Diaporama gestion des réseaux de distribution en présence de génération d’énergie dispersée

1M.BOUBAKRI (réseaux électriques)

Gestion des réseaux de distribution en présence de Génération d’Énergie Dispersée


Développement nouvelles technologies de petites productions et moyens de

stockage

Saturation des réseaux de transport

Ouverture à la concurrence du marché

de l’énergie

Contraintes écologiques

Multiplication attendue des générateurs au sein des réseaux de distribution qui ne sont pas prévus pour

d’où impacts plus ou moins critiques

Remise en question possible des systèmes électriques de distribution

notamment français

Contexte

Directives Européennes

Accords de Kyoto


Contexte

© Copyright EDF


Objectifs généraux

Problématique du raccordement : Tendance à l’insertion de moins en moins marginale des producteurs, Études existantes concernant les impacts HTA/HTA et BT/BT, Contraintes de raccordement importantes et limitatives.

Objectifs : Etudier la transmission des impacts de la BT vers la HTA, Trouver des solutions innovantes pour la gestion des réseaux de distribution

en présence de Génération d’Energie Dispersée (GED), Augmenter la capacité d’accueil.

Découpage : Études d’impacts, Remèdes aux impacts les plus critiques, Validation avec un banc à échelle réduite (ARENE temps réel).


Plan de la présentation

I – Contexte et objectifs généraux

II – Études d’impacts

III – Coordination des moyens de réglage

IV – Validation

V – Conclusions et perspectives






IV – Validation



Méthodologie d’étude d’impact

IdéeQuantifier et évaluer la criticité d’un impact en fonction des valeurs usuelles des paramètres du réseau DémarcheLa plus générale possible BonusTrouver des solutions pour la gestion du réseau de distribution en présence de GED ApprocheType paramétrique


Choix de l’impact étudié

Choix des réseaux

Outil informatique

Outil analytique

Choix d’un indiceChoix des

paramètres

Simulation et exploitation

Quantification de l’impact

Méthodologie proposée


Impacts envisagésSéparation en plusieurs grandes catégories : Grandeurs électriques :

Plan de tension, Courants de court-circuit, Déséquilibres, Stabilité, Qualité de l’énergie (Harmoniques, Flicker, Creux de tension, …).

Conception, planification et exploitation : Plan de protection, TCFM (Télécommande centralisée à fréquence musicale), Gestion entre autres.

Matériels de réseau : Vieillissement des matériels accéléré entre autres.

Il faut donc trouver lesquels sont prioritaires


Impacts étudiés au cours de l’étudeÉtudes quantitatives sur : Le plan de tension

Respect des limites réglementaires

Les courants de court-circuit en régime permanent Conformes au dimensionnement et aux réglages des

matériels

Le plan de protection Bon fonctionnement assuré : pas d’aveuglement ni de

déclenchement intempestifs

La stabilité petits signaux : pas de modes instables grands signaux : valeurs de TEC acceptables

Les déséquilibres en tension inverse Respect des valeurs réglementaires


Choix de l’impact étudié

Choix des réseaux

Outil informatique

Outil analytique


paramètres



Méthodologie proposéeet illustration sur le plan de tension


Choix des réseauxMise en place des réseaux Réseau de référence de type urbain Réseau de référence de type rural Réseau Basse Tension générique Réseau école pour études analytiques

urbain

rural

5typeBTHTA /

1N 2N 3N

4N 5N

7type

7type 7type

m33 m392

m158 m30955 , NN QP

33 , NN QPBTBT QP ,

BT générique

ccX 22,XR11,XR1N 2N 3N

sourceU 11,QP gg QP , 22,QP

HTA école


Choix de l ’impact étudié

Choix des réseaux

Outil informatique

Outil analytique

Choix d’un indice Choix des

paramètres



Méthodologie proposée et outils associés


Outil analytique

L

Ue UsI

Pe,QeR

Ue

UsI

IR. IXj ..

U

U

e

ee

UXQRPU

P1,Q1

R1,X1

P2,Q2

R2,X2

P3,Q3

R3,X3

Pj,Qj

Rj,Xj

Pn,Qn

Rn,Xn

Usource

N1 N2 N3 Nj Nn

Chute de tension pour une impédance RL :

Si on considère que l’hypothèse de Kapp est valide, la chute de tension entre Ue et Us est :

Généralisation pour un réseau radial :

source

k

n

k

jk

llk

n

k

jk

ll

j U

QXPRNU

1 11 1)(



Choix des réseaux

Outil informatique

Outil analytique


paramètres



Méthodologie proposée et indice de quantification


Indice d’impact et paramètres

)()()(

)(_

__

jproducteursans

jproducteursansjproducteuravecjrelatif NU

NUNUN

Afin de quantifier l’impact de la génération d’énergie dispersée et des paramètres du réseau, on a défini l’écart relatif :

L’écart relatif traduit donc la modification de la tension due à un transit de puissance donné.Les paramètres sont : dépendants des impédances R et X du réseau :

Position du producteur, Puissance de court-circuit du réseau amont, Types de lignes et câbles entre autres.

dépendants des puissances P et Q : Puissance de la GED connectée en BT, Puissance des charges connectées au réseau, Insertion massive de GED sur des réseaux BT différents.



Choix des réseaux

Outil informatique

Outil analytique

Choix d’un indice Choix des

paramètres



Méthodologie proposée et simulation


Exemple de résultats : influence de la position du producteur sur le plan de tension

Evolution du plan de tension en fonction de la position duproducteur

0

0.05%

0.1%

0.15%

0.2%

0.25%

0.3%

0 2000 4000 6000 8000 10000 12000

Longueur (m)

Ecar

t rel

atif

(%) 0kW

250kW N1

250kW N29

250kW N55N1

N29

N55

Evolution du plan de tension en fonction de la position duproducteur

0

0.05%

0.1%

0.15%

0.2%

0.25%

0.3%

0 2000 4000 6000 8000 10000 12000

Longueur (m)

Ecar

t rela

tif (%

)

0kW

250kW N1

250kW N29

250kW N55N1

N29

N55

avantavant j

kk

j

kk XetR

11

n

kk

jk

ll

n

kk

jk

llsource

j

kkg

j

kkg

avantrelatif

QXPRU

XQRPNj

avantavant

avantavant

1 11 1

2

11

..

..)(

)3()2( NN relatifrelatif

Ecart relatif en fonction de la position du producteur

Variation de l’indice :

Avant le point d’insertion : augmente

Après le point d’insertion : constant

N1N29

N55


Etude quantitative sur le réseau urbainApplication au plan de tension Cas d’insertion massive a priori et distribution des

générateurs19 GED de 250 kW sur des réseaux BT

uniformément répartis

principalement localisés en bout d’artère

S

S

19

19.2

19.4

19.6

19.8

20

20.2

20.4

20.6

20.8

21

0 2000 4000 6000 8000 10000 12000

Longueur (m)

Tens

ion

(kV) Référence Cmin

19 GED Cmin

19 GED_fin Cmin

21 kV

19 kV


tout le réseau artère 6 artère 1

Etude quantitative sur le réseau ruralApplication au plan de tension Cas d’insertion massive a priori et distribution des

générateurs23 GED de 100 kW sur des réseaux BT

19

19.2

19.4

19.6

19.8

20

20.2

20.4

20.6

20.8

21

0 1000 2000 3000 4000 5000 6000 7000 8000

Référence

23 GED

23 GED artère 1

23 GED artère 6

19 kV

21 kV


Résultats sur le plan de tension

Application à différents départs (ruraux, urbains) et étude de sensibilité paramétrique (paramètres des conducteurs, puissance produite, localisation des producteurs, Pcc entre autres)

Exemple de résultats pour le plan de tension Premiers impacts apparaissent pour 100% de la consommation totale du départ

Impacts renforcés par : une consommation minimale une localisation concentrée en bout de départ des producteurs la contrainte initiale du réseau

Dans certains cas, changement de prise du régleurÞ conséquences sur les départs adjacents


Conclusion sur les impacts

Conclusions pour les autres impacts : peu problématiques sauf cas particuliers identifiés

Choix du problème principal à traiter : plan de tension

Conclusions valables sur réseaux d’étude et renforcées par d’autres études nationales et internationales.

réseauGED BT

BT HTABT HTA

HTA HTBHTA

Plan de tension +++ ++ +++ ++ Courants de court-circuits

+++ ++ ++ -

Déséquilibres ++ + Stabilité +* +* ++ ++






IV – Validation



Recensement des moyens de réglage

Moyens de réglage de la tension dits « traditionnels » : Régleurs en charge au poste source, Bancs de condensateurs.

Coordination de ces moyens avec d’autres : Distribution-Flexible AC Transmission Systems (D-FACTS), Certains producteurs indépendants, Autres types.


Coordination des moyens de réglage Méthodes de gestion optimale des moyens de

réglage : le meilleur choix des consignes des éléments réglants

(parallèles et séries) le placement optimal des moyens de réglages supplémentaires, le choix/limitation du nombre des moyens de réglage.

Réflexion pour la coordination de groupes de producteurs

Þ vision horizontale (décentralisée)

Þ intelligence répartieÞ moyens télécoms locaux /

globaux

Coordination des services réseau de chaque producteur par un opérateur réseau

Þ vision verticalement intégrée


Coordination en utilisant un algorithme d’optimisation

Minimisation d’une fonction objectif :

F(x,u) est la fonction objectif, x sont les variables électriques (tensions, courants, phases, puissances), u sont les grandeurs commandables (consignes producteurs / FACTS,

régleurs en charge, condensateurs entre autres), g(u,x) la (ou les) équation(s) qui se réfère(nt) à des conditions d’égalité

(exemple : calcul de répartition, égalité puissance consommée et puissance produite aux pertes près),

h(u,x) la (ou les) inégalité(s) qui tradui(sen)t les contraintes sur les vecteurs x et u (tensions maximales, puissances transmissibles).

0),(0),(

),(

xuhxugavecuxFMinimiser


Problématique de l’optimisation dans les réseaux Problème mixte (continu et/ou discret) :

Valeurs de l’injection de puissance réactive des D-FACTS et des producteurs sont continues

Valeurs du régleur en charge et du banc de capacité sont discrètes, ou rendues continues par des fonctions d’extrapolation

Le choix des moyens de réglage est un problème purement discret

Problème fortement non linéaire

Problème contraint : Limites sur les injections de puissance des moyens de réglage Limites sur les tensions du réseau Limites sur les courants


L’arbre d’optimisation (vu sur [NEOS])

Réglage des consignes


Problématique de l’optimisation des grandeurs de commande dans les réseaux (réglage des consignes) Représentation mathématique des grandeurs de réglage discrètes :

Représentations linéaires, Représentations en escaliers, Tableaux de valeurs.

Problème contraint : Limites sur les injections de puissance réactive des moyens de

réglage, Limites sur les tensions du réseau.

Fonctions objectifs :

noeudsnoeudsconsigne UU

NH 1

1

noeuds

noeudsconsigne UUN

H 22

1noeudsconsigne UUH max

lignes

ligne IUPertes *.Re

0.9 0.95 1 1.05 1.1 1.15 0.9

0.95

1

1.05

1.1

1.15

Valeur de consigne

Rat

io p

ris e

n co

mpt

e

linéarisé

0.9 0.95 1 1.05 1.1 1.15 0.9

0.95

1

1.05

1.1

1.15 R

atio

pris

en

com

pte

Valeur de consigne

en escalier« sigmoïdes »

0 2 4 6 8 10 12 14 16 18 0.9

0.95

1

1.05

1.1

1.15 R

atio

pris

en

com

pte

Plot de consigne

discret


Méthodes d’optimisation des consignesMéthodes classiques

Méthodes déterministes : Exemple : Programmation Séquentielle Quadratique (SQP)

appliquée à des problèmes continus ou rendus continus. Inadaptées aux problèmes discrets (programmation d’entier

Branch & Bound), Inadaptées aux fortes non-linéarités.

Méthodes heuristiques : Exemple : Algorithmes Génétiques dans le cas de problèmes

fortement non-linéaires, Nombreux réglages, Critères d’arrêts non déterministes.


Cas d’étudeRéseau de distribution 20 kV avec 5 départs

S

Pcc réseau Amont 250 MVA (purement inductif)

Transformateur 20 MVA Deux départs modélisés

finement :- départ semi urbain (77 nœuds et 22 points de production possibles)- départ urbain (55 nœuds et 22 points de production possibles) Départs Adjacents

modélisés par une charge de 13 MVA


Méthodes d’optimisation des consignesRésultats sur le départ rural régleur en charge + 23 points d’injection de puissance réactive

0.9 0.95 1 1.05 1.1 1.150.9

0.95

1

1.05

1.1

1.15

REPRESENTATION LINEAIRE

Avant optimisation

Déterministe SQP

Heuristique Algorithme Génétique

F(x,u) 428 0.574 17.2 Norme 1

noeudsi

iconsigne uxUUN

uxF ),(1),( Nombre d’itérations

/ 2422 2500

F(x,u) 49.7 0.098 1.85 Norme 2

noeudsi

iconsigne uxUUN

uxF 2),(1),( Nombre d’itérations

/ 2425 2500

F(x,u) 495 2.32 33.2 Norme infinie

),(max),( uxUUuxF iconsignenoeudsi Nombre

d’itérations / 2421 2500

0 10 20 30 40 50 60 70 801.99

2

2.01

2.02

2.03

2.04

2.05

2.06x 10

4

Noeuds départ rural

Tens

ion

(V)

referenceSQPAGAG avec SQP

norme 1 avec contraintes

0 10 20 30 40 50 60 70 801.99

2

2.01

2.02

2.03

2.04

2.05

2.06x 104

Noeuds départ rural

Tens

ion

(V)

referenceSQPAG

norme 1 avec contraintes


Méthodes d’optimisation des consignesRésultats sur le départ rural régleur en charge seul

0.9 0.95 1 1.05 1.1 1.150.9

0.95

1

1.05

1.1

1.15

SANS REGLAGE DES PRODUCTEURS

REGLEUR EN CHARGE SEUL

Avant optimisation

Déterministe SQP


F(x,u) 428 428 12.18 Norme 1

noeudsi

iconsigne uxUUN


/ 4 26

F(x,u) 49.7 49.7 1.604 Norme 2

noeudsi

iconsigne uxUUN


/ 4 43

F(x,u) 495 495 31.33 Norme infinie




Méthodes d’optimisation des consignesRésultats sur le départ rural régleur en charge + 23 points d’injection de puissance réactive

0.9 0.95 1 1.05 1.1 1.150.9

0.95

1

1.05

1.1

1.15

AVEC REGLAGE DES 23 PRODUCTEURS

+ REGLEUR EN CHARGE

Avant optimisation

Déterministe SQP


F(x,u) 428 3.697 9.454 Norme 1

noeudsi

iconsigne uxUUN


/ 2404 2500

F(x,u) 49.7 1.186 1.707 Norme 2

noeudsi

iconsigne uxUUN


/ 2415 2500

F(x,u) 495 51.61 32.18 Norme infinie




Méthodes d’optimisation des consignes (développées) Hybridation de méthodes heuristiques et déterministes :

Accélération de la convergence


Population initiale Tirage aléatoire d’une population initiale

0 2 4 6 8 10 12 14 16 18 0.9

0.95

1

1.05

1.1

1.15

Rat

io p

ris e

n co

mpt

e

Plot de consigne discret

0.9 0.95 1 1.05 1.1 1.15 0.9

0.95

1

1.05

1.1

1.15

Valeur de consigne

Rat

io p

ris e

n co

mpt

e

linéarisé

u1u2u3u4u5u6u7……………..

Opération répétée pour les n individus qui forment la population

Continus Discrets


Sélections classiques A partir d’une population, sélection de deux individus I1(p1) I2(p2) I3(p3) I4(p4)

p1 > p2 > p3> p4

I1

I3

I2

I4

Choix aléatoire d’une position du curseur permettant de pointer sur l’individu à sélectionner (I1)

CURSEUR

u1u2u3u4u5u6u7u1u2u3u4u5u6u7u1u2u3u4u5u6u7u1u2u3u4u5u6u7u1u2u3u4u5u6u7u1u2u3u4u5u6u7u1u2u3u4u5u6u7

u1u2u3u4u5u6u7

I1 :I2 :I3 :I4 :I5 :I6 :I7 :……In :

F(I1)F(I2)F(I3)F(I4)F(I5)F(I6)F(I7)……

F(In)

Sélection de type : Tournoi :si F(I4) < F(I6) alors I4 est sélectionnépuis on répète une seconde fois

Elitisme : parmi les x% meilleurs (F(Ii) faible), sélection de deux individus aléatoirement

Roue biaisée :


Croisements classiques A partir de deux parents, création de deux nouveaux enfants

u1u2u3I4 :

I6 :

F(I4)

F(I6)

Croisement de type : Uniforme :Le même nombre de gènes est échangé entre les parents 1 et 2

Non uniforme :Nombre de gènes différents

A plusieurs coupures

Combinaison linéaire :u1’ = t.u1+(1-t).u1 0≤t≤1

Parents :

Enfants :

u4u5u6u7

u1u2u3u4u5u6u7

u1u2u3u4u5u6u7

u1u2u3u4u5u6u7

Ia’ :

Ib’ :

F(Ia’)

F(Ib’)


Mutation

u1u2u3u4u5u6u7 u1u2u3u4u5u6u7

u1u2u3u4u5u6u7

séparation variables discrètes/continues u1u5|u2u3u4u6u7

Algorithme déterministe de type Non-Linéaire Contraint avec

comme point de départ y0 = [u2u3u4u6u7]

utilisant F(x,[u1u5y]) sur quelques itérations (a priori)

u1u5|u2u3u4u6u7 regroupement

discrètes/continues optimisées localement

u1u2u3u4u5u6u7

Mutation classique :

Mutation avec convergence locale :


Algorithme génétique (croisements seuls)

Population initialeEnfants possibles

F(x,u)


Algorithme génétique (mutation classique)

Population initialeEnfant muté

F(x,u)

Sélection de l’individu qui mute


Algorithme génétique (mutation déterministe)

Population initialeEnfant muté

F(x,u)

Trois pas d’algorithme déterministe (de

descente)


Illustration de l’optimum globalPrésence d’optima locaux Algorithme déteministe Algorithme Génétique classique Algorithme hybride

x

iuju*u

0u

F(u)

u


Méthodes d’optimisation des consignesRésultats sur les départs rural et urbain régleur en charge/banc de capacités + 44 points d’injection de réactif

0 20 40 60 80 100 120 1401.98

2

2.02

2.04

2.06

2.08

2.1

2.12x 10

4

Noeuds départ rural puis départ urbain

Tens

ion

(V)

referenceSQPAG avec SQP

FN1= 4.96e-3

FN1= 1.49e-3FN1= 1.85e-3

Tension de consigne


Pertes et variations du taux de convergence déterministeRésultats sur les départs rural et urbain régleur en charge/banc de capacités + 44 points d’injection de réactif

0 100 200 300 400 500 600 7005.95

6

6.05

6.1

6.15

6.2

6.25

6.3

6.35

6.4

6.45x 10

-4

génération de l algorithme génétique

perte

s da

ns le

s de

ux d

épar

ts (p

u)

taux SQP = 0%taux SQP = 1%taux SQP = 2%taux SQP = 3%


Méthodes d’optimisation des consignes pour les pertesRésultats sur les départs rural et urbain régleur en charge/banc de capacités + 44 points d’injection de réactif

AVEC REGLAGE DES 44 PRODUCTEURS

+ REGLEUR EN CHARGE + BANC DE CAPACITE

Avant optimisation

Déterministe SQP

Heuristique avec

convergence locale

Heuristique sans

convergence locale

F(x,u) kW

63.33 57.62 57.47 57.82 Pertes

lignessi

ii IVRéeluxf *),( Nombre

d’itérations / 2996 3367 2974

0 20 40 60 80 100 120 140 2

2.01

2.02

2.03

2.04

2.05

2.06

2.07

2.08

2.09

2.1 x 10 4

Noeuds départ rural puis urbain

Tens

ion

(V)

reference SQP AG AG avec SQP


L’arbre d’optimisation (vu sur [NEOS])

Placement et choix des moyens de

réglage


Optimisation maître-esclave

Afin de trouver les localisations optimales des moyens de réglage et les consignes associées : découplage

Problème multi-objectifs classique pour la localisation des moyens de réglage optimaux :

Fonction traduisant l’efficacité de réglage, Fonction traduisant le nombre de moyens de réglage.

Optimisation des consignes par les méthodes précédemment présentées


Optimisation muti-objectifs et frontière de Pareto

Problème multi-objectifs classique : Définition : f2

f1

domaine d’étude

A

B C

D

r’

r f2

f1 pente = –w1/w2

domaine d’étude

y/w2

A

B C

D

YyXx

xexexexexeavecxfxfxfxfxFyMinimiser

k

k

0)(),...,(),(),()()(),...,(),(),()(

321

321

Xx

xexexeavecxfwxfwxFMinimiser

0)(),()(

)(.)(.)(

21

2211

Résolution par pondération : Résolution par variation des contraintes :

Xxxfxeavec

xfxFMinimiser

iii

j

)()(

)()(


Placement et choix des moyens de réglage par optimisation muti-objectifs

Pour des problèmes de vitesse de calcul : Evaluation de l’ « efficacité » du réglage en fonction du

point d’injection :

Pénalisation suivant le nombre de producteurs :

Q N50

Vd N50

Pj

Qj

Qj ou et Pj Vi

/

Ni

noeudsi

jj

ij a

QV

uxF ),(

i

iuuxF 0),(

réglagedemoyenjj

noeudsij

j

in

elseqifp

paQVqqFMin

)1,0,(1

;)...( 1

Au final


Application à la minimisation des moyens de réglageRéseau d’étude, réseau rural de 77 noeuds : Insertion possible de sources de puissance aux 77

nœuds mais 23 nœuds producteurs choisis au hasard

S

0 5 10 15 20 250

500

1000

1500

2000

2500

nombre de producteur(s)

effic

acité

de

régl

age

Nombre de producteurs

- Effi

cacit

é de

régl

age


Placement et choix des moyens de réglage par optimisation multi-objectifs puis optimisation des moyens de réglage choisis

0 10 20 30 40 50 60 70 801.999

2

2.001

2.002

2.003

2.004

2.005

2.006

2.007

2.008x 10

4

Noeuds du réseau rural

Tens

ion

(V)

référence23 moyens réglage

Tous les moyens de réglage sont coordonnés FN1(x,u)=0.574Trois moyens de réglage seulement F(x,u)=2.74

0 10 20 30 40 50 60 70 801.999

2

2.001

2.002

2.003

2.004

2.005

2.006

2.007

2.008x 10

4


Ten

sion

(V

)


Douze moyens de réglage seulement FN1(x,u)=2.02

0 10 20 30 40 50 60 70 801.999

2

2.001

2.002

2.003

2.004

2.005

2.006

2.007

2.008x 10

4


Tens

ion

(V)


Problème multi-objectifs puis coordination des consignes


Commentaires sur les résultats de l’optimisation

Plusieurs résultats sont remarquables : En relatif, performances différentes en terme

d’optimisation : la modélisation/représentation retenue, la méthode utilisée, la fonction objectif envisagée.

Dans l’absolu, différences entre les méthodes déterministes et heuristiques, si optima locaux : SQP plus rapide mais 1er optimum local, AG long mais optimum meilleur.

Pour le placement, optimisation maître-esclave donne de bons résultats : Maître de type multi-objectifs simplifié, Esclave de type optimisation des consignes des moyens de

réglage.






IV – Validation



Arène ®

HTB HTA

BTA

PC2 producteur PC1

superviseur Communicationmédia et protocole

Validation des stratégies de coordination avec ARENE

PC contrôleur

PC producteur

communication

8 analogiques

E/S A ou D

A/N

N/A

ARENEtempsréel

RackVME



Banc expérimental :



N1N2

N3

N11

N4 N5 N6

N7 N8

N9 N10

NOEUD TENSION (V) N3 20397 N4 20028 N5 19655 N6 20000 N7 19848 N8 20156 N9 19926

N10 20000 N11 20717

NOEUD TENSION (V) N3 20471 N4 20114 N5 19731 N6 20064 N7 19956 N8 20285 N9 20034 N10 20108 N11 20752

3 4 5 6 7 8 9 10 111.96

1.98

2

2.02

2.04

2.06

2.08x 10

4

Noeuds départ simplifié

Tens

ion

(V)

referenceSQP

0 à – O.85 MVar

0 à + O.22 MVar






IV – Validation



Conclusions Études de transmission des impacts

Criticité du plan de tension, Modification des courants de court-circuit en régime

permanent.

Bibliothèques de méthodes et de modèles Calcul de répartition des charges de type Newton-Raphson et

Backward & Forward Sweep, Modèles de compensateur et de moyens de réglage, Bibliothèque d’outils d’optimisation pour les problèmes mixtes.

Solutions pour le plan de tension Outils d’optimisation classiques sur réseaux de distribution, Hybridation d’un algorithme génétique et d’un algorithme

déterministe, Algorithmes maîtres-esclaves pour le choix et la localisation des

moyens de réglage, Réflexion sur des stratégies de gestion décentralisées

(répartition de l’intelligence et des prises de décision).


Perspectives

Estimation d’état qui tienne compte du caractère incertain et de l’étendue du réseau de distribution,

Prise en compte des aspects économiques,

Évaluation et comparaison entre des infrastructures de coordination décentralisées et centralisées (aspects stratégiques, logiciels et matériels) avec ARENE temps réel,

Moyens de télécommunication nécessaires

Centrale virtuelle


Marché

Centre de controle

Réseaudistribution

Concept de centrale virtuelle (Constantin et Olivier)


Gestion des réseaux de distribution en présence de Génération d’Énergie Dispersée

Fin

Engineering

Diaporama gestion des réseaux de distribution en présence de génération d’énergie dispersée