L'efficacité énergétique dans la distribution d'électricité n'est pas seulement une préoccupation opérationnelle, mais aussi un impératif financier et environnemental. Les réseaux de transport et de distribution, les artères du réseau électrique, perdent inévitablement de l'énergie au fur et à mesure que l'électricité passe des générateurs aux utilisateurs finaux.Ces pertes, qui peuvent consommer de 5 à 10 % de l'électricité produite dans le monde entier, représentent des milliards de dollars en combustibles et en infrastructures gaspillés.

L'échelle des pertes d'énergie dans les systèmes d'alimentation modernes

Selon la U.S. Energy Information Administration, les pertes de transport et de distribution (T&D) aux États-Unis représentent en moyenne environ 5 à 6 % de l'électricité totale livrée. Dans les réseaux plus anciens ou moins entretenus, ce chiffre peut dépasser 15 %. Les pertes de T&D représentent environ 8 % de la production totale d'électricité, soit 1 500 térawattheures par an, ce qui équivaut à la consommation totale d'électricité de l'Inde.

Les pertes non techniques comprennent le vol, les erreurs de mesure et les anomalies de facturation. Bien que graves, elles sont fondamentalement des problèmes administratifs et juridiques. Les pertes techniques, par contre, résultent de la physique du transport d'électricité – principalement du chauffage résistif dans les conducteurs (pertes I2R), des pertes de cœur et de bobinage dans les transformateurs, et des flux de puissance réactifs qui augmentent le courant sans fournir de travail utile. La programmation intégrale est particulièrement adaptée pour faire face aux pertes techniques parce que ces pertes dépendent de décisions discrètes telles que l'état d'un commutateur (ouvert ou fermé), la position du robinet d'un transformateur ou le statut d'une banque de condensateurs.

Comprendre la nature des pertes de transmission et de distribution

Les pertes de systèmes de transmission et de distribution ne sont pas uniformes. Les lignes de transmission fonctionnent à haute tension (115 kV à 765 kV) et transportent la puissance sur de longues distances; leurs pertes sont dominées par la résistance de la ligne et varient avec le carré du courant. Les systèmes de distribution fonctionnent à basse tension (4 kV à 35 kV) et ont une résistance plus élevée par unité de longueur, de sorte que même les petits courants peuvent entraîner des pertes significatives.

Historiquement, les services publics ont approché la réduction des pertes avec des pratiques de règle de la hauteur : maintenir des niveaux de tension élevés, équilibrer les charges entre les phases et ajouter des condensateurs pour la correction du facteur de puissance.Ces méthodes fonctionnent mais donnent rarement la solution optimale parce que l'espace de décision est énorme. Un alimentateur de distribution de taille moyenne typique peut contenir des dizaines de commutateurs; il y a 2]n] configurations possibles pour les commutateurs n, une explosion combinatoire. La programmation entière est conçue précisément pour ces problèmes où le nombre d'états discrets possibles est trop grand pour être énuméré manuellement.

Approches traditionnelles de la réduction des pertes

Avant l'adoption généralisée de modèles d'optimisation, les ingénieurs se sont appuyés sur des simulations de débit de charge et sur l'expérience pour trouver de meilleures configurations de réseau. Ils feraient fonctionner une poignée de scénarios et choisiraient celui qui présente les pertes les plus faibles. Bien que cette approche puisse identifier des améliorations évidentes, elle ne peut garantir l'optimalité.

Des méthodes heuristiques, telles que les algorithmes génétiques, le recuit simulé et l'optimisation des essaims de particules, ont été utilisées pour explorer l'espace de recherche plus en profondeur. Ces méthodes peuvent trouver de bonnes solutions rapidement, mais elles ne fournissent pas un certificat d'optimalité. Une solution trouvée par une heuristique pourrait être 5% meilleure que le cas de base, mais le véritable optimum pourrait être 10% meilleure. Dans une industrie où même une réduction de 1% des pertes peut économiser des millions de dollars par an, ce fossé compte.

La programmation intégrale comme outil d'optimisation mathématique

La programmation entière (IP) est une branche d'optimisation mathématique dans laquelle certaines ou toutes les variables de décision sont contraintes de prendre des valeurs entières. Lorsque la fonction objective et les contraintes sont linéaires, le problème est un programme linéaire mixte (MILP). La plupart des problèmes de réduction des pertes dans les systèmes de puissance peuvent être formulés comme des MILP parce que les lois physiques (Kirchhoff , lois du courant et de la tension) et les décisions discrètes (état de commutation, positions de tapot) sont linéaires lorsqu'elles sont exprimées correctement.

La puissance de l'IP réside dans sa capacité à modéliser les décisions binaires — un commutateur est ouvert (0) ou fermé (1) — et à gérer des contraintes logiques telles que -si le chargeur A est ouvert, alors le chargeur B doit être fermé pour éviter une boucle. - Les résolveurs IP modernes (par exemple CPLEX, Gurobi, SCIP) utilisent des techniques de branchement et de raccordement, de branchement et de coupe et de présolvabilité pour résoudre de grandes instances avec des millions de variables.

Pour appliquer la propriété intellectuelle à la minimisation des pertes, l'ingénieur doit traduire le système de puissance physique en un modèle mathématique, qui comporte trois éléments essentiels : les variables de décision qui capturent les actions discrètes disponibles, une fonction objective qui quantifie les pertes totales et les contraintes qui font respecter les lois de la physique et les limites de fonctionnement de l'équipement.

Éléments clés d'un modèle de programmation entier pour réduire au minimum les pertes

Variables de décision

Les variables de décision définissent la configuration du réseau. Les types communs comprennent:

  • Variables d'état de commutation (binaire) :[ 0 si un commutateur normalement fermé est ouvert, 1 s'il reste fermé.
  • État de la banque du gestionnaire (binaire ou entier): Indique si un condensateur de chasse est connecté et, dans l'affirmative, si tel est le cas, si le réglage de la touche est discret.
  • positions de la touche de conversion (entier):[ La position de la touche modifie les rapports de tension; chaque touche correspond à une marche fixe de la touche de la touche de conversion.
  • La répartition du générateur est la suivante : Lorsqu'un générateur distribué est activé ou éteint, ce qui affecte le débit d'énergie.

Dans de nombreuses formulations, les variables continues représentent les tensions de bus, les angles de phase et les débits de puissance, tandis que les variables entières capturent les décisions discrètes qui affectent ces débits.

Fonction objective

L'objectif est presque toujours de minimiser les pertes de puissance réelles totales dans le système. Pour un réseau de transmission ou de distribution avec un ensemble de branches B, les pertes peuvent être exprimées comme la somme des pertes I2R dans chaque branche:

Minimiser -(i,j)----[P---[Q-]--]-[V2-]

où Rij est la résistance de la branche i–j, Pij et Qij] sont des flux de puissance réels et réactifs, et V est la magnitude de tension (souvent approximative de 1 p.u. ou traitée comme une variable).

Lorsque les pertes sont réduites au minimum, les avantages secondaires apparaissent souvent automatiquement : des courants plus faibles réduisent la charge sur les transformateurs et les lignes, libèrent la tête de lit pour la croissance future de la charge et des profils de tension améliorés réduisent la contrainte sur l'isolation.

Contraintes

Les contraintes d'un modèle de PI pour la réduction des pertes doivent saisir à la fois les lois physiques et les limites opérationnelles:

  • Équilibre de puissance (Kirchhoff) :[ À chaque bus, l'injection nette de puissance réelle et réactive doit correspondre à la somme des débits sortant du bus. C'est une équation linéaire si la linéarisation de DistFlow est utilisée.
  • Limites de tension: Les tensions du bus doivent rester dans une plage spécifiée (habituellement ±5% du nominal), ce qui est des contraintes d'inégalité linéaire dans le modèle linéaire.
  • Limites de capacité de la ligne :[ Le courant ou le débit de puissance de chaque branche ne doit pas dépasser sa puissance thermique.
  • Contraintes de la radialité : Pour les réseaux de distribution, le système doit fonctionner dans une topologie radiale (arbre) pour assurer une bonne coordination de l'isolement et de la protection des défauts. La radialité peut être imposée en utilisant des contraintes de travée ou en exigeant que le nombre d'interrupteurs fermés soit égal au nombre de bus moins un, combiné à des contraintes de continuité.
  • Contraintes opérationnelles :[ Par exemple, si un transformateur est hors service, ses interrupteurs de connexion doivent être ouverts. Si un condensateur est commuté, il peut y avoir un minimum de temps entre les changements d'état.

La formulation correcte de ces contraintes est l'étape la plus critique. Un modèle défectueux peut produire des solutions qui semblent optimales mais violent les lois physiques, par exemple une solution qui ouvre trop de commutateurs et crée des îles sans génération.

Résoudre le modèle de programmation entier: Algorithmes et scalabilité

Une fois le modèle construit, il est résolu avec un résolveur MILP commercial ou open source. Le résolveur utilise branche-et-lié, un algorithme de recherche d'arborescence qui résout à plusieurs reprises les relaxations de programmation linéaires (où les contraintes entières sont abandonnées) et branches sur des variables fractionnelles. Pour les problèmes de perte-minimisation, le résolveur trouve généralement des solutions quasi-optimales rapidement (dans un maximum de 1 à 5 % de l'optimum) et passe ensuite le plus de temps à combler l'écart d'optimalité.

Pour les réseaux avec jusqu'à quelques centaines de nœuds, les résolveurs modernes peuvent produire une solution optimale en quelques minutes. Pour les réseaux plus grands (en milliers de nœuds), le problème peut devenir insoluble s'il est résolu exactement. Dans ces cas, les ingénieurs utilisent souvent des techniques de décomposition – comme la décomposition de Benders ou la relaxation lagrangien – qui divisent le problème en un problème principal (décisions discrètes) et en sous-problèmes (flux continu de puissance).

Une autre approche pratique consiste à utiliser une stratégie d'horizon roulant. La journée est divisée en intervalles (p. ex., heures) et un modèle IP statique est résolu pour chaque heure à l'avance, en utilisant la charge et la génération prévues. Les décisions discrètes (positions de commutation, réglages du condensateur) sont ensuite fixées pour cette heure, tandis que les variables continues s'ajustent en temps réel.

Étude de cas : Reconfiguration optimale du réseau pour la réduction des pertes

Un ingénieur tente manuellement d'ouvrir un commutateur de liaison et de fermer un commutateur normalement ouvert, réduisant ainsi les pertes à 185 kW, soit une amélioration de 9 %. Mais un modèle IP qui considère simultanément les 32 variables binaires peut trouver la configuration optimale au niveau mondial : les pertes baissent à 139,5 kW, une réduction de 31%. Les 22 points supplémentaires d'amélioration sont obtenus par l'ouverture de trois commutateurs et la fermeture de trois autres, une configuration qui ne serait jamais trouvée par essai et erreur parce que les interactions entre les états de commutation sont trop complexes pour intuit.

Cet exemple illustre pourquoi la programmation intégrale n'est pas seulement un exercice théorique. Elle est utilisée en pratique par des utilitaires comme Southern Company, EDF et Terna pour planifier des reconfigurations saisonnières, pour déterminer les paramètres optimaux des dispositifs de régulation de tension et pour évaluer l'impact de l'ajout de ressources énergétiques distribuées.Le du département américain de l'Énergie a financé plusieurs projets qui utilisent MILP pour coordonner les onduleurs intelligents déployés sur les alimentations de distribution, permettant ainsi de réduire les pertes de 10 à 15 % par rapport aux stratégies de contrôle classiques.

Surmonter les défis informatiques : progrès et approches hybrides

Malgré sa puissance, la programmation entière est confrontée à des obstacles. L'obstacle principal est le temps de calcul pour les systèmes grands et réalistes. Un réseau avec 10 000 bus et 5 000 commutateurs peut contenir 25000 configurations potentielles – un nombre si grand que tout résolveur exact va lutter. L'heuristique peut aider : un hybride efficace est de faire fonctionner un résolveur IP pendant un temps limité (p. ex. 300 secondes), d'économiser la meilleure solution trouvée, puis d'utiliser cela comme un début chaud pour une heuristique de recherche locale qui explore de petits changements.

Un réseau neuronal formé sur les solutions optimales passées peut prédire quels commutateurs sont susceptibles d'être fermés dans la solution optimale. Ces prédictions sont utilisées pour réduire l'espace de recherche — le modèle IP ne considère qu'un sous-ensemble d'états plausibles, réduisant de façon spectaculaire le temps de résolution. Cette approche -='''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''

La programmation stochastique en entier gagne également en traction. Comme les charges et la production renouvelable sont incertaines, la minimisation des pertes déterministes peut produire une configuration optimale pour les conditions moyennes mais qui se déroule mal lorsque les conditions s'écartent. Les modèles IP stochastiques intègrent plusieurs scénarios (p. ex., ensoleillés ou nuageux, pics ou hors-pique) et minimisent les pertes attendues sur ces scénarios.

Intégrer la programmation intégrale aux énergies renouvelables et aux réseaux intelligents

La croissance rapide de l'énergie solaire et éolienne distribuée ajoute à la fois complexité et opportunité. Lorsqu'un alimentateur a une forte pénétration solaire, la charge nette (charge moins production solaire) peut inverser la direction pendant la mi-journée, causant des pertes à l'augmentation dans le réseau basse tension.

De plus, à mesure que les onduleurs intelligents deviennent communs, les décisions discrètes s'étendent : les onduleurs eux-mêmes peuvent être activés/désactivés, réglés au facteur de puissance fixe ou envoyés pour un support de puissance réactif.Ces décisions peuvent être intégrées dans un modèle MILP au prix de variables binaires supplémentaires.Des services comme National Renewable Energy Laboratory (NREL) ont démontré qu'un tel modèle IP intégré peut réduire les pertes d'énergie annuelles de 25 % dans les alimentations à forte pénétration tout en maintenant simultanément la tension dans les limites de l'ANSI.

Conclusion

La réduction des pertes d'énergie dans les réseaux de transmission et de distribution est l'une des mesures les plus efficaces que l'utilitaire puisse prendre pour améliorer l'efficacité, réduire les coûts et réduire l'empreinte environnementale. La programmation Integer offre une méthode mathématiquement rigoureuse pour trouver la configuration optimale des commutateurs, condensateurs, transformateurs et autres dispositifs discrets qui contrôlent le flux d'énergie.

Les ingénieurs qui maîtrisent l'art de formuler des problèmes de minimisation des pertes en tant que programmes entiers seront mieux équipés pour concevoir les grilles de demain — des grilles qui non seulement sont plus efficaces mais aussi plus résistantes, plus adaptables et prêtes à intégrer les ressources énergétiques distribuées des décennies à venir.