Programmation intégrale pour la conception optimale des systèmes de stockage d'énergie dans les microgrides

Programmation intégrale pour la conception optimale des systèmes de stockage d'énergie dans les microgrides

Les microgrides sont des systèmes énergétiques localisés qui peuvent fonctionner indépendamment ou en combinaison avec le réseau électrique principal. Ils sont essentiels pour améliorer la résilience énergétique, intégrer les sources d'énergie renouvelables et optimiser l'utilisation de l'énergie au niveau de la distribution. La conception de ces systèmes nécessite des outils mathématiques sophistiqués. Parmi ceux-ci, la programmation intégrale se distingue par une méthode puissante pour prendre des décisions discrètes, comme le nombre d'unités de stockage à installer ou les technologies à sélectionner, tout en gérant simultanément des variables continues comme les flux d'énergie et l'état de charge.

Comprendre la programmation intégrale

Contrairement à la programmation linéaire, qui traite uniquement des variables continues, la programmation intégrale est idéale pour les problèmes impliquant des choix discrets, par exemple le nombre de modules de batterie à installer ou la décision binaire d'inclure ou d'exclure une technologie particulière. Lorsque des variables entières et continues apparaissent, le modèle est appelé programme linéaire entier mixte (MILP) ou programme non linéaire mixte (MINLP), selon la nature de l'objectif et des contraintes.

Pourquoi les entiers sont-ils importants dans la conception du stockage de l'énergie?

Les unités de stockage d'énergie, qu'il s'agisse de batteries, de volants ou de systèmes à hydrogène, sont généralement modulaires. Un concepteur ne peut pas installer 2,7 batteries; il doit décider d'un nombre entier d'unités identiques ou choisir des tailles distinctes dans un catalogue de fabricants. De même, la décision d'investir dans un actif de stockage particulier (p. ex., batterie de flux ou lithium-ion) est intrinsèquement binaire.

Le rôle de la programmation linéaire intégrée mixte

La programmation en entier MILP est la forme la plus utilisée pour la conception de microréseaux. La linéarité de l'objectif et des contraintes, combinée à des restrictions en entier, permet à des solveurs comme Gurobi, CPLEX et des solutions de rechange open-source de trouver des solutions globales optimales pour les problèmes de taille modérée. Les modèles MILP peuvent intégrer des milliers de contraintes et de variables, ce qui les rend adaptés à une planification réaliste des microréseaux.

Application dans la conception du système de stockage d'énergie

Lors de la conception d'un SSE pour un microréseau, les ingénieurs doivent déterminer la taille optimale (capacité énergétique), la puissance nominale, le type de technologie, le nombre d'unités et parfois le placement physique dans le réseau. L'objectif est généralement de minimiser le coût total (capital plus opérationnel) tout en assurant une offre fiable d'électricité pour répondre à une demande variable, en particulier compte tenu de l'intermittence de la production renouvelable.

• Coûts de fonctionnement et de capital[ — coûts d'achat, d'installation, d'entretien et de remplacement pour chaque unité de stockage.
• Variabilité énergétique renouvelable[ — profils de sortie solaire et éolienne, souvent représentés par plusieurs séries chronologiques ou scénarios.
• Le fardeau exige — des modes de consommation d'électricité horaires ou sous-horaires, qui peuvent être déterministes ou stochastiques.
• Contraintes générales[ — limites d'échange de puissance avec le réseau principal, la capacité du transformateur et les limites de tension ou de température.
• Contraintes opérationnelles de stockage[ — efficacité, profondeur de décharge, limites de charge/déchargement et dynamique de l'état de charge.

L'optimisation vise à identifier la combinaison d'unités de stockage (par exemple, deux unités lithium-ion de 200 kWh et une batterie à flux de 100 kW) qui équilibre le mieux les coûts, la fiabilité et la faisabilité technique. Sans programmation intégrale, une solution continue pourrait nécessiter 2,3 unités d'un type particulier, ce qui n'est pas réalisable; l'arrondi pourrait conduire à des conceptions sous-optimales ou invraisemblables.

Exemple : Taille d'une banque de batteries pour un microréseau hospitalier

Un modèle MILP pourrait comprendre des variables binaires pour l'installation de chaque type de batterie (p. ex., I_i = 1 si la technologie i est choisie) et des variables entières pour le nombre de modules (N[_i. L'objectif minimise le coût total du cycle de vie sous réserve de contraintes qui permettent au système de satisfaire la charge pendant une panne de réseau de 24 heures, de respecter les cotes de puissance maximales et de rester dans l'espace disponible. Le résolveur retourne une solution entière – par exemple, installer 3 unités de technologie A et 0 de technologie B – qui peut être directement mise en œuvre dans le processus d'approvisionnement.

Formuler le problème d'optimisation

La formulation d'un modèle de programmation entier pour la conception du SSE suit une approche structurée : variables de décision, fonction objective et contraintes.

Variables de décision

• Diversité binaire[: y_i - -[0,1} indique si une technologie de stockage particulière ou un type d'unité i est sélectionné.
• Diversité entière: x_{i -Z+ représente le nombre d'unités de stockage identiques du type i installé.}
• Divers continus[: P_t[^charge[, P_t^]décharge[, et E[_t (état de charge) pour chaque étape de temps t représentent les débits et les niveaux d'énergie.
• Diversité continue pour l'échange de grille: P[_t^grid peut être positif (importation) ou négatif (exportation).

Fonction objective

L'objectif le plus courant est de réduire au minimum le coût actuel total net (FCN) sur l'horizon de planification (p. ex., 20 ans), ce qui comprend :

^{]i_iicap[ ·[_i+C_i[O&M][_]i] · T) +_[]C[grid[] · Δt · P_]t[][grid[][}

]][

i[^cap[ est le coût unitaire en capital, C[_i^O&Mle coût annuel de fonctionnement et d'entretien par unité, T le nombre d'années, et C[_t[^grid[]le tarif du temps d'utilisation.

Contraintes

Les contraintes typiques peuvent être regroupées comme suit:

• Équilibre de puissance[: demande = énergies renouvelables + importation de réseau + décharge − exportation de réseau − charge
• Dynamique du stockage[: E_t+1 = η^c · P_t^charge · Δt − (1/η^]]d] · P_t^]discharge] · Δt + E[_t
• Limites de capacité de stockage[: 0 ≤ E[_t ≤ x_i · E_max,i (où E_max,i est la capacité d'énergie nominale d'une unité)
• Limites de puissance[: 0 ≤ P_t[^décharge ≤ x_i · P_max,i^]décharge] et de même pour le chargement
• Profondeur minimale de décharge: E_t ≥ x_i · E_min,i (pour préserver la vie de la batterie)
• Limites de connexion de GRIDE[:=P_t[^grid= ≤ P_max^grid
• Budget: -_i C_i^cap · x_i ≤ Budget
• Lien entre les branchies et les branchies[: x_i ≤ M · y_i (assure la présence d'unités zéro si la technologie n'est pas sélectionnée)

La dernière contrainte est une formulation --big M-- communément utilisée dans l'optimisation pour faire appliquer que le nombre entier devient zéro lorsque la variable binaire est zéro. La valeur de M doit être plus grande que tout nombre possible d'unités.

Incertitudes liées à la manipulation

Pour y remédier, un modèle de programmation stochastique intégrale (SIP) peut inclure plusieurs scénarios avec probabilités associées. L'objectif devient alors le coût prévu et les contraintes doivent être satisfaites pour chaque scénario (ou les actions de recours sont permises). La programmation stochastique en deux étapes est courante : les décisions de première étape (nombre et types d'unités) sont prises ici et maintenant avant que les incertitudes soient réalisées, tandis que les décisions opérationnelles de deuxième étape (dispatch) s'adaptent à chaque scénario. Cela produit une conception robuste qui fonctionne bien dans un éventail d'avenirs possibles.

Avantages de l'utilisation de la programmation intégrale

La programmation intégrale offre des avantages concrets par rapport aux méthodes heuristiques ou à usage continu pour la conception de microréseaux SSE :

• Produit des solutions précises et pratiques[ — La nature entière garantit que la conception finale correspond aux produits disponibles réels, évitant les unités fractionnelles qui ne peuvent être achetées.
• Prise de décision complexe et multicritères — L'objectif peut inclure des objectifs contradictoires (coûts et fiabilité) par des sommes pondérées ou des méthodes de contrainte à l'epsilon, donnant ainsi à Pareto des frontières pour l'analyse des compromis.
• Facilite l'analyse de scénarios et les tests de sensibilité[ — Une fois qu'un modèle est construit, les ingénieurs peuvent facilement modifier les paramètres d'entrée (p. ex., projections du coût de la batterie, taux d'actualisation ou mesures incitatives) et ré-soudre, en appuyant une planification robuste sous l'incertitude.
• Supporte le développement durable et rentable du système[ — En modélisant explicitement les émissions, en réduisant les énergies renouvelables ou en dépendant du réseau, la programmation intégrale peut aider à concevoir des microgrilles qui s'harmonisent avec les objectifs de durabilité tout en demeurant économiquement viables.
• Fournit des garanties théoriques d'optimalité[ — Contrairement aux méthodes heuristiques (par exemple, algorithmes génétiques), les solveurs MILP peuvent prouver une optimalité globale (dans une tolérance), donnant aux décideurs la confiance qu'il n'existe pas de meilleure solution dans les contraintes définies.

Défis et limites

Malgré son pouvoir, la programmation intégrale présente plusieurs défis qui doivent être relevés dans la pratique.

Complexité informatique

La programmation intégrale est difficile en général. À mesure que le nombre de variables entières augmente (surtout les variables binaires pour les choix technologiques et les contraintes liées au temps), le temps de solution peut exploser. Pour un microgrid avec 8760 étapes horaires et des dizaines d'unités de stockage candidates, le MILP résultant peut contenir des millions de contraintes et de variables. Les solvants nécessitent souvent un réglage attentif, des démarrages chauds ou une décomposition.

Exigences en matière de données

Dans de nombreux projets réels, ces données sont incomplètes ou incertaines. Les données d'entrée insuffisantes peuvent rendre une solution mathématiquement optimale peu fiable dans la pratique. L'analyse de sensibilité peut aider, mais elle augmente le fardeau.

Hypothèses de modélisation

La plupart des modèles de programmation entiers supposent linéarité et convexité, qui peuvent ne pas tenir compte de phénomènes comme le vieillissement non linéaire de la batterie ou la formation de prix du marché. Des approximations linéaires ou MINLP peuvent être utilisées en quelques morceaux, mais elles augmentent la complexité.

Intégration au contrôle en temps réel

La conception optimale obtenue par la programmation intégrale est une décision de planification. Elle doit ensuite être intégrée à un système de gestion de l'énergie en temps réel (SGE) qui gère des opérations de minute à minute. Bien que la conception puisse être optimale en attente, les conditions réelles d'exploitation peuvent s'écarter, conduisant à des performances sous-optimales à moins que le SGE ne soit également optimisé pour la conception.

Orientations futures et tendances de la recherche

Le rôle de la programmation intégrale dans la conception du SSE microgrid évolue rapidement, grâce aux avancées des algorithmes, du matériel et de la transition énergétique.

Modèles hybrides avec apprentissage automatique

L'apprentissage automatique (ML) est de plus en plus utilisé pour approximativement des contraintes complexes (par exemple, la dégradation de la batterie) ou pour générer des vérifications rapides de faisabilité au sein des solveurs de programmation entiers. Par exemple, un réseau neuronal peut prédire la durée du cycle en fonction des modèles d'exploitation, et son approximation linéaire à la pièce peut être intégrée dans une formulation MILP. Inversement, la programmation entier peut être utilisée pour interpréter et régler les prédictions ML. Cette synergie promet de saisir plus précisément les non-linéarités tout en conservant la solvabilité.

Décomposition et calcul parallèle

Les problèmes de planification à grande échelle des microréseaux sont souvent abordés par décomposition de Benders, relaxation lagrangien ou méthode de direction alternée des multiplicateurs (DMA).Ces techniques brisent le problème en sous-problèmes plus petits (par exemple, par bloc de temps ou par scénario) et coordonnent à travers un problème principal.Avec l'avènement du cloud computing et des GPU, la résolution de programmes entiers jusque-là inextricables devient possible.

Systèmes multi-énergie et multi-vitesses

Les modèles de programmation Integer devront gérer des vecteurs d'énergie couplés avec des technologies de conversion (électrolyseurs, piles à combustible, pompes à chaleur). La nature discrète de l'engagement d'unité et de la sélection de la technologie rend l'IP encore plus central. Les travaux récents sur la conception optimale des pôles d'énergie intelligent - - utilise MILP pour coordonner plusieurs types de stockage entre différents transporteurs d'énergie.

Optimisation et confidentialité distribuées

Dans un microréseau communautaire, plusieurs prosommateurs peuvent posséder des unités de stockage et vouloir les partager. La programmation intégrale peut être appliquée de manière distribuée à l'aide d'algorithmes ADMM ou consensus, où chaque agent résout un MILP local et échange des informations limitées. Cela préserve la vie privée tout en réalisant une conception globale quasi optimale.

Progrès réalisés par les solvants à source ouverte

Les solutions de rechange ouvertes comme HiGHS, SCIP et CBC comblent l'écart. Pour de nombreux problèmes de microréseau de taille modérée, ces solutions de rechange sont déjà viables. À mesure que le soutien communautaire à source ouverte s'accroît, la programmation entière deviendra accessible à un plus large public d'ingénieurs et de planificateurs. Le cadre CHiPPS (COIN-OR High-Performance Parallel Search) offre par exemple des capacités de programmation intégrale parallèles.

Recommandations pratiques pour les ingénieurs

Pour les ingénieurs chargés de mettre en œuvre la programmation intégrale pour la conception du SSE, plusieurs pratiques exemplaires peuvent améliorer les résultats :

• Démarrer avec un modèle simplifié —Démarrer avec un petit nombre de périodes de temps représentatives (p. ex., 12 jours typiques) et quelques options de stockage. Valider la logique avant de mettre à l'échelle.
• — Lorsqu'on traite de la production d'énergie renouvelable incertaine, appliquer des regroupements ou des correspondances de moment pour réduire des centaines de scénarios à une poignée qui saisissent la variabilité principale.
• L'utilisation de repères open-source — De nombreux cas de test résolus sont disponibles (p. ex., depuis microgrid depository ou la bibliothèque --MIPLIB) pour tester les solveurs et comparer les formulations.
• Solutions d'entier post-processus[ — Effectuer une simulation déterministe de l'expédition en utilisant la conception d'entier optimale pour vérifier que les contraintes opérationnelles sont satisfaites d'une résolution temporelle réaliste.
• Décomposition d'embrasement — Pour les problèmes liés à de nombreuses étapes ou scénarios dans le temps, mettre en place un horizon roulant ou une décomposition temporelle pour diviser le MILP d'une année entière en morceaux gérables.

Conclusion

La programmation intégrale fournit un cadre rigoureux pour la conception optimale des systèmes de stockage d'énergie dans les microréseaux. En intégrant la nature discrète des unités de stockage et les décisions binaires de la sélection technologique, ces modèles produisent des solutions directement implémentables qui équilibrent le coût, la fiabilité et la durabilité. Bien que les défis informatiques et liés aux données persistent, les progrès continus dans les algorithmes, les solutions à source ouverte et les techniques ML‐IP hybrides élargissent la frontière de ce qui peut être optimisé.