Diaporama gestion des réseaux de distribution en présence de génération d’énergie dispersée

1
M.BOUBAKRI (réseaux électriques)
Gestion des réseaux de distribution en
présence de Génération d’Énergie Dispersée

2
Développement nouvelles
technologies de petites
productions et moyens de stockage
Saturation des
réseaux de transport
Ouverture à la concurrence
du marché de l’énergie
Contraintes
écologiques
Multiplication attendue des générateurs au sein des réseaux
de distribution qui ne sont pas prévus pour
d’où impacts plus ou moins critiques
Remise en question possible des systèmes
électriques de distribution notamment français
Contexte
Directives Européennes
Accords de Kyoto

3
Contexte
© Copyright EDF

4
Objectifs généraux
 Problématique du raccordement :
 Tendance à l’insertion de moins en moins marginale des producteurs,
 Études existantes concernant les impacts HTA/HTA et BT/BT,
 Contraintes de raccordement importantes et limitatives.
 Objectifs :
 Etudier la transmission des impacts de la BT vers la HTA,
 Trouver des solutions innovantes pour la gestion des réseaux de distribution
en présence de Génération d’Energie Dispersée (GED),
 Augmenter la capacité d’accueil.
 Découpage :
 Études d’impacts,
 Remèdes aux impacts les plus critiques,
 Validation avec un banc à échelle réduite (ARENE temps réel).

5
Plan de la présentation
I – Contexte et objectifs généraux
II – Études d’impacts
III – Coordination des moyens de réglage
IV – Validation
V – Conclusions et perspectives

6
IV – Validation

7
Méthodologie d’étude d’impact
 Idée
Quantifier et évaluer la criticité d’un impact en fonction des valeurs
usuelles des paramètres du réseau
 Démarche
La plus générale possible
 Bonus
Trouver des solutions pour la gestion du réseau de distribution en
présence de GED
 Approche
Type paramétrique

8
Choix de l’impact étudié Choix des réseaux
Outil
informatique
Outil analytique
Choix d’un indice
Choix des paramètres
Simulation et exploitation
Quantification de
l’impact
Méthodologie proposée

9
Impacts envisagés
Séparation en plusieurs grandes catégories :
 Grandeurs électriques :
 Plan de tension,
 Courants de court-circuit,
 Déséquilibres,
 Stabilité,
 Qualité de l’énergie (Harmoniques, Flicker, Creux de tension, …).
 Conception, planification et exploitation :
 Plan de protection,
 TCFM (Télécommande centralisée à fréquence musicale),
 Gestion entre autres.
 Matériels de réseau :
 Vieillissement des matériels accéléré entre autres.
Il faut donc trouver lesquels sont prioritaires

10
Impacts étudiés au cours de l’étude
Études quantitatives sur :
 Le plan de tension
 Respect des limites réglementaires
 Les courants de court-circuit en régime permanent
 Conformes au dimensionnement et aux réglages des matériels
 Le plan de protection
 Bon fonctionnement assuré : pas d’aveuglement ni de
déclenchement intempestifs
 La stabilité
 petits signaux : pas de modes instables
 grands signaux : valeurs de TEC acceptables
 Les déséquilibres en tension inverse
 Respect des valeurs réglementaires

11
Choix de l’impact étudié Choix des réseaux
Outil
informatique
Outil analytique
Choix d’un indice
Quantification de
l’impact
Méthodologie proposée et illustration sur le plan de tension

12
Choix des réseaux
Mise en place des réseaux
 Réseau de référence de type urbain
 Réseau de référence de type rural
 Réseau Basse Tension générique
 Réseau école pour études analytiques
urbain
rural
5type
BTHTA /
1N 2N 3N
4N 5N
7type
7type 7type
m33 m392
m158 m309
55 , NN QP
33 , NN QP
BTBT QP ,
BT générique
ccX 22,XR11,XR1N 2N 3N
sourceU 11,QP gg QP , 22,QP
HTA école

13
Choix de l ’impact
étudié
Choix des réseaux
Outil
informatique
Outil analytique
Choix d’un indice
Quantification de
l’impact
Méthodologie proposée et outils associés

14
Outil analytique
L
Ue Us
I
Pe,Qe
R
Ue
UsI

 IR. IXj ..
U
U
e
ee
U
XQRP
U


P1,Q1
R1,X1
P2,Q2
R2,X2
P3,Q3
R3,X3
Pj,Qj
Rj,Xj
Pn,Qn
Rn,Xn
Usource
N1 N2 N3 Nj Nn
Chute de tension pour une impédance RL :
Si on considère que l’hypothèse de Kapp est valide, la chute de
tension entre Ue et Us est :
Généralisation pour un réseau radial :
source
k
n
k
jk
l
lk
n
k
jk
l
l
j
U
QXPR
NU
   

















1 11 1
)(

15
étudié
Choix des réseaux
Outil
informatique
Outil analytique
Choix d’un indice
Quantification de
l’impact
Méthodologie proposée et indice de quantification

16
Indice d’impact et paramètres
)(
)()(
)(
_
__
jproducteursans
jproducteursansjproducteuravec
jrelatif
NU
NUNU
N


Afin de quantifier l’impact de la génération d’énergie dispersée
et des paramètres du réseau, on a défini l’écart relatif :
L’écart relatif traduit donc la modification de la tension due à
un transit de puissance donné.
Les paramètres sont :
 dépendants des impédances R et X du réseau :
 Position du producteur,
 Puissance de court-circuit du réseau amont,
 Types de lignes et câbles entre autres.
 dépendants des puissances P et Q :
 Puissance de la GED connectée en BT,
 Puissance des charges connectées au réseau,
 Insertion massive de GED sur des réseaux BT différents.

17
étudié
Choix des réseaux
Outil
informatique
Outil analytique
Choix d’un indice
Quantification de
l’impact
Méthodologie proposée et simulation

18
Exemple de résultats : influence de la position du
producteur sur le plan de tension
Evolution du plan de tension en fonction de la position du
producteur
0
0.05%
0.1%
0.15%
0.2%
0.25%
0.3%
0 2000 4000 6000 8000 10000 12000
Longueur (m)
Ecartrelatif(%)
0kW
250kW N1
250kW N29
250kW N55N1
N29
N55
Evolution du plan de tension en fonction de la position du
producteur
0
0.05%
0.1%
0.15%
0.2%
0.25%
0.3%
0 2000 4000 6000 8000 10000 12000
Longueur (m)
Ecartrelatif(%)
0kW
250kW N1
250kW N29
250kW N55N1
N29
N55












 
avantavant j
k
k
j
k
k XetR
11


































  







n
k
k
jk
l
l
n
k
k
jk
l
lsource
j
k
kg
j
k
kg
avantrelatif
QXPRU
XQRP
Nj
avantavant
avantavant
1 11 1
2
11
..
..
)(
)3()2( NN relatifrelatif  
Ecart relatif en fonction de la position du producteur
Variation de l’indice :
Avant le point d’insertion : augmente
Après le point d’insertion : constant
N1
N29
N55

19
Etude quantitative sur le réseau urbain
Application au plan de tension
 Cas d’insertion massive a priori et distribution des générateurs
19 GED de 250 kW
sur des réseaux BT
uniformément répartis
principalement localisés
en bout d’artère
19
19.2
19.4
19.6
19.8
20
20.2
20.4
20.6
20.8
21
0 2000 4000 6000 8000 10000 12000
Longueur (m)
Tension(kV)
Référence Cmin
19 GED Cmin
19 GED_fin Cmin
21 kV
19 kV

20
tout le réseau artère 6 artère 1
Etude quantitative sur le réseau rural
Application au plan de tension
 Cas d’insertion massive a priori et distribution des générateurs
23 GED de 100 kW sur des réseaux BT
19
19.2
19.4
19.6
19.8
20
20.2
20.4
20.6
20.8
21
0 1000 2000 3000 4000 5000 6000 7000 8000
Référence
23 GED
23 GED artère 1
23 GED artère 6
19 kV
21 kV

21
Résultats sur le plan de tension
Application à différents départs (ruraux, urbains) et étude de
sensibilité paramétrique (paramètres des conducteurs,
puissance produite, localisation des producteurs, Pcc entre
autres)
Exemple de résultats pour le plan de tension
 Premiers impacts apparaissent pour 100% de la
consommation totale du départ
 Impacts renforcés par :
 une consommation minimale
 une localisation concentrée en bout de départ des producteurs
 la contrainte initiale du réseau
 Dans certains cas, changement de prise du régleur
 conséquences sur les départs adjacents

22
Conclusion sur les impacts
Conclusions pour les autres impacts : peu problématiques sauf cas
particuliers identifiés
Choix du problème principal à traiter : plan de tension
Conclusions valables sur réseaux d’étude et renforcées par d’autres
études nationales et internationales.
réseau
GED
BT
BT
HTA
BT
HTA
HTA
HTB
HTA
Plan de tension +++ ++ +++ ++
Courants de
court-circuits
+++ ++ ++ -
Déséquilibres ++ +
Stabilité +* +* ++ ++

23
IV – Validation

24
Recensement des moyens de réglage
 Moyens de réglage de la tension dits « traditionnels » :
 Régleurs en charge au poste source,
 Bancs de condensateurs.
 Coordination de ces moyens avec d’autres :
 Distribution-Flexible AC Transmission Systems (D-FACTS),
 Certains producteurs indépendants,
 Autres types.

25
Coordination des moyens de réglage
 Méthodes de gestion optimale des moyens de réglage :
 le meilleur choix des consignes des éléments réglants (parallèles et
séries)
 le placement optimal des moyens de réglages supplémentaires,
 le choix/limitation du nombre des moyens de réglage.
 Réflexion pour la coordination
de groupes de producteurs
 vision horizontale (décentralisée)
 intelligence répartie
 moyens télécoms locaux / globaux
 Coordination des services
réseau de chaque producteur
par un opérateur réseau
 vision verticalement intégrée

26
Coordination en utilisant un algorithme d’optimisation
 Minimisation d’une fonction objectif :
 F(x,u) est la fonction objectif,
 x sont les variables électriques (tensions, courants, phases, puissances),
 u sont les grandeurs commandables (consignes producteurs / FACTS, régleurs en
charge, condensateurs entre autres),
 g(u,x) la (ou les) équation(s) qui se réfère(nt) à des conditions d’égalité (exemple :
calcul de répartition, égalité puissance consommée et puissance produite aux pertes
près),
 h(u,x) la (ou les) inégalité(s) qui tradui(sen)t les contraintes sur les vecteurs x et u
(tensions maximales, puissances transmissibles).
0),(
0),(
),(


xuh
xugavec
uxFMinimiser

27
Problématique de l’optimisation dans les réseaux
 Problème mixte (continu et/ou discret) :
 Valeurs de l’injection de puissance réactive des D-FACTS et des
producteurs sont continues
 Valeurs du régleur en charge et du banc de capacité sont discrètes, ou
rendues continues par des fonctions d’extrapolation
 Le choix des moyens de réglage est un problème purement discret
 Problème fortement non linéaire
 Problème contraint :
 Limites sur les injections de puissance des moyens de réglage
 Limites sur les tensions du réseau
 Limites sur les courants

28
L’arbre d’optimisation (vu sur [NEOS])
Réglage des consignes

29
Problématique de l’optimisation des grandeurs de
commande dans les réseaux (réglage des consignes)
 Représentation mathématique des grandeurs de réglage
discrètes :
 Représentations linéaires,
 Représentations en escaliers,
 Tableaux de valeurs.
 Problème contraint :
 Limites sur les injections de puissance réactive des moyens de réglage,
 Limites sur les tensions du réseau.
 Fonctions objectifs :
 
noeuds
noeudsconsigne UU
N
H
1
1
  
noeuds
noeudsconsigne UU
N
H
2
2
1
noeudsconsigne UUH  max
  
lignes
ligne IUPertes *
.Re
0.9 0.95 1 1.05 1.1 1.15
0.9
0.95
1
1.05
1.1
1.15
Valeur de consigne
Ratioprisencompte
linéarisé
0.9 0.95 1 1.05 1.1 1.15
0.9
0.95
1
1.05
1.1
1.15
Ratioprisencompte
Valeur de consigne
en escalier
« sigmoïdes »
0 2 4 6 8 10 12 14 16 18
0.9
0.95
1
1.05
1.1
1.15
Ratioprisencompte
Plot de consigne
discret

30
Méthodes d’optimisation des consignes
Méthodes classiques
 Méthodes déterministes :
 Exemple : Programmation Séquentielle Quadratique (SQP) appliquée à
des problèmes continus ou rendus continus.
 Inadaptées aux problèmes discrets (programmation d’entier Branch &
Bound),
 Inadaptées aux fortes non-linéarités.
 Méthodes heuristiques :
 Exemple : Algorithmes Génétiques dans le cas de problèmes fortement
non-linéaires,
 Nombreux réglages,
 Critères d’arrêts non déterministes.

31
Cas d’étude
Réseau de distribution 20 kV avec 5 départs
 Pcc réseau Amont 250 MVA
(purement inductif)
 Transformateur 20 MVA
 Deux départs modélisés
finement :
- départ semi urbain (77
nœuds et 22 points de
production possibles)
- départ urbain (55 nœuds et
22 points de production
possibles)
 Départs Adjacents
modélisés par une charge de
13 MVA

32
Résultats sur le départ rural
régleur en charge + 23 points d’injection de puissance réactive
0.9 0.95 1 1.05 1.1 1.15
0.9
0.95
1
1.05
1.1
1.15
REPRESENTATION
LINEAIRE
Avant
optimisation
Déterministe
SQP
Heuristique
Algorithme
Génétique
F(x,u) 428 0.574 17.2Norme 1
 
noeudsi
iconsigne uxUU
N
uxF ),(
1
),( Nombre
d’itérations
/ 2422 2500
F(x,u) 49.7 0.098 1.85Norme 2
  
noeudsi
iconsigne uxUU
N
uxF
2
),(
1
),( Nombre
d’itérations
/ 2425 2500
F(x,u) 495 2.32 33.2Norme infinie
 ),(max),( uxUUuxF iconsigne
noeudsi
 Nombre
d’itérations
/ 2421 25000 10 20 30 40 50 60 70 80
1.99
2
2.01
2.02
2.03
2.04
2.05
2.06
x 10
4
Noeuds départ rural
Tension(V)
reference
SQP
AG
AG avec SQP
norme 1 avec contraintes
0 10 20 30 40 50 60 70 80
1.99
2
2.01
2.02
2.03
2.04
2.05
2.06
x 10
4
Noeuds départ rural
Tension(V)
reference
SQP
AG
norme 1 avec contraintes

33
régleur en charge seul
0.9 0.95 1 1.05 1.1 1.15
0.9
0.95
1
1.05
1.1
1.15
SANS REGLAGE
DES PRODUCTEURS
REGLEUR EN CHARGE SEUL
Avant
optimisation
Déterministe
SQP
Heuristique
Algorithme
Génétique
F(x,u) 428 428 12.18Norme 1
 
noeudsi
iconsigne uxUU
N
uxF ),(
1
),( Nombre
d’itérations
/ 4 26
F(x,u) 49.7 49.7 1.604Norme 2
  
noeudsi
iconsigne uxUU
N
uxF
2
),(
1
),( Nombre
d’itérations
/ 4 43
F(x,u) 495 495 31.33Norme infinie
noeudsi
 Nombre
d’itérations
/ 4 43

34
régleur en charge + 23 points d’injection de puissance réactive
0.9 0.95 1 1.05 1.1 1.15
0.9
0.95
1
1.05
1.1
1.15
AVEC REGLAGE DES
23 PRODUCTEURS
+ REGLEUR EN CHARGE
Avant
optimisation
Déterministe
SQP
Heuristique
Algorithme
Génétique
F(x,u) 428 3.697 9.454Norme 1
 
noeudsi
iconsigne uxUU
N
uxF ),(
1
),( Nombre
d’itérations
/ 2404 2500
F(x,u) 49.7 1.186 1.707Norme 2
  
noeudsi
iconsigne uxUU
N
uxF
2
),(
1
),( Nombre
d’itérations
/ 2415 2500
F(x,u) 495 51.61 32.18Norme infinie
noeudsi
 Nombre
d’itérations
/ 2406 2500

35
Méthodes d’optimisation des consignes (développées)
 Hybridation de méthodes heuristiques et déterministes :
 Accélération de la convergence

36
Population initiale
 Tirage aléatoire d’une population initiale
0 2 4 6 8 10 12 14 16 18
0.9
0.95
1
1.05
1.1
1.15
Ratioprisencompte
Plot de consigne
discret0.9 0.95 1 1.05 1.1 1.15
0.9
0.95
1
1.05
1.1
1.15
Valeur de consigne
Ratioprisencompte
linéarisé
u1u2u3u4u5u6u7……………..
Opération répétée pour les n individus qui forment la population
Continus Discrets

37
Sélections classiques
 A partir d’une population, sélection de deux individusI1(p1) I2(p2) I3(p3) I4(p4)
p1 > p2 > p3> p4
I1
I3
I2
I4
Choix aléatoire d’une position du curseur permettant
de pointer sur l’individu à sélectionner (I1)
CURSEUR
u1u2u3u4u5u6u7
u1u2u3u4u5u6u7
u1u2u3u4u5u6u7
u1u2u3u4u5u6u7
u1u2u3u4u5u6u7
u1u2u3u4u5u6u7
u1u2u3u4u5u6u7
u1u2u3u4u5u6u7
I1 :
I2 :
I3 :
I4 :
I5 :
I6 :
I7 :
…
…
In :
F(I1)
F(I2)
F(I3)
F(I4)
F(I5)
F(I6)
F(I7)
…
…
F(In)
Sélection de type :
 Tournoi :
si F(I4) < F(I6) alors I4 est sélectionné
puis on répète une seconde fois
 Elitisme : parmi les x% meilleurs
(F(Ii) faible), sélection de deux
individus aléatoirement
 Roue biaisée :

38
Croisements classiques
 A partir de deux parents, création de deux nouveaux enfants
u1u2u3I4 :
I6 :
F(I4)
F(I6)
Croisement de type :
 Uniforme :
Le même nombre de gènes est échangé
entre les parents 1 et 2
 Non uniforme :
Nombre de gènes différents
 A plusieurs coupures
 Combinaison linéaire :
u1’ = t.u1+(1-t).u1 0≤t≤1
Parents :
Enfants :
u4u5u6u7
u1u2u3u4u5u6u7
u1u2u3u4u5u6u7
u1u2u3u4u5u6u7
Ia’ :
Ib’ :
F(Ia’)
F(Ib’)

39
Mutation
u1u2u3u4u5u6u7 u1u2u3u4u5u6u7
u1u2u3u4u5u6u7
séparation variables
discrètes/continues u1u5|u2u3u4u6u7
Algorithme déterministe de type
Non-Linéaire Contraint avec
comme point de départ
y0 = [u2u3u4u6u7]
utilisant F(x,[u1u5y])
sur quelques itérations (a priori)
u1u5|u2u3u4u6u7
regroupement
discrètes/continues
optimisées localement
u1u2u3u4u5u6u7
 Mutation classique :
 Mutation avec convergence locale :

40
Algorithme génétique (croisements seuls)
Population initiale
Enfants possibles
F(x,u)

41
Algorithme génétique (mutation classique)
Population initiale
Enfant muté
F(x,u)
Sélection de l’individu qui mute

42
Algorithme génétique (mutation déterministe)
Population initiale
Enfant muté
F(x,u)
Trois pas d’algorithme
déterministe (de descente)

43
Illustration de l’optimum global
Présence d’optima locaux
 Algorithme déteministe
 Algorithme Génétique classique
 Algorithme hybride
x
i
u
j
u*
u
0u
F(u)
u

44
Résultats sur les départs rural et urbain
régleur en charge/banc de capacités + 44 points d’injection de réactif
0 20 40 60 80 100 120 140
1.98
2
2.02
2.04
2.06
2.08
2.1
2.12
x 10
4
Noeuds départ rural puis départ urbain
Tension(V)
reference
SQP
AG avec SQP
FN1= 4.96e-3
FN1= 1.49e-3
FN1= 1.85e-3
Tension de
consigne

45
Pertes et variations du taux de convergence déterministe
0 100 200 300 400 500 600 700
5.95
6
6.05
6.1
6.15
6.2
6.25
6.3
6.35
6.4
6.45
x 10
-4
génération de l algorithme génétique
pertesdanslesdeuxdéparts(pu)
taux SQP = 0%
taux SQP = 1%
taux SQP = 2%
taux SQP = 3%

46
Méthodes d’optimisation des consignes pour les pertes
AVEC REGLAGE DES
44 PRODUCTEURS
+ REGLEUR EN CHARGE + BANC DE CAPACITE
Avant
optimisation
Déterministe
SQP
Heuristique
avec
convergence
locale
Heuristique
sans
convergence
locale
F(x,u)
kW
63.33 57.62 57.47 57.82Pertes
  
lignessi
ii IVRéeluxf *),(
Nombre
d’itérations
/ 2996 3367 2974
0 20 40 60 80 100 120 140
2
2.01
2.02
2.03
2.04
2.05
2.06
2.07
2.08
2.09
2.1
x 10
4
Noeuds départ rural puis urbain
Tension(V)
reference
SQP
AG
AG avec SQP

47
L’arbre d’optimisation (vu sur [NEOS])
Placement et choix des
moyens de réglage

48
Optimisation maître-esclave
Afin de trouver les localisations optimales des moyens de réglage et
les consignes associées : découplage
 Problème multi-objectifs classique pour la localisation des moyens
de réglage optimaux :
 Fonction traduisant l’efficacité de réglage,
 Fonction traduisant le nombre de moyens de réglage.
 Optimisation des consignes par les méthodes précédemment
présentées

49
Optimisation muti-objectifs et frontière de Pareto
Problème multi-objectifs classique :
 Définition : f2
f1
domaine d’étude
A
B
C
D
r’
r
f2
f1
pente = –w1/w2
domaine d’étude
y/w2
A
B
C
D
 
 
Yy
Xx
xexexexexeavec
xfxfxfxfxFyMinimiser
k
k




0)(),...,(),(),()(
)(),...,(),(),()(
321
321
 
Xx
xexexeavec
xfwxfwxFMinimiser



0)(),()(
)(.)(.)(
21
2211
 Résolution par pondération : Résolution par variation
des contraintes :
Xx
xfxeavec
xfxFMinimiser
iii
j



)()(
)()(

50
Placement et choix des moyens de réglage par optimisation
muti-objectifs
Pour des problèmes de vitesse de calcul :
 Evaluation de l’ « efficacité » du réglage en fonction du point
d’injection :
 Pénalisation suivant le nombre de producteurs :
QN50
VdN50
Pj
Qj
QjouetPj
Vi


/
Ni
 











noeudsi
j
j
i
j a
Q
V
uxF ),(
  
i
iuuxF 0),(























réglagedemoyenj
j
noeudsi
j
j
i
n
elseqifp
pa
Q
V
qqFMin
)1,0,(1
;)...( 1

 Au final

51
Application à la minimisation des moyens de réglage
Réseau d’étude, réseau rural de 77 noeuds :
 Insertion possible de sources de puissance aux 77 nœuds mais
23 nœuds producteurs choisis au hasard
0 5 10 15 20 25
0
500
1000
1500
2000
2500
nombre de producteur(s)
efficacitéderéglage
Nombre de producteurs
-Efficacitéderéglage

52
Placement et choix des moyens de réglage par optimisation
multi-objectifs puis optimisation des moyens de réglage choisis
0 10 20 30 40 50 60 70 80
1.999
2
2.001
2.002
2.003
2.004
2.005
2.006
2.007
2.008
x 10
4
Noeuds du réseau rural
Tension(V)
référence
23 moyens réglage
Tous les moyens de réglage sont coordonnés FN1(x,u)=0.574Trois moyens de réglage seulement F(x,u)=2.74
0 10 20 30 40 50 60 70 80
1.999
2
2.001
2.002
2.003
2.004
2.005
2.006
2.007
2.008
x 10
4
Tension(V)
référence
3 moyens réglage
Douze moyens de réglage seulement FN1(x,u)=2.02
0 10 20 30 40 50 60 70 80
1.999
2
2.001
2.002
2.003
2.004
2.005
2.006
2.007
2.008
x 10
4
Tension(V)
référence
12 moyens réglage
Problème multi-objectifs puis coordination des consignes

53
Commentaires sur les résultats de l’optimisation
Plusieurs résultats sont remarquables :
 En relatif, performances différentes en terme d’optimisation :
 la modélisation/représentation retenue,
 la méthode utilisée,
 la fonction objectif envisagée.
 Dans l’absolu, différences entre les méthodes déterministes et
heuristiques, si optima locaux :
 SQP plus rapide mais 1er optimum local,
 AG long mais optimum meilleur.
 Pour le placement, optimisation maître-esclave donne de
bons résultats :
 Maître de type multi-objectifs simplifié,
 Esclave de type optimisation des consignes des moyens de réglage.

54
IV – Validation

55
Arène ®
HTB HTA
BTA
PC2 producteurPC1
superviseur
Communication
média et protocole
Validation des stratégies de coordination avec ARENE
PC contrôleur
PC producteur
communication
8 analogiques
E/S A ou D A/N
N/A
ARENE
temps
réel
Rack
VME

56
 Banc expérimental :

57
N1
N2
N3
N11
N4 N5 N6
N7
N8
N9
N10
NOEUD TENSION (V)
N3 20397
N4 20028
N5 19655
N6 20000
N7 19848
N8 20156
N9 19926
N10 20000
N11 20717
NOEUD TENSION (V)
N3 20471
N4 20114
N5 19731
N6 20064
N7 19956
N8 20285
N9 20034
N10 20108
N11 20752
3 4 5 6 7 8 9 10 11
1.96
1.98
2
2.02
2.04
2.06
2.08
x 10
4
Noeuds départ simplifié
Tension(V)
reference
SQP
0 à – O.85 MVar
0 à + O.22 MVar

58
IV – Validation

59
Conclusions
 Études de transmission des impacts
 Criticité du plan de tension,
 Modification des courants de court-circuit en régime permanent.
 Bibliothèques de méthodes et de modèles
 Calcul de répartition des charges de type Newton-Raphson et Backward
& Forward Sweep,
 Modèles de compensateur et de moyens de réglage,
 Bibliothèque d’outils d’optimisation pour les problèmes mixtes.
 Solutions pour le plan de tension
 Outils d’optimisation classiques sur réseaux de distribution,
 Hybridation d’un algorithme génétique et d’un algorithme déterministe,
 Algorithmes maîtres-esclaves pour le choix et la localisation des moyens
de réglage,
 Réflexion sur des stratégies de gestion décentralisées (répartition de
l’intelligence et des prises de décision).

60
Perspectives
 Estimation d’état qui tienne compte du caractère incertain et de
l’étendue du réseau de distribution,
 Prise en compte des aspects économiques,
 Évaluation et comparaison entre des infrastructures de
coordination décentralisées et centralisées (aspects
stratégiques, logiciels et matériels) avec ARENE temps réel,
 Moyens de télécommunication nécessaires
 Centrale virtuelle

61
Marché
Centre de controle
Réseau
distribution
Concept de centrale virtuelle (Constantin et Olivier)

62
Gestion des réseaux de distribution en
présence de Génération d’Énergie Dispersée
Fin

Diaporama gestion des réseaux de distribution en présence de génération d’énergie dispersée

Recommandé

Recommandé

Contenu connexe

Tendances

Tendances (20)

En vedette

En vedette (20)

Similaire à Diaporama gestion des réseaux de distribution en présence de génération d’énergie dispersée

Similaire à Diaporama gestion des réseaux de distribution en présence de génération d’énergie dispersée (20)

Plus de Boubakri Mohamed

Plus de Boubakri Mohamed (18)

Dernier

Dernier (8)

Diaporama gestion des réseaux de distribution en présence de génération d’énergie dispersée