Prise en compte des incertitudes dans la gestion prévisionnelle court-terme
Auteur / Autrice : | Paul Javal |
Direction : | Sophie Demassey, Welington De Oliveira |
Type : | Thèse de doctorat |
Discipline(s) : | Contrôle, optimisation, prospective |
Date : | Soutenance le 29/11/2021 |
Etablissement(s) : | Université Paris sciences et lettres |
Ecole(s) doctorale(s) : | École doctorale Sciences et technologies de l'information et de la communication (Nice ; 1992-....) |
Partenaire(s) de recherche : | Laboratoire : Centre de mathématiques appliquées (Sophia Antipolis, Alpes-Maritimes) |
établissement de préparation de la thèse : École nationale supérieure des mines (Paris ; 1783-....) | |
Jury : | Président / Présidente : Nouredine Hadj-Said |
Examinateurs / Examinatrices : Sophie Demassey, Welington De Oliveira, Annabella Astorino, Gilles Guérassimoff | |
Rapporteurs / Rapporteuses : Tito Homem-de-Mello, Andrew J. Keane |
Mots clés
Résumé
L'arrivée massive de systèmes de production d'électricité renouvelable et la libéralisation du secteur de l'énergie ont un impact durable sur la gestion des réseaux électriques. En particulier, le réseau de distribution électrique est devenu un lieu d'interactions entre acteurs de marchés et son gestionnaire unique: l'opérateur du système de distribution (DSO). Parmi les enjeux majeurs du DSO il y a la gestion prévisionnelle court-terme: actionner une série de leviers pour permettre l’exploitation sûre du réseau suivant les prévisions d'activité à l'horizon de quelques heures; sa décision reposant sur le modèle mathématique d'Optimal Power Flow (OPF). Les sources d'incertitudes sur les prévisions se multiplient avec le nombre d'acteurs du réseau, et les outils de gestion doivent évoluer en conséquence. Cette thèse porte sur l'intégration des incertitudes liées à la production et la consommation électrique par des contraintes de probabilités dans l'OPF. Le problème d'optimisation ainsi étendu est non-convexe et non-lisse, mais présente une structure Différence-de-Convexes (DoC). La classe des fonctions DoC généralise les classes de fonctions convexes et concaves, et inclut en particulier des approximations de précision arbitraire de toute fonction continue, tout en conservant des propriétés de régularité fortes qu'il s'agit d'exploiter dans une solution générique de programmation mathématique.Une première contribution porte sur le développement et l'étude de convergence d'un algorithme de faisceaux pour les programmes mathématiques avec objectif et contraintes DoC. Une formulation DoC de contraintes de probabilités est ensuite présentée puis appliquée à l'OPF probabiliste. Une caractérisation de l’information du premier ordre des fonctions probabilistes est réalisée, basée sur une analyse des variations locales. Cette dernière étude des fonctions probabilistes rappelle que résoudre un OPF probabiliste en exploitant la structure DoC n'est pas l'unique choix de résolution. Quatre formulations explicites d’OPFs probabilistes, dont la structure DoC est démontrée, sont ainsi présentées. La performance de l'algorithme, l'impact de la paramétrisation et l'intérêt respectif des différents modèles sont validés numériquement sur un réseau électrique réaliste de 33 nœuds. Outre des temps de résolution raisonnables, cette méthodologie originale se distingue par sa capacité à rendre immédiatement accessible et contrôlable la viabilité électrique des décisions du DSO.