Les chercheurs acceptent l’incertitude pour améliorer les micro-réseaux

Les chercheurs de l'Institut des sciences et technologies de Gwangju adoptent l'incertitude pour améliorer les micro-réseaux

Le nouveau modèle utilise un réseau de neurones artificiels pour prédire les variations et l’incertitude de la souplesse des sources d’énergie renouvelables en tant qu’entrée d’un modèle d’optimisation stochastique en deux étapes pour les micro-réseaux. Crédit : Yun-Su Kim de l’Institut des sciences et technologies de Gwangju

Les énergies renouvelables sont considérées comme une réponse au changement climatique, mais leur adoption est limitée par la variabilité et la nature intermittente de la plupart des sources d’énergie renouvelables. Les micro-réseaux sont une solution prometteuse à ce problème.

Les micro-réseaux sont des réseaux électriques plus petits et localisés qui peuvent être connectés au réseau principal de la région, mais peuvent également être déconnectés ou « isolés » si nécessaire. Les modèles qui guident le fonctionnement des micro-réseaux, tels que la planification des délestages, etc., sont essentiels à leur fonctionnement efficace. Mais jusqu’à présent, la plupart des modèles de micro-réseaux ont soit négligé l’incertitude et les variations des énergies renouvelables, soit supposé le scénario le plus défavorable, ce qui peut entraîner une augmentation de l’énergie non fournie (ENS) et des coûts d’exploitation.

Pour résoudre ce problème, une équipe de recherche de l’Institut des sciences et technologies de Gwangju, en Corée du Sud, a développé un nouveau modèle d’optimisation stochastique en deux étapes pour minimiser les coûts d’exploitation et le délestage.

Selon le Dr Yun-Su Kim, qui a dirigé l’étude, « l’un des problèmes des micro-réseaux est qu’ils ne peuvent parfois pas fournir suffisamment d’électricité pour la charge, ce qui provoque un délestage, et à d’autres moments, ils produisent trop d’électricité. Dans cet article , nous avons créé un algorithme d’exploitation qui peut réduire les coûts d’exploitation et le délestage. »

Un élément clé du nouveau modèle d’optimisation était la création d’un modèle de prédiction basé sur (ANN) pour la puissance de sortie des sources d’énergie renouvelables. Cette puissance de sortie est obtenue sous la forme d’une fonction de densité de probabilité, c’est-à-dire qu’elle fournit la probabilité qu’une puissance de sortie donnée soit obtenue à un moment donné, tenant ainsi compte des variations et de l’incertitude de l’approvisionnement en énergie renouvelable. Cette fonction de densité de probabilité est ensuite introduite dans un modèle d’optimisation stochastique qui prend des décisions opérationnelles, telles que la planification.

Les chercheurs ont validé leur modèle à l’aide des données d’un micro-réseau conçu par le Natural Energy Laboratory of Hawaii Authority. Ils ont constaté que l’ANN prédisait la puissance de sortie avec une faible erreur de 9,7 %. Le modèle d’optimisation stochastique offrait également une réduction d’environ 20 % de l’ENS moyen, ainsi qu’une réduction d’environ 19 % des coûts d’exploitation.

« Les combustibles fossiles entraînent avec eux le changement climatique et l’inflation. La réforme du réseau électrique à l’aide de micro-réseaux peut contribuer à l’intégration des énergies renouvelables. Ainsi, l’amélioration de l’efficacité et de l’intégration des micro-réseaux nous rapprochera de la sécurité et de la stabilité énergétiques », conclut le Dr Kim.

Le travail est publié dans la revue Énergie appliquée.

Fourni par GIST (Institut des sciences et technologies de Gwangju)