Stratégies de commande distribuée pour l’optimisation de la production des fermes éoliennes

Distributed control strategies for wind farm power production optimization

• Auteur / Autrice : Nicolo Gionfra
• Direction : Guillaume Sandou, Salvatore Monaco
• Type : Thèse de doctorat
• Discipline(s) : Automatique
• Date : Soutenance le 15/03/2018
• Etablissement(s) : Université Paris-Saclay (ComUE) en cotutelle avec La Sapienza, Università di Roma
• Ecole(s) doctorale(s) : École doctorale Sciences et technologies de l'information et de la communication (Orsay, Essonne ; 2015-....)
• Partenaire(s) de recherche : Laboratoire : L2S - Laboratoire des signaux et systèmes - Laboratoire des signaux et systèmes / L2S
• Partenaire(s) de recherche : établissement opérateur d'inscription : CentraleSupélec (2015-....)
• Jury : Président / Présidente : Jan-Willem Van Wingerden
• Jury : Examinateurs / Examinatrices : Mohammed M'Saad, Elena Panteley, Damien Faille, Houria Siguerdidjane, Philippe Loevenbruck
• Jury : Rapporteurs / Rapporteuses : Luigi Glielmo, Dimitri Lefebvre

Mots clés

Mots clés contrôlés

Optimisation globale

Traitement réparti

Éoliennes

Mots clés libres

Ferme éolienne

Effet de sillage

Pilotage de puissance active

Contrôle-commande distribué

Optimisation métaheuristique distribuée

Systèmes multi-agents

Wind farm

Wake effect

Active power control

Distributed control

Distributed metaheuristic optimization

Multi-agent systems

Résumé

Les travaux de thèse s’intéressent au réglage de la puissance active injectée dans le réseau, ce qui représente aujourd'hui l'une des problématiques principales du pilotage des parcs éoliens participant à la gestion du réseau. Dans le même temps, l'un des buts reste de maximiser la puissance extraite du vent en considérant les effets de couplage aérodynamique entre les éoliennes.La structure du contrôle-commande choisie est de type hiérarchisée et distribuée. Dans la première partie de la thèse, les travaux portent sur la commande de la turbine d'une éolienne autour des points de fonctionnement classiques mais également autour des points à puissance extraite réduite. En fait, cela relève d’une condition de fonctionnement nécessaire pour l'atteinte des objectifs imposés au pilotage d'un parc éolien.Dans la deuxième partie, le problème du contrôle à l'échelle d'un parc est posé sous la forme d'une optimisation distribuée parmi les turbines. Deux nouveaux algorithmes d'optimisation métaheuristique sont proposés et leur performance testée sur différents exemples de parcs éoliens. Les deux algorithmes s'appuient sur la méthode d'optimisation par essaim particulaire, qui est ici modifiée et adaptée pour les cas d'application aux systèmes multi agents. L'architecture de contrôlecommande globale est enfin évaluée en considérant les dynamiques des turbines contrôlées. Les simulations effectuées montrent des gains potentiels significatifs en puissance.Finalement, dans la troisième partie de la thèse, l'introduction d'une nouvelle étape de coopération au niveau des contrôleurs locaux des turbines, par l'utilisation de la technique de contrôle par consensus, permet d'améliorer les performances du système global.

In this PhD work we focus on the wind farm (WF) active power control since some of the new set grid requirements of interest can be expressed as specifications on its injection in the electric grid. Besides, one of our main objectives is related to the wind farm power maximization problem under the presence on non-negligible wake effect. The chosen WF control architecture has a two-layer hierarchical distributed structure. First of all, the wind turbine (WT) control is addressed. Here, a nonlinear controller lets a WT work in classic zones of functioning as well as track general deloaded power references. This last feature is a necessary condition to accomplish the WF control specifications. Secondly, the high level WF control problem is formulated as an optimization problem distributed among the WTs. Two novel distributed optimization algorithms are proposed, and their performance tested on different WF examples. Both are based on the well-known particle swarm optimization algorithm, which we modify and extend to be applicable in the multi-agent system framework. Finally, the overall WF control is evaluated by taking into account the WTs controlled dynamics. Simulations show potential significant power gains. Eventually, the introduction of a new control level in the hierarchical structure between the WF optimization and the WTs controllers is proposed. The idea is to let further cooperation among the WT local controllers, via a consensusbased technique, to enhance the overall system performance.