Les stratégies d’implémentation des smartgrids révèlent un potentiel inexploité pour améliorer la fiabilité des réseaux électriques. Cette recherche innovante, menée à l’Université de Douala, démontre comment l’algorithme PSO peut transformer la gestion énergétique, promettant des solutions durables aux défis actuels.
Méthodes d’évaluation de la fiabilité
Les travaux dans [1, 2, 3, 57] proposent des indices de performance en termes de fiabilité des réseaux électriques pouvant être calculés suivant deux méthodes bien distinctes : la méthode analytique et la méthode par simulation de Monte Carlo.
Méthode analytique
L’approche analytique représente une très grande proportion des techniques utilisées par les spécialistes dans l’évaluation de la fiabilité des réseaux électriques. L’auteur [57] estime
que l’approche analytique vise à la représentation des systèmes électriques sous forme mathématique et évalue les différents indices de fiabilités en solutionnant numériquement les modèles algébriques équivalents. Les grandes sociétés d’électricité utilisent les indices de fiabilité suivants :
SAIDI (System Average Interruption Duration Index) ou indice de durée moyenne des interruptions de service. Il permet d’évaluer la durée cumulée moyenne d’interruptions ressenties par un client sur une période donnée. Sa formule est donnée comme suit :
𝑆𝐴𝐼𝐷𝐼 = 𝑇𝑐𝑜𝑢×𝑁𝑐𝑙×𝑁𝑐𝑜𝑢
𝑁𝑡𝑜𝑡
[1.2]
SAIFI (System Average Interrupt Frequency Index) ou indice de fréquence moyenne des interruptions de service. Il désigne le nombre moyen d’interruptions ressenties par un client sur une période donnée.
𝑆𝐴𝐼𝐹𝐼 = 𝑁𝑐𝑙×𝑁𝑐𝑜𝑢
𝑁𝑡𝑜𝑡
[1.3]
CAIDI (Costumer Average Interruption Duration Index) c’est la durée moyenne d’une interruption.
𝐶𝐴𝐼𝐷𝐼 = 𝑆𝐴𝐼𝐷𝐼
𝑆𝐴𝐼𝐹𝐼
END ce sont les énergies non distribuées par an.
𝐸𝑁𝐷 = 𝑃𝑐𝑜𝑢×𝑇𝑐𝑜𝑢×𝑁𝑐𝑜𝑢
𝑁𝑡𝑜𝑡
[1.4]
[1.5]
Avec :
𝑇𝑐𝑜𝑢 = 𝐷𝑢𝑟é𝑒 𝑑𝑒 𝑙𝑎 𝑐𝑜𝑢𝑝𝑢𝑟𝑒 (𝑚𝑖𝑛)
𝑁𝑐𝑙 = 𝑁𝑜𝑚𝑏𝑟𝑒 𝑑𝑒 𝑐𝑙𝑖𝑒𝑛𝑡𝑠 𝑐𝑜𝑢𝑝é𝑠
𝑁𝑐𝑜𝑢 = 𝑁𝑜𝑚𝑏𝑟𝑒 𝑑𝑒 𝑐𝑜𝑢𝑝𝑢𝑟𝑒𝑠
𝑁𝑡𝑜𝑡 = 𝑁𝑜𝑚𝑏𝑟𝑒 𝑡𝑜𝑡𝑎𝑙 𝑑𝑒 𝑐𝑙𝑖𝑒𝑛𝑡𝑠
{ 𝑃𝑐𝑜𝑢 = 𝑃𝑢𝑖𝑠𝑠𝑎𝑛𝑐𝑒 𝑐𝑜𝑢𝑝é𝑒
Ces trois indices permettent d’apprécier la qualité du réseau, plus ils sont faibles plus le réseau est de bonne qualité. La norme prévoit un SAIDI de 75 min /an (MT), 15 min /an (HT) ; un SAIFI de 3.3 (HT), 2.5 (MT) et 1.5 (BT) ; des END de 125 MWh/an (HT), 30 MWh/an (MT);
une chute de tension +/- 5 % en mode normal [62, 63].
Méthode de Monte Carlo
L’approche probabiliste de type Monte-Carlo est la plus considérée pour l’évaluation de la fiabilité des réseaux électriques intelligents puisqu’elle se prête aux outils informatiques et est plus rapide quel que soit l’étendu du réseau.
Les travaux décrits dans [1, 57, 64] dévoilent que l’approche par simulation Monte-Carlo évalue la fiabilité d’un réseau électrique intelligent en simulant son comportement ainsi que les événements aléatoires qui modifient ce réseau. Cette technique permet de prendre en compte une infinité de paramètres inhérents à la gestion, la composition et l’évolution du réseau électrique.
Ces paramètres pourraient décrire une multitude d’évènements aléatoires ayant une probabilité d’occurrence, telle que les pannes, la variation de la charge ou de la production. En simulant un très grand nombre de fois le comportement probabiliste du réseau pour une période de temps donnée, il est donc possible de calculer les critères de fiabilité et d’identifier clairement le type d’anomalies récurrent sur le réseau et déduire les points faibles du système.
D’après les travaux dans [65, 66, 67], la méthode de simulation Monte Carlo (MC) également appelée méthode numérique consiste à répéter un calcul de Load flow déterministe avec différents scénarios de production et de consommation. La méthode de Monte-Carlo est applicable à un réseau radial ou maillé, de plusieurs dizaines ou centaines de nœuds, car l’essentiel du défi est de modéliser adéquatement les changements probabilistes sur chaque composant du réseau, exécuter une série d’essais et observer le comportement aléatoire du réseau [64].
L’auteur [68] présente une approche Monte Carlo pour l’évaluation de la fiabilité des systèmes de distribution avec des productions décentralisées à l’aide d’un calcul parallèle. Les calculs sont réalisés sur le simulateur OpenDSS piloté par Matlab. L’objectif est d’évaluer les performances en considérant divers scénarios pour l’automatisation et la reconfiguration du réseau afin d’évaluer l’impact des productions décentralisées. De ce fait, plusieurs indices de fiabilité sont obtenus pour ces scénarios.
L’auteur [69] propose une méthodologie d’évaluation de la fiabilité pour les systèmes de distribution avec des productions décentralisées. Il utilise une méthode de simulation Monte Carlo de modèle stochastique des systèmes de distribution pour évaluer l’état de la charge pour chaque changement d’opération dans le système. Il utilise sa technique pour déterminer l’indice de perte de charge, la fréquence de perte de charge et les énergies non distribuées. Dans sa méthode, ces indices sont comparés pour divers scénarios et avec un placement optimal des productions décentralisées.
L’auteur [70] présente une méthode Monte Carlo pour calculer la fiabilité des systèmes de distribution avec des productions décentralisées. Il applique sa méthode sur un réseau IEEE- RBTS 6 Bus pour étudier l’impact des productions décentralisées en prenant en compte les
modèles des productions décentralisées, la configuration des dispositifs de commande et les multiples accidents.
L’auteur [71] présente des approches développées pour quantifier et analyser les probabilités de coupure et les différents modes de coupure dans les réseaux de distribution. Un modèle de simulation théorique en relation avec les données du monde réel pour mesurer les probabilités de coupure est configuré et testé. Les configurations optimales qui peuvent améliorer les performances du système et le coût d’investissement sont analysées. De plus les différents aspects liés à la fiabilité et la performance des réseaux de distribution sont identifiés.
L’auteur [72] présente des études de fiabilité du système de distribution avec l’intégration d’un stockage d’énergie. Sa méthodologie consiste à intégrer des systèmes de stockage avec des productions décentralisées intermittentes dans des systèmes de distribution. Les valeurs de fiabilité du réseau de distribution et la gestion des risques financiers des dispositifs avec la régulation de la qualité sont aussi quantifiés.
L’auteur [73] présente l’impact des techniques d’opération et des technologies des productions décentralisées sur la fiabilité des systèmes de distribution. Pour cela, il utilise deux chemins, le premier consiste à évaluer l’impact des différents types de productions conventionnelles et renouvelables sur la fiabilité des systèmes de distribution. Le deuxième est de développer un algorithme pour modéliser les opérations sur les productions décentralisées pour obtenir une analyse réaliste et applicable pour les systèmes de distribution avec des productions décentralisées.
L’auteur [74] présente une méthode pour l’évaluation de la fiabilité des réseaux électriques avec des productions décentralisées. Un système d’évaluation composite qui inclut deux principaux composants du réseau électrique (la production et la distribution) est réalisé à l’aide des simulations Monte Carlo. Il applique sa méthode sur un réseau IEEE RBTS 2 Bus pour déterminer l’indice LOEE et AENS.
L’auteur [75] présente l’impact des productions décentralisées sur la fiabilité du système de distribution local. Il montre que l’injection d’une production décentralisée améliore la fiabilité du système de distribution, de même, l’injection de plusieurs productions décentralisées aux différentes positions proches des charges du réseau de distribution, augmente la fiabilité du système de distribution. La fiabilité reste inchangée avec la variation de la taille des productions décentralisées. Plusieurs tests ont été faits pour trouver le placement optimal
des productions décentralisées dans le réseau IEEE RBTS 2 bus. Il utilise le logiciel ETAP pour simuler, analyser, optimiser et contrôler le réseau électrique de puissance.
L’outil de recherche développé dans le cadre de notre recherche répond parfaitement aux prérequis nécessaires à l’élaboration de simulations de types Monte-Carlo. L’étude de fiabilité des réseaux électriques intelligents selon la méthode de Monte-Carlo consiste essentiellement à simuler en boucle le comportement probabiliste d’un réseau électrique en y intégrant des changements d’état ou de paramètres.
Les études de fiabilité des réseaux électriques intelligents selon la méthode Monte-Carlo sont donc à toutes fins pratiques des études paramétriques pour lesquelles l’exécution des algorithmes de changement d’état et de paramètres de réseaux respectent les paramètres définis par l’utilisateur afin qu’ils reproduisent le comportement probabiliste de chaque équipement. L’on peut ainsi user des fonctions disponibles pour déclencher des changements sur le réseau et simuler des évènements aléatoires comme l’indisponibilité d’un équipement, sa dégradation ou toute autre perturbation sur le réseau.
Ainsi, l’utilisateur qui cherche à évaluer les pertes d’énergie d’un système électrique complexe suivant l’approche de Monte-Carlo, doit nécessairement paramétrer dans son modèle :
- la variation de la charge sur l’ensemble du système (suivant une courbe de probabilité ou courbe de charge);
- les changements d’état de chaque unité de production du système.
Cette partie a pour but essentiellement de présenter la possibilité de coupler l’analyse paramétrique à l’évaluation de la fiabilité des systèmes suivant la méthode de Monte-Carlo et familiariser le lecteur à ce domaine en pleine expansion.
L’outil OpenDSS proposé dans ce mémoire permet à l’utilisateur de paramétrer toutes ces fonctions et réaliser, comme requis par la théorie de Monte-Carlo, un très grand nombre de simulations (annuelles) sans aucune intervention de l’usager durant le processus afin de connaitre les critères de fiabilité de notre smartgrid.
Les limites des travaux précédents et notre contribution
Les travaux mentionnés précédemment sont essentiellement théoriques, analytiques et méta-heuristiques, ils ne s’appliquent qu’aux réseaux classiques et aux réseaux test IEEE et RBTS. Ces auteurs n’implémentent pas leurs techniques dans des réseaux réels par des logiciels de co-simulation avancés, ils se limitent justes aux réseaux conventionnels.
Dans le cadre de notre travail, notre apport se fera sur la co-simulation du smartgrid à l’aide de la plateforme OpenDSS–OMNet++ (OpenDSS pour la création du réseau électrique de puissance et OMNet++ pour la retransmission des données dans le réseau communication) et l’implémentation de l’algorithme PSO par une co-simulation OpenDSS–Matlab pour le placement optimal des productions décentralisées dans le réseau intelligent afin d’optimiser au mieux la fiabilité en réduisant les coupures et l’impact des défauts tout en améliorant de profil de la tension et en réduisant les pertes de puissance.
Conclusion
Dans ce chapitre, il était question de ressortir les modèles d’analyse dans les réseaux électriques intelligents. Nous avons commencé par donner la description d’un système électrique classique partant de la production jusqu’à la consommation. Ensuite nous avons montré l’impact de l’intégration d’une production décentralisée. Nous avons fait une revue des smartgrids en ressortant tous les éléments qui entrent en jeu.
Nous avons également étudié les techniques d’optimisation existant dans les réseaux électriques. Nous avons opté pour le PSO car les populations sont directement les solutions au problème et la recherche des meilleures solutions se fait en déplaçant les individus dans l’espace des solutions. Nous avons achevé ce chapitre par l’identification des critères de fiabilité à utiliser pour la simulation de Monte Carlo de notre réseau électrique intelligent sur OpenDSS.
Dans la suite, nous ferons une étude approfondie des outils de Co-simulation ainsi que des méthodes utilisées.
Questions Fréquemment Posées
Quelles sont les méthodes d’évaluation de la fiabilité des réseaux électriques ?
Les méthodes d’évaluation de la fiabilité des réseaux électriques incluent la méthode analytique et la méthode par simulation de Monte Carlo.
Quels indices de fiabilité sont utilisés pour évaluer les réseaux électriques ?
Les indices de fiabilité utilisés incluent le SAIDI, le SAIFI et le CAIDI, qui mesurent respectivement la durée et la fréquence des interruptions de service.
Pourquoi la méthode de Monte Carlo est-elle considérée comme efficace pour l’évaluation des smartgrids ?
La méthode de Monte Carlo est efficace car elle évalue la fiabilité d’un réseau électrique intelligent en simulant son comportement et les événements aléatoires, prenant en compte une multitude de paramètres.