Conception optimale de systèmes multi-énergies locaux : modèles de programmation linéaire à nombre entier mixte et approches de décomposition à deux niveaux

Optimal design of local multi-energy systems : mixed-integer linear programming models and bi-level decomposition approaches

• Auteur / Autrice : Bingqian Liu
• Direction : Dominique Quadri, Céline Gicquel, Côme Bissuel, François Courtot
• Type : Thèse de doctorat
• Discipline(s) : Informatique
• Date : Soutenance le 02/06/2022
• Etablissement(s) : université Paris-Saclay
• Ecole(s) doctorale(s) : École doctorale Sciences et technologies de l'information et de la communication (Orsay, Essonne ; 2015-....)
• Partenaire(s) de recherche : Laboratoire : Laboratoire interdisciplinaire des sciences du numérique (Orsay, Essonne ; 2021-....) - Électricité de France. Division Recherches et développement. Département PRISME
• Partenaire(s) de recherche : référent : Faculté des sciences d'Orsay
• Partenaire(s) de recherche : graduate school : Université Paris-Saclay. Graduate School Informatique et sciences du numérique (2020-....)
• Jury : Président / Présidente : Safia Kedad Sidhoum
• Jury : Examinateurs / Examinatrices : François Clautiaux, Pierre Fouilhoux, Frédéric Babonneau, Guillaume Sandou, Sandra Ulrich Ngueveu
• Jury : Rapporteurs / Rapporteuses : François Clautiaux, Pierre Fouilhoux

Mots clés

Mots clés contrôlés

Optimisation mathématique

Décomposition (méthode mathématique)

Modèles mathématiques

Conversion énergétique

Mots clés libres

Système multi-énergie (LMES)

Programmation linéaire en nombres entiers

Optimisation de planification

Multi-energy system (LMES)

Mixed-integer linear programming

Planning optimisation

Résumé

Au cours des dernières décennies, l'industrie énergétique s'est efforcée d'améliorer l'efficacité de la production d'énergie, de réduire les émissions de gaz à effet de serre liées à la production et à la distribution d'énergie et de mieux intégrer les ressources énergétiques renouvelables. Les systèmes multi-énergies locaux (LMES) constituent une alternative intéressante pour atteindre ces objectifs ambitieux. Fondamentalement, un LMES est un système énergétique décentralisé produisant de l'énergie sous de multiples formes pour satisfaire les besoins énergétiques de clients situés dans son voisinage. Les clients correspondent à un ensemble de bâtiments appartenant, par exemple, à un campus, un complexe hospitalier ou un quartier urbain. Les LMES ont une efficacité de production plus élevée et un coût de maintenance plus faible que les systèmes énergétiques fonctionnant au niveau d'un seul bâtiment. La conception d'un LMES consiste à sélectionner les dispositifs de conversion et de stockage de l'énergie du système. Le LMES obtenu doit être capable de satisfaire à tout moment la demande énergétique fluctuante et de minimiser le coût total de construction et d'opération du système sur sa durée de vie, qui s'étend sur plusieurs décennies. Il existe déjà de nombreux outils numériques pour concevoir des LMES. Cependant, la plupart de ces outils reposent sur des hypothèses et des simplifications importantes. Par exemple, la capacité d'un dispositif de conversion peut prendre des valeurs dans une gamme continue prédéfinie, alors que cette capacité devrait en fait être sélectionnée dans une liste discrète des modèles disponibles produits par les fabricants d'équipements. De plus, ces outils limitent généralement fortement la taille des instances considérées afin de pouvoir proposer des solutions dans un temps de calcul acceptable. Cette thèse de doctorat se concentre sur le problème de la conception optimale d'un LMES impliquant à la fois des dispositifs de conversion et de stockage d'énergie. En termes de modélisation, nous améliorons l'état de l'art dans plusieurs directions. Premièrement, nous choisissons la capacité des dispositifs installés dans une liste de valeurs discrètes prédéfinies. Deuxièmement, nous considérons le fait que la construction d'un LMES est un processus en plusieurs étapes dans lequel les décisions d'investissement sont prises petit à petit pour ajuster le déploiement du système à l'augmentation à long terme de la demande d'énergie. Nous cherchons donc à construire un plan de déploiement en plusieurs phases. Troisièmement, nous incorporons dans la fonction objectif le coût d'opération du système sur sa durée de vie. Pour estimer ce coût précisément, nous construisons des plannings d'opération journaliers aux pas de temps horaires pour un ensemble de jours représentatifs. Ces plannings tiennent compte de plusieurs caractéristiques réalistes compliquées telles que l'efficacité à charge partielle et la charge minimale des dispositifs de conversion. Le problème d'optimisation est formulé comme un très grand programme linéaire à nombres entiers mixtes. Nous développons deux nouveaux algorithmes de décomposition qui exploitent la structure spécifique à deux niveaux du problème. Le premier algorithme étend un algorithme de décomposition hiérarchique précédemment publié, le second est un algorithme de décomposition de Benders généralisé. L'approche de modélisation et de résolution proposée sont appliquées à trois cas d'étude réels situés en Chine. Nos résultats numériques montrent que les algorithmes de décomposition proposés sont plus performants que l'algorithme générique de branch-and-cut intégré à un solveur de programmation mathématique et que l'algorithme original de décomposition hiérarchique pour résoudre le programme linéaire en nombres entiers à l'optimalité. Même si certaines approximations sont effectuées dans la modélisation du problème, les plans de déploiement obtenus sont de très bonne qualité.

Over the last decades, the energy industry has been striving to improve the energy production efficiency, to lower the greenhouse gas emissions related to energy production and distribution and to better integrate renewable energy resources. Local multi-energy systems (LMESs) are an interesting alternative to meet these challenging objectives. Basically, an LMES is a decentralized energy system producing energy within multiple forms to satisfy the energy needs of customers located in its vicinity. The customers correspond to a set of buildings belonging e.g. to a university campus, a hospital complex or a city district. LMESs have a higher production efficiency and a lower maintenance cost than traditional individual (i.e., single-building) energy systems. LMESs thus display many practical advantages. However, in order to provide their best potential performance, they should be carefully designed. Designing an LMES essentially consists in selecting the energy conversion and storage devices making up the system. The obtained LMES should be able to satisfy the fluctuating energy demand at all time and to minimize the total construction and operation cost of the system over its lifetime usually spanning several decades. Many off-the-shelf numerical decision-aid tools already exist to assist people in the design of LMESs. However, most of these tools rely on strong assumptions and simplifications. For example, they assume that the capacity of an energy conversion device may take any value within a predefined continuous range, while this capacity should in fact be selected within a discrete list of values corresponding to the available models produced by equipment manufacturers. Moreover, these tools usually strongly limit the size of the considered instances to enable the resolution process to terminate within an acceptable computation time. This PhD thesis focuses on the problem of optimally designing an LMES involving both energy conversion and storage devices. In terms of problem modelling, we improve the current state-of-the art in several directions. First, we allow to choose the capacity of the installed devices within a predefined discrete list of value. Second, we consider the fact that building an LMES is not a one-step but rather a multi-step process in which investment decisions are made little by little to adjust the system layout to the long-term increase of the energy demand. We thus seek to build a multi-phase strategic deployment plan for the LMES. Third, we incorporate in the objective function the operation cost of the system over its lifetime. To estimate this cost as accurately as possible, we build detailed daily operation schedules using hourly time steps for a set of representative days. These schedules take into account several realistic complicating features such as the partial load efficiency and the minimum working load of energy conversion devices. The resulting optimization problem is formulated as a very large mixed-integer linear program. To solve it efficiently, we develop two new decomposition algorithms exploiting the specific bi-level structure of the problem. The first algorithm extends a previously published hierarchical decomposition algorithm, the second one is a generalized Benders' decomposition algorithm. The proposed modelling and solving approach are applied to three real-life case studies located in China. Our numerical results first show that the proposed decomposition algorithms significantly outperform both the generic branch-and-cut algorithm embedded in a mathematical programming solver and the original hierarchical decomposition algorithm at solving the mixed-integer linear program to optimality. Our results also show that, even if some approximations are done in the problem modelling, the obtained deployment plans are of very good quality.