Vous êtes sur la page 1sur 62

Gestion des réseaux de distribution en

présence de Génération d’Énergie Dispersée


par Raphaël Caire

Encadrants :
Nicolas Retière
Nouredine Hadjsaid ENSIEG, le 2 avril 2004

Raphaël Caire, le 2 avril 2004 1


Contexte
Ouverture à la concurrence
du marché de l’énergie

Développement nouvelles Saturation des


technologies de petites réseaux de transport
productions et moyens de stockage

Directives Européennes Contraintes


Accords de Kyoto écologiques

Multiplication attendue des générateurs au sein des réseaux


de distribution qui ne sont pas prévus pour
d’où impacts plus ou moins critiques

Remise en question possible des systèmes


électriques de distribution notamment français

Raphaël Caire, le 2 avril 2004 2


Contexte

© Copyright EDF

Raphaël Caire, le 2 avril 2004 3


Objectifs généraux

 Problématique du raccordement :
 Tendance à l’insertion de moins en moins marginale des producteurs,

 Études existantes concernant les impacts HTA/HTA et BT/BT,

 Contraintes de raccordement importantes et limitatives.

 Objectifs :
 Etudier la transmission des impacts de la BT vers la HTA,

 Trouver des solutions innovantes pour la gestion des réseaux de distribution


en présence de Génération d’Energie Dispersée (GED),
 Augmenter la capacité d’accueil.

 Découpage :
 Études d’impacts,

 Remèdes aux impacts les plus critiques,

 Validation avec un banc à échelle réduite (ARENE temps réel).

Raphaël Caire, le 2 avril 2004 4


Plan de la présentation

I – Contexte et objectifs généraux

II – Études d’impacts

III – Coordination des moyens de réglage

IV – Validation

V – Conclusions et perspectives

Raphaël Caire, le 2 avril 2004 5


Plan de la présentation

I – Contexte et objectifs généraux

II – Études d’impacts

III – Coordination des moyens de réglage

IV – Validation

V – Conclusions et perspectives

Raphaël Caire, le 2 avril 2004 6


Méthodologie d’étude d’impact

 Idée
Quantifier et évaluer la criticité d’un impact en fonction des valeurs
usuelles des paramètres du réseau
 Démarche
La plus générale possible
 Bonus
Trouver des solutions pour la gestion du réseau de distribution en
présence de GED
 Approche
Type paramétrique

Raphaël Caire, le 2 avril 2004 7


Méthodologie proposée

Choix de l’impact étudié Choix des réseaux

Outil
Outil analytique
informatique

Choix d’un indice


Choix des paramètres

Simulation et exploitation

Quantification de
l’impact

Raphaël Caire, le 2 avril 2004 8


Impacts envisagés
Séparation en plusieurs grandes catégories :
 Grandeurs électriques :
 Plan de tension,

 Courants de court-circuit,

 Déséquilibres,

 Stabilité,

 Qualité de l’énergie (Harmoniques, Flicker, Creux de tension, …).

 Conception, planification et exploitation :


 Plan de protection,

 TCFM (Télécommande centralisée à fréquence musicale),

 Gestion entre autres.

 Matériels de réseau :
 Vieillissement des matériels accéléré entre autres.

Il faut donc trouver lesquels sont prioritaires

Raphaël Caire, le 2 avril 2004 9


Impacts étudiés au cours de l’étude
Études quantitatives sur :
 Le plan de tension
 Respect des limites réglementaires

 Les courants de court-circuit en régime permanent


 Conformes au dimensionnement et aux réglages des matériels

 Le plan de protection
 Bon fonctionnement assuré : pas d’aveuglement ni de
déclenchement intempestifs

 La stabilité
 petits signaux : pas de modes instables
 grands signaux : valeurs de TEC acceptables

 Les déséquilibres en tension inverse


 Respect des valeurs réglementaires

Raphaël Caire, le 2 avril 2004 10


Méthodologie proposée et illustration sur le plan de tension

Choix de l’impact étudié Choix des réseaux

Outil
Outil analytique
informatique

Choix d’un indice


Choix des paramètres

Simulation et exploitation

Quantification de
l’impact

Raphaël Caire, le 2 avril 2004 11


Choix des réseaux
Mise en place des réseaux
 Réseau de référence de type urbain
 Réseau de référence de type rural
 Réseau Basse Tension générique
 Réseau école pour études analytiques
HTA / BT
N1 type 5 N2 type 7 N3
PBT , Q BT 33 m 392 m
PN 3 , Q N 3
type 7 N 4 type 7 N5
BT générique 158 m rural
309 m
PN 5 , Q N 5

urbain
Xcc N1 R1, X 1 N2 R 2 ,X 2 N3

U source P1,Q1 Pg ,Q g P2,Q2

HTA école

Raphaël Caire, le 2 avril 2004 12


Méthodologie proposée et outils associés

Choix de l ’impact
Choix des réseaux
étudié

Outil
Outil analytique
informatique

Choix d’un indice


Choix des paramètres

Simulation et exploitation

Quantification de
l’impact

Raphaël Caire, le 2 avril 2004 13


Outil analytique
Chute de tension pour une impédance RL :
Pe,Qe L R
Ue
U
I j. X .I
 R.I
Ue Us 
I Us
U

Si on considère que l’hypothèse de Kapp est valide, la chute de


tension entre Ue et Us est :

RPe  XQe
U 
Ue

Généralisation pour un réseau radial :


n
 k j  n
 k j 
R1,X1
N1
R2,X2
N2
R3,X3
N3
Rj,Xj
Nj
Rn,Xn
Nn    Rl Pk     X l Qk
k 1  l 1
Usource
U ( N j )   k 1  l 1 
P1,Q1 P2,Q2 P3,Q3 Pj,Qj Pn,Qn
U source

Raphaël Caire, le 2 avril 2004 14


Méthodologie proposée et indice de quantification

Choix de l ’impact
Choix des réseaux
étudié

Outil
Outil analytique
informatique

Choix d’un indice


Choix des paramètres

Simulation et exploitation

Quantification de
l’impact

Raphaël Caire, le 2 avril 2004 15


Indice d’impact et paramètres
Afin de quantifier l’impact de la génération d’énergie dispersée
et des paramètres du réseau, on a défini l’écart relatif :

U avec _ producteur ( N j )  U sans _ producteur ( N j )


 relatif ( N j ) 
U sans _ producteur ( N j )
L’écart relatif traduit donc la modification de la tension due à
un transit de puissance donné.
Les paramètres sont :
 dépendants des impédances R et X du réseau :
 Position du producteur,
 Puissance de court-circuit du réseau amont,
 Types de lignes et câbles entre autres.

 dépendants des puissances P et Q :


 Puissance de la GED connectée en BT,
 Puissance des charges connectées au réseau,
 Insertion massive de GED sur des réseaux BT différents.

Raphaël Caire, le 2 avril 2004 16


Méthodologie proposée et simulation

Choix de l ’impact
Choix des réseaux
étudié

Outil
Outil analytique
informatique

Choix d’un indice


Choix des paramètres

Simulation et exploitation

Quantification de
l’impact

Raphaël Caire, le 2 avril 2004 17


Exemple de résultats : influence de la position du
producteur sur le plan de tension

Ecart relatif en fonction de la position du producteur

N55

 javant   javant 
Pg .  Rk   Qg .  X k 
 k 1   k 1 
Variation de l’indice :  relatif ( Njavant ) 
 n  avant 
k  j n
 k  javant  
U source      Rl .Pk     X l .Qk 
2

 k 1  l 1  k 1  l 1  
 javant   javant 
  Rk  et   X k  Avant le point d’insertion : augmente
N1 k 1   k 1 
N29
Après le point d’insertion : constant  relatif ( N 2)   relatif ( N 3)

Raphaël Caire, le 2 avril 2004 18


Etude quantitative sur le réseau urbain
Application au plan de tension
 Cas d’insertion massive a priori et distribution des générateurs
19 GED de 250 kW
sur des réseaux BT

21
21répartis
uniformément kV
20.8

20.6

20.4 S
Tension (kV)

20.2 Référence Cmin


19 GED Cmin
20
19 GED_fin Cmin
19.8

19.6

19.4

19.2

19 principalement19 kV
localisés
en bout d’artère
0 2000 4000 6000 8000 10000 12000
Longueur (m)

Raphaël Caire, le 2 avril 2004 19


Etude quantitative sur le réseau rural
Application au plan de tension
 Cas d’insertion massive a priori et distribution des générateurs
23 21
GED de 100 kW sur des réseaux BT 21 kV
20.8

20.6

20.4
Référence
20.2
23 GED
20 23 GED artère 1

19.8 23 GED artère 6

19.6

19.4tout le réseau artère 6 artère 1


19.2

19 19 kV
0 1000 2000 3000 4000 5000 6000 7000 8000

Raphaël Caire, le 2 avril 2004 20


Résultats sur le plan de tension

Application à différents départs (ruraux, urbains) et étude de


sensibilité paramétrique (paramètres des conducteurs,
puissance produite, localisation des producteurs, Pcc entre
autres)

Exemple de résultats pour le plan de tension


 Premiers impacts apparaissent pour 100% de la
consommation totale du départ

 Impacts renforcés par :


 une consommation minimale
 une localisation concentrée en bout de départ des producteurs
 la contrainte initiale du réseau

 Dans certains cas, changement de prise du régleur


 conséquences sur les départs adjacents

Raphaël Caire, le 2 avril 2004 21


Conclusion sur les impacts

Conclusions pour les autres impacts : peu problématiques sauf cas


particuliers identifiés

GED BT BT HTA HTA


réseau BT HTA HTA HTB
Plan de tension +++ ++ +++ ++
Courants de +++ ++ ++ -
court-circuits
Déséquilibres ++ +
Stabilité +* +* ++ ++

Choix du problème principal à traiter : plan de tension

Conclusions valables sur réseaux d’étude et renforcées par d’autres


études nationales et internationales.

Raphaël Caire, le 2 avril 2004 22


Plan de la présentation

I – Contexte et objectifs généraux

II – Études d’impacts

III – Coordination des moyens de réglage

IV – Validation

V – Conclusions et perspectives

Raphaël Caire, le 2 avril 2004 23


Recensement des moyens de réglage

 Moyens de réglage de la tension dits « traditionnels » :


 Régleurs en charge au poste source,
 Bancs de condensateurs.

 Coordination de ces moyens avec d’autres :


 Distribution-Flexible AC Transmission Systems (D-FACTS),
 Certains producteurs indépendants,
 Autres types.

Raphaël Caire, le 2 avril 2004 24


Coordination des moyens de réglage
 Méthodes de gestion optimale des moyens de réglage :
 le meilleur choix des consignes des éléments réglants (parallèles et
séries)
 le placement optimal des moyens de réglages supplémentaires,
 le choix/limitation du nombre des moyens de réglage.

 Coordination des services  Réflexion pour la coordination


réseau de chaque producteur par de groupes de producteurs
un opérateur réseau  vision horizontale (décentralisée)
 vision verticalement intégrée  intelligence répartie
 moyens télécoms locaux / globaux

Raphaël Caire, le 2 avril 2004 25


Coordination en utilisant un algorithme d’optimisation

 Minimisation d’une fonction objectif :

Minimiser F ( x, u )
avec g (u , x)  0
h(u , x)  0
 F(x,u) est la fonction objectif,
 x sont les variables électriques (tensions, courants, phases, puissances),
 u sont les grandeurs commandables (consignes producteurs / FACTS, régleurs en
charge, condensateurs entre autres),
 g(u,x) la (ou les) équation(s) qui se réfère(nt) à des conditions d’égalité (exemple :
calcul de répartition, égalité puissance consommée et puissance produite aux pertes
près),
 h(u,x) la (ou les) inégalité(s) qui tradui(sen)t les contraintes sur les vecteurs x et u
(tensions maximales, puissances transmissibles).

Raphaël Caire, le 2 avril 2004 26


Problématique de l’optimisation dans les réseaux
 Problème mixte (continu et/ou discret) :
 Valeurs de l’injection de puissance réactive des D-FACTS et des
producteurs sont continues
 Valeurs du régleur en charge et du banc de capacité sont discrètes, ou
rendues continues par des fonctions d’extrapolation
 Le choix des moyens de réglage est un problème purement discret

 Problème fortement non linéaire

 Problème contraint :
 Limites sur les injections de puissance des moyens de réglage
 Limites sur les tensions du réseau
 Limites sur les courants

Raphaël Caire, le 2 avril 2004 27


L’arbre d’optimisation (vu sur [NEOS])

Réglage des consignes

Raphaël Caire, le 2 avril 2004 28


Problématique de l’optimisation des grandeurs de
commande dans les réseaux (réglage des consignes)

 Représentation mathématique des grandeurs de réglage


1.15
1.15
1.15
discrètes :
en compte
 compte Représentations linéaires,
Représentations en escaliers,
en compte

1.1
1.1
1.1
 Tableaux de valeurs.
prispris
en

 Problème contraint :
pris

1.05
1.05
1.05
Ratio

 Limites sur les injections de puissance réactive des moyens de réglage,


Ratio
Ratio

 Limites sur les tensions du réseau.


linéarisé
1
U
111
 Fonctions objectifs : H1   U noeuds
consigne
N noeuds
0.95
0.95
0.95
Pertes   Re  U ligne .I *
en escalier
lignes discret
« sigmoïdes »

 U consigne  U noeuds 
1 2
H  1.1max16
U consigne  U noeuds
H2 
0.9
0.9
0.9
0.90
0.9 2 0.95 4
0.95 6 11 8 1.05
1.05
10 12 1.114 1.151.15
18

N noeuds
Valeur
Plotde
deconsigne
Valeur consigne
de consigne

Raphaël Caire, le 2 avril 2004 29


Méthodes d’optimisation des consignes
Méthodes classiques

 Méthodes déterministes :
 Exemple : Programmation Séquentielle Quadratique (SQP) appliquée à
des problèmes continus ou rendus continus.
 Inadaptées aux problèmes discrets (programmation d’entier Branch &
Bound),
 Inadaptées aux fortes non-linéarités.

 Méthodes heuristiques :
 Exemple : Algorithmes Génétiques dans le cas de problèmes fortement
non-linéaires,
 Nombreux réglages,
 Critères d’arrêts non déterministes.

Raphaël Caire, le 2 avril 2004 30


Cas d’étude
Réseau de distribution 20 kV avec 5 départs

 Pcc réseau Amont 250 MVA


(purement inductif)

 Transformateur 20 MVA

 Deux départs modélisés


finement :
- départ semi urbain (77
nœuds et 22 points de
production possibles)
- départ urbain (55 nœuds et
22 points de production
possibles)

 Départs Adjacents
modélisés par une charge de
S 13 MVA

Raphaël Caire, le 2 avril 2004 31


Méthodes d’optimisation des consignes
Résultats sur le départ rural
régleur en charge + 23 points d’injection de puissance réactive
4
4
x 10
x 10
2.06
2.06
1.15

1.1
Heuristique
1.05
2.05
2.05 REPRESENTATION Avant Déterministe
Algorithme
LINEAIRE
1 avec contraintesoptimisation SQP
1

norme 1 avec contraintes


norme
Génétique
0.95

0.9
2.04
2.04
0.9 0.95 1 1.05 1.1 1.15
Tension (V)

Norme 1 F(x,u) 428 0.574 17.2


2.03
2.03
Tension (V)

reference
reference
1
U SQP SQP
F ( x, u )  consigne  U i ( x, u ) Nombre / AG AG 2422 2500
N i noeuds
2.02
2.02 d’itérations AG avec SQP

Norme 2 F(x,u) 49.7 0.098 1.85


2.01
2.01

 U  U i ( x, u ) 
1 2
F ( x, u )  consigne Nombre / 2425 2500
N i noeuds d’itérations
2 2

Norme infinie F(x,u) 495 2.32 33.2

U1.99
F ( x, u )  max1.99
0consigne
0 U
10
i noeuds
, u )20
10 i ( x20 30 Nombre
30 40 40 50 50 / 60 60 70 702421
80 80 2500
Noeuds
Noeudsdépart
d’itérations rural
départ rural

Raphaël Caire, le 2 avril 2004 32


Méthodes d’optimisation des consignes
Résultats sur le départ rural
régleur en charge seul

1.15

1.1

SANS REGLAGE Heuristique


1.05
Avant Déterministe
DES PRODUCTEURS Algorithme
optimisation SQP
1

0.95

REGLEUR EN CHARGE SEUL Génétique


0.9
0.9 0.95 1 1.05 1.1 1.15

Norme 1 F(x,u) 428 428 12.18

1
F ( x, u )   U consigne  U i ( x, u )
N i noeuds
Nombre
d’itérations
/ 4 26

Norme 2 F(x,u) 49.7 49.7 1.604

 U  U i ( x, u ) 
1 2
F ( x, u )  consigne Nombre / 4 43
N i noeuds d’itérations

Norme infinie F(x,u) 495 495 31.33

F ( x, u )  max U consigne  U i ( x, u )  Nombre / 4 43


i noeuds
d’itérations

Raphaël Caire, le 2 avril 2004 33


Méthodes d’optimisation des consignes
Résultats sur le départ rural
régleur en charge + 23 points d’injection de puissance réactive

1.15

1.1

AVEC REGLAGE DES Heuristique


1.05 Avant Déterministe
23 PRODUCTEURS Algorithme
optimisation SQP
1

+ REGLEUR EN CHARGE Génétique


0.95

0.9
0.9 0.95 1 1.05 1.1 1.15

Norme 1 F(x,u) 428 3.697 9.454

1
F ( x, u )   U consigne  U i ( x, u )
N i noeuds
Nombre
d’itérations
/ 2404 2500

Norme 2 F(x,u) 49.7 1.186 1.707

 U  U i ( x, u ) 
1 2
F ( x, u )  consigne Nombre / 2415 2500
N i noeuds d’itérations

Norme infinie F(x,u) 495 51.61 32.18

F ( x, u )  max U consigne  U i ( x, u )  Nombre / 2406 2500


i noeuds
d’itérations

Raphaël Caire, le 2 avril 2004 34


Méthodes d’optimisation des consignes (développées)
 Hybridation de méthodes heuristiques et déterministes :
 Accélération de la convergence

Raphaël Caire, le 2 avril 2004 35


Population initiale
 Tirage aléatoire d’une population initiale

1.15
1.15

Ratio pris en compte


Ratio pris en compte
1.1
1.1

1.05
1.05

linéarisé
1
1

0.95
0.95

0.9
0.9 0.95 1 1.05 1.1 1.15
Valeur de consigne
0.9
0 2 4 6 8 10 12
discret
14 16 18
Plot de consigne

u1 u2u3u4u5u6 u7……………..
Continus Discrets

Opération répétée pour les n individus qui forment la population

Raphaël Caire, le 2 avril 2004 36


Sélections classiques
 A partir d’une population, sélection de deux individus

Sélection de type :
 Tournoi :
I1 : u1 u2u3u4u5u6u7F(I1) si F(I4) < F(I6) alors I4 est sélectionné
I2 : u1 u2u3u4u5u6u7F(I2) puis on répète une seconde fois

I3 : u1 u2u3u4u5u6u7F(I3)
u1 u2u3u4u5u6u7  Elitisme : parmi les x% meilleurs
I4 : F(I4) (F(Ii) faible), sélection de deux
u1 u2u3u4u5u6u7
I5 : F(I5) individus aléatoirement
u1 u2u3u4u5u6u7
I6 : u1 u2u3u4u5u6u7F(I6) I1(p1) I2(p2) I3(p3) I4(p4)
 Roue biaisée :
I7 : F(I7)
p1 > p2 > p3> p4

… …
I4
I1

… u1 u2u3u4u5u6u7 … I3 CURSEUR

In : F(In) I2

Choix aléatoire d’une position du curseur permettant


de pointer sur l’individu à sélectionner (I1)

Raphaël Caire, le 2 avril 2004 37


Croisements classiques
 A partir de deux parents, création de deux nouveaux enfants

Croisement de type :
 Uniforme :
Parents : Le même nombre de gènes est échangé
entre les parents 1 et 2
I4 : u1u2u3 u4u5u6u7 F(I4)
 Non uniforme :
I6 : u1u2u3 u4u5u6u7 F(I6) Nombre de gènes différents

 A plusieurs coupures
Enfants :
 Combinaison linéaire :
Ia’ : F(Ia’)
u1’ = t.u1+(1-t).u1 0≤t≤1

Ib’ : F(Ib’)

Raphaël Caire, le 2 avril 2004 38


Mutation
 Mutation classique :

u1u2u3u4u5u6u7 u1u2u3u4u5u6u7

 Mutation avec convergence locale :


séparation variables
u1u2u3u4u5u6u7 u1u5|u2u3u4u6u7
discrètes/continues

Algorithme déterministe de type


Non-Linéaire Contraint avec
comme point de départ
y0 = [u2u3u4u6u7]
utilisant F(x,[u1u5y])
sur quelques itérations (a priori)

regroupement
u1u2u3u4u5u6u7 discrètes/continues u1u5|u2u3u4u6u7
optimisées localement

Raphaël Caire, le 2 avril 2004 39


Algorithme génétique (croisements seuls)

F(x,u)

Population initiale
Enfants possibles

Raphaël Caire, le 2 avril 2004 40


Algorithme génétique (mutation classique)

F(x,u)

Population initiale
Enfant muté

Sélection de l’individu qui mute

Raphaël Caire, le 2 avril 2004 41


Algorithme génétique (mutation déterministe)

F(x,u)

Population initiale
Enfant muté

Trois pas d’algorithme


déterministe (de descente)

Raphaël Caire, le 2 avril 2004 42


Illustration de l’optimum global
Présence d’optima locaux
 Algorithme déteministe
 Algorithme Génétique classique
 Algorithme hybride

F(u)
u0

ui

* uj
u
ux

Raphaël Caire, le 2 avril 2004 43


Méthodes d’optimisation des consignes
Résultats sur les départs rural et urbain
régleur en charge/banc de capacités + 44 points d’injection de réactif
4
x 10
2.12

2.1
FN1= 4.96e-3
2.08

2.06
Tension (V)

reference
SQP
AG avec SQP
2.04

2.02

FN1= 1.85e-3
Tension de 2

consigne FN1= 1.49e-3


1.98
0 20 40 60 80 100 120 140
Noeuds départ rural puis départ urbain

Raphaël Caire, le 2 avril 2004 44


Pertes et variations du taux de convergence
déterministe
Résultats sur les départs rural et urbain
régleur en charge/banc de capacités + 44 points d’injection de réactif
-4
x 10
6.45
taux SQP = 0%
taux SQP = 1%
6.4
taux SQP = 2%
taux SQP = 3%
6.35

6.3
pertes dans les deux départs (pu)

6.25

6.2

6.15

6.1

6.05

5.95
0 100 200 300 400 500 600 700
génération de l algorithme génétique

Raphaël Caire, le 2 avril 2004 45


Méthodes d’optimisation des consignes pour les pertes
Résultats sur les départs rural et urbain
régleur en charge/banc de capacités + 44 points d’injection de réactif
4
x 10
2.1

2.09

2.08
Heuristique Heuristique
AVEC REGLAGE DES
2.07 Avant Déterministe avec sans
44 PRODUCTEURS
optimisation SQP convergence convergence
+ REGLEUR EN CHARGE2.06
+ BANC DE CAPACITE
Tension (V)

reference locale locale


2.05 SQP
Pertes F(x,u) 63.33
AG 57.62 57.47 57.82
AG avec SQP
kW
f ( x, u )   Réel V2.04 I *
i ligness
i i Nombre / 2996 3367 2974
2.03 d’itérations

2.02

2.01

2
0 20 40 60 80 100 120 140
Noeuds départ rural puis urbain

Raphaël Caire, le 2 avril 2004 46


L’arbre d’optimisation (vu sur [NEOS])

Placement et choix des


moyens de réglage

Raphaël Caire, le 2 avril 2004 47


Optimisation maître-esclave

Afin de trouver les localisations optimales des moyens de réglage et


les consignes associées : découplage

 Problème multi-objectifs classique pour la localisation des moyens


de réglage optimaux :
 Fonction traduisant l’efficacité de réglage,
 Fonction traduisant le nombre de moyens de réglage.

 Optimisation des consignes par les méthodes précédemment


présentées

Raphaël Caire, le 2 avril 2004 48


Optimisation muti-objectifs et frontière de Pareto

Problème multi-objectifs classique :


 Définition :

Minimiser y  F ( x)   f 1 ( x), f 2 ( x), f 3 ( x),..., f k ( x)


avec e( x)   e1 ( x), e2 ( x), e3 ( x),..., ek ( x)  0
x X
y Y f22
r’
domaine d’étude
pondération :
 Résolution par variation
des contraintes : y/w2 domaine d’étude
Minimiser
Minimiser x1).f1 (fxj)(x)w2 . f 2 ( x)
F ( x)F(w D
avecavec e( x) ei ( ex1)( 
x),fei 2((xx)) 0i C
r B
x  Xx  X
A
pente = –w1/w2
f1

Raphaël Caire, le 2 avril 2004 49


Placement et choix des moyens de réglage par optimisation
muti-objectifs

Pour des problèmes


Vi de vitesse de calcul :
 Evaluation
Pj et / oudel’ « efficacité »
Qj du réglage en fonction du point
d’injection : Vd
 Vi  N50
F j ( x, u )     aj 

i noeuds  Q j


 Pénalisation suivant le nombre de producteurs :
F ( x, u )    u i  0 
i

 Au final   Vi  
Min F (q1...qn )      a j  ; p
i noeuds  Q j 
 
Ni
p  1 (if q j   , 0, else 1) Qj QN50
j moyen de réglage Pj

Raphaël Caire, le 2 avril 2004 50


Application à la minimisation des moyens de réglage
Réseau d’étude, réseau rural de 77 noeuds :
 Insertion possible de sources de puissance aux 77 nœuds mais
23 nœuds producteurs choisis au hasard

2500
réglage réglage

2000

1500
efficacité dede
- Efficacité

1000

500

0
0 5 10 15 20 25

Nombre de producteurs
nombre de producteur(s) S

Raphaël Caire, le 2 avril 2004 51


Placement et choix des moyens de réglage par optimisation
multi-objectifs puis optimisation des moyens de réglage choisis
Problème multi-objectifs puis coordination des consignes
44
xx 10
10
2.008
2.008

2.007
2.007

2.006
2.006

2.005
2.005

2.004
Tension (V)

2.003
2.003
référence
référence
3 moyens
12
23 moyensréglage
moyens réglage
réglage
2.002
2.002

2.001
2.001

22

1.999
1.999
00 10
10 20
20 30
30
30 40
40
40 50
50
50 60
60
60 70
70
70 80
80
80
Noeuds
Noeuds du
Noeuds du réseau
duréseau rural
réseaurural
rural

Trois
Tous Douze
les moyens
moyens de de
moyens de réglage
réglage seulement
sont
réglage F(x,u)=2.74
coordonnés
seulement FN1(x,u)=0.574
FN1(x,u)=2.02

Raphaël Caire, le 2 avril 2004 52


Commentaires sur les résultats de l’optimisation

Plusieurs résultats sont remarquables :


 En relatif, performances différentes en terme d’optimisation :
 la modélisation/représentation retenue,
 la méthode utilisée,
 la fonction objectif envisagée.

 Dans l’absolu, différences entre les méthodes déterministes et


heuristiques, si optima locaux :
 SQP plus rapide mais 1er optimum local,
 AG long mais optimum meilleur.

 Pour le placement, optimisation maître-esclave donne de bons


résultats :
 Maître de type multi-objectifs simplifié,
 Esclave de type optimisation des consignes des moyens de réglage.

Raphaël Caire, le 2 avril 2004 53


Plan de la présentation

I – Contexte et objectifs généraux

II – Études d’impacts

III – Coordination des moyens de réglage

IV – Validation

V – Conclusions et perspectives

Raphaël Caire, le 2 avril 2004 54


Validation des stratégies de coordination avec ARENE

BTA
Arène ®

HTB HTA

PC contrôleur

8 analogiques

E/S A ou D A/N

ARENE Rack
temps VME
réel
PC1 PC2 producteur
superviseur PC producteur

Communication
média et protocole
N/A
communication

Raphaël Caire, le 2 avril 2004 55


Validation des stratégies de coordination avec ARENE

 Banc expérimental :

Raphaël Caire, le 2 avril 2004 56


Validation des stratégies de coordination avec ARENE

NOEUD TENSION (V) x 10


4
N10
N3 20471 2.08
N9
N4 20114
N5 19731
2.06
N6 20064
N7 19956
N8 20285
2.04
N9 20034
N10 20108
N8 0 à + O.22 MVar
N11 20752 Tension (V) N7
2.02

NOEUD TENSION (V)


N3 20397 2
N4 20028
N1 N3 N4 N5 N6
N5 19655 0 à – O.85 MVar
N6 20000
N7 19848
1.98
N2
reference
N8 20156 N11 SQP
N9 19926 1.96
3 4 5 6 7 8 9 10 11
N10 20000 Noeuds départ simplifié
N11 20717

Raphaël Caire, le 2 avril 2004 57


Plan de la présentation

I – Contexte et objectifs généraux

II – Études d’impacts

III – Coordination des moyens de réglage

IV – Validation

V – Conclusions et perspectives

Raphaël Caire, le 2 avril 2004 58


Conclusions
 Études de transmission des impacts
 Criticité du plan de tension,
 Modification des courants de court-circuit en régime permanent.

 Bibliothèques de méthodes et de modèles


 Calcul de répartition des charges de type Newton-Raphson et Backward
& Forward Sweep,
 Modèles de compensateur et de moyens de réglage,
 Bibliothèque d’outils d’optimisation pour les problèmes mixtes.

 Solutions pour le plan de tension


 Outils d’optimisation classiques sur réseaux de distribution,
 Hybridation d’un algorithme génétique et d’un algorithme déterministe,
 Algorithmes maîtres-esclaves pour le choix et la localisation des moyens
de réglage,
 Réflexion sur des stratégies de gestion décentralisées (répartition de
l’intelligence et des prises de décision).

Raphaël Caire, le 2 avril 2004 59


Perspectives

 Estimation d’état qui tienne compte du caractère incertain et de


l’étendue du réseau de distribution,

 Prise en compte des aspects économiques,

 Évaluation et comparaison entre des infrastructures de


coordination décentralisées et centralisées (aspects
stratégiques, logiciels et matériels) avec ARENE temps réel,

 Moyens de télécommunication nécessaires

 Centrale virtuelle

Raphaël Caire, le 2 avril 2004 60


Concept de centrale virtuelle (Constantin et Olivier)
Marché

Réseau
distribution

Centre de controle

Raphaël Caire, le 2 avril 2004 61


Gestion des réseaux de distribution en
présence de Génération d’Énergie Dispersée

Fin ENSIEG, le 2 avril 2004

Raphaël Caire, le 2 avril 2004 62

Vous aimerez peut-être aussi