Les perspectives d’avenir des smartgrids révèlent une opportunité cruciale pour améliorer la fiabilité énergétique. Cette recherche démontre comment l’algorithme PSO peut transformer la gestion des réseaux, réduisant les pertes d’énergie et optimisant la stabilité, avec des implications significatives pour les distributeurs d’énergie.
Méthodes
La figure 2.15 présente la plateforme de co-simulation du smartgrid.
Matlab
OpenDSS
OMNet++
Figure 2.15: Plateforme de co-simulation du smartgrid
Dans cette plateforme, OpenDSS permet de simuler le réseau électrique de puissance, OMNet++ permet de bâtir le réseau de communication, Matlab permet d’optimiser les paramètres par un placement optimal des productions décentralisées.
Co-simulation OpenDSS-OMNet++
Lorsqu’un évènement se déroule dans le réseau de communication, OMNet++ attend les données provenant du réseau de puissance. Si le Cache est actualisé, il n’est pas nécessaire de lancer la simulation du réseau de puissance sur OpenDSS.
Ainsi, le simulateur du réseau de communication (OMNet++) envoie une requête au simulateur du réseau de puissance (OpenDSS) contenant un temps précis de simulation. Cette requête arrive au contrôleur qui à son tour lance OpenDSS à partir de la dernière simulation du réseau de puissance.
Ce contrôleur reçoit les données (résultats) à partir d’OpenDSS et les transmet au simulateur du réseau de communication. Finalement, les nouvelles données sont actualisées dans le cache local d’OMNet++.
Figure 2.16: Co-simulation OpenDSS-OMNet++
Simulateur du réseau de communication
Contrôleur
Simulateur du réseau de puissance
Interface COM
Profil de charge
Cache
OpenDSS
OMNet++
Optimisation par essaim de particules
Nous utiliserons la méthode PSO car contrairement aux autres méthodes à l’instar des algorithmes génétiques où les solutions sont codées sous forme de chromosomes, dans le PSO les populations constituées d’individus sont directement les solutions au problème et la recherche des meilleures solutions se fait en déplaçant les particules (individus) dans l’espace des solutions.
Le PSO a été développé par Kennedy et Eberhart en 1995. C’est une méthode méta-heuristique permettant d’optimiser un problème par une recherche aléatoire de solution dans un large espace de candidats (possibilités).
Dans cette méthode, la population est appelée essaim et est générée aléatoirement. L’essaim se compose d’individus appelés particules.
Le mouvement des particules est guidé par l’apprentissage des autres membres (cognition sociale des particules) et par leur propre expérience (self cognition). Ce simple comportement collectif permet aux particules de voyager vers la meilleure région de l’espace solution, ainsi l’algorithme converge vers une meilleure solution progressivement.
Chaque particule est représentée ici par une coordonnée et garde son chemin dans l’hyperespace qui est basé sur la meilleure solution de la fonction de mise en forme.
Toutes les meilleures valeurs sont conservées avec des particules individuelles dans un espace pour réaliser la meilleure solution parmi toutes les autres.
La figure 2.17 montre le mouvement optimal de chaque particule pendant le déplacement de ces particules basées sur les vecteurs de la précédente position, la meilleure position personnelle et la meilleure position globale [26].
L’équation de la position du prochain vecteur et l’équation de position de la prochaine particule sont données par :
𝑉𝑡+1 = (𝑤 ∗ 𝑉𝑡) + 𝛼(𝑋𝑃𝑏𝑒𝑠𝑡 − 𝑋𝑡) + 𝛽(𝑋𝐺𝑏𝑒𝑠𝑡 − 𝑋𝑡) [2.1]
𝑋𝑡+1 = 𝑋𝑡 + 𝑉𝑡+1 [2.2]
𝑿𝑷𝒃𝒆𝒔𝒕
Position précédente
Meilleure position personnelle
Position présente
𝑿𝒕+𝟏
𝒊
𝑿𝒕
𝒊
Prochaine position
𝑿𝑮𝒃𝒆𝒔𝒕
Figure 2.17: Mouvement d’une particule
Avec
𝑋𝑡 : la position de la particule i à l’instant t
𝑉𝑡 : la vitesse de la particule i sur le précédent vecteur
𝑉𝑡+1: la vitesse de la particule i sur la prochaine position
{ 𝑤 ∶ le facteur du poids d’inertie
Sachant que :
𝑋𝑃𝑏𝑒𝑠𝑡
𝑋𝑃𝑏𝑒𝑠𝑡 (𝑗) 𝑠𝑖 𝑂𝐹𝑗+1 ≥ 𝑂𝐹𝑗
= { 𝑋𝑡 𝑠𝑖 𝑂𝐹𝑗+1 ≤ 𝑂𝐹𝑗 [2.3]
𝑋𝑝𝑏𝑒𝑠𝑡: la meilleure position personnelle de la particule
𝑋𝐺𝑏𝑒𝑠𝑡 = {𝑋𝐺𝑏𝑒𝑠𝑡(𝑗) 𝑠𝑖 𝑂𝐹𝑗+1 ≥ 𝑂𝐹𝑗
𝑋𝑃𝑏𝑒𝑠𝑡(𝑗+1) 𝑠𝑖 𝑂𝐹𝑗+1 ≤ 𝑂𝐹𝑗
[2.4]
𝑋𝐺𝑏𝑒𝑠𝑡: la meilleure position globale de la particule
Sachant que : | 𝛼 = 𝐶1𝑟1 | [2.5] |
𝛼 𝑒𝑡 𝛽 : les coefficients d’accélération | 𝛽 = 𝐶2𝑟2 | [2.6] |
𝑟1 𝑒𝑡 𝑟2 ~ 𝑈(0, 1) ∶ les nombres en boucle uniformément distribués
Chaque itération de l’algorithme consiste à déplacer les particules de la population en adaptant le vecteur vitesse 𝑉𝑡 associé à chaque particule en direction des régions où se trouvent les particules ayant les meilleurs potentiels.
Dans notre travail, pour déterminer la capacité optimale des productions décentralisées permettant de réduire les coûts d’opération, minimiser
les pertes d’énergie et améliorer l’efficacité du réseau, nous considérons le problème de minimisation suivant :
min 𝑓 = ∑𝑛
𝑖=1
𝑃𝐿(𝑖)
[2.7]
Avec 𝑃𝐿 les pertes en ligne ; n le nombre total de lignes.
Si la capacité des productions décentralisées est trop importante, cela peut entrainer des surtensions. On considère des contraintes en tension entre un minimum et un maximum :
0.95 𝑝𝑢 ≤ 𝑉𝑘 ≤ 1.05 𝑝𝑢 [2.8]
𝑘 ∀ 𝑁 Où N est le nombre total de nœud.
Analyse OpenDSS-Matlab
La figure 2.18 montre la structure de l’analyse OpenDSS-Matlab.
Données de sortie
Placement optimal des DGs
Interface COM
OpenDSS
Analyse du flux de puissance
Environnement Matlab
PSO
Placement optimal des DGs
Données d’entrée du réseau
Figure 2.18: Analyse OpenDSS-Matlab
L’environnement de Matlab est utilisé pour lancer OpenDSS par l’interface COM. Matlab utilise donc les données provenant d’OpenDSS pour apporter un contrôle approprié.
A travers Matlab, les scripts et les commandes peuvent être entrés dans le principal mécanisme de simulation d’OpenDSS. Il peut exporter les résultats et les scripts dans Matlab à travers l’interface COM.
A partir de Matlab, la commande utilisée pour initier l’interface COM est :
clc clear all close all
% ****************************************************
% * Initialize OpenDSS
% **************************************************** DSSObj = actxserver( ‘OpenDSSEngine.DSS’);
% Start up the Solver if ~DSSObj.Start(0),
disp(‘Unable to start the OpenDSS Engine’)
end
return
La figure 2.19 montre les scripts de Co-simulation dans l’éditeur Matlab
Figure 2.19: Scripts de Co-simulation dans Matlab
Cette plateforme OpenDSS-Matlab nous permet d’intégrer une production décentralisée PV dans notre smartgrid afin d’optimiser la fiabilité du réseau en minimisant les pertes d’énergie et en améliorant le profil de la tension.
Ici, nous allons considérer une variation de la demande et différents scénarios pour la production décentralisée. Cette optimisation utilise un essaim de particule comparant ainsi les pertes d’énergie et le profil de la tension afin de déterminer la meilleure position de nos panneaux PV.
Procédure de calcul des indices de fiabilité
Cette procédure s’appuie sur la méthode de Monte Carlo dans le but d’estimer les indices de fiabilité du smartgrid avec un placement optimal des productions décentralisées.
Grace à OpenDSS, on introduit les paramètres du réseau tels que : sa topologie, ses composants, la variation annuelle de la charge et de la production ensuite Matlab exécute l’analyse pour générer les indices de fiabilité.
Les variables aléatoires pouvant être générées durant l’exécution de la méthode Monte Carlo sont le nombre de coupure, les caractéristiques des défauts, le courant, la tension et le temps de reconfiguration.
La procédure est la suivante :
- Lancer la simulation du réseau pendant une année avec un pas de simulation d’une heure. En fonction de la configuration du réseau (nombre de ligne, nombre et type de charge, puissance de la production …), la simulation se fera avec ou sans production décentralisée.
- On obtient ainsi toutes les variables liées aux défauts et aux coupures (position, durée, type) pour une année.
- On peut maintenant lancer la simulation en prenant en compte cette fois de la possibilité d’un défaut ou d’une panne d’équipement. Indépendamment de la position, du type et de la durée du défaut ou de la panne, un dispositif de protection pourra agir. Les indices de fiabilité seront actualisés une fois que cet évènement se terminera.
Organigramme général du système
La figure 2.20 montre l’algorithme général du système de fiabilité et de placement optimal.
Début
Lancement d’OMNet++
Lancement d’OpenDSS
Lancement de Matlab
Non
Bonne fiabilité ?
Oui
Algorithme PSO et placement optimal des PV
Fin
Figure 2.20: Organigramme général du système
Conclusion
Arrivé au terme de ce chapitre, il était question de mettre en place notre plateforme de co-simulation permettant d’analyser les critères de fiabilité de notre réseau électrique intelligent.
Nous avons d’abord commencé par présenter le logiciel OpenDSS qui permet de simuler le comportement de notre réseau électrique, ensuite nous avons présenté le logiciel OMNet++ qui permet de créer le réseau de communication et de Co-simuler avec OpenDSS pour bâtir le réseau électrique intelligent.
Par la suite nous avons fait une étude sur la méthode d’optimisation par essaim de particule qui nous permet d’avoir de meilleurs résultats pour notre réseau en faisant un placement optimal des productions décentralisées.
Ensuite nous avons étudié la plateforme de co-simulation OpenDSS-Matlab dans laquelle nous avons implémenté l’algorithme du PSO et la simulation de Monte Carlo afin d’améliorer la fiabilité du réseau intelligent par un placement optimal des productions décentralisées.
Questions Fréquemment Posées
Comment l’algorithme PSO optimise-t-il la fiabilité des smartgrids ?
L’algorithme PSO optimise la fiabilité des smartgrids en permettant un placement optimal des productions décentralisées, ce qui réduit les pertes d’énergie et améliore le profil de tension.
Quelles méthodes sont utilisées pour la co-simulation des smartgrids ?
Les méthodes utilisées pour la co-simulation des smartgrids incluent OpenDSS pour simuler le réseau électrique de puissance, OMNet++ pour bâtir le réseau de communication, et Matlab pour optimiser les paramètres.
Quel est le principe de fonctionnement de l’algorithme PSO ?
L’algorithme PSO fonctionne en déplaçant des particules dans l’espace des solutions, guidées par l’apprentissage des autres membres de l’essaim et leur propre expérience, ce qui permet de converger vers la meilleure solution.