Synergie véhicules électriques-éolien optimise le réseau
Une avancée majeure dans l’intégration des énergies durables a été réalisée par des chercheurs qui ont développé un nouveau modèle de dispatch économique sobre en carbone à deux étapes et robuste distributionnellement. Cette approche innovante améliore considérablement l’utilisation de l’énergie éolienne tout en réduisant les émissions de carbone, représentant une étape cruciale vers la neutralité carbone dans le secteur énergétique.
La recherche répond au défi croissant de l’intégration des sources d’énergie renouvelable au réseau électrique, particulièrement l’énergie éolienne, caractérisée par sa variabilité et son incertitude intrinsèques. Alors que les nations s’efforcent d’atteindre leurs objectifs climatiques, la capacité à gérer efficacement les énergies renouvelables est devenue primordiale. Le modèle propose un cadre complet qui tient compte de l’imprévisibilité de l’énergie éolienne tout en exploitant le potentiel des véhicules électriques comme unités de stockage d’énergie mobiles.
Au cœur de ce modèle se trouve l’intégration de mécanismes d’échange de carbone et l’utilisation des véhicules électriques pour équilibrer le réseau. En incorporant les coûts de trading carbone, le modèle encourage l’utilisation de sources d’énergie plus propres, réduisant ainsi les émissions globales de carbone. L’inclusion des véhicules électriques offre une solution flexible pour stocker l’excédent d’énergie éolienne pendant les périodes de production élevée et le restituer lors des pics de demande, lissant ainsi la courbe d’offre et de demande.
La méthode d’optimisation robuste distributionnelle à deux étapes est conçue pour gérer l’incertitude associée à la production éolienne. Contrairement aux techniques d’optimisation stochastique ou robuste traditionnelles, cette approche utilise des données historiques de production éolienne pour construire un ensemble flou caractérisant la nature incertaine de l’énergie éolienne. Cette méthode réduit le conservatisme du processus décisionnel, conduisant à des solutions plus économiquement viables sans compromettre la fiabilité.
La première étape du modèle se concentre sur la planification de la production des unités thermiques, de la capacité de réserve et de l’énergie éolienne, tout en considérant le coût du trading carbone. L’objectif est de minimiser le coût total, qui inclut le coût de production planifié des unités thermiques, le coût de réserve, le coût de pénalité pour limitation de la production éolienne et le coût du trading carbone. Les contraintes telles que l’équilibre de puissance, les limites de production des unités thermiques et la capacité de réserve tournante sont soigneusement considérées pour assurer la stabilité du réseau.
Dans la deuxième étape, le modèle ajuste la production des unités thermiques sur la base des données de production éolienne en temps réel. Cette étape vise à minimiser le coût d’ajustement des unités thermiques, le coût de pénalité pour limitation de la production éolienne et le coût supplémentaire de trading carbone engendré par les écarts par rapport à la production planifiée. La contrainte d’équilibre de puissance est mise à jour pour refléter la production éolienne réelle, et l’ajustement de production des unités thermiques est contraint par la capacité de réserve disponible.
L’une des innovations clés de ce modèle est l’utilisation de règles de décision linéaires et des principes de dualité pour transformer le modèle robuste distributionnel en un modèle de programmation quadratique. Cette transformation permet un calcul efficace utilisant des solveurs d’optimisation standards comme CPLEX, rendant le modèle praticable pour des applications réelles. La formulation de programmation quadratique assure que la solution est à la fois computationnellement traitable et robuste face aux incertitudes de la production éolienne.
L’efficacité du modèle proposé a été démontrée à travers une étude de cas impliquant un réseau électrique régional avec deux parcs éoliens et six unités thermiques. Les résultats de simulation ont montré une amélioration significative de l’utilisation de l’énergie éolienne, avec une augmentation de 11,35%, et une réduction des émissions de carbone de 1 579 tonnes. Ces résultats soulignent la capacité du modèle à améliorer la performance économique et environnementale du système électrique.
Pour valider davantage le modèle, les chercheurs l’ont comparé à d’autres méthodes d’optimisation, incluant des approches déterministes et d’optimisation robuste. Le modèle déterministe, bien que plus simple, n’a pas tenu compte de la variabilité de l’énergie éolienne, conduisant à des solutions sous-optimales. Le modèle d’optimisation robuste, quant à lui, s’est avéré trop conservateur, résultant en des coûts opérationnels plus élevés et une augmentation de la limitation de la production éolienne. En contraste, le modèle robuste distributionnel a trouvé un équilibre entre efficacité économique et robustesse, fournissant une solution plus pratique et efficace.
L’impact des données historiques sur la performance du modèle a également été analysé. À mesure que la quantité de données historiques augmentait, le coût total, le taux de limitation de la production éolienne et les émissions de carbone diminuaient tous. Ceci indique que le modèle devient plus précis et moins conservateur avec plus de données, le rendant bien adapté pour la planification à long terme et l’opération en temps réel.
L’intégration des véhicules électriques au réseau électrique est une composante critique du modèle. Les véhicules électriques ne sont pas seulement des consommateurs passifs d’électricité mais des participants actifs au marché de l’énergie. En permettant aux véhicules électriques de se charger pendant les périodes de faible demande et de se décharger pendant les heures de pointe, le modèle les utilise efficacement comme une forme de stockage d’énergie distribué. Ceci aide non seulement à stabiliser le réseau mais réduit également le besoin de centrales électriques de pointe coûteuses.
Les chercheurs ont également exploré l’impact de différents scénarios sur la performance du modèle. Par exemple, ils ont examiné les effets de la variation du nombre de véhicules électriques et de la taille de la capacité de batterie. Les résultats ont montré qu’une flotte plus importante de véhicules électriques avec des capacités de batterie plus élevées pourrait encore améliorer la capacité du système à absorber l’énergie éolienne et à réduire les émissions de carbone. Cette conclusion souligne l’importance de promouvoir l’adoption des véhicules électriques dans le cadre d’une stratégie plus large de gestion durable de l’énergie.
Un autre aspect de l’étude concernait l’allocation des quotas d’émission de carbone. Le modèle utilise une méthode de référence pour déterminer l’allocation gratuite des quotas d’émission de carbone, qui sont calculés sur la base de la demande totale de charge sur la période d’optimisation. Les émissions réelles de carbone sont ensuite comparées à ces quotas, et tout excès d’émissions est soumis au trading carbone. Ce mécanisme assure que le système reste dans son budget carbone tout en fournissant des incitations financières pour réduire les émissions.
Le modèle prend également en compte les contraintes techniques du système électrique, telles que les taux de variation des unités thermiques et les limites de charge et décharge des véhicules électriques. Ces contraintes sont essentielles pour maintenir la stabilité et la fiabilité du réseau. Les chercheurs se sont assurés que le modèle respecte ces limites, évitant ainsi tout problème opérationnel qui pourrait survenir d’une surcharge ou d’une sous-utilisation des composants du système.
Les implications pratiques de cette recherche sont vastes. Pour les opérateurs de systèmes électriques, le modèle fournit un outil puissant pour optimiser le dispatch des sources d’énergie renouvelable et gérer l’intégration des véhicules électriques. Pour les décideurs politiques, il offre des perspectives sur la conception des systèmes d’échange de carbone et la promotion de l’adoption des véhicules électriques. Pour le grand public, il met en lumière le potentiel des technologies de réseau intelligent à contribuer à un avenir énergétique plus durable et résilient.
Le succès de ce modèle a également des implications plus larges pour la transition énergétique mondiale. Alors que les pays du monde entier cherchent à réduire leur dépendance aux combustibles fossiles et à augmenter la part des énergies renouvelables dans leur mix énergétique, la capacité à gérer efficacement la variabilité et l’incertitude de ces sources sera cruciale. Le modèle de dispatch économique sobre en carbone robuste distributionnel à deux étapes développé par l’équipe fournit un cadre précieux pour relever ces défis.
De plus, l’accent mis par le modèle sur la relation synergique entre les véhicules électriques et l’énergie éolienne s’aligne sur la tendance croissante de la technologie vehicle-to-grid (V2G). La V2G permet aux véhicules électriques de restituer de l’électricité au réseau, les transformant effectivement en unités de stockage d’énergie mobiles. Cette technologie a le potentiel de révolutionner notre façon de penser le stockage et la distribution d’énergie, rendant le réseau plus flexible et réactif aux conditions changeantes.
La recherche souligne également l’importance des approches basées sur les données dans la gestion moderne des systèmes électriques. En exploitant les données historiques pour informer le processus d’optimisation, le modèle peut s’adapter aux conditions changeantes et améliorer sa performance au fil du temps. Cette approche data-driven est particulièrement pertinente dans le contexte de la disponibilité croissante des compteurs intelligents et autres dispositifs IoT, qui fournissent une richesse d’informations sur les modèles de consommation d’énergie.
L’intégration du trading carbone et des véhicules électriques au système électrique a également des implications économiques significatives. Le trading carbone crée un mécanisme basé sur le marché pour réduire les émissions, fournissant des incitations financières aux entreprises pour adopter des technologies plus propres. L’utilisation des véhicules électriques comme unités de stockage d’énergie peut aider à réduire le coût global de l’électricité en lissant la courbe d’offre et de demande et en réduisant le besoin de centrales électriques de pointe coûteuses. Ceci peut conduire à des prix de l’électricité plus bas pour les consommateurs et à un approvisionnement en énergie plus stable et fiable.
Le travail des chercheurs a également des implications politiques importantes. Les gouvernements et les organismes de régulation peuvent utiliser les insights de cette étude pour concevoir des politiques plus efficaces pour promouvoir les énergies renouvelables et réduire les émissions de carbone. Par exemple, ils peuvent mettre en œuvre des mécanismes de tarification du carbone qui reflètent le coût réel des émissions et fournissent des incitations à l’adoption de technologies propres. Ils peuvent également investir dans des infrastructures pour soutenir le déploiement à grande échelle des véhicules électriques et de la technologie V2G.
En conclusion, le modèle de dispatch économique sobre en carbone robuste distributionnel à deux étapes représente une avancée significative dans le domaine de la gestion durable de l’énergie. En intégrant le trading carbone et les véhicules électriques au système électrique, le modèle fournit un cadre complet pour optimiser le dispatch des sources d’énergie renouvelable et réduire les émissions de carbone. La mise en œuvre réussie de ce modèle a le potentiel de transformer la façon dont nous gérons nos systèmes énergétiques, contribuant à un avenir énergétique plus durable et résilient.
Tangqian Zhang, Yu He, Muning Jiang, Tingxiang Qin, Zhaoqiang Zhu, Zeshuang Chen, Université du Guizhou, Power China Guizhou Engineering Co., Ltd., Electronic Science and Technology, 10.16180/j.cnki.issn1007-7820.2024.10.006