Lissage optimal de la charge électrique en présence de sources d'énergies renouvelables via le pilotage de la consommation des chauffe-eau

La lutte contre le réchauffement climatique arrive en tête des préoccupations actuelles de la communauté internationale. De nombreux mouvements politiques poussent les gouverne-ments des pays industrialisés à mettre en place des législations favorisant l'adoption d'énergies renouvelables et diminuant leur dépendance à des sources d'énergie issues des combustibles fos-siles. Cette transition énergétique comporte des enjeux, entre autres, sur le plan de la gestion du réseau électrique en raison de l'intermittence des sources d'énergie renouvelables. Le déve-loppement des programmes de gestion de la charge dans les smart grid permet aux opérateurs des réseaux électriques de contrôler des charges résidentielles dispersées sur l'ensemble du ré-seau de façon à atténuer l'intermittence de la production des sources d'énergie renouvelables. Le projet smartDESC répond à ce besoin en proposant une méthodologie innovatrice de gestion de la capacité de stockage d'énergie thermique des chauffe-eau résidentiels. Cette méthodologie est hiérarchique dans le sens où le contrôle de la charge des chauffe-eau se fait en deux phases. La première phase, dans laquelle s'inscrit cette thèse, consiste en une méthodologie de contrôle central d'un modèle agrégé d'une population de chauffe-eau de grande taille, tandis que la deuxième phase consiste en un ensemble de contrôleurs locaux qui contrôlent individuellement la consommation électrique des chauffe-eau. Ces contrôleurs locaux sont guidés par la politique optimale dictée par l'unité de calcul centrale. Le contrôle central se fait au moyen d'un modèle d'optimisation qui calcule le profil de consom¬mation électrique optimal des chauffe-eau à court terme, et ce, en tenant compte de l'incerti¬tude de prévision de la production éolienne, qui est la source d'énergie renouvelable que nous traitons tout au long de cet ouvrage. Dans la première partie de la thèse, nous proposons une méthode de prévision de la production éolienne issue des prévisions d'ensemble que fournit Environnement Canada. Cette méthode consiste à projeter les prévisions d'ensemble calculées à très faible hauteur au-dessus du niveau du sol à la hauteur du moyeu des éoliennes au moyen d'un modèle de régression. Ce dernier a été entraîné sur des données fournies par notre partenaire industriel WPred. Cette méthode est efficace pour la représentation de l'erreur de prévision, rendant la prise de décision robuste face à l'incertitude de la production éolienne. Cette étape ouvre la voie à la deuxième partie, où nous présentons un modèle d'optimisation stochastique multi-étapes qui calcule le profil de consommation optimal d'un modèle agrégé de chauffe-eau à la lumière de ces prévisions de la production éolienne. Ce modèle est résolu sur un horizon de 24 heures par horizon glissant. Les résultats issus d'une simulation avec des données de prévisions sur 30 jours montrent que l'approche proposée permet de réaliser en moyenne une réduction quotidienne de la fluctuation de la demande nette et de la pointe de charge dépassant 60% et 9% respectivement. Étant donné que le modèle d'optimisation traite un modèle agrégé de chauffe-eau, la solution obtenue est parfois exigeante par rapport à la capacité réelle de stockage des chauffe-eau. La dernière partie de la thèse consiste donc à présenter la preuve de convergence d'un algorithme itératif qui corrige la solution issue de l'unité de calcul centrale selon la capacité de stockage que les contrôleurs locaux peuvent exploiter.

Abstract

The impacts of global warming on the environment has led to constant efforts to reduce green-house gas emissions, mainly caused by burning fossil fuels for electricity generation. Thus, the emergence of renewable energy resources including wind power is strongly encouraged. This transition policy in energy generation comes at a price, as the intermittent nature of wind power raises new challenges for maintaining the balance between supply and demand. Demand side management programs are promising techniques to overcome those challenges. For example, those programs can be applied to compensate for wind power fluctuations by controlling the power consumption of thermostatically controlled loads such as electric water heaters, air conditioners, refrigerators, etc. In order to mitigate the wind power variability and reduce the peak load, the project, smart Distributed Energy Storage Controller (smartDESC) proposes a hierarchical control ar¬chitecture able to exploit the distributed thermal storage capacity of electric water heaters (EWHs) in households. The proposed control architecture is twofold. First, it involves a central unit that schedules the optimal power consumption for a large population of EWHs based on their aggregate dynamics. It computes a temporal power consumption profile that covers a short-range planning horizon and is robust against wind power uncertainty. The second phase consists of local control units guided by the optimal schedule. The local units control every EWH individually. This technique reduces the computational burden on the central unit since enforcement of security and comfort constraints becomes local. The main focus in this dissertation is the first phase, mentioned above, which is to develop the central unit schedule. In this phase, the decision making process has to take into account the wind power prediction error, so as to produce power consumption profiles robust against wind power uncertainty. In the first part of the thesis, we propose a new methodology for generating ensemble wind power scenarios from numerical weather predictions (NWPs) provided by Environment Canada. Such NWPs are available at a lower height than the turbines hub height. Thus, we project the NWPs to the turbines hub height by training a linear regression model using deterministic weather forecasts provided by our industrial partner WPred. The resulting weather predictions are used afterwards to generate wind power production scenarios for wind farm in Quebec. The results show that the proposed method produces scenarios that represent well the forecast error for the short term. These results pave the way to model the power scheduling problem in a form of a multistage stochastic program as shown in the second part of the thesis. This model is responsible for computing the optimal power consumption profile for an aggregate model of EWHs over a planning horizon of 24 hours. Simulation results conducted within smartDESC platform with data over one month show the capability of the proposed model to achieve up to 9% of mean daily peak load shaving and 60% of mean fluctuation reduction of the net demand. The storage capacity of individual EWHs could be overestimates by the central unit sched-ule. This is because the optimization model considers the aggregate behavior of the EWH population. Thus, a sub-unit identifies the time slots where the target profile is unreachable by the local controllers, and computes bounds over the power that can be injected into the system. The optimization model computes a new temporal optimal consumption profile while considering the new bounds. This mechanism continues until it converges towards a feasible profile to the local controllers. The last part of the thesis presents the proof of convergence of this iterative algorithm.