Vous êtes sur la page 1sur 9

Manuscrit auteur, publi dans "IBPSA, Moret-sur-Loing : France (2010)"

Programmation linaire pour la gestion de lnergie


lectrique dun habitat

Benjamin Paris1, Eric Blanco1, Ion Hazyuk2

1
Laboratoire AMPERE, UMR CNRS 5005
Ecole Centrale de Lyon : 36, Av Guy de Collongue, 69134 Ecully Cedex
benjamin.paris@ec-lyon.fr eric.blanco@ec-lyon.fr
2
Laboratoire CETHIL, UMR CNRS 5008
Domaine Scientifique de la DOUA, 9 rue de la Physique, 69621 Villeurbanne CEDEX

1
RESUME. Le projet MIGRER a pour objectif principal damliorer la gestion nergtique dun habitat multi
sources et multi usages. Les contextes actuels conomiques et nergtiques, nous amne concevoir de
nouvelles approches, afin doptimiser la gestion dun parc lectrique multi sources. Il sagit de dvelopper un outil
daide la dcision, capable de proposer la meilleure solution dun point de vue conomique, sans altrer le
hal-00618625, version 1 - 2 Sep 2011

confort des occupants, cest--dire en rpondant entirement au besoin un moment donn. Pour cela, la
Programmation Linaire, applique grce lalgorithme du simplexe, permet de dterminer la solution optimale
dune fonction objectif en tenant compte dun certain nombre de contraintes, comme le prix dachat au rseau ou
encore lintermittence de la production des ressources nergies renouvelables (EnR). Notre champ
dapplication sillustre par une installation comportant des modules photovoltaques, une olienne, un parc
batterie et une connexion rseau. Loutil dvelopp est de surcrot test en mulation.
MOTS-CLS : Programmation linaire, gestion nergtique multi sources.

ABSTRACT. The R&D project called MIGRER was created to enhance the energy management of a
multisource dwelling. The economic and energetic contexts lead new investigations in order to optimize the
building electric consumption. Hence, one need is to design a tool able to determinate the most appropriate
choice in an economic point of view, taking into account many constrains dues to energy facilities and various
prices of the economic sector. This tool is based on linear programming applied by the simplex algorithm. Our
study case, developed with MatLab simulations, is characterized by a wind generator, photovoltaic panels, a
battery and an electric network connection. In addition, the tool is tested in a virtual laboratory of the Centre
Scientifique et Technique du Btiment.
KEYWORDS: Linear Programming, multisource energetic management.

1. INTRODUCTION

Un des enjeux majeurs concernant le secteur du btiment se caractrise par une


ncessaire amlioration de la gestion nergtique. Cette dernire savre de plus en plus
complexe en raison du nombre croissant dusages et de nouvelles technologies. Forts de ce
constat, les partenaires ENSIAME (Ecole Nationale Suprieure dIngnieur en Informatique
Automatique Mcanique Energtique Electronique), POWEO, CSTB (Centre Scientifique et
Technique du Btiment), CETHIL (Centre Thermique de Lyon), EDF R&D et Laboratoire
AMPERE ont mis sur pied le projet MIGRER1, financ par lADEME (Agence De
lEnvironnement et de la Maitrise de lEnergie). Lobjectif principal de ce projet est de

1
Maison Intelligente pour la Gestion Rationnelle des Energies Renouvelables
Confrence IBPSA France 2010
_________________________________________________________________________________________________________________

dvelopper des solutions afin de grer au mieux un habitat multi sources et multi usages,
que ce soit du point de vue thermique ou lectrique. La tche du Laboratoire Ampre, qui se
consacre laspect lectrique, est de proposer une stratgie claire et prcise afin de
rpondre entirement la demande tout en minimisant un critre de cot conomique. On
parle dans ce cas dune optimisation de la gestion des ressources et non pas de rduction
des consommations. Cette dernire tant notamment lie une meilleure conception des
quipements et un comportement responsable des usagers.
Concernant un habitat multi sources, nous avons in situ des installations nergie
renouvelable (EnR) qui cohabitent avec le rseau lectrique. A tout instant, le rseau du
btiment voit une charge, une sollicitation laquelle ces quipements se doivent de
rpondre. Cela peut se faire de diffrentes manires en tenant ncessairement compte dun
certains nombres de contraintes. Celles-ci manent de la disponibilit de lnergie pour les
sources EnR ou encore lquilibre entre les cots de vente et dachat de lnergie du
rseau. Notons que si les exploitants du rseau de distribution mettent en place une
modulation de la tarification (Energie Plus, 2010), la revente totale de lnergie produite in
situ ne sera pas obligatoirement la meilleure solution dun point de vue conomique. Il
hal-00618625, version 1 - 2 Sep 2011

est ainsi impratif de dvelopper un outil permettant de grer la contribution de chacune des
sources au besoin du btiment, en sappuyant sur un critre de cot conomique. Cette
situation est assimilable un problme dallocation de ressources pour lequel la
programmation linaire est particulirement adapte.
Des techniques de gestion similaires (Ha Pham et al., 2008) ont t employes pour
intervenir, non pas sur les ressources comme nous le proposons, mais sur la charge en
ralisant notamment des dcalages de services afin dattendre une plage horaire plus
favorable (Le, 2008). Ces techniques font appel de nouvelles sciences comme
lintelligence artificielle (Courtecuisse et al., 2008 ) ou, comme dans (Lagorse et al., 2010 ;
Ha, 2007), permettent la mise en place de systmes multi-agents notamment dans loptique
de faciliter la communication entre les matriels. Cependant, tous les quipements ne se
prtent pas au dcalage (four, TV) et il est, de ce fait, peu raisonnable denvisager ces
dcalages sur dautres quipements que ceux de lavage dun foyer. Il faut garder lesprit
que le cur du problme reste les occupants et leur confort. Lusage lorsque bon leurs
semble de leurs quipements courants fait partie du confort de vie. Ne pas respecter ce point
risque de conduire la sensation dune perte de la matrise de leur environnement et sera
contraire lacceptabilit des solutions.
Notre travail sorganise de la faon suivante : dans un premier temps une prsentation
succincte de la programmation linaire est ralise en complment de son application
notre cas dtude, puis dans un second, les points essentiels (application, rsultats) ayant
attrait aux tests en mulation sont exposs.

2. PRESENTATION DE LOUTIL
2.1. PRINCIPES DE LA PROGRAMMATION LINEAIRE
La programmation linaire (Teghem, 1996), dveloppe en 1947 par G. Dantzig et M.
Wood et utilise en particulier dans la planification conomique, permet de trouver la solution

-2-
Confrence IBPSA France 2010
_________________________________________________________________________________________________________________

optimale de certains problmes. Les problmes de programmation linaire scrivent sous la


forme suivante (Equation 1) :
Soient , et connus, avec .

On cherche le vecteur tel que

[1]

avec reprsentant la fonction objectif, et les contraintes. Lorsque ces


dernires sont des galits, on parle alors de programme linaire sous forme standard.
Lensemble des tels que est une varit affine dont lintersection avec
lensemble des forme un ensemble convexe, souvent not , appel rgion
ralisable. Chacun des points de la rgion ralisable caractrise une solution ralisable
parmi lesquelles au moins une minimise la fonction objectif : il sagit de la solution optimale,
situe en lun des sommets de la rgion ralisable , obtenue par lutilisation de lalgorithme
du simplexe (Brezinski, 2002 ; Dantzig, 1990). La modlisation dun problme linaire se
hal-00618625, version 1 - 2 Sep 2011

droule en trois tapes : (i) identification des variables, (ii) formulation des contraintes et (iii)
dfinition de la fonction objectif. Puis lcriture sous forme standard est recherche avant
dappliquer lalgorithme du simplexe (qui ne sera pas dtaill ici).
2.2. MISE EN FORME DU PROBLEME (MODELISATION)
Le problme, tel que nous lenvisageons, invite ne pas revendre systmatiquement la
totalit de la production, mais en fonction des cots dachat et de vente, de lnergie produite
et de la charge, de lutiliser in situ, de revendre le surplus ou encore de stocker cette nergie.
La configuration retenue pour la mise en situation, est illustre par un habitat quip dune
olienne, de modules photovoltaques, de batteries de stockage et dune connexion rseau.
De ce fait, les variables du problme linaire sont les suivantes :
puissances disponibles linstant t : (olienne), (modules photovoltaques),
(rseau), (lments de stockage),

puissance fournir linstant t : (puissance totale appele par les charges),


les tarifications linstant t : le prix dachat au rseau, le prix de vente de
lnergie olienne et le prix de vente de lnergie photovoltaque.

Il nous faut de surcrot, afin de pouvoir prendre une dcision sur lallocation des
ressources, connatre ltat du stock. Naturellement ces variables sont positives ou nulles.
En outre, lensemble des sources doit fournir la totalit de la puissance appele par la
charge. En consquent, la premire contrainte est donne par (Equation 2) :
[2]
avec .

Le paramtre permet de stipuler si llment de stockage est actif ou non, sil est en
phase de stockage ou de dstockage. Linstallation concerne dispose de 15 m de modules
photovoltaques (PV) ayant une puissance crte de 100 W.m-, dune olienne de 3 kW.

-3-
Confrence IBPSA France 2010
_________________________________________________________________________________________________________________

Labonnement au rseau est pris sur les standards, savoir un abonnement de 30 A. On


obtient alors les contraintes suivantes (Equation 3) :
[3]
Ce qui nous intresse vritablement est le montant total du cot de fourniture de lnergie
au btiment. La fonction objectif doit tre construite pour traduire ce besoin. On va pour cela
introduire des pondrations reprsentatives des cots associs chacune des sources. Que
lon revende la totalit de la production au rseau ou quelle soit utilise en interne, les cots
de production associs lamortissement de linstallation et sa maintenance sont toujours
prsents. Ils sont donc exclus de la fonction objectif car ils ninterviennent pas dans la
dcision entre les diffrentes situations de fonctionnement. Ils restent nanmoins prsents
dans notre problme car ils impactent sur la marge bnficiaire. On tiendra compte du prix
dachat lexploitant et des prix de vente ce mme exploitant et . On doit retenir
parmi les deux propositions suivantes la plus intressante dun point de vue conomique :
Proposition 1 : la totalit de lnergie ncessaire est achete au rseau et la
totalit de la production est revendue (Equation 4) ;
hal-00618625, version 1 - 2 Sep 2011

[4]

Proposition 2 : on utilise en interne la production en achetant uniquement le


complment (Equation 5) ;
[5]
Au regard de ces deux propositions, des rgles expertes de la forme sialors
auraient pu tre utilises. Cependant, contrairement la programmation linaire, elles
transforment chaque cas dtude en un cas particulier avec une prise en compte de plus en
plus difficile dun optimum au regard de lensemble des contraintes (contraintes croissantes
avec le nombre de sources). Cela impliquerait galement de balayer lintgralit de lespace
des solutions pour pouvoir dterminer la plus favorable. Lavantage de la programmation
linaire est de ne parcourir que les frontires de lespace dlimit par lensemble des
contraintes, sachant que les points dintersection des droites associes aux diffrentes
contraintes et restreignant lespace des solutions forment des sommets dont un correspond
la solution optimale du problme. Le choix du parcours le long des segments reliant un
sommet ses voisins est donn par lvaluation de la fonction objectif pour chacune des
directions possibles partir de ce mme sommet.
Des propositions 1 et 2, on peut en dduire la fonction objectif suivante (Equation 6) :
[6]

Ainsi, on peut facilement tendre la fonction lordre , c'est--dire sources, ce qui


nous conduit sa forme gnral (Equation 7) :
[7]

-4-
Confrence IBPSA France 2010
_________________________________________________________________________________________________________________

3. TESTS EN EMULATION

Le principal objectif de ces tests est de raliser une tude de faisabilit dans loptique de
confronter loutil dvelopp en simulation une situation relle : tude du fonctionnement
global de linstallation ; tude du matriel.
3.1. APPLICATION
Lutilisation de la programmation linaire permet partir des diffrentes puissances
disponibles (modules PV, olienne et rseau), de la puissance appele par la charge ainsi
que des diffrentes tarifications (prix dachat de llectricit, prix de revente des nergies
renouvelables) de connatre la contribution respective de chacune des sources, afin de
minimiser un critre conomique. On obtient donc les quantits prcises consommes en
interne et celles revendues au rseau. Toutefois, pour des raisons techniques lors des tests
en mulation, ces quantits doivent tre considres comme des variables discrtes. En
consquent, partir des rsultats de loptimisation et pour rendre le fonctionnement de
linstallation ralisable et cohrent lors des tests, des hypothses complmentaires ont t
mises et appliques (Figure 1):
hal-00618625, version 1 - 2 Sep 2011

Hypothse 1 : on cherche maximiser la consommation des EnR in situ (aprs la


prise de dcision conomique).
Hypothse 2 : on souhaite garder le stock un certain niveau (privilgier le
stockage la revente aprs la prise de dcision conomique).
Hypothse 3 : on favorise lutilisation du stock EnR par rapport au rseau.

Figure 1 : Algorithme de la prise de dcision.

Comme nous connaissons dj les puissances mises en jeu, il nous faut par consquent
dfinir les diffrentes tarifications. Celles utilises se basent sur le contrat Bleu-Ciel de
EDF avec loption Heures Creuses/Heures Pleines (HC = 0,0734, HP = 0,1154 euros.kWh-1).

-5-
Confrence IBPSA France 2010
_________________________________________________________________________________________________________________

En ce qui concerne le rachat des productions EnR, lnergie photovoltaque est vendue
0,58 euros.kWh-1 (JO, 2010) et lnergie olienne 0,082 euros.kWh-1 (JO, 2008).
En outre, le schma reprsentant linstallation mule doit tre clairement identifi (Figure
2). Nous avons recours ici au laboratoire virtuel Simbad du CSTB qui permet dmuler le
fonctionnement dun habitat et dquipements nergtiques, le tout en temps rel. Cette
installation est quipe de plusieurs capteurs pour les tests effectuer. Dune part, des
mesures dnergie lectrique : A (nergie PV revendue au rseau), B (nergie olienne
revendue au rseau), C (nergie PV fournie la charge ou/et la batterie), D (nergie
olienne fournie la charge ou/et la batterie), E (nergie achete au rseau consomme
par la charge), F (nergie consomme par la charge), G (nergie fournie/stocke par la
batterie) ; et dautre part des mesure des puissance : puissance disponible en sortie des
modules PV, puissance disponible en sortie de lolienne, puissance appele par la charge
en plus du niveau du stock.
hal-00618625, version 1 - 2 Sep 2011

Figure 2 : Schma de linstallation mule.


Ensuite, le programme doptimisation a t implment dans une carte dacquisition-
commande DSpace et un bornier a t configur pour permettre la communication avec
linstallation mule par le CSTB. Au sujet de la commande, il sagit denvoyer un ordre
chaque relais pour lui signaler sa position un instant t en fonction du rsultat de la prise de
dcision (Figure 3).

-6-
Confrence IBPSA France 2010
_________________________________________________________________________________________________________________

Figure 3 : Schma de la communication des tests en mulation.


3.2. RESULTATS
Les figures 4 6 illustrent les rsultats des tests, dune dure dune semaine, ayant
recours des donnes de consommations lectriques dun habitat ainsi que des donnes
mtorologiques fournies par EDF R&D et le CSTB.
hal-00618625, version 1 - 2 Sep 2011

Figure 4 : Variations du prix dachat au rseau et de la charge.

Figure 5 : Variations des productions EnR.

Figure 6 : Commutations successives des relais 1, 2, 3 et 5.

-7-
Confrence IBPSA France 2010
_________________________________________________________________________________________________________________

Le Tableau 1 rsume quant lui les rsultats conomiques. Il sagit ici de comparer le cas
classique (acheter toute lnergie demande au rseau et revendre la totalit des
productions EnR) avec les rsultats de loptimisation.

Tableau 1. Comparaison conomique [euros].


Cot achat Bnfices vente Bnfices vente
EDF PV Eolien
Cas classique 27 40 0,34
Optimisation 26 40 0,11
De manire gnrale, on remarque une baisse de 4 % (-1 euro) du cot de fourniture en
lectricit, ainsi quune diminution des bnfices de la revente de lnergie olienne
denviron 70 % (-0.23 euro). Lnergie photovoltaque est en totalit revendue en raison de
son fort prix de rachat. Au final, la programmation linaire nous apporte une optimisation
conomique des ressources. Notons toutefois que ces rsultats ne correspondent qu une
seule semaine et que des tests sur une priode plus longue permettraient daffiner ces
pourcentages.
hal-00618625, version 1 - 2 Sep 2011

4. CONCLUSION

Dans le cadre du projet MIGRER, un outil de gestion de lnergie lectrique a t


dvelopp afin damliorer le fonctionnement de plusieurs sources dnergie au sein dun
habitat. Cet outil se base sur la programmation linaire applique via lalgorithme du
simplexe. Il permet de dterminer prcisment, lors dune sollicitation de la charge, quelle
puissance doit tre utilise pour chacune des sources dans loptique de minimiser un cot
conomique. Cette minimisation dpend de contraintes relatives aux installations
concernes (olienne, modules PV, rseau) ainsi qu la conjoncture conomique
(tarification de vente et de rachat). En outre, les tests en mulation ont permis de valider une
partie du matriel ncessaire la mise en situation relle. Il sagit de la carte dacquisition-
commande conue sous lenvironnement DSpace. Il en rsulte des perspectives logiques,
savoir la ralisation dun banc de test rel au sein du Laboratoire Ampre, en ayant recours
par exemple des charges programmables ou encore des modules PV dj sur site. Les
partenaires de ce projet ont galement le souhait de donner suite ces travaux en y tudiant
plus prcisment la composante stockage ainsi que les modulations tarifaires dachat et de
vente de lnergie lectrique plus long terme. En effet, il serait intressant dvaluer la
capacit dun tel outil anticiper les diffrentes variations de puissances et de tarif, et
dtudier diffrentes situations, comme par exemple stocker lnergie du rseau lors dune
tarification favorable et de la consommer afin de seffacer sur demande de loprateur. Pour
cela, il est ncessaire dintroduire de nouveaux lments permettant notamment de raliser
une prdiction des consommations sur un horizon de temps dpendant de la capacit de
stockage, de la dure souhaite deffacement et des besoins du foyer dans cette mme
plage de temps. Une reprsentation par un processus stochastique de lvolution dynamique
des consommations est en cours.

-8-
Confrence IBPSA France 2010
_________________________________________________________________________________________________________________

5. BIBLIOGRAPHIE
Brezinski C. (2002) Initiation la programmation linaire et lalgorithme du simplexe ,
Editions Ellipses, Collection Mathmatiques Appliques.
Courtecuisse V., Sprooten J., Robyns B., Petit M, Francois B., Deuse J. (2008) A
methodology to design a fuzzy logic based supervision of hybrid renewable energy
systems , Mathematics and Computers in Simulation,
doi:10.1016/j.matcom.2010.03.003.
Dantzig G.B. (1990) Origins of the simplex method , A history of scientific computing, S.G.
Nash ed., ACM Press, New York, p. 141-151.
Energie Plus (2010) Pointe de consommation dlectricit : les prconisations du rapport
Poignant-Sido , n443 du 1er avril 2010.
Ha D.L. (2007) Un systme avanc de gestion dnergie dans le btiment pour coordonner
production et consommation , Thse de doctorat, Institut National Polytechnique de
Grenoble, 180 p.
Ha Pham T.T., Clastres C., Wurtz F., Bacha S., Ploix S. (2008) Mise en uvre de
loptimisation pour le dimensionnement et les tudes de faisabilit de systmes multi-
sources lectriques dans le btiment , International Building Performance Simulation
hal-00618625, version 1 - 2 Sep 2011

Association, France, 12 p.
Journal Officiel (2010). Arrt du 12 janvier 2010 fixant les conditions dachat de
llectricit produite par les installations utilisant lnergie radiative du soleil telles que
vises au 3 de larticle 2 du dcret n 2000-1196 du 6 dcembre 2000 .
Journal Officiel (2008). Arrt du 17 novembre 2008 fixant les conditions dachat de
llectricit produite par les installations utilisant lnergie mcanique du vent .
Lagorse J., Paire D., Miraoui A. (2010) A multi-agent system for energy management of
distributed power sources , Renewable Energy 35, p. 174182.
Le K. (2008) Gestion optimale des consommations dnergie dans le btiment , Thse de
doctorat, Institut National Polytechnique de Grenoble, 195 p.
Teghem J. (1996) Programmation Linaire , Editions Ellipses, Collection Statistique et
Mathmatique Appliques.

-9-