Upload
others
View
2
Download
0
Embed Size (px)
Citation preview
Introduction Maison solaire Méthodes de gestion d’énergie Résultats Conclusion
Gestion d’énergie avec entrées incertaines :quel algorithme choisir ?
Benchmark open source sur une maison solaire
Pierre Haessig, Jesse James Prince Agbodjan,Romain Bourdais, Hervé Guéguen
CentraleSupélec – IETR
SGE, Nancy, 4 juillet 2018
http://pierreh.eu [email protected]
1 / 25
Introduction Maison solaire Méthodes de gestion d’énergie Résultats Conclusion
Plan de la présentation
1. Introduction
2. Maison solaireModèle et objectif d’optimisationDimensionnement de la maison solaire
3. Méthodes de gestion d’énergieRègle heuristique simpleOptimisation déterministe anticipativeCommande prédictive (MPC)
4. RésultatsSimulations temporellesAnalyse des résultats
5. ConclusionAccès au banc de test open sourceConclusion & Perspectives
2 / 25
Introduction Maison solaire Méthodes de gestion d’énergie Résultats Conclusion
Plan de la présentation
1. Introduction
2. Maison solaire
3. Méthodes de gestion d’énergie
4. Résultats
5. Conclusion
3 / 25
Introduction Maison solaire Méthodes de gestion d’énergie Résultats Conclusion
Enjeu : démocratiser les méthodes de gestion d’énergie
Pour la gestion optimale des systèmes énergétiques :
◦ il existe de nombreuses méthodes : optimisationdynamique, stochastique, prédictive...◦ avec chacune ses di�icultés potentielles :
◦ cadre théorique à apprendre (optimisation convexe...)◦ implémentation numérique non-triviale◦ temps de calcul long◦ ...sans garantie de résultats avant d’avoir essayé !
Le cumul de ces di�icultés (e.g. pour les méthodes a priori lesplus performantes) peut rebuter les novices.→ choix d’une méthode par défaut, basé sur des préjugés.
Notre proposition
Un banc de test open source pour faciliter la comparaisonobjective, multi-face�e, des méthodes de gestion d’énergie.
4 / 25
Introduction Maison solaire Méthodes de gestion d’énergie Résultats Conclusion
Enjeu : démocratiser les méthodes de gestion d’énergie
Pour la gestion optimale des systèmes énergétiques :
◦ il existe de nombreuses méthodes : optimisationdynamique, stochastique, prédictive...◦ avec chacune ses di�icultés potentielles :
◦ cadre théorique à apprendre (optimisation convexe...)◦ implémentation numérique non-triviale◦ temps de calcul long◦ ...sans garantie de résultats avant d’avoir essayé !
Le cumul de ces di�icultés (e.g. pour les méthodes a priori lesplus performantes) peut rebuter les novices.→ choix d’une méthode par défaut, basé sur des préjugés.
Notre proposition
Un banc de test open source pour faciliter la comparaisonobjective, multi-face�e, des méthodes de gestion d’énergie.
4 / 25
Introduction Maison solaire Méthodes de gestion d’énergie Résultats Conclusion
Enjeu : démocratiser les méthodes de gestion d’énergie
Pour la gestion optimale des systèmes énergétiques :
◦ il existe de nombreuses méthodes : optimisationdynamique, stochastique, prédictive...◦ avec chacune ses di�icultés potentielles :
◦ cadre théorique à apprendre (optimisation convexe...)◦ implémentation numérique non-triviale◦ temps de calcul long◦ ...sans garantie de résultats avant d’avoir essayé !
Le cumul de ces di�icultés (e.g. pour les méthodes a priori lesplus performantes) peut rebuter les novices.→ choix d’une méthode par défaut, basé sur des préjugés.
Notre proposition
Un banc de test open source pour faciliter la comparaisonobjective, multi-face�e, des méthodes de gestion d’énergie.
4 / 25
Introduction Maison solaire Méthodes de gestion d’énergie Résultats Conclusion
Plan de la présentation
1. Introduction
2. Maison solaireModèle et objectif d’optimisationDimensionnement de la maison solaire
3. Méthodes de gestion d’énergie
4. Résultats
5. Conclusion
5 / 25
Introduction Maison solaire Méthodes de gestion d’énergie Résultats Conclusion
Modèle de la maison solaire : flux d’énergie
“un exemple simple et représentatif de problème de gestiond’énergie avec incertitude”
Energy Storage
Home
Grid
Solar panels ◦ Alimentation :- Panneaux PV- Réseau◦ Charge non flexible
(mais délestable sinécessaire)
◦ Ba�erie pour laflexibilité
6 / 25
Introduction Maison solaire Méthodes de gestion d’énergie Résultats Conclusion
Objectif de pilotage de la maison solaire : critère
Objectif d’optimisation : minimiser la facture d’électricité :
Cgrid =n∑
k=1
cgrid(k)Pgrid(k)
Le prix dépend de l’heure du jour (heure pleine/heure creuse)avec un écart jour/nuit vraiment incitatif :
0 6 12 18 240.0
0.1
0.2
€/kW
h
heure creuse: 0 ≤ h < 6
→ intérêt de la ba�erie pour déplacer la consommation soit enheure creuse, soit en période de production solaire.
7 / 25
Introduction Maison solaire Méthodes de gestion d’énergie Résultats Conclusion
Objectif de pilotage de la maison solaire : les variables
Energy Storage
Home
Grid
Solar panels
Données d’entrées (incertaines) :
◦ Productible des panneaux PV :Psun
◦ Consommation de la maison :Pload
Variables de décision :
◦ Consommer sur le réseau :Pgrid > 0◦ Stocker dans la ba�erie :
Psto
◦ Écrêter la production solaire :Ppv = Psun − Pcurt ∈ [0, Psun]
8 / 25
Introduction Maison solaire Méthodes de gestion d’énergie Résultats Conclusion
Données d’entrées (solaire et charge)
Les données d’entrées incertaines (Psun, Pload ) proviennent d’unjeu de données réelles (opérateur Ausgrid, Sidney, Australie)
0 1 2 3 4 5 6 7time (days)
0
1
2
3
Powe
r (kW
)
loadsun (4 kWp)
Période de test : 30 jours consécutifs (30 oct. → 28 nov. 2011),pas de temps 30 min.
Moyennes statistiques sur la période :
◦ consommation : 17,0 kWh/jour◦ productible solaire : 15,6 kWh/jour (panneaux 4 kWc)
9 / 25
Introduction Maison solaire Méthodes de gestion d’énergie Résultats Conclusion
Dimensionnement : coût total sur cycle de vie
Dimensionnement par minimisation du coût global sur cyclede vie (investissement + fonctionnement) :
Ctot = cPPPVp + cEErated︸ ︷︷ ︸investissement
+Tlife × 〈cgrid .Pgrid〉︸ ︷︷ ︸fonctionnement
Résultat :
◦ Puissance des panneaux solaires PPVp : 4 kWc→ couvre 91% de la consommation◦ Capacité ba�erie Erated : 8 kWh≈ moitié de la consommation/production journalière.
et choix Pmaxgrid = 3 kW (= pratiquement illimité)
10 / 25
Introduction Maison solaire Méthodes de gestion d’énergie Résultats Conclusion
Dimensionnement de la maison solaire
Méthode de dimensionnement : simulation du système sur les30 j de test, sur la grille de paramètres (PPVp, Erated )
0 2 4 6Solar size PPVp (kWp)
0.0
2.5
5.0
7.5
10.0
12.5
15.0
17.5
20.0
Capa
city
E rat
ed (k
Wh)
3610
4 k 8 k
12 k
Grid energy
0
2
4
6
8
10
12
14
16
kWh/
day
0 2 4 6Solar size PPVp (kWp)
0.0
2.5
5.0
7.5
10.0
12.5
15.0
17.5
20.0
Capa
city
E rat
ed (k
Wh)
18
2022
22
24
24
Total cost on 20 years grid price 0.20 /kWh
18
20
22
24
26
28
30
32
34
k
Dimensionnement optimal pour cgrid entre 0,16 et 0,21 €/kWh,avec durée de vie Tlife = 20 ans.
11 / 25
Introduction Maison solaire Méthodes de gestion d’énergie Résultats Conclusion
Plan de la présentation
1. Introduction
2. Maison solaire
3. Méthodes de gestion d’énergieRègle heuristique simpleOptimisation déterministe anticipativeCommande prédictive (MPC)
4. Résultats
5. Conclusion
12 / 25
Introduction Maison solaire Méthodes de gestion d’énergie Résultats Conclusion
Formulation de la gestion heuristique simple
Définition : “charge ne�e” (“net load”)
Pnl = P∗load − Psun
Stratégie de gestion de l’énergie heuristique
Tant que possible, la ba�erie compense la charge ne�e :
Psto = −Pnl
(= absorbe le surplus solaire)
et sinon, Psto = 0 et :◦ si ba�erie pleine et Pnl < 0 : écrêtage de la production solaire
pour suivre la consommation◦ si ba�erie vide et Pnl > 0 : appel au réseau pour compenser la
charge ne�e13 / 25
Introduction Maison solaire Méthodes de gestion d’énergie Résultats Conclusion
Formulation de l’optimisation déterministe anticipative
Méthode “très a�rayante” : optimisation de la trajectoire desvariables de décision sur tout l’horizon du problème (30 jours) :
min{Pgrid (k),Psto(k),Pcurt(k)}k=1...n
Cgrid =n∑
k=1
cgrid(k)Pgrid(k)
Complexité : problème du type “programme linéaire”, doncsolution optimale obtenue très rapidement (< 1 s, malgré les30 × 48 = 1440 pas de temps).
La performance obtenue est “suroptimale”, car basée sur uneconnaissance parfaite des données incertaines, c.-à-d. enpratique un pilotage qui anticipe le futur. !
14 / 25
Introduction Maison solaire Méthodes de gestion d’énergie Résultats Conclusion
Formulation de l’optimisation déterministe anticipative
Méthode “très a�rayante” : optimisation de la trajectoire desvariables de décision sur tout l’horizon du problème (30 jours) :
min{Pgrid (k),Psto(k),Pcurt(k)}k=1...n
Cgrid =n∑
k=1
cgrid(k)Pgrid(k)
Complexité : problème du type “programme linéaire”, doncsolution optimale obtenue très rapidement (< 1 s, malgré les30 × 48 = 1440 pas de temps).
La performance obtenue est “suroptimale”, car basée sur uneconnaissance parfaite des données incertaines, c.-à-d. enpratique un pilotage qui anticipe le futur. !
14 / 25
Introduction Maison solaire Méthodes de gestion d’énergie Résultats Conclusion
Formulation de la commande prédictive (MPC)
Méthode : à chaque instant de décision k, calcul d’une trajectoireoptimale qui minimise le coût tronqué sur un horizon H :
J(k) =k+H∑i=k
cgrid(i)Pgrid(i)
◦ seul le premier instant de la trajectoire optimisée (Psto(k),Pgrid(k)...) est appliqué◦ à l’instant de décision suivant, la trajectoire est réoptimisée
sur la période k + 1 à k + 1 + H. (horizon glissant).
Propriété du MPC : la robustesse de la “boucle fermée”
L’horizon glissant permet d’utiliser à chaque pas de temps lesinformations les plus à jour sur les entrées incertaines.
15 / 25
Introduction Maison solaire Méthodes de gestion d’énergie Résultats Conclusion
MPC : méthode de prévision des entrées incertaines
Le MPC a besoin d’une prévision des entrées incertaines
Comparaison de la performance du MPC avec deux méthodes :◦ prévision anticipatrice : connaissance parfaite du futur sur
l’horizon H◦ prévision réaliste simple : moyenne à chaque heure du jour
(hod = 0, 0.5, ..., 23.5) sur des données d’apprentissage(30 jours précédents le test)0
1
2
3
Cons
umpt
ion
(kW
) each daymean
0 3 6 9 12 15 18 21hour of the day
0
1
2
3
PV p
rodu
ctio
n (k
W) each day
mean
16 / 25
Introduction Maison solaire Méthodes de gestion d’énergie Résultats Conclusion
Réglages du MPC : horizon de prédiction
E�et de l’horizon de prédiction H :
◦ si prév. parfaite, MPC avec H > 24 h équivalent à uneoptimisation globale sur toute la durée du scénario.◦ si prév. réaliste, augmenter l’horizon dégrade la
performance ! ! !
Choix : 24 h
17 / 25
Introduction Maison solaire Méthodes de gestion d’énergie Résultats Conclusion
Plan de la présentation
1. Introduction
2. Maison solaire
3. Méthodes de gestion d’énergie
4. RésultatsSimulations temporellesAnalyse des résultats
5. Conclusion
18 / 25
Introduction Maison solaire Méthodes de gestion d’énergie Résultats Conclusion
Comparaison qualitative : simulations temporellesméthode 1/3 : gestion heuristique simple
Appel au réseau : désynchronisés des heures creusesRecharge nocturne : anticipation parfaite du productiblesolaire de la journée qui suit.
2
1
0
1
Powe
r (kW
)
load sun grid curt
0 1 2 3 4 5time (days)
0
2
4
6
8
Ener
gy (k
Wh)
Esto
19 / 25
Introduction Maison solaire Méthodes de gestion d’énergie Résultats Conclusion
Comparaison qualitative : simulations temporellesméthode 2/3 : optimisation déterministe anticipative
Appel au réseau : prioritairement aux heures creuses.Recharge nocturne : anticipation parfaite du productiblesolaire de la journée qui suit.
2
0
2
Powe
r (kW
)
load sun grid curt
0 1 2 3 4 5time (days)
0
2
4
6
8
Ener
gy (k
Wh)
Esto
20 / 25
Introduction Maison solaire Méthodes de gestion d’énergie Résultats Conclusion
Comparaison qualitative : simulations temporellesméthode 3/3 : MPC avec prévision réaliste simple
Appel au réseau : prioritairement aux heures creuses.Recharge nocturne : SoE à 6h toujours identique, anticipationimparfaite le productible solaire de la journée qui suit.
2
0
2
Powe
r (kW
)
load sun grid curt
0 1 2 3 4 5time (days)
0
2
4
6
8
Ener
gy (k
Wh)
Esto
21 / 25
Introduction Maison solaire Méthodes de gestion d’énergie Résultats Conclusion
Analyse des résultats
Gestion empirique : facilement implémentable, consommationénergétique optimale, mais facture sous optimale (0.563 €/j)
Optimisation déterministe : la meilleure facture (0.354 €/j),mais non implémentable (anticipation parfaite du futur)
MPC avec prévision réaliste simple : assez facilementimplémentable. Facture décevante (0.543 €/j).La contre-performance du MPC est-elle le fruit :◦ de la mauvaise qualité de la prévision?◦ de l’absence de prise en compte intrinsèque du caractère
stochastique de l’optimisation?
�estion qui reste à résoudre
�elle est la meilleure performance non anticipative ?Proche de 0.543 (MPC) ou bien de 0.354 (anticipative ) ?
22 / 25
Introduction Maison solaire Méthodes de gestion d’énergie Résultats Conclusion
Analyse des résultats
Gestion empirique : facilement implémentable, consommationénergétique optimale, mais facture sous optimale (0.563 €/j)
Optimisation déterministe : la meilleure facture (0.354 €/j),mais non implémentable (anticipation parfaite du futur)
MPC avec prévision réaliste simple : assez facilementimplémentable. Facture décevante (0.543 €/j).La contre-performance du MPC est-elle le fruit :◦ de la mauvaise qualité de la prévision?◦ de l’absence de prise en compte intrinsèque du caractère
stochastique de l’optimisation?
�estion qui reste à résoudre
�elle est la meilleure performance non anticipative ?Proche de 0.543 (MPC) ou bien de 0.354 (anticipative ) ?
22 / 25
Introduction Maison solaire Méthodes de gestion d’énergie Résultats Conclusion
Analyse des résultats
Gestion empirique : facilement implémentable, consommationénergétique optimale, mais facture sous optimale (0.563 €/j)
Optimisation déterministe : la meilleure facture (0.354 €/j),mais non implémentable (anticipation parfaite du futur)
MPC avec prévision réaliste simple : assez facilementimplémentable. Facture décevante (0.543 €/j).La contre-performance du MPC est-elle le fruit :◦ de la mauvaise qualité de la prévision?◦ de l’absence de prise en compte intrinsèque du caractère
stochastique de l’optimisation?
�estion qui reste à résoudre
�elle est la meilleure performance non anticipative ?Proche de 0.543 (MPC) ou bien de 0.354 (anticipative ) ?
22 / 25
Introduction Maison solaire Méthodes de gestion d’énergie Résultats Conclusion
Plan de la présentation
1. Introduction
2. Maison solaire
3. Méthodes de gestion d’énergie
4. Résultats
5. ConclusionAccès au banc de test open sourceConclusion & Perspectives
23 / 25
Introduction Maison solaire Méthodes de gestion d’énergie Résultats Conclusion
Accès au banc de test open source : GitHub
Accès libre et gratuit dans un dépôt GitHub qui inclut :◦ l’extrait des données Ausgrid nécessaires (Psun, Pload )◦ l’implémentation des lois de gestion présentées ici
(en Python, Matlab ou Julia)
https://github.com/pierre-haessig/solarhome-control-bench24 / 25
Introduction Maison solaire Méthodes de gestion d’énergie Résultats Conclusion
Conclusion & Perspectives
◦ Un banc de simulation open source pour comparer desméthodes de gestion d’énergie◦ avec des premières méthodes de gestion d’énergie
relativement simples
◦ premier résultat notable : grand écart de performance entrestratégies anticipatives et stratégies réalistes
Perspectives :
◦ implémentation de nouvelles méthodes de gestion d’énergie(MPC stochastique, programmation dynamique...)◦ Étudier l’impact des lois de gestion sur le dimensionnement
(cf. SGE 2014)
25 / 25
Introduction Maison solaire Méthodes de gestion d’énergie Résultats Conclusion
Conclusion & Perspectives
◦ Un banc de simulation open source pour comparer desméthodes de gestion d’énergie◦ avec des premières méthodes de gestion d’énergie
relativement simples
◦ premier résultat notable : grand écart de performance entrestratégies anticipatives et stratégies réalistes
Perspectives :
◦ implémentation de nouvelles méthodes de gestion d’énergie(MPC stochastique, programmation dynamique...)◦ Étudier l’impact des lois de gestion sur le dimensionnement
(cf. SGE 2014)
25 / 25