Co-optimisation du dimensionnement et du contrôle d'un micro-réseau urbain

La modernisation du réseau électrique (RE) par la mise en œuvre de micro-réseaux offre un potentiel significatif pour améliorer la résilience énergétique, la durabilité et l'efficacité. Cependant, cette transition implique de naviguer dans un ensemble complexe de défis techniques, économiques et environnementaux. Les micro-réseaux nécessitent une planification et une optimisation méticuleuses pour équilibrer la génération, le stockage et la consommation d'énergie tout en minimisant les coûts et les émissions de carbone. Atteindre cet équilibre nécessite des stratégies d'optimisation avancées capables de traiter les subtilités des composants du système et des dynamiques opérationnelles. L'objectif de cette recherche est d'améliorer les capacités de prise de décision des concepteurs de micro-réseaux en fournissant une approche globale pour la planification des micro-réseaux. L'étude offre une analyse approfondie du projet sur toute sa durée de vie, du point de vue technique, économique et environnemental. Implémenté en Python et résolu à l'aide de CPLEX, le processus d'optimisation vise à minimiser à la fois le « Levelized Cost of Energy » (LCOE) et le « Life Cycle Emission » (LCE). L'étude utilise des données économiques et environnementales réelles, en tenant compte de la croissance de la charge ainsi que des données réelles d'irradiation solaire, de température ambiante et de vitesse du vent. La charge pour le bâtiment universitaire est basée sur des données de l'Université de Technologie de Compiègne, France, avec la charge des véhicules électriques (VE) modélisée à l'aide d'une modélisation probabiliste. L'étude introduit une stratégie d'optimisation multi-objectifs conjointe utilisant le « Mixed Integer Linear Programming » (MILP) pour garantir des solutions globalement optimales, facilitant ainsi des choix de conception plus informés et efficaces. Ces choix impliquent l'évaluation de diverses solutions proposées pour équilibrer les coûts et les émissions de carbone tout en abordant les complexités et les contraintes techniques du problème de gestion de l'énergie. Un aspect novateur de ce travail est l'intégration de la gestion d'énergie (GE) et du dimensionnement des composants dans un problème d'optimisation unifié, visant un écart d'optimalité de 0 % avec un temps de calcul réduit par rapport à la littérature existante. La méthode proposée évalue les compromis inhérents entre diverses solutions, identifiant le front de Pareto et permettant un équilibre optimal entre les objectifs économiques et environnementaux. Les résultats indiquent une réduction significative du LCOE et du LCE dans le GCMG par rapport à l'IMG. L'étude révèle que la capacité du système de stockage d'énergie par batterie (BESS) augmente à mesure que le LCE diminue, et que le nombre de systèmes photovoltaïques est plus élevé lorsque le LCOE est plus bas pour les deux modes de fonctionnement. Cela se produit parce que le BESS a un LCE légèrement inférieur à celui du PV, et que le LCOE du PV est également inférieur à celui du BESS. De plus, à mesure que la limite du RE augmente, les fronts de Pareto deviennent plus bas et plus raides. En outre, le même algorithme MILP est appliqué pour optimiser les micro-réseaux d'un campus universitaire tertiaire dans diverses villes. L'étude intègre également des éoliennes (WT) et des charges de VE dans le micro-réseau. L'étude fournit une analyse comparative de trois scénarios (PV/BESS, WT/BESS et PV/WT/BESS) dans différentes villes, évalue les impacts des fluctuations saisonnières sur le LCOE et le LCE, et évalue comment les technologies des composants des micro-réseaux influencent les résultats du LCOE et du LCE. Les résultats indiquent que les scénarios incluant PV/WT/BESS produisent les valeurs de LCOE et de LCE les plus basses, tandis que le scénario WT/BESS aboutit aux valeurs de LCOE et de LCE les plus élevées.