Energy management strategies for smart grids

Stratégies de gestion d'énergie pour les smart grids

Peter Pflaum (1, 2)

1 SE - Schneider Electric
2 GIPSA-SYSCO - GIPSA - Systèmes non linéaires et complexité

The increasing level of renewable energies in the electric grids and the foreseeable deployment of electric vehicles challenge the traditional ways of managing energy in those grids. While traditionally a centralized energy management paradigm has been applied, a tendency towards more decentralized control mechanisms, aiming to better exploit flexibilities at a local scale, can be observed.In this thesis, two issues concerning the energy management in smart grids are addressed. In the first part of this thesis, two Distributed Model Predictive Control (DMPC) methods are proposed which allow a more efficient coordination of a group of actors in a smart grid. The focus in this first part is on the qualitative comparison and on the comparison in terms of computational efficiency of the two methods. The second part of this thesis deals with energy management systems that explicitly take into account uncertainties. For two systems, photovoltaic power plants and electric vehicle charging stations, energy management systems relying on randomized algorithms are proposed and their performances compared to deterministic strategies.

Le taux croissant de sources d'énergies renouvelables dans les réseaux électriques et l'apparition prévisible de voitures électriques remettent en cause les mécanismes traditionnels de gestion de ces réseaux. Alors que les réseaux électriques ont été traditionnellement gérés de manière centralisée, on s'oriente de plus en plus vers une gestion décentralisée avec l'objectif d'exploiter au mieux les flexibilités à un niveau local.Dans cette thèse, deux problématiques concernant la gestion de l'énergie au niveau des smart grids sont adressées : La première partie de cette thèse propose deux algorithmes de commande prédictive distribués pour coordonner de manière plus efficace un ensemble d'acteurs dans un smart grid. Le focus est sur la comparaison qualitative de ces deux méthodes ainsi que sur leurs performances en termes de temps de calcul. Dans la deuxième partie de cette thèse, des méthodes de gestion d'énergie prenant en compte explicitement l'incertitude sont proposées pour une centrale photovoltaïque et pour une station de recharge de véhicules électriques. Les méthodes reposent sur des algorithmes randomisés qui permettent d'obtenir des garanties probabilistes de performance.

Mots clés: energy management; optimization; model predictive control; randomized algorithm; smart grid; uncertainty; large-scale

Mots clés: gestion d'énergie; optimisation; commande prédictive; algorithmes randomisés; quartier intelligent; incertitudes; passage-à-l'échelle

Domaines: Energie électrique; Systèmes et contrôle [cs.SY]; Recherche opérationnelle [math.OC]; Automatique / Robotique; Applications [stat.AP]

Peter Pflaum. Energy management strategies for smart grids. Electric power. Gipsa-Lab; Schneider Electric, 2017. English. ⟨NNT : ⟩. ⟨tel-01472704v1⟩