L’analyse comparative des algorithmes PSO révèle des résultats surprenants sur l’optimisation de la fiabilité des smartgrids. Cette étude met en lumière des méthodes innovantes qui promettent de transformer la gestion énergétique, offrant ainsi des solutions cruciales pour les distributeurs d’énergie.
Techniques d’optimisation
En général, l’optimisation comporte toutes les techniques permettant de déterminer l’optimum d’une fonction avec ou sans contrainte [47]. L’optimisation permet d’analyser et de résoudre de manière analytique ou numérique les problèmes qui consistent à déterminer la meilleure solution du problème durant une période de calcul raisonnable. De nos jours, la majorité des systèmes susceptibles d’être décrits par un modèle mathématique sont optimisés. La précision des résultats dépend de la pertinence du modèle, de l’efficacité de l’algorithme et des moyens pour le traitement numérique [48]. Ces techniques d’optimisation peuvent être : analytiques, numériques, heuristiques ou méta-heuristiques.
L’optimisation des réseaux électriques consiste à intégrer intelligemment des dispositifs afin d’améliorer la qualité, la stabilité et la fiabilité du réseau électrique. Dans le domaine d’optimisation de la taille et de l’emplacement des DGs dans le réseau de distribution, les chercheurs utilisent majoritairement techniques méta-heuristiques [47]. Parmi les algorithmes
basés sur les techniques méta-heuristiques, on récence : l’algorithme génétique (GA), les algorithmes d’optimisation par essaims de particules (PSO), l’algorithme de colonies d’abeilles (ABC), l’algorithme par sauts de grenouilles (SFLA) et l’algorithme des lucioles (FA), l’algorithme de recherche de loup (WSA), l’optimisation par essaims de chat (CAT), l’algorithme de recherche de coucou (CSA), l’algorithme de chauve-souris (BAT), l’algorithme de luciole (FA), l’optimisation de la recherche de nourriture bactérienne (BFAO), l’algorithme d’optimisation des baleines (WOA), l’optimisation des colonies d’abeilles (BCO), l’optimisation du loup-gris (GWO) [47, 48].
Par conséquent, l’emplacement des productions décentralisées a une influence directe sur les pertes de puissance. Plusieurs études ont été menées grâce ces techniques pour trouver l’emplacement et la taille optimale des productions décentralisées dans le réseau, soit pour réduire les pertes de puissance, soit pour améliorer le profil de la tension.
L’auteur [49] propose l’optimisation par essaim de particules multi-leader (MLPSO) pour la détermination du placement optimale et de la taille des productions décentralisées avec pour objectif la minimisation des pertes actives. Une analyse des performances est implémentée sur un réseau IEEE 33 nœuds et sur le réseau radial de Malaisie.
L’auteur [50] propose une méthode pour déterminer la taille de la production décentralisée sachant qu’elle a une relation directe avec la réduction ou l’augmentation des pertes, en fonction des caractéristiques spécifiques du réseau, la répartition de la charge et le type de production décentralisée. Il fait référence à l’étude de l’emplacement optimal, de la connexion des productions décentralisées et du niveau de production optimal, sans détériorer la fiabilité du système.
Les travaux dans [51] proposent une stratégie pour sélectionner le meilleur type de production décentralisée, le lieu optimal et la taille. Ces auteurs résolvent le problème en utilisant la méthode de planification basée sur la valeur, en équilibrant le coût de l’installation et les avantages de la production décentralisée, qui comprennent la perte de puissance, la réduction des coûts et l’amélioration de fiabilité.
Les travaux dans [52] décrivent une méthode pour un placement et un dimensionnement optimal des productions décentralisées avec l’objectif de minimisation des pertes de puissance en améliorant le profil de tension. Sa méthode maintient le profil de tension dans les niveaux nominaux.
L’auteur [53] propose une méthode évolutive Multi-Objectif (MO) pour trouver le lieu optimal et la taille d’une grande quantité de production décentralisée. L’algorithme génétique est utilisé pour résoudre le problème MO. Le problème Multi-objectif est résolu à l’aide d’une technique d’optimisation d’essaim de particules (PSO).
L’auteur [54] propose une technique pour implémenter l’algorithme hybride d’optimisation pour l’emplacement de plusieurs productions décentralisées avec une taille convenable au niveau des nœuds. Sa méthode hybride d’optimisation combine le comportement des colonies de fourmis et l’algorithme de recherche de coucou. Les productions décentralisées sont idéalement installées pour prendre en compte les pertes d’énergie et le profil de tension.
L’auteur [55] présente une méthode d’optimisation pour déterminer la taille et l’emplacement optimal des productions décentralisées dans le réseau de distribution. Sa nouvelle méthode consiste à simuler la répartition de puissance garce à OpenDSS piloté à partir d’une programmation Matlab. Son analyse montre que l’utilisation appropriée des productions décentralisées permettrait de réduire significativement les pertes d’énergie dans un réseau.
Fiabilité des smartgrids
Notion de fiabilité
D’après la CEI [56], la fiabilité est définie comme : l’aptitude d’un dispositif à accomplir une fonction requise, dans des conditions données, pendant une durée donnée. Le terme fiabilité est aussi utilisé comme caractéristique désignant une probabilité de succès ou un pourcentage de succès. La définition de la fiabilité appliquée au système électrique, devient son aptitude à satisfaire la demande en électricité de tous les clients du système en qualité et en quantité.
C’est-à-dire que la demande doit être satisfaite dans la quantité requise, la fréquence et la tension restant à des valeurs acceptables [57]. C’est une mesure de la capacité du système à fournir l’électricité demandée en ses différents points d’utilisation selon des critères acceptables sur une période précise. Selon les travaux dans [1, 2, 57], la fiabilité du système comprend deux aspects : l’adéquation et la sécurité.
- L’adéquation étudie la capacité du système à satisfaire la demande des consommateurs ou les contraintes de fonctionnement. Ceci comprend les équipements nécessaires pour produire suffisamment d’énergie et ceux nécessaires pour transporter cette énergie aux consommateurs. L’adéquation est donc associée à des conditions statiques.
- La sécurité concerne la capacité du système à répondre aux perturbations dynamiques ou transitoires qui se présentent dans le système. Il s’agit notamment de la condition associée
à la fois aux perturbations locales et globales, aux pertes brutales d’un groupe de production et d’équipements de transport qui peuvent conduire à l’instabilité dynamique et transitoire du système et une détérioration de la qualité de l’énergie.
L’auteur [36] estime que la fiabilité du smartgrid dépend aussi de la fiabilité de contrôle et du système de communication. Ainsi, dans le développement du smartgrid, les systèmes de communication deviennent plus sophistiqués permettant un meilleur contrôle et une grande fiabilité. Le smartgrid nécessitera un degré supérieur de connectivité réseau des nouveaux équipements de communication. De même, ce haut niveau de connectivité doit correspondre aux protocoles de sécurité afin d’assurer une meilleure cyber-sécurité face aux attaques et tentative de piraterie.
Selon les auteurs [58, 59, 60, 61], un cadre d’intégration cohérente des technologies de fiabilité facilite la convergence de la norme, des protocoles et la mise en œuvre des capacités analytiques nécessaires. Les infrastructures de communication ont un impact sur la fiabilité des smartgrids. Une cohésion idéale entre le système de communication et les techniques de contrôle est nécessaire pour gérer la demande qui pourrait éventuellement accentuer des possibles problèmes de fiabilité dans l’avenir.
La plate-forme architecturale de communication dans le réseau permettant de faire face à ces problèmes de fiabilité peut être constituée des ressources renouvelables qui affectent la fiabilité du smartgrid à cause des facteurs de variabilité et une capacité réduite, une faible corrélation avec le profil de charge spécialement en cas de ressource éolienne, des erreurs de prévisions météorologiques et des problèmes de congestion au niveau de la transmission à cause de l’installation étendue du niveau de la distribution due aux ressources dispersées.
Pour faire face à la variabilité de la demande avec l’accroissement des ressources renouvelables, une infrastructure efficace de communication pour l’échange des informations, les dispositifs de stockage et l’utilisation des véhicules électriques sont nécessaires. De plus, les dispositifs de stockage associés aux productions décentralisées permettent d’améliorer la fiabilité du smartgrid en optimisant le profil de la demande.
________________________
2 Définition donnée par l’article 62 de la loi sur les nouvelles régulations économiques (NRE) du 15 mai 2001. ↑
3 Auchan Les 4 Temps, La Défense. ↑
Questions Fréquemment Posées
Qu’est-ce que l’optimisation des réseaux électriques intelligents?
L’optimisation des réseaux électriques consiste à intégrer intelligemment des dispositifs afin d’améliorer la qualité, la stabilité et la fiabilité du réseau électrique.
Comment l’algorithme PSO contribue-t-il à la fiabilité des smartgrids?
L’algorithme PSO peut améliorer la stabilité des réseaux par un placement optimal des productions décentralisées, réduisant ainsi les pertes d’énergie et améliorant le profil de tension.
Quels sont les avantages de l’optimisation par essaim de particules (PSO) dans les réseaux électriques?
Les résultats montrent une réduction significative des pertes d’énergie et une amélioration du profil de tension, offrant des perspectives intéressantes pour les distributeurs d’énergie.