Energy Supply and Demand Side Management in Industrial Microgrid Context

par Alemayehu Desta

Thèse de doctorat en Informatique

Sous la direction de Laurent George et de Hakim Badis.

Le président du jury était Ye-Qiong Song.

Le jury était composé de Laurent George, Hakim Badis, Maryline Chetto, Leandro Soares Indrusiak, Pierre Courbin, Bruno Gaujal.

Les rapporteurs étaient Maryline Chetto, Leandro Soares Indrusiak.

  • Titre traduit

    Gestion de la production et de la demande d'?nergie dans un contexte de Microgrid Industriel


  • Résumé

    En raison de l'augmentation des co?ts d'?nergie et des pr?occupations environnementales telles que les empreintes de carbone ?lev?es, les syst?mes de la production d'?lectricit? centralis?e se restructurent pour profiter des avantages de la production distribu?e afin de r?pondre aux exigences ?nerg?tiques toujours croissantes. Les microgrids sont consid?r?s comme une solution possible pour d?ployer une g?n?ration distribu?e qui inclut des ressources ?nerg?tiques distribu?es DERs (Distributed Energy Resources)(e.g, solaire, ?olienne, batterie, etc). Dans cette th?se, nous traitons les d?fis de la gestion d'?nergie dans un microgrid industriel o? les charges ?nerg?tique sont constitu?es de processus industriels. Notre plan consiste ? diviser la gestion de l'?nergie du microgrid en deux parties: la production et la demande d??nergie.Du c?t? de la production d'?nergie, les d?fis incluent la mod?lisation des g?n?rations de puissance et le lissage des fluctuations des DER. Pour mod?liser les g?n?rations de puissance, nous proposons un mod?le bas? sur les concepts de service courb? de Network Calculus. En utilisant cet outil math?matique, nous d?terminons une quantit? minimale de puissance que les DERs peuvent g?n?rer; leur agr?gation nous donnera une production d'?nergie totale dans le microgrid. Apr?s cela, s'il existe un d?s?quilibre entre la production et la demande d'?nergie, nous proposons des strat?gies diff?rentes pour minimiser les co?ts d'approvisionnement ?nerg?tique. Sur la base des donn?es r?elles de la consommation d'?nergie d'un site industriel situ? en France, des ?conomies significatives peuvent ?tre r?alis?es en adoptant ces strat?gies. Dans cette th?se, nous ?tudions ?galement comment att?nuer les effets des fluctuations de puissance des DERs en conjonction avec des syst?mes de stockage d'?nergie. Pour cela, nous proposons un algorithme de lissage gaussien et nous le comparons avec des algorithmes de lissage trouv?s dans l'?tat de l'art. Nous avons trouv? que l'algorithme propos? utilise de batterie de moins de taille ? des fins de lissage par rapport ? d'autres algorithmes. ? cette fin, nous sommes ?galement int?ress?s ? ?tudier les effets de la gamme admissible des fluctuations sur les tailles de la batterie.Du c?t? de la demande, l'objectif est de r?duire les co?ts de l'?nergie gr?ce aux approches de gestion de la demande DSM (Demand Side Management) telles que Demand Response (DR) et Energy Efficiency. Comme les processus industriels consomment ?norm?ment, une petite r?duction de la consommation d'?nergie en utilisant les approches DSM pourrait se traduire par des ?conomies cruciales. Cette th?se se concentre sur l'approche DR qui peut profiter des prix variables de l'?lectricit? dans le temps pour d?placer les demandes ?nerg?tiques des heures de pointe aux heures creuses. Pour atteindre cet objectif, nous comptons sur un mod?le bas? sur la th?orie de file d'attente pour caract?riser les comportements temporels (arriv?e et d?part des t?ches) d'un syst?me de fabrication. Apr?s avoir d?fini les processus d'arriv?e et de d?part de t?ches, une fonction d'utilisation efficace est utilis?e pour pr?dire le comportement de la machine dans un domaine temporel et qui peut afficher son statut (allum?/?teint) ? tout moment. En prenant le statut de chaque machine dans une ligne de production comme une entr?e, nous proposons ?galement un algorithme de planification DR qui adapte la consommation d'?nergie d'une ligne de production aux deux contraintes de puissance disponibles et de taux de production. L'algorithme est cod? ? l'aide d?une machine d??tat fini d?terministe (Deterministic Finite State Machine) dans laquelle les transitions d'?tat se produisent en ins?rant une t?che ? l'entr?e du tapis roulant (on peut aussi avoir des transitions sans insertion de taches). Nous d?finissons des conditions pour l'existence d?un planificateur r?alisable et aussi des conditions pour accepter positivement des demandes DRs


  • Résumé

    Due to increased energy costs and environmental concerns such as elevated carbon footprints, centralized power generation systems are restructuring themselves to reap benefits of distributed generation in order to meet the ever growing energy demands. Microgrids are considered as a possible solution to deploy distributed generation which includes Distributed Energy Resources (DERs) (e.g., solar, wind, battery, etc). In this thesis, we are interested in addressing energy management challenges in an industrial microgrid where energy loads consist of industrial processes. Our plan of attack is to divide the microgrid energy management into supply and demand sides.In supply side, the challenges include modeling of power generations and smoothing out fluctuations of the DERs. To model power generations, we propose amodel based on service curve concepts of Network Calculus (NC). Using this mathematical tool, we determine a minimum amount of power the DERs can generate and aggregating them will give us total power production in the microgrid. After that, if there is an imbalance between energy supply and demand, we put forward different strategies to minimize energy procurement costs. Based on real power consumption data of an industrial site located in France, significant cost savings can be made by adopting the strategies. In this thesis, we also study how to mitigate the effects of power fluctuations of DERs in conjunction with Energy Storage Systems (ESSs). For this purpose, we propose a Gaussian-based smoothing algorithm and compare it with state-of-the-art smoothing algorithms. We found out that the proposed algorithm uses less battery size for smoothing purposes when compared to other algorithms. To this end, we are also interested in investigating effects of allowable range of fluctuations on battery sizes.In demand side, the aim is to reduce energy costs through Demand Side Management (DSM) approaches such as Demand Response (DR) and Energy Efficiency (EE). As industrial processes are power-hungry consumers, a small power consumption reduction using the DSM approaches could translate into crucial savings. This thesis focuses on DR approach that can leverage time varying electricity prices to move energy demands from peak to off-peak hours. To attain this goal, we rely on a queuing theory-based model to characterize temporal behaviors (arrival and departure of jobs) of a manufacturing system. After defining job arrival and departure processes, an effective utilization function is used to predict workstation?s (or machine?s) behavior in temporal domain that can show its status (working or idle) at any time. Taking the status of every machine in a production line as an input, we also propose a DR scheduling algorithm that adapts power consumption of a production line to available power and production rate constraints. The algorithm is coded using Deterministic Finite State Machine (DFSM) in which state transitions happen by inserting a job (or not inserting) at conveyor input. We provide conditions for existence of feasible schedules and conditions to accept DR requests positively.To verify analytical computations on the queuing part, we have enhanced Objective Modular Network Testbed in C++ (OMNET++) discrete event simulator for fitting it to our needs. We modified various libraries in OMNET++ to add machine and conveyor modules. In this thesis, we also setup a testbed to experiment with a smart DR protocol called Open Automated Demand Response (OpenADR) that enables energy providers (e.g., utility grid) to ask consumers to reduce their power consumption for a given time. The objective is to explore how to implement our DR scheduling algorithm on top of OpenADR


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 ?

  • Bibliothèque : Communautés d’Universités et d'Etablissements Université Paris-Est. Bibliothèque universitaire.
  • Bibliothèque : École des Ponts ParisTech (Marne-la-Vallée, Seine-et-Marne). Bibliothèque électronique.
Voir dans le Sudoc, catalogue collectif des bibliothèques de l'enseignement supérieur et de la recherche.