Stratégies de gestion d'énergie pour les smart grids

Energy management strategies for smart grids

• Auteur / Autrice : Peter Pflaum
• Direction : Mazen Alamir
• Type : Thèse de doctorat
• Discipline(s) : Automatique et productique
• Date : Soutenance le 09/01/2017
• Etablissement(s) : Université Grenoble Alpes (ComUE)
• Ecole(s) doctorale(s) : École doctorale électronique, électrotechnique, automatique, traitement du signal (Grenoble ; 199.-....)
• Partenaire(s) de recherche : Laboratoire : Grenoble Images parole signal automatique (2007-....)
• Jury : Président / Présidente : Nadia Maïzi-Ménard
• Jury : Examinateurs / Examinatrices : Claude Le Pape, Hervé Guéguen, Mohamed Yacine Lamoudi
• Jury : Rapporteurs / Rapporteuses : Teodoro Álamo Cantarero

Mots clés

Mots clés contrôlés

Conversion photovoltaïque

Algorithmes

Commande prédictive

Réseaux électriques intelligents

Mots clés libres

Optimisation

Commande Prédictive

Énergie

Quartier intelligent

Renouvelables

Optimization

Model Predictive Control

Energy

Smart grid

Renewables

Résumé

Le monde de l’énergie est en pleine mutation. La production centralisée d’énergie électrique laisse place à une gestion décentralisée, faisant ainsi apparaître de nouveaux acteurs et défis technologiques dans le monde de l’énergie. La principale cause de cette évolution est le taux croissant des sources d'énergies renouvelables porté par la volonté de décarbonisation du système de production pour contribuer à des enjeux environnementaux majeurs. Le développement rapide des systèmes d'information est perçu comme un accélérateur qui rend possible le déploiement à grande échelle de stratégies de contrôle avancées.Cette thèse est dédiée au développement et à la validation de stratégies de contrôle avancées pour la gestion de systèmes énergétiques présents dans un réseau de distribution. Dans l’objectif d’une coordination optimale d’un grand nombre d’acteurs, associé au partage des ressources de chacun, émerge un des principaux défis qui est la gestion à grande échelle de ces systèmes. Pour répondre à ce défi, deux méthodes de commande prédictive distribuées (DMPC) sont proposées et comparées. Les deux méthodes misent sur la division d’un problème d’optimisation de grande échelle en plusieurs contrôleurs MPC locaux et un contrôleur de coordination. Les deux méthodes sont basées sur une décomposition primale et sur une décomposition duale respectivement. L’efficacité en termes de temps de calcul des deux méthodes est démontrée, ceci en vue de la grande échelle des systèmes étudiés. De plus, la modularité, la robustesse et la protection des données sont des avantages qu’offrent ces stratégies de MPC distribuées par rapport à un contrôleur MPC centralisé.Un autre défi important dans la gestion des réseaux électriques est la maitrise des incertitudes croissantes dans les réseaux d’énergie. Ces incertitudes sont principalement dues à l’intermittence des sources d’énergies renouvelables et à l’apparition des véhicules électriques avec leur besoin d’énergie fluctuant. Pour gérer ces incertitudes, des solutions techniques innovantes seront requises pour maintenir la stabilité et la qualité de service des réseaux électriques. Pour répondre à ce défi, deux systèmes de gestion d’énergie prenant en compte l’incertitude explicitement sont proposés dans cette thèse. Le premier est dédié à la gestion et au dimensionnement d’une centrale de production photovoltaïque, et le deuxième à la gestion de stations de recharge de voitures électriques. Dans les deux cas, l’incertitude est prise en compte explicitement dans la stratégie de contrôle en appliquant des algorithmes randomisés. Un comportement plus robuste et prédictible est obtenu par rapport à des approches purement déterministes.Cette thèse a été réalisée au sein de Schneider Electric en partenariat avec le Gipsa-Lab.

Electricity grids are currently undergoing a profound transformation away from a centralized towards a decentralized power management paradigm. The two main drivers are the emergence of renewable energy sources and the rapid development of information systems. The latter enables the deployment of advanced control strategies, able to respond to the numerous challenges which arise for the reliable operation of the evolving electricity grids.This thesis is dedicated to the development and assessment of such advanced control strategies at distribution grid level. More precisely, energy management systems using Distributed Model Predictive Control (DMPC) and Stochastic Optimization are proposed. In order to optimally coordinate the operation of a large number of assets in a distribution grid, one challenge is to deal with the large-scale nature of the system. For this purpose, two hierarchical DMPC frameworks for resource sharing problems are proposed and compared with each other. Both of them rely on dividing a large-scale MPC problem into several local MPC problems and one coordinator problem. The two frameworks which are based on a primal- and on a dual decomposition of the initial centralized optimization problem are shown to be computationally tractable despite the large-scale nature of the system. Moreover they come along with a better modularity, safety and data privacy compared to a centralized MPC solution.Another important challenge stems from the increasing amount of uncertainties in the electricity grid. This is mainly due to the high intermittency of renewable energy sources and due to the foreseeable vehicle electrification which comes along with highly fluctuating charging needs. Dealing with those uncertainties requires innovative technical solutions in order to maintain the balance of power production and consumption at all times. In order to address this issue, two energy management systems, one for PV power plants and another one for electric vehicle charging stations, are proposed in this thesis. They explicitly take into account the uncertainties in the control strategy, using randomized algorithms. This way a robust and more predictable behavior of the systems is achieved.This Ph.D. thesis was prepared within the Gipsa-lab in partnership with Schneider-Electric in the scope of the AMBASSADOR project (www.ambassador-fp7.eu).