Optimisation sous incertitude de la demande d'un réseau électrique à l'aide d'une batterie virtuelle de chauffe-eau intelligents

Les chauffe-eau intelligents peuvent jouer un rôle important pour ajouter de la flexibilité au réseau électrique et intégrer davantage d’énergie renouvelable variable. Nous proposons des modèles d’optimisation qui permettent le contrôle d’une population de chauffe-eau sous forme de batterie virtuelle. Afin de modéliser cette batterie virtuelle, on utilise des données de chauffe-eau réel. Cette batterie virtuelle peut être utilisée afin de fournir des services au réseau électrique tel que la minimisation de la pointe électrique. Cette batterie virtuelle a été testée à l’aide de données historiques de la demande d’un réseau électrique. De plus, sachant que l’opérateur d’un réseau électrique devra utiliser une prévision de la demande, plusieurs scénarios d’utilisation ont été créés afin de valider la performance de celle-ci. Deux techniques ont permis d’améliorer son opération : une formulation de la fonction objectif qui tient compte d’éléments connus dans la prévision de la demande et une utilisation en horizon fuyant avec mise à jour régulière de la prévision. La formulation stochastique n’a pas permis d’améliorer la performance de la batterie virtuelle dans le contexte des données réelles utilisées.

Abstract

Smart electric water heaters can play an important role in the electric grid when controlling their consumption. They increase the demand flexibility and can help to integrate more renewable energy into the grid. We propose optimization models for controlling a large population of smart electric water heaters modelled as a virtual battery. Real electric water heater historical data is used to parametrize the virtual battery. We then control this virtual battery for different grid services, e.g., to minimize the peak demand. For the different use cases, we used real historical demand from a local distribution company. To simulate the context in which the optimization models will be used, we also construct forecast models for the grid demand. We were able to validate the performance of optimization models through different realistic uses cases. We identify two modelling approaches that help improve the control. Firstly, the formulation of the objective function needs to be carefully devised by focusing on information that is more reliable or certain. Secondly, reapplying the optimization model in a rolling horizon framework with the updated forecast also proved to be a good strategy. Finally, our stochastic formulation of the optimization model could not improve further the performance for the control of the virtual battery.