Nouveau Modèle Optimise les Réseaux avec Véhicules Électriques et Énergies Renouvelables
La révolution de la mobilité électrique est en marche, et les véhicules électriques (VE), conjugués à l’essor des énergies renouvelables comme le solaire et l’éolien, sont au cœur de cette transformation énergétique. Alors que les bénéfices environnementaux de ces technologies sont indéniables, leur intégration à grande échelle dans les réseaux électriques existants soulève des défis techniques complexes. La nature intermittente de la production solaire et éolienne, combinée à la demande de puissance concentrée et variable des stations de recharge pour véhicules électriques, peut provoquer des fluctuations de tension, accroître les pertes d’énergie et, en dernier ressort, compromettre la stabilité du système. Un approvisionnement électrique fiable et stable est la pierre angulaire du succès de toute transition énergétique, et la résolution de ces problèmes techniques est cruciale.
Dans une étude pionnière publiée dans les Proceedings of the CSU-EPSA, des chercheurs ont présenté un nouveau modèle d’optimisation de la puissance réactive multi-objectif pour les réseaux de distribution actifs (ADN) avec une forte pénétration d’énergies renouvelables et de stations de recharge pour véhicules électriques. L’équipe, menée par Jiang Zhijun, Yuan Xuan, Qiu Wenhao, Huang Licai de l’École d’ingénierie de l’information de l’Université de Nanchang et He Wei de l’Institut de recherche électrique de State Grid Jiangxi Electric Power Co., Ltd., a développé une solution complète qui s’attaque aux interactions complexes entre les sources d’énergie modernes et la gestion du réseau.
Le cœur de cette étude réside dans la reconnaissance du fait que les stratégies traditionnelles de gestion des réseaux ne sont plus suffisantes. Les recherches antérieures se sont souvent concentrées de manière isolée sur l’optimisation du côté de la production d’énergie, par exemple en exploitant la capacité des onduleurs dans les parcs éoliens et solaires pour le contrôle de la puissance réactive, ou sur le côté de la charge. Les auteurs soutiennent toutefois qu’une approche holistique est nécessaire. L’injection simultanée de génération variable et de charges hautement dynamiques et concentrées provenant des stations de recharge de véhicules électriques représente un défi double qui peut déséquilibrer le système s’il n’est pas géré de manière synergique. L’étude souligne que de nombreux modèles existants ont sous-estimé l’impact significatif des stations de recharge de véhicules électriques sur le côté de la charge et n’ont pas accordé suffisamment d’attention aux problèmes de stabilité résultant de la source et du côté du consommateur.
Pour relever ce défi, l’équipe a développé un modèle d’optimisation sophistiqué et multi-objectif avec trois objectifs principaux : minimiser le coût opérationnel du système, minimiser l’écart de tension sur l’ensemble du réseau et maximiser la stabilité du système. Le premier objectif, le coût opérationnel, est principalement motivé par la minimisation des pertes de puissance active dans les lignes de transmission du réseau, ce qui représente une dépense significative pour les entreprises d’électricité. Le deuxième objectif, l’écart de tension, vise à maintenir la tension à chaque nœud du réseau de distribution aussi proche que possible de sa valeur nominale (par exemple, 12,66 kV), prévenant ainsi les dommages aux équipements et garantissant la qualité de l’alimentation électrique. Le troisième et le plus innovant des objectifs est l’optimisation de la stabilité du système, pour laquelle les chercheurs ont proposé un nouvel indice de stabilité de tension statique.
L’indice de stabilité proposé est une contribution fondamentale de ce travail. Les méthodes traditionnelles d’évaluation de la stabilité de tension peuvent être complexes et gourmandes en ressources informatiques. Les auteurs ont développé un nouvel indicateur basé sur l’analyse de la courbe PV (Puissance-Tension), un concept fondamental dans l’analyse des systèmes électriques qui montre la relation entre la puissance extraite d’un réseau et la tension résultante. Lorsqu’un système s’approche de sa limite de stabilité, ou « point de rupture », la courbe PV prend une forme caractéristique en « nez ». La distance entre les branches supérieure et inférieure de cette courbe devient très petite pour un niveau de puissance donné. Le nouvel indice des chercheurs quantifie cette proximité, fournissant un indicateur clair et à valeur unique de la proximité de n’importe quelle branche du réseau avec l’effondrement de la tension. En minimisant la valeur maximale de cet indice sur toutes les branches du réseau, le modèle garantit que l’ensemble du système fonctionne avec une marge de stabilité robuste, même dans les conditions les plus stressantes de forte production renouvelable et de pointe de recharge des véhicules électriques.
La complexité de ce modèle multi-objectif est immense. Elle implique un grand nombre de variables de décision, y compris des variables continues comme la sortie de puissance réactive des éoliennes, des onduleurs photovoltaïques (PV), des compensateurs statiques de VAR (SVC) et des stations de recharge de véhicules électriques, ainsi que des variables discrètes comme le nombre de batteries de condensateurs (CB) qui sont mises en service ou hors service à des nœuds spécifiques. Résoudre un problème d’optimisation mixte, non convexe et non linéaire de ce type est notoirement difficile pour les algorithmes conventionnels, qui peuvent rester bloqués dans des solutions sous-optimales ou nécessiter des temps de calcul prohibitivement longs.
Pour surmonter cet obstacle computationnel, l’équipe de recherche a introduit un algorithme d’optimisation hybride avec un mécanisme de rétroaction croisée unique. Cet algorithme combine deux puissantes techniques métaheuristiques : un algorithme d’optimisation amélioré de la flamme de la mite (MFO) pour les variables continues et un algorithme génétique (AG) pour les variables discrètes. L’algorithme MFO, inspiré du comportement de navigation des mites nocturnes, est connu pour sa capacité à explorer un espace de solutions. Il peut toutefois subir une perte de diversité dans ses dernières étapes, conduisant à une convergence prématurée vers un optimum local. Les auteurs ont amélioré de manière significative l’algorithme MFO en incorporant deux améliorations clés.
Premièrement, ils ont utilisé une cartographie chaotique Tent pour la génération de la population initiale. La théorie du chaos fournit un moyen de générer des séquences qui sont déterministes mais semblent aléatoires et sont très sensibles aux conditions initiales. Cela garantit que la population initiale de solutions potentielles est beaucoup plus diversifiée et répartie uniformément sur tout l’espace des solutions, donnant à l’algorithme une meilleure chance de trouver l’optimum global dès le départ. Deuxièmement, ils ont introduit un opérateur de mutation adaptatif basé sur le « degré d’agrégation » de la population. Cette métrique mesure à quel point la population actuelle de solutions est regroupée. Si la population devient trop concentrée (indiquant un risque de blocage), l’opérateur de mutation injecte plus d’aléatoire et de diversité dans le processus de recherche, aidant efficacement l’algorithme à s’échapper des optima locaux et à poursuivre son exploration.
Le mécanisme de rétroaction croisée de l’algorithme hybride est son grand atout. Au lieu d’optimiser toutes les variables simultanément, il les sépare. L’AG travaille sur les décisions discrètes de commutation des batteries de condensateurs, tandis que le MFO amélioré (appelé TAMMFO) travaille sur les sorties de puissance réactive continues. Crucialement, les algorithmes ne fonctionnent pas de manière isolée. Après un cycle d’optimisation par un algorithme, ses meilleurs résultats sont transmis comme paramètres fixes pour que l’autre algorithme les utilise dans son prochain cycle d’optimisation. Par exemple, l’AG pourrait trouver une configuration prometteuse pour les batteries de condensateurs ; cette configuration est maintenue constante pendant que l’algorithme TAMMFO recherche la configuration optimale de la puissance réactive pour les onduleurs et les SVC. Le résultat de cette recherche est ensuite utilisé pour informer la prochaine itération de l’AG, et ainsi de suite. Ce processus itératif, guidé par la rétroaction, permet aux deux algorithmes de s’orienter mutuellement vers une solution supérieure, tirant parti des points forts de chaque méthode tout en atténuant leurs faiblesses. Cette approche est bien plus efficace que de tenter de résoudre l’ensemble du problème complexe avec un seul algorithme.
Pour valider leur modèle et leur algorithme, les chercheurs ont mené une étude de cas détaillée en utilisant un système de distribution IEEE à 33 nœuds modifié, une référence standard dans la recherche sur les systèmes électriques. Le scénario de simulation comprenait des éoliennes, une centrale photovoltaïque et deux stations de recharge de véhicules électriques connectées à des points stratégiques du réseau. Les chercheurs ont utilisé des données de prévision réalistes pour la production éolienne et solaire, et une simulation de Monte Carlo sophistiquée pour modéliser le comportement stochastique de 400 véhicules électriques (un mélange de véhicules privés, officiels et de taxis) en fonction de leurs modèles de déplacement et de recharge.
Les résultats de la simulation ont été convaincants et ont démontré la supériorité de l’approche proposée. Les chercheurs ont comparé deux cas : le cas 1, qui utilisait leur algorithme hybride complet (TAMMFO + AG), et le cas 2, qui utilisait un algorithme MFO standard combiné à un AG. Les résultats ont montré que le modèle a réussi à atteindre ses trois objectifs. Après optimisation, le coût opérationnel du système, principalement motivé par les pertes de puissance, a été réduit de plus de 44 % par rapport au scénario non optimisé. Le cas 1 a surpassé le cas 2, obtenant une réduction supplémentaire de 2,41 % des coûts, démontrant ainsi l’efficacité de l’algorithme TAMMFO amélioré.
L’impact sur la qualité de la tension a été tout aussi impressionnant. L’écart total de tension sur le réseau a été réduit de plus de 49 %. Le cas 1 a de nouveau montré un avantage clair, réduisant l’écart de 3,74 % supplémentaire par rapport au cas 2. Cela se traduit par une alimentation en énergie plus stable et de meilleure qualité pour tous les clients connectés au réseau. Peut-être le plus critique a été l’amélioration du nouvel indice de stabilité de tension (VSI). La valeur maximale du VSI a été significativement réduite, indiquant une marge de sécurité beaucoup plus grande contre l’effondrement de la tension. Le cas 1 a obtenu un système plus stable que le cas 2, avec une réduction supplémentaire de la valeur maximale du VSI.
Un grand avantage pratique de la stratégie proposée a été sa capacité à gérer l’usure des équipements. Le modèle inclut explicitement une contrainte sur le nombre maximal de fois où les batteries de condensateurs peuvent être mises en service ou hors service en une journée, car la commutation fréquente réduit la durée de vie de l’équipement et génère des coûts de maintenance. Dans le cas 2, les batteries de condensateurs sur deux nœuds clés ont été commutées 10 fois chacune, dépassant la limite journalière autorisée de 6. C’est un défaut opérationnel significatif. En contraste marqué, la solution optimisée du cas 1 a maintenu la commutation dans la limite, une batterie étant commutée 6 fois et l’autre seulement 4 fois. Cela prolonge non seulement la durée de vie de l’équipement, mais réduit également les coûts opérationnels pour la compagnie d’électricité.
Enfin, l’efficacité computationnelle de l’algorithme hybride a été une caractéristique remarquable. Le cas 1, malgré ses résultats supérieurs, a terminé son optimisation en 6 115 secondes, soit 38,06 % plus vite que les 9 873 secondes du cas 2. Cette vitesse est cruciale pour une application pratique, car les opérateurs de réseau doivent exécuter ces optimisations quotidiennement ou même horairement pour répondre aux conditions changeantes. Un algorithme plus rapide rend cela pratique.
En conclusion, la recherche de Jiang Zhijun, Yuan Xuan, Qiu Wenhao, Huang Licai et He Wei représente un progrès significatif dans le domaine de la gestion des réseaux intelligents. Leur modèle intégré, qui prend en compte simultanément les effets dynamiques des énergies renouvelables et des véhicules électriques, fournit un cadre plus réaliste et efficace pour les réseaux électriques modernes. Le nouvel indice de stabilité offre un outil puissant pour que les opérateurs de réseau gèrent proactivement les risques. Plus important encore, leur innovant algorithme d’optimisation hybride avec rétroaction croisée démontre une manière pratique et efficace de résoudre l’un des problèmes les plus complexes de l’ingénierie énergétique. Alors que le monde continue d’électrifier le transport et de décarboniser son approvisionnement énergétique, ce type d’approche sophistiquée, basée sur les données et holistique sera essentiel pour créer un réseau qui ne soit pas seulement vert, mais aussi robuste, fiable et économique. Ce travail fournit un guide précieux pour les compagnies d’électricité et les chercheurs du monde entier alors qu’ils affrontent les défis et les opportunités de la transition énergétique.
Jiang Zhijun, Yuan Xuan, Qiu Wenhao, Huang Licai, He Wei, École d’ingénierie de l’information, Université de Nanchang; Institut de recherche électrique, State Grid Jiangxi Electric Power Co., Ltd. Modèle d’optimisation de la puissance réactive pour les réseaux de distribution actifs avec énergies renouvelables et stations de recharge pour véhicules électriques. Proceedings of the CSU-EPSA. DOI: 10.19635/j.cnki.csu-epsa.001297