Demand response for smart homes

Problèmes dans l'opération de la transmission d'électricité, surcharge, émission de carbone sont, entre autres, les préoccupations des gestionnaires de réseaux électriques partout dans le monde. Dans ce contexte, face au besoin de réduire les coûts d'exploitation ainsi que le besoin d'adaptation aux différentes exigences de qualité, de sécurité, de flexibilité et de durabilité, les réseaux intelligents sont considérés comme une révolution technologique dans le secteur de l'énergie électrique. Cette transformation sera nécessaire pour atteindre les objectifs environnementaux, intégrer la participation de la demande, appuyer l'adoption de véhicules électriques et hybrides ainsi que la production distribuée à basse tension. Chaque partie prenante dans le processus de gestion de l'énergie peut avoir des avantages avec le réseau intelligent, ce qui justifie son importance dans l'actualité. Dans ce travail, on se concentre plutôt sur l'utilisateur final. En plus de l'utilisateur final, nous utilisons également l'agrégateur, qui est une entité qui agrège un ensemble d'utilisateurs de sorte que l'union de leurs participations individuelles devienne plus représentative pour les décisions relatives au système d'énergie. La fonction de l'agrégateur est d'établir un engagement d'intérêts entre les utilisateurs finaux et l'entreprise de génération afin de satisfaire les deux parties. L'une des contributions principales de cette thèse est la mise au point d'une méthode qui donne à un agrégateur la possibilité de coordonner la consommation d'un ensemble d'utilisateurs, en maintenant le niveau de confort souhaité pour chacun d'entre eux et en les encourageant via des incitations monétaires à changer ses consommations, de sorte que la charge globale ait le coût minimal pour le producteur. Dans la première contribution (chapitre 4), ce travail se concentre sur le développement d'un modèle mathématique représentatif pour la planification des équipements d'un utilisateur. Le modèle intègre des modèles détaillés et fiables pour des équipements spécifiques tout en conservant une complexité telle que les solveurs commerciaux puissent résoudre le problème en quelques secondes. Notre modèle peut donner des résultats qui, comparés aux modèles les plus proches de la littérature, permettent des économies de coûts allant de 8% à 389% sur un horizon de 24 heures. Dans la deuxième contribution (chapitre 5), l'accent a été mis sur la création d'un cadre algorithimique destiné à aider un utilisateur final particulier dans son processus de décision lié à la récupération d'investissement sur l'acquisition d'appareils ou d'équipements (composants) intelligents. Pour un utilisateur spécifique, le cadre analyse différentes combinaisons de composants intelligents afin de déterminer lequel est le plus rentable et à quel moment il convient de l'installer. Ce cadre peut être utilisé pour encourager un utilisateur à adopter un concept de maison intelligente réduisant les risques liés à son investissement. La troisième contribution(chapitre 6) regroupe plusieurs maisons intelligentes. Un cadre algorithimique basé sur les programmes de réponse à la demande est proposé. Il utilise les résultats des deux contributions précédentes pour représenter plusieurs utilisateurs, et son objectif est de maximiser le bien-être social, en tenant compte de la réduction des coûts pour un producteur donné ainsi que de la satisfaction de chaque consommateur. Les résultats montrent que, du point de vue du producteur, la courbe de charge globale est aplatie sans que cela ait un impact négatif sur le confort des utilisateurs ou sur leurs coûts. Enfin, les expériences rapportées dans chaque contribution valident théoriquement l'efficacité des approches proposées.

Abstract

Transmission operation issues, overload, carbon emissions are, among others, the concerns of power system operators worldwide. In this context, faced with the need to reduce operating costs and the need to adapt to the different requirements of quality, security, flexibility and sustainability, smart grids are seen as a technological revolution in the field of power system. This transformation will be necessary to achieve environmental objectives, support the adoption of electric and hybrid vehicles, improve distributed low-voltage generation and integrate demand participation. Each stakeholder in the energy management process can have advantages with the smart grid, which justifies its current importance. The focus of this thesis is rather on the end user. In addition to the end-user, this work also uses the aggregator that is an entity that aggregates a set of users such that the union of the individual participation of each user becomes more representative for power system decisions. The function of the aggregator is to establish an engagement of interests between the end users and the generator company in order to satisfy both parties. One of the main contributions of this thesis is the development of a method that gives an aggregator the possibility to coordinate the consumption of a set of users, keeping the desired comfort level for each of them and encouraging them via monetary incentives to change their consumption such that their aggregated load has the minimal cost for the generator company. In the first contribution (Chapter 4), this work focuses on developing a representative mathematical model for user appliances scheduling. The model integrates detailed and reliable models for specific appliances while keeping a complexity such that commercial solvers are able to solve the problem in seconds. Our model can give results that, compared to the closest models in the literature, provide a cost savings in the range of 8% and 389% over a scheduling horizon of 24 hours. In the second contribution (Chapter 5), the focus was given in making a framework to help a specific end-user in their decision process related to the payback for an acquisition of smart appliances or equipment (components). For a specific user, the framework analyses various combinations of smart components to discover which one is the most profitable and when it should be installed. This framework can be used to encourage users towards a smart home concept decreasing the risks about their investment. The third contribution (Chapter 6) aggregates several smart homes. A framework based on demand response programs is proposed. It uses outputs from the two previous contributions to represent multiple users, and its goal is to maximize the social welfare, considering the reduction of costs for a given generator company as well the satisfaction of every user. Results show that, from the generator company perspective, the aggregate load consumption is flattened without impacting negatively the users' comfort or their costs. Finally, the experiments reported in each contribution validate, in theory, the efficiency of the proposed approaches.