Sortie de la cartographie smartgrids | Namur - 09 mai 2016

S o r t i e o f f i c i e l l e d e l a c a r t o g r a p h i e s m a r t g r i d s – 0 9 / 0 5 / 1 6

Cluster TechnologyofWalloniaEnergy,EnvironmentandsustainableDevelopment

1

S o r t i e d e l a c a r t ogr a ph i e

s m a r t g r i ds

09mai2016Moulins deBeez (Namur)


P R O G R A M M E

PREMIÈRE PARTIE

• Introduction des conférences

M. Julien Donfut, membre du Cabinet de Ministre wallon de l'Energie, Paul Furlan• Cartographie smartgrids : résultats et tendances

M. Cédric Brüll & M. Paul Bricout - Cluster TWEED• UMons - Génie électrique : 'Smart Grids: The Big Data Challenge

M. Zacharie De Grève - PhD - Research and TeachingAssistant - Power ElectricalEngineering Department - University of Mons - Faculty of Engineering

• ULB - BEAMS : Power system fast state estimation : from transport grids to distribution smart grids

Pr. Jean-Claude Maun - Professeur ordinaire et directeur du service BEAMS• UCL - CORE : 'Demand Response Perspective for Belgium’

M. Arnaud Latiers – PhD


3

DEUXIÈME PARTIE• ULG - Institut Montefiore : microgrids - contraintes pour des

success storiesPr. Damien Ernst - Full Professor at Université of Liège

• DECUBE : microgrid & stockage partagéM. Couneson Pascal - Gérant - Directeur de ProjetsMme Charline Stevanoni - doctorante

• NSIDE : Optimization for a Smarter Energy WorldM. Olivier Devolder - Senior Consultant - Energy Project Manager -InduStore Project Coordinator

• 3E : 3 messages clés de 3 études: MetaPV, Flexipac et Batterie

M. Yannick Thomas, Consultant Grids and Markets

P R O G R A M M E


1

CARTOGRAPHIESMARTGRIDS :

résultats & tendances

Namur– 09/05/2016

PLAN

2

• Introduction

• Le Cluster TWEED

• Le Portail REWallonia

o Solaire PV

o Biomasse-énergie

o Eolien

• La cartographie SmartGrids

Introduction

3

Dr Adnan Z. Amin Directeur exécutif de l'IRENA

« Le déploiement de l'énergie renouvelable poursuit son expansion sur les marchés dans le monde entier, même dans une période de faibles prix du pétrole et du gaz. La baisse des coûts des technologies et une série de facteurs économiques, sociaux et environnementaux sont en faveur des énergies renouvelables par rapport aux sources d'énergie conventionnelles »

En 2015 :

- SER : + 8,3% en 2015 (+ 152 GW)

- Investissements : 286 milliards de $

- SER : + 43% depuis 5 ans

- Modules PV : - 75% en 5 ans

- Turbines onshore : - 45% en 5 ans

Introduction

4

Kamel Ben NaceurDirector for Sustainable Energy Policy and Technology, IEA

« Pour limiter le réchauffement climatique à 2°C, il va falloir mener des politiques volontaristes même si le développement des renouvelables bat des records grâce notamment à la chute de ses coûts. Des renouvelables qui devraient devenir, d’ici 2030, la première source de production d’électricité »

World Energy Outlook 2015 :

- En 2015, stagnation des émissions de CO2 liées au

secteur de l’énergie (premier léger découplage)

- Nécessité de supprimer les subsides alloués

Aux énergies fossiles pour répondre au COP21

- Pour l’Europe, le principal driver de la réduction de

CO2 sera l’efficacité énergétique

Introduction

5

Source:IEA

Introduction

6

Source:IEA,Sec.Moniz (2015)


7

Cluster TWEED

Qui sommes-nous ?

8

Ø Créé en 2008, le

Cluster TWEED est une organisation

wallonne rassemblant

plus d’une centaine d’acteurs du secteur de l'énergie durable.

Sourcesd’énergie

renouvelable

Efficacité

Énergétique

enindustrie &tertiaire

Produitsetservices« verts »

Ø T W E E D =Ø Technologies

Ø Wallonnes

Ø Energie

Ø Environnement

Ø Développement durable

Que faisons-nous ?

9

• Notre objectif prioritaire est de favoriser les investissements en production et en exploitation de l'énergie durable en mobilisant les entreprises et

intervenants actifs de ce secteur autour de projets de

qualité et de taille industrielle.En2016

Que faisons-nous?

• Mise en réseau des entreprises et autres acteurs des secteurs de l'énergie durablevia l'organisation de conférences à thèmes, d'évènements de networking, deconférences, de séminaires, de séances d'information, de visites d'entreprises...

• Organisation de groupe-projets qui rassemblent des entreprises aux compétencescomplémentaires afin de constituer des filières d'entreprises capables d'offrir dessolutions globales aux clients dans des projets de taille industrielle

• La réalisation d'une veille technologique dans le domaine de l'énergie durable

• Soutien technique au montage de projets d'investissement et/ou de R&D sur lathématique des énergies durables

• Réalisation d'études de marché et d'analyse économique et technologique surla thématique de l'énergie durable (ex: cartographies)

• Promotion locale et internationale du cluster et de ses membres via l’AgenceWallonne à l’Exportation (AWEx), l’Agoria Renewable Energy Club (AREC) etl’organisation de missions de prospection

• Participation à des projets européens

10

11

Le cluster TWEED – Feedback 16

Nos membres

12

Les membres de TWEED sont des organisations ayant leur siège

en Wallonie ou à Bruxelles, et sont actives dans le secteur de l’énergie durable.

Type d’organisations : • des assembleurs d’équipements

• des fabricants de composants

• des producteurs d’énergie

• des entreprises de services

• des sociétés d’investissement

• des centres de recherches et des services universitaires

• des centres de formation

• des partenaires publics

• ...

13

TWEED et le Renewable Energy Club d’Agoria (AREC) font causecommune dans les actions internationales visant à promouvoir, àl'étranger, les technologies et solutions des entreprises belges dans lesecteur des énergies renouvelables

Voir www.renewableenergyclub.be

PartenaireduRenewable Energy Clubd’Agoria

OurMission:tobethe VoiceoftheBelgianTechnology-basedsolutionsproviderstotheRenewableEnergybusinessabroad

14

Nouveaumembredel’InternationalCleantech Cluster

“When we spot opportunities, we share them with members and do ourbest to facilitate contacts with new customers, suppliers and researchpartners from other clusters so members can form partnerships and seize the following opportunities.”


15

REWalloniaLa carte de visite du secteur de l’énergie

durable à l’international

Revue de presse

16


17

Solaire PV

www.solarpvwallonia.be

18 Acteurs identifiés

• Monitoring des installations & Prédiction (ì VA

pour la filière de l’installation)

• Intégration du PV directement au bâti: filière BIPV

(ne pas voir le PV comme un investissement à posteriori)

• Développement de nouveaux matériaux : Technologie de rupture (OPV, nanomatériaux,

nouveaux matériaux PV actifs,…)

• Recyclage des panneaux : recherche de

technologies de recyclage efficace et durable,…

Solaire PV - Forces en Wallonie

20

• Force : Monitoring / Maintenance • Suite à une mission en Rhône Alpes en 2011 et la visite d’un

centre de formation français spécialisé dans le domaine du solaire PV, mis en place de la formation PVMAINT (« qualité des

installations photovoltaïques ») par Technifutur & Eliosys (centre

de tests de panneaux solaires photovoltaïque)

Solaire PV – Sucess Stories

21

• Force : Développement de nouveaux matériaux • Identification & Exportation des compétences R&D & Innovation en

Wallonie/Bxl

o Nouveaux matériaux PV actifs, OPV,…(CRM, GreenMat,…)

o Revêtement photovoltaïque sur textile (Centexbel)

• Organsiation d’un « Seminar Photovoltaics » – Uppsala (février

2015) avec WBI + Action à venir à Nuremberg/Bavière en 2016 !

Solaire PV – Sucess Stories

22

Solaire PV – Sucess StoriesMission prospective au Maroc avec Paul Magnette

en février 2016 + Mission prévue lors de la COP22 !

Feedback :

- 16 personnes présentes

- Marché en forte croissance

- Contrat de partenariat signé

- Force : Opportunités pour le recyclage PV (+ installations de moyennes puissances)

Objectif d'information

Objectif de positionnement

Objectif de synergies


23

Biomasse-énergie

www.biomasswallonia.be

24 Acteurs identifiés

25

Chauffagerésidentiel Biométhanisation Bio-carburants

Combustion directeetdérivés

• Fabricantsdepoêleetinsert+chaudièreactifsàl’international

• Bonneréputation• Qualitédes

produits etservices reconnue

• Formationdeconsortiums enmicro-biométhanisation…

• Créationdespin-offs

• DegréimportantenR&D

• Compétences enBio-éthanol(Biowanze)&Bio-diesel (Neochim)

• CapacitéenR&D (2&3ème génération:algues,….)

• Plusieurs ensembliersprésentssurlemarchéinternational(pyrolyseur, gazéifieur,torréfaction,…)

• Nombreuxbureauxd’études

• Degréimportantd’innovation danslesuniv.etcentresR&D

• Expertiseboues/déchets

Biomasse - Forces en Wallonie

26

• Force : Valorisation des Boueso Cartographie spécifique des acteurs (http://www.solvalboues.be)

o Organisation d’une conférence internationale

sur le sujet & Présence à Pollutec pour présenter

les solutions wallonnes (avec Val+ & GreenWin)

• Force : Chauffage résidentielo Fabricants de chaudières, inserts, poêles

o Création d’un club spécifique

o Promotion de la filière

Biomasse – Sucess Stories

27

• Force : Présence d’ensembliers de technologiquesinnovantes à forte capacité d’exportationo Gazéification, Pyrolyse, Biométhanisation,…

• Présence au European Biomass Conference and Exhibition

(2016 : Amsterdam) + Accueil de délégation étrangères(Argentine, Pologne,…)

Biomasse – Sucess Stories


28

Eolien

www.windturbinewallonia.be

29

Acteurs identifiés

Eolien - Forces en Wallonie

Logistique&Maintenance

Sidérurgieetmécaniquede

précision

Aéronautiqueetmatériauxcomposites

Connexionauréseau

etélectroniquedepuissance

Entrepriseswallonnes

Concurrence

Eolien – Sucess Stories

• Force : Computational Fluid Dynamics et modélisation 3D(Cenaero, Numeca, Ansys, Siemens LMS Samtech) & Logicielsd’étude de vents (ATM-Pro, 3E)

• Action à l’international - Mission au Danemark AWEX/TWEED

(Juin 2013) ciblée sur ce domaine (logiciels)


32

• Force : Sous-traitance • Action à l’international – Présence à des Booth Stand (+

conférence) avec l’AWEX à l’EWEA (1X/AN) & WindEnergyHamburg (1XAN)


33

• Force : Maintenance • Formation à la maintenance (de base) et au travail en hauteur

(Technifutur, Technocampus)

• Maintenance prédictive et optimisation de la production

(Maintenance Partners, PEPITe, Ulg, ULB, CMI, Henallux, Helmo, ATM-Pro, Drone Technixx)

• Analyse vibratoire & remote control (Mycromega dynamics, I-

Care, Zensor)

• Action à l’international – Mission TWEED/AREC en Espagne

(Acciona) & Nouvelle mission au Danemark + Norvège en 2016

(+ Wave & Tidal) !


34

CartographieSMART GRIDS

CARTO SMARTGRIDS : objectifs

35

• Diagnostiquer le secteur

• Cartographier les acteurs

• Promouvoir les compétences wallonnes

• Stimuler les projets d'investissement et de R&D

Avec le soutien de

CARTO SMARTGRIDS : participation

36

• Les conditions de participation sont les suivantes :

o Avoir votre siège d'exploitation/une implantation en

Wallonie ou à Bruxelles

o Apporter une plus-value technologique à la filière

’smart grid' (fabrication, R&D, innovation...)

• La participation à cette cartographie est gratuite !

• Rendez-vous sur

www.smartgridswallonia.be

37

CARTO SMARTGRIDS : chaînes de valeur

Chaîne horizontale• R&D• Etudes & Conception• Financement• Fabrication / Production• Transport• Distribution & Installation• Commercialisat° & Fourniture• Consommation• Démantèlement & Recyclage• Formation & Certification• Education, promotion &

sensibilisation

Chaîne verticale• Infrastructure de

communication• Infrastructure énergétique• Outils de mesure

o Compteurs intelligents / Monitoring

o Capteurso …

• Systèmes de contrôle et de détectiono Incluent les systèmes de

protection (cybercriminalité !)

• Systèmes de pilotage

37

38

CARTO SMARTGRIDS : chaînes de valeur

CECOTEPE

CM-TECH

ENERGYPONICS

HARMELING

KESSLER

UCL

ICTEAMInstitute

ULGULG

ULG

Montefiore

39

R&D

ETUD

ES&

CONCEPTION

FINAN

CEMENT

FABRICATION/

PRODUCTION

TRAN

SPORT

DISTRIBUTION&

INSTALLATION

COMMERCIALISATION

&FOURNITURE

OPÉRATIONS&

MAINTENAN

CE

CONSOMMATION

DÉM

ANTÈLEMENT

&RECYCLAGE

FORM

ATION&

CERTIFICATION

EDUCATION,

PROMOTION&

SENSIBILISATION

C H A Î N E H O R I Z O N T A L E - M É T I E R S

40

R&D

ETUD

ES&

CONCEPTION

FINAN

CEMENT

FABRICATION/

PRODUCTION

TRAN

SPORT

DISTRIBUTION&

INSTALLATION

COMMERCIALISATION

&FOURNITURE

OPÉRATIONS&

MAINTENAN

CE

CONSOMMATION

DÉM

ANTÈLEMENT

&RECYCLAGE

FORM

ATION&

CERTIFICATION

EDUCATION,

PROMOTION&

SENSIBILISATION


CECOTEPE

CM-TECH

ENERGYPONICS

HARMELING

UCL

ICTEAMInstitute

ULGULG

ULG

Montefiore

41

R&D

ETUD

ES&

CONCEPTION

FINAN

CEMENT

FABRICATION/

PRODUCTION

TRAN

SPORT

DISTRIBUTION&

INSTALLATION

COMMERCIALISATION

&FOURNITURE

OPÉRATIONS&

MAINTENAN

CE

CONSOMMATION

DÉM

ANTÈLEMENT

&RECYCLAGE

FORM

ATION&

CERTIFICATION

EDUCATION,

PROMOTION&

SENSIBILISATION


CECOTEPE

CM-TECH

ENERGYPONICS

HARMELING

ICTEAMInstitute

ULG

ULG

Montefiore

42

R&D

ETUD

ES&

CONCEPTION

FINAN

CEMENT

FABRICATION/

PRODUCTION

TRAN

SPORT

DISTRIBUTION&

INSTALLATION

COMMERCIALISATION

&FOURNITURE

OPÉRATIONS&

MAINTENAN

CE

CONSOMMATION

DÉM

ANTÈLEMENT

&RECYCLAGE

FORM

ATION&

CERTIFICATION

EDUCATION,

PROMOTION&

SENSIBILISATION


CECOTEPE

43

R&D

ETUD

ES&

CONCEPTION

FINAN

CEMENT

FABRICATION/

PRODUCTION

TRAN

SPORT

DISTRIBUTION&

INSTALLATION

COMMERCIALISATION

&FOURNITURE

OPÉRATIONS&

MAINTENAN

CE

CONSOMMATION

DÉM

ANTÈLEMENT

&RECYCLAGE

FORM

ATION&

CERTIFICATION

EDUCATION,

PROMOTION&

SENSIBILISATION


CM-TECH

HARMELING

44

R&D

ETUD

ES&

CONCEPTION

FINAN

CEMENT

FABRICATION/

PRODUCTION

TRAN

SPORT

DISTRIBUTION&

INSTALLATION

COMMERCIALISATION

&FOURNITURE

OPÉRATIONS&

MAINTENAN

CE

CONSOMMATION

DÉM

ANTÈLEMENT

&RECYCLAGE

FORM

ATION&

CERTIFICATION

EDUCATION,

PROMOTION&

SENSIBILISATION


45

R&D

ETUD

ES&

CONCEPTION

FINAN

CEMENT

FABRICATION/

PRODUCTION

TRAN

SPORT

DISTRIBUTION&

INSTALLATION

COMMERCIALISATION

&FOURNITURE

OPÉRATIONS&

MAINTENAN

CE

CONSOMMATION

DÉM

ANTÈLEMENT

&RECYCLAGE

FORM

ATION&

CERTIFICATION

EDUCATION,

PROMOTION&

SENSIBILISATION


CM-TECH

46

R&D

ETUD

ES&

CONCEPTION

FINAN

CEMENT

FABRICATION/

PRODUCTION

TRAN

SPORT

DISTRIBUTION&

INSTALLATION

COMMERCIALISATION

&FOURNITURE

OPÉRATIONS&

MAINTENAN

CE

CONSOMMATION

DÉM

ANTÈLEMENT

&RECYCLAGE

FORM

ATION&

CERTIFICATION

EDUCATION,

PROMOTION&

SENSIBILISATION


CM-TECH

ENERGYPONICS

47

R&D

ETUD

ES&

CONCEPTION

FINAN

CEMENT

FABRICATION/

PRODUCTION

TRAN

SPORT

DISTRIBUTION&

INSTALLATION

COMMERCIALISATION

&FOURNITURE

OPÉRATIONS&

MAINTENAN

CE

CONSOMMATION

DÉM

ANTÈLEMENT

&RECYCLAGE

FORM

ATION&

CERTIFICATION

EDUCATION,

PROMOTION&

SENSIBILISATION


48

R&D

ETUD

ES&

CONCEPTION

FINAN

CEMENT

FABRICATION/

PRODUCTION

TRAN

SPORT

DISTRIBUTION&

INSTALLATION

COMMERCIALISATION

&FOURNITURE

OPÉRATIONS&

MAINTENAN

CE

CONSOMMATION

DÉM

ANTÈLEMENT

&RECYCLAGE

FORM

ATION&

CERTIFICATION

EDUCATION,

PROMOTION&

SENSIBILISATION


CM-TECH

49

R&D

ETUD

ES&

CONCEPTION

FINAN

CEMENT

FABRICATION/

PRODUCTION

TRAN

SPORT

DISTRIBUTION&

INSTALLATION

COMMERCIALISATION

&FOURNITURE

OPÉRATIONS&

MAINTENAN

CE

CONSOMMATION

DÉM

ANTÈLEMENT

&RECYCLAGE

FORM

ATION&

CERTIFICATION

EDUCATION,

PROMOTION&

SENSIBILISATION


50

R&D

ETUD

ES&

CONCEPTION

FINAN

CEMENT

FABRICATION/

PRODUCTION

TRAN

SPORT

DISTRIBUTION&

INSTALLATION

COMMERCIALISATION

&FOURNITURE

OPÉRATIONS&

MAINTENAN

CE

CONSOMMATION

DÉM

ANTÈLEMENT

&RECYCLAGE

FORM

ATION&

CERTIFICATION

EDUCATION,

PROMOTION&

SENSIBILISATION


CECOTEPE

CM-TECH

UCL

ULG

Montefiore

51

R&D

ETUD

ES&

CONCEPTION

FINAN

CEMENT

FABRICATION/

PRODUCTION

TRAN

SPORT

DISTRIBUTION&

INSTALLATION

COMMERCIALISATION

&FOURNITURE

OPÉRATIONS&

MAINTENAN

CE

CONSOMMATION

DÉM

ANTÈLEMENT

&RECYCLAGE

FORM

ATION&

CERTIFICATION

EDUCATION,

PROMOTION&

SENSIBILISATION


CECOTEPE

CM-TECH

UCL

ULG

ULG

Montefiore

CECOTEPE

CM-TECH

ENERGYPONICS

HARMELING

KESSLER

UCL

ICTEAMInstitute

ULGULG

ULG

Montefiore

52

SYSTEMESDEPILOTAGE

SYSTEMESDECONTROLEETDEDETECTION

OUTILSDEMESURE

INFRASTRUCTUREENERGETIQUE

INFRASTRUCTUREDECOMMUNICATION

CHAÎN

EVERTICALE-

TECHNOLOGIQ

UE

53

SYSTEMESDEPILOTAGE


OUTILSDEMESURE



CHAÎN

EVERTICALE-

TECHNOLOGIQ

UE

CECOTEPE

CM-TECH

ENERGYPONICS

ICTEAMInstitute

ULG

Montefiore

CECOTEPE

CM-TECH

ENERGYPONICS

KESSLER

ICTEAMInstitute

ULG

Montefiore

54

SYSTEMESDEPILOTAGE


OUTILSDEMESURE



CHAÎN

EVERTICALE-

TECHNOLOGIQ

UE

CECOTEPE

CM-TECH

ENERGYPONICS

ICTEAMInstitute

ULG

Montefiore

55

SYSTEMESDEPILOTAGE


OUTILSDEMESURE



CHAÎN

EVERTICALE-

TECHNOLOGIQ

UE

CECOTEPE

CM-TECH

ENERGYPONICS

KESSLER

ICTEAMInstitute

ULG

Montefiore

56

SYSTEMESDEPILOTAGE


OUTILSDEMESURE



CHAÎN

EVERTICALE-

TECHNOLOGIQ

UE

CECOTEPE

CM-TECH

ENERGYPONICS

HARMELING

ICTEAMInstitute

ULG

Montefiore

57

SYSTEMESDEPILOTAGE


OUTILSDEMESURE



CHAÎN

EVERTICALE-

TECHNOLOGIQ

UE

Statistiques : Participants

58

Acteurs ont rempli le formulaire

Statistiques : Participants

59

Statistiques : Emplois

60

Statistiques : Emplois

61

• Profils recherchés :o actuaire

o commercial régulation chauffage

o data Analytics

o électromécanique

o électronique

o responsable énergie

o informatique / IT / ICT

o Ingénieur : développement durable, électricien, industriel, …

o master en environnement

o mathématiques appliquées

o modélisation : risk modeling - financial modeling

o web designer

SMART GRIDS : projets

62

• CE - Centre Commun de Recherche (CCR)

o Inventaire paneuropéen des Smart GridsvPremière édition en 2011

vUpdate en 2014 : « Smart Grid Project Outlook 2014 »

(459 projets)

o Modèle de réseau d'électricité paneuropéen : 10.000 éléments (nœuds et lignes) du réseau de

transmission européen

o Analyse coûts-bénéfices de projets de "Smart Grids"

o Outils et cartes interactives

http://ses.jrc.ec.europa.eu/nutshell-french

Exemples de projets (Wallonie/Belgique/EU)

63

• B3RT : modéliser les consommations énergétique du bâti bruxellois

• CASTT : réaliser un micro-smart-grid-pédagogique et utiliser l’énergie

pour la motorisation électrique via des bornes de rechargement

domestiques ou rapides

• DAMiEn: optimiser l'auto-programmation des unités à cycle combiné sur

les marchés électriques day-ahead

• Energattert / Optiobiogaz / Ecobiogaz : gérer et stocker le biogaz

pour une meilleure flexibilité du réseau

• EnergizAIR : ajouter un éclairage qualitatif, informatif et positif sur les

énergies renouvelables dans la vie quotidienne des citoyens européens

(météo renouvelable)

• ENERGRID : modéliser, concevoir, et mettre en œuvre une unité de

gestion de systèmes nano-grid

• FLEXIPAC : optimiser la demande d’énergie par le pilotage

d’applications thermiques (pompes à chaleur, etc.) en vue de

l’intégration au réseau de sources de production intermittentes et la

valorisation économique de la flexibilité


64

• GREDOR : développer des outils pour une gestion active du réseau

• GEPPADI : rendre intelligent et communiquant l’éclairage public

• Industore : optimiser la flexibilité énergétique des sites industriels

• PERFECT : caractériser les performances énergétiques réelles de

l’enveloppe de bâtiments et de ses composants par des mesures sur

site

• Premasol : développer des services se basant sur une plateforme

informatique intégrant des outils de prédiction de l’énergie électrique

• PVCROPS : améliorer l’intégration des systèmes solaires PV dans le

réseau électrique en prédisant les variations de puissance PV, et les

atténuer par les nouvelles technologies de gestion et de stockage de

puissance.

• Princess Elisabeth Polar Station : gérer le micro-grids de la station


65

• RESIZED : concevoir des outils pour quartiers faiblement

consommateurs d’énergie et intégrant leurs équipements de production

dans un souci d’utilisation des ressources locales (« net Zero EnergyCity Districts »)

• Smart Micro Cogen : intégrer des μCHP dans les smart grids

• SMARTWATER – mettre en place des système de stockage électrique

par pompage-turbinage exploitant d'anciennes cavités souterraines

• Story : démontrer la valeur ajoutée des technologies de stockage

d'énergie dans les marchés de l'énergie actuel et futur

• TECR : analyser le rôle et le comportement des utilisateurs au niveau du

système énergétique et des réseaux (nouvelle tarification,…)

• TWENTIES/EcoGrid/GRID4EU… : donner plus de flexibilité au réseau

de transport

• WallonHY : identifier le rôle du Power-to-Hydrogen, notamment pour la

flexibilité des réseaux

• …

66

SWOT : smartgrids/smartmetersFAIBLESSES

• Réseau : conçu pour des systèmes de production d’énergies centralisés ; organisation des GRD en conséquence.

• Maturité : technologies & standards

• Bénéfice : avéré pour les gros consommateurs, controversé pour les petits consommateurs

Forces • Plan européen pour l’efficacité énergétique

• Compétitivité de l’Europe

• Indépendance énergétique

• Empreinte carbone

• Création d’emplois

• Gestion dynamique de l’équilibre• Flexibilisation de la consommation électrique

• Remplacement des compteurs à budget (€)

MENACES

• Modèle : manque de clarté quant au modèle de marché (normes, législation, gouvernance, …).

• Capacités : capacités des GRD à gérer un grand nombre d’acteurs et un modèle différent (le client devient en même temps fournisseur).

• Concurrence : marché concurrentiel et international. Avance technologique aux USA (4.5 milliards $ budgétés par les autorités), en Suède,en Italie, en France (Linky)…

• Cybercriminalité & irrespect de la vie privée

OPPORTUNITÉS

• Efficacité énergétique : réduction de la consommation d’électricité de 2 à 10%.

• Potentiel (marché) : marché des SG conséquent,sous-exploité et en croissance.

• Intégration : NRJ-R & VE sur le réseau.

• Électricité : croissance de la demande en électricité, toujours plus volatile par ailleurs, et des pics de consommation.


67

Portail REWallonia

www.REWallonia.be

www.greenheatwallonia.be

www.windturbinewallonia.be

www.biomasswallonia.be

www.solarpvwallonia.be

+300 acteurs répertoriés !

70

CARTO SG : deux formats !

Format PDF Format interactif

70

71

7272

73

Flyer REWallonia

74

Flyer SolarPVWallonia

75

Flyer BiomassWallonia

Besoin d’aide ?

Contactez-nous !

76


TWEEDAsblRueNatalis 2– 4020Liège– Belgium

BricoutPaulProjectengineer

[email protected]

OlivierUlriciProjectengineer

[email protected]

CédricBrüllDirector

[email protected]

www.clustertweed.be

Les mégadonnées dans les réseaux électriques de distribution

SORTIE OFFICIELLE DE LA CARTOGRAPHIE SMART GRIDS EN WALLONIEJOURNÉE ORGANISÉE PAR LE CLUSTER TWEED, NAMUR, LE 09/05/2016

Zacharie DE GREVE, François [email protected]

Service de Génie Electrique, Faculté Polytechnique, Université de Mons

GREDOR Project

mailto:[email protected]

https://gredor.be/

Université de Mons

One selected message from CIRED 2015

2Z. De Grève | Electrical Power Engineering Unit

« … What are the [new] roles of DSOs in the transformation of the energy system ?• DSOs will need to actively manage and operate smarter grids• DSOs will implement the roll out of smart metering• DSOs will become data managers […and enter the world of Big Data…]• DSOs will play a key role in the design and implementation of local energy

policies and the development of smart cities…»

Philippe Monloubou, CEO at ERDF, « Power distribution at the heart of the energy transition »,

CIRED 2015, 15th of June 2015, Lyon

(23rd International Conference and Exhibition on Electricity Distribution, June 2015, Lyon, France)

Université de Mons

Massive roll out of Smart Metering devices


ERDF (principal DSO in France) Linky project: up to 35 million of metering devices until 2021

ORES: Smart Metering (SM) devices for all the customers in 15 years(starting from 2019) [O. Durieux, Journée ORES du 20/11/2014,

Faculty of Engineering, UMONS]

[P. Monloubou, CIRED2015, Lyon, France]

… (Enexis in The Netherlands, Enel in Italy, etc.)

Université de Mons

OutlineWhy do we need data in Smart Grids?

Some data related challenges

Focus on Big Data Analytics in Smart Grids: two fundamental problemsand illustrations

A. Dimensionality

B. The case of missing data

Conclusion and perspectives


Université de Mons



Focus on Big Data Analytics in Smart Grids: two fundamental problemsand illustrations

A. Dimensionality




Université de Mons

A great wise man once said…


Why do we need data in Smart Grids ?

Some data relatedchallenges Focus on Big Data analytics Conclusion and perspectives

A close monitoring of the electrical consumption of households will help improving the energy efficiency

« The <to be completed> energy is the one we do not use. »

• <cheapest> if you are an economist,• <greenest> if you are an ecologist,• <most efficient> if you are an engineer,• …

Université de Mons

From classical networks to Smart GridsMassive integration of Renewable Energy Sources (RES), typically windor solar, in electricity distribution networks


Towards a coordinated « smart » management of the network to avoidtechnical problems (e.g. overvoltages, congestions)• A guideline: consume the energy when it is produced, locally if

possible (flexibility of demand using financial incentives, storage, etc.)



• Recourse to advanced optimization algorithms (dynamic optimization, in an uncertain environment, with nonlinear equations, and a mix between continuous and integer variables)…

Uncertainty of electrical quantities• Wind and solar production• Electrical consumption (or load)

Strongly relies on the observability of the distribution network !

Université de Mons 8Z. De Grève | Electrical Power Enigineering Unit

A simple scenario-oriented Monte Carlo approach

8

RES

PriceLoad

StochasticModels

Trajectories(or scenarios)

• Probabilities of congestion

Indicators

• Probabilities of over/undervoltage

• Reliability indexes (LOLE, etc.)

Sampling

I.

Power flowcomputation

II.

Networkmodel

0. Build stochasticmodels

Historical data


Some data relatedchallenges

Focus on Big Data analytics Conclusion and perspectives

Data for analyzing modern distribution grids

Université de Mons

For building stochastic models of electricalquantities, we need data…

9F. Vallée & Z. De Grève | Electrical Power Engineering Unit

RES TTF/TTR

PriceLoad

SequentialModels

Trajectories(or scenarios)

• Probabilities of congestion

Indicators

• Probabilities of over/undervoltage

• Reliability indexes (LOLP, etc.)

Sampling

I.

Power flowcomputation

II.

Networkmodel

0. Build

Historical data



Focus on Big Data analytics Conclusion and perspectives

stochasticmodels

Data for analyzing modern distribution grids

Université de Mons



Focus on Big Data Analytics in Smart Grids

A. Dimensionality




Université de Mons

The technical challenges related to data are numerous…

Communication between devices




Data storage

Privacy and security

• Power Line Communication – or PLC –and GPRS (e.g. ERDF in France, ORES, Enel in Italy, etc.)

• Radio transmission (e.g. Enexis in The Netherlands)

• …

Metering technology

[D. Lonneke, Journée ORES du 20/11/2014, Faculty of Engineering, UMONS]

Université de Mons

The technical challenges related to data are numerous…




Investment strategies for IT infrastructures

Analysis of the recorded data (Big Data Analytics)

• For DSOs: better coordination of the production/consumptionin a Smart Grid context

• For consumers: improve energy efficiency by closelymonitoring consumption

• For energy suppliers: establish client typical profiles

• …

Focus of the restof this talk

Université de Mons



Focus on Big Data Analytics in Smart Grids: two fundamentalproblems and illustrations

A. Dimensionality




Université de Mons 14Z. De Grève | Electrical Power Engineering Unit



Focus on Big Data analytics A. Dimensionality Conclusion and

perspectives

Two fundamental problemsI. High dimensionnality of the underlying optimization problems

… ……

……

Scenario tree (e.g. for wind/PV production, load, etc.)

Probability of occurrence of scenario

Computational burden !

1. Clustering techniques to limit the number of scenarii

Ex. 1: a clustering example on wind data

…

2. Orient the sampling by modeling dependencies inherent to data

Ex. 2: wind geographical

correlation

Wind speed for site 2

[m/s]

Wind speed for site 1 [m/s]


Why do we needdata in Smart Grids ?


Focus on BigData analytics A. Dimensionality Ex. 1: clustering

on wind speedConclusion and

perspectives

Clustering for merging scenariiExample 1: clustering on wind speed

Wind speed

Wind speed

Wind speed

Wind speed

Wind speed

Wind speed

t

t

t

t

t

t

Clustering

X N

…

Wind speed

Wind speed

Wind speed

t

t…

• Generation of a reduced number K of typical days of wind, starting from N days of historical data (N >> K)

• Use of K-means, K-medoids algorithms

[B. Picart et al]


Clustering for merging scenariiKNMI database

• Hourly values of the wind speed and direction

• Since 1950• 65 stations in Holland• Open access at:

http://www.knmi.nl/samenw/hydra/





perspectives

http://www.knmi.nl/samenw/hydra/


Clustering for merging scenariiExample 1: clustering on wind speed

9 Power Spectral Density (PSD): describes how the power of a signal is distributed over the different frequencies

9 Estimated here using the periodogram method

• Why typical days ?

Zoom

Analysis of Schiphol station (1981-1990) shows a peak at a frequency f ≈ 11,56*10-6 Hz, which corresponds to a period T = 1/f ≈ 24h

[B. Picart et al]





perspectives


Clustering for merging scenariiExample 1: clustering on wind speed• Methodology

1. Feature selection using Principal Component Analysis (PCA)2. Clustering using K-means/K-medoids3. Associate a typical day to each cluster (centroids ?)

3 dimensional vectors instead of 24 !

[B. Picart et al]





perspectives


Clustering for merging scenariiExample 1: clustering on wind speed• Methodology

1. Feature selection using Principal Component Analysis (PCA)2. Clustering using K-means/K-medoids3. Associate a typical day to each cluster (centroids here)

Similar performance than classical K-means but:+ 3D instead of 24D vectors (Big data context)+ Physical interpretation of the 3 dominant directions (modeling ramps)

Ongoing• Possible to model extreme days by

selecting higher order PCs

[B. Picart et al]





perspectives




Focus on Big Data analytics A. Dimensionality Conclusion and

perspectives

Two fundamental problemsI. High dimensionnality of the underlying optimization problems

… ……

……

Scenaro tree (e.g. for wind/PV production, load, etc.)

Probability of occurrence of scenario

Computationnalburden !

1. Clustering techniques to limit the number of scenarii

2. Orient the sampling by modeling dependencies inherent to data

Ex. 1: a clustering example on wind data

Ex. 2: wind geographical

correlation

…

Wind speed for site 2

[m/s]

Wind speed for site 1 [m/s]




Focus on BigData analytics A. Dimensionality Ex. 2: modeling

wind correlationConclusion and

perspectives

« Smart » model sampling strategiesExample 2: modeling wind correlation

• Using the Cholesky decomposition [Villanueva et al, IEEE Trans. on Sus. Energy, 2012]

ARMA model 1

ARMA model 3

ARMA model 2

1. Identify n ARMA models separately, based on historical data

2. Compute the (n x n) correlation matrix R, from historical data

Pearson cofficient

3. Compute the Cholesky decomposition of R



• Using the Cholesky decomposition• Using the Cholesky decomposition [Villanueva et al, IEEE Trans. on Sus. Energy, 2012]

ARMA model 1

ARMA model 3

ARMA model 2

4. Generate correlated wind speed time seriesARMA 1 ARMA 2 ARMA 3

uncorrelated

Ex: KNMI database, Schiphol and Ijmuijgen sites:





perspectives



• Impact of the correlation on power system reliability indices

[Z De Grève et al, EnergyCon2016]

• Ongoing work9 Non linear correlation (copula based methods)9 Complete review of the SoA and comparison on the same test

case9 Time varying correlation

(Test network with two generation units subject to failures, two wind farms, two loads. Collaboration with Tractebel Engineering)

LOLP: Loss of Load Probability EENS: Expected Energy Not Supplied





perspectives

Université de Mons



Focus on Big Data Analytics in Smart Grids: two fundamentalproblems and illustrations

A. Dimensionality







Focus on Big Data analytics

B. The case of missingdata


Two fundamental problemsII. The case of missing or incomplete data

• SM devices are not installed everywhere,

• sensor failures may generate “holes” in the historical database, etc.

Strategy: extrapolate the missing data based on the available

Ex. 3: a low voltage example using reference Cumulative Distribution Functions (CDFs)

Ex. 4: an approach for filling “holes” in electrical consumption

Université de Mons

And if no SM data is available ?


Example 3: a Low Voltage example using reference CDFs• (Smart) Metering devices are currently not installed everywhere

SM

HV/MV

MV/LV

SM

MV/LV

Strategy: take advantage of what we already have…

Lack of data more particularly at MV/LV substations (and in LV networks)

• Cluster power of a given area into c= cL + cG categories:9 cL Demand Components (DCs): residential load, tertiary, industrial,

etc.9 cG Dispersed Generation Components (DGCs): photovoltaïc, wind,

etc.

LVnetworkLV

network



Focus on BigData analytics

B.The case of missingdata

Ex. 3: building reference CDFs


[Toubeau et al]

Université de Mons



Example 3: a Low Voltage example using reference CDFs• Build c reference Cumulative Distribution Functions (CDFs)

1. normalize energy recordings for nodes withSMs, based on annual produced/consumedenergies,

2. compute c ref CDFs,3. assign the CDFs to nodes without SMs, and

perform analysis (denormalize !).

[Toubeau et al]

Avai

labl

e D

ata







Université de Mons



Example 3: a Low Voltage example using reference CDFs

• A Low Voltage network with PV (ORES, Flobecq, Belgium)

MV/LVtransformer

1D clustering on annual indexes







[Toubeau et al]

Université de Mons



Example 3: a Low Voltage example using reference CDFs

• Comparison with measured data and SLPs on the power exchanged at the MV/LV substation during the month of July

Box plot

CDFs







[Toubeau et al]

Université de Mons

Sensors may have failures

30

Client 1 X X ? XClient 2 X X X X

… X ? X X? X X XX X X ?

≈




B. The case of missingdata

Ex. 4: fillingholes in data


Example 4: matrix factorization to fill the holesOngoing work with F. Lecron, Management

and Computer Science Group, FPMs

.

• Real data is projected on a space of dimension f < m and f < n• Compute matrixes W and H from the incomplete version of X• W and H yield the missing elements of X thereafter• First tests are ongoing…

Z. De Grève | Electrical Power Engineering Unit

…

Université de Mons



Focus on Big Data Analytics in Smart Grids

A. Data characteristics

B. Two fundamental problems and illustrations

Conclusions and perspectives


Université de Mons

Conclusions and perspectivesAn improved observability of distribution grids is needed to implementSmart strategies: towards the world of Big Data (IT infrastructure ?)


• Reducing dimensionality (and avoid non realistic states) by using clustering techniques and by orienting the sampling

• Missing (or incomplete) data

• Other issues will appear… (profiling clients ?)

Analysis of metering data (Big data analytics)

New competences for analyzing data in Smart Grids

Signal Processing

Probabilities and Statistics

Machine Learning

Time Series Modeling

Université de Mons

Thank you for your attention


Special thanks to:Lazaros Exizidis(3), Martin Hupez(1), Vasiliki Klonari(1), Fabian Lecron(2), Benjamin

Picart(3), Jean-François Toubeau(4)

GREDOR Project

(1) (2) (3) (4)

https://gredor.be/

ECOLE POLYTECHNIQUE DE BRUXELLESbeams

Power system fast state estimation : from transport grids

to distribution smart grid

Cluster TWEED 9 mai 2016

Jean-Claude Maun

1


Outline

• Introduction • Power system state estimation • Challenges of state estimation in distribution • Some results • Conclusions

2


Introduction

x

State estimation

+

z

3


Introduction

x

State estimation

+

z

+ +

+ + +

+ +

+ +

4


Introduction

x

State estimation

+

z

+ +

+ + +

+ +

+ +

5


x

State estimation

+

z

+ +

+

+ +

+ +

+

+

6


x

State estimation

+

z

+

+

+

+

+ +

+ +

7


Outline


8


Power system state estimation Weighted Least Squares Method

9


Power system state estimation Measurement

10


Power system state estimation

11



14

Observability



15

Observability


Outline


17


• Today : no measurement to perform SE • Tomorrow « smart grids » : what can we imagine ?

• Microgrids is a driver

State estimation in distribution

18

divisional switch

main grid

http://www.tshirtcharity.com/Cliparts+Gallery/6974/Power-Generator-1.php

ECOLE POLYTECHNIQUE DE BRUXELLESbeams 19

State estimation in distribution • Initial driver: Microgrids

– Protection and fault location? – Concepts also applicable for future networks with distributed generation

• Outcome

– Proposition of a state estimation framework (traditionally only monitoring) for backup protection and fault location

– Protection and operation functions may come closer


State estimation in distribution • New approach

– Time-synchronized distributed sensors – Fast and reliable communications – Network model available

• Algorithms for • Monitoring • Backup protection • Offline fault location

• Challenges • Limited number of sensors • Load uncertainty

Communication system

Central Calculator

Monitoring

Fault location

Protection Networks

data

IED


State estimation in distribution

with uncertainties

Bad data detection

Topology error detection

Nodes voltages Load estimates Power flows Losses

Network data, load forecasts

Measurements Classical and synchronized ones

DG storage

State estimation

Control

Planning

Monitoring


State estimation in distribution Original idea: proposition of a three-phase state estimation framework (traditionally only monitoring) for backup protection and fault location • Principle of state estimation • Nodes voltages (x) are estimated from the measurements with least squares

algorithm

• Cost function : 𝐽 = (𝑧𝑖−ℎ𝑖(𝑥))2𝜎𝑖2𝑖

is minimized over x : 𝑥 = 𝑎𝑟𝑔𝑚𝑖𝑛(𝐽) • – z : measurements – h(x) : measurement functions – wi = 1/σ²ij : measurement weights

• Very fast calculation with synchronized measurements

Fault detection


State estimation in distribution Fault detection

• The impact of a relatively low measurement redundancy was discussed:

– Impact on the bad data detection capabilities – Impact on topology error detection capabilities

• The metering placement impacts on several criteria were discussed

as well: – Convergence of the algorithm – State estimation accuracy – Bad data detection capabilities – Topology error detection capabilities

• Simple heuristic meter placement rules are proposed


State estimation in distribution Backup protection

Local relaying

R1 R2 R3

VT CT Circuit breaker

Zone data

• Topology • lines parameters • load forecasts • accuracy of the measurements

• Principle: check the measurements coherency with respect to the healthy network model using state estimation

• Fault detection: for each snapshot of measurements – Perform state estimation – Check the coherency with the residuals – Analyze the load estimates


State estimation in distribution Fault detection

• General method, any measurement configuration • Voltage measurement redundancy used • Uses the current unbalance, the angle between voltage and current

Challenges • Load forecasting • Update of the parameters

• Could be also used for primary protection, but different requirements on communication


State estimation in distribution Protection

Protection of zone 1 Protection of zone 2

Protection of zone 3

• Local relaying gives fast fault isolation for strong faults • Communicating protection gives selective and sensitive backup • Speed: communication delays?

• is less a concern with reduced fault level


State estimation in distribution Fault location

Central calculator

Fault location

Networks data

Distributed phasor measurements

Fast system restoration

• Distributed measurements are more accurate than only one measurement point

• Solution with DGs and in microgrids • With synchronized measurements: much easier than with unsynchronized

measurements


State estimation in distribution Fault location

• In practice, measurements are not available on the faulted line directly • Æ Use of three phase state estimation to estimate the best during-fault

terminal voltages of the line Network states are first estimated there

Then fault location from healthy subnetworks : Measurement point


Outline


31


Fault location accuracy

32

• The outcome is that it is more complex to locate resistive faults, single phase faults or for networks with weak sources

A method to identify topology errors (e.g. wrong switch state assumes after several manual operation) during the fault location has been proposed as well


Fault location accuracy

33

• Errors caused by measurement noise and lines parameters errors • By defining standard deviation on those quantities: the fault location accuracy is

also calculated True fault location

Used for: • Confidence interval for the repair crew (in operation) • Analysis what fault location accuracy is possible using impedance-based method

for a particular network. If not accurate enough: use another principle (e.g. fault passage indication)


Outline


34


Conclusions

35

• Monitoring, Control and Protection will face challenges – DGs, networks operated in closed loop, microgrids – But not in every network

• Smart technologies allows new protection and new fault location methods – Communicating protection – Fault location using distributed measurements – Synchronized measurement is a must – The link between smart meters and real time load estimation need to be

developed

• Field tests and demonstrators are needed


Thesis in this domain – BEAMS-Energy • Stratégie de maintenance centrée sur la fiabilité dans les réseaux

électriques haute tension – O. Fouathia - 2005 • Impact of decentralized power on power systems – A. Morales

2006 • On monitoring methods and load modeling to improve voltage

stability assessment – B. Genêt – 2009 • High impedance fault detection in multi-grounded distribution

networks A. Valero Masa – 2012 • From the measurement of synchrophasors to the identification of

inter-area oscillations in power transmission systems – 2013 – J. Warichet

• Single phase to earth fault detection and location in compensated networks – M. Loos - 2013


Thesis in this domain – BEAMS-Energy • Monitoring, protection and fault location in power distribution

networks using system-wide measurements – P. Janssen – 2013 • Wide-area measurement-based approach for assessing the power

flow influence on interarea oscillations – 2013 – O. Antoine • Unsupervised learning procedure for nonintrusive appliance load

monitoring - 2013 – Q. Jossen • A two-level probabilistic risk assessment of cascading failures

leading to blackout in transmission power systems – 2013 – P. Henneaux

• Probabilistic curtailment analysis for transmission grid planning using Active Network Management – 2015 – F. Faghihi

Sortie officielle de la cartographie smart grids

Perspectives sur la gestion de la demande

Beez, 9 mai 2016

Dr.-Ir. Arnaud Latiers

Blackout

Plan de délestage

…une forme extrême et simple de Demand-Side management

Un système en équilibre

Production Consommation

= A system in balance

La demande s’adapte à la production disponible

Production variable Demande contrôlable

Demand-side Management Ensemble des interactions avec la demande d’électricité permettant de répondre à

un problème de sécurité du système (réserve), combler un besoin structurel (capacité de pointe, énergie), ou maximiser l’efficacité du système (prix de l’énergie)

Demand Side Management

Efficacité Energétique Demand Response

Ensemble des interactions avec la demande d’électricité permettant de répondre à un problème de sécurité du système (réserve), combler un besoin structurel

d’énergie (pointe), ou maximiser l’efficacité du système (prix de l’énergie)

BE light : +/- 2% de Tihange 3

Source : Piette

Participation à tous les niveaux

Ce n’est pas nouveau …

1882 : Western Edison Light Co.

Samuel Insull introduced Demand tariffs in order to increase the generators load factor.

1892 : John Hopkinson paper “On the cost of electricity supply”

Discussion on the necessity for electricity suppliers to charge consumers at a rate that is in direct relation with the cost of supply, suggesting time-varying tariffs.

Sources : S. Stoft, WJ Haussman

http://en.wikipedia.org/wiki/File:Samuel_Insull_2.jpg

… et ce n’est pas un problème technique !

Et aujourd’hui encore Il y a 60 ans déjà…

Le problème fondamental de la gestion de la demande

Changement d’habitudes… … s’habituer au changement

Ce que nous devons continuer à faire…

Convaincre Et continuer à convaincre… dans un monde très complexe

Exemple : PJM

Pourquoi choisir PJM ? Transparence !

Source : PJM

Appels rares

Similaire au plan de délestage !

Précision faible

Haute valeur

Le succès de la capacité : un produit simple!

Revenus du DSM dans PJM de 2008 à 2015

ou plutôt à la réserve stratégique

Nous vivons un cas similaire en Belgique

661

425

279

2013 2016

Production

Aggregators MW

En trois ans, 42% de la R3 !

Source : Elia, CAISO

Même si nous n’avons pas les mêmes besoins qu’ailleurs

“Loads participate in […] the market to the extend that market design allows” Source : Heffner, 2008

La gestion de la demande est très sensible à l’ensemble de l’éco-système (marché &

système) dans lequel elle évolue.

1880’s 1970’s 1990’s 2000’s

Liberalization Oil Crisis Early history CA

flexible demand [% of Peak load]

5-6%

2014

Order 745 “battle”

Of which decentralized generation

*

* Time

Sources : FERC, Cappers, Spees, Ruff, Zarnikau, Heffner

Un déploiement lié au contexte : exemple aux USA

1999 2001 2014

Liberalization (1) SR

Ampere commission

~5%

2013

R3DP

~2-3%

flexible demand [% of Peak load]

Of which decentralized generation

*

*

L’évolution de la gestion de la demande en Belgique

Sources : Gils, Elia, VITO, EnergyVille, Klobasa, KEMA

Belgian peak load

Industry

Tertiary

Residential

-3 % Today −5,5% potentially

−5% potentially

0% Today

+30% potentially

+5% potentially

−5% potentially

-2% Today

TOU tariff (bihoraire) 3-5% of daily energy

Avons-nous captés le 1/3 du potentiel actuel ?

Trois principes de départ…

1 2 3

Sources : Ruff, SEDC, Heffner

1 Avoir une vision commune, et un engagement de toutes les parties prenantes

2 Se Donner des Objectifs… et les suivre en toute transparence !

3 Design de marché équilibré

La gestion de la demande n’aime pas les changement… de contexte !

La voie la plus Simple Pas de subsides Faciliter les interactions

Adapter les règles

Source neutrality

Un cabinet indépendant peut réaliser un “état du marché” chaque trimestre. Objectif : parler sur base de chiffres, et non de croyances.

… Et d’autres messages importants

Pas de barrière

A. Latiers, Demand Response perspectives for Belgium in Reflets et perspectives de la vie économique - Marchés énergétiques en transition : le cas de la Belgique. Vol.2015/1-2, October 2015.

A. Latiers, Autonomous Frequency Containment Reserves From Energy Constrained Loads, PhD Thesis

Pour plus d’information

Merci

Beez, 9 Mai 2016

Arnaud Latiers

Contact : [email protected]

Contact : [email protected]

Smart grids versus Microgrids

Prof. Damien ERNST

But what is exactly a Smart Grid?

A definition in terms of functionality:

1. Better exploitation of the flexiblity of the (many small) load(s) so as to ensurethis balance between generation and production at the cheapest cost.

2. Smart modulation of generation sources, loads and storages so as to operate safely the electrical network without having to rely on significant investments in infrastructure. Fit and forget doctrine too difficult to enforce with the rapid growth of distributed generation resources. Active network management techniques are needed.

Being smart is difficult! Terribly difficult.

Implies (amond others) rethinking the whole decision chain used to operating distribution networks. It is composed of four stages:

! 1. Interaction models! 2. Investments! 3. Operational planning! 4. Real-time control

Specific difficulties

! Complex decision-making problems! Huge investments needed in the monitoring and control

infrastructure! Staff not prepared for a Smart Grid revolution! New vulnerabilities! Public procurement proceduresneeded for acquiring this new technology,which makes innovation difficult.

Why not going back to the good old days of

the fit and forget doctrine?

1. Every grid user at the distribution level would have access to a fixedaccess range defined by the maximum power that can bewithdrawn from the distribution network and the maximum power that can be injected into the network.

2. The distribution network is ensured to « work well » if all the usersstay within this range.

3. Consumption and production peaks are managed locally in microgrids that use storage, demand side management, and smart modulation of the production.

4. Possibility to set up intermediate solutions.

Microgrids: a definition

A microgrid is an electrical system that includes single or multiple loads as well as one or several distributed energy sources that can be operated in parallel with the broader utility grid.

Microgrids (at a community level): why can

they help in such a setting ?

Because a single access point at a community level (the microgrid) isless optimal than an access point per user of the grid.

I know that for many DNOs or TSOs,

microgrids are just pirates of the grid

But they should also consider this

1. Microgrids mean local economic activities. Installing/building microgrids will create a lot of local jobs. There is also an opportunity to grow a microgrid-related industry that would export products all over the world. Countries rapidly choosing to support microgrids will be best placed for exploiting it (as Denmark did with wind power)

2. An electrical power system with a high-penetration rate of microgrids is a structure which is resilient to terrorist/cyber attacks, technological failures, a global short-age of supply or disastrous meteorological conditions.

3. Without microgrids, electrical power production in Belgium is very likely to (almost) disappear in Belgium, with all the consequences that it may have. With microgrids, energy can also belong to the people.

4. Microgrids may help to postpone/avoid very costly future investments in an ageing grid, especially at the distribution level. If well-integrated, they may also offer very valuable services (e.g., balancing services, blackstart capacity) to the grid that may lead to a decrease in network tariffs.

And remember that microgrids may go fully off-grid " which would be the ultimate loss of revenues => Important for DNOs to always have a network that has # value $ for microgrids. Value of a distribution network can be increased thanks to better technology.

Electricity price < 250 euros/MWh

The electrical grid as it used to be

The electrical grid as it should become

Challenges for designing top-performing control strategies and making them work together are immense, especially in a deregulated (market) environment. Microgrids (and other alternative models) may help to make things much simpler.

MICRO– GRIDS&STOCKAGEPARTAGÉ

Mai2016

Présentation

u Delaproductiondécentraliséeaumicro-grid (P.Couneson)

u Planificationàlongtermed’unmicro-réseauindustriel(Ch.Stevanoni)

- - - - - -- --- -- --- --- -- --- --- -- --- --- -- --- --- -- --- --- --

ProjetPVMonnaie

u Avril2009:installationdelasociétéMonnaiesursonnouveausitedeStépy-Bracquegnies

- - - - - -- --- -- --- --- -- --- --- -- --- --- -- --- --- -- --- --- --

ProjetPVMonnaie

u Consommationdusite:environ600MWh/an

u Electricitépartsignificativeduprixderevient

u Prixélectricitévolatil(ettendanceàlahausse)

u Productionpropreàl’entreprisesanscombustible

u InstallationPVde250kWc (critèresaidesdel’époque)

- - - - - -- --- -- --- --- -- --- --- -- --- --- -- --- --- -- --- --- --

ProjetPVMonnaie

u 2cars-ports;1000panneaux250Wc

u Productionannuelleentre230et250MWh/an

- - - - - -- --- -- --- --- -- --- --- -- --- --- -- --- --- -- --- --- --

ProjetPVMonnaie

u MAISnonsynchronisationproduction– consommation(weekendp.ex)

u Tauxd’autoconsommation:70%environ(+/- 170MWh/an)

u Tauxinjection:30%de(+/- 70MWh/an)

u Valeurélectricitéinjectéesurleréseauetrappeléeensuite:

70MWh/anà(130€/MWh – 30€/MWh)soit7.000€/an

Ø quidd’unstockagedansl’entreprisepourmax.100.000€?

- - - - - -- --- -- --- --- -- --- --- -- --- --- -- --- --- -- --- --- --

ProjetPVMonnaie

u Prixdumarché(2013):>1.000€/kWhdestockage

u Idéed’unéchanged’électricité(Economiecirculaire)

u CARsuperpositiondesprofilsdeconsommationmontreque

- - - - - -- --- -- --- --- -- --- --- -- --- --- -- --- --- -- --- --- --

CAPACITED’UNEUNITEDESTOCKAGEPARTAGEE

<<<

SOMMEDESCAPACITESD’UNITESSTOCKAGEDECENTRALISEES

ProjetPVMonnaie

u L’apparitionnaturelledumicro-grid permettantuneoptimalisationdelavalorisationdel’auto-production

u MAISnombreusesquestionsàexaminer:

u Dimensionnementduréseaudeconnexion

u Dimensionnementunitédestockagepartagé

u RôleduGRD

u Lagestionquotidienne

u Laprévisiondesproductions/consommations….

- - - - - -- --- -- --- --- -- --- --- -- --- --- -- --- --- -- --- --- --

Thèsededoctorat-- - - - -- --- -- --- --- -- --- --- -- --- --- -- --- --- -- --- --- --

u Pourexaminercesquestionsetbiend’autresencore:

u DoctoratdeCharlineStevanoni


u Duzoningindustrielclassiqueverslemicro-réseauindustriel:

RD Utilisateur 1

RD Utilisateur 2

RD

µ-réseau

Zoning industriel classique Zoning industriel en µ-réseau

RD=réseaudedistribution


u Acteursd’unmicro-réseauindustriel:

Prosumers

GRD

IDEA

Acteurs Agrégateur

Gestionnairedumicro-réseau

Micro-réseauindustriel


u Originalitédelathèsededoctorat:

Placersuccessivementlesdifférentsacteursdumicro-réseauindustrieldanslerôled’agrégateuretvoircommentun« socialandeconomical welfare » peutêtre(ounon)obtenudanschaquecas

⇒ Différentesstratégiesdegestiondumicro-réseau

⇒ +2stratégies: agrégateur=unitéindépendante

agrégateur=organismed’état(sansbutlucratif)


u Objectifspoursuivisparchaqueagrégateurpossible:Agrégateur Signe Objectifs

GRD >0 Réduire la facture d’électricité avec le réseau de transport,maintenir ou améliorer la qualité de l’électricité dans le réseau dedistribution et dans le micro-réseau

Prosumers >0 Réduire la différence en prix d’achat et de vente de l’électricité,améliorer auto-consommation, fournir des services au GRD

IDEA <,=ou>0

Optimiserlefonctionnementdumicro-réseaugrâce auxénergiesrenouvelablesdesprosumers,développer lezoningindustrielgrâceàunprixattractifdel’électricité

Unitéindépendante

>0 Maximiserles revenusdumicro-réseauetoptimisersonfonctionnement

Organismed’état

=0 Optimiserlefonctionnementdumicro-réseau enmaintenantunbien-êtreglobalensonsein


u « Globalandeconomical welfare »:

Fonctionobjectifdecoûtssur20anspourchaqueacteuretl’agrégateurpourchaquestratégie:

Optimiserprofit (agrégateur =GRD)Optimiserprofit (prosumer individuel)Optimiserprofit (IDEA)

Stratégie I

Optimiserprofit (agrégateur =groupeprosumers)Optimiserprofit (prosumer individuel)Optimiserprofit (GRD)Optimiserprofit (IDEA)

Stratégie II


Stratégie III

Optimiserprofit (agrégateur =IDEA)Optimiserprofit (prosumer individuel)Optimiserprofit (GRD)

Optimiserprofit (agrégateur =indépendant)Optimiserprofit (prosumer individuel)Optimiserprofit (GRD)Optimiserprofit (IDEA)

Optimiserprofit (agrégateur =organismed’état)Optimiserprofit (prosumer individuel)Optimiserprofit (GRD)Optimiserprofit (IDEA)

Stratégie IV

Stratégie V


u Flowchart déterministepourchaqueacteur+l’agrégateurd’unestratégiechoisie:

Analysedumicro-réseau

Sélection desdecisionspossibles selon lemodèle

d’interaction

Calcul desfonctionsobjectifs

Ordre depréférence desdécisions

Calcul d’unéquilibreglobalentretous les

acteurs selon lathéoriedesjeux


u Modèled’interaction:

Prosumer 1

Prosumerk

Prosumer 2...

IDEA MarchéInterne

GRD=agrégateur

MarchéExterne

Réseaudedistribution

Micro-réseau

Transport+Taxes

flexibilitéGestionintelligente+maintenance+investissements

RESs+stockage(+maintenance)

RESs+Stockage(+maintenance)

Fournisseur d’électricité


u Flowchart déterministepourchaqueacteur+l’agrégateurd’unestratégiechoisie:

Analysedumicro-réseau

Sélection desdecisionspossibles selon lemodèle

d’interaction

Calcul desfonctionsobjectifs

Ordre depréférence desdécisions

Calcul d’unéquilibreglobalentretous les

acteurs selon lathéoriedesjeux


Plusieursacteursavecdesobjectifsdifférents

Théoriedesjeux– EquilibredeNash

Le théorie des jeux met en scèneun ensemble de joueurs ayantleurs propres objectifs (stratégies)et interagissant entre eux.

Solution pour laquelle l’ensembledes choix effectués par chaquejoueur, connaissant les stratégies detous les joueurs, mène à unéquilibre tel qu’aucun des joueursne voudrait en dévier: unemodification unilatérale de stratégieaffaiblirait l’équilibre global

u GameTheory:


u Travailencoursetperspectives

o Choixd’untypedejeudanslaGameTheory

o Modèled’interactionpourchaquestratégie

o Fonctionobjectifdecoûts

o Planificationpréventiveprenantencomptedesincertitudes

Optimization for a Smarter Energy World !

Sortie officielle de la cartographie SmartGrid

Namur, April 11 2016

Thebestofadvancedanalyticsforoptimaldecision-making

Mathematical sciences

Business engineering

Computer science

Our professionals provide youwith combined expertise in:

State-of-the-art mathematics and algorithms are at the heart of N-SIDE’s innovation

Providing tailored software solutions & services to optimize decision making

Maximize profitsBe agile Manage risks

Descrip(veDetailedmathema+calmodeltodescribecomplexityand

opportuni+es

Predic(veAdvancedforecasttobeaheadofrisk/opportunity

Prescrip(veEfficientalgorithmtogenerateop+mal

decisions

N-SIDEAP

PROAC

H

2

3

DescriptiveDetailedmathematicalmodelstodescribecomplexityand

opportunities

PredictiveAdvancedforecasttobeaheadofrisk/opportunity

PrescriptiveEfficientalgorithmtogenerateoptimal

decisions

N-SIDEAP

PROAC

HThebestofadvancedanalyticsforoptimaldecision-making

MarketcouplingOptimization

EnergyFlexibilityOptimization

How to design and optimize my micro-grid in an optimal way ?

MicroGridOptimization

OptimizationforasmarterEnergyWorld

4

MarketCouplingOptimization

EUPHEMIAbyN-SIDE

Day-aheadelectricitypricesinEuropearecalculatedeverydaythankstoN-Sidealgorithms

> “EUPHEMIA”: market coupling algorithm for European Power exchange, implemented and developed in-house by N-SIDE, from theory to operations

> Used daily by Power Exchanges to fix pan-EU day-ahead electricity prices in 19 EU countries

> Computing market prices & volumes by:§ coupling national markets§ maximizing total economical welfare§ optimizing network capacity utilization§ modeling complex constraints

Modeling and Optimization of Electricity Markets

6

EnergyFlexibilityOptimization

ENERTOPbyN-SIDE

EnergyFlexibilityOptimizationwiththebestofadvancedanalytics

Flexible LoadModels

CHPModels

RESModels

StorageModels

EVsModels

EfficientMathematicalModellings

PlanningOptimization

Real-timeOptim.

InvestmentOptimization

AggregationOptim.

BiddingOptimization

AdvancedOptimizationAlgorithms

+

DAMarketForecast

BalancingOpporunities

ReserveMarkets

DemandForecast

ContractsModel

AccurateForecasts

+ =CustomizedFlexibilityOptimizationSolutions

8

Mathematicalmodelstodescribeplantcomplexity…Amathematicalmodel iskeyforconsideringallfactorsinanintegratedway…

Limestone) Crushers) Storage) Raw)Mill) Storage)

Preheater)Tower)

Cement)Kiln)Clinker)Cooler)Storage)Gypsum)

Cement)Mill) Storage) Shipping)

Gridandmarketinteraction• Differentelectricity

contracts(OTC,spotbased)

• Capacityconstraints

Storagefacilities• Min-maxcapacities• Storagetarget

Industrialprocesses• Allinputandoutputflows• MaximalStop/Day

• MinimaltimeOFF• ON-Offprocedure• Operatingrates

Economics• RM,electricitycosts• Opportunitycosts• Fixandvariable

operatingcosts• IncentivefromDR

programs9

1

Example:MathematicalModelofCementPlants

Product Demand• Quantitiesanddeliverydates• Must/Mayserve

…andthedifferentsenergyflexibilities

10

Produce electricity at optimal moment

ElectricityGeneration

ElectricityConsumption

Consume electricity at optimal moment

LoadShifting

LoadScheduling

LoadSheddingElectricityStorage

B

A

C F

CHPModulationE

FuelSwitchingD

Advancedforecaststobeaheadofrisk/opportunities

11

StatisticsandMachinelearningtechniques

Price forecast SpotPriceForecast

2

12

ProbalisticApproach



1° Reservecomposition:Quantityreserved/Marginalcostforeachreserve

2° ImbalancevolumeonpreviousQuarter

3° Externalunpredictedchange

Imbalanceorientation:

LevelofImbalance:

BalancingOpportunityForecast

Advancedforecaststobeaheadofrisk/opportunities2

13

ProbalisticApproach




3° Externalunpredictedchanges

Imbalanceorientation:

LevelofImbalance:

Stochastictreetogeneratewhat-if

scenarios

1° Demand:Orderbook

2° Process:Maintenanceandmachinefailure

3° Externalfactors

CombinedWhat-ifscenarios




14




3° Externalunpredictedchanges

Stochastictreetogeneratewhat-ifscenarios

1° Demand:Orderbook

2° Process:Maintenanceandmachinefailure

3° Externalfactors

CombinedWhat-ifScenarios

ProbalisticApproachImbalanceorientation:

LevelofImbalance:




Efficientalgorithmstogenerateoptimalplanning….

15

AdvancedAlgorithm

üAccurateresultsüFastrunning

üRobustSolutionü IntuitivePlanning

Electricitypriceforecast

RiskFactorsforecast

Mathematicalmodeling

Optimizedplanning

3

…leveragingthedifferentflexibilityleversinaintegratedway…

16

Produce electricity at optimal moment

ElectricityGeneration

ElectricityConsumption

Consume electricity at optimal moment

LoadShifting

LoadScheduling

LoadSheddingElectricityStorage

B

A

C F

CHPModulationE

FuelSwitchingD Integrated

Optim

izatio

n

StrategicOptimization

ReserveOptimization

SchedulingOptimization

Real-timeOptimization

…andmaximizesavingsonthedifferentkeytimeframes

17

• Optimalelectricitycontract

• Optimalinvestmentinflexibilityassets

• Optimalchoiceofflexibilityproductsandvolumes

• Optimalpowerandenergyprice

• Optimalschedulingofelectricityload

• OptimalplanningofCHPunit

• Optimalimbalanceminimization

• Optimalactivationmanagement

InduStore• Objective: Quantify and Optimize Demand

Response potential in industrial sector in Wallonia

• 4 years project funded by walloon region (started in Oct. 2014)

• Partners: N-SIDE, UCL, ULg and ICEDD

• Objective: Optimize interaction between TSO and DSO to leverage flexibilities at local level

• 3 years H2020 projects starting in 2016• Partners: 22 including RSE, Siemens,

Vodafone, Energinet.dk, Terna, Sintef, VTT, VITO.

Innovative Projects on Energy Flexibility Optimization

MicroGrid Optimization

How to design and optimize my micro-grid in an optimal way ?

E-Cloud:ProjectforanOpenMicrogrid Solution

20

• Optimizedmicrogrids forindustrialparks(eco-zoning):§ OptimalinvestmentinRES§ Optimalsharingoflocallyproduced

electricity§ Optimalstorageofelectricity§ Optimalbillingprocessmanagedby

DSOinchargeofeco-zoning§ Optimalinteractionwithnetwork

§ TwopilotsprojectsinWallonia

Partnership

Interestedtoknowmore?Pleasecontactus

OlivierDevolderEnergyProjectManagerTel:+32472468344Email:[email protected]

N-SIDEWatson&CrickHillPark– Bldg.HRueGranbonpré,11B- 1348Louvain-la-Neuve

©3E | | www.3E.eu

COMMENT UN CONTRÔLE PLUS INTELLIGENT PEUT-IL CONTRIBUER À LA TRANSITION ÉNERGÉTIQUE?

LEÇONS APPRISES DE 3 PROJETS R&D

TWEED - Cartographie Smart Grid

[email protected]

Intro (1/2)

BâtimentsActuellement 40% de la consommation totale

Potentiel du contrôle intelligent: …jusqu’à 40% d’économie

3 projets R&D relatifs au Smart Grid

3

BATTERIE

Intro (2/2)

4

FLEXIPAC SPW - DG04 (RELIABLE)

Exemple 1

Comment valoriser la flexibilité des pompes à chaleur résidentielles?

Pourquoi la flexibilité?

Exemple 1 (1/2)

Couts et bénéfices de la flexibilité

6

Exemple 1 (2/2)

Acteurs Impact de la flexibilité Bénéfices actuels Bénéfices futurs

Consommateur Plus d’énergie consommée

Fournisseur Achats en heures creuses

Gestionnaire de réseau

Diminuer la congestion

Intérêt général

7

BATTERIE SPW - DG06 (Cwality)

Exemple 2

Comment valoriser une interface intelligente pour un bâtiment tertiaire?

Interface de contrôle intelligent

8

Solution logicielle:• Modélisation auto. • Optimisation • Exploitation de la

flexibilité

Exemple 2 (1/2)

Confort thermique &

Cout d’énergie minimal

Load shifting &

Peak shaving

Démonstration dans le monde réelle

9

Exemple 2 (2/2)

Moins 30 à 40% de couts énergétiques Moins de congestion réseau…

10

MetaPVEU – FP7

Exemple 3

Comment intégrer plus de photovoltaïque dans le réseau de distribution?

Démonstration dans le monde réel

11

Exemple 3 (1/2)

4 communes du Limbourg: Lommel, Opglabbeek, Saint-Trond, Heusden-Zolder

Démonstration:+ 85 installations résidentielles (BT) + 9 installation commerciales (MT)

Réseau de distribution quasi-saturé: PV: 42 MW

Limite de tension sup.

Limite de tension inf.

Gestionnaire du Réseau de Distribution

Internet ou SCADA

12

Résultats

Exemple 3 (2/2)

Onduleurs intelligents

Capacité d’accueil du réseau:+ 50% de PV possible

Couts:10x moins cher qu’un renforecementclassique

Leçons apprises

Systèmes Efficients

Système mal contrôlé

Les couts restent élevés+ =

Politique de support actuelle concentrée sur l’investissement

13

Conclusions (1/2)

Recommandation

Systèmes Efficients

Contrôleintelligent Vers l’optimum…+ =

Changement de politique nécessaire: Rémunérer la bonne exploitation et les performances réelles

14

Conclusions (2/2)

Contactez nous

15

BruxellesLouvain-la-NeuveGentToulouseParisBeijingIstanbulCape TownLondonwww.3E.eu

T +32 2 217 58 [email protected]