avancées sur la simulation sans contexte de smart grids · problème de sac-à-dos • problème...
TRANSCRIPT
Guillaume Guérard
Avancées sur la simulation sans contexte de
SMART GRIDS
1
9 Septembre 2014
Optimisation dans les systèmes complexes :
Optimisation de la distribution de l’énergie dans un Smart Grid.Gestion de la production, de la consommation et de la distribution d’une ressource commune.
Optimisation multicritères :
-Résilience.-Fiabilité du réseau.-Recherche de coût minimum (flots de ressources, production, consommation).-Equilibre de l’offre et de la demande.
Problématique
2
L’Energy Grid actuel est basé sur la modélisation de Nikola Tesla de 1888.
Insuffisances de l’Energy Grid :- Structure : intégration des EnR,
conservation de l’énergie, gestion des appareils digitaux ou analogiques.
- Consommation : congestion et pertes sur le réseau T&D, rentabilité des centrales de proximité, latence du réseau.
Smart Grid : réseau électrique intégrant le comportement et les actions des utilisateurs.
Objectifs industriels
3
Nouveaux rôles et objectifs :
- Réguler la courbe de consommation
- Optimiser l’offre et la demande
- Garantir une qualité de service.
65% de l’énergie est utilisée dans des machines fonctionnant en permanence à plein régime. Cette consommation peut être réduite de 60%.
Caractéristiques du Smart Grid
4
Le Smart Grid possède les
caractéristiques suivante :
• Self-Healing
• Flexibilité
• Prédictif
• Interactif
• Optimal
• Sûr.
En 2020, on prévoit 20% de consommation en moins grâce aux nouvelles technologies.
Aide à la conception
5
• Simulation– Représentation d’une, deux ou
toutes les échelles présentées.
– Possibilité de divers scenarii : aléatoire, réel, projet.
– Possibilité d’inclure de nouvelles technologies.
– Visibilité des interactions machine-machine et environnement-machine.
• Scenarii– Mise en place des algorithmes de
self-healing.
– Ajustement des infrastructures, des règles de priorités, du découpage par niveau.
– Impact comportemental : humain, machine, environnement.
La simulation est une aide à la conception d’un Smart Grid. Son bon fonctionnement ne dépend pas uniquement des algorithmes mais aussi des infrastructures et de la gestion de l’environnement.
La simulation du Smart Grid permet de résoudre les problèmes en aval et d’ajuster les paramètres en fonction du comportement attendu.
Problématique : système complexe
• Il est difficile voir impossible de trouver une fonction objective résolvant le problème dans sa globalité.
• Le nombre de variables impliquées peuvent aller jusqu'à des dizaines de milliers d'entités.
Kirkpatrick et al. (1983)
• Optimiser un système complexe :– une classe d'algorithmes
d'optimisation appropriée pour l'application au système.
– les paramètres divers de l'algorithme d'optimisation doivent être accordé.
Grefenstette (1986)
6
Objectif : définir une méthode d’analyse permettant de fournir les outils nécessaires à la résolution d’un système complexe.
Simulations actuelles
7
Les simulations actuelles (SMA) sont
faites sur des cas précis et spécifiques,
avec une évolution limitée.
Inconvénients des simulations :
- Temps de calcul exponentiel
- Stockage de toutes les données
- Simulation d’un unique type de
modèle.
Objectif : fournir une simulation traitant en temps réel l’optimisation de la diffusion de l’énergie, quelque soit la configuration du Smart Grid.
Smart Grid
Approche système complexe pour la modélisation des Smart Grids
Etude système complexe
Aperçu global Exemple
8
Etude système complexe
Etude et analyse des Systèmes complexes : cas du Smart Grid
9
Analyse systémique
10
Equilibre global
Rétroaction
Objectifs globaux
Optimisation des sous-composantes
Optimisation
• Interaction
• Communication
• Normalisation
Sous-composantes
Structure Entités Comportement
Ne serait-ce pas plus avantageux et permissif de comprendre les fondements et les moteurs du Smart Grid plutôt que d'imposer de nouvelles technologies souvent incompatibles entre elles ?
Smart Grid : des acteurs hétérogènes
11
Smart Grid : structure particulière
12
Structure du réseau T&D
Structure locale
Des objectifs hétérogènes et en opposition.
Données de consommation
13
Appareil
électrique
Puissance en Watts Période d’utilisation Fréquence d’utilisation Consommation
annuelle moyenne
Transformation des données pour les algorithmes :
• Appareil électrique (Consommateur ou Producteur).• Consommation : Puissance en Watts.• Priorité : Période d’utilisation, Fréquence
d’utilisation, Consommation annuelle moyenne, Appareil intelligent (consommation immédiate ou reportée).
• Valeur : description dans l’exemple.
Données usuelles
Résolution en aval
14
Résolution en amont
15
Distribution de l’énergie
16
Optimisation de la diffusion de l’énergie
Propriétés structurels et impact de l’environnement
17
Schéma séquentiel d’une itération
18
• Action bottom-up– Mise en place d’une solution
initiale.
– Si les pronostiques sont justes, la solution finale est déjà obtenue.
• Action top-down– Recherche d’une solution
finale.
– Distribution et calcul des pronostiques.
Bottom - up
Top - down
Niveau local
19
Update
• Mise-à-jour des données
Allocation de base
• Consommation / pronostiques
Allocation évoluée
• Si pronostiques=faux alors faire 4
• Sinon Solution finale
• Données vers microgrid
Solution évoluée
• Résolution par Sac-à-dos
Résolution en temps discret (t=5min)
Niveau local
20
• Normalisation– Enlever les appareils (ne) déjà
consommateurs
– Diviser les consommations (ei) et l’énergie reçue K par le pgcd.
Complexité : O(ne*log(emax))
• Sac-à-dos– Attribution de l’utilité
– Résolution par programmation dynamique.
Complexité : O(ne*K)
Gestion de la répartition énergétique au sein d’une zone organisée autour d’un Smart Meter.Priorité de fonctionnement pour gérer la domotique.
Complexité : 𝐾′ ∗ 𝑛𝑒 ∗ log 𝑒𝑚𝑎𝑥 < 𝐾 ∗ 𝑛𝑒 avec 𝐾’ le poids normalisé
log 𝑒𝑚𝑎𝑥 < 𝐾 ∗ 𝑥 avec 𝑥 ∈]1
2; 1], toujours vrai.
Conclusion : si 𝑝𝑔𝑐𝑑 ≥ 2 alors le temps de calcul est réduit.
Niveau microgrid
21
Jeux d’enchères
• Enchères sur les données locales
• Données vers T&D
• Rectification par rétroaction top-down
Allocation finale
• Résolution par KP locale
• Résolution par KP en rétroaction bottom-up
Régulation de la courbe de charge
22
• Principe– Réguler la courbe de
consommation.
– Déplacer, diminuer, augmenter, couper la consommation.
• Prix– Participer au DSM permet
une réduction temporaire du prix de consommation.
La domotique permet de contrôler et de gérer la consommation locale.
Stratégies : Exemples
23
Stratégie Priorité Prix
Utilisation des appareils Standard Standard
Peak shaving Augmentation Diminution
Conservation Augmentation Diminution
Load shifting Augmentation/Diminution ‘’
Congestion Augmentation Standard
Sous-consommation Diminution Standard
Sur-consommation Standard Augmentation
Les stratégies ne sont pas fixes; des simulations permettront d’étalonner les stratégies de base.
Duel entre le consommateur et le producteur
• Local
– Anonymat de la stratégie choisie.
– Obtention d’un consensus.
– Pas de garantie d’optimum globale (d’après le KP).
• Microgrid
– Calcul de la consommation brute (consommation locale –production locale).
– Recherche d’une solution aux meilleurs bénéfices.
24
Le consommateur est libre de participer au DSM, le producteur ne peut pas influencer les consommateurs.
• Le Smart Meter (Energy Consumption Controler)• Maximisation de l’utilité des EnR et du V2G dans la régulation de l’énergie. • Interaction entre le Smart Meter et le fournisseur (microgrid).• Stratégie de contrôle de la domotique, impact sur la priorité de fonctionnement.• Système de récompenses ou de punitions en fonction de la stratégie.• Calcul décentralisé et processus de décision distribué.
Optimal Real-time Pricing Algorithm Based on Utility Maximization for Smart GridPedram Samadi, Amir-Hamed Mohsenian-Rad, Robert Schober, Vincent W.S. Wong, and Juri Jatskevich
Niveau T&D
25
Graphe résiduel
• Mise-à-jour de la production et la consommation
• Mise-à-jour de la distribution
• Rectification du graphe
Résolution du flot max
• Résolution par Busacker et Gowen
Equilibre
• Détection des bottlenecks ou sources/puits non satisfaits
• Données de rectification vers microgrids
Niveau T&D
26
• Principe • Graphe
Construction et mise-à-jour du réseau par la prétopologie.
Bénéfice : gestion en temps réel de la structure, aperçu des caractéristiques et des problèmes de réseau détaillé, paramétrage facile.
Fonction d’adhérence et d’intérieur pour un critère donné
Définition des couts, des limites hautes et basses.
Prévention de la congestion.
Niveau T&D
27
• Busacker et Gowen– Répartition de l’énergie dans
le réseau à cout minimal
– Résultat optimal si graphe initial vierge
Complexité : dépend du recherche du plus court chemin
• Graphe résiduel– Prendre en compte que les
changements au niveau des sources et puits
Complexité : O(A*f)
Gestion de la distribution de l’énergie dans le réseau T&D.
Bénéfice : le flot du graphe résiduel permet de seulement prendre en compte les baisses de production et de consommation, la solution est alors proche de l’optimal bien que le graphe soit prédéfini.
Régulation de la courbe
28
• Pente et régularité • Fonction K-Lipschitz
Les algorithmes locaux n’ont pas d’aperçu du résultat final.
Problème de sac-à-dos
• Problème de sac-à-dos sous contraintes :
– Temporelles : temps discret, production, consommation
– Spatiales : granularité, hiérarchie du graphe
– Physiques : routage, tailles non statiques
– Pour tout instant T
– max 𝑖=1𝑛 𝑥𝑖 𝑢𝑖
• xi=1 si la demande en énergie est satisfaite à l’instant T, 0 sinon.
• Ui= valeur calculée lors du sac-à-dos ou lors des enchères (modèle économique).
29
Problème généralisé
• Problème générale sans résolution via le modèle– L’énergie distribuée aux
microgrids deviennent des variables
– La limite de charge des lignes est une constante
– Le routage de l’énergie doit être déterminé dans le modèle mathématique (via les variables « a »).
– Dans cette analyse, les intérêts des producteurs ainsi que leur pluralité n’est pas prise en compte.
– Pour tout instant T
max
𝑖=1
𝑛
𝑥𝑖 𝑢𝑖
s.t. 𝑖=1𝑛 𝑥𝑖𝑤𝑖 ≤ 𝑊
𝑗
𝑖=1𝑛 𝑎𝑖
𝑘 𝑤𝑖 ≤ 𝑊𝑘
𝑖=1𝑚 𝑎𝑖
𝑘 = 𝑥𝑖
𝑗=1𝑚𝑎𝑥(𝑗)
𝑊𝑗 = 𝑘=1max(𝑘)
𝑊𝑘
• j représente un microgrid
• k représente une route producteur-microgrid
• Wj deviennent des variables
30
Gains globaux : résolution mathématique
• Maximisation convexe :– Problème de sac-à-dos, un
problème de maximisation convexe.
– Outils de résolution pour la recherche de solution dans un polytope (<5min pour 300 objets).
• Comparaison :– Comparaison du résultat de
l’équilibre de Pareto avec les résultats de la simulation.
– Modification de la flexibilité et des valuations des stratégies pour minimiser les pertes .
31
Gains locaux : gestion de la consommation
• Gain :– Le niveau local réduit le
recours à la distribution générale de l’électricité.
– Utilisation maximale des EnRet V2G dans une région locale (interne, microgrid, etc).
• Consommation résiduelle :– Consommation réelle.
– Consommation avec apport de production des EnR, V2G.
32
Gains globaux : lissage de la courbe
• Gain producteur :– Réduction de la courbe
de production.– Réduction des pics.– Réduction de l’utilisation
des énergies fossiles.
• Gain consommateur :– DSM: réduction du prix
de l’énergie.– Maximisation de
l’utilisation des énergies locales.
33
Exemple
34
Ancienne itération
• Exemple :– 2 centrales– 2 microgrids– 5 maisons
• Résultats / pronostiques :– Maison1 : 4/4– Maison2 : 5/7– Maison3 : 17/12– Maison4 : 4/9– Maison5 : 10/6– Centrale1 : 20/20– Centrale2 : 21/20
35
Mise à jour des consommations
Maison1 Maison2 Maison3 Maison4 Maison5
1/0/811/1/803/0/835/2/7520/4/20
Prévision : 4Conso_moy : 5
1/0/161/0/162/1/153/0/184/3/75/3/5
Prévision: 6Conso_moy: 7
1/01/010/0
Prévision: 12
1/0/331/1/323/0/353/2/294/1/328/4/8
Prévision: 8Conso_moy: 9
1/03/0
Prévision: 6
36
Calcul de la valeur d’un appareil i dans une maison : valeuri=(poidsmax*prioritémax)-(poidsi*prioritéi) + poidsi
Consommation résiduelle : le niveau local ne demande que ce qu’il ne produit pas lui-même (de même pour le microgrid).
-> Demande nette de consommationDSM : seul les appareils intelligents/domotique peuvent avoir une priorité supérieur à 0.
Type de jeux : utilité maximale
37
Stratégie local : somme des utilités*consommation/priorité (>1)Stratégie T&D : somme des (utilité/priorité-v)*consommationv (valeur unitaire) : moyenne de l’utilité par unité de consommation
Stratégie(Utilité)
Maison 1 v=34
Maison 2V=10
Maison 3 Maison 4V=22,5
Maison 5
0 330/194 77/27 Done 138/47 Done
1 410/240 107/37 298/56,5
2 620/257,5 341,5/32,5
3 none 125/-36
4 720/-322,5 357,5/-131,5
5 none
Enchère (consommation)
10 7 12 12 4
Mise-à-jour du routage
• Mise-à-jour– Centrale2 : production de 21 à 20
– Microgrid2 : consommation de 31 à 25
38
Graphe résiduel et nouveau routage
1. Mise-à-jour du réseau :• Production• Mise en place du graphe résiduel
2. Mise-à-jour du routage.3. Flot max par Ford-Fulkerson.
Nouveau routage et rétroaction
39
Résolution par Ford-fulkerson
1. Nous récompensons les deux Microgrids.2. Surproduction sur les deux centrales.
4. Détection des goulots d’étranglement(production et consommation) et de lacongestion.
Enchères finales
40
• Microgrid1– Maison1 : enchère de 4. – Maison2 : enchère de 8.
– Total : 12,– Prévision : 10,– Reçu i-1 : 9.
• Microgrid2– Maison3 : enchère de 13.– Maison4 : enchère de 11.– Maison5 : enchère de 4.
– Total : 28, – Prévision : 26, – Reçu i-1 : 31.
Consommation finale
Maison1 Maison2 Maison3 Maison4 Maison5
1/0/811/1/803/0/835/2/7520/4/20
Reçu : 4Consommé : 4Reste : 0
1/0/161/0/162/1/153/0/184/3/75/3/5
Reçu : 8Consommé : 7Reste : 1
1/01/010/0
Reçu : 13Consommé : 12Reste : 1
1/0/331/1/323/0/353/2/294/1/328/4/8
Reçu : 11Consommé : 9Reste : 2
1/03/0
Reçu : 4Consommé : 4Reste : 0
41
Poids/Priorité/Valeur, le résultat du KP local est en rouge, et du KP microgrid en vert.Il est possible de faire un jeu final pour la distribution des ressources.
Microgrid1 reste : 1Consommé : 1Reste : 0
Microgrid2 reste : 3Consommé : 3Reste : 0
Résultats de l’itération
• Exemple :– 2 centrales– 2 microgrids– 5 maisons
• Résultats / pronostiques :– Maison1 : 4/4+– Maison2 : 7/7+– Maison3 : 12/12-– Maison4 : 12/12– Maison5 : 4/4+– Centrale1 : 20/20+– Centrale 2 : 20/20+
42
La simulation
Module réseau de transport
Module consommation et production
Module distribution de l’énergie
Module gestion des pannes
Module réseau de communication
Coralie Petermann - UVSQ 43
Publications
44
Journaux
Guérard, G., Amor, S. B., & Bui, A. (2012). Survey on smart grid modelling. International Journal of Systems, Control and
Communications, 4(4), 262-279.
Ahat, M., Amor, S. B., Bui, M., Bui, A., Guérard, G., & Petermann, C. (2013). Smart grid and optimization. American Journal of
Operations Research, 3, 196.
Conférences
Guérard, G., Amor, S. B., & Bui, A. (2012, April). Approche système complexe pour la modélisation des smart grids. In 13th Roadef
Conference, Angers, France (pp. 263-264).
Guérard, G., Amor, S. B., & Bui, A. (2012). A Complex System Approach for Smart Grid Analysis and Modeling. In KES (pp. 788-797).
Amor, S. B., Bui, A., & Guérard, G. (2013). Méthode d’Analyse d’un Système Complexe pour la Recherche Opérationnelle: Smart Grid.
Recherche Opérationnelle et Aide à la DEcision Française (ROADEF’13).
MAGO14, Guérard, G., & Tseveendorj, I. (2014) Largest Inscribed Ball and Minimal Enclosing Box for Convex Maximization Problems.
IEEE/ACM'14, Guérard, G., Amor, S. B., & Bui, A. (2014). A Context-Free Smart Grid Model Using Complex System Approach.
•
Quel message voulez-vous diffuser ?
Smart Grid
45