Optimisation multi objectif d'un micro-réseau DC

Multi-objective optimization of a DC microgrid

• Auteur / Autrice : Elie Hleihel
• Direction : Maurice Fadel, Hadi Kanaan
• Type : Thèse de doctorat
• Discipline(s) : Génie Électrique
• Date : Soutenance le 28/11/2023
• Etablissement(s) : Toulouse, INPT en cotutelle avec Université Saint-Joseph (Beyrouth). Faculté des Sciences
• Ecole(s) doctorale(s) : École doctorale Génie électrique, électronique, télécommunications et santé : du système au nanosystème (Toulouse)
• Partenaire(s) de recherche : Laboratoire : Laboratoire Plasma et Conversion d'Energie (Toulouse ; 2007-....)
• Jury : Président / Présidente : Joseph El Assad
• Jury : Examinateurs / Examinatrices : Maurice Fadel, Hadi Kanaan, Joseph El Assad, Jabr Rabih, Flavia Khatounian
• Jury : Rapporteurs / Rapporteuses : Mohamed Benbouzid, Nazih Moubayed

Mots clés

Mots clés contrôlés

Énergie -- Stockage

Stabilité

Mots clés libres

Micro-réseau DC

Optimisation

Système de gestion d’énergie

Sources d’énergie renouvelables

Programmation dynamique

Multi objectif

Émissions carbonées

Pertes dans les convertisseurs

Modèle moyen

Sources d’énergie distribuées

Contrôle hiérarchique

Coût d’opération

Système de stockage d’énergie

DC microgrid

Optimization

Energy management system

Renewable energy sources

Genetic algorithm

Dynamic programming

Multi-objective

Carbon emissions

Losses in converters

Average model

Distributed energy sources

Hierarchical control

Operation cost

Energy storage system

Résumé

Cette thèse aborde le problème de la gestion optimale de puissance d’un micro-réseau DC sur un horizon de 24 heures afin d’atteindre un ensemble d’objectifs. En se basant sur les politiques énergétiques internationales actuelles trois objectifs d’optimisation sont fixés : la minimisation du coût d’exploitation total du micro-réseau DC, la réduction des émissions carbonées et la minimisation des pertes dans les convertisseurs. Le manuscrit de thèse comprend cinq chapitres. Dans le chapitre 1, la prolifération du concept de micro-réseau, en particulier des DC et leurs stratégies de contrôle sont évoquées. La configuration adoptée et le dimensionnement du micro-réseau DC sont présentés. Comme la thèse cible la gestion optimale d’énergie, des travaux de recherche ciblés sur les techniques d’optimisation appliquées sont révélés. Outre l’optimisation hors ligne, réalisée la veille pour le lendemain, une étape d’optimisation en ligne est ajoutée pour mettre à jour les références optimales en raison des incohérences entre les données prévues et réelles. Ainsi, les techniques d’optimisation en ligne prédominantes sont citées.La modélisation du micro-réseau DC sur 24 heures est représentée dans le chapitre 2. La problématique de modélisation sur 24 heures sur un calculateur de processeur et mémoire limités est traité. Tout d’abord, un modèle détaillé de chaque unité, convertisseur et stratégie de contrôle correspondante est présenté à part. Ensuite, de nouvelles techniques en valeur moyenne sont avancées pour créer un meilleur compromis entre la précision du modèle, la complexité et la rapidité de simulation. La validité de chaque nouvelle technique moyenne est vérifiée à travers une comparaison avec le modèle détaillé. Enfin, pour prouver la viabilité du modèle de micro-réseau DC 24-heure assemblé, deux simulations identiques de 15 minutes avec des profils d’entrée et de charge variables sont menées sur les modèles 24-heures et détaillés.L’optimisation hors ligne accomplie la veille est détaillée dans le chapitre 3. En se basant sur des données prédites, le problème d’optimisation hors ligne génère les références de puissance optimales des sources distribuables pour les prochaines 24 heures. Un problème d’optimisation est formulé en définissant une fonction objectif unique à minimiser. La fonction objectif comprend les trois objectifs d’optimisation cités ci-dessus. En outre, plusieurs contraintes qui délimitent les références de puissance minimale et maximale des sources d’exploitation sont ajoutées. Parmi plusieurs algorithmes, la programmation dynamique (DP) et l’algorithme génétique (GA) sont respectivement appliqués pour résoudre le problème d’optimisation. Les deux algorithmes sont évalués en termes de recherche de solution optimale, de vitesse de convergence et de sélection de période d’échantillonnage. D’autre part, le critère de préférence entre les objectifs d’optimisation est abordé par une analyse détaillée de la sélection des coefficients de pondération. Le chapitre 4 présente l’optimisation en ligne qui met à jour les références de puissance optimale hors ligne des sources distribuables en raison des incertitudes existantes entre les données prévues et réelles. Contrairement au problème d’optimisation hors ligne qui trouve l’ensemble des références de puissance optimale sur l’horizon de temps complet, l’étape d’optimisation en ligne effectue des optimisations locales à chaque période intra-échantillon. L’étape d’optimisation en ligne est validée à travers plusieurs tests de simulation dans lesquels les signaux d’entrée prédits sont modifiés différemment pour générer des signaux d’entrée réels avec des marges d’erreur variables. La robustesse de l’étape d’optimisation en ligne est évaluée en fonction de la marge d’erreur entre les entrées de données prévues et réelles. Enfin, le chapitre 5 conclut la thèse et énonce les contributions principales et les améliorations possibles en guise de perspectives.

This thesis addresses the problem of optimal power management of a DC microgrid over a 24-hour horizon to achieve multi-objective optimization. Based on current international energy policies, three optimization objectives are set: minimizing the total operating cost of the DC microgrid, reducing carbon emissions, and minimizing losses in converters. The thesis manuscript consists of five chapters.In Chapter 1, the proliferation of the microgrid concept, especially DC ones, and their control strategies are discussed. First, the configuration adopted and the sizing of the DC microgrid are presented. As the thesis targets optimal energy management, relevant research on applied optimization techniques is revealed. In addition to offline optimization, performed the day ahead for the next day, an online optimization stage is added to update the optimal references due to existent mismatches between predicted and actual data. Thus, the predominant online optimization techniques are cited.The modeling of the 24-hour DC microgrid is addressed in Chapter 2. The hurdle of modeling the overall DC microgrid over 24 hours on a computer with limited CPU and memory is confronted. First, a detailed model of each unit, converter, and corresponding strategy of control is introduced separately. Then, new averaging techniques are advanced to create the best trade-off between model precision, complexity, and simulation speed. The validity of each new averaging technique is verified through the comparison with the detailed model. Finally, to prove the viability of the assembled 24-hour DC microgrid model, two identical 15-minute simulations with variable input and load profiles are conducted on the 24-hour and detailed models. The offline optimization accomplished the day ahead is detailed in Chapter 3. Based on the predicted data, the offline optimization problem outputs the optimal power references of dispatchable sources for the next 24 hours. An optimization problem is formulated by defining a unique objective function to minimize. The objective function includes the above-mentioned three optimization goals. In addition, several constraints that delimit the minimum and maximum admissible power references of operating sources are added. Among several algorithms, dynamic programming (DP) and genetic algorithm (GA) are applied to solve the optimization problem. Both algorithms are evaluated in terms of optimal solution search, convergence speed, and sampling period selection. On the other hand, the preference criterion between the fixed optimization goals is tackled through a detailed analysis of the weights’ selection. Chapter 4 addresses the addition of an online optimization stage that updates the offline optimal power references of dispatchable sources due to existent uncertainties between predicted and actual data. Unlike the offline optimization problem that finds the set of optimal power references over the whole time horizon, the online optimization stage performs local optimizations at each intra-sample period. The online optimization stage is validated through several simulation tests in which predicted input signals are modified differently to generate actual input signals with varying margins of error. The robustness of the online optimization stage is assessed based on the margin of error between predicted and actual data inputs. Finally, Chapter 5 concludes the manuscript and sets out the main outcomes of this thesis and possible improvements in the future.