Présentation

Les décideurs doivent choisir des quantités entières de composants — panneaux solaires, éoliennes, unités de stockage de batteries, onduleurs — tout en respectant les limites budgétaires, l'espace physique et la demande fluctuante. La programmation intégrée (IP) fournit un cadre mathématique rigoureux pour résoudre ces problèmes d'optimisation discrets, en veillant à ce que chaque installation soit à la fois rentable et techniquement saine. Cet article explore comment la programmation intégrale est appliquée à la planification des systèmes d'énergie renouvelable hors réseau, couvrant ses principes sous-jacents, ses applications clés, ses contraintes, ses avantages et ses orientations futures.

Comprendre la programmation intégrale

La programmation entière est une branche d'optimisation mathématique où certaines ou toutes les variables de décision sont contraintes d'accepter des valeurs entières. Contrairement à la programmation linéaire (LP), qui permet des variables continues, les modèles IP reflètent des choix du monde réel qui sont intrinsèquement discrets – par exemple, - Buy 3 panneaux solaires - - Buy 3.7 panneaux.

  • Programmation complète pure: toutes les variables de décision doivent être des entiers.
  • Programmation d'entiers multiples (MIP): certaines variables sont entières (ou binaires) tandis que d'autres restent continues.
  • Programmation en entier binaire : Les variables en entier sont limitées à 0 ou 1, ce qui représente souvent des décisions oui/non comme l'installation d'une éolienne ou la construction d'une ligne de transmission.

Une formulation simple du MIP pour un système hors réseau pourrait réduire au minimum le coût total sous réserve de satisfaction de la demande, où le nombre de panneaux solaires (entier) et l'état de charge de la batterie (continu) interagissent. Des solvants comme Gurobi, CPLEX et des outils open-source tels que Google OR‐Tools ou le paquet Python PuLP peuvent gérer ces modèles, fournissant des solutions provulsivement optimales ou quasi-optimales dans les tolérances spécifiées. Pour une introduction mathématique plus approfondie, voir l'article Wikipedia sur la programmation integer.

Principales applications de la planification des énergies renouvelables hors réseau

Taille et configuration des composants du système

Par exemple, un modèle IP peut choisir simultanément le nombre de panneaux photovoltaïques (PV) (entier), le nombre d'éoliennes (entier), la capacité des banques de batteries (entier ou continu selon la technologie considérée) et la taille de l'onduleur (entier ou continu). La fonction objective minimise généralement le coût net actuel, y compris les dépenses en capital, les coûts d'exploitation et d'entretien, et les coûts de remplacement pendant toute la durée du projet, ce qui garantit que le système satisfait à la charge prévue tout en évitant la surdimensionnement qui gaspillerait les capitaux.

Engagement de l'unité et calendrier de l'expédition

Dans les systèmes hybrides qui combinent générateurs renouvelables avec générateurs diesel de secours ou stockage de batteries, la programmation intégrale optimise les unités qui doivent être en ligne à chaque heure (une décision binaire on/off) et la puissance que chaque unité doit produire (variables continues). Ceci est particulièrement important pour les systèmes à capacité limitée de batterie ou les coûts élevés du carburant diesel.

Conception de réseau pour microgrilles

Lorsqu'elles planifient un microréseau qui sert des charges multiples réparties sur une zone géographique, les variables entières représentent les emplacements à relier, le nombre de lignes de distribution et le placement de transformateurs. Les variables binaires peuvent indiquer si une ligne est construite entre deux nœuds, tandis que les variables entières représentent le nombre de lignes parallèles. Le modèle minimise ensuite les coûts d'infrastructure tout en assurant la stabilité de tension et les contraintes de capacité de la ligne.

Composants de base modélisés comme variables entières

Selon la granularité du modèle de planification, les composantes suivantes sont souvent représentées par des variables entières ou binaires:

  • Plaques solaires (entier): nombre de modules, chacun ayant une capacité maximale fixe.
  • Turbines à vent (entier): nombre de turbines, souvent avec des niveaux de capacité distincts (p. ex. 1,5 MW, 2 MW).
  • Les banques de batteries (entier ou binaire): nombre d'unités de stockage identiques; les variables binaires peuvent indiquer la présence d'un système de gestion de batterie ou d'une chimie spécifique.
  • Onduleurs et convertisseurs (entier): nombre d'unités, chacune avec une puissance nominale.
  • Générateurs de diésel (binaire): si un générateur d'une taille donnée est installé; les variables entières peuvent représenter plusieurs générateurs identiques.
  • Lignes de transmission (binaire): si une connexion entre deux points est construite; les variables entières peuvent représenter le nombre de lignes parallèles.

Comme chaque composant ajoute un coût fixe, le modèle IP impose naturellement des économies d'échelle, l'installation d'un seul grand générateur peut être moins coûteuse que deux plus petits, mais l'exigence d'un nombre entier oblige à prendre une décision réaliste.

Contraintes dans les modèles de programmation entiers

Les modèles de planification hors réseau réalistes comportent une vaste gamme de contraintes. Les éléments suivants sont typiques dans la littérature :

  • Limitations budgétaires: Le coût total en capital ne doit pas dépasser un plafond d'investissement donné.Il s'agit habituellement d'une contrainte linéaire qui résume le coût de chaque composante sélectionnée.
  • Disponibilité des ressources:[ Les données sur l'irradiation solaire et la vitesse du vent sont utilisées pour calculer la puissance horaire ou saisonnière. Le modèle doit s'assurer que la production d'énergie renouvelable ne dépasse pas ce que les ressources locales peuvent fournir.
  • Satisfaction requise: à chaque étape, la production totale et la décharge de la batterie doivent satisfaire ou dépasser la charge. Cela peut comprendre une contrainte de fiabilité telle que la perte de probabilité de charge (LOLP) en dessous d'un seuil.
  • Technique (balance de puissance):[ les flux d'énergie entrant et sortant des batteries doivent respecter les limites de charge/décharge et l'efficacité.
  • Dynamique du stockage : L'état de charge est suivi au fil du temps, avec des contraintes qui empêchent le surchargement ou la décharge profonde.
  • Contraintes spatiales :[ la superficie disponible limite le nombre de panneaux solaires; les règlements acoustiques ou visuels peuvent restreindre le placement des éoliennes.
  • Les objectifs environnementaux:[ Les plafonds d'émission de CO2 ou les seuils de fractions renouvelables (p. ex., au moins 80 % d'énergie renouvelable) sont exprimés en contraintes linéaires.

Ces contraintes exigent souvent des variables continues (comme le débit de puissance) et des variables discrètes (comme le nombre de composants), ce qui fait des modèles des programmes linéaires entiers mixtes (PIM).

Avantages de l'utilisation de la programmation intégrale

L'adoption d'une programmation intégrale pour la planification hors réseau offre plusieurs avantages décisifs par rapport aux méthodes ad hoc ou heuristiques:

  • Optimalité mondiale: Pour les problèmes bien posés, les résolveurs IP garantissent que la solution est optimale (dans un délai prescrit).
  • Réduction des coûts:[ En explorant systématiquement les combinaisons, les modèles IP peuvent identifier des configurations dont le coût du cycle de vie est nettement inférieur à celui des modèles de règles de jeu.
  • Fiabilité améliorée:[ Les contraintes de stockage et de sauvegarde permettent au système de survivre à des périodes de faible puissance renouvelable, réduisant ainsi le risque de pannes.
  • Échelle : Les formulations MILP peuvent être étendues à la planification pluriannuelle, à plusieurs sites ou intégrées à des décisions de raccordement au réseau. Le même cadre peut tenir compte des nouvelles technologies (p. ex., stockage de l'hydrogène) en ajoutant de nouvelles variables et contraintes.
  • Intégration de multiples objectifs:[ Bien que la plupart des modèles réduisent le coût, IP peut également gérer des objectifs pondérés tels que minimiser les émissions, maximiser la part des énergies renouvelables ou réduire la consommation de carburant – tous dans un seul exercice de résolveur.

Une démonstration pratique de ces avantages peut être observée dans une étude de cas réalisée par NREL sur l'optimisation du microréseau en Alaska, où le MILP a réduit la consommation de diesel de 40% par rapport à une conception conventionnelle.

Défis et limites

Malgré sa puissance, la programmation intégrale n'est pas sans difficultés :

  • Complexité informatique:[ De nombreux problèmes de MILP sont difficiles à résoudre, ce qui signifie que le temps de la solution peut croître de façon exponentielle avec le nombre de variables entières.
  • Précision des données : Les résultats de la PI ne sont que aussi bons que les données d'entrée. Les incertitudes concernant les prévisions des ressources solaires et éoliennes, les projections de charge et les coûts des composantes peuvent conduire à des performances réelles sous-optimales si elles ne sont pas prises en compte.
  • effort de formulation du modèle:[ La construction d'un modèle IP nécessite une expertise dans les systèmes énergétiques et la programmation mathématique.
  • Interprétation de la solution: Les décideurs ont parfois du mal à faire confiance à une solution --black-box, surtout lorsque le solveur revendique l'optimalité après un long terme.

Pour relever ces défis, les chercheurs combinent IP et programmation stochastique pour gérer l'incertitude, ou utilisent des méthodes de décomposition (p. ex., décomposition de Benders) pour résoudre de grandes situations.

Comparaison avec d'autres approches d'optimisation

La programmation intégrale n'est pas le seul outil de planification hors réseau. Voici une brève comparaison :

  • Programmation linéaire (LP):[ LP peut gérer le calibrage continu (p. ex., fraction continue d'un panneau) mais produit des résultats fractionnels irréalistes pour des composants discrets.Une solution LP peut suggérer 2,3 turbines, qui doivent alors être arrondies, détruisant souvent l'optimalité.
  • Algorithmes heuristiques et métaheuristiques: Les algorithmes génétiques, l'optimisation des essaims de particules et le recuit simulé peuvent traiter les non-linéarités et les grands espaces de recherche. Cependant, ils ne garantissent pas l'optimalité et peuvent nécessiter de nombreuses évaluations de fonctions.
  • Des outils comme HOMER utilisent des méthodes de recherche exhaustives ou sans gradient sur un ensemble fini de tailles discrètes. Cela fonctionne bien pour de petits problèmes mais ne peut pas gérer de nombreuses décisions interdépendantes.
  • La programmation rubistique et stochastique:[ Ces extensions de IP intègrent directement l'incertitude. Elles sont plus exigeantes en calcul mais donnent des solutions qui résistent aux scénarios les plus défavorables.

Pour un village typique hors réseau avec 10 à 30 types de composants possibles, le MILP est souvent le meilleur équilibre de précision et de tractabilité.

Exemple pratique : Taille d'un mini-Grid hybride

Les planificateurs veulent minimiser le coût actuel net (NPC) de 20 ans en utilisant le photovoltaïque, une éolienne, une batterie et un générateur diesel de secours. Les dimensions distinctes disponibles sont : modules photovoltaïques (250 W chacun), éoliennes (10 kW chacune), batteries (100 kWh chacune) et un générateur diesel (soit 30 kW ou 60 kW).

Un modèle MILP est construit avec des variables binaires pour le choix du générateur (0 ou 1), des variables entières pour le nombre de modules PV, d'éoliennes et de batteries, et des variables continues pour les débits horaires de puissance et l'état de charge de la batterie. L'objectif est de minimiser les coûts sur 20 ans (capital + O&M + carburant – récupération).

La solution du MILP (en utilisant par exemple Google OR‐Tools) donne une configuration optimale : 160 modules PV (40 kW), 2 éoliennes (20 kW), 4 batteries (400 kWh) et le générateur diesel de 30 kW. La NPC est de 320 000 $, soit 15 % de moins qu'une conception qui correspond simplement à une charge maximale avec PV et batteries.

Orientations futures

Le rôle de la programmation intégrale dans la planification énergétique hors réseau continue d'évoluer. Plusieurs tendances se dégagent :

  • Intégration avec optimisation stochastique et robuste: Au lieu d'assumer des prévisions parfaites, les nouveaux modèles MILP intègrent des distributions de probabilités d'irradiation solaire, de vitesse du vent et de demande.
  • Accélération de l'apprentissage de la machine:[ Les modèles ML peuvent prédire quelles combinaisons de variables entières méritent d'être explorées, agissant comme une heuristique de démarrage pour le résolveur MILP.
  • Solusseurs open-source et cloud:[ Des outils comme PyPSA[ (Python pour l'analyse du système d'alimentation) et OSeMOSYS incluent désormais des capacités MILP, rendant la planification avancée accessible aux services publics dans les pays en développement.
  • Les systèmes hors réseau intègrent de plus en plus les véhicules électriques, les pompes à chaleur et la production d'hydrogène.Chaque nouveau vecteur ajoute des variables entières (p. ex. nombre d'EV, unités d'électrolyse) que IP peut gérer naturellement.
  • Reconfiguration en temps réel:[ Avec la baisse des coûts matériels, certains systèmes utilisent maintenant l'IP dans une boucle de contrôle prédictif (MPC) du modèle pour ajuster l'état des composants à l'heure.

Pour une perspective plus large sur l'optimisation des énergies renouvelables, le rapport IRENA sur l'électrification intelligente examine comment la programmation mathématique sous-tend les décisions modernes de planification énergétique.

Conclusion

En représentant des choix discrets comme le nombre de panneaux solaires, d'éoliennes ou de batteries comme variables entières, les planificateurs peuvent concevoir des systèmes qui satisfont aux contraintes techniques, économiques et environnementales tout en minimisant les coûts du cycle de vie. Bien que des défis informatiques subsistent – en particulier pour les grands problèmes stochastiques –, les progrès dans les algorithmes de résolution, l'apprentissage des machines et les outils open-source augmentent continuellement la portée de ce qui peut être réalisé.