une gestion efficace de l’énergie : de l’habitation aux ... · relevé, gestion des...

Une gestion efficace de l’énergie : de l’habitation aux réseauxréseaux

R t INRIA I d t iRencontres INRIA - IndustriesVille durable numérique de demainThème Énergie

23 juin, HEC

Jean-Yves BerthouJean-François FAUGERASEDF R&D

Pourquoi des évolutions des réseaux d’énergies ?

EDF R&D : Créer de la valeur et préparer l’avenir

Histoire simplifiée des réseaux électriques

Ré THT

Réseaux maillés (105 km) contrôlés par des

p q

Réseaux THT dispatchings assurant un suivi précis de l’état en temps réel du réseau.Système de protection

400kV/63kV400kV/63kV

Réseaux HT

sophistiqué s’appuyant sur des disjoncteurs

HTB/HTA63kV/20kV

HTB/HTA63kV/20kVRéseaux MT/BT

Réseaux arborescents

HTA/BT20kV/400V

HTA/BT20kV/400V

(1,25 106km), (télé)opérés manuellement à partir des agences de conduite, large utilisation des fusibles : réseaux simples et un réseau globalement


économiques. un réseau globalement « descendant »

Des facteurs de changements majeurs (1/2)g j ( )Des changements institutionnels …

éDes gestionnaires de réseau devant assurer un accès transparent et non discriminatoire à tousles acteurs

…et des orientations politiques :

les « 3 X 20% » de l’UE :L’efficacité énergétique Les énergies renouvelables Les émissions de CO2l G ll d l’E i t !le Grenelle de l’Environnement !

… qui impactent l’amont et l’aval… !


… qui impactent l amont et l aval… !

2. Des facteurs de changements majeurs (2/2)g j ( )Des changements industriels

Les EnR :Les EnR : Eolien : 2005 : 300 MW / auj. > 2 GW / demain 10-20 GW ?? PV - 8000 demandes / mois

Le comptage : Italie (27 M déployés) – nombreux projets en Europe et aux US pour 2010/12 –Italie (27 M déployés) nombreux projets en Europe et aux US pour 2010/12 France : expérimentation de 300000 compteurs

Les sages de l’électricité en s bstit tion de l’électricité PàC éhic lesLes usages de l’électricité en substitution de l’électricité PàC, véhicules électriques ,…:

une perspective à considérer peut être plus en puissance qu’en énergie… maîtrise et pilotage de la demande…


Vers un nouveau réseau : le smart grid ?

Production Réseaux THT

400kV/63kV400kV/63kV

HTB/HTAHTB/HTA

Réseaux HT

Réseaux MT/BT

PDEPDE

HTB/HTA63kV/20kV

63kV/20kV

HTA/BT20kV/400V

Réseaux MT/BT

Consommation

PDEHTA/BT

20kV/400V

PDE


un réseau de « collecte » … à optimiser !!!

La vision des smartgridsdans le monde…dans le monde…


Quelques définitions…Quelques définitions…

Europe (Source : european technology Platform smartgrids) :Europe (Source : european technology Platform smartgrids) :A smart grid is an electricity network that can intelligently integrate the actions of all users connected to it –generators, consumers

ffand those that do both – in order to efficiently deliver sustainable, economic and secure electricity supply.

USA (Source : US department of energy) :A smart grid is self healing, enables active participation of g g, p pconsumers, operate resiliently against attack and natural disaster accomodate all generation and storage options, enable introduction of new products services and markets optimizeintroduction of new products, services and markets, optimize asset utilization and operate efficiently, provide power quality for the digital economy


Une vision des constituants possibles…p


En résumé….


La recherche sur les a ec e c e su essmartgrids en France menée pour ERDF par p pEDF R&D…


Smartgrids – le conceptSmartgrids le conceptLe concept de « smart grids » recouvre l’ensembledes solutions innovantes pour « gérer un réseau »des solutions innovantes pour « gérer un réseau »(grâce en part. aux NTIC)

4 notions

1. la gestion intelligente

2. l’exploitation et la

4 notions

Smart Life Smart Operation

intelligente des actifs

et la conduite intelligentes

Smart M t

Smart 4. la construction 3. Le comptage Meter Management

distrib. Gene.& Load Magt

4. la construction d’équilibres locaux

3. Le comptage communicant et intelligent


Des questions encore ouvertes …qProduction décentralisée : de l’énergie fatale à l’énergie programmable ?

L’importance de la prévisibilité, de l’observabilité et de la prévision La gestion des incertitudes sur la performance des solutionsL’enjeu du stockage (rentabilité en question)Le modèle économique (partage des investissements )Le modèle économique (partage des investissements, …)L’évolution des modes de raccordement … et les services attendus par le système, etc..

Comptage intelligent : où est la valeur ?Relevé, gestion des consommations et de l’accès au réseaugOutil de gestion du réseau BTModernisation des outils de planification grâce à une meilleure connaissance des chargesdes charges Transparence de l’information venant du réseau : information sur la qualité, la tensionPorte ouverte sur la gestion de la charge etc


Porte ouverte sur la gestion de la charge, etc…

L T h l i dLes Technologies de l’Information et la Si l ti i dSimulation au service des réseaux intelligents


Introduire le probabiliste dans les études réseauContexte : de plus en plus d’aléas à considérer

Augmentation de la production décentralisée (éolien, PV) incertaine (aléas climatiques)

Gains potentiels pour le distributeurde nouvelles marges dans la conduite et l’exploitation du réseau en tenant compte de la production non programmable (éolien et PV)(aléas climatiques)

Caractère incertain de l’évolution de la consommation (VE)Nouvelles contraintes réglementaires sur

p p g ( )une diminution ou un décalage des investissements en prenant en compte dans les études de réseau des combinaisons d'aléas (météo charge prod Éolienne ou PV tempsNouvelles contraintes réglementaires sur

la qualité de fourniture soumise à différents aléas (climatiques, vieillissement matériel, temps de réparation)

(météo, charge, prod. Éolienne ou PV, temps d’intervention, fiabilité des équipements télécom,…)une détermination des actions de maintenance (transfo boites de jontion) en identifiant les

Limitation des méthodes actuellesUtilisation de valeurs déterministes

(transfo, boites de jontion) en identifiant les zones à risques (proba d’occurrences température/charge élevée)

Enjeux métiers :extrêmes ou moyennesPas de corrélation entre les différents aléas

mieux maîtriser les conséquences de l’insertion de la production décentraliséeAméliorer la qualité de fourniture, meilleur politique d’investissement

Difficulté à estimer le risque pris dans une décision métier

p qOptimiser la gestion des actifs réseau, estimation du vieillissement des ouvrages sensibles notamment aux aléas météo


Introduire le probabiliste dans les études réseauOpenTURNS is an Open source initiative to Treat Uncertainties, Risks’N Statistics in a structured industrial approach. It has been developped since 2005

Pre-existing physical-industrial system or

componentSources of uncertainty

Outputs with industrial stakes

It has been developped since 2005 through a partnership between EDF, EADS and PhimecaSources are under GNU LGPL, documentation and wiki content are

Meteo. Randomness

Variability

Model imprecisions

….

Mechanical component

Waste storage facility

Maintenance program

…

Mechanical margin to failure

Peak dose emitted

Net cost/benefit expected

….Input Input documentation and wiki content are under GNU FDLTarget users:

Industrial pratitioners : access

System System modelmodel

variablevariabless

uncertain : x oo

VariaVariables bles of of p

through GUI: Scientific C++ library including an internal data model and algorithms dedicated to the treatment of uncertainties

G(x,d)G(x,d): xfixed : d intereintere

ststZ =

G(x d)

intereintereststZ =

G(x d)Academic and research users: Python module with high level probabilistic and statistical operators

G(x,d)G(x,d)


Simulation de grands systèmes discrets

Simuler une panne électrique globale et la restauration du système ; en fonction de l'architecture télécom et de la zone géographique

5 tit t i i

g y

g g p qtouchée : quelle durée totale d'incident ? Comment le système gère un retour quasi-simultané de dizaines de millions de compteurs ? Quelle est la meilleure stratégie d'utilisation de l'énergie restante, à partir de la détection de la perte de puissance ?

5 constituants principaux:compteur communicantconcentrateur SI centralréseau de communication p p

Quelles sont les conséquences de la perte d'un lien télécom WAN ? Combien de données perdues ? Est-il intéressant de tenter une bascule d'opérateurs ?Si une mise-à-jour de firmware des compteurs devait se produire à

local (LAN)réseau de communication

étendu (WAN) Le cas français (ERDF) :Si une mise à jour de firmware des compteurs devait se produire à

pleine charge dans le pire cas, en combien de temps pourra-t-on êtrer certains que l'ancien firmware sera complètement résorbé ?Quelle efficacité des moyens de MDE si X% des foyers les mettent en application ? Quel volume de données à véhiculer quelle durée

35 millions de compteurs700 000 concentrateursDéploiement: 5 milliards

d'€100Go de données / jourapplication ? Quel volume de données à véhiculer, quelle durée

d'anticipation est nécessaire à un fournisseur pour remplir ses obligations contractuelles auprès de ses clients ?Le système est-il capable de faire la collecte journalière des données de comptage en l'espace de 6h? »

100Go de données / jourLAN = technologie CPLWAN = technologie GPRS

de comptage en l espace de 6h? »


Simulation de grands systèmes discretsÀ événements discrets : le système est soumis à une succession d'événements ponctuels qui en modifient l’étatSynchrone (dite « time slicing » ou « timeSynchrone (dite « time-slicing » ou « time-stepped ») : Il existe une fréquence de simulation fondamentale, paramétrable (ex: 50Hz pour le CPL AMM)Intensément concurrente : simulation répartie distribuée sur un ensemble de nœuds de calcul (ex : cluster), l’algorithme permet, à chaque pas de temps, d’évaluer tous les modèles en Sim-Diasca, framework de

Modèles métier

parallèle

Ex. : 51 millions de compteurs (gaz et élec), 25 millions de passerelles résidentielles 25 millions

S asca, a e o deprogrammation de grands systèmes discrets, transforme une instance WOOPER en un une instance d'un modèle simulé et un système multi-agents en une simulation discrète massivementmillions de passerelles résidentielles, 25 millions

de CDU (Customer Display Unit), 25*3 + 3 millions de liens télécom

=> 179 millions d'instances de modèles en interaction

en une simulation discrète massivement concurrente

WOOPER, librairie objet, transforme un processus en instance d'une classe bénéficiant de l'héritage multiple et une interaction

Besoin mémoire/calcul par étude : 2To – 20To, 10 - 100 Tflops

application concurrente en un système multi-agents

Erlang, langage fonctionnel orienté concurrence : fournit les moyens de créer une application parallèle et répartie, à


base de processus

Traitement de données massives et HPCStockage et traitement de données massives

Très grands entrepôts centralisés (ex. Teradata)Teradata)

Cloud computing et stockage distribué

Stockage, requêtage et fouille de données g , q gtemporelles massives

Traitement de données en ligne

Dé i i l t é l ( l l d’ é tDécisionnel temps réel (calcul d’agrégats, détection d’anomalies)

Apprentissage en ligne de modèles (prévision, dé i d’ li d i )détection d’anomalies adaptatives)

Fouille de données distribuées

ex: prévision de consommation à différentesex: prévision de consommation à différentes mailles


Traitement de données massives

Objectifs : Données : Exemples :

Smart grids : observabilité du réseau

prise en compte de la production décentralisée pour la téléconduite et la supervision du réseau

topologie du réseaumesures sur le réseaucourbes de charge

i di id ll d

observabilité du réseau à l’aide des courbes de charge AMMsupervision du réseau

qualité de la fourniture

gestion active de la demande

individuelles de consommation et de production

données de stockage

prévision de la production photo-voltaïque

demande

dimensionnement du réseau

d’énergiedonnées météo finesprincipaux usages des

clientsclients~600 To/an (cdc à la mn)

Σ

SI AMM

DP1

DP2

DP3

SI

Conduite

PosteDP1

Poste DP2

Poste DP3HTA

BT BT BT

Capteur

EDF R&D : Créer de la valeur et préparer l’avenirEDF R&D : Créer de la valeur et préparer l’avenir 20

Traitement de données massivesW b d l’é iServices aux clients à partir des données énergétiques remontant des

installations clients

Web de l’énergie

Aujourd’hui :Jours bleu, blanc, rouge de Tempo/EJP, HP/HC pour le pilotage de la chargeUnique interlocuteur du client : le commercialisateurUnique interlocuteur du client : le commercialisateur

Demain :Analyse de la courbe de chargeÉchanges entres les clients(réseau social énergétique)Équipements communicantsGestion énergétique localePilotage de la charge…


Traitement de données massivesW b d l’é iWeb de l’énergie

Objectifs :pour le client :

échanges de bonnes

Données :courbes de charge de

consommation et de production au i i di id l

Exemples :Google Power

Meterg

pratiques, recherche d’offres de fourniture d’énergie, se comparer aux autres, pilotage de sa consommation et de sa production

niveau individuel et par usagesdonnées météo finesdonnées relatives aux

équipements, au logement et à ses

Voltalis à grande échelle

pour EDF :

connaître et communiquer avec les clients et les prospects, trouver des

q p , goccupants

données des SI contractuels et de facturation

blogs réseaux sociaux prospects, trouver des gisements d’effacements, préparer et opérer des offres de gestion active de la demande

blogs, réseaux sociaux ~ dizaines de Po annuel – cdc à

la seconde


Traitement de données massivesMonitoring de la relation clientèle : systèmes de g yrecommandation pour les offres aux clients

Aujourd’hui :Conseils pratiques (eco-gestes)Offres : « je déménage », « je fais des travaux », « je fais construire »

Demain :Les clients qui consomment comme vous ont choisi :Les clients qui consomment comme vous ont choisi :1 1 –– Ecoplus 2 Ecoplus 2 –– Gestionplus 3 Gestionplus 3 –– PhotoplusPhotoplus


push d’offres et systèmes de recommandation

Traitement de données massivesMonitoring de la relation clientèle : systèmes de

Obj tif D é E l

g yrecommandation pour les offres aux clients

Objectifs :optimisation des

dispositifs de la relation client

Données :courbes de charge de

consommation et de production au niveau individuel et par usage

Exemples :y voir clair

dans la multiplication client

définition des offres

ciblage / recommandation des

au niveau individuel et par usagedonnées contractuelles et de

facturationhistorique des contacts clients

lti

des offres,

supervision de la gestion multi-

lrecommandation des offres aux clients

optimisation tarifaire

multi-canaux~100 To/an (cdc au ¼ d’heure)

canal


une gestion efficace de l’énergie : de l’habitation aux ... · relevé, gestion des...

Documents