Conception, optimisation et validation des séquences de démarrage des systèmes de production d'énergie

Design, optimization and validation of start-up sequences of energy production systems.

• Auteur / Autrice : Adrian Tica
• Direction : Hervé Guéguen
• Type : Thèse de doctorat
• Discipline(s) : Automatique (STIC)
• Date : Soutenance le 01/06/2012
• Etablissement(s) : Supélec
• Ecole(s) doctorale(s) : École doctorale Mathématiques, télécommunications, informatique, signal, systèmes, électronique (Rennes)
• Jury : Président / Présidente : Frédéric Kratz
• Jury : Examinateurs / Examinatrices : Didier Dumur, Damien Faille
• Jury : Rapporteurs / Rapporteuses : Mohammed M'Saad, Eric Bideaux

Mots clés

Mots clés contrôlés

Commande, Théorie de la

Électricité -- Production

Commande prédictive

Mots clés libres

Commande prédictive

Commande hiérarchisée

Optimisation

Système de grande taille

Modélisation physique

Centrales à cycles combinés

Phase de démarrage

Model Predictive Control

Hierarchical Control

Optimization

Large-scale Systems

Physical modeling

Combined cycle power plants

Start-up

Résumé

Cette thèse porte sur l’application des approches de commande prédictive pour l’optimisation des démarrages des centrales à cycles combinés. Il s’agit d’une problématique à fort enjeu qui pose des défis importants. L’élaboration des approches est progressive. Dans une première partie un modèle de centrale est construit et adapté à l’optimisation, en utilisant une méthodologie qui transforme des modèles physiques Modelica conçus pour la simulation en des modèles pour l’optimisation. Cette méthodologie a permis de construire une bibliothèque adaptée à l’optimisation. La suite des travaux porte sur l’utilisation du modèle afin d’optimiser phase par phase les performances du démarrage. La solution proposée optimise, en temps continu, le profil de charge des turbines en recherchant dans des ensembles de fonctions particulières. Le profil optimal est déterminé en considérant que celui-ci peut être décrit par une fonction paramétrée dont les paramètres sont calculés en résolvant un problème de commande optimale sous contraintes. La dernière partie des travaux consiste à intégrer cette démarche d’optimisation à temps continu dans une stratégie de commande à horizon glissant. Cette approche permet d’une part de corriger les dérives liées aux erreurs de modèles et aux perturbations, et d’autre part, d’améliorer le compromis entre le temps de calcul et l’optimalité de la solution. Cette approche de commande conduit cependant à des temps de calcul importants. Afin de réduire le temps de calcul, une structure de commande prédictive hiérarchisée avec deux niveaux, en travaillant à des échelles de temps et sur des horizons différents, a été proposée.

This thesis focuses on the application of model predictive control approaches to optimize the combined cycle power plants start-ups. Generally, the optimization of start-up is a very problematic issue that poses significant challenges. The development of the proposed approaches is progressive. In the first part a physical model of plant is developed and adapted to optimization purposes, by using a methodology which transforms Modelica model components into optimization-oriented models. By applying this methodology, a library suitable for optimization purposes has been built.In the second part, based on the developed model, an optimization procedure to improve the performances of the start-up phases is suggested. The proposed solution optimizes, in continuous time, the load profile of the turbines, by seeking in specific sets of functions. The optimal profile is derived by considering that this profile can be described by a parameterized function whose parameters are computed by solving a constrained optimal control problem. In the last part, the open-loop optimization procedure has been integrated into a receding horizon control strategy. This strategy represents a robust solution against perturbation and models errors, and enables to improve the trade-off between computation time and optimality of the solution. Nevertheless, the control approach leads to a significant computation time. In order to obtain real-time implementable results, a hierarchical model predictive control structure with two layers, working at different time scales and over different prediction horizons, has been proposed.