Vous êtes sur la page 1sur 32

Introduction Architecture du code Résultats Conclusions

Optimisation numérique d’une installation PV


UE08 - Production d’énergie alternative

Groupe GED 1
Charly Rensonnet
Simon Remy
Élise Prévot

Master en génie énergétique durable

Le 11 janvier 2019

Optimisation numérique Institut Gramme - Master GED


Introduction Architecture du code Résultats Conclusions Problématique Définition en termes d’optimisation

Section 1

1 Introduction
Problématique
Définition en termes d’optimisation
2 Architecture du code
Solaire
Optimisation
Validations
3 Résultats
Archivage
Analyse du front
Scénarios
Optimum choisi
Tour solaire
4 Conclusions

Optimisation numérique Institut Gramme - Master GED


Introduction Architecture du code Résultats Conclusions Problématique Définition en termes d’optimisation

Energies renouvelables
Evolution du renouvelable en Belgique1

1 Cours d’énergie solaire, P. Dewallef


Optimisation numérique Institut Gramme - Master GED
Introduction Architecture du code Résultats Conclusions Problématique Définition en termes d’optimisation

Photovoltaïque

Accroissement du photovoltaïque:

• Avancées technologiques

• Déclin des prix du marché

• Octroi de primes (certificats verts)

→ PV beaucoup plus accessible

Optimisation numérique Institut Gramme - Master GED


Introduction Architecture du code Résultats Conclusions Problématique Définition en termes d’optimisation

Problème étudié
Optimisation d’une installation PV

Figure: Bâtiment B15 (Physique nucléaire), Sart-Tilman

Optimisation numérique Institut Gramme - Master GED


Introduction Architecture du code Résultats Conclusions Problématique Définition en termes d’optimisation

Variables de conception

1 L’angle d’inclinaison des panneaux ∈ [0◦ , 90◦ ]


→ variable continue

2 L’angle d’azimut des panneaux ∈ [−90◦ , 90◦ ]


→ variable continue

3 Le nombre de panneaux ∈ [0, 105 ]


→ variable discrète mais assimilée à une continue

4 Le type de panneau ∈ {1, 2, 3, 4}


→ variable discrète

5 Le type d’onduleur ∈ {1, 2, 3}


→ variable discrète

Optimisation numérique Institut Gramme - Master GED


Introduction Architecture du code Résultats Conclusions Problématique Définition en termes d’optimisation

Fonctions objectif

1 Les économies de CO2 à maximiser

Autoconsommationannuelle
ÉconomiesCO2 =
Consommationannuelle

2 Le taux de rentabilité interne (IRR) à maximiser

1 − (1 + IRR)−N
A. − C0 = 0
IRR

NB: ces fonctions ne sont pas soumises à des contraintes.

Optimisation numérique Institut Gramme - Master GED


Introduction Architecture du code Résultats Conclusions Solaire Optimisation Validations

Section 2

1 Introduction
Problématique
Définition en termes d’optimisation
2 Architecture du code
Solaire
Optimisation
Validations
3 Résultats
Archivage
Analyse du front
Scénarios
Optimum choisi
Tour solaire
4 Conclusions

Optimisation numérique Institut Gramme - Master GED


Introduction Architecture du code Résultats Conclusions Solaire Optimisation Validations

Philosophie du code solaire

Boîte noire qui calcule les fonctions objectifs et qui requiert en entrées :

1 Les valeurs des variables de conception

2 Les données de consommation du bâtiment

3 Les mesures d’irradiation solaire

Optimisation numérique Institut Gramme - Master GED


Introduction Architecture du code Résultats Conclusions Solaire Optimisation Validations

Economies de CO2

Autoconsommationannuelle
ÉconomiesCO2 =
Consommationannuelle

Augmentation de l’autoconsommation → augmentation du surplus de production


Optimisation numérique Institut Gramme - Master GED
Introduction Architecture du code Résultats Conclusions Solaire Optimisation Validations

Economies de CO2

Conséquences d’une grande revente au réseau:

• Le réseau actuel le supporte mal techniquement

• 1 kWh revendu génère +/- 5 fois moins2 de revenus que 1 kWh


autoconsommé

→ Maximiser les économies de CO2 est contradictoire avec de bons revenus


générés

2 Compte tenu des prix actuels de l’électricité


Optimisation numérique Institut Gramme - Master GED
Introduction Architecture du code Résultats Conclusions Solaire Optimisation Validations

Taux de rentabilité interne

1 Evaluer les revenus générés par l’installation

Revenu annuel = Autoconso ∗ BP E + Surplus ∗ SP E + GainsCV

2 Le taux de rentabilité interne (IRR) est défini3 par

1 − (1 + IRR)−N
A∗ − C0
IRR
3 On peut aussi définir le retour sur investissement
Investissement de départ
P BT =
Revenu annuel

3 En faisant l’hypothèse que le revenu Ai est constant pour chaque année


Optimisation numérique Institut Gramme - Master GED
Introduction Architecture du code Résultats Conclusions Solaire Optimisation Validations

Algorithme génétique

• Méthode itérative d’optimisation inspirée du processus de sélection naturelle

• Toutes les générations créées comportent des individus caractérisés par 5


gènes (les 5 variables de conception)

• Chaque individu sera évalué sur sa capacité à fournir de bonnes4 fonctions


objectif après être passés par le code solaire

• Les meilleurs survivent et se reproduisent pour créer la génération suivante

4 dans le sens de la maximisation des économies de CO2 et de l’IRR


Optimisation numérique Institut Gramme - Master GED
Introduction Architecture du code Résultats Conclusions Solaire Optimisation Validations

Principe de l’algorithme
Principe général5 de l’algorithme génétique:

5 Basé sur la méthode développée par V. Kelner


Optimisation numérique Institut Gramme - Master GED
Introduction Architecture du code Résultats Conclusions Solaire Optimisation Validations

Validation du code (1)


• Fonction d’Ackley (mono-objectif)
v
u n n
u1 X 1X
f (x0 · · · xn ) = −20exp(−0.2t x2i ) − exp( cos(2πxi )) + 20 + e
n i=1 n i=1

−32 ≤ xi ≤ 32

Minimum en f (0, · · · , 0) = 0

Optimisation numérique Institut Gramme - Master GED


Introduction Architecture du code Résultats Conclusions Solaire Optimisation Validations

Validation du code (2)

• Fonctions de Binh et Korn (multi-objectif non contraint)



2 2
Minimiser f1 (x, y) = 4x + 4y

Minimiser f2 (x, y) = (x − 5) + (y − 5)2
2

Domaine 0 ≤ x ≤ 5 and 0 ≤ y ≤ 3

Optimisation numérique Institut Gramme - Master GED


Introduction Architecture du code Résultats Conclusions Solaire Optimisation Validations

Validation du code (3)

• Fonctions de Schaffer n1 (multi-objectif non contraint)



2
Minimiser f1 (x) = x

Minimiser f2 (x) = (x − 2)2

Domaine −20 ≤ x ≤ 20

Optimisation numérique Institut Gramme - Master GED


Introduction Architecture du code Résultats Conclusions Archivage Analyse du front Scénarios Optimum choisi T

Section 3

1 Introduction
Problématique
Définition en termes d’optimisation
2 Architecture du code
Solaire
Optimisation
Validations
3 Résultats
Archivage
Analyse du front
Scénarios
Optimum choisi
Tour solaire
4 Conclusions

Optimisation numérique Institut Gramme - Master GED


Introduction Architecture du code Résultats Conclusions Archivage Analyse du front Scénarios Optimum choisi T

Archivage

• Compétition entre les meilleurs de chaque génération

• Obtention d’un front "parfait"

→ critère de convergence

Optimisation numérique Institut Gramme - Master GED


Introduction Architecture du code Résultats Conclusions Archivage Analyse du front Scénarios Optimum choisi T

Analyse du front (1)


Pourcentage de "ranking 1" = 94,5%

Optimisation numérique Institut Gramme - Master GED


Introduction Architecture du code Résultats Conclusions Archivage Analyse du front Scénarios Optimum choisi T

Analyse du front (2)

Optimisation numérique Institut Gramme - Master GED


Introduction Architecture du code Résultats Conclusions Archivage Analyse du front Scénarios Optimum choisi T

Analyse du front (3)

• Disparité des individus


• Présence de 3 types d’asymptote

Optimisation numérique Institut Gramme - Master GED


Introduction Architecture du code Résultats Conclusions Archivage Analyse du front Scénarios Optimum choisi T

Scénarios identifiés

1 Scénario environnemental: priorité aux économies de CO2


→ grosses installations donc surplus élevé

2 Scénario financier: priorité à la rentabilité


→ petites installations donc surplus (quasi) nul

3 Compromis entre économies de CO2 et rentabilité


→ moyennes installations (entre 3000 et 7000 panneaux)

Optimisation numérique Institut Gramme - Master GED


Introduction Architecture du code Résultats Conclusions Archivage Analyse du front Scénarios Optimum choisi T

Convergence des variables de conception

Les solutions non dominées ont convergé vers:

• Inclinaison des panneaux ∈ [27◦ ; 30◦ ]

• Angle d’azimut ∈ [−51◦ ; −42◦ ]

• Panneaux de type 2 et onduleurs de type 1

Optimisation numérique Institut Gramme - Master GED


Introduction Architecture du code Résultats Conclusions Archivage Analyse du front Scénarios Optimum choisi T

Choix de l’optimum


• IRR ∈ [2%; 3%] 
Compromis axé vers l’IRR
• Économies de CO2 ∈ [25%; 35%] 

Optimisation numérique Institut Gramme - Master GED


Introduction Architecture du code Résultats Conclusions Archivage Analyse du front Scénarios Optimum choisi T

Optimum retenu

Nouveau front: 99,3% de "ranking 1"

Optimisation numérique Institut Gramme - Master GED


Introduction Architecture du code Résultats Conclusions Archivage Analyse du front Scénarios Optimum choisi T

Configuration de l’installation
• 54 onduleurs sont requis
• Chaque onduleur est raccordé à 10 branches // de panneaux
• Chacune des branches contient 9 panneaux

→ nombre de panneaux adapté à 4860 (+15 panneaux)

Optimisation numérique Institut Gramme - Master GED


Introduction Architecture du code Résultats Conclusions Archivage Analyse du front Scénarios Optimum choisi T

Tour solaire

Hypothèses:
• Durée de vie des installations = 25 ans
• Surplus revendu (et non stocké)
• CO2 émis lors des fabrications et fins de vie non considéré
• Les héliostats couvrent la même surface que les panneaux PV

Optimisation numérique Institut Gramme - Master GED


Introduction Architecture du code Résultats Conclusions Archivage Analyse du front Scénarios Optimum choisi T

PV vs Tour solaire

Photovoltaïque Tour solaire


économies de CO2 30,8 % 19,9 %
IRR 2,5 % -0,2 %
PBT 18,4 ans 25,7 ans

Tour solaire → investissements trop grands pour les faibles productions générables
en Belgique

Optimisation numérique Institut Gramme - Master GED


Introduction Architecture du code Résultats Conclusions

Section 4

1 Introduction
Problématique
Définition en termes d’optimisation
2 Architecture du code
Solaire
Optimisation
Validations
3 Résultats
Archivage
Analyse du front
Scénarios
Optimum choisi
Tour solaire
4 Conclusions

Optimisation numérique Institut Gramme - Master GED


Introduction Architecture du code Résultats Conclusions

Conclusions

Pour un profil de consommation → Multiples solutions implémentables

• Maximiser les revenus financiers ?


• Minimiser l’impact environnemental ?

L’optimisation d’une installation permet d’arriver à une installation qui satisfait les
objectifs recherchés

Optimisation numérique Institut Gramme - Master GED


Introduction Architecture du code Résultats Conclusions

Merci pour votre attention

Optimisation numérique Institut Gramme - Master GED

Vous aimerez peut-être aussi