Les énergies renouvelables (ER) représentent le futur de la production électrique dans le contexte climatique actuel. Il existe cependant encore de nombreux freins à leur développement. La balance production/consommation doit être maintenue en permanence sur un réseau électrique pour maintenir un réseau « stable » en tension et fréquence. Les ER sont, pour la plupart, des sources intermittentes et difficilement prévisibles. Stocker de l’énergie électrique est difficile et couteux, ce qui limite leur taux d’intégration dans le mix énergétique mondial. Cette problématique est exacerbée dans un milieu insulaire tel que la Guadeloupe. Afin de répondre à cette problématique, des smart-grid et micro-réseaux sont utilisés afin que les producteurs ne soient plus seulement des producteurs d’énergie, mais des acteurs de la stabilité du réseau grâce à des services : Engagement de production, délestage, réserve primaire/secondaire...
Le travail proposé dans ce manuscrit s’inscrit dans cet axe : l’objectif est d’étudier une centrale de production éolienne couplée à un système de stockage énergétique, dans le cadre d’un engagement de production à J-1 sur un réseau insulaire. Le producteur doit s’engager, la veille pour le lendemain (J-1), sur le profil de puissance que fournira la centrale au cours de la journée en fonction de ses prévisions de production. Ce type de contrat prévoit un tarif avantageux si le producteur respecte son engagement, et le non-paiement de l’énergie fournie en cas de défaut d’engagement. C’est-à-dire quand la puissance produite n’est pas comprise dans une bande de tolérance autour de l’engagement pris la veille. Afin de respecter au mieux son engagement, malgré les erreurs de prévisions éventuelles, le producteur dispose de système de stockage d’énergie (SSE). L’étude proposée s’axe autour de deux problématiques principales :
- La gestion du SSE au cours de la journée afin de maximiser les gains du producteur
- La prise d’engagement effectuée à J-1
L’objectif étant d’obtenir des résultats robustes sur des horizons temporels grand (annuels). Pour la gestion du SSE, des méthodes de gestion heuristiques (à base de règles) et optimales basées sur la programmation linéaire avec variables binaires (Mixed Integar Linear Programming : MILP) ont été utilisées. Elles ont permis de montrer que la méthode MILP donnait des résultats concluant même lorsque ceux-ci était transposé sur des modèles non linéaires plus complexes. L’analyse du comportement de la MILP a aussi permis d’améliorer les méthodes de gestion heuristique jusqu’à présent étudiées. Pour la prise d’engagement, une nouvelle modélisation utilisant la MILP a aussi été employée et comparée à un algorithme évolutif. Les algorithmes utilisés optimisent l’engagement en parallèle de la gestion des SSE, pour de multiples scénarios. L’analyse de l’erreur de prévision a permis de développer un générateur de production aléatoire, nécessaire pour pouvoir réaliser l’optimisation et l’évaluation des solutions obtenues. Les résultats obtenus ont pu être testé sur des centaines de scénarios différents, afin d’éprouver leur robustesse. La MILP s’est montrée la plus performante, mais la différence obtenue avec des méthodes basées sur le bon sens étaient relativement faible. Cette étude a surtout mis en avant la faible sensibilité de la prise d’engagement sur les résultats dans les différents cahiers des charges pris en compte. L’utilisation des méthodes de gestion développées au préalable pour cette étude a tout de même permis de montrer que les méthodes développées (MILP et heuristique améliorées) étaient robustes aux variations d’engagement pour des centaines de scénarios différents pour une année entière.
La modélisation MILP s’est montrée performante et prometteuse afin d’aider à l’intégration des ER sur le réseau électrique du futur. Cette intégration est en bonne voie malgré les nombreuses problématiques qu’il reste à résoudre : dimensionnement, vieillissement, etc. |
Renewable energies (RE) represent the future of electricity production in the current climate context. However, there are still many obstacles to their development. The production / consumption balance must be permanently maintained on an electrical network to maintain a “stable” network in voltage and frequency. REs are, for the most part, intermittent and difficult to predict sources. Storing electrical energy is difficult and expensive, which limits their rate of integration into the global energy mix. This problem is exacerbated in an island environment such as Guadeloupe. In order to respond to this problem, smart grids and micro-networks are used so that producers are no longer just “energy producers”, but “players” in the stability of the network thanks to services: production commitment, load shedding, primary / secondary reserve ...
The work proposed in this manuscript is part of this axis: the objective is to study a wind power plant coupled with an energy storage system, as part of a day ahead production commitment on an island network. The producer must commit, the day before for the next day (D-1), to the power profile that the plant will provide during the day based on its production forecasts. This type of contract provides an advantageous price if the producer respects his commitment, and the non-payment of the energy supplied in the event of default of commitment: when the power produced is not within a tolerance band around the commitment made the day before. In order to best meet its commitment, despite possible forecast errors, the producer has an energy storage system (ESS). The proposed study focuses on two main issues:
- Management of the ESS during the day in order to maximize the producer's earnings
- The commitment made on D-1
The objective is to obtain robust results over large (annual) time horizons. For the management of the ESS, heuristic (rule-based) and optimal management methods based on Mixed Integer Linear Programming were used. They made it possible to show that the MILP method gave conclusive results even when these were transposed on more complex nonlinear models. Analysis of the behaviour of the MILP has also made it possible to improve the heuristic management methods studied so far. For the day ahead commitment, a new modelling using the MILP was also used and compared to an evolutionary algorithm. The developed algorithms optimize the commitment in parallel of ESS management, for multiple scenarios. The analysis of the forecast error made it possible to develop a generator of random production, necessary to be able to carry out the optimization and the evaluation of the solutions obtained. The results obtained could be tested on hundreds of different scenarios, in order to test their robustness. MILP was the best performer, but the difference with common sense methods was relatively small. This study especially highlighted the low sensitivity of the commitment to results in the different specifications taken into account. The use of the management methods developed beforehand for this study still made it possible to show that the methods developed (MILP and improved heuristics) were robust to variations in engagement for hundreds of different scenarios for an entire year. |