Vous êtes sur la page 1sur 26

Département Génie Electrique

Filière :
« Génie Electrique Option : Systèmes Electriques et Energies
Renouvelables »

Smart Grids :
Système de gestion d’énergie
domestique (HEMS)

Réalisé Par : Encadré Par :


• BOUFENZI MOHAMMED Mr. ABDELHADI RAIHANI
• SAIDDINE ABDERRAHIM
• TJEEB MOHAMMED
• HMAITI ABDERAHMAN
Liste des figures

Figure 1 : Présentation 3D de la plateforme du Green & Smart Building Park ........................................6


Figure 2 : (a)Localisation de la maison du banc d'essai ; (b) Conception 3D de la maison du banc
d'essai hébergeant le HEMS proposé. ........................................................................................................................6
Figure 3 : Architecture fonctionnelle modulaire du système HEMS proposé ...........................................7
Figure 4 : Architecture globale du système. ............................................................................................................8
Figure 5 : Possibilités de répartition de la puissance entre les agents du système. ...............................9
Figure 6 : Proposed flowchart for power dispatching. .................................................................................... 10
Figure 7 : Relations entre les paramètres de l'indicateur de niveau de confort du système HVAC.
................................................................................................................................................................................................ 12
Figure 8 : Exemple du processus d'optimisation utilisant l'algorithme PSO. ........................................ 14
Figure 9 : Représentation géométrique de l'algorithme PSO. ...................................................................... 15
Figure 10 : Architecture fonctionnelle modulaire du système HEMS proposé. .................................... 16
Figure 11 : Processus d'optimisation de la fonction objectif. ....................................................................... 18
Figure 12 : Résultats de la gestion de l'offre - Planification du dispatching. ......................................... 19
Figure 13 : Résultats de la gestion de la demande - Programmation des appareils interruptibles.
................................................................................................................................................................................................ 19
Figure 14 : Résultats de la gestion de la demande - Programmation des appareils non
interruptibles. ................................................................................................................................................................... 20
Figure 15 : Prix de l'énergie en temps réel. .......................................................................................................... 20
Figure 16 : Taux d'autosuffisance pour les cas avec/sans déploiement du HEMS. ............................. 22
Figure 17 : Relation entre le coefficient des préférences de l'utilisateur et les résultats de
l'optimisation. ................................................................................................................................................................... 23
Figure 18 : Interruptible appliances operation with α = 1. ........................................................................... 24
Figure 19 : Interruptible appliances operation with α = 0. ........................................................................... 24
Figure 20 : Pricing schemes during a day. ............................................................................................................ 25
Liste des tableaux

Tableau 1 : les paramètres de confort. ................................................................................................................... 11


Tableau 2 : Composantes du vecteur de décision.............................................................................................. 17
Tableau 3 : Comparaison des indicateurs clés de performance quotidiens pour les cas avec/sans
déploiement de l'HEMS. ............................................................................................................................................... 21
Tableau 4 : Comparaison des paramètres financiers à long terme pour les cas avec/sans
déploiement de HEMS. .................................................................................................................................................. 22
Tableau 5 : Principaux résultats de la troisième étude de cas. .................................................................... 25
Sommaire
Liste des figures ..................................................................................................................................................................2
Liste des tableaux...............................................................................................................................................................3
Sommaire ..............................................................................................................................................................................4
Introduction .........................................................................................................................................................................5
1. Les méthodes d’HEMS ............................................................................................................................................5
1.1 Techniques basées sur l’IA : ..............................................................................................................................5
1.2 Techniques basées sur l’optimisation : .........................................................................................................5
2. Présentation du laboratoire vivant ...................................................................................................................5
3. Cadre proposé pour le système HEMS.............................................................................................................7
3.1 Approche fonctionnelle :.....................................................................................................................................7
3.2 Classification des appareils ménagers : ........................................................................................................7
3.3 Architecture HEMS ................................................................................................................................................8
4. Conception d'une stratégie de gestion de l'énergie ...................................................................................9
4.1 Stratégie de contrôle de l'offre .........................................................................................................................9
4.2 Stratégie de contrôle du côté demande ..................................................................................................... 10
4.2.1 Formulation du problème d’optimisation........................................................................................ 11
a. Définition de la fonction confort ............................................................................................................ 11
b. Définition de la fonction confort............................................................................................................ 11
c. Définition de la fonction objective totale............................................................................................ 13
4.2.2. Optimisation multi-objectifs du HEMS à l'aide de PSO .............................................................. 13
a. Présentation de l'algorithme PSO.......................................................................................................... 13
5. Études de cas : Simulations et résultats ....................................................................................................... 17
5.1 Étude de cas N◦ 1 : Évaluation des économies potentielles du système HEMS : .................... 17
5.1.1 Description : ................................................................................................................................................. 17
5.1.2 Résultats et discussion :........................................................................................................................... 17
5.2 Étude de cas N∘2 : Analyse « Coûts/Confort » ........................................................................................ 22
5.2.1 Description .................................................................................................................................................... 22
5.2.2 Résultats et discussion ............................................................................................................................. 22
5.3 Etude de cas N◦ 3 : Evaluation de l'impact du système de tarification du réseau sur
l'optimisation de la consommation .................................................................................................................... 23
5.3.1 Description .................................................................................................................................................... 23
5.3.2 Résultats et discussion ............................................................................................................................. 23
a. Fonctionnement des appareils interruptibles avec α = 1 ....................................................... 23
b. Fonctionnement des appareils interruptibles avec α = 0 ....................................................... 24
Conclusion .......................................................................................................................................................................... 26
Introduction
Depuis le début du 21ème siècle, la consommation énergétique mondiale a connu une très
forte croissance dans toutes les régions du monde. Il semble que, tendanciellement, la
consommation d'énergie va continuer à augmenter, sous l'effet de la croissance économique
d'une part, et de l'accroissement démographique et de la consommation d'électricité par
habitant d'autre part [1]. La réduction des émissions de CO2 et l'amélioration de
l'approvisionnement énergétique constituent un double objectif de la politique énergétique
de nombreux pays, dont le Maroc. Cet objectif coïncide avec l'utilisation croissante des
énergies renouvelables pour la production d'électricité. D'ici 2030, le Maroc vise à augmenter
la part des énergies renouvelables pour atteindre 52% de sa consommation d'électricité.
1. Les méthodes d’HEMS
Les méthodes d’HEMS peuvent être classées en deux catégories :
1.1 Techniques basées sur l’IA :
Les contrôleurs HEMS basés sur l’intelligence artificiel sont basés sur le réseau neuronal artificiel
(ANN), le contrôle logique flou (FLC), et le système d’inférence neuronale adaptative floue
(ANFIS). Les solutions basées sur ANN peuvent être utilisées à la place des outils de simulation
pour créer une solution rapide aux problèmes de contrôle et de prévision. Cette méthode, qui est
un algorithme de traitement de l’information qui modélise les systèmes non linéaires et simule le
cerveau humain, a été utilisée comme un contrôleur intelligent pour contrôler les appareils
ménagers.
1.2 Techniques basées sur l’optimisation :
Ces techniques trouvent les solutions les plus appropriées aux problèmes après avoir déterminé
la fonction objective soumise à des contraintes. La fonction objective est souvent formulée en
fonction de certaines applications, et elle peut prendre la forme d’une erreur minimale, d’un coût
minimal, d’une conception optimale et d’une gestion optimale. Diverses techniques d’optimisation
ont été utilisées pour aider les utilisateurs finaux à établir une planification optimale de la
consommation d’énergie des appareils en fonction de différents tarifs d’alimentation, régimes de
tarification et paramètres de confort, le Model Prédictive Control (MPC), l’algorithme génétique
(GA) et l’optimisation des essaims de particules (PSO) sont les techniques d’optimisation les plus
utilisées dans la programmation HEMS. L’OSP a été utilisé pour optimiser les points souhaitables
pendant le temps de fonctionnement des appareils. Les conditions météorologiques, les
préférences des utilisateurs et les priorités des appareils ont été prises en compte dans cette
technique. La technique BPSO a également été utilisée pour programmer quatre ressources
énergétiques distribuées et appareils interruptibles résidentiels contrôlables.
2. Présentation du laboratoire vivant
Le Green & Smart Building Park "GSBP" à Benguerir - Maroc est une plateforme innovante dédiée
à la recherche et au développement dans le domaine des bâtiments verts, de l'efficacité
énergétique, des réseaux intelligents et de la mobilité électrique (Fig. 1). L'objectif de cette
plateforme est de contribuer au développement de villes durables et intelligentes par l'intégration
des énergies renouvelables et la numérisation ainsi que la mise en commun des ressources et des
efforts de différents partenaires académiques et socio-économiques dans les secteurs de la
construction durable et des réseaux intelligents . Le GSBP est composé de laboratoires intérieurs
et extérieurs, équipés de technologies de pointe. L'un des principaux laboratoires extérieurs est
le Smart Campus Living-lab, qui se compose actuellement de 10 maisons de test et est équipé de
technologies de pointe pour reproduire le modèle des villes intelligentes et durables.

Figure 1 : Présentation 3D de la plateforme du Green & Smart Building Park

Les objectifs du Smart Campus sont les suivants :

• Tester et évaluer la performance énergétique de différents matériaux pour la construction


durable. Certains laboratoires d'habitation ont été construits avec des matériaux
conventionnels (par exemple, le béton, la brique rouge, le bois, etc.), tandis que d'autres ont
été construits avec des matériaux valorisés (par exemple, la terre, le chanvre, la pierre, etc.).
Ces maisons ont la même architecture et sont placées dans les mêmes conditions
climatiques, techniques et fonctionnelles afin de comparer leurs performances, liées
notamment à l'isolation thermique.
• Test de différents protocoles de communication (avec et sans fil). Une variété de protocoles
avec différentes architectures de communication a été mis en œuvre.
• Tester des stratégies de domotique favorisant l'efficacité énergétique, notamment dans le
contrôle de l'éclairage et des systèmes CVC.
• Tester différentes stratégies de contrôle, techniques d'optimisation et approches de gestion
de l'énergie pour les micro-réseaux et la mobilité électrique. Du point de vue de la
connectivité au réseau, le Smart Campus est composé de deux micro-réseaux : un micro-
réseau connecté au réseau (incluant la maison test de la Fig. 2) et un micro-réseau hors
réseau.

Figure 2 : (a)Localisation de la maison du banc d'essai ; (b) Conception 3D de la maison du banc d'essai hébergeant le HEMS
proposé.
Figure 3 : Architecture fonctionnelle modulaire du système HEMS proposé

3. Cadre proposé pour le système HEMS


3.1 Approche fonctionnelle :
Une approche fonctionnelle modulaire du système est donnée par la Fig. 3. Comme
indiqué, les données mesurées par les différents capteurs et compteurs sont acquises par un
"Module de surveillance" qui les stocke dans une base de données. La base de données fait
partie d'un "Module de gestion des données" qui comprend également un sous-module de
prévision. Les données sont visualisées par une "Interface Homme-Machine" (IHM), assurant
une visibilité totale de l'état actuel, passé et futur du système. Le module IHM permet
également à l'utilisateur d'interagir avec le système en spécifiant ses préférences en matière
de confort. Celles-ci, ajoutées aux données mesurées et prévues, constituent la partie
dynamique du problème d'optimisation à résoudre par le "module de prise de décision". Après
avoir pris la décision concernant le fonctionnement du système, un "module d'exécution" est
chargé d'envoyer les ordres aux actionneurs sous la forme de points de consigne pour les
contrôler en fonction des résultats de l'algorithme d'optimisation. D'après cette description, il
est remarquable que le système fonctionne en boucle fermée, composée d'une chaîne de
mesure et d'une chaîne de contrôle. La section suivante présente l'architecture physique
globale du système HEMS proposé. Ensuite, l'accent sera mis sur le module de prise de
décision en concevant des stratégies de contrôle pour la gestion de l'offre et de la demande.
3.2 Classification des appareils ménagers :
En termes de possibilités de programmation, les appareils ménagers peuvent être divisés
en deux catégories : les charges flexibles et les charges critiques. Les charges flexibles font
référence aux appareils dont le fonctionnement peut être programmé dans une certaine
mesure sans réduire le niveau de confort de l'utilisateur, comme le lave-linge (WM), le sèche-
linge (CD), le lave-vaisselle (DW), le chauffage, la ventilation et la climatisation (HVAC), le
chauffe-eau électrique (EWH) et le véhicule électrique rechargeable (PHEV). Les charges
flexibles peuvent être classées en deux sous-catégories : Les charges interruptibles
(élastiques) et les charges non interruptibles (déplaçables). Les charges non interruptibles se
réfèrent à des dispositifs dont le fonctionnement peut être retardé, mais une fois qu'ils sont
en service, ils doivent rester en fonctionnement jusqu'à la fin de leurs tâches, comme WM, CD
et DW. Pour les charges interruptibles, ce sont dans notre cas : PHEV, HVAC et EWH. D'autre
part, les charges critiques sont des appareils dont le fonctionnement doit être lancé
immédiatement lorsque les utilisateurs ont besoin de leurs services, comme l'ordinateur, la
télévision, le micro-ondes et l'éclairage, ou des appareils de consommation continue comme
le congélateur, le réfrigérateur, etc. Les modèles et contraintes correspondant aux appareils
flexibles sont inspirés de l'article présenté dans la référence [16].
3.3 Architecture HEMS
L'architecture HEMS proposée est illustrée par la Fig. 4. Le champ d'application de ce
travail comprend des charges flexibles, des charges critiques, un système d'énergie
photovoltaïque de 3,75 kWc connecté au réseau et des batteries de stockage d'énergie d'une
capacité de 6,4 kWh.

Figure 4 : Architecture globale du système.

Les hypothèses considérées et les contraintes fonctionnelles du système sont détaillées comme
suit :

• Le HEMS est censé remplir deux fonctions :


• Gestion du côté de l'offre : programmation et contrôle optimaux des échanges d'énergie
entre les éléments de production, de consommation et de stockage.
• Gestion de la demande : programmation et contrôle optimaux de l'exploitation de
charges flexibles.
▪ L'horizon de planification du HEMS est fixé à 24 h avec une résolution de 10 min.
▪ Les objectifs d'optimisation sont la minimisation des coûts et la maximisation du confort de
l'utilisateur en fonction du prix de l'électricité, des préférences de l'utilisateur et des
prévisions de la production photovoltaïque.
▪ Grâce à l'unité IHM (interface homme-machine), l'utilisateur peut définir ses préférences et
configurer le système.
▪ Chaque composant du système HEMS communique avec le contrôleur (unité de traitement et
de commande) par l'intermédiaire d'un réseau domestique (HAN), qui est censé être mis en
œuvre via la technologie de communication Zigbee.
▪ L'échange bidirectionnel d'énergie et d'informations entre le HEMS et le réseau est effectué
par l'intermédiaire d'un compteur intelligent qui est chargé de transmettre les données de
consommation de l'utilisateur à l'opérateur du réseau et les signaux de prix de l'électricité de
l'opérateur au HEMS.
▪ Dans les simulations suivantes, nous supposerons que le système de tarification adopté est le
RTP (Real-Time Pricing) : le prix de l'électricité pour chaque heure est publié par l'opérateur
à l'intention des résidents un jour à l'avance.
▪ Le PHEV est considéré comme une charge uniquement dans cette étude. Cependant, il peut
être utilisé dans d'autres configurations comme source d'énergie par le biais d'un schéma
V2G (Vehicle to Grid) ou V2H (Vehicle to Home).
Les hypothèses considérées et les contraintes fonctionnelles du système sont détaillées comme
suit :
4. Conception d'une stratégie de gestion de l'énergie
Comme les stratégies de planification des charges et de répartition de la puissance sont les
deux principaux facteurs qui affectent la dépense monétaire totale, nous proposons donc de
concevoir dans ce qui suit un algorithme permettant de gérer, simultanément, le côté offre
(SSM) et le côté demande (DSM).
4.1 Stratégie de contrôle de l'offre
Dans cette section, une stratégie de contrôle avancée basée sur des règles est proposée
pour gérer le partage de l'énergie entre les sources d'énergie afin de répondre de manière
optimale à la demande. La stratégie à concevoir permettra d'améliorer l'autoconsommation,
de minimiser la dépendance au réseau et d'augmenter la durée de vie des batteries. La
distribution des flux d'énergie entre les charges, les batteries, le générateur PV et le réseau est
illustrée à la figure 5 :

Figure 5 : Possibilités de répartition de la puissance entre les agents du système.

Les éléments délimités par les pointillés appartiennent à l'utilisateur et constituent les objets
d'ordonnancement de l’algorithme à proposer.
• L'injection d'électricité dans le réseau n'est pas autorisée dans notre cas.
• Les batteries peuvent être rechargées sur le réseau lorsque le prix de l'énergie est
bas.

𝑝𝑡 𝐺2𝑙 Désigne la puissance transmise du réseau à la charge à l'instant t. De la même manière,


𝑝𝑡 𝑝2𝑙 et 𝑝𝑡 𝐵2𝑙 représentent respectivement la puissance transmise du générateur
photovoltaïque et la puissance transmise des batteries à la charge. Tandis que 𝑝𝑡 𝑔2𝑏 et 𝑝𝑡 𝑝2𝑏
représentent la puissance transmise du réseau et du PV, respectivement, aux batteries.
Notez que dans les schémas tarifaires dynamiques comme le RTP, il est parfois utile de
charger les batteries à partir du réseau lorsque le prix de l'énergie est bas pour la réutiliser
quand l'énergie est chère. Cela permet d'éviter d'appeler la grille pendant les périodes de
pointe.

Figure 6 : Proposed flowchart for power dispatching.

4.2 Stratégie de contrôle du côté demande


Contrairement à la stratégie de contrôle côté offre basée sur des règles, la stratégie de
contrôle côté demande à proposer est une stratégie basée sur l’optimisation dont les points
de consigne sont calculés en résolvant un problème d’optimisation. Par conséquent, certaines
fonctions objectives (à savoir le coût et le confort) et les variables de décision seront définies
dans ce qui suit. Un algorithme basé sur PSO sera conçu et mélangé à la stratégie de contrôle
côté alimentation pour planifier de manière optimale le fonctionnement des appareils.
4.2.1 Formulation du problème d’optimisation
a. Définition de la fonction confort
Le coût global de l’électricité à minimiser sur l’horizon de planification est donné par
l’équation ci-dessous, qui est composé de deux parties : le premier élément représente le coût
d’achat de l’électricité du réseau, soit pour une utilisation directe, soit pour charger les
batteries (coûts à court terme). Le deuxième élément correspond au coût de dégradation des
batteries (coûts à long terme).
𝑁𝑃𝐻𝑄 𝑁𝑃𝐻𝑄

𝐹𝐶𝑜𝑢𝑡 = ∑ ((𝑝𝑡𝐺2𝐿 + 𝑝𝑡𝐺2𝐵 ) × ∆𝑡 × 𝐶𝑡𝑟é𝑠𝑒𝑎𝑢 ) + ∑ ((𝑝𝑡𝐵2𝐿 + 𝑝𝑡𝑃2𝐵 +𝑝𝑡𝐺2𝐵 ) × ∆𝑡 × 𝐶𝑑𝑒𝑔 )


𝑡=1 𝑡=1

• 𝑝𝑡𝐺2𝐿 : indique la puissance transmise du Réseau aux Charges (kW).


• 𝑝𝑡𝐺2𝐵 : indique la puissance transmise du Réseau aux Batteries (kW).
• 𝑝𝑡𝐵2𝐿 : indique la puissance transmise du Réseau aux Batteries Les autres symboles
ont une signification similaire (kW).
• ∆𝑡 : est la durée d'une tranche de temps (h).
• 𝐶𝑡𝑟é𝑠𝑒𝑎𝑢 : est le prix de l'électricité sur la tranche horaire t lorsque l'utilisateur
achète de l'électricité sur le réseau (MAD/kWh).
• 𝐶𝑑𝑒𝑔 : est le coût équivalent de la dégradation de la batterie (MAD/kWh),
• 𝑁𝑃𝐻𝑄 : Nombre de plages horaires quotidiennes.

b. Définition de la fonction confort


En termes de confort, l'utilisateur peut avoir des préoccupations diverses selon le type
d'appareil électroménager. Par exemple, pour le Chauffage-Ventilation et Climatisation (CVC)
et le chauffe-eau électrique (EWH), l'utilisateur fait plus attention à la température.
Cependant, pour les Véhicules électriques hybrides rechargeables (PHEV), le lave-linge (WM),
le sèche-linge (CD)et le lave-vaisselle (DW), l'utilisateur se concentre sur le moment où les
tâches de ces appareils sont terminées. En mesurant le confort de tous les appareils flexibles,
il est possible de programmer leur fonctionnement de manière efficace, tout en garantissant
un niveau de confort d'utilisation adapté.

Tableau 1 : les paramètres de confort.

Appareil Paramètre de confort


CVC, EWH Températures ( 𝑇𝑡𝐶𝑉𝐶 , 𝑇𝑡𝐸𝑊𝐻 )
𝑃𝐻𝐸𝑉 𝑊𝑀 𝐶𝐷 𝐷𝑊
PHEV, WM, CD, DW Heures de fin des tâches ( 𝑡𝑓𝑆𝑂𝐶 , 𝑡𝑒𝑛𝑑 , 𝑡𝑒𝑛𝑑 , 𝑡𝑒𝑛𝑑 )

Un ensemble d'indicateurs de niveau de confort a été proposé en fonction du type de


dispositif. Pour un système CVC par exemple, afin de quantifier le confort au niveau de
l'utilisateur, nous définissons un indicateur de niveau de confort dont la définition est basée
sur l'hypothèse suivante :
• La température ambiante à l'intérieur de la maison est égale à la température de
consigne de l'utilisateur, ce dernier est dans l'état le plus confortable.
• La température ambiante s'écarte de la température de consigne, le niveau de
confort sera réduit.
On calcule l’indicateur de niveau de confort comme suit :

𝑁𝑃𝐻𝑄
1 𝑑𝑡𝑟𝑜𝑜𝑚
𝐼𝐶𝑉𝐶 = ∑ 𝑟𝑜𝑜𝑚 × 100
𝑁𝑃𝐻𝑄 ∆𝑇𝑚𝑎𝑥
𝑡=1

Avec
𝑟𝑜𝑜𝑚 𝑟𝑜𝑜𝑚 𝑟𝑜𝑜𝑚 𝑟𝑜𝑜𝑚 𝑟𝑜𝑜𝑚
∆𝑇𝑚𝑎𝑥 = max (𝑇𝑠𝑒𝑡 − 𝑇𝑚𝑖𝑛 ; 𝑇𝑚𝑎𝑥 − 𝑇𝑠𝑒𝑡 )

Et
𝑟𝑜𝑜𝑚 𝑟𝑜𝑜𝑚
𝑇𝑠𝑒𝑡 − 𝑇𝑡𝑟𝑜𝑜𝑚 , si 𝑇𝑚𝑖𝑛 ≤ 𝑇𝑡𝑟𝑜𝑜𝑚 ≤ 𝑇𝑠𝑒𝑡
𝑟𝑜𝑜𝑚
− ∆𝑇𝐿𝑟𝑜𝑜𝑚
𝑟𝑜𝑜𝑚 𝑝𝑖è𝑐𝑒
0, si 𝑇𝑠𝑒𝑡 − ∆𝑇𝐿𝑟𝑜𝑜𝑚 ≤ 𝑇𝑡 𝑟𝑜𝑜𝑚
≤ 𝑇𝑠𝑒𝑡 − ∆𝑇𝑈𝑟𝑜𝑜𝑚
d𝑟𝑜𝑜𝑚
𝑡 =
𝑇𝑡𝑟𝑜𝑜𝑚 − 𝑇𝑠𝑒𝑡
𝑟𝑜𝑜𝑚 𝑟𝑜𝑜𝑚
, si 𝑇𝑠𝑒𝑡 + ∆𝑇𝑈𝑟𝑜𝑜𝑚 ≤ 𝑇𝑡𝑟𝑜𝑜𝑚 ≤ 𝑇𝑚𝑎𝑥
𝑟𝑜𝑜𝑚
𝑟𝑜𝑜𝑚
{ ∆𝑇𝑚𝑎𝑥 , 𝑠𝑖𝑛𝑜𝑛

• 𝑟𝑜𝑜𝑚
𝑇𝑠𝑒𝑡 : la température intérieure souhaitée définie par l'utilisateur
• ∆𝑇𝐿𝑟𝑜𝑜𝑚
, ∆𝑇𝑈𝑟𝑜𝑜𝑚 : sont deux paramètres liés à la zone de confort de la température
du système CVC et aux préférences de l'utilisateur
• 𝑁𝑃𝐻𝑄 : représente le nombre de plages horaires quotidiennes

L’indicateur 𝐼𝐶𝑉𝐶 , il se situe dans l'intervalle [0, 100]. La plage de variabilité de la


température intérieure est divisée en trois zones, à savoir la zone confortable, la zone
tolérable et la zone intolérable. La figure suivante met en évidence ces zones ainsi que les
relations entre les autres paramètres

Figure 7 : Relations entre les paramètres de l'indicateur de niveau de confort du système HVAC.
Sur la base des définitions ci-dessus, le niveau de confort global de l'utilisateur pendant la
période de planification est formulé comme suit :
1
𝐹𝑐𝑜𝑛𝑓𝑜𝑟𝑡 = ∑ 𝐼𝑎
𝑁𝐴
𝑎∈𝐴

Avec

• A= {ML, SL, LV, CVC, CEE, PHEV}.


• Ia : désigne la valeur de l'indicateur de niveau de confort de l’appareil.
• Na : est le nombre d'appareils de l'ensemble A d'appareils électroménagers qui
peuvent être planifiés.

c. Définition de la fonction objective totale


Le modèle d'optimisation multi-objectifs pour HEMS peut être formulé comme suit :
min 𝐹𝑐𝑜𝑠𝑡
{min 𝐹
𝐶𝑜𝑛𝑓𝑜𝑟𝑡

Pour simplifier, le modèle d'optimisation est transformé en modèle d'optimisation à


objectif unique à l'aide d'une méthode de pondération :
min 𝐹𝑇𝑜𝑡𝑎𝑙 =∝ 𝐹𝐶𝑜𝑠𝑡 + (1−∝)𝐹𝐶𝑜𝑛𝑓𝑜𝑟𝑡

Où α représente le facteur de préférence de l'utilisateur 0 <∝< 1 par lequel un utilisateur


peut facilement faire un compromis entre le coût de l'électricité et le niveau de confort.
4.2.2. Optimisation multi-objectifs du HEMS à l'aide de PSO
a. Présentation de l'algorithme PSO
Les algorithmes de Swarm Intelligence (SI) sont généralement constitués d'une
population d'agents qui interagissent localement entre eux et avec leur environnement.
L'algorithme Particle Swarm Optimization (PSO) est une discipline du SI. Cette méthode
optimise un problème en testant, de manière itérative, plusieurs solutions candidates. Cela
résout un problème en ayant une population de solutions candidates, ici des particules,
chacune de dimension n, en les déplaçant dans l'espace de recherche selon une loi
stochastique. Les mots clés de cet algorithme sont Apprentissage (facteur cognitif) et
Communication (facteur social). L'exemple de la figure 8met en évidence le processus de
recherche du point optimal à l'aide de l'algorithme PSO. C'est une maximisation d'une
fonction objectif donnée. Comme indiqué, les particules sont d'abord initialisées de manière
aléatoire dans la zone de recherche. Après quelques itérations, et grâce à l'apprentissage et à
la communication, les particules convergent vers la zone optimale.
Figure 8 : Exemple du processus d'optimisation utilisant l'algorithme PSO.

Pour illustrer le principe de cet algorithme, la figure 9 présente un schéma du processus


d'optimisation pour un problème donné. Supposons qu'une population de particules
(représentée par la couleur jaune) soit à la recherche du point optimal. Chaque particule de
la population se déplace, de manière itérative, dans la zone de recherche qui représente
toutes les solutions potentielles et met à jour sa vitesse vi et sa position xi en fonction de son
𝑖
expérience personnelle (représentée par 𝑝𝑏𝑒𝑠𝑡 : meilleure position de l'individu visité par
la particule i et sur l'expérience sociale (représentée par 𝑔𝑏𝑒𝑠𝑡 : meilleure position globale
visitée par l'ensemble de la population).

𝑖
𝑣𝑖(𝑘 + 1) = 𝑤(𝑘) 𝑣𝑖(𝑘) + 𝑐1 𝑟1 (𝑝𝑏𝑒𝑠𝑡 − 𝑥𝑖(𝑘)) + 𝑐2 𝑟2(𝑔𝑏𝑒𝑠𝑡 − 𝑥𝑖(𝑘))
{
𝑥𝑖(𝑘 + 1) = 𝑥𝑖(𝑘) + 𝑣𝑖(𝑘 + 1)

• 𝑣𝑖(𝑘 + 1) , 𝑣𝑖(𝑘) : désigne les vitesses de la particule i aux itérations k + 1 et k.


• 𝑥𝑖(𝑘 + 1) , 𝑥𝑖(𝑘) : désigne les positions de la particule i dans l'itération k + 1 et k.
Figure 9 : Représentation géométrique de l'algorithme PSO.

• c1 et c2 : sont respectivement des facteurs d'apprentissage cognitif et social.


• r1et r2 : sont deux variables aléatoires stochastiques dans l'intervalle [0, 1].
• 𝑖
𝑔𝑏𝑒𝑠𝑡 et 𝑝𝑏𝑒𝑠𝑡 :sont respectivement la meilleure position personnelle de la
particule i et la meilleure position globale de l'ensemble de la population.
La version binaire de l'algorithme PSO, dénommée BPSO (Binary PSO), est proposée pour
les problèmes binaires. Dans ce type de problèmes, une particule va décider "oui" ou "non",
"vrai" ou "faux", etc. Les meilleures positions personnelles et globales sont mises à jour
comme dans la version en valeur réelle. La principale différence entre le PSO binaire et la
version à valeur réelle est que les vitesses des particules sont plutôt définies en termes de
probabilités qu'un bit passe de 0 à 1. En utilisant cette définition, une vitesse doit être limitée
dans l'intervalle [0,1].
Une transformation est donc introduite pour faire correspondre les valeurs des vitesses
réelles à l'intervalle [0,1]. La fonction de transformation utilisée ici est une fonction sigmoïde
telle que :

1
𝑣 ′(𝑘) = 𝑠𝑖𝑔𝑚𝑜𝑖𝑑𝑒(𝑣𝑖(𝑘)) =
1 + 𝑒 𝑣𝑖,𝑗(𝑘)
Ainsi, la mise à jour de la position se fait selon l'équation suivante :
1
1, 𝑠𝑖 𝑟3 <
𝑥𝑖(𝑘) = { 1 + 𝑒 𝑣𝑖,𝑗(𝑘)
0, 𝑒𝑙𝑠𝑒

• r3 est un nombre stochastique variant aléatoirement dans l'intervalle [0,1]


Sur la base de l'algorithme PSO décrit ci-dessus, un algorithme d'optimisation multi-objectifs a été
développé pour optimiser le HEMS. La figure 10 donne l'organigramme de l'algorithme proposé
pour résoudre le problème d'optimisation. Dans cet algorithme, le vecteur de décision du modèle
d'optimisation est le vecteur de position 𝑋 𝑖 de la particule i et correspond à un profil de
consommation. Il est donné par :

Figure 10 : Architecture fonctionnelle modulaire du système HEMS proposé.


𝑋 𝑖 = [𝑆𝐶𝑉𝐶 , 𝑆𝐶𝐸𝐸 , 𝑆𝑃𝐻𝐸𝑉 , 𝑆𝑆𝑡𝑎𝑟𝑡 ]
𝑆𝐶𝑉𝐶 , 𝑆𝐶𝐸𝐸 , 𝑆𝑃𝐻𝐸𝑉 Sont des vecteurs binaires et 𝑆𝑆𝑡𝑎𝑟𝑡 est un vecteur discret Par conséquent,
le vecteur de décision 𝑋 𝑖 est un vecteur hybride de dimension 3𝑁𝑃𝐻𝑄 + 4 − 𝑡𝑝𝑙𝑢𝑔 . Par exemple,
si la journée est subdivisée avec une résolution de 10 min (𝑁𝑃𝐻𝑄 = 144), et l'heure de
branchement du véhicule électrique est 18h30 (𝑡𝑝𝑙𝑢𝑔 = 111), la dimension du vecteur 𝑋 𝑖 est
de 325.

5. Études de cas : Simulations et résultats


Dans cette section, nous proposons d'effectuer quelques simulations pour valider
l'algorithme proposé. L'algorithme a été codé et étudié sur l'environnement MATLAB.
L'horizon d'ordonnancement pour la simulation est de 24 h divisé en 144 tranches de temps
égales, chacune correspondant à 10 min.

Tableau 2 : Composantes du vecteur de décision

Sub-vector Expression Dimension Type

𝑆𝐶𝑉𝐶 [𝑆1𝐶𝑉𝐶 , 𝑆2𝐶𝑉𝐶 , … . . , 𝑆𝑁𝐶𝑉𝐶 ] 𝑁𝑠𝑙𝑜𝑡 Binaire


𝑠𝑙𝑜𝑡

𝑆𝐶𝐸𝐸 [𝑆1𝐶𝑉𝐶 , 𝑆2𝐶𝑉𝐶 , … . . , 𝑆𝑁𝐶𝑉𝐶 ] 𝑁𝑠𝑙𝑜𝑡 Binaire


𝑠𝑙𝑜𝑡

𝑆𝑃𝐻𝐸𝑉 [𝑆𝑡𝑃𝐻𝐸𝑉 , 𝑆𝑡𝑃𝐻𝐸𝑉 , … . . , 𝑆𝑁𝑃𝐻𝐸𝑉 ] 𝑁𝑠𝑙𝑜𝑡 − 𝑡𝑝𝑙𝑢𝑔 + 1 Binaire


𝑝𝑙𝑢𝑔 𝑝𝑙𝑢𝑔 +1 𝑠𝑙𝑜𝑡

𝑇𝑠𝑡𝑎𝑟𝑡 3 Binaire
[𝑡𝑠𝑡𝑎𝑟𝑡
𝑀𝐿 𝑆𝐿
, 𝑡𝑠𝑡𝑎𝑟𝑡 𝐿𝑉
, 𝑡𝑠𝑡𝑎𝑟𝑡 ]

5.1 Étude de cas N◦ 1 : Évaluation des économies potentielles du système HEMS :


5.1.1 Description :
Cette étude de cas vise à identifier les économies potentielles de l'activité de gestion de
l’énergie. Ainsi, nous proposons d'effectuer une optimisation mono-objective avec le souci
de réduire les coûts d'électricité sans considérer la fonction de confort.
5.1.2 Résultats et discussion :
La Fig. 11 met en évidence le processus d'optimisation obtenu en appliquant l'algorithme
proposé. La figure 12 donne les résultats de la stratégie de contrôle du côté de l'offre adoptée
pour un partage optimal de la puissance entre les éléments de consommation, de production
et de stockage. Les figures 13 et 14 correspondent aux résultats de la stratégie de contrôle du
côté de la demande. Elles donnent, respectivement, l'ordonnancement optimal des appareils
interruptibles et non interruptibles selon l'algorithme proposé. Tandis que la Fig. 15 montre
les coûts en temps réel de l'énergie du réseau et des batteries.
Figure 11 : Processus d'optimisation de la fonction objectif.

Nous pouvons remarquer que, que ce soit pour une utilisation directe ou pour la charge
des batteries, l'énergie n'a été achetée au réseau que lorsque son prix était bas. En effet,
l'objectif d'optimisation étant ici de réduire les coûts, l'appel au réseau uniquement lorsque
l'énergie est moins chère est donc justifié. Notons que le chargement des batteries sur le
réseau pendant les heures creuses est utile pour éviter de l'appeler pendant les heures de
pointe.
Le coût de l'énergie en temps réel correspondant aux batteries augmente avec la puissance
de charge du réseau et diminue avec la puissance de charge du PV. Ceci est attendu car
l'énergie PV est gratuite et, par conséquent, prioritaire par rapport à l'énergie du réseau.
Figure 12 : Résultats de la gestion de l'offre - Planification du dispatching.

Figure 13 : Résultats de la gestion de la demande - Programmation des appareils interruptibles.


Figure 14 : Résultats de la gestion de la demande - Programmation des appareils non interruptibles.

Figure 15 : Prix de l'énergie en temps réel.

Sinon, on constate que le pourcentage d'optimisation en termes de coût (85%) est


supérieur à celui en termes d'énergie (30%), alors qu'ils devraient normalement être égaux !
Ceci pourrait être interprété par le fait que les deux pourcentages ne devraient être égaux que
lorsque le tarif du réseau est fixe. Comme ce n'est pas le cas pour cette simulation, le
pourcentage d'économie en coût (MAD) n'est pas forcément égal à celui en énergie (kWh) car
le prix du kWh est simplement variable. Pour quantifier les avantages du système HEMS
proposé, une simulation non basée sur le système HEMS a été réalisée et comparée à la
simulation ci-dessus. Les résultats de la comparaison sont résumés dans le tableau 3. Le
tableau ci-dessus a permis d'identifier les économies potentielles dues au déploiement du
HEMS, mais sur une base quotidienne (impact à court terme). Pour évaluer l'impact du HEMS
sur la rentabilité à long terme du système PV, nous supposerons que le HEMS augmente le
taux d'autosuffisance de 30% (Fig. 16) pendant la durée de vie du projet PV (estimée à 25
ans). Le tableau 4 permet de comparer certains paramètres financiers pour les deux
scénarios.
Cette étude de cas nous permet de conclure que la gestion de l'énergie peut affecter de
manière significative les économies à court terme et la rentabilité à long terme des systèmes
photovoltaïques à usage résidentiel. Cela encouragera les utilisateurs résidentiels à recourir
à l'autoconsommation au moyen de l'énergie photovoltaïque. Cependant, une rentabilité
attrayante pourrait être atteinte non seulement en augmentant l'indépendance du réseau,
mais aussi en tenant compte de la durée de vie des batteries pour minimiser les coûts de
maintenance et de remplacement. Par ailleurs, des simulations ont montré que la vente de
l'excédent d'énergie au réseau à un tarif d'achat approprié pouvait augmenter la rentabilité
des systèmes photovoltaïques. En combinant la gestion de l'énergie et la vente du surplus
d'énergie, la rentabilité des systèmes photovoltaïques devient beaucoup plus intéressante
[22,23]. En ce qui concerne le cadre juridique, le Maroc a établi des textes législatifs et
réglementaires pour servir la mise en œuvre de la stratégie énergétique nationale [24], tels
que la loi n° 13-09 sur les énergies renouvelables qui a ouvert le marché de l'électricité HT ;
la loi n° 58-15 (modifiant et complétant la loi n° 13-09) qui a donné la possibilité de vendre
jusqu'à 20% de la production annuelle à l'opérateur du réseau national (ONEE) et la loi n° 16-
08 qui a autorisé les particuliers à produire leur propre électricité pour l'autoconsommation
[25]. Cependant, le cadre juridique n'est pas encore ouvert à la VL. Les sociétés de services
publics ne compensent pas les propriétaires ou autres producteurs pour le retour d'énergie
dans le réseau. Par conséquent, le déploiement de HEMS pourrait être une solution
appropriée pour augmenter la rentabilité des systèmes PV dans les pays qui n'ont pas de tarifs
de rachat ou de politiques de facturation nette, comme le Maroc.

Tableau 3 : Comparaison des indicateurs clés de performance quotidiens pour les cas avec/sans déploiement de l'HEMS.

Réseau
Variable Avec HEMS Sans HEMS Principales conclusions
uniquement

Taux 90% 60% 0% Optimisation de


d'autoconsommation l'autoconsommation de 30% par
rapport à la

Réduction des émissions 12.01 8.4 - cas sans HEMS


(kg)
limitation des émissions de CO2
de 30% par rapport au cas

Dépendance à l'égard du 10% 40% 100%


réseau

Dépenses monétaires 1.33 8.891 21.839 Optimisation des dépenses


monétaires de 85% par rapport
(Facture en MAD/jour)
à celles de l'année précédente.
par rapport au cas sans HEMS, et
de 94% par rapport au cas avec
la grille uniquement
Figure 16 : Taux d'autosuffisance pour les cas avec/sans déploiement du HEMS.

Tableau 4 : Comparaison des paramètres financiers à long terme pour les cas avec/sans déploiement de HEMS.

Variable Avec HEMS Sans HEMS Principales conclusions

Cash-flow annuel (MAD) 8674.76 5783.17 Optimisation du cash-flow


annuel de 33,33% par rapport au
cas sans gestion de l'énergie.

Réduction des émissions 11 17 Optimisation de la période de


(kg) retour sur investissement de 6
ans par rapport aux cas sans
gestion de l'énergie

Dépendance à l'égard du 90% 34% Optimisation du ROI de 56% par


réseau rapport au cas sans la gestion de
l'énergie.

5.2 Étude de cas N∘2 : Analyse « Coûts/Confort »


5.2.1 Description
Le haut niveau de confort vaut beaucoup d'argent c’est une règle générale. Tenter de
réduire ces coûts peut avoir un impact négatif sur le confort. La relation inverse entre ces
deux variables est souvent appelée le « dilemme du coût et de la commodité ». Par conséquent,
le défi est de trouver un moyen d'assurer le confort tout en réduisant les coûts.
5.2.2 Résultats et discussion
La figure ci-dessous montre la relation entre le coefficient de préférences de l'utilisateur
et les résultats d'optimisation.
La relation entre le coût global et le niveau de confort dépond à un facteur de préférence
de l'utilisateur α, ce qui permet à l'utilisateur de trouver facilement un compromis approprié
entre les dépenses monétaires et le niveau de confort.
Le niveau de confort est optimisé lorsque le facteur de préférence de l’utilisateur diminue
par contre lorsque ce facteur augmente, le coût total de l'électricité diminue.
Figure 17 : Relation entre le coefficient des préférences de l'utilisateur et les résultats de l'optimisation.

5.3 Etude de cas N◦ 3 : Evaluation de l'impact du système de tarification du réseau sur


l'optimisation de la consommation
5.3.1 Description
La réponse à la demande (DR) est désormais une partie importante du portefeuille de
solutions de réseau intelligent. Ceci est défini comme l'ajustement du modèle de
consommation d'énergie par l'utilisateur final qui souhaite modifier le programme, le niveau
actuel de la demande ou la consommation totale d'énergie.
Actuellement, de nombreux pays s'appuient sur des tarifs mensuels moyens plutôt que sur
des tarifs dynamiques qui reflètent la volatilité du marché de l'énergie.
Pour résoudre ces problèmes de tarification de l'électricité ont été proposés, plusieurs
modèles de tarification alternatifs, tels que :

• Le temp d’utilisation
• La tarification en temps réel
• La tarification de pointe critique
• L’augmentation des taux d'interdiction

5.3.2 Résultats et discussion


Cette étude généralement vise à analyser l'effet de la nature du système de tarification sur les
économies potentielles pouvant être réalisable par la gestion de l'énergie pour le cas résidentiel.
Ainsi, trois simulations doivent être comparées, chacune correspondant à un modèle de
tarification différent :
Tarification en temps réel (RTP) : Le prix de l'électricité varie d'une heure à l'autre. Il est publié
un jour à l'avance par la grille opérateur aux habitants.
Tarification selon l'heure d'utilisation (ToU) : dans ce modèle, nous utiliserons les trois tarifs
utilisés par les fabricants dans le Maroc (heures creuses, heures pleines, heures pointe).
Tarification statique : comme celui utilisé par les utilisateurs résidentiels au Maroc.
a. Fonctionnement des appareils interruptibles avec α = 1
Les profils de température de l'air et de l'eau sont moins lisses et plus oscillatoires avec α
= 1 par rapport à α = 0
Figure 18 : Interruptible appliances operation with α = 1.

b. Fonctionnement des appareils interruptibles avec α = 0

Figure 19 : Interruptible appliances operation with α = 0.


Figure 20 : Pricing schemes during a day.

• Pour le RTP : Le cout de l'électricité varie d'une heure à l'autre

• Pour le ToU : Le prix de l'électricité varie selon les 3 tarifs (heures creuses,
heures pointes, heures pleines)

• Pour le tarif fixe : Le prix de l'électricité est constant et utilisé par les utilisateurs
résidentiels au Maroc

Tableau 5 : Principaux résultats de la troisième étude de cas.

Coûts du réseau Coûts de dégradation de la batterie


Système de tarification 𝑭𝐜𝐨𝐬𝐭 (MAD)
(MAD) (MAD)

RTP 3.4773 18.4526 21.9299

ToU 4.1784 21.0748 25.2532

Tarif fixe 5.7852 24.2463 30.0315


Conclusion
La transition énergétique marocaine ne pourra réussir qu'en atteignant les objectifs
stratégiques fixés en termes de développement des énergies renouvelables et d'amélioration
de l'efficacité énergétique. En fait, la réalisation de ces deux objectifs pourrait être
grandement accélérée en développant en parallèle deux éléments clés : le réseau intelligent
et la maison intelligente. À l'ère du numérique, parier sur l'"intelligence" est donc une
nécessité.
À l'ère des réseaux modernes, les systèmes de gestion de l'énergie sont des éléments
importants pour l'économie d'énergie et jouent un rôle clé pour promouvoir l'intégration des
énergies renouvelables, protégeant ainsi l'environnement. Dans cette perspective, un HEMS
intelligent a été développé pour utiliser de manière optimale l'énergie dans une maison
intelligente sous le paradigme du réseau intelligent, en tenant compte du contexte local et des
habitudes de demande d'énergie. Après avoir défini le contexte de l'étude, un cadre HEMS a
été proposé. Ensuite, deux stratégies de contrôle ont été conçues pour fonctionner
conjointement : stratégie de contrôle du côté de l'offre et stratégie de contrôle du côté de la
demande. En combinant les deux stratégies mentionnées, un algorithme d'optimisation multi-
objectif a été développé pour minimiser les coûts et maximiser le niveau de confort
simultanément. La gestion des flux énergétiques a pris en compte les prix de l'électricité, les
données prévisionnelles et les préférences des utilisateurs. Les résultats des simulations ont
montré que la gestion de l'énergie permet d'exploiter des économies considérables. L'effet
cumulé de ces économies à un impact notable sur la rentabilité du système PV.
Le dilemme "coût/confort" a été résolu grâce à une méthode de pondération efficace qui
permet à l'utilisateur de trouver un compromis approprié entre les dépenses monétaires et
le niveau de confort. L'utilisateur est donc un acteur clé des activités de gestion de l'énergie.
L'exploitant du réseau est un autre acteur clé qui pourrait influencer de manière significative
les habitudes de consommation. En effet, l'adoption d'un système de tarification dynamique
tel que le RTP ou le ToU permet à l'utilisateur de réaliser des économies importantes. Par
conséquent, un tel système pourrait également être un moyen efficace de sensibiliser les
utilisateurs finaux afin qu'ils participent plus activement aux activités de gestion de l'énergie.
Cela permettra une gestion décentralisée du système électrique, qui constitue l'épine dorsale
des réseaux intelligents. La réforme du système de tarification lancée au Maroc devrait donc
aboutir à l'adoption d'un système de tarification dynamique afin d'atteindre cet objectif.
L'ensemble des résultats obtenus dans ce travail montre que le HEMS constitue une solution
multidimensionnelle et un point de convergence de plusieurs sujets de pointe : réseau
électrique intelligent, maison intelligente, efficacité énergétique et intégration des énergies
renouvelables dans les bâtiments. Le déploiement de ces systèmes à grande échelle pourrait
avoir des impacts considérables sur l'écosystème socio-économique et l'environnement.
Cependant, compte tenu des défis susmentionnés, une intégration réussie des HEMS dans les
maisons nécessitera des efforts supplémentaires en ce qui concerne les coûts de mise en
œuvre, la complexité de la modélisation et l'incertitude des prévisions.

Vous aimerez peut-être aussi