Sortie de la cartographie smartgrids | Namur - 09 mai 2016

S o r t i e o f f i c i e l l e d e l a c a r t o g r a p h i e s m a r t g r i d s – 0 9 / 0 5 / 1 6
Cluster Technology of
Wallonia Energy, Environment
and sustainable Development
1
S orti e de l a
car togr aphie
sm ar tgr ids
09 mai 2016Moulins de Beez (Namur)

P R O G R A M M E
PREMIÈRE PARTIE
• Introduction des conférences
M. Julien Donfut, membre du Cabinet de Ministre wallon de l'Energie, Paul Furlan
• Cartographie smartgrids : résultats et tendances
M. Cédric Brüll & M. Paul Bricout - Cluster TWEED
• UMons - Génie électrique : 'Smart Grids: The Big Data Challenge
M. Zacharie De Grève - PhD - Research and TeachingAssistant - Power Electrical
Engineering Department - University of Mons - Faculty of Engineering
• ULB - BEAMS : Power system fast state estimation : from transport grids to
distribution smart grids
Pr. Jean-Claude Maun - Professeur ordinaire et directeur du service BEAMS
• UCL - CORE : 'Demand Response Perspective for Belgium’
M. Arnaud Latiers – PhD

3
DEUXIÈME PARTIE
• ULG - Institut Montefiore : microgrids - contraintes pour des
success stories
Pr. Damien Ernst - Full Professorat Université of Liège
• DECUBE : microgrid & stockage partagé
M. Couneson Pascal- Gérant - Directeur de Projets
Mme Charline Stevanoni- doctorante
• NSIDE : Optimization for a Smarter Energy World
M. Olivier Devolder- Senior Consultant - Energy Project Manager -
InduStore Project Coordinator
• 3E : 3 messages clés de 3 études: MetaPV, Flexipac et Batterie
M. Yannick Thomas,ConsultantGrids and Markets
P R O G R A M M E

1
CARTOGRAPHIE
SMARTGRIDS :
résultats & tendances
Namur – 09/05/2016

PLAN
2
• Introduction
• Le Cluster TWEED
• Le Portail REWallonia
o Solaire PV
o Biomasse-énergie
o Eolien
• La cartographie SmartGrids

Introduction
3
Dr Adnan Z.Amin
Directeur exécutif de l'IRENA
« Le déploiement de l'énergie renouvelable poursuit son expansion sur les
marchés dans le monde entier, même dans une période de faibles prix du
pétrole et du gaz. La baisse des coûts des technologies et une série de
facteurs économiques, sociaux et environnementaux sont en faveur des
énergies renouvelables par rapport aux sources d'énergie conventionnelles »
En 2015 :
- SER : + 8,3% en 2015 (+ 152 GW)
- Investissements : 286 milliards de $
- SER : + 43% depuis 5 ans
- Modules PV : - 75% en 5 ans
- Turbines onshore : - 45% en 5 ans

Introduction
4
Kamel Ben Naceur
Director for Sustainable Energy Policy and Technology, IEA
« Pour limiter le réchauffement climatique à 2°C, il va falloir mener des
politiques volontaristes même si le développement des renouvelables bat des
records grâce notamment à la chute de ses coûts. Des renouvelables qui
devraient devenir, d’ici 2030, la première source de production d’électricité »
World Energy Outlook 2015 :
- En 2015, stagnation des émissions de CO2 liées au
secteur de l’énergie (premier léger découplage)
- Nécessité de supprimer les subsides alloués
Aux énergies fossiles pour répondre au COP21
- Pour l’Europe, le principal driver de la réduction de
CO2 sera l’efficacité énergétique

Introduction
6
Source : IEA, Sec. Moniz (2015)

7
Cluster TWEED

Qui sommes-nous ?
8
Ø Créé en 2008, le
Cluster TWEED est
une organisation
wallonne rassemblant
plus d’une centaine
d’acteurs du secteur
de l'énergie durable.
Sources d’énergie
renouvelable
Efficacité
Énergétique
en industrie &
tertiaire
Produits et services
« verts »
Ø T W E E D =
Ø Technologies
Ø Wallonnes
Ø Energie
Ø Environnement
Ø Développement durable

Que faisons-nous ?
9
• Notre objectif prioritaire est de favoriser les
investissements en production et en exploitation
de l'énergie durable en mobilisant les entreprises et
intervenants actifs de ce secteur autour de projets de
qualité et de taille industrielle.
En 2016

Que faisons-nous?
• Mise en réseau des entreprises et autres acteurs des secteurs de l'énergie durable
via l'organisation de conférences à thèmes, d'évènements de networking, de
conférences, de séminaires, de séances d'information, de visites d'entreprises...
• Organisation de groupe-projets qui rassemblent des entreprises aux compétences
complémentaires afin de constituer des filières d'entreprises capables d'offrir des
solutions globales aux clients dans des projets de taille industrielle
• La réalisation d'une veille technologique dans le domaine de l'énergie durable
• Soutien technique au montage de projets d'investissement et/ou de R&D sur la
thématique des énergies durables
• Réalisation d'études de marché et d'analyse économique et technologique sur
la thématique de l'énergie durable (ex: cartographies)
• Promotion locale et internationale du cluster et de ses membres via l’Agence
Wallonne à l’Exportation (AWEx), l’Agoria Renewable Energy Club (AREC) et
l’organisation de missions de prospection
• Participation à des projets européens
10

11
Le cluster TWEED – Feedback 16

Nos membres
12
Les membres de TWEED sont des organisations ayant leur siège
en Wallonie ou à Bruxelles, et sont actives dans le secteur de
l’énergie durable.
Type d’organisations :
• des assembleurs d’équipements
• des fabricants de composants
• des producteurs d’énergie
• des entreprises de services
• des sociétés d’investissement
• des centres de recherches et des services universitaires
• des centres de formation
• des partenaires publics
• ...

13
TWEED et le Renewable Energy Club d’Agoria (AREC) font cause
commune dans les actions internationales visant à promouvoir, à
l'étranger, les technologies et solutions des entreprises belges dans le
secteur des énergies renouvelables
Voir www.renewableenergyclub.be
Partenaire du
Renewable Energy Club d’Agoria
Our Mission: to be the Voice of the Belgian
Technology-based solutions providers
to the Renewable Energy business abroad

14
Nouveau membre de
l’International Cleantech Cluster
“When we spot opportunities, we share them with members and do our
best to facilitate contacts with new customers, suppliers and research
partners from other clusters so members can form partnerships and
seize the following opportunities.”

15
REWallonia
La carte de visite du
secteur de l’énergie
durable à l’international

17
Solaire PV

www.solarpvwallonia.be
18 Acteurs identifiés

• Monitoring des installations & Prédiction (ì VA
pour la filière de l’installation)
• Intégration du PV directement au bâti: filière BIPV
(ne pas voir le PV comme un investissement à
posteriori)
• Développement de nouveaux matériaux :
Technologie de rupture (OPV, nanomatériaux,
nouveaux matériaux PV actifs,…)
• Recyclage des panneaux : recherche de
technologies de recyclage efficace et durable,…
Solaire PV - Forces en Wallonie

20
• Force : Monitoring / Maintenance
• Suite à une mission en Rhône Alpes en 2011 et la visite d’un
centre de formation français spécialisé dans le domaine du
solaire PV, mis en place de la formation PVMAINT (« qualité des
installations photovoltaïques ») par Technifutur & Eliosys (centre
de tests de panneaux solaires photovoltaïque)
Solaire PV – Sucess Stories

21
• Force : Développement de nouveaux matériaux
• Identification & Exportation des compétences R&D & Innovation en
Wallonie/Bxl
o Nouveaux matériaux PV actifs, OPV,…(CRM, GreenMat,…)
o Revêtement photovoltaïque sur textile (Centexbel)
• Organsiation d’un « Seminar Photovoltaics » – Uppsala (février
2015) avec WBI + Action à venir à Nuremberg/Bavière en 2016 !

22
Mission prospective au Maroc avec Paul Magnette
en février 2016 + Mission prévue lors de la COP22 !
Feedback :
- 16 personnes présentes
- Marché en forte croissance
- Contrat de partenariat signé
- Force : Opportunités
pour le recyclage PV (+ installations de
moyennes puissances)
Objectif
d'information
Objectif de
positionnement
Objectif de
synergies

23
Biomasse-énergie

www.biomasswallonia.be
24 Acteurs identifiés

25
Chauffage
résidentiel
Biométhanisation Bio-carburants
Combustion directe
et dérivés
• Fabricants de
poêle et insert +
chaudière actifs à
l’international
• Bonne réputation
• Qualité des
produits et
services reconnue
• Formation de
consortiums en
micro-
biométhanisation…
• Création de spin-
offs
• Degré important en
R&D
• Compétences en
Bio-éthanol
(Biowanze) & Bio-
diesel (Neochim)
• Capacité en R&D (2
& 3ème génération:
algues,….)
• Plusieurs ensembliers
présents sur le marché
international
(pyrolyseur, gazéifieur,
torréfaction,…)
• Nombreux bureaux
d’études
• Degré important
d’innovation dans les
univ. et centres R&D
• Expertise
boues/déchets
Biomasse - Forces en Wallonie

26
• Force : Valorisation des Boues
o Cartographie spécifique des acteurs (http://www.solvalboues.be)
o Organisation d’une conférence internationale
sur le sujet & Présence à Pollutec pour présenter
les solutions wallonnes (avec Val+ & GreenWin)
• Force : Chauffage résidentiel
o Fabricants de chaudières, inserts, poêles
o Création d’un club spécifique
o Promotion de la filière
Biomasse – Sucess Stories

27
• Force : Présence d’ensembliers de technologiques
innovantes à forte capacité d’exportation
o Gazéification, Pyrolyse, Biométhanisation,…
• Présence au European Biomass Conference and Exhibition
(2016 : Amsterdam) + Accueil de délégation étrangères
(Argentine, Pologne,…)
Biomasse – Sucess Stories

28
Eolien

www.windturbinewallonia.be
29
Acteurs identifiés

Eolien - Forces en Wallonie
Logistique
& Maintenance
Sidérurgie et
mécanique de
précision
Aéronautique
et matériaux
composites
Connexion
au réseau
et électronique
de puissance
Entreprises
wallonnes
Concurrence

Eolien – Sucess Stories
• Force : Computational Fluid Dynamics et modélisation 3D
(Cenaero, Numeca, Ansys, Siemens LMS Samtech) & Logiciels
d’étude de vents (ATM-Pro, 3E)
• Action à l’international - Mission au Danemark AWEX/TWEED
(Juin 2013) ciblée sur ce domaine (logiciels)

32
• Force : Sous-traitance
• Action à l’international – Présence à des Booth Stand (+
conférence) avec l’AWEX à l’EWEA (1X/AN) & WindEnergy
Hamburg (1XAN)

33
• Force : Maintenance
• Formation à la maintenance (de base) et au travail en hauteur
(Technifutur, Technocampus)
• Maintenance prédictive et optimisation de la production
(Maintenance Partners, PEPITe, Ulg, ULB, CMI, Henallux,
Helmo, ATM-Pro, Drone Technixx)
• Analyse vibratoire & remote control (Mycromega dynamics, I-
Care, Zensor)
• Action à l’international – Mission TWEED/AREC en Espagne
(Acciona) & Nouvelle mission au Danemark + Norvège en 2016
(+ Wave & Tidal) !

34
Cartographie
SMART GRIDS

CARTO SMARTGRIDS : objectifs
35
• Diagnostiquer le secteur
• Cartographier les acteurs
• Promouvoir les compétences wallonnes
• Stimuler les projets d'investissement et de R&D
Avec le soutien de

CARTO SMARTGRIDS :
participation
36
• Les conditions de participation sont les suivantes :
o Avoir votre siège d'exploitation/une implantation en
Wallonie ou à Bruxelles
o Apporter une plus-value technologique à la filière
’smart grid' (fabrication, R&D, innovation...)
• La participation à cette cartographie est gratuite !
• Rendez-vous sur
www.smartgridswallonia.be

37
CARTO SMARTGRIDS : chaînes
de valeur
Chaîne horizontale
• R&D
• Etudes & Conception
• Financement
• Fabrication / Production
• Transport
• Distribution & Installation
• Commercialisat° & Fourniture
• Consommation
• Démantèlement& Recyclage
• Formation & Certification
• Education, promotion &
sensibilisation
Chaîne verticale
• Infrastructure de
communication
• Infrastructure énergétique
• Outils de mesure
o Compteurs intelligents /
Monitoring
o Capteurs
o …
• Systèmes de contrôle et de
détection
o Incluent les systèmes de
protection (cybercriminalité !)
• Systèmes de pilotage
37

38
CARTO SMARTGRIDS : chaînes
de valeur

CECOTEPE

CM-TECH

ENERGYPONICS

HARMELING

KESSLER

UCL
ICTEAM
Institute

ULG
ULG
ULG
Montefiore

39
R&D
ETUDES &
CONCEPTION
FINANCEMENT
FABRICATION /
PRODUCTION
TRANSPORT
DISTRIBUTION &
INSTALLATION
COMMERCIALISATION
& FOURNITURE
OPÉRATIONS &
MAINTENANCE
CONSOMMATION
DÉMANTÈLEMENT
& RECYCLAGE
FORMATION &
CERTIFICATION
EDUCATION,
PROMOTION &
SENSIBILISATION
C H A Î N E H O R I Z O N T A L E - M É T I E R S

40
R&D
ETUDES &
CONCEPTION
FINANCEMENT
FABRICATION /
PRODUCTION
TRANSPORT
DISTRIBUTION &
INSTALLATION
COMMERCIALISATION
& FOURNITURE
OPÉRATIONS &
MAINTENANCE
CONSOMMATION
DÉMANTÈLEMENT
& RECYCLAGE
FORMATION &
CERTIFICATION
EDUCATION,
PROMOTION &
SENSIBILISATION

CECOTEPE

CM-TECH

ENERGYPONICS

HARMELING

UCL
ICTEAM
Institute

ULG
ULG
ULG
Montefiore

41
R&D
ETUDES &
CONCEPTION
FINANCEMENT
FABRICATION /
PRODUCTION
TRANSPORT
DISTRIBUTION &
INSTALLATION
COMMERCIALISATION
& FOURNITURE
OPÉRATIONS &
MAINTENANCE
CONSOMMATION
DÉMANTÈLEMENT
& RECYCLAGE
FORMATION &
CERTIFICATION
EDUCATION,
PROMOTION &
SENSIBILISATION

CECOTEPE

CM-TECH

ENERGYPONICS

HARMELING

ICTEAM
Institute

ULG

ULG
Montefiore

42
R&D
ETUDES &
CONCEPTION
FINANCEMENT
FABRICATION /
PRODUCTION
TRANSPORT
DISTRIBUTION &
INSTALLATION
COMMERCIALISATION
& FOURNITURE
OPÉRATIONS &
MAINTENANCE
CONSOMMATION
DÉMANTÈLEMENT
& RECYCLAGE
FORMATION &
CERTIFICATION
EDUCATION,
PROMOTION &
SENSIBILISATION

CECOTEPE

43
R&D
ETUDES &
CONCEPTION
FINANCEMENT
FABRICATION /
PRODUCTION
TRANSPORT
DISTRIBUTION &
INSTALLATION
COMMERCIALISATION
& FOURNITURE
OPÉRATIONS &
MAINTENANCE
CONSOMMATION
DÉMANTÈLEMENT
& RECYCLAGE
FORMATION &
CERTIFICATION
EDUCATION,
PROMOTION &
SENSIBILISATION

CM-TECH

HARMELING

44
R&D
ETUDES &
CONCEPTION
FINANCEMENT
FABRICATION /
PRODUCTION
TRANSPORT
DISTRIBUTION &
INSTALLATION
COMMERCIALISATION
& FOURNITURE
OPÉRATIONS &
MAINTENANCE
CONSOMMATION
DÉMANTÈLEMENT
& RECYCLAGE
FORMATION &
CERTIFICATION
EDUCATION,
PROMOTION &
SENSIBILISATION

45
R&D
ETUDES &
CONCEPTION
FINANCEMENT
FABRICATION /
PRODUCTION
TRANSPORT
DISTRIBUTION &
INSTALLATION
COMMERCIALISATION
& FOURNITURE
OPÉRATIONS &
MAINTENANCE
CONSOMMATION
DÉMANTÈLEMENT
& RECYCLAGE
FORMATION &
CERTIFICATION
EDUCATION,
PROMOTION &
SENSIBILISATION

CM-TECH

46
R&D
ETUDES &
CONCEPTION
FINANCEMENT
FABRICATION /
PRODUCTION
TRANSPORT
DISTRIBUTION &
INSTALLATION
COMMERCIALISATION
& FOURNITURE
OPÉRATIONS &
MAINTENANCE
CONSOMMATION
DÉMANTÈLEMENT
& RECYCLAGE
FORMATION &
CERTIFICATION
EDUCATION,
PROMOTION &
SENSIBILISATION

CM-TECH

ENERGYPONICS

47
R&D
ETUDES &
CONCEPTION
FINANCEMENT
FABRICATION /
PRODUCTION
TRANSPORT
DISTRIBUTION &
INSTALLATION
COMMERCIALISATION
& FOURNITURE
OPÉRATIONS &
MAINTENANCE
CONSOMMATION
DÉMANTÈLEMENT
& RECYCLAGE
FORMATION &
CERTIFICATION
EDUCATION,
PROMOTION &
SENSIBILISATION

48
R&D
ETUDES &
CONCEPTION
FINANCEMENT
FABRICATION /
PRODUCTION
TRANSPORT
DISTRIBUTION &
INSTALLATION
COMMERCIALISATION
& FOURNITURE
OPÉRATIONS &
MAINTENANCE
CONSOMMATION
DÉMANTÈLEMENT
& RECYCLAGE
FORMATION &
CERTIFICATION
EDUCATION,
PROMOTION &
SENSIBILISATION

CM-TECH

49
R&D
ETUDES &
CONCEPTION
FINANCEMENT
FABRICATION /
PRODUCTION
TRANSPORT
DISTRIBUTION &
INSTALLATION
COMMERCIALISATION
& FOURNITURE
OPÉRATIONS &
MAINTENANCE
CONSOMMATION
DÉMANTÈLEMENT
& RECYCLAGE
FORMATION &
CERTIFICATION
EDUCATION,
PROMOTION &
SENSIBILISATION

50
R&D
ETUDES &
CONCEPTION
FINANCEMENT
FABRICATION /
PRODUCTION
TRANSPORT
DISTRIBUTION &
INSTALLATION
COMMERCIALISATION
& FOURNITURE
OPÉRATIONS &
MAINTENANCE
CONSOMMATION
DÉMANTÈLEMENT
& RECYCLAGE
FORMATION &
CERTIFICATION
EDUCATION,
PROMOTION &
SENSIBILISATION

CECOTEPE

CM-TECH

UCL

ULG

Montefiore

51
R&D
ETUDES &
CONCEPTION
FINANCEMENT
FABRICATION /
PRODUCTION
TRANSPORT
DISTRIBUTION &
INSTALLATION
COMMERCIALISATION
& FOURNITURE
OPÉRATIONS &
MAINTENANCE
CONSOMMATION
DÉMANTÈLEMENT
& RECYCLAGE
FORMATION &
CERTIFICATION
EDUCATION,
PROMOTION &
SENSIBILISATION

CECOTEPE

CM-TECH

UCL

ULG

ULG
Montefiore

CECOTEPE

CM-TECH

ENERGYPONICS

HARMELING

KESSLER

UCL
ICTEAM
Institute

ULG
ULG
ULG
Montefiore

52
SYSTEMES DE PILOTAGE
SYSTEMES DE CONTROLE ET DE
DETECTION
OUTILS DE MESURE
INFRASTRUCTURE ENERGETIQUE
INFRASTRUCTURE DE
COMMUNICATION
CHAÎNE VERTICALE -TECHNOLOGIQUE

53
DETECTION
OUTILS DE MESURE
INFRASTRUCTURE DE
COMMUNICATION

CECOTEPE

CM-TECH

ENERGYPONICS

ICTEAM
Institute

ULG

Montefiore

CECOTEPE

CM-TECH

ENERGYPONICS

KESSLER

ICTEAM
Institute

ULG

Montefiore

54
DETECTION
OUTILS DE MESURE
INFRASTRUCTURE DE
COMMUNICATION

CECOTEPE

CM-TECH

ENERGYPONICS

ICTEAM
Institute

ULG

Montefiore

55
DETECTION
OUTILS DE MESURE
INFRASTRUCTURE DE
COMMUNICATION

CECOTEPE

CM-TECH

ENERGYPONICS

KESSLER

ICTEAM
Institute

ULG

Montefiore

56
DETECTION
OUTILS DE MESURE
INFRASTRUCTURE DE
COMMUNICATION

CECOTEPE

CM-TECH

ENERGYPONICS

HARMELING

ICTEAM
Institute

ULG

Montefiore

57
DETECTION
OUTILS DE MESURE
INFRASTRUCTURE DE
COMMUNICATION

Statistiques : Participants
58
Acteurs ont rempli le formulaire

Statistiques : Participants
59

Statistiques : Emplois
61
• Profils recherchés :
o actuaire
o commercial régulation chauffage
o data Analytics
o électromécanique
o électronique
o responsable énergie
o informatique / IT / ICT
o Ingénieur : développementdurable, électricien,
industriel, …
o master en environnement
o mathématiques appliquées
o modélisation : risk modeling - financial modeling
o web designer

SMART GRIDS : projets
62
• CE - Centre Commun de Recherche (CCR)
o Inventaire paneuropéen des Smart Grids
vPremière édition en 2011
vUpdate en 2014 : « Smart Grid Project Outlook 2014 »
(459 projets)
o Modèle de réseau d'électricité paneuropéen :
10.000 éléments (nœuds et lignes) du réseau de
transmission européen
o Analyse coûts-bénéfices de projets de "Smart Grids"
o Outils et cartes interactives
http://ses.jrc.ec.europa.eu/nutshell-french

Exemples de projets
(Wallonie/Belgique/EU)
63
• B3RT : modéliser les consommations énergétique du bâti bruxellois
• CASTT : réaliser un micro-smart-grid-pédagogique et utiliser l’énergie
pour la motorisation électrique via des bornes de rechargement
domestiques ou rapides
• DAMiEn: optimiser l'auto-programmation des unités à cycle combiné sur
les marchés électriques day-ahead
• Energattert / Optiobiogaz / Ecobiogaz : gérer et stocker le biogaz
pour une meilleure flexibilité du réseau
• EnergizAIR : ajouter un éclairage qualitatif, informatif et positif sur les
énergies renouvelables dans la vie quotidienne des citoyens européens
(météo renouvelable)
• ENERGRID : modéliser, concevoir, et mettre en œuvre une unité de
gestion de systèmes nano-grid
• FLEXIPAC : optimiser la demande d’énergie par le pilotage
d’applications thermiques (pompes à chaleur, etc.) en vue de
l’intégration au réseau de sources de production intermittentes et la
valorisation économique de la flexibilité

Exemples de projets
64
• GREDOR : développer des outils pour une gestion active du réseau
• GEPPADI : rendre intelligent et communiquant l’éclairage public
• Industore : optimiser la flexibilité énergétique des sites industriels
• PERFECT : caractériser les performances énergétiques réelles de
l’enveloppe de bâtiments et de ses composants par des mesures sur
site
• Premasol : développer des services se basant sur une plateforme
informatique intégrant des outils de prédiction de l’énergie électrique
• PVCROPS : améliorer l’intégration des systèmes solaires PV dans le
réseau électrique en prédisant les variations de puissance PV, et les
atténuer par les nouvelles technologies de gestion et de stockage de
puissance.
• Princess Elisabeth Polar Station : gérer le micro-grids de la station

Exemples de projets
65
• RESIZED : concevoir des outils pour quartiers faiblement
consommateurs d’énergie et intégrant leurs équipements de production
dans un souci d’utilisation des ressources locales (« net Zero Energy
City Districts »)
• Smart Micro Cogen : intégrer des μCHP dans les smart grids
• SMARTWATER – mettre en place des système de stockage électrique
par pompage-turbinage exploitant d'anciennes cavités souterraines
• Story : démontrer la valeur ajoutée des technologies de stockage
d'énergie dans les marchés de l'énergie actuel et futur
• TECR : analyser le rôle et le comportement des utilisateurs au niveau du
système énergétique et des réseaux (nouvelle tarification,…)
• TWENTIES/EcoGrid/GRID4EU… : donner plus de flexibilité au réseau
de transport
• WallonHY : identifier le rôle du Power-to-Hydrogen, notamment pour la
flexibilité des réseaux
• …

66
SWOT : smartgrids/smartmeters
FAIBLESSES
• Réseau : conçu pour des systèmes de production
d’énergies centralisés ; organisation des GRD en
conséquence.
• Maturité : technologies & standards
• Bénéfice : avéré pour les gros consommateurs,
controversé pour les petits consommateurs
Forces
• Plan européen pour l’efficacité énergétique
• Compétitivité de l’Europe
• Indépendance énergétique
• Empreinte carbone
• Création d’emplois
• Gestion dynamique de l’équilibre
• Flexibilisation de la consommation électrique
• Remplacement des compteurs à budget (€)
MENACES
• Modèle : manque de clarté quant au modèle de
marché (normes, législation, gouvernance, …).
• Capacités : capacités des GRD à gérer un grand
nombre d’acteurs et un modèle différent (le client
devient en même temps fournisseur).
• Concurrence : marché concurrentiel et
international. Avance technologique aux USA(4.5
milliards $ budgétés par les autorités), en Suède,
en Italie, en France (Linky)…
• Cybercriminalité & irrespect de la vie privée
OPPORTUNITÉS
• Efficacité énergétique : réduction de la
consommation d’électricité de 2 à 10%.
• Potentiel (marché) : marché des SG conséquent,
sous-exploité et en croissance.
• Intégration : NRJ-R & VE sur le réseau.
• Électricité : croissance de la demande en
électricité, toujours plus volatile par ailleurs, et des
pics de consommation.

67
Portail REWallonia

www.greenheatwallonia.be
www.windturbinewallonia.be
www.biomasswallonia.be
www.solarpvwallonia.be
+300 acteurs répertoriés !

70
CARTO SG : deux formats !
Format PDF Format interactif
70

Besoin d’aide ?
Contactez-nous !
76

TWEED Asbl
Rue Natalis 2 – 4020 Liège – Belgium
Bricout Paul
Project engineer
pbricout@clustertweed.be
Olivier Ulrici
Project engineer
oulrici@clustertweed.be
Cédric Brüll
Director
cbrull@clustertweed.be
www.clustertweed.be

Les mégadonnées dans les réseaux électriques
de distribution
SORTIE OFFICIELLE DE LA CARTOGRAPHIE SMART GRIDS EN WALLONIE
JOURNÉE ORGANISÉE PAR LE CLUSTER TWEED, NAMUR, LE 09/05/2016
Zacharie DE GREVE, François VALLEE
zacharie.degreve@umons.ac.be
Service de Génie Electrique, Faculté Polytechnique, Université de Mons
GREDOR
Project

Université de Mons
One selected message from CIRED 2015
2Z. De Grève | Electrical Power Engineering Unit
« …
What are the [new] roles of DSOs in the transformation of the energy system ?
• DSOs will need to actively manage and operate smarter grids
• DSOs will implement the roll out of smart metering
• DSOs will become data managers […and enter the world of Big Data…]
• DSOs will play a key role in the design and implementation of local energy
policies and the development of smart cities
…»
Philippe Monloubou, CEO at ERDF,
« Power distribution at the heart of the energy transition »,
CIRED 2015, 15th of June 2015, Lyon
(23rd International Conference and Exhibition on
Electricity Distribution, June 2015, Lyon, France)

Université de Mons
Massive roll out of Smart Metering devices
ERDF (principal DSO in France) Linky project: up to 35 million of
metering devices until 2021
ORES: Smart Metering (SM) devices for all the customers in 15 years
(starting from 2019) [O. Durieux, Journée ORES du 20/11/2014,
Faculty of Engineering, UMONS]
[P. Monloubou, CIRED2015, Lyon, France]
… (Enexis in The Netherlands, Enel in Italy, etc.)

Université de Mons
Outline
Why do we need data in Smart Grids?
Some data related challenges
Focus on Big Data Analytics in Smart Grids: two fundamental problems
and illustrations
A. Dimensionality
B. The case of missing data
Conclusion and perspectives

Université de Mons
Outline
Focus on Big Data Analytics in Smart Grids: two fundamental problems
and illustrations
A. Dimensionality

Université de Mons
A great wise man once said…
Why do we need data in Smart
Grids ?
Some data related
challenges
Focus on Big Data analytics Conclusion and perspectives
A close monitoring of the electrical consumption of
households will help improving the energy efficiency
« The <to be completed> energy is the one we do
not use. »
• <cheapest> if you are an economist,
• <greenest> if you are an ecologist,
• <most efficient> if you are an engineer,
• …

Université de Mons
From classical networks to Smart Grids
Massive integration of Renewable Energy Sources (RES), typically wind
or solar, in electricity distribution networks
Towards a coordinated « smart » management of the network to avoid
technical problems (e.g. overvoltages, congestions)
• A guideline: consume the energy when it is produced, locally if
possible (flexibility of demand using financial incentives, storage, etc.)
Grids ?
Some data related
challenges
• Recourse to advanced optimization algorithms (dynamic optimization,
in an uncertain environment, with nonlinear equations, and a mix
between continuous and integer variables)…
Uncertainty of electrical quantities
• Wind and solar production
• Electrical consumption (or load)
Strongly relies on the observability of the distribution network !

Université de Mons 8Z. De Grève | Electrical Power Enigineering Unit
A simple scenario-oriented Monte Carlo approach
8
RES
PriceLoad
Stochastic
Models
Trajectories
(or scenarios)
• Probabilities of
congestion
Indicators
over/undervoltage
• Reliability indexes
(LOLE, etc.)
Sampling
I.
Power flow
computation
II.
Network
model
0. Build stochastic
models
Historical data
Grids ?
Some data related
challenges
Focus on Big Data
analytics
Data for analyzing modern
distribution grids

Université de Mons
For building stochastic models of electrical
quantities, we need data…
9F. Vallée & Z. De Grève | Electrical Power Engineering Unit
RES TTF/TTR
PriceLoad
Sequential
Models
Trajectories
(or scenarios)
congestion
Indicators
over/undervoltage
• Reliability indexes
(LOLP, etc.)
Sampling
I.
Power flow
computation
II.
Network
model
0. Build
Historical data
Grids ?
Some data related
challenges
Focus on Big Data
analytics
stochastic
models
Data for analyzing modern
distribution grids

Université de Mons
Outline
Focus on Big Data Analytics in Smart Grids
A. Dimensionality

Université de Mons
The technical challenges related to data are
numerous…
Communication between devices
Grids ?
Some data related
challenges
Data storage
Privacy and security
• Power Line Communication – or PLC –
and GPRS (e.g. ERDF in France, ORES,
Enel in Italy, etc.)
• Radio transmission (e.g. Enexis in The Netherlands)
• …
Metering technology
[D. Lonneke, Journée ORES du 20/11/2014,
Faculty of Engineering, UMONS]

Université de Mons
The technical challenges related to data are
numerous…
Grids ?
Some data related
challenges
Investment strategies for IT infrastructures
Analysis of the recorded data (Big Data Analytics)
• For DSOs: better coordination of the production/consumption
in a Smart Grid context
• For consumers: improve energy efficiency by closely
monitoring consumption
• For energy suppliers: establish client typical profiles
• …
Focus of the rest
of this talk

Université de Mons
Outline
Focus on Big Data Analytics in Smart Grids: two fundamental
problems and illustrations
A. Dimensionality

Université de Mons 14Z. De Grève | Electrical Power Engineering Unit
Why do we need data in
Smart Grids ?
Some data related
challenges
Focus on Big Data
analytics
A. Dimensionality
Conclusion and
perspectives
Two fundamental problems
I. High dimensionnality of the underlying optimization problems
…
…
…
……
Scenario tree (e.g. for
wind/PV production,
load, etc.)
Probability of
occurrence of
scenario
Computational
burden !
1. Clustering techniques to
limit the number of scenarii
Ex. 1: a clustering
example on wind data
…
2. Orient the sampling by modeling
dependencies inherent to data
Ex. 2: wind
geographical
correlation
Wind speed
for site 2
[m/s]
Wind speed for site 1 [m/s]

Why do we need
data in Smart Grids ?
Some data related
challenges
Focus on Big
Data analytics
A. Dimensionality
Ex. 1: clustering
on wind speed
Conclusion and
perspectives
Clustering for merging scenarii
Example 1: clustering on wind speed
Wind speed
Wind speed
Wind speed
Wind speed
Wind speed
Wind speed
t
t
t
t
t
t
Clustering
X N
…
Wind speed
Wind speed
Wind speed
t
t
…
• Generation of a reduced number K of typical days of wind, starting from
N days of historical data (N >> K)
• Use of K-means, K-medoids algorithms
[B. Picart et al]

KNMI database
• Hourly values of the
wind speed and direction
• Since 1950
• 65 stations in Holland
• Open access at:
http://www.knmi.nl/samenw/hydra/
Why do we need
Some data related
challenges
Focus on Big
Data analytics
A. Dimensionality
Ex. 1: clustering
on wind speed
Conclusion and
perspectives

Power Spectral Density (PSD): describes how the power of a signal is distributed
over the different frequencies
Estimated here using the
periodogram method
• Why typical days ?
Zoom
Analysis of Schiphol station (1981-1990) shows
a peak at a frequency f ≈ 11,56*10-6 Hz, which
corresponds to a period T = 1/f ≈ 24h
[B. Picart et al]
Why do we need
Some data related
challenges
Focus on Big
Data analytics
A. Dimensionality
Ex. 1: clustering
on wind speed
Conclusion and
perspectives

• Methodology
1. Feature selection using Principal Component Analysis (PCA)
2. Clustering using K-means/K-medoids
3. Associate a typical day to each cluster (centroids ?)
3 dimensional vectors instead of 24 !
[B. Picart et al]
Why do we need
Some data related
challenges
Focus on Big
Data analytics
A. Dimensionality
Ex. 1: clustering
on wind speed
Conclusion and
perspectives

• Methodology
1. Feature selection using Principal Component Analysis (PCA)
2. Clustering using K-means/K-medoids
3. Associate a typical day to each cluster (centroids here)
Similar performance than classical
K-means but:
+ 3D instead of 24D vectors (Big data context)
+ Physical interpretation of the 3 dominant
directions (modeling ramps)
Ongoing
• Possible to model extreme days by
selecting higher order PCs
[B. Picart et al]
Why do we need
Some data related
challenges
Focus on Big
Data analytics
A. Dimensionality
Ex. 1: clustering
on wind speed
Conclusion and
perspectives

Smart Grids ?
Some data related
challenges
Focus on Big Data
analytics
A. Dimensionality
Conclusion and
perspectives
I. High dimensionnality of the underlying optimization problems
…
…
…
……
Scenaro tree (e.g. for
wind/PV production,
load, etc.)
Probability of
occurrence of
scenario
Computationnal
burden !
1. Clustering techniques to
limit the number of scenarii
2. Orient the sampling by modeling
dependencies inherent to data
Ex. 1: a clustering
example on wind data
Ex. 2: wind
geographical
correlation
…
Wind speed
for site 2
[m/s]
Wind speed for site 1 [m/s]

Why do we need
Some data related
challenges
Focus on Big
Data analytics
A. Dimensionality
Ex. 2: modeling
wind correlation
Conclusion and
perspectives
« Smart » model sampling strategies
Example 2: modeling wind correlation
• Using the Cholesky decomposition [Villanueva et al, IEEE Trans. on Sus. Energy, 2012]
ARMA
model 1
ARMA model 3
ARMA model 2
1. Identify n ARMA models separately, based on
historical data
2. Compute the (n x n) correlation matrix R,
from historical data
Pearson
cofficient
3. Compute the Cholesky decomposition of R

• Using the Cholesky decomposition• Using the Cholesky decomposition [Villanueva et al, IEEE Trans. on Sus. Energy, 2012]
ARMA
model 1
ARMA model 3
ARMA model 2
4. Generate correlated wind speed time series
ARMA 1 ARMA 2 ARMA 3
uncorrelated
Ex: KNMI database, Schiphol and Ijmuijgen sites:
Why do we need
Some data related
challenges
Focus on Big
Data analytics
A. Dimensionality
Ex. 2: modeling
wind correlation
Conclusion and
perspectives

• Impact of the correlation on power system reliability indices
[Z De Grève et al, EnergyCon2016]
• Ongoing work
Non linear correlation (copula based methods)
Complete review of the SoA and comparison on the same test
case
Time varying correlation
(Test network with two generation units subject to failures, two wind
farms, two loads. Collaboration with Tractebel Engineering)
LOLP: Loss of Load Probability EENS: Expected Energy Not Supplied
Why do we need
Some data related
challenges
Focus on Big
Data analytics
A. Dimensionality
Ex. 2: modeling
wind correlation
Conclusion and
perspectives

Université de Mons
Outline
Focus on Big Data Analytics in Smart Grids: two fundamental
problems and illustrations
A. Dimensionality

Smart Grids ?
Some data related
challenges
Focus on Big Data
analytics
B. The case of missing
data
Conclusion and
perspectives
II. The case of missing or incomplete data
• SM devices are not installed everywhere,
• sensor failures may generate “holes” in the historical database, etc.
Strategy: extrapolate the missing data based on the available
Ex. 3: a low voltage example using reference Cumulative
Distribution Functions (CDFs)
Ex. 4: an approach for filling “holes” in electrical consumption

Université de Mons
And if no SM data is available ?
Example 3: a Low Voltage example using reference CDFs
• (Smart) Metering devices are currently not installed everywhere
SM
HV/MV
MV/LV
SM
MV/LV
Strategy: take advantage of
what we already have…
Lack of data more particularly at
MV/LV substations (and in LV
networks)
• Cluster power of a given area into c= cL + cG categories:
cL Demand Components (DCs): residential load, tertiary, industrial,
etc.
cG Dispersed Generation Components (DGCs): photovoltaïc, wind,
etc.
LV
network
LV
network
Why do we need
Some data related
challenges
Focus on Big
Data analytics
B.The case of missing
data
Ex. 3: building
reference CDFs
Conclusion and
perspectives
[Toubeau et al]

Université de Mons
• Build c reference Cumulative Distribution Functions (CDFs)
1. normalize energy recordings for nodes with
SMs, based on annual produced/consumed
energies,
2. compute c ref CDFs,
3. assign the CDFs to nodes without SMs, and
perform analysis (denormalize !).
[Toubeau et al]
AvailableDataWhy do we need
Some data related
challenges
Focus on Big
Data analytics
data
Ex. 3: building
reference CDFs
Conclusion and
perspectives

Université de Mons
• A Low Voltage network with PV (ORES, Flobecq, Belgium)
MV/LV
transformer
1D clustering on
annual indexes
Why do we need
Some data related
challenges
Focus on Big
Data analytics
data
Ex. 3: building
reference CDFs
Conclusion and
perspectives
[Toubeau et al]

Université de Mons
• Comparison with measured data and SLPs on the power exchanged
at the MV/LV substation during the month of July
Box plot
CDFs
Why do we need
Some data related
challenges
Focus on Big
Data analytics
data
Ex. 3: building
reference CDFs
Conclusion and
perspectives
[Toubeau et al]

Université de Mons
Sensors may have failures
30
Client 1 X X ? X
Client 2 X X X X
… X ? X X
? X X X
X X X ?
≈
Why do we need
Some data related
challenges
Focus on Big
Data analytics
B. The case of missing
data
Ex. 4: filling
holes in data
Conclusion and
perspectives
Example 4: matrix factorization to fill the holes
Ongoing work with F. Lecron, Management
and Computer Science Group, FPMs
.
• Real data is projected on a space of dimension f < m and f < n
• Compute matrixes W and H from the incomplete version of X
• W and H yield the missing elements of X thereafter
• First tests are ongoing…
Z. De Grève | Electrical Power Engineering Unit
…

Université de Mons
Outline
Focus on Big Data Analytics in Smart Grids
A. Data characteristics
B. Two fundamental problems and illustrations
Conclusions and perspectives

Université de Mons
Conclusions and perspectives
An improved observability of distribution grids is needed to implement
Smart strategies: towards the world of Big Data (IT infrastructure ?)
• Reducing dimensionality (and avoid non realistic states) by using
clustering techniques and by orienting the sampling
• Missing (or incomplete) data
• Other issues will appear… (profiling clients ?)
Analysis of metering data (Big data analytics)
New competences for analyzing data in Smart Grids
Signal
Processing
Probabilities and
Statistics
Machine
Learning
Time Series
Modeling

Université de Mons
Thank you for your attention
Special thanks to:
Lazaros Exizidis(3), Martin Hupez(1), Vasiliki Klonari(1), Fabian Lecron(2), Benjamin
Picart(3), Jean-François Toubeau(4)
GREDOR
Project
(1) (2) (3) (4)

ECOLE POLYTECHNIQUE DE BRUXELLES
beams
Power system fast state estimation :
from transport grids
to distribution smart grid
Cluster TWEED 9 mai 2016
Jean-Claude Maun
1

beams
Outline
• Introduction
• Power system state estimation
• Challenges of state estimation in distribution
• Some results
• Conclusions
2

beams
Introduction
x
State estimation
+
z
3

beams
Introduction
x
State estimation
+
z
+
+
+
+
+
+
+
+
+
4

beams
Introduction
x
State estimation
+
z
+
+
+
+
+
+
+
+
+
5

beams
x
State estimation
+
z
+
+
+
+
+
+
+
+
+
6

beams
x
State estimation
+
z
+
+
+
+
+
+
+ +
7

beams
Outline
• Introduction
• Some results
• Conclusions
8

beams
Power system state estimation
Weighted Least Squares Method
9

beams
Measurement
10

beams
11

beams
14
Observability

beams
15
Observability

beams
Outline
• Introduction
• Some results
• Conclusions
17

beams
• Today : no measurement to perform SE
• Tomorrow « smart grids » : what can we imagine ?
• Microgrids is a driver
State estimation in distribution
18
divisional switch
main grid

beams 19
• Initial driver: Microgrids
– Protection and fault location?
– Concepts also applicable for future networks with distributed generation
• Outcome
– Proposition of a state estimation framework (traditionally only monitoring)
for backup protection and fault location
– Protection and operation functions may come closer

beams 20
• New approach
– Time-synchronized distributed sensors
– Fast and reliable communications
– Network model available
• Algorithms for
• Monitoring
• Backup protection
• Offline fault location
• Challenges
• Limited number of sensors
• Load uncertainty
Communication system
Central
Calculator
Monitoring
Fault
location
Protection
Networks
data
IED

beams 21
with uncertainties
Bad data
detection
Topology error
detection
Nodes voltages
Load estimates
Power flows
Losses
Network data,
load forecasts
Measurements
Classical and synchronized ones
DG
storage
State estimation
Control
Planning
Monitoring

beams 23
Original idea: proposition of a three-phase state estimation
framework (traditionally only monitoring) for backup protection and fault location
• Principle of state estimation
• Nodes voltages (x) are estimated from the measurements with least squares
algorithm
• Cost function : 𝐽 =
(𝑧 𝑖−ℎ𝑖(𝑥))2
𝜎𝑖
2𝑖
is minimized over x : 𝑥 = 𝑎𝑟𝑔𝑚𝑖𝑛(𝐽)
•
– z : measurements
– h(x) : measurement functions
– wi = 1/σ²ij : measurement weights
• Very fast calculation with synchronized measurements
Fault detection

beams 24
Fault detection
• The impact of a relatively low measurement
redundancy was discussed:
– Impact on the bad data detection capabilities
– Impact on topology error detection capabilities
• The metering placement impacts on several criteria were discussed
as well:
– Convergence of the algorithm
– State estimation accuracy
– Bad data detection capabilities
– Topology error detection capabilities
• Simple heuristic meter placement rules are proposed

beams 25
Backup protection
Local relaying R1
R2
R3
VT
CT
Circuit breaker
Zone
data
• Topology
• lines parameters
• load forecasts
• accuracy of the measurements
• Principle: check the measurements coherency with respect to the healthy
network model using state estimation
• Fault detection: for each snapshot of measurements
– Perform state estimation
– Check the coherency with the residuals
– Analyze the load estimates

beams 26
Fault detection
• General method, any measurement configuration
• Voltage measurement redundancy used
• Uses the current unbalance, the angle between voltage and current
Challenges
• Load forecasting
• Update of the parameters
• Could be also used for primary protection, but different requirements on
communication

beams 27
ProtectionProtection of zone 1 Protection of zone 2
Protection of zone 3
• Local relaying gives fast fault isolation for strong faults
• Communicating protection gives selective and sensitive backup
• Speed: communication delays?
• is less a concern with reduced fault level

beams 29
Fault location
Central
calculator
Fault
location
Networks
data
Distributed phasor measurements
Fast system
restoration
• Distributed measurements are more accurate than only one measurement
point
• Solution with DGs and in microgrids
• With synchronized measurements: much easier than with unsynchronized
measurements

beams 30
Fault location
• In practice, measurements are not available on the faulted line directly
• Use of three phase state estimation to estimate the best during-fault
terminal voltages of the line
Network states are first estimated there
Then fault location from healthy subnetworks
: Measurement point

beams
Outline
• Introduction
• Some results
• Conclusions
31

beams
Fault location accuracy
32
• The outcome is that it is more complex to locate resistive faults, single
phase faults or for networks with weak sources
A method to identify topology errors (e.g. wrong switch state assumes
after several manual operation) during the fault location has been
proposed as well

beams
Fault location accuracy
33
• Errors caused by measurement noise and lines parameters errors
• By defining standard deviation on those quantities: the fault location accuracy is
also calculated
True fault location
Used for:
• Confidence interval for the repair crew (in operation)
• Analysis what fault location accuracy is possible using impedance-based method
for a particular network. If not accurate enough: use another principle (e.g. fault
passage indication)

beams
Outline
• Introduction
• Some results
• Conclusions
34

beams
Conclusions
35
• Monitoring, Control and Protection will face challenges
– DGs, networks operated in closed loop, microgrids
– But not in every network
• Smart technologies allows new protection and new fault location methods
– Communicating protection
– Fault location using distributed measurements
– Synchronized measurement is a must
– The link between smart meters and real time load estimation need to be
developed
• Field tests and demonstrators are needed

beams 36
Thesis in this domain – BEAMS-Energy
• Stratégie de maintenance centrée sur la fiabilité dans les réseaux
électriques haute tension – O. Fouathia - 2005
• Impact of decentralized power on power systems – A. Morales
2006
• On monitoring methods and load modeling to improve voltage
stability assessment – B. Genêt – 2009
• High impedance fault detection in multi-grounded distribution
networks A. Valero Masa – 2012
• From the measurement of synchrophasors to the identification of
inter-area oscillations in power transmission systems – 2013 – J.
Warichet
• Single phase to earth fault detection and location in compensated
networks – M. Loos - 2013

beams 37
Thesis in this domain – BEAMS-Energy
• Monitoring, protection and fault location in power distribution
networks using system-wide measurements – P. Janssen – 2013
• Wide-area measurement-based approach for assessing the power
flow influence on interarea oscillations – 2013 – O. Antoine
• Unsupervised learning procedure for nonintrusive appliance load
monitoring - 2013 – Q. Jossen
• A two-level probabilistic risk assessment of cascading failures
leading to blackout in transmission power systems – 2013 – P.
Henneaux
• Probabilistic curtailment analysis for transmission grid planning
using Active Network Management – 2015 – F. Faghihi

Sortie officielle de la cartographie smart grids
Perspectives sur la gestion de la demande
Beez, 9 mai 2016
Dr.-Ir. Arnaud Latiers

Blackout
Plan de délestage
…une forme extrême et simple de Demand-Side management

Un système en équilibre
Production Consommation
=
A system in balance

La demande s’adapte à la production disponible
Production variable Demande contrôlable
Demand-side Management
Ensemble des interactions avec la demande d’électricité permettant de répondre à
un problème de sécurité du système (réserve), combler un besoin structurel
(capacité de pointe, énergie), ou maximiser l’efficacité du système (prix de l’énergie)

Demand Side Management
Efficacité Energétique Demand Response
Ensemble des interactions avec la demande d’électricité permettant de répondre
à un problème de sécurité du système (réserve), combler un besoin structurel
d’énergie (pointe), ou maximiser l’efficacité du système (prix de l’énergie)
BE light : +/- 2% de Tihange 3

Source : Piette
Participation à tous les niveaux

Ce n’est pas nouveau …
1882 : Western Edison Light Co.
Samuel Insull introduced Demand tariffs in order to increase the generators load factor.
1892 : John Hopkinson paper “On the cost of electricity supply”
Discussion on the necessity for electricity suppliers to charge consumers at a rate
that is in direct relation with the cost of supply, suggesting time-varying tariffs.
Sources : S. Stoft, WJ Haussman

… et ce n’est pas un problème technique !
Et aujourd’hui encoreIl y a 60 ans déjà…

Le problème fondamental de la gestion de la demande

Changement d’habitudes… … s’habituer au changement

Ce que nous devons continuer à faire…
Convaincre
Et continuer à convaincre… dans un monde très complexe

Pourquoi choisir PJM ?
Transparence !

Source : PJM
Appels rares
Similaire au plan de délestage !
Précision faible
Haute valeur
Le succès de la capacité : un produit simple!
Revenus du DSM dans PJM de 2008 à 2015
ou plutôt à la réserve stratégique

Nous vivons un cas similaire en Belgique
661
425
279
2013 2016
Production
Aggregators MW
En trois ans, 42% de la R3 !

Source : Elia, CAISO
Même si nous n’avons pas les mêmes besoins qu’ailleurs

“Loads participate in […] the market to the extend that market design allows”
Source : Heffner, 2008
La gestion de la demande est très sensible à
l’ensemble de l’éco-système (marché &
système) dans lequel elle évolue.

1880’s 1970’s 1990’s 2000’s
LiberalizationOil CrisisEarly history CA
flexible demand
[% of Peak load]
5-6%
2014
Order 745
“battle”
Of which decentralized generation
*
*
Time
Sources : FERC, Cappers, Spees, Ruff, Zarnikau, Heffner
Un déploiement lié au contexte : exemple aux USA

1999 2001 2014
Liberalization (1) SR
Ampere commission
~5%
2013
R3DP
~2-3%
flexible demand
[% of Peak load]
Of which decentralized generation
*
*
L’évolution de la gestion de la demande en Belgique

Sources : Gils, Elia, VITO, EnergyVille, Klobasa, KEMA
Belgian peak load
Industry
Tertiary
Residential
-3 % Today−5,5% potentially
−5% potentially
0% Today
+30% potentially
+5% potentially
−5% potentially
-2% Today
TOU tariff (bihoraire)
3-5% of daily energy
Avons-nous captés le 1/3 du potentiel actuel ?

Trois principes de départ…
1 2 3

Sources : Ruff, SEDC, Heffner
1 Avoir une vision commune, et un engagement de toutes les parties prenantes
2 Se Donner des Objectifs… et les suivre en toute transparence !
3 Design de marché équilibré
La gestion de la demande n’aime pas les changement… de contexte !
La voie la plus Simple Pas de subsides Faciliter les
interactions
Adapter les règles
Source neutrality
Un cabinet indépendant peut réaliser un “état du marché” chaque trimestre.
Objectif : parler sur base de chiffres, et non de croyances.
… Et d’autres messages importants
Pas de barrière

A. Latiers, Demand Response perspectives for Belgium
in Reflets et perspectives de la vie économique - Marchés énergétiques en
transition : le cas de la Belgique. Vol.2015/1-2, October 2015.
A. Latiers, Autonomous Frequency Containment Reserves
From Energy Constrained Loads, PhD Thesis
Pour plus d’information

Merci
Beez, 9 Mai 2016
Arnaud Latiers
Contact : arnaud.latiers@gmail.com
Contact : arnaud.latiers@actility.com

Smart grids versus Microgrids
Prof. Damien ERNST

But what is exactly a Smart Grid?
A definition in terms of functionality:
1. Better exploitation of the flexiblity of the (many small) load(s) so as to ensure
this balance between generation and production at the cheapest cost.
2. Smart modulation of generation sources, loads and storages so as to operate
safely the electrical network without having to rely on significant investments
in infrastructure. Fit and forget doctrine too difficult to enforce with the rapid
growth of distributed generation resources. Active network management
techniques are needed.

Being smart is difficult! Terribly difficult.
Implies (amond others) rethinking the whole decision chain used to
operating distribution networks. It is composed of four stages:
! 1. Interaction models
! 2. Investments
! 3. Operational planning
! 4. Real-time control

Specific difficulties
! Complex decision-making problems
! Huge investments needed in the monitoring and control
infrastructure
! Staff not prepared for a Smart Grid revolution
! New vulnerabilities
! Public procurement procedures
needed for acquiring this new technology,
which makes innovation difficult.

Why not going back to the good old days of
the fit and forget doctrine?
1. Every grid user at the distribution level would have access to a fixed
access range defined by the maximum power that can be
withdrawn from the distribution network and the maximum power
that can be injected into the network.
2. The distribution network is ensured to « work well » if all the users
stay within this range.
3. Consumption and production peaks are managed locally in
microgrids that use storage, demand side management, and smart
modulation of the production.
4. Possibility to set up intermediate solutions.

Microgrids: a definition
A microgrid is an electrical system that includes single or multiple loads
as well as one or several distributed energy sources that can be
operated in parallel with the broader utility grid.

Microgrids (at a community level): why can
they help in such a setting ?
Because a single access point at a community level (the microgrid) is
less optimal than an access point per user of the grid.

I know that for many DNOs or TSOs,
microgrids are just pirates of the grid

But they should also consider this
1. Microgrids mean local economic activities. Installing/building microgrids will
create a lot of local jobs. There is also an opportunity to grow a microgrid-related
industry that would export products all over the world. Countries rapidly choosing
to support microgrids will be best placed for exploiting it (as Denmark did with
wind power)
2. An electrical power system with a high-penetration
rate of microgrids is a structure which is resilient to
terrorist/cyber attacks, technological failures, a global
short-age of supply or disastrous meteorological
conditions.

3. Without microgrids, electrical power production in Belgium is very
likely to (almost) disappear in Belgium, with all the consequences that
it may have. With microgrids, energy can also belong to the people.
4. Microgrids may help to postpone/avoid very costly future investments
in an ageing grid, especially at the distribution level. If well-integrated,
they may also offer very valuable services (e.g., balancing services,
blackstart capacity) to the grid that may lead to a decrease in network
tariffs.

And remember that microgrids may go fully off-grid" which would be
the ultimate loss of revenues => Important for DNOs to always have a
network that has # value$ for microgrids. Value of a distribution network
can be increased thanks to better technology.
Electricity price < 250 euros/MWh

The electrical grid as it used to be

The electrical grid as it should become
Challenges for designing top-performing control strategies and
making them work together are immense, especially in a
deregulated (market) environment. Microgrids (and other
alternative models) may help to make things much simpler.

MICRO – GRIDS & STOCKAGE PARTAGÉ
Mai 2016

Présentation
u De la production décentralisée au micro-grid (P.
Couneson)
u Planification à long terme d’un micro-réseau industriel
(Ch. Stevanoni)
----------------------------------------------------

Projet PV Monnaie
u Avril 2009 : installation de la société Monnaie sur son
nouveau site de Stépy-Bracquegnies
----------------------------------------------------

Projet PV Monnaie
u Consommation du site : environ 600 MWh/an
u Electricité part significative du prix de revient
u Prix électricité volatil (et tendance à la hausse)
u Production propre à l’entreprise sans combustible
u Installation PV de 250 kWc (critères aides de l’époque)
----------------------------------------------------

Projet PV Monnaie
u 2 cars-ports; 1000 panneaux 250 Wc
u Production annuelle entre 230 et 250 MWh/an
----------------------------------------------------

Projet PV Monnaie
u MAIS non synchronisation production – consommation
(weekend p.ex)
u Taux d’autoconsommation : 70 % environ (+/- 170 MWh/an)
u Taux injection : 30 % de (+/- 70 MWh/an)
u Valeur électricité injectée sur le réseau et rappelée ensuite :
70 MWh/an à (130 €/MWh – 30 €/MWh) soit 7.000 €/an
Ø quid d’un stockage dans l’entreprise pour max. 100.000 €?
----------------------------------------------------

Projet PV Monnaie
u Prix du marché (2013) : > 1.000 €/kWh de stockage
u Idée d’un échange d’électricité (Economie circulaire)
u CAR superposition des profils de consommation montre que
----------------------------------------------------
CAPACITE D’UNE UNITE DE STOCKAGE PARTAGEE
<<<
SOMME DES CAPACITES D’UNITES STOCKAGE DECENTRALISEES

Projet PV Monnaie
u L’apparition naturelle du micro-grid permettant une
optimalisation de la valorisation de l’auto-production
u MAIS nombreuses questions à examiner :
u Dimensionnement du réseau de connexion
u Dimensionnement unité de stockage partagé
u Rôle du GRD
u La gestion quotidienne
u La prévision des productions / consommations….
----------------------------------------------------

Thèse de doctorat
----------------------------------------------------
u Pour examiner ces questions et bien d’autres encore :
u Doctorat de Charline Stevanoni

Thèse de doctorat
----------------------------------------------------
u Du zoning industriel classique vers le micro-réseau
industriel:
RD Utilisateur 1
RD Utilisateur 2
RD
µ-réseau
Zoning industriel classique Zoning industriel en µ-réseau
RD = réseau de distribution

Thèse de doctorat
----------------------------------------------------
u Acteurs d’un micro-réseau industriel:
Prosumers
GRD
IDEA
Acteurs Agrégateur
Gestionnaire du
micro-réseau
Micro-réseau industriel

Thèse de doctorat
----------------------------------------------------
u Originalité de la thèse de doctorat:
Placer successivement les différents acteurs du micro-réseau
industriel dans le rôle d’agrégateur et voir comment un
« social and economical welfare » peut être (ou non) obtenu
dans chaque cas
⇒ Différentes stratégies de gestion du micro-réseau
⇒ + 2 stratégies: agrégateur = unité indépendante
agrégateur = organisme d’état (sans but
lucratif)

Thèse de doctorat
----------------------------------------------------
u Objectifs poursuivis par chaque agrégateur possible:
Agrégateur Signe Objectifs
GRD > 0 Réduire la facture d’électricité avec le réseau de transport,
maintenir ou améliorer la qualité de l’électricité dans le réseau de
distribution et dans le micro-réseau
Prosumers > 0 Réduire la différence en prix d’achat et de vente de l’électricité,
améliorer auto-consommation, fournir des services au GRD
IDEA <, =
ou > 0
Optimiser le fonctionnement du micro-réseau grâce aux énergies
renouvelables des prosumers, développer le zoning industriel
grâce à un prix attractif de l’électricité
Unité
indépendante
> 0 Maximiser les revenus du micro-réseau et optimiser son
fonctionnement
Organisme
d’état
= 0 Optimiser le fonctionnement du micro-réseau en maintenant un
bien-être global en son sein

Thèse de doctorat
----------------------------------------------------
u « Global and economical welfare »:
Fonction objectif de coûts sur 20 ans pour chaque acteur et
l’agrégateur pour chaque stratégie:
Optimiser profit (agrégateur = GRD)
Optimiser profit (prosumer individuel)
Optimiser profit (IDEA)
Stratégie I
Optimiser profit (agrégateur = groupe prosumers)
Optimiser profit (GRD)
Stratégie II

Thèse de doctorat
----------------------------------------------------
Stratégie III
Optimiser profit (agrégateur = IDEA)
Optimiser profit (agrégateur = indépendant)
Optimiser profit (agrégateur = organisme d’état)
Stratégie IV
Stratégie V

Thèse de doctorat
----------------------------------------------------
u Flowchart déterministe pour chaque acteur + l’agrégateur
d’une stratégie choisie:
Analyse du micro-réseau
Sélection des decisions
possibles selon le modèle
d’interaction
Calcul des fonctions
objectifs
Ordre de préférence des
décisions
Calcul d’un équilibre
global entre tous les
acteurs selon la théorie
des jeux

Thèse de doctorat
----------------------------------------------------
u Modèle d’interaction:
Prosumer 1
Prosumer k
Prosumer 2
.
.
.
IDEA Marché
Interne
GRD = agrégateur
Marché
Externe
Réseau de distribution
Micro-réseau
Transport + Taxes
flexibilité
Gestion intelligente
+ maintenance
+ investissements
RESs
+ stockage
(+ maintenance)
RESs
+ Stockage
(+ maintenance)
Fournisseur d’électricité

Thèse de doctorat
----------------------------------------------------
Plusieurs acteurs avec des objectifs différents
Théorie des jeux – Equilibre de Nash
Le théorie des jeux met en scène
un ensemble de joueurs ayant
leurs propres objectifs (stratégies)
et interagissant entre eux.
Solution pour laquelle l’ensemble
des choix effectués par chaque
joueur, connaissant les stratégies de
tous les joueurs, mène à un
équilibre tel qu’aucun des joueurs
ne voudrait en dévier: une
modification unilatérale de stratégie
affaiblirait l’équilibre global
u Game Theory:

Thèse de doctorat
----------------------------------------------------
u Travail en cours et perspectives
o Choix d’un type de jeu dans la Game Theory
o Modèle d’interaction pour chaque stratégie
o Fonction objectif de coûts
o Planification préventive prenant en compte des
incertitudes

Optimization for a Smarter Energy World !
Sortie officielle de la cartographie
SmartGrid
Namur, April 11 2016

The best of advanced analytics for
optimal decision-making
Mathematical sciences
Business engineering
Computer science
Our professionals provide you
with combined expertise in:
State-of-the-art mathematics and algorithms are at the heart of N-SIDE’s innovation
Providing tailored software solutions & services to optimize decision making
Maximize profitsBe agile Manage risks
Descrip(ve
Detailed mathema+cal model to describe complexity and
opportuni+es
Predic(ve
Advanced forecast to be ahead of risk/opportunity
Prescrip(ve
Eﬃcient algorithm to generate op+mal
decisions
N-SIDE APPROACH
2

3
Descriptive
Detailed mathematical models to describe complexity and
opportunities
Predictive
Advanced forecast to be ahead of risk/opportunity
Prescriptive
Efficient algorithm to generate optimal
decisions
N-SIDE APPROACH
The best of advanced analytics for
optimal decision-making

Market coupling
Optimization
Energy Flexibility
Optimization
How to design and optimize my
micro-grid in an optimal way ?
MicroGrid
Optimization
Optimization for a smarter Energy World
4

Market Coupling Optimization
EUPHEMIA by N-SIDE

Day-ahead electricity prices in Europe are
calculated everyday thanks to N-Side algorithms
> “EUPHEMIA”: market coupling algorithm for
European Power exchange, implemented and
developed in-house by N-SIDE, from theory
to operations
> Used daily by Power Exchanges to fix pan-
EU day-ahead electricity prices in 19 EU
countries
> Computing market prices & volumes by:
§ coupling national markets
§ maximizing total economical welfare
§ optimizing network capacity utilization
§ modeling complex constraints
Modeling and Optimization of
Electricity Markets
6

Energy Flexibility Optimization
ENERTOP by N-SIDE

Energy Flexibility Optimization with
the best of advanced analytics
Flexible Load Models
CHP Models
RES Models
Storage Models
EVs Models
Efficient Mathematical
Modellings
Planning
Optimization
Real-time Optim.
Investment
Optimization
Aggregation Optim.
Bidding Optimization
Advanced Optimization
Algorithms
+
DA Market Forecast
Balancing
Opporunities
Reserve Markets
Demand Forecast
Contracts Model
Accurate Forecasts
+ =
Customized
Flexibility
Optimization
Solutions
8

Mathematical models to describe plant complexity…
A mathematical model is key for considering all factors in an integrated way…
Limestone) Crushers) Storage) Raw)Mill) Storage)
Preheater)Tower)
Cement)Kiln)Clinker)Cooler)Storage)Gypsum)
Cement)Mill) Storage) Shipping)
Grid and market
interaction
• Different electricity
contracts (OTC, spot
based)
• Capacity constraints
Storage facilities
• Min-max capacities
• Storage target
Industrial processes
• All input and output flows
• Maximal Stop/Day
• Minimal time OFF
• ON-Off procedure
• Operating rates
Economics
• RM, electricity costs
• Opportunity costs
• Fix and variable
operating costs
• Incentive from DR
programs
9
1
Example : Mathematical Model of Cement Plants
Product Demand
• Quantities and delivery dates
• Must / May serve

… and the differents energy flexibilities
10
Produce electricity at optimal moment
Electricity
Generation
Electricity
Consumption
Consume electricity at optimal moment
Load Shifting
Load Scheduling
Load Shedding
Electricity
Storage
B
A
C F
CHP ModulationE
Fuel SwitchingD

Advanced forecasts to be ahead of risk/opportunities
11
Statistics and Machine
learning techniques
Price forecast
Spot Price Forecast
2

12
Probalistic Approach
learning techniques
Price forecast
Spot Price Forecast
1° Reserve
composition: Quantity
reserved / Marginal cost
for each reserve
2° Imbalance
volume on previous
Quarter
3° External
unpredicted change
Imbalance orientation:
Level of Imbalance:
Balancing Opportunity Forecast
Advanced forecasts to be ahead of risk/opportunities2

13
Price forecast
Spot Price Forecast
1° Reserve composition:
Quantity reserved / Marginal
cost for each reserve
2° Imbalance volume on
previous Quarter
3° External unpredicted
changes
Level of Imbalance:
Stochastic tree to
generate what-if
scenarios
1° Demand : Order
book
2° Process:
Maintenance and
machine failure
3° External factors
Combined
What-if scenarios
learning techniques

14
Price forecast
Spot Price Forecast
1° Reserve composition:
Quantity reserved / Marginal
cost for each reserve
2° Imbalance volume on
previous Quarter
3° External unpredicted
changes
Stochastic tree to generate
what-if scenarios
1° Demand : Order book
2° Process: Maintenance
and machine failure
3° External factors
Combined What-if Scenarios
Level of Imbalance:
learning techniques

Efficient algorithms to generate optimal planning….
15
Advanced
Algorithm
üAccurate results
üFast running
üRobust Solution
üIntuitive
Planning
Electricity price
forecast
Risk Factors
forecast
Mathematical
modeling
Optimized planning
3

… leveraging the different flexibility
levers in a integrated way…
16
Produce electricity at optimal moment
Electricity
Generation
Electricity
Consumption
Consume electricity at optimal moment
Load Shifting
Load Scheduling
Load Shedding
Electricity
Storage
B
A
C F
CHP ModulationE
Fuel SwitchingD
Integrated Optimization

Strategic
Optimization
Reserve
Optimization
Scheduling
Optimization
Real-time
Optimization
… and maximize savings on the different
key timeframes
17
• Optimal
electricity
contract
• Optimal
investment in
flexibility assets
• Optimal choice of
flexibility products
and volumes
• Optimal power and
energy price
• Optimal
scheduling of
electricity load
• Optimal
planning of CHP
unit
• Optimal
imbalance
minimization
• Optimal
activation
management

InduStore
• Objective: Quantify and Optimize Demand
Response potential in industrial sector in
Wallonia
• 4 years project funded by walloon region
(started in Oct. 2014)
• Partners: N-SIDE, UCL, ULg and ICEDD
• Objective: Optimize interaction between
TSO and DSO to leverage flexibilities at
local level
• 3 years H2020 projects starting in 2016
• Partners: 22 including RSE, Siemens,
Vodafone, Energinet.dk, Terna, Sintef,
VTT, VITO.
Innovative Projects on Energy
Flexibility Optimization

MicroGrid Optimization
How to design and optimize my
micro-grid in an optimal way ?

E-Cloud: Project for an Open Microgrid Solution
20
• Optimized microgrids for industrial parks
(eco-zoning):
§ Optimal investment in RES
§ Optimal sharing of locally produced
electricity
§ Optimal storage of electricity
§ Optimal billing process managed by
DSO in charge of eco-zoning
§ Optimal interaction with network
§ Two pilots projects in Wallonia
Partnership

Interested to know more ?
Please contact us
Olivier Devolder
Energy Project Manager
Tel: +32 472 46 83 44
Email: ode@n-side.com
N-SIDE
Watson & Crick Hill Park – Bldg. H
Rue Granbonpré, 11
B- 1348 Louvain-la-Neuve

©3E | | www.3E.eu
COMMENT UN CONTRÔLE PLUS
INTELLIGENT PEUT-IL CONTRIBUER À LA
TRANSITION ÉNERGÉTIQUE?
LEÇONS APPRISES DE 3 PROJETS R&D
TWEED - Cartographie Smart Grid
info@3E.eu

Intro (1/2)
Bâtiments
Actuellement 40% de la consommation totale
Potentiel du contrôle intelligent:
…jusqu’à 40% d’économie

3 projets R&D relatifs au Smart Grid
3
BATTERIE
Intro (2/2)

4
FLEXIPAC
SPW - DG04 (RELIABLE)
Exemple 1
Comment valoriser la flexibilité des pompes à chaleur résidentielles?

Pourquoi la flexibilité?
Exemple 1 (1/2)

Couts et bénéfices de la flexibilité
6
Exemple 1 (2/2)
Acteurs
Impact de la
flexibilité
Bénéfices actuels Bénéfices futurs
Consommateur
Plus d’énergie
consommée
Fournisseur
Achats en
heures creuses
Gestionnaire de
réseau
Diminuer la
congestion
Intérêt général

7
BATTERIE
SPW - DG06 (Cwality)
Exemple 2
Comment valoriser une interface intelligente pour un bâtiment tertiaire?

Interface de contrôle intelligent
8
Solution logicielle:
• Modélisation auto.
• Optimisation
• Exploitation de la
flexibilité
Exemple 2 (1/2)
Confort thermique
&
Cout d’énergie minimal
Load shifting
&
Peak shaving

Démonstration dans le monde réelle
9
Exemple 2 (2/2)
Moins 30 à 40% de couts énergétiques
Moins de congestion
réseau…

10
MetaPV
EU – FP7
Exemple 3
Comment intégrer plus de photovoltaïque dans le réseau de distribution?

Démonstration dans le monde réel
11
Exemple 3 (1/2)
4 communes du Limbourg: Lommel, Opglabbeek, Saint-Trond, Heusden-Zolder
Démonstration:
+ 85 installations résidentielles (BT)
+ 9 installation commerciales (MT)
Réseau de distribution quasi-saturé:
PV: 42 MW

Limite de tension sup.
Limite de tension inf.
Gestionnaire du Réseau de
Distribution
Internet ou SCADA
12
Résultats
Exemple 3 (2/2)
Onduleurs intelligents
Capacité d’accueil du réseau:
+ 50% de PV possible
Couts:
10x moins cher qu’un renforecement
classique

Leçons apprises
Systèmes
Efficients
Système mal
contrôlé
Les couts
restent élevés+ =
Politique de support actuelle
concentrée sur l’investissement
13
Conclusions (1/2)

Recommandation
Systèmes
Efficients
Contrôle
intelligent
Vers l’optimum…+ =
Changement de politique nécessaire:
Rémunérer la bonne exploitation et les performances réelles
14
Conclusions (2/2)

Contactez nous
15
Bruxelles
Louvain-la-Neuve
Gent
Toulouse
Paris
Beijing
Istanbul
Cape Town
London
www.3E.eu
T +32 2 217 58 68
info@3E.eu

Sortie de la cartographie smartgrids | Namur - 09 mai 2016

Recommandé

Recommandé

Contenu connexe

Tendances

Tendances (20)

Similaire à Sortie de la cartographie smartgrids | Namur - 09 mai 2016

Similaire à Sortie de la cartographie smartgrids | Namur - 09 mai 2016 (20)

Plus de Cluster TWEED

Plus de Cluster TWEED (20)

Sortie de la cartographie smartgrids | Namur - 09 mai 2016