Upload
others
View
4
Download
0
Embed Size (px)
Citation preview
1
Optimisation : principes et applications
aux systèmes énergétiques
École d’été Franco‐Roumaine
28/05/2015 Dhaker ABBES
Dr. Ing. Dhaker ABBES
Commande Avancée des Systèmes & Nouvelles Technologies
Informatiques – CA’NTI 2015
Enseignant-Chercheur
Co-responsable du domaine ESEA :
Energie, Systèmes Electriques et Automatisés
Membre de l’Equipe RESEAUX (L2EP)
Ecole des Hautes Etudes d’Ingénieurs
(HEI-Lille, France)
22Dhaker ABBES28/05/2015
Introduction
L'optimisation est une branche des mathématiques et de
l'informatique en tant que disciplines, cherchant à modéliser, à analyser
et à résoudre analytiquement ou numériquement les problèmes qui
consistent à déterminer quelles sont la ou les solution(s) satisfaisant un
objectif quantitatif tout en respectant d’éventuelles contraintes.
L’optimisation joue un rôle important en recherche
opérationnelle (domaine à la frontière entre l'informatique,
l'industrie les mathématiques et l'économie), dans les mathématiques
appliquées (fondamentales pour l'ingénierie), en analyse et en analyse
numérique, en statistique pour l’estimation du maximum de
vraisemblance d’une distribution, pour la recherche de stratégies dans
le cadre de la théorie des jeux, ou encore en théorie du contrôle et de
la commande.
3Dhaker ABBES28/05/2015
Types d’optimisation
* Optimisation explicite : - Directe ( à partir d’une fonction mathématique explicite à optimiser)
- A travers la simulation dynamique du système (exemple minimiser
l’énergie dans un bâtiment par simulation dynamique thermique de
celui-ci.)
* Optimisation implicite : - Modèle mathématique difficile à déterminer.
- Algorithmes intuitif (exemples : gestion énergétique des systèmes
multi-sources avec la logique floue, Algorithmes de maximisation de
puissance photovoltaïque ou éolienne MPPT, etc.).
4Dhaker ABBES28/05/2015
Optimisation expliciteOptimisation mono-objective
Minimisation
5Dhaker ABBES28/05/2015
Optimisation expliciteOptimisation mono-objective
Maximisation
un problème de maximisation d'une fonction est équivalent au
problème de minimisation de .
L'équivalence veut dire ici que les solutions sont les mêmes et
que les valeurs optimales sont opposées. En particulier,
une méthode pour analyser/résoudre un problème de
minimisation pourra être utilisée pour analyser/résoudre un
problème de maximisation.
Le problème décrit ci-dessus est un problème de minimisation.
Comme on a :
6Dhaker ABBES28/05/2015
Optimisation expliciteOptimisation mono-objective
Quelques classes de problèmes
•L'optimisation linéaire étudie le cas où la fonction objectif et les contraintes
caractérisant l’ensemble sont linéaires. C’est une méthode très employée
pour établir les programmes des raffineries pétrolières, mais aussi pour
déterminer la composition la plus rentable d’un mélange salé, sous
contraintes, à partir des prix de marché du moment.
•L'optimisation linéaire en nombres entiers étudie les problèmes
d'optimisation linéaire dans lesquels certaines ou toutes les variables
sont contraintes de prendre des valeurs entières. Ces problèmes
peuvent être résolus par différentes méthodes : séparation et
évaluation, méthode des plans sécants.
7Dhaker ABBES28/05/2015
Optimisation expliciteOptimisation mono-objective
Quelques classes de problèmes
• L'optimisation quadratique étudie le cas où la fonction
objectif est une forme quadratique (avec contraintes linéaires pour A).
•L'optimisation non linéaire étudie le cas général dans lequel l’objectif
ou les contraintes (ou les deux) contiennent des parties non linéaires,
éventuellement non-convexes.
•L'optimisation stochastique étudie le cas dans lequel certaines des
contraintes dépendent de variables aléatoires. En optimisation
robuste, les aléas sont supposés être situés dans des intervalles autour
de positions nominales et on cherche à optimiser le système soumis à
de tels aléas, dans le pire des cas.
8Dhaker ABBES28/05/2015
Optimisation expliciteOptimisation mono-objective
Quelques classes de problèmes
•La programmation dynamique utilise la propriété qu’une solution se
compose nécessairement de sous-solutions optimales (attention : le
contraire n'est pas vrai en général) pour décomposer le problème en évitant
l’explosion combinatoire. Elle est utilisable lorsque la fonction objectif est
une somme de fonctions monotones croissantes dont les arguments sont
des inconnues distinctes. C’est la programmation dynamique qui permet par
exemple
• aux avionneurs de trouver les plans de décollage optimaux de leurs
engins,
• aux ingénieurs de bassin de répartir la production minière entre leurs
différents puits,
• aux producteurs d’électricité de planifier la marche des usines
hydroélectriques,
• aux media planners de répartir efficacement un budget de publicité
entre différents supports.
9Dhaker ABBES28/05/2015
Optimisation expliciteOptimisation mono-objective
Exemple d’optimisation linéaire :
Configuration du système hybride utilisé
Conception d’un système hybride éolien –photovoltaïque avec batteries :
10Dhaker ABBES28/05/2015
Optimisation expliciteOptimisation mono-objective
Exemple d’optimisation linéaire :
Conception d’un système hybride éolien –photovoltaïque avec batteries :
11Dhaker ABBES28/05/2015
Optimisation expliciteOptimisation mono-objective
Exemple d’optimisation linéaire :
Conception d’un système hybride éolien –photovoltaïque avec batteries :
Méthode par programmation linéaire généralisée et adaptée sous le logiciel Excel (SIMPLEX)
12Dhaker ABBES28/05/2015
Optimisation expliciteOptimisation mono-objective
Optimisation non linéaire :
Le choix de la méthode d’optimisation adéquate dépend surtout des
critères suivants :
- la fiabilité ou convergence globale
- la vitesse de convergence locale
- la précision
- La mise en œuvre.
13Dhaker ABBES28/05/2015
Optimisation expliciteOptimisation mono-objective
Optimisation non linéaire :
14Dhaker ABBES28/05/2015
Optimisation expliciteOptimisation mono-objective
Optimisation non linéaire :
15Dhaker ABBES28/05/2015
Optimisation expliciteOptimisation mono-objective
Optimisation non linéaire :
Tableau comparatif des méthodes d’optimisation non linéaire sous
contraintes
16Dhaker ABBES28/05/2015
Optimisation expliciteOptimisation mono-objective
Exemple d’optimisation non linéaire :
Optimisation du dimensionnement de la source hybride éolienne-photovoltaïque
avec batteries :
Méthode proposée basée sur une simulation dynamique du système associée un
algorithme d’optimisation :
• CCV [€] : Coût sur Cycle
de Vie
• EE [MJ] : coût en énergie
primaire
• LPSP [%] : taux
d’insatisfaction de la
demande en énergie
(LPSP).
17Dhaker ABBES28/05/2015
Optimisation expliciteOptimisation mono-objective
Exemple d’optimisation non linéaire :
Optimisation du dimensionnement de la source hybride éolienne-photovoltaïque
avec batteries :
une formulation mono-objective résolue avec l’algorithme SQP
(Algorithme de Newton-Wilson)
18Dhaker ABBES28/05/2015
Optimisation expliciteOptimisation mono-objective
Exemple d’optimisation non linéaire :
Optimisation du dimensionnement de la source hybride éolienne-photovoltaïque
avec batteries :
19Dhaker ABBES28/05/2015
Optimisation expliciteOptimisation multi-objective
On cherche à satisfaire plusieurs objectifs. Par exemple, on veut un système
performant et on veut aussi que ce système consomme peu. Dans ce cas, on
parle de problème d’optimisation multiobjectif (ou problème d’optimisation
multicritère).
Celui-ci s’écrit de la manière suivante :
Le but que l’on se fixe dans la résolution d’un problème d’optimisation
multiobjectif est de minimiser “au mieux” les différents objectifs.
Dans un problème d’optimisation multicritère, on rencontre souvent des
objectifs contradictoires. Deux objectifs sont contradictoires lorsque la
diminution d’un objectif entraîne une augmentation de l’autre objectif.
20Dhaker ABBES28/05/2015
Optimisation expliciteOptimisation multi-objective
Classification des approches de résolution multi-
objectif « D’un point de vue concepteur »
21Dhaker ABBES28/05/2015
Optimisation expliciteOptimisation multi-objective
Exemple 1 d’optimisation multi-objective :
Optimisation du dimensionnement du système hybride
Suivant trois critères : le coût sur cycle de vie le coût en énergie primaire
Une formulation multi-objective résolue de deux manières :
par une méthode scalaire avec des coefficients de pondération unitaires :
Aucune des fonctions « objectif » n’est favorisée.
par une approche Pareto (notion de dominance) avec la méthode N.S.G.A-II.
le taux d’insatisfaction de la demande en énergie (LPSP).
22Dhaker ABBES28/05/2015
Optimisation expliciteOptimisation multi-objective
Exemple 1 d’optimisation multi-objective :
Optimisation du dimensionnement du système hybride
Représentation de la surface de compromis
Fronts de Pareto dans le cas d’une optimisation tri-objective :
CCV [€] vs EE [MJ] & LPSP [%]
Résultats d’optimisation dans le cas d’une optimisation
multi-objective obtenus par application de la méthode
scalaire
23Dhaker ABBES28/05/2015
Optimisation expliciteOptimisation multi-objective Exemple 2 d’optimisation multi-objective :
Optimisation du coût économique et écologique dans la réhabilitation des habitats.
24Dhaker ABBES28/05/2015
Optimisation expliciteOptimisation multi-objective Exemple 2 d’optimisation multi-objective :
Optimisation du coût économique et écologique dans la réhabilitation des habitats.
25Dhaker ABBES28/05/2015
Optimisation implicite
• Difficulté à formuler un modèle mathématique.
• Résolution avec des méthodes d’optimisation intuitives ou
extrémales.
26Dhaker ABBES28/05/2015
Optimisation impliciteMéthode extrémales ou intuitives
Exemple 1 : Recherche du point de puissance maximale d’un générateur photovoltaïque
27Dhaker ABBES28/05/2015
Optimisation impliciteMéthode extrémales ou intuitives
Exemple 1: Recherche du point de puissance maximale d’un générateur photovoltaïque
Principales méthodes utilisées
• Commande P&O Perturb and Observ.
• Commande "hill climbing".
• Méthode de la conductance incrémentale.
• Commande à tension ou courant de référence..
MPPT par conductance
incrémentale http://vincent.boitier.free.fr/INSA/biblio_MPPT/Boitie
r_Maussion_MPPT_Vfinale.pdf
28Dhaker ABBES28/05/2015
Optimisation impliciteMéthode extrémales ou intuitives
Exemple 2 : Recherche du point de puissance maximale d’une éolienne
29Dhaker ABBES28/05/2015
Optimisation impliciteMéthode extrémales ou intuitives
Exemple 3 : Gestion énergétique optimale par logique floue des Installations Fixe de Traction
Électrique Ferroviaire à production et stockage intégré (IFTE Hybrides).
30Dhaker ABBES28/05/2015
Optimisation impliciteMéthode extrémales ou intuitives
Exemple 3 : Gestion énergétique optimale par logique floue des Installations Fixe de Traction
Électrique Ferroviaire à production et stockage intégré (IFTE Hybrides).
31Dhaker ABBES28/05/2015
Optimisation impliciteMéthode extrémales ou intuitives
Exemple 3 : Gestion énergétique optimale par logique floue des Installations Fixe de Traction
Électrique Ferroviaire à production et stockage intégré (IFTE Hybrides).
Objectives Constraints Means of actions
Predictive mode – LONGT TERM
Reducing energy bill
(regarding short-term trades)
Trains consumption predictions
RES forecast
Electricity market fluctuations
Storage power (Psto-ref-lgt)
(Predictive reference
power)
Fuzzy Logic energy management – SHORT TERM
Limitation of subscribed power exceeding
Favoring local RES consumption
Ensuring storage system availability
Subscribed power
Storage limits
RES availability
Storage power (Psto-ref-sht)
(Predictive mode
adjustment)
32Dhaker ABBES28/05/2015
Optimisation impliciteMéthode extrémales ou intuitives
Exemple 3 : Gestion énergétique optimale par logique floue des Installations Fixe de Traction
Électrique Ferroviaire à production et stockage intégré (IFTE Hybrides).
Design of the supervisor
FL energy management
+-
Ptrain
PRES
ΔPlocal
SOC
ΔPexcess
K1
K2
K3
K5
+-
Pgrid
Psubscribed Psto_ref_sht
Predictive mode
Long-term
Ptrain_predictive
Electricity cost
Psto_ref_lgt
HRPS supervision
PRES_forecast
K4
K1, K2, K3, K4, K5 = normalisation gains
To favor local RES consumption
To ensure the storage availability
To limit exceeding subscribed power
To reduce the electricity bill
the grid power excess amount
the power difference between train
consumption and RES production
References
33Dhaker ABBES28/05/2015
• Wikipedia, « Optimisation (mathématiques) »,
http://fr.wikipedia.org/wiki/Optimisation_%28math%C3%A9matiques%29
• Yann Collette, Patrick Siarry, « Optimisation multi-objectif », Livre, EYROLLES.
• Dhaker Abbes, « Contribution au dimensionnement et à l'optimisation des systèmes hybrides éoliens-
photovoltaïques avec batteries pour l’habitat résidentiel autonome », Thèse de doctorat, Université de Poitiers,
2012.
• Dhaker Abbes, André Martinez, Gérard Champenois, Jean Paul Gaubert, Étude d’un système hybride éolien
photovoltaïque avec stockage : Dimensionnement et analyse du cycle de vie, European Journal of Electrical
Engineering (2012) DOI:10.3166/EJEE.15.479-497 © 2012 Lavoisier. (IF: 0,55).
• Dhaker Abbes, André Martinez, Gérard Champenois, Eco-Design Optimization of an Autonomous Hybrid Wind-
PV System with Battery Storage, Revue IET: Renewable Power Generation, DOI: 10.1049/iet-rpg.2011.0204 ( IF :
2,54).
• Dhaker Abbes, André Martinez, Gérard Champenois, Life cycle cost, embodied energy and loss of power supply
probability for the optimal design of hybrid power, J. Math. Comput. Simulat (Matcom), DOI:
10.1016/j.matcom.2013.05.004 (IF : 0,738).
• Petronela Pankovits; Dhaker Abbes; Christophe Saudemont; Othman Moumniabdou; Julien Pouget; Benoit
Robyns, Energy Management Multi-Criteria Design for Hybrid Railway Power Substations, 11th International
Conference on Modeling and Simulation of Electric Machines, Converters and Systems (ELECTRIMACS 2014),
19-22 May, Valencia, Spain.
• Petronela Pankovits, Maxime Ployard, Julien Pouget, Stephane Brisset, Dhaker Abbes, Benoit Robyns, Design and
Operation Optimization of a Hybrid Railway Power Substation, EPE-ECCE Europe Conference, 3-5 September
2013, Lille, France.
• Vincent Boitier, Pascal Maussion, « Recherche du maximum de puissance sur les générateurs photovoltaïques »,
http://vincent.boitier.free.fr/INSA/biblio_MPPT/Boitier_Maussion_MPPT_Vfinale.pdf
• Adam Mirecki , « Etude comparative de chaînes de conversion d’énergie dédiées à une éolienne de petite
puissance », thèse de doctorat, INP Toulouse, 2005.