Techniques d’optimisation multi-objectives des problèmes de conception,

planification et contrôle des systèmes hybrides : Résumé

Introduction

Plusieurs techniques et algorithmes ont été développés et analysés afin de résoudre les

problèmes de conception, planification et contrôle rencontrés dans la gestion de l’énergie des

systèmes hybrides. Suivant le système étudié, les chercheurs ont développé des algorithmes

pour optimiser un ou plusieurs paramètres afin d’améliorer le fonctionnement et la

consommation de l’énergie. Parmi ces techniques et méthodes utilisées, nous pouvons citer

deux types : les méthodes d’optimisation mono-objective qui permettent de donner à la sortie

du système un seul paramètre optimisé, et les méthodes d’optimisation multi-objectives ou

multicritères qui se basent sur le contrôle de plusieurs paramètres à la fois. Dans ce qui suit,

nous allons énumérer les différentes méthodes utilisées dans la littérature pour faire

l’optimisation de plusieurs types de problèmes rencontrés par les systèmes hybrides.

A. Techniques d’optimisation  mono-objectives:

1. Programmation linéaire (LP):

Dans l’article [189], cet algorithme est utilisé pour l’optimisation des problèmes de

planification pour la promotion de l'utilisation de sources d'énergie renouvelables. Une

méthodologie de programmation linéaire d'optimisation basée sur le modèle d'optimisation

des flux énergétiques (EFOM) est adoptée, détaillant les sources d'énergie primaire

d'exploitation, la puissance et la génération de chaleur, les émissions et les secteurs

d'utilisation finale.

2. LP and fixed dispatch [200] :

5
Ces algorithmes ont été utilisés pour déterminer la surface des unités de gachette et l’envoi

dans un système d’energie « wind-diesel » avec stockage d’hydrogène afin d’optimiser le cout

nécessaire pour la demande d’électricité.

3. Logique floue (fuzzy logic) [190] :

Cet algorithme est utilisé pour l’optimisation des problèmes des systèmes hybrides

complexes.

4. Neuro-fuzzy controller [212] :

Cet algorithme est utilisé pour l’optimisation d’un système « diesel-éolien ». Les résultats

sont plus performants que ceux obtenus par control logique floue- régulateur PID.

5. Algorithme PSO (Particle Swarm Optimization) :

Dans l’article [2], cet algorithme de PSO a été proposé pour résoudre la coordination de capacité

éolienne-photovoltaïque pour un taux de temps d'utilisation industrielle dans le but de maximiser les

avantages économiques d'investissement dans un système de production d'énergie éolienne et un

système de production photovoltaïque. Dans le papier [191], cet algorithme permet d’optimiser

un système de production hybride « wind-photovoltaic-fuel cell » afin de minimiser le taux

annuel de la consommation d’énergie du système hybride afin d’obtenir un approvisionnement

fiable à la demande. Dans l’article [207] le PSO a été utilisé pour minimiser les couts totaux d’un

système hybride d’énergie composé de « fuell cell, wind units, electrolysers, a reformer,

anaerobic reactor and hydrogen tanks ». Aussi cet algorithme est utilisé dans le problème de

dimensionnement des systèmes hybrides.

6. Algorithme génétique (GA) :

Dans l’article [196], cet algorithme a été appliqué pour une configuration optimale du système

d’énergie « diesel generators, wind turbine generators, photovoltaic system and batteries ».

5
Dans les articles [201,202], le GA a été développé pour le dimensionnement optimal d’un

système autonome de production « photovoltaic-wind » et l’optimisation des configurations

du système « solar-wind-battery ». Dans l’article [213], cet algorithme est utilisé pour la

conception et le contrôle d’un système hybride « photovoltaic-solar ».

7. GA and PSO :

Ces deux algorithmes ont été combinés dans le papier [209] pour résoudre le problème de

planification pour les unités thermiques intégrés avec un système d’énergie « éolien-solaire ».

8. Algorithme génétique (GA) et algorithme du simplex :

Dans [176], ces algorithmes ont été appliqués pour optimiser un système hybride composé

« d’une cellule photovoltaïque, une batterie et une pile à combustible » pour l’éclairage d’un

système autonome.

9. Algorithme évolutionnaire (EA) :

Dans [204], cet algorithme a été présenté pour une conception efficace et un contrôle d’un

système hybride de production de l’énergie électrique et qui consiste en un système complexe

composé de « photovoltaic-wind-diesel-batteries-hydrogene ».

10. Plusieurs autres méthodes d’optimisation

Ces méthodes sont été développées [192,193, 195, 210] : pour la conception des systèmes

hybrides.

B. Techniques d’optimisation multi-objectives :

1. Une méthode d’optimisation multi-objective : dans l’article [180] l’auteur propose

une nouvelle méthode multi-objective pour optimiser la combinaison des

5
 systèmes d'énergie renouvelable afin de maximiser leurs contributions à la charge de pointe,

tout en minimisant l'intermittence combinée à un coût minimum.

2. Un algorithme multi-objectif: non-dominated sorting genetic algorithm (NSGA-II) :

cet algorithme multi-objectif a été développé pour minimiser le cout d’énergie du

système [181]. Cet article propose une formulation économique et environnementale de

l'évaluation SAHPS multi-objectif. La fonction économique objective est le coût du système

d'énergie (COE), tandis que la fonction environnementale objective est l'équivalent total des

émissions de CO2 (CO2-eq.).

3. PSO (particle swarm optimization) : dans [182], cet algorithme est utilisé aussi pour

la résolution multi-objective des problèmes économiques d’expédition (ED).

4. Algorithme évolutionnaire multi-objectif (MOEA ou multi-objective evolutionary

algorithm) [183], cet algorithme permet de résoudre le dispatching économique de

l’environnement d’un système d’énergie hybride. Cet algorithme permet de minimiser à la fois

les coûts de carburant et les émissions de gaz polluants, tout en utilisant les GA pour

l’optimisation de la charge économique d’expédition des systèmes d’alimentation qui inclut la

production éolienne.

5. SPEA  (Strength Pareto Evolutionary Algorithm) [184] : cet algorithme est appliqué à

la conception multi-objective des systèmes hybrides isolés où les objectifs sont de minimiser

le coût total tout au long de la vie utile de l'installation et les émissions de polluants. Les

résultats obtenus lors de la conception d'un système « photovoltaïque-éolien-diesel »

démontrent l'utilité pratique de la méthode de conception utilisée. Ces auteurs ont appliqué

une MOEA par la suite pour résoudre une version à trois objectifs de ce problème qui, en plus

de considérer la durée de vie utile de l'installation et les émissions de polluants, considère

également la charge non satisfait dans ce système hybride [185].

6. A Pareto-based multi-objective GA [186] : cet algorithme a été proposé pour le

dimensionnement d’un système hybride composé de « solaire-éolienne-batterie ». Son

5
 objectif est de réduire au minimum le système de coûts annualisées et la probabilité de perte

d'alimentation électrique.

7. A hybrid Pareto-based multi-objective meta-heuristic [188] : cet algorithme

combine la stratégie PAES (Pareto archived evolution strategy) avec SA (Simulated

Annealing) et TS (Tabu Search) afin de minimiser les écarts de tension et les pertes de

puissance dans les réseaux d'énergie, qui peut être étendu aux systèmes hybrides.

Références :

[2] Lee T-Y, Chen C-L. Wind-photovoltaic capacity coordination for a time-of- use rate industrial user. IE

Transactions on Renewable Power Generation 2009;3(2):152–67.

[180] Moura PS, De Almeida AT. Multi-objective optimization of amixed renewable system with demand-side

management. Renewable and Sustainable Energy Reviews 2010;14(5):1461–8.

[181] Katsigiannis YA, Georgilakis PS, Karapidakis ES. Multiobjective genetic algo- rithm solution to the

optimum economic and environmental performance problem of small autonomous hybrid power systems with

renewables. IE Transactions on Renewable Power Generation 2010;4(5):404–19.

[182] Mahor A, Prasad V, Rangnekar S. Economic dispatch using particle swarm optimization: a review.

Renewable and Sustainable Energy Reviews 2009;13(8):2134–41.

[183] Brini S, Abdallah HH, Ouali A. Economic dispatch for power system included windand solar thermal

energy. Leonardo Journal of Sciences 2009;14:204–20.

[184] Bernal-Agustín JL, Dufo-López R, Rivas-Ascaso DM. Design of isolated hybrid systems minimizing costs

and pollutant emissions. Renewable Energy 2006;31(14):2227–44.

[185] Dufo-López R, Bernal-Agustín JL. Multi-objective design of PV-wind-diesel- hydrogen-battery systems.

Renewable Energy 2008;33(12):2559–72.

[186] Ould B, Sambou V, Ndiaye PA, Kébé CMF, Ndongo M. Optimal design of a hybrid solar-wind-battery

system using the minimization of the annualized cost system and the minimization of the loss of power supply

probability (LPSP). Renewable Energy 2010;35(10):2388–90.

5
[187] Bilal BO, Sambou V, Ndiaye PA, Kébé CMF, Ndongo M. Optimal design of a hybrid solar–wind-battery

system using the minimization of the annualized cost system and the minimization of the loss of power supply

probability (LPSP). Renewable Energy 2010;35(10):2388–90.

[188] Montoya FG, Ba˜nos R, Gil C, Espín A, Alcayde A, Gómez J. Minimization of voltage deviation and

power losses inpower networks using Pareto optimization methods. Engineering Applications of Artificial

Intelligence 2010;23:695–703.

[189] Cormio C, Dicorato M, Minoia A, Trovato M. A regional energy planning methodology including

renewable energy sources and environmental con- straints. Renewable and Sustainable Energy Reviews

2003;7(2):99–130.

[190] Courtecuisse V, Sprooten J, Robyns B, Petit M, Francois B, Deuse J. A methodology to design a fuzzy

logic based supervision of hybrid renew- able energy systems. Mathematics and Computers in Simulation 2010,

doi:10.1016/j.matcom.2010.03.003.

[191] Kaviani AK, Riahy GH, Kouhsari SHM. Optimal design of a reliable hydrogen- based stand-alone

wind/PV generating system, considering component outages. Renewable Energy 2009;34(11):2380–90.

[192] Eke R, Kara O, Ulgen K. Optimization of a wind/PV hybrid power generation system. International

Journal of Green Energy 2005;2(1):57–66.

[193] Giannakoudis G, Papadopoulos AI, Seferlis P, Voutetakis S. On the systematic design and optimization

under uncertainty of a hybrid power generation sys- tem using renewable energy sources and hydrogen storage.

Computer Aided Chemical Engineering 2010;28:907–12.

[194] Sreeraj ES, Chatterjee K, Bandyopadhyay S. Design of isolated renewable hybrid power systems. Solar

Energy 2010;84(7):1124–36.

[195] Bernal-Agustín JL, Dufo-López R. Simulation and optimization of stand- alone hybrid renewable energy

systems. Renewable and Sustainable Energy Reviews 2009;13:2111–8.

[196] Senjyu T, Hayashi D, Yona A, Urasaki N, Funabashi T. Optimal configuration of power generating

systems in isolated island with renewable energy. Renew- able Energy 2007;32(11):1917–33.

5
[197] Balamurugana P, Ashok S, Jose TL. Optimal operation of biomass/wind/PV hybrid energy system for rural

areas. International Journal of Green Energy 2009;6(1):104–16.

[198] Nema P, Nema RK, Rangnekar S. A current and future state of art development of hybrid energy system

using wind and PV-solar: a review. Renewable and Sustainable Energy Reviews 2009;13(8):2096–103.

[199] Dufo-López R, Bernal-Agustín JL, Contreras J. Optimization of control strate- gies for stand-alone

renewable energy systems with hydrogen storage. Renewable Energy 2007;32(7):1102–26.

[200] Garcia RS, Weisser D. A wind-diesel system with hydrogen storage: joint optimization of design and

dispatch. Renewable Energy 2006;31(14): 2296–320.

[201] Koutroulis E, Kolokotsa D, Potirakis A, Kalaitzakis K. Methodology for opti- mal sizing of stand-alone

photovoltaic/wind-generator systems using genetic algorithms. Solar Energy 2006;80(9):1072–88.

[202] Yang H, Zhou W, Lu L, Fang Z. Optimal sizing method for stand-alone hybrid solar-wind system with

LPSP technology by using genetic algorithm. Solar Energy 2008;82(4):354–67.

[203] Del Real AL, Arce A, Bordons C. Optimization strategy for element siz- ing in hybrid power systems.

Journal of Power Sources 2009;193(1): 315–21.

[204] Bernal-Agustín JL, Dufo-López R. Efficient design of hybrid renewable energy systems using

evolutionary algorithms. Energy Conversion and Management 2009;50(3):479–89.

[205] Zervas PL, Sarimveis H, Palyvos JA, Markatos NCG. Model-based optimal con- trol of a hybrid power

generation system consisting of photovoltaic arrays and fuel cells. Journal of Power Sources 2008;181(2):32738.

[206] Diaf S, Belhamel M, Haddadi M, Louche A. Technical and economic assessment of hybrid

photovoltaic/wind system with battery storage in Corsica island. Energy Policy 2008;36(2):743–54.

[207] Hakimi SM, Moghaddas-Tafreshi SM. Optimal sizing of a stand-alone hybrid power system via particle

swarm optimization for Kahnouj area in south-east of Iran. Renewable Energy 2009;34(7):1855–62.

[208] Razak JA, Sopian K, Ali Y, Alghoul MA, Zaharim A,AhmadI. Optimization of PV- wind-hydro-diesel

hybrid system by minimizing excess capacity. European Journal of Scientific Research 2009;25(4):663–71.

[209] Chakraborty S, Senjyu T, Saber AY, Funabashi T. Optimal thermal unit com- mitment integrated with

5
renewable energy sources using advanced particle swarm optimization. IEEJ Transactions on Electrical and

Electronic Engineer- ing 2009;4:609–17.

[210] Matevosyan J, Olsson M, Söder L. Hydropower planning coordinated with wind power in areas with

congestion problems for trading on the spot and the regulating market. Electric Power Systems Research

2009;79(1): 39–48.

[211] Castronuovo ED, Lopes JAP. On the optimization of the daily opera- tion of a wind-hydro power plant.

IEEE Transactions on Power Systems 2004;19(3):1599–606.

[212] Jurado F, Saenz JR. Neuro-fuzzy control for autonomous wind-diesel systems using biomass. Renewable

Energy 2002;27(1):39–56.

Références à ajouter :

[11] K. Miettinen, Nonlinear Multiobjective Optimization. Kluwer Academic

Publishers, 1999.
[12] M. Ehrgott, Multicriteria Optimization, 2nd ed. Springer Verlag, Berlin,
2005.
[13] S. Gass and T. Saaty, “The computational algorithm for the parametric
objective function,” Naval Research Logistics Quarterly 2, pp. 39–45,
1955.

[14] M. Dellnitz, O. Schütze, and T. Hestermeyer, “Covering Pareto sets by

multilevel subdivision techniques,” Journal of Optimization Theory and
Applications, vol. 124, pp. 113–155, 2005.
[15] A. Dell’Aere, “Multi-objective optimization in self-optimizing systems,”
in 32nd Annual Conference of the IEEE Industrial Electronics Society
(IECON), Paris, France, Nov. 2006, pp. 4755–4760.
[16] J. Knowles, D. Corne, and K. Deb, Multiobjective Problem Solving from
Nature: From Concepts to Applications (Natural Computing Series).
Springer, 2008.
[17] C. A. Coello Coello, G. Lamont, and D. V. Veldhuizen, Evolutionary
Algorithms for Solving Multi-Objective Optimization Problems, 2nd ed.
Kluwer Academic Publishers, 2007.