Agrégation d'un grand nombre de petites charges en incluant l'incertitude de la disponibilité des ressources

Le réseau électrique en continuel changement demande une gestion des ressources efficace pour assurer sa stabilité. Avec la nouvelle technologie de communication et les nouvelles ressources d'énergie renouvelables, la gestion du réseau électrique fait face à de nombreux défis. On anticipe une croissance de l'utilisation de la voiture électrique dans les années à venir. Si la recharge des voitures ne se fait pas de façon intelligente, on pourra observer une forte croissance de la demande énergétique en heure de pointe. Grâce à des programmes de Gestion de la demande (Demand Response (DR)), les clients peuvent adapter leur consommation d'électricité en échange d'incitatifs. Une requête de DR envoyée à un client lui permet d'adapter sa consommation d'électricité selon les besoins de l'utilité. Les producteurs d'électricité sont appelés utilités dans cette recherche. Les secteurs résidentiel et commercial offrent un grand potentiel pour les programmes de DR, car ensemble ces secteurs représentent près d'un tiers de la consommation totale. Bien que ces secteurs offrent un grand potentiel, l'exploitation de ceux-ci comporte également de grands défis. Un grand nombre de clients consommant de petites charges doivent être gérés efficacement. C'est pourquoi les agrégateurs sont introduits en tant qu'intermédiaires entre l'utilité et les consommateurs. Le rôle des agrégateurs est de faire la gestion des programmes de DR avec les clients. Grâce à eux, les requêtes de DR sont distribuées parmi les clients dans le but de satisfaire la requête d'utilité. La requête d'utilité quant à elle est une commande de réduction ou d'augmentation de la consommation globale dans le but d'équilibrer la production et la consommation d'électricité. Le problème connu de répartition économique est utilisé comme référence pour développer le modèle mathématique de distribution des requêtes de DR. Ce problème de base est trivial à résoudre et ne comporte pas de complexité. Par contre, la difficulté résulte du fait qu'il existe une certaine probabilité qu'un client ne réponde pas à la requête de DR. Lorsqu'un client répond à une requête, cela signifie que le client adapte sa consommation selon la requête. S'il ne répond pas à la requête, cela signifie qu'il n'adapte pas sa consommation. L'agrégateur doit donc distribuer plus de requêtes de DR pour pallier l'incertitude de la réponse. L'objectif de cette recherche est de modéliser un problème mathématique réaliste de l'agrégateur en incluant l'incertitude de la réponse des clients. Le modèle est résolu trois fois par jour pendant une semaine. Les résolutions sont interreliées pour éviter d'envoyer les requêtes de DR toujours aux mêmes clients. Comme les requêtes de DR requièrent un coût, l'agrégateur doit faire une distribution de façon à minimiser ses coûts tout en assurant le respect de la requête d'utilité.

Abstract

The grid has changed a lot over the years. New technologies of communication and renewable production have arisen and create new challenges for the grid. We expect a higher penetration of electric vehicles in the next years. The increase use of electric vehicles can cause a large demand during peak times and have to be managed effectively. The utility can now communicate with the customers in real time. Utilities can have access to the load consumption information through smart meter. New technologies allow a new type of resources called Demand Response (DR). DR programs send requests to the customers to adapt their load consumption. The objective of the DR programs is to fit the load consumption curve to the production curve. The balance between the production and the consumption is essential to the stability of the grid. To do so, the customers adapt their load consumption according to DR requests. The load consumption can be reduced by a smart thermostat or smart water heater. It can also be shifted during off-peak periods with the charge or discharge of electric vehicles. To help the utility to dispatch DR requests among the customers, aggregators are introduced. Aggregators act as intermediaries between the utility and the customers. They receive an incentive and utility request from the utility and distribute DR requests and incentives to customers. DR requests are defined by the load in kW to reduce, to increase or to shift. Their objective is to maximize their own profit. This research focuses on formulating an optimization problem of the aggregators. They aim to reduce the total load consumption during peak periods or to increase the total load consumption when the renewable production is high. In this research, 21 resolutions are made per week, three per day during peak times. The resolutions are interconnected to avoid the overuse of the same clients. The optimization model is based on the Economic Dispatch problem which is trivial to solve. The model dispatches DR requests among the customers while minimizing the total cost of the aggregator. The utility request has to be satisfied in order to keep the stability of the grid. The complexity of the problem comes with the uncertainty of the response of the clients. In the literature, this uncertainty is not included in the aggregator optimization problem. Several external factors influence the responsiveness of the clients like the time of the day, the day of the week, the frequency of the requests and the direction of the requests. When a client respond to the DR request, it means that the load consumption has been changed according to the request. Otherwise, the load consumption is unchanged and the client does not respond to the request. This uncertainty has to be included in the model to make it more realistic.