Audit Batiment

Problématique Analyse du problème Formulation et approches de résolution Applications Conclusions
Un système avancé pour la gestion de

l’énergie dans le bâtiment pour
coordonner consommation et
production
Présenté par
Duy Long HA
Sous l’encradement de
Mme Mireille Jacomino
Mr Stéphane Ploix et
Mr Eric Zamaï
Soutenance de thèse 19 Septembre 2007

Plan
1 Contexte et enjeux
• Contexte énergétique actuel
• Enjeux énergétiques dans le secteur du bâtiment
• Verrous scientifiques
2 Analyse du problème
• Différentes activités énergétiques dans le bâtiment
• Modèles comportementaux
3 Formulation et approches de résolution
• Formulation générale
• Résolution de la couche anticipation
• Prise en compte des incertitudes dans la couche anticipation
4 Applications
• Gestion des flux énergétiques dans le bâtiment photovoltaïque
• Contribution à la prévention du blackout
5 Conclusion et perspectives
2 /38
Introduction
Contexte
Combien de temps dureront encore les énergies fossiles
Charbon
Pétrole
Gaz Naturel
Uranium
Source Office allemand géophysique et minier (BGR)
Consommation énergétique mondiale depuis 1870 (source IEA)
2005 2105 2205
Développement Réglementation
Augmentation Besoins en Pénurie de Eco système
des pays liée à
de la population énergie ressources non extensible
émergents l’environnement
Réduction de la
Augmentation de capacité de
la demande en énergie production d’énergie
Questions fondamentales pour le futur

• Comment améliorer notre manière de consommer ?
• Comment mettre en place un développement durable en prenant en compte les aspects
environnementaux ? 3 /38
Problématique de conduite et d’exploitation du réseau

électrique actuel
MW
70000
68000
66000
64000
62000
60000
58000
56000
54000
52000
50000
La courbe de consommation d‘une journée en

France source RTE [1]
85654 86280
MW 83539
Problématique liée au pic de consommation 90000
78715
85000
80000 71938
69599
• Prise en charge des pics de consommation par des 75000
sources d’énergie polluantes et coûteuses 70000
65000
• Demande d’augmentation de la capacité de 60000
production
• Impact sur les réseaux (blackout)
Les records de pic de consommation en France
pendant 10 ans (1996-2006) source RTE [1]
Enjeux liés au secteur du bâtiment

Proportion de la consommation
MW d’énergie par secteur en
70000
68000 France(2002)
66000 Agriculture
64000 2% Sidérugie
62000 4%
60000 Industrie
58000 hors
Transport sidérugie
56000
31% 20%
54000
52000
50000
Résidentiel-
Tertiaire
43%
La courbe de consommation dans une journée en
France source RTE [1]
Changement de comportement et de
technologie
• Le secteur du bâtiment représente à lui seul 43%
de l’énergie consommée en France et 23% des
Réduction de la consommation en période de émissions de gaz à effet de serre
pic en tenant compte du critère de confort • Le changement de comportement des usagers et
de l’usager de la technologie est nécessaire
5 /38
Système de gestion de l’énergie dans le bâtiment

Système domotique
MW
70000
65000
60000
55000
50000
Coordonner la consommation et la production
00:30
02:00
05:00
06:30
08:00
11:00
12:30
14:00
15:30
17:00
18:30
20:00
21:30
23:00
03:30
09:30
de l’énergie électrique
Enjeux pour le fournisseur d’énergie Enjeux pour le consommateur
• Réduire le pic de consommation et réduire • Assurer son confort en prenant en compte les
l’impact environnemental et le coût de contraintes de ressources et d’environnement
production d’énergie • Mieux maîtriser sa consommation et sa
• Optimiser le plan de production d’énergie production d’énergie locale
en anticipant les demandes des
consommateurs
6 /38
Analogie entre système de production et système de gestion

d’énergie Système domotique
Notation Système de production Système de gestion d’énergie dans le bâtiment

Ressource énergétique Equipements
Ressource
Système de
Flux physique production Flux Bâtiment
énergétiques Services
Produit
Matières clients
final à date Usager
premières
Stockage Stockage
Stock électrique thermique
•Délai •Confort
Performance • Coût •Coût
• Impact environnemental •Impact environnemental
7 /38
Verrous scientifiques
Vers un problème Vers un problème de

d’ordonnancement commande prédictive
Difficultés Difficultés
• modèle à événements discrets

• modèles continus & hybrides
• contraintes fortes à satisfaire
• incertitudes prépondérantes • incertitudes prépondérantes
• événements se produisant à des • événements se produisant à des
échelles de temps différentes échelles de temps différentes
Système reconfigurable et extensible
• Possibilité d’ajouter et d’enlever des composants au système

• => un modèle générique pour intégrer les différentes contraintes et les différents types de
modèles comportementaux
8 /38
Méthodologies proposées
Niveau d’abstraction
Vers un problème Vers un problème de

d’ordonnancement commande prédictive Modèle
Modèle
continu
discret
Couche Difficultés
Difficultés
d’anticipation
•modèle de type d’événement
• modèles continus & hybrides discret Transformation logique
• incertitudes prépondérantes •contraintes fortes à satisfaire par variable binaire
• événements se produisant à •incertitudes prépondérantes
des échelles de temps •événements se produisant à des
différentes échelles de temps différents
Couche
réactive
Système reconfigurable et extensible
Formulation générale
• Possibilité d’ajouter et d’enlever des composants au système sous forme de programme
linéaire mixte
• => un modèle générique pour intégrer les différentes contraintes et les
Couche différents types de modèles comportementaux
locale
Outils de résolution utilisés

• Métaheuristiques hybrides et programmation multiparamétrique
• Programmation dynamique, algorithmes de liste
Echelles de temps
9 /38
4 Applications
10 /38
Différentes fonctions énergétiques dans le bâtiment
Chauffage et
climatisation
Eau chaude
Sources Appareils
d’énergie électroménagers
Eclairage
Sources d’énergie
Charges11 /38
Classification des services

Energie
Energie
Temps Temps
Modulable
fdsfdsfffddfdsfdsfdsff Décalable
Degrés
de
liberté
Interruptible Accumulable
Energie Energie Energie Accumulation
Temps
Temps 12 /38Temps
Caractéristiques des sources

Puissance
Pmax Capacité
Capacité
Consommation maximale
temps
Capacité de production d’énergie
Caractéristique des
sources
Profil
Profil de coût
énergétique environnemental
Prix d’énergie par kW

Emission de CO2
Coût des ressources temps

13 /38 Profil de rejet CO2 temps
Modèles comportementaux
Modèle continu
 dTa   1 1 
0 0  Text 
 dt   rC rC  T   0 ri , Ci
  
i e i e
  a    1 1 W   r  s
 
 dTm   1  1  1  Tm   r C C C     Ta r
 dt   rC raCi rC  a i i i  s 
i i i i
T a Température ambiante Text Tm

Tm Température de l’enveloppe
Text Température extérieure
Modèle dynamique
• Modèle thermique d’une pièce sous la forme de deux constantes de

temps permettant de décrire le changement de température ambiante
14 /38
Modèle automate à états finis
Modèle automate à états finis
• Modèle à états finis composé d’un ensemble d’états et de transitions avec des conditions
de transition
• Chaque état correspond à une phase de fonctionnement, la transition représente le
changement de phase de fonctionnement
Puissance consommée
Temps
Démarrage
Chauffage
Lavage Essorage Veille
eau
Service de lave-linge
15 /38
Phase 1 est finie Phase 2 est finie Phase 3 est finie
Modèle hybride
dC
 C (t )  u (t )
dt
C (t ) énergie stockée dans la batterie à l’instant t
u (t ) vecteur de contrôle/commande à l’instant t
Service de stockage
Charge Veille Décharge

u ( k )  0 : batterie dans l'état charge

u ( k )  0 : batterie dans l'état veille
u ( k )  0 : batterie dans l'état décharge

Caractéristiques de ce type de modèle
• L’évolution des variables physiques est exprimée par le modèle continu

• Les conditions de transition d’états sont représentées par des conditions logiques
16 /38
4 Applications
17 /38
Mécanisme de pilotage de multi-échelle

Sortie prédictive
y(k )
Niveau d’abstraction
Couche d’anticipation
•Objectif: générer le plan d’affectation des ressource s en

fonction des prédictions disponibles k  12
•Flexibilité: Basée sur les degrés de liberté offerts par l’utilisateur
•Contrainte: l’énergie affectée moyenne Passé
Couche temps
Future
u (k )
d’anticipation Présent Energie affectée
Couche réactive
• Objectif: adapter le plan d’affectation des ressources pour

faire face aux événements imprévus Présent
Activé
Couche • Flexibilité: Basée sur les degrés de liberté offerts par le Svr1 Désactivé
réactive fonctionnement des équipements Activé
• Contrainte: puissance consommée maximale Svr2
Désactivé
Couche
Couche locale
locale ON OFF
• Objectif: suivre la consigne de la couche d’anticipation et
de la couche réactive en utilisant le contrôle embarqué
• Flexibilité: Régulation locale eq1
• Contrainte: capacité de l’équipement
eq2
Echelles de temps
18 /38
Problèmes traités dans la couche d’anticipation

Problème de gestion des services
Sous problème N1: Calcul de la séquence optimale des services modulables
ri , Ci Chercher Ta (i, k ), Ec (i , k )
Satisfaction s
Ta r
thermique   1 1 
ya ( k )  T (i, k  1)   T (i, k )   0 0 0  Text ( k ) 
  rC r C  
 1 W   Ec ( k ) 
Tm
Text  a

i e i e
 a 1
 
 Tm (i, k  1)   1 1 
1   Tm ( k )  
 rC    ra Ci Ci Ci   s ( k ) 

 i i ra Ci ri Ci 

  a1Ta (i, k )  b1 Si Ta (i, k )  Topt
22,5°C Température Ta (k )  ya ( k )  
  a2Ta (i, k )  b2 Si Ta (i, k )  Topt
Fonction de satisfaction thermique sous K
forme linéaire par morceaux (ISO7730) y (i )   y a ( i , k ) Critère de confort
k 1
Sous problème N2: Calcul de la date de début des services décalables

Energie s(i ) f (i )
Chercher s (i ), f (i ), Ec (i, k )
  E (i, k )   Min[ f (i ), ( k  1)  ]  Max[ s (i ), k  ]  P (i ) Si E (i , k )  0
E
 c ( i , k )  
  0 Si E (i, k )  0
Energie E (i, k ) Temps 
 y (i )   a3 f (i )  b3 Si f (i )  f opt
 a  Critère de confort
 a
 4 f ( i )  b4 Si f ( i )  f opt
19 /31
Temps
Problèmes traités dans la couche d’anticipation

Problème de gestion des sources
Sous problème N3: Calcul de l’énergie produite par chaque source
Puissance
E m ax Capacité Chercher E (i, k ) Critère de coût
Critère d’émission de CO2
 E (i, k )  Emax
temps J 3C  C (i, k )  E (i, k ), J 3e   CO2 (i, k )  E (i, k )
Capacité de production de l’énergie
Sous problème N4: Calcul de la séquence de contrôle du stockage
u ( k )  0 : batterie dans l'état charge


Charge Veille Décharge
u ( k )  0 : batterie dans l'état veille
u ( k )  0 : batterie dans l'état décharge

Sous problème N5: Gérer le service de revente de l’énergie produite localement
Mode import Si E pro (k )  Econ


Mode export Si E pro ( k )  Econ (k )
20 /31
Sous sous
Sous
problème Problème problème
N4 [ax  b  0]  [  1]
N3 N5
sous sous Si et seulement si
problème problème x et  satisfont les deux
N2 N1 contraintes suivantes
 ax  b  M (1   )
 (1)
ax  b    (m  )
(Bemporad et Morari, 1998)
sous forme de programme linéaire
mixte
21 /38
Standardisation des modèles
Exemple de la batterie
C (k  1)  C (k )  u (k ) Charge Veille Décharge
  1: le rendement de la batterie
u(k )  0 : la batterie dans l'état charge

u(k )  0 : la batterie dans l'état veille
u(k )  0 : la batterie dans l'état décharge

Ajouter la variable binaire  (k ) pour distinguer les états  u (k )  M (1   (k ))

 (k )  1  u (k )  0 selon la transformation (1) u (k )    (m  ) (k )
1
C (k  1)  C ( k )     ( k )  u ( k )   (1   (k ))  u ( k ) z (k )

Variable auxiliaire
 z (k )  M   (k )
 z (k )  m   (k )


 z (k )  u (k )  m(1   (k ))
 z (k )  u (k )  M (1   (k )) 22 /38
Formulation sous forme mixte
 J 1   y (i ) Critère de confort

 J 2    CO2 ( i , k )  E s (i , k ) Critère d’émission de CO2

 J 3   Co (i , k )  E s (i , k ) Critère de coût

  E c (i , k )   E s  k  {1,..., K }, i  {1,..., I r } Contrainte de capacité de ressource
 y ( k  1)  F x ( k )  F u ( k )  F  ( k )  F z ( k )
 1 2 3 4
Évolution du système
  F5  k  {1,..., K }

 E ( i , k )  1   (i , k )   k  {1, ..., K }, i{1,..., I sd } Service décalable
 E ( k )  E ( k )  E ( k )  E ( k ) k  {1,..., K } Equilibre de la production et de
 co ex pro im la consommation
 u ( k )  M (1   ( k ))  k  {1,..., K } Approches multicritères

 u ( k )    ( m   ) ( k ) k  {1,..., K } Agréation des
Approche d'aggréation des • Approche critères
-contrainte
 z ( k )  M   ( k )  k  {1,. .., K } La transformation équivalente
 critères J  J1
de la partie logique
 z ( k )  m   ( k )  k  {1,..., K } J  a  J1  b  J 2  c  J 3  J 2  J 2
 z ( k )  u ( k )  m (1   ( k ))  k  {1,..., K } 
  J 3  J 3
 z ( k )  u ( k )  M (1   ( k ))  k  {1, ..., K } 23 /38
Résolution par programmation mixte

Programme linéaire mixte Procédure par séparation et évaluation (B&B)
 J 1   y (i )  (1)  (2)  (3)

 J 2    CO2 (i , k )  E s (i , k )

 J 3   Co (i , k )  E s (i, k )
  (1)  0  (1)  1
  E c (i , k )   E s  k  {1,..., K }, i  {1,..., I r }
 y ( k  1)  F x ( k )  F u ( k )  F  ( k )  F z ( k )
 1 2 3 4
  F5  k  {1,..., K }
  (2)  0  (2)  1  (2)  0  (2)  1
 E (i , k )  1   (i , k )   k  {1, ..., K }, i{1,..., I sd }
 E ( k )  E ( k )  E ( k )  E ( k )  k  {1,..., K }
 co ex pro im
u ( k )  M (1   ( k ))  k  {1,..., K }
  (3)  0  (3)  1  (3)  0  (3)  1  (3)  0  (3)  1  (3)  0  (3)  1
u ( k )    ( m   ) ( k ) k  {1,..., K }
 z ( k )  M   ( k )  k  {1,..., K }

 z ( k )  m   ( k )  k  {1,..., K } La complexité de l'algorithme est
 z ( k )  u ( k )  m (1   ( k ))  k  {1,..., K }
N

 z ( k )  u ( k )  M (1   ( k ))  k  {1, ..., K }
2 Décomposer le problème en sous
Difficultés de résolution du problème problèmes indépendants
• Nombre important de variables binaires

• Solveurs ne répondant pas à la contrainte de Métaheuristiques hybrides pour
temps de réponse trouver une bonne solution en un temps
24 /38 fini
Décomposition du problème initial

Principe
•Basé sur l’indépendance des services programmés
•Chaque service est représenté par un horizon temporel => Svr (3)
Energie
 x1 , 1  x2 ,  2   x5 ,  5 
1 3 5
Svr (1) Svr (3) Svr (5)
Svr (2) Svr (4) 2 4
 x3 ,  3   x4 ,  4  Temps
L’ensemble des activités énergétiques Graphe des relations temporelles
Type de variables Problème initial Sous problème 1 Sous problème 2

Variables continues  x1  x2  x3  x4  x5   x1  x2  x3   x4  x5 
Variables binaires 1   2   3   4   5  1   2   3  4   5 
25 /38
Structure de la méthode de résolution
0 1 1 Solution initiale
1 1 0 1 1
Métaheuristique Diviser  (1)  (2)  (3)  (4)  (5)
 (1)  (2) 0 INI

Programmation linéaire Résoudre
1 1
mixte ? ?
 (1)  0  (1)  1
Nouvelle solution  (2)  0  (2)  1  (2)  0  (2)  1

1 0 0 1 1
26 /38
Implémentations
1 Programmation linéaire mixte (PNEM)
• Réalisation avec le solveur de GLPK
• Implémentation rapide
• Complexité exponentielle en fonction des variables
binaires
2 Recherche Tabou hybride (RT)

• Recherche locale inventée par Glover
• Vitesse de convergence rapide, mémoire consommée
faible
• Piégeage de l’optimum locale Exemple 1: 1721 variables
96 variables binaires, 1754 contraintes
3 Recuit Simulé hybride (RS)
• Recherche locale inspirée de la procédure de recuit
• Vitesse de convergence très rapide
4 Algorithme Génétique hybride (AG)

• Modèle de système adaptif inventé par Holland
27 /38
Résultats sur plusieurs exemples

Programmation linéair mixte 2774,19 Programmation linéair mixte 33,33
Algorithme génétique 174,92 Algorithme génétique 43,33
Recuit simulé 126,68 Recuit simulé 73,33
Recherche Tabou 185,94 Recherche Tabou 70
0 500 1000 1500 2000 2500 3000 0 10 20 30 40 50 60 70 80
Temps d'éxecution(s) Taux d'optimalité (%)

Programmation linéair mixte 49,31 Programmation linéair mixte 496,25
Algorithme génétique 5,8 Algorithme génétique 83,22
Recuit simulé 3,64 Recuit simulé 27,07
Recherche Tabou 1,73 Recherche Tabou 17,22
0 10 20 30 40 50 60 0 100 200 300 400 500 600
Déviation moyenne (%) Déviation maximale(%)

28 /38
Priseen
Prise encompte
comptedes
des incertitudes
incertitudes
Caractéristiques de ce type de modèle
• Une perturbation peut conduire à la dégradation de la solution optimale calculée

• La prise en compte des perturbations permet d’améliorer la robustesse du système
Sources d’incertitudes Incertitudes sur des Changement de la

variables structure du problème
Prédiction météorologique X
Coupure d’électricité X
Données de capteur X
Service imprévu X
Modification d’un service X
Incertitudes de modèle X
29 /38
Méthode de prise en compte des incertitudes

Etape 0: Définir le problème statique J  A ' x  B '
Ax  B  C
• Cette étape consiste à définir le problème dans lequel les
paramètres sont fixés à leur valeur la plus vraisemblable x sont les variables à optimiser
• Les critères d’optimisation sont déterminés  sont les incertitudes
• Les incertitudes sont modélisées par des intervalles    Min( ), Max( ) 
Etape 1: Calcul d’une famille de solutions

• Calcul d’une famille de solutions en prenant en compte les
incertitudes par programmation multi-paramétrique
Etape 2: Sélection d’une solution à appliquer

• Cette solution est trouvée parmi la famille de solutions x : f ( )
30 /38
Prise en compte de perturbations multiples

ri , C i ? Emax  [0, 2]
s
Ta r
 (2) Text   5C , 5C 
 (1)
 (3)
Tm  (4)
Text  ? Modélisation des incertitudes
temps
Passé Future
Ta (k 1)  0,364 0,6055 Ta (k)  Text (k)

    0,0275 1,1966 0,4193 
       0,016 0,7 0,2434  s (k) 
  

Tm (k 1) 
 0,359 0,625 
Tm (k )
  r (k) 
 (3)  (4)  E
r r max
  5  Text  0,875
 1,5 Si  0E 2 
  max 
r (1)  
0, 097  T  1, 415 Si  0,875  Text  5
 ext  0E 2 
  max 
31 /38
La famille de la solution calculée
4 Applications
32 /38
Application au projet ANR Multisol
Groupe Eolien
électrogène Stockage
Réseau
Solaire PV
FACTEURS
FACTEURS EXOGENS
(climat, marché,…)
EXOGÈNES
+ Prév in situ
isions
= =
s
= =
Mesure
ARMOIRE
Objectif du projet GENERALE
DE PRODUCTION = ~ SYSTEME EXPERT
ELECTRIQUE ET PREDICTIF
MODULE DE COUPLAGE ET GESTION DES MULTISOURCES
• Ce projet vise à la mise en place d'un
Param nes
ètres
u
Consig
de bord
système de gestion d'énergie dans le
Tablea
Consignes
de puissance
bâtiment pour optimiser l'utilisation de ARMOIRE
MODULE DE GESTION DES CHARGES INTERFACE
l'énergie solaire produite par des GENERALE HOMME-MACHINE
DE DISTRIBUTION
panneaux photovoltaïques ELECTRIQUE Flux électriques DC
Flux électriques AC
Charges Flux de mesures et
simples délestables contrôles
ou Flux d’ordres de
intelligentes régulables commande
Architecture du système
33 /38
Contribution à la prévention des blackouts

Du réseau de transport au consommateur
GRD
GRD Réseau de Distribution (RD)
GRD
GRD
GRD
GRD GRD
Réseau de transport (RT)

(GRD: gestion de réseau de distribution)
Home Automation System (HAS)
Blackout: GRT GRD HAS

Événements initiaux Etape finale
Incident sur le
réseau Délestage
optimal
Recherche d’une
Pré-condition Propagation Restauration
solution
Objectif : contraintes
Améliorer la qualité du service à l’utilisateur en
le faisant participer 34/38
Scénario de coopération
Contribution à la prévention des blackouts

Fonctionnement du simulateur
Détection Restauration
GRT / GRD 35 HAS Equipements

1 Contexte et enjeu
• Enjeu d’optimiser de l’énergie dans le secteur du bâtiment

• Problème dans la couche d’anticipation
• Prise en compte d’incertitude
4 Applications
• Exemple d’application
• Gestion du flux énergétique dans le bâtiment photovoltaïque
36 /38
Problématique
Problématique Analysedu
Analyse duproblème
problème Formulationetetapproches
Formulation approchesde
derésolution
résolution Applications
Applications Conclusions
Conclusions
Conclusions et perspectives
Contribution à la gestion de la
Définition d’une architecture de
consommation dans le secteur commande multi-échelles
Applications
du bâtiment
• Recherche d’une formulation • Proposition d’une structure de • Gestion des bâtiments
adaptée au problème métaheuristique hybride tirant photovoltaïques
• Formulation sous la forme d’un parti des spécificités du • Contribution à la prévention des
problème d’optimisation problème (indépendance de blackouts
• Standardisation des modèles certains services programmés)
comportementaux • Prise en compte des prévisions
• Mise au point d’un nouveau disponibles
paradigme pour la • Absorption des incertitudes par
consommation/production une structuration en couches
d’énergie • Prise en compte des incertitudes
caractérisées dès la couche
d’anticipation
Perspectives
• Utilisation plus efficace des bornes inférieures calculées
• Extension à des incertitudes modélisées sous forme de variables stochastiques
• Mise au point de méthodes de co-construction de solutions
• Validation du système de conduite sur un appartement test (projet Multisol)
• Extension à un réseau global
37 /38
Merci de votre attention

Audit Batiment

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Audit Batiment

Transféré par

Droits d'auteur :

Formats disponibles

Problématique Analyse du problème Formulation et approches de résolution Applications Conclusions

Un système avancé pour la gestion de

Soutenance de thèse 19 Septembre 2007

Questions fondamentales pour le futur

Problématique de conduite et d’exploitation du réseau

La courbe de consommation d‘une journée en

Enjeux liés au secteur du bâtiment

Système de gestion de l’énergie dans le bâtiment

Analogie entre système de production et système de gestion

Notation Système de production Système de gestion d’énergie dans le bâtiment

Vers un problème Vers un problème de

• modèle à événements discrets

Système reconfigurable et extensible

• Possibilité d’ajouter et d’enlever des composants au système

Vers un problème Vers un problème de

Outils de résolution utilisés

Différentes fonctions énergétiques dans le bâtiment

Classification des services

Energie Energie Energie Accumulation

Caractéristiques des sources

Prix d’énergie par kW

Coût des ressources temps

T a Température ambiante Text Tm

• Modèle thermique d’une pièce sous la forme de deux constantes de

Charge Veille Décharge

Caractéristiques de ce type de modèle

• L’évolution des variables physiques est exprimée par le modèle continu

Mécanisme de pilotage de multi-échelle

•Objectif: générer le plan d’affectation des ressource s en

• Objectif: adapter le plan d’affectation des ressources pour

Problèmes traités dans la couche d’anticipation

Sous problème N2: Calcul de la date de début des services décalables

Problèmes traités dans la couche d’anticipation

Sous problème N4: Calcul de la séquence de contrôle du stockage

u ( k )  0 : batterie dans l'état charge

Mode import Si E pro (k )  Econ

C (k  1)  C (k )  u (k ) Charge Veille Décharge

Résolution par programmation mixte

• Nombre important de variables binaires

Décomposition du problème initial

Svr (2) Svr (4) 2 4

L’ensemble des activités énergétiques Graphe des relations temporelles

Type de variables Problème initial Sous problème 1 Sous problème 2

Structure de la méthode de résolution

Métaheuristique Diviser  (1)  (2)  (3)  (4)  (5)

 (1)  (2) 0 INI

Nouvelle solution  (2)  0  (2)  1  (2)  0  (2)  1

2 Recherche Tabou hybride (RT)

4 Algorithme Génétique hybride (AG)

Résultats sur plusieurs exemples

Algorithme génétique 174,92 Algorithme génétique 43,33

Recuit simulé 126,68 Recuit simulé 73,33

Recherche Tabou 185,94 Recherche Tabou 70

0 500 1000 1500 2000 2500 3000 0 10 20 30 40 50 60 70 80

Temps d'éxecution(s) Taux d'optimalité (%)

Algorithme génétique 5,8 Algorithme génétique 83,22

Recuit simulé 3,64 Recuit simulé 27,07

Recherche Tabou 1,73 Recherche Tabou 17,22

0 10 20 30 40 50 60 0 100 200 300 400 500 600

Déviation moyenne (%) Déviation maximale(%)

• Une perturbation peut conduire à la dégradation de la solution optimale calculée

Sources d’incertitudes Incertitudes sur des Changement de la

Méthode de prise en compte des incertitudes