La méthodologie d’optimisation des réseaux révèle une approche innovante pour améliorer la fiabilité des smartgrids. En intégrant l’algorithme PSO, cette recherche promet de transformer la gestion énergétique, réduisant significativement les pertes et optimisant la stabilité des systèmes électriques.
Etude comparative
Réseau IEEE 13 nœuds
La figure 3.44 présente la comparaison des énergies consommées durant une journée dans le réseau IEEE 13 nœuds pour les trois cas d’étude.
(kWh)
14000
System energy consumed
12000
10000
8000
6000
4000
2000
0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24
Time (H)
without fault with fault with fault and DG
Figure 3.44: Comparaison des énergies consommées durant une journée
On constate que les panneaux solaires permettent de réduire l’énergie consommée par les abonnés dans le réseau. Cela permet de réduire les interruptions car les abonnés peuvent s’autoalimenter.
La figure 3.45 présente la comparaison des pertes d’énergies dans le réseau IEEE 13 nœuds.
(kWh)
1000
900
800
700
600
500
400
300
200
100
0
Energy losses
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24
Time (H)
without fault
with fault
with fault and DG
Figure 3.45: Comparaison des pertes d’énergies durant une journée
On constate que les panneaux solaires permettent donc de réduire les pertes d’énergie.
Corridor Bassa-Malangue
La figure 3.46 présente la comparaison des énergies consommées durant une journée dans le corridor Bassa-Malangue pour les trois cas d’étude.
(kWh)
10000
9000
8000
7000
6000
5000
4000
3000
2000
1000
0
System energy consumed
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24
Time (H)
without fault with fault with fault and DG
Figure 3.46: Comparaison des énergies consommées durant une journée
On constate que les panneaux solaires permettent de réduire l’énergie consommée par les abonnés dans le réseau. Les interruptions seront par conséquent très rares.
La figure 3.47 présente la comparaison des pertes d’énergies dans le corridor Bassa- Malangue.
(kWh)
3500
Energy losses
3000
2500
2000
1500
1000
500
0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24
Time (H)
without fault
with fault
with fault and DG
Figure 3.47: Comparaison des pertes d’énergie durant une journée
On constate que les panneaux solaires permettent donc de réduire les pertes d’énergie et d’accroitre la fiabilité du réseau.
Les auteurs [70, 73, 75] ont injecté des multiples productions décentralisées dans les réseaux conventionnels afin d’améliorer la fiabilité et la disponibilité de l’énergie. En comparaison avec leurs résultats, notre méthode de rendre d’abord le réseau intelligent et ensuite injecter de manière optimale des productions décentralisées nous présente des résultats plus favorables.
Conclusion
Dans ce chapitre, il était question de présenter les résultats de co-simulation obtenus. Dans un premier temps, nous avons présenté les smartgrids des réseaux IEEE 13 nœuds et Bassa-Malangue. Par la suite nous avons présenté les résultats de la simulation des réseaux sur une période d’un an avec un pas d’une heure pour 8670 itérations.
Nos cas d’étude ont été faits pour trois possibilités : aucun défaut de surcharge, présence d’un défaut de surcharge et intégration des panneaux solaires. Le placement optimal des panneaux solaires a été réalisé grâce à l’algorithme PSO. Les simulations itératives ont été rendues possibles grâce à la méthode de Monte Carlo.
Pour chacun des cas d’étude, nous avons déterminé les chutes de tension et les pertes d’énergie au cours de l’année. Les résultats obtenus nous montrent l’impact positif que le placement optimal apporterait dans le réseau de distribution actuel.
Conclusion générale
Ce mémoire a présenté nos travaux sur le thème « contribution à l’optimisation de la fiabilité d’un smartgrid à l’aide de l’algorithme PSO ». Notre but était d’évaluer et d’optimiser la fiabilité d’un smartgrid en termes de chute de tension et d’indices de fiabilité par l’utilisation des nouvelles méthodes méta-heuristiques d’optimisation et d’analyses itératives.
Dans un premier temps, nous avons présenté les différents éléments du réseau électrique classique partant de la production jusqu’à la consommation. Nous avons également montré l’impact de l’intégration de la production décentralisée dans le réseau électrique. Nous avons ensuite fait une revue sur les smartgrids en montrant l’apport du smartgrid par rapport au réseau classique. Nous avons aussi fait l’étude de la fiabilité du smartgrid suivant la méthode analytique et la méthode Monte Carlo. La méthode de Monte Carlo nous a semblé être la meilleure.
Dans un second temps, nous avons présenté le réseau IEEE 13 nœuds et le corridor Bassa- Malangue. Ensuite, nous avons présenté la plateforme de co-simulation OpenDSS-OMNet++ utilisée pour la mise sur pied du réseau intelligent constitué d’un réseau électrique de puissance et d’un réseau de communication. Ensuite, nous avons présenté l’algorithme d’optimisation par essaim de particule pour l’étude du smartgrid.
Cet algorithme a été implémenté grâce à la plateforme de co-simulation OpenDSS-Matlab. Cette optimisation nous a permis de rechercher de manière optimale l’emplacement des productions décentralisées dans notre réseau intelligent afin d’optimiser la fiabilité par la réduction de la chute de tension et l’amélioration du profil de tension. Nous avons par la suite implémenté notre méthode dans un réseau IEEE 13 nœud qui nous a servi de modèle ; cette méthode a par la suite été appliquée à un réseau réel de distribution d’énergie: le
corridor Bassa-Malangue.
Pour le réseau IEEE 13 nœuds, en cas de surcharge de 80%, la chute de tension est de 45
% avec un SAIFI de 40 et avec un placement optimal des PV, la chute de tension passe à 2.3 % avec un SAIFI de 0.55. Les pertes d’énergie passent de 15352671.8824 KWh/an à 211076.6836 KWh/an soit une différence de près de 15141395.2 KWh/an. Pour le corridor Bassa-Malangue, en cas de surcharge de 50%, la chute de tension est de 55% avec un SAIFI de 53 et avec un placement optimal des PV, la chute de tension passe à 2.5% avec un SAIFI de 4. Les pertes d’énergie passent de 22680931.4019 KWh/an à 5010869.8858 KWh/an, soit une différence de 17669861.12 KWh/an, cela représente un gain important en terme de milliard de FCFA pour
l’ensemble des consommateurs d’où la nécessité de migrer vers un réseau intelligent intégrant des productions décentralisées placées de manière optimale. Ces résultats satisfaisant nous montrent de l’efficacité de notre méthode PSO pour le placement optimal des productions décentralisées dans les réseaux intelligents.
Comme perspective, nous pourrons : utiliser la logique floue et les réseaux de neurone pour l’analyse des données provenant du réseau intelligent et la prévision de la consommation; étendre notre méthode au réseau de distribution de Douala afin d’assurer la prolifération des productions décentralisées, une meilleure disponibilité en énergie pour les abonnés et la réduction des coupures répétitives.
________________________
Questions Fréquemment Posées
Comment l’algorithme PSO améliore-t-il la fiabilité des réseaux électriques?
L’algorithme PSO permet un placement optimal des productions décentralisées, ce qui améliore la stabilité des réseaux et réduit les pertes d’énergie.
Quels sont les résultats de l’étude sur le réseau IEEE 13 nœuds?
L’étude montre que les panneaux solaires permettent de réduire l’énergie consommée par les abonnés et de diminuer les pertes d’énergie dans le réseau.
Quelle est l’importance des panneaux solaires dans l’optimisation des réseaux électriques?
Les panneaux solaires permettent de réduire les pertes d’énergie et d’accroître la fiabilité du réseau, rendant les interruptions très rares.
Quelle méthodologie a été utilisée pour l’optimisation des réseaux dans cette recherche?
La recherche utilise une méthode de co-simulation avec l’algorithme PSO et la méthode de Monte Carlo pour optimiser la fiabilité des smartgrids.