Développement d'algorithmes de gestion optimale des systèmes de stockage énergétique basés sur des modèles adaptatifs

par Eiko KRüGER

Thèse de doctorat en Génie électrique

Sous la direction de Tuan Tran-Quoc.

Le président du jury était Seddik Bacha.

Le jury était composé de Bruno François, Franck al- Shakarchi.

Les rapporteurs étaient Mohamed Benbouzid, Marc Petit.


  • Résumé

    Les limites des ressources d’énergies fossiles et la perspective imminente du changement climatique ont mené les pays de l’Union Européenne à engager une restructuration du secteur électrique vers un approvisionnement en énergie fiable, économique et durable. Dans cette optique de transition énergétique, les systèmes de stockage d’énergie peuvent faciliter l’intégration des énergies renouvelables dans les réseaux électriques. Ils permettent de stocker l’énergie produite par les sources renouvelables pour décaler sa fourniture aux réseaux électriques et compenser les fluctuations aléatoires de la puissance. Par ce lissage de la production des sources intermittentes, les systèmes de stockage transforment ces dernières en centrales mieux contrôlables et plus prévisibles ce qui leur permet de participer aux marchés d’électricité et aux services systèmes.Afin de garantir le respect des plans de production et des engagements pris envers le gestionnaire du réseau, les centrales de production renouvelables équipées d’un système de stockage ont recours à un système de gestion d’énergie. Alors que le contrôle rapproché assure le respect de la consigne instantanée de production, la gestion d’énergie utilise des méthodes d’optimisation sous contraintes issues de la recherche opérationnelle pour planifier le fonctionnement des systèmes de stockage. Le plus souvent, un arbitrage est nécessaire entre les exigences du fonctionnement et la complexité du modèle utilisé. Les modèles de batterie, qui présentent un comportement non-linéaire, doivent être simplifiés en vue de les intégrer dans les algorithmes d’optimisation les plus courants. De plus, les modèles précis et particulièrement ceux qui sont basés sur une modélisation physico-chimique de la batterie exigent des tests de caractérisation chronophages réalisés dans des conditions contrôlées. Finalement, le comportement électrique de la batterie évolue avec son âge ce qui impose un recalage périodique du modèle en fonction du temps.Cette thèse présente une méthodologie d’identification de modèles de batterie en cours de fonctionnement et d’utilisation de ces modèles adaptatifs dans la gestion optimale d’une centrale de production électrique avec stockage. Après un rappel des modèles de batteries, des méthodes d’identification en temps réel issues de la théorie du contrôle sont développées dans le cas d’un modèle des circuits électriques équivalents. L’extraction d’un modèle simplifié pour la gestion d’énergie est décrite et juxtaposée à une analyse de régression directe des données de fonctionnement. Les méthodes d’identification sont testées pour un système de stockage réel de taille industrielle, associé à une centrale photovoltaïque installée sur l’île de La Réunion. L’identification du modèle dans le cadre d’une étude de vieillissement préalablement effectuée au sein du CEA, met en évidence le suivi de l’état de santé de la batterie.En vue de l’intégration des modèles adaptatifs dans la gestion, la formulation des problèmes d’optimisation rencontrés dans la planification d'une centrale photovoltaïque associée à un système de stockage est développée. Des implémentations en programmation linéaire-mixte et en programmation dynamique sont réalisées dans des cas d’études basés sur la participation aux marchés d’électricité ou dans le cadre d’une tarification réglementée, ainsi que la participation aux services système. Afin d’évaluer les performances de ces solutions, une architecture de contrôle pour la centrale est détaillée, et le fonctionnement de la centrale est simulé. Plusieurs configurations du système de gestion sont testées, y compris l’utilisation de modèles fixes ou variables ainsi que la prise en compte ou non du vieillissement de la batterie. Une analyse statistique des résultats obtenus pour différents cas de production photovoltaïque et d’erreurs de prévision montre que l’utilisation des modèles variables présente des avantages.

  • Titre traduit

    Development of optimal management algorithms for energy storage systems based on adaptive models


  • Résumé

    Limited fossil energy resources and the prospect of impending climate change have led the European Union to engage in a restructuring of the electricity sector towards a sustainable, economical and reliable power supply. Energy storage systems have the potential of an enabling technology for the integration of renewable energy sources, which underlies this transition. They allow the delivery of energy produced by a local source to the electric grid to be shifted in time and can compensate random fluctuations in power output. Through such smoothing and levelling, energy storage systems can make the production of variable renewable sources predictable and amenable to control.In order to observe scheduled production and their commitments toward the grid operator, renewable power plants equipped with storage systems make use of an energy management system. While direct control ensures tracking of the current production setpoint, energy management employs constrained optimization methods from operations research to organize the usage of the storage systems. The complexity of the storage system model used in optimization must frequently be adapted to the specific application. Batteries show non-linear state-dependent behavior. Their model must be simplified for use in the most common optimization algorithms. Moreover, precise battery models based on physical modelling require time-consuming controlled testing for parameterization. Lastly, the electrical behavior of a battery evolves with aging which calls for regular recalibration of the model.This thesis presents a methodology for on-line battery model identification and the use of such adaptive models in optimal management of an electrical plant with energy storage. After a summary of battery models, observer methods for on-line identification based on control theory are developed for the case of an equivalent circuit model. The extraction of a simplified model for energy management is described and compared to direct regression analysis of the operational data. The identification methods are tested for a real industrial-sized storage system operated in a photovoltaic power plant on the island of La Réunion. Model identification applied to data from an earlier battery aging study shows the use of the method for tracking the state-of-health.The formulation of optimization problems encountered in the production scheduling of a photovoltaic power plant with energy storage is developed incorporating the adaptive battery models. Mixed-integer linear programming and dynamic programming implementations are used in case studies based on market integration of the plant or regulated feed-in tariffs. A simulation model based on the outline of the plant control architecture is used to simulate the operation and evaluate the solutions. Different configurations of the management system are tested, including static and variable battery models and the integration of battery aging. A statistical analysis of the results obtained for multiple cases of photovoltaic production and forecast error shows the advantage of using variable battery models in the study case.


Il est disponible au sein de la bibliothèque de l'établissement de soutenance.

Consulter en bibliothèque

La version de soutenance existe

Où se trouve cette thèse\u00a0?

  • Bibliothèque : Université Savoie Mont Blanc (Chambéry-Annecy). Service commun de la documentation et des bibliothèques universitaires. Bibliothèque électronique.
  • Bibliothèque : Université Grenoble Alpes. Bibliothèque et Appui à la Science Ouverte. Bibliothèque électronique.
Voir dans le Sudoc, catalogue collectif des bibliothèques de l'enseignement supérieur et de la recherche.