charge et du banc de capacité sont discrètes, ou
rendues continues par des fonctions d’extrapolation
Le choix des moyens de réglage est un problème purement discret
 Problème fortement non linéaire
 Problème contraint :



Raphaël Caire, le 2 avril 2004
Limites sur les injections de puissance des moyens de réglage
Limites sur les tensions du réseau
Limites sur les courants
27
L’arbre d’optimisation (vu sur [NEOS])
Réglage des consignes
Raphaël Caire, le 2 avril 2004
28
Problématique de l’optimisation des grandeurs de
commande dans les réseaux (réglage des consignes)
Ratio
pris
en
Ratio
prispris
en compte
compte
Ratio
en
compte
 Représentation mathématique des grandeurs de réglage
1.15
1.15
1.15
discrètes :



Représentations linéaires,
Représentations en escaliers,
1.1
1.1
1.1
Tableaux de valeurs.
 Problème
contraint :
1.05
1.05
1.05


Limites sur les injections de puissance réactive des moyens de réglage,
Limites sur les tensions du réseau.
linéarisé
1
111
 Fonctions objectifs :
0.95
0.95
0.95
Pertes 
H1 


 U
noeuds
Raphaël Caire, le 2 avril 2004
0.95
0.95 4
2
consigne  U noeuds 
0.9
0.9
0.9
0.9
0.90
consigne
 U noeuds
noeuds
*
Re

U
.
I

ligne en escalier
discret»
« sigmoïdes
lignes
1
H2 
N
N
U
2
6
11
8
1.05
1.05
10
H 
max16U consigne
 U noeuds
1.114
1.151.15
1.1
18
12
Valeur
dedeconsigne
Valeur
de
consigne
Plot
consigne
29
Méthodes d’optimisation des consignes
Méthodes classiques
 Méthodes déterministes :



Exemple : Programmation Séquentielle Quadratique (SQP) appliquée à
des problèmes continus ou rendus continus.
Inadaptées aux problèmes discrets (programmation d’entier Branch &
Bound),
Inadaptées aux fortes non-linéarités.
 Méthodes heuristiques :



Raphaël Caire, le 2 avril 2004
Exemple : Algorithmes Génétiques dans le cas de problèmes fortement
non-linéaires,
Nombreux réglages,
Critères d’arrêts non déterministes.
30
Cas d’étude
Réseau de distribution 20 kV avec 5 départs
 Pcc réseau Amont 250 MVA
(purement inductif)
 Transformateur 20 MVA
 Deux départs modélisés
finement :
- départ semi urbain (77
nœuds et 22 points de
production possibles)
- départ urbain (55 nœuds et
22 points de production
possibles)
 Départs Adjacents
modélisés par une charge de
13 MVA
Raphaël Caire, le 2 avril 2004
31
Méthodes d’optimisation des consignes
Résultats sur le départ rural
régleur en charge + 23 points d’injection de puissance réactive
4
4
x 10
x 10
2.06
2.06
1.15
1.1
2.05
2.05
1.05
REPRESENTATION
Déterministe
LINEAIRE
norme11 avec
avec contraintes
norme
contraintesoptimisation
1
0.95
0.9
0.9
Avant
0.95
1
1.05
SQP
2.04
2.04
1.1
Algorithme
Génétique
1.15
Norme 1
2.03
2.03
F(x,u)
Tension (V)
Tension (V)
Heuristique
428
0.574
reference
reference
SQP
SQP
AG AG 2422
17.2
1
F ( x, u) 
 U2.02consigne  U i ( x, u)
N i noeuds
2.02
Nombre
d’itérations
/
Norme 2
2.01
2.01
F(x,u)
49.7
0.098
1.85
Nombre
d’itérations
/
2425
2500
F(x,u)
495
2.32
33.2
F ( x, u ) 
1
N
 U
i noeuds
2
 U i ( x, u ) 
2
consigne
2
Norme infinie
U1.99
F ( x, u)  max1.99
U
, u)20
0
10 i ( x20
0consigne
10
i noeuds
Raphaël Caire, le 2 avril 2004
30
30 Nombre
40 40
50 50 / 60
Noeuds
départ
rural
Noeuds
départ
rural
d’itérations
AG avec SQP
60
70
702421
80 80
2500
2500
32
Méthodes d’optimisation des consignes
Résultats sur le départ rural
régleur en charge seul
1.15
SANS REGLAGE
1.1
Déterministe
optimisation
SQP
F(x,u)
428
428
12.18
Nombre
d’itérations
/
4
26
F(x,u)
49.7
49.7
1.604
Nombre
d’itérations
/
4
43
F(x,u)
495
495
31.33
Nombre
d’itérations
/
4
43
DES PRODUCTEURS
1
REGLEUR EN CHARGE SEUL
0.95
0.9
0.9
0.95
1
1.05
1.1
1
U consigne  U i ( x, u)

N i noeuds
Norme 2
F ( x, u ) 
1
N
 U
 U i ( x, u ) 
2
consigne
i noeuds
Norme infinie
F ( x, u)  max U consigne  U i ( x, u)
i noeuds
Raphaël Caire, le 2 avril 2004
Algorithme
Génétique
1.15
Norme 1
F ( x, u) 
Heuristique
Avant
1.05
33
Méthodes d’optimisation des consignes
Résultats sur le départ rural
régleur en charge + 23 points d’injection de puissance réactive
1.15
AVEC REGLAGE DES
1.1
Déterministe
optimisation
SQP
F(x,u)
428
3.697
9.454
Nombre
d’itérations
/
2404
2500
F(x,u)
49.7
1.186
1.707
Nombre
d’itérations
/
2415
2500
F(x,u)
495
51.61
32.18
Nombre
d’itérations
/
2406
2500
23 PRODUCTEURS
1
+ REGLEUR EN CHARGE
0.95
0.9
0.9
0.95
1
1.05
1.1
1
U consigne  U i ( x, u)

N i noeuds
Norme 2
F ( x, u ) 
1
N
 U
 U i ( x, u ) 
2
consigne
i noeuds
Norme infinie
F ( x, u)  max U consigne  U i ( x, u)
i noeuds
Raphaël Caire, le 2 avril 2004
Algorithme
Génétique
1.15
Norme 1
F ( x, u) 
Heuristique
Avant
1.05
34
Méthodes d’optimisation des consignes (développées)
 Hybridation de méthodes heuristiques et déterministes :
 Accélération de la convergence
Raphaël Caire, le 2 avril 2004
35
Population initiale
 Tirage aléatoire d’une population initiale
1.15
Ratio pris en compte
Ratio pris en compte
1.15
1.1
1.05
linéarisé
1
1.1
1.05
1
0.95
0.95
0.9
0.9
0.95
1
1.05
1.1
1.15
Valeur de consigne
0.9
0
2
4
6
8
10
12
discret
14
16
18
Plot de consigne
u1u2u3u4u5u6u7……………..
Continus
Discrets
Opération répétée pour les n individus qui forment la population
Raphaël Caire, le 2 avril 2004
36
Sélections classiques
 A partir d’une population, sélection de deux individus
I1 : u1u2u3u4u5u6u7
I2 : u1u2u3u4u5u6u7
I3 : u1u2u3u4u5u6u7
I4 : u1u2u3u4u5u6u7
I5 : u1u2u3u4u5u6u7
I6 : u1u2u3u4u5u6u7
I7 : u1u2u3u4u5u6u7
…
…
In : u1u2u3u4u5u6u7
F(I1)
F(I2)
F(I3)
F(I4)
F(I5)
F(I6)
F(I7)
…
…
F(In)
Sélection de type :
 Tournoi :
si F(I4) < F(I6) alors I4 est sélectionné
puis on répète une seconde fois
 Elitisme : parmi les x% meilleurs
(F(Ii) faible), sélection de deux
individus aléatoirement
 Roue biaisée :
I1(p1) I2(p2) I3(p3) I4(p4)
p1 > p2 > p3> p4
I4
I1
I3
CURSEUR
I2
Choix aléatoire d’une position du curseur permettant
de pointer sur l’individu à sélectionner (I1)
Raphaël Caire, le 2 avril 2004
37
Croisements classiques
 A partir de deux parents, création de deux nouveaux enfants
Croisement de type :
 Uniforme :
Le même nombre de gènes est échangé
entre les parents 1 et 2
Parents :
I4 : u1u2u3u4u5u6u7 F(I4)
I6 : u1u2u3u4u5u6u7 F(I6)
 A plusieurs coupures
Enfants :
Ia’ :
F(Ia’)
Ib’ :
F(Ib’)
Raphaël Caire, le 2 avril 2004
 Non uniforme :
Nombre de gènes différents
 Combinaison linéaire :
u1’ = t.u1+(1-t).u1
0≤t≤1
38
Mutation
 Mutation classique :
u1u2u3u4u5u6u7
u1u2u3u4u5u6u7
 Mutation avec convergence locale :
u1u2u3u4u5u6u7
séparation variables
discrètes/continues
u1u5|u2u3u4u6u7
Algorithme déterministe de type
Non-Linéaire Contraint avec
comme point de départ
y0 = [u2u3u4u6u7]
utilisant F(x,[u1u5y])
sur quelques itérations (a priori)
u1u2u3u4u5u6u7
Raphaël Caire, le 2 avril 2004
regroupement
discrètes/continues
optimisées localement
u1u5|u2u3u4u6u7
39
Algorithme génétique (croisements seuls)
F(x,u)
Population initiale
Enfants possibles
Raphaël Caire, le 2 avril 2004
40
Algorithme génétique (mutation classique)
F(x,u)
Population initiale
Enfant muté
Sélection de l’individu qui mute
Raphaël Caire, le 2 avril 2004
41
Algorithme génétique (mutation déterministe)
F(x,u)
Population initiale
Enfant muté
Trois pas d’algorithme
déterministe (de descente)
Raphaël Caire, le 2 avril 2004
42
Illustration de l’optimum global
Présence d’optima locaux
 Algorithme déteministe
 Algorithme Génétique classique
 Algorithme hybride
F(u)
u0
ui
u
*
uj
ux
Raphaël Caire, le 2 avril 2004
43
Méthodes d’optimisation des consignes
Résultats sur les départs rural et urbain
régleur en charge/banc de capacités + 44 points d’injection de réactif
4
2.12
x 10
FN1= 4.96e-3
2.1
Tension (V)
2.08
2.06
reference
SQP
AG avec SQP
2.04
2.02
Tension de
consigne
FN1= 1.85e-3
2
1.98
Raphaël Caire, le 2 avril 2004
FN1= 1.49e-3
0
20
40
100
80
60
Noeuds départ rural puis départ urbain
120
140
44
Pertes et variations du taux de convergence déterministe
Résultats sur les départs rural et urbain
régleur en charge/banc de capacités + 44 points d’injection de réactif
-4
6.45
x 10
taux
taux
taux
taux
6.4
SQP
SQP
SQP
SQP
=
=
=
=
0%
1%
2%
3%
pertes dans les deux départs (pu)
6.35
6.3
6.25
6.2
6.15
6.1
6.05
6
5.95
0
Raphaël Caire, le 2 avril 2004
100
200
300
400
génération de l algorithme génétique
500
600
700
45
Méthodes d’optimisation des consignes pour les pertes
Résultats sur les départs rural et urbain
régleur en charge/banc de capacités + 44 points d’injection de réactif
4
2.1
x 10
2.09
2.08
AVEC REGLAGE DES
2.07
44 PRODUCTEURS
Pertes
f ( x, u) 
Tension (V)
+ REGLEUR EN CHARGE2.06
+ BANC DE CAPACITE
2.05
 Réel V2.04 I *
i
i
i ligness
2.03
F(x,u)
kW
Nombre
d’itérations
Heuristique
Heuristique
Avant
Déterministe
avec
sans
optimisation
SQP
convergence
convergence
locale
locale
57.62
57.47
57.82
2996
3367
2974
reference
SQP
AG
63.33
AG avec SQP
/
2.02
2.01
2
Raphaël Caire, le 2 avril 2004
0
20
40
60
80
Noeuds départ rural puis urbain
100
120
140
46
L’arbre d’optimisation (vu sur [NEOS])
Placement et choix des
moyens de réglage
Raphaël Caire, le 2 avril 2004
47
Optimisation maître-esclave
Afin de trouver les localisations optimales des moyens de réglage et
les consignes associées : découplage
 Problème multi-objectifs classique pour la localisation des moyens
de réglage optimaux :
 Fonction traduisant l’efficacité de réglage,
 Fonction traduisant le nombre de moyens de réglage.
 Optimisation des consignes par les méthodes précédemment
présentées
Raphaël Caire, le 2 avril 2004
48
Optimisation muti-objectifs et frontière de Pareto
Problème multi-objectifs classique :
 Définition :
Minimiser
avec
y  F ( x)   f1 ( x), f 2 ( x), f 3 ( x),..., f k ( x)
e( x)  e1 ( x), e2 ( x), e3 ( x),..., ek ( x)  0
x X
y Y
pondération :
 Résolution par variation
des contraintes :
Minimiser
x1).f1 (fxj)(x)w2 . f 2 ( x)
Minimiser
F ( x)F(w
avecavec
r’
domaine d’étude
domaine d’étude
y/w2
D
e( x) ei (ex1)( 
x),fei 2((xx)) 0i
x  Xx  X
f22
C
r
B
A
pente = –w1/w2
Raphaël Caire, le 2 avril 2004
f1
49
Placement et choix des moyens de réglage par optimisation
muti-objectifs
Pour des problèmes
de vitesse de calcul :
Vi
 Evaluation
Pj et / oudel’Qj« efficacité » du réglage en fonction du point
d’injection :
Vd
 Vi


F j ( x, u )  
 aj 


i noeuds  Q j

N50
 Pénalisation suivant le nombre de producteurs :
F ( x, u )   ui  0
i
 Au final
Raphaël Caire, le 2 avril 2004


 Vi



Min F (q1...qn )    
 a j  ; p
 Q


i
noeuds

j




Ni
p  1 (if q j   , 0, else 1) Qj
QN50
Pj
j moyende réglage
50
Application à la minimisation des moyens de réglage
Réseau d’étude, réseau rural de 77 noeuds :

Insertion possible de sources de puissance aux 77 nœuds mais
23 nœuds producteurs choisis au hasard
- Efficacité
efficacité dede
réglage réglage
2500
2000
1500
1000
500
0
0
5
10
15
nombre de producteur(s)
Nombre de producteurs
Raphaël Caire, le 2 avril 2004
20
25
51
Placement et choix des moyens de réglage par optimisation
multi-objectifs puis optimisation des moyens de réglage choisis
Problème multi-objectifs puis coordination des consignes
44
2.008
2.008
10
xx 10
2.007
2.007
2.006
2.006
Tension (V)
(V)
2.005
2.005
2.004
2.004
2.003
2.003
référence
référence
3 moyens
23
moyensréglage
réglage
12
2.002
2.002
2.001
2.001
22
1.999
1.999
00
10
10
20
20
30
40
50
30
40
50
30
40
50
Noeuds
du
réseau
rural
Noeudsdu
duréseau
réseaurural
rural
Noeuds
60
60
60
70
70
70
80
80
80
Tous Douze
les
moyens
de de
réglage
sont
coordonnés
Trois
moyens
seulement
F(x,u)=2.74
moyens
de réglage
réglage
seulement
FN1F(x,u)=2.02
N1(x,u)=0.574
Raphaël Caire, le 2 avril 2004
52
Commentaires sur les résultats de l’optimisation
Plusieurs résultats sont remarquables :
 En relatif, performances différentes en terme d’optimisation :
 la modélisation/représentation retenue,
 la méthode utilisée,
 la fonction objectif envisagée.
 Dans l’absolu, différences entre les méthodes déterministes et
heuristiques, si optima locaux :


SQP plus rapide mais 1er optimum local,
AG long mais optimum meilleur.
 Pour le placement, optimisation maître-esclave donne de
bons résultats :
 Maître de type multi-objectifs simplifié,
 Esclave de type optimisation des consignes des moyens de réglage.
Raphaël Caire, le 2 avril 2004
53
Plan de la présentation
I – Contexte et objectifs généraux
II – Études d’impacts
III – Coordination des moyens de réglage
IV – Validation
V – Conclusions et perspectives
Raphaël Caire, le 2 avril 2004
54
Validation des stratégies de coordination avec ARENE
Arène
HTB
BTA
®
HTA
PC contrôleur
8 analogiques
E/S A ou D
ARENE
temps
réel
A/N
Rack
VME
PC1
PC2 producteur
PC producteur
superviseur
Communication
média et protocole
N/A
communication
Raphaël Caire, le 2 avril 2004
55
Validation des stratégies de coordination avec ARENE
 Banc expérimental :
Raphaël Caire, le 2 avril 2004
56
Validation des stratégies de coordination avec ARENE
NOEUD TENSION (V)
N3
20397
N4
20028
N5
19655
N6
20000
N7
19848
N8
20156
N9
19926
N10
20000
N11
20717
Raphaël Caire, le 2 avril 2004
2.08
x 10
4
N10
N9
2.06
2.04
Tension (V)
NOEUD TENSION (V)
N3
20471
N4
20114
N5
19731
N6
20064
N7
19956
N8
20285
N9
20034
N10
20108
N11
20752
N8
N7
0 à + O.22 MVar
2.02
2
N3 N4
N1
N5
N6
0 à – O.85 MVar
N2
1.98
N11
1.96
3
4
5
reference
SQP
6
7
8
Noeuds départ simplifié
9
10
11
57
Plan de la présentation
I – Contexte et objectifs généraux
II – Études d’impacts
III – Coordination des moyens de réglage
IV – Validation
V – Conclusions et perspectives
Raphaël Caire, le 2 avril 2004
58
Conclusions
 Études de transmission des impacts
 Criticité du plan de tension,
 Modification des courants de court-circuit en régime permanent.
 Bibliothèques de méthodes et de modèles
 Calcul de répartition des charges de type Newton-Raphson et Backward
& Forward Sweep,
 Modèles de compensateur et de moyens de réglage,
 Bibliothèque d’outils d’optimisation pour les problèmes mixtes.
 Solutions pour le plan de tension
 Outils d’optimisation classiques sur réseaux de distribution,
 Hybridation d’un algorithme génétique et d’un algorithme déterministe,
 Algorithmes maîtres-esclaves pour le choix et la localisation des moyens
de réglage,
 Réflexion sur des stratégies de gestion décentralisées (répartition de
l’intelligence et des prises de décision).
Raphaël Caire, le 2 avril 2004
59
Perspectives
 Estimation d’état qui tienne compte du caractère incertain et de
l’étendue du réseau de distribution,
 Prise en compte des aspects économiques,
 Évaluation et comparaison entre des infrastructures de
coordination décentralisées et centralisées (aspects
stratégiques, logiciels et matériels) avec ARENE temps réel,
 Moyens de télécommunication nécessaires
 Centrale virtuelle
Raphaël Caire, le 2 avril 2004
60
Marché
Concept de
centrale virtuelle (Constantin et Olivier)
Réseau
distribution
Centre de controle
Raphaël Caire, le 2 avril 2004
61
Gestion des réseaux de distribution en
présence de Génération d’Énergie Dispersée
Fin
Raphaël Caire, le 2 avril 2004
ENSIEG, le 2 avril 2004
62