Decentralized optimization for energy efficiency under stochasticity

par François Pacaud

Thèse de doctorat en Mathématiques

Sous la direction de Michel De Lara.

Soutenue le 25-10-2018

à Paris Est , dans le cadre de MSTIC : Mathématiques et Sciences et Technologies de l'Information et de la Communication , en partenariat avec Centre d'enseignement et de recherche en mathématiques et calcul scientifique (Champs-sur-Marne, Seine-et-Marne) (laboratoire) et de Centre d'Enseignement et de Recherche en Mathématiques- Informatique et Calcul Scientifique / CERMICS (laboratoire) .

Le président du jury était Ralph Tyrrell Rockafellar.

Le jury était composé de Michel De Lara, Pierre Carpentier, Nicolas Petit, Nadia Oudjane.

Les rapporteurs étaient Andy Philpott, Frédéric Bonnans.

  • Titre traduit

    Optimisation décentralisée pour l’efficacité énergétique


  • Résumé

    Les réseaux électriques doivent absorber une production d'énergie renouvelable croissante, de façon décentralisée. Leur gestion optimale amène à des problèmes spécifiques. Nous étudions dans cette thèse la formulation mathématique de tels problèmes en tant que problèmes d'optimisation stochastique multi-pas de temps. Nous analysons plus spécifiquement la décomposition en temps et en espace de tels problèmes. Dans la première partie de ce manuscrit, Décomposition temporelle pour l'optimisation de la gestion de microgrid domestique, nous appliquons les méthodes d'optimisation stochastique à la gestion de microgrid de petite taille. Nous comparons différents algorithmes d'optimisation sur deux exemples: le premier considère une microgrid domestique équipée avec une batterie et une centrale de micro-cogénération; le deuxième considère quant à lui une autre microgrid domestique, cette fois équipée avec une batterie et des panneaux solaires. Dans la seconde partie, Décomposition temporelle et spatiale de problèmes d'optimisation de grande taille, nous étendons les études précédentes à des microgrids de plus grandes tailles, avec différentes unités et stockages connectés ensemble. La résolution frontale de tels problèmes de grande taille par Programmation Dynamique s'avère impraticable. Nous proposons deux algorithmes originaux pour pallier ce problème en mélangeant une décomposition temporelle avec une décomposition spatiale --- par les prix ou par les ressources. Dans la dernière partie, Contributions à l'algorithme Stochastic Dual Dynamic Programming, nous nous concentrons sur l'algorithme emph{Stochastic DualDynamic Programming} (SDDP) qui est actuellement une méthode de référence pour résoudre des problèmes d'optimisation stochastique multi-pas de temps. Nous étudions un nouveau critère d'arrêt pour cet algorithme basé sur une version duale de SDDP, qui permet d'obtenir une borne supérieure déterministe pour le problème primal


  • Résumé

    New energy systems are designed to absorb a large share of renewableenergy in a decentralized fashion. Their optimized management raises specificissues. We study mathematical formulation as large scale multistagestochastic optimization problems. We focus on time and space decompositionmethods in a stochastic setting.In the first part of this manuscript, Time decomposition inoptimization and management of home microgrids, we apply stochasticoptimization algorithms to the management of small scale microgrids. We compare different optimization algorithms on two examples:a domestic microgrid equipped with a microCombined Heat and Power generator and a battery;a domestic microgrid equipped with a battery and solar panels.In the second part, Mixing time and spatial decomposition inlarge-scale optimization problems, we extend the previous studies tolarger microgrids, where different units and storage devices are connected together. As a direct resolution by Dynamic Programming of such large scale systemsis untractable, we propose original algorithms mixing time decomposition on the one hand, and price and resource spatial decomposition on the other hand.In the third part, Contributions to Stochastic Dual Dynamic Programming,we focus on the Stochastic Dual Dynamic Programming (SDDP) algorithm,a well-known algorithm to solve multistage stochastic optimizationproblems. We present a new stopping criteria based on a dual versionof SDDP which gives a deterministic upper-bound for the primal problem


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 : 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.