0% ont trouvé ce document utile (0 vote)

50 vues88 pages

MASTER

Ce mémoire présente une stratégie d'optimisation pour la gestion des puissances dans un micro-réseau en utilisant des algorithmes tels que l'optimisation par essaim particulaire et l'algorithme génétique. Deux scénarios sont analysés : l'un sans injection d'énergie renouvelable dans le réseau principal et l'autre avec injection durant des périodes spécifiques. Les résultats montrent une réduction significative des coûts d'exploitation et une amélioration de l'efficacité énergétique locale, tout en diminuant les émissions de gaz à effet de serre.

Transféré par

dkz

Nous prenons très au sérieux les droits relatifs au contenu. Si vous pensez qu’il s’agit de votre contenu, signalez une atteinte au droit d’auteur ici.

Formats disponibles

Téléchargez aux formats PDF, TXT ou lisez en ligne sur Scribd

0% ont trouvé ce document utile (0 vote)

50 vues88 pages

MASTER

Transféré par

dkz

Nous prenons très au sérieux les droits relatifs au contenu. Si vous pensez qu’il s’agit de votre contenu, signalez une atteinte au droit d’auteur ici.

Formats disponibles

Téléchargez aux formats PDF, TXT ou lisez en ligne sur Scribd

REPUBLIQUE ALGERIENNE DEMOCRATIQUE ET POPULAIRE

‫الجـمـهـوريـة الجـزائـريـة الديـمـقـراطـيــة الشـعـبـيــة‬

MINISTRY OF HIGHER EDUCATION ‫وزارة التعليـم العالـي والبحـث العلمـي‬
AND SCIENTIFIC RESEARCH

HIGHER SCHOOL IN APPLIED SCIENCES ‫المـدرسـة العليـا في العلوم التطبيقيــة‬

--T L E M C E N-- -‫تلمسان‬-

Mémoire de fin d’étude

Pour l’obtention du diplôme de Master

Filière : Électrotechnique
Spécialité : Énergie et Environnement

Présenté par :

BEN LAKEHAL Mohamed Amine

Thème

Optimisation par essaim particulaire et

par algorithme génétique pour la
gestion intelligente des puissances
d'un micro-réseau

Soutenu publiquement, le 09/09/2020, devant le jury composé de :

Dr ABDI Sidi Md EL Amine MCB ESSA Tlemcen Président

Dr BOUKLI HACENE Fouad MCA ESSA Tlemcen Directeur de mémoire

Dr KERBOUA Abdelfettah MCB ESSA Tlemcen Co- Directeur de mémoire

Dr CHEMIDI Abdelkarim MCB ESSA Tlemcen Examinateur 1

Dr BOUSMAHA Imen MCB ESSA Tlemcen Examinateur 2

Année universitaire : 2019/2020

Remerciments

Tout d’abord je tiens à remercier Dieu, le tout puissant et miséricordieux, qui m’a donné la
force, l’intelligence et la patience d’accomplir ce modeste travail.

Je remercie sincèrement Monsieur Fouad Boukli Hacene et Monsieur Kerboua Abdelfatah ;

respectivement Encadreur et Co Encadreur de ce travail ; ils se sont toujours montrés à
l’écoute et très disponible tout au long de la réalisation de ce mémoire, ainsi pour
l’inspiration, l’aide et le temps qu’ils ont bien voulu me consacrer.

Je tiens à exprimer mes plus vifs remerciements aux membres du jury :

Mrs ABDI Sidi Md El Amine pour l’honneur qu’il m’a fait de bien vouloir présider ce jury.
Mrs CHIMIDI Abdelkrim et Mme BOUSMAHA Imene qui ont accepté d’examiner mon
travail.

Merci à l’ensemble des enseignants du département électrotechnique qui ont veillé à ma

formation durant mon parcours universitaire.
Dédicaces

À mes chers parents

Aucune dédicace ne saurait exprimer mon respect, mon amour éternel et ma considération
pour les sacrifices que vous avez consentis pour mon instruction et mon bien-être,

Je vous remercie pour tout le soutien et l’amour que vous me portez depuis mon enfance et
j’espère que votre bénédiction m’accompagnera toujours,

Merci à vous deux encore mille fois. Que Dieu le plus puissant vous garde et vous procure la
santé, le bonheur et la longue vie.

À ma chère sœur

En témoignage de mon affection fraternelle, de ma profonde tendresse et reconnaissance, je te

souhaite une vie pleine de bonheur et de succès et que Dieu, le tout puissant, te protège et te
garde.

À toute la famille BEN LAKEHAL et SEDKAOUI

À mes amis de toujours Fayçal, Hocine, Samy, Sarah, Abdeldjalil, Abderrahim

Je tiens à présenter mes reconnaissances et mes remerciements

À tous ceux ou celles qui me sont chers et que j’ai omis involontairement de citer,

À ceux qui consacrent leur existence pour rendre ce monde meilleur.

Amine
Résumé

Une stratégie de gestion intelligente des flux énergétiques circulant dans les systèmes hy-
brides est nécessaire pour gérer économiquement la production tout en maintenant l’équilibre
entre l’offre et la demande. Trouver les consignes de puissance des divers générateurs opti-
males peut conduire à une utilisation modérée et judicieuse des puissances disponibles dans
le micro-réseau. Ce mémoire vise à appliquer l’optimisation des essaims de particules (PSO)
et l’algorithme génétique (AG) pour minimiser le coût d’exploitation de l’énergie consommée
par la charge. Deux scénarios ont été élaborés pour trouver les consignes de fonctionnement
optimales. Le premier scénario traite le problème d’optimisation sans injection du surplus éner-
gétique issue des sources renouvelables (PV et éolienne) dans le réseau principal. Alors que le
deuxième scénario injecte de l’énergie dans le réseau durant des heures précis là où la charge est
énergétiquement satisfaite et un surplus d’énergie provenant des sources renouvelables est pré-
sent. Les résultats ont montré que les coûts d’exploitation pendant la journée étaient nettement
réduits grâce à l’utilisation des points de consignes optimales des générateurs distribués, et cette
réduction a été encore plus importante lors de l’injection et la vente du surplus énergétique au
réseau. Pour conclure, les principaux avantages de la méthodologie proposée dans ce mémoire
sont l’amélioration de l’efficacité énergétique locale du micro-réseau, la réduction des coûts de
consommation d’énergie et la réduction notable des gaz à effet de serre dans l’air.

Mots clés :
Energies Renouvelables, Micro-réseau, Gestion d’énergie, Optimisation, Algorithme Génétique,
Optimisation Par Essaim Particulier, Système d’Enérgie Hybride, Injection
Abstract

An intelligent management strategy for the energy flows circulating in hybrid systems is
necessary to economically manage production while maintaining the balance between supply
and demand. Finding the optimum power setpoints for the various generators can lead to a
moderate and judicious use of the powers available in the micro-grid. This thesis aims to ap-
ply Particle Swarm Optimization (PSO) and Genetic Algorithm (GA) to minimize the cost of
operating the energy consumed by the load. Two scenarios have been developed to find the
optimal operating instructions. The first scenario addresses the optimization problem without
injecting excess energy from renewable sources (PV and wind) into the main grid. While the
second scenario injects energy into the grid during specific hours where the load is energeti-
cally satisfied and excess energy from renewable sources is available. The results showed that
daytime operating costs were significantly reduced through the use of the optimal set points of
the distributed generators, and this reduction was even greater when injecting and selling the
surplus energy to the network. To conclude, the main advantages of the methodology proposed
in this thesis are the improvement of the local energy efficiency of the micro-grid, the reduction
of the energy consumption costs and the notable reduction of greenhouse gases in the air.

Keywords :
Renewable Energies, Micro-grid, Energy Management, Optimization, Genetic Algorithm, Par-
ticle Swarm Optimization, Hybrid Energy System, Injection
jÊÓ
h. AJKB @ èP@XB éK PðQå éJJj.êË@ éÒ ¢ B@ ú¯ éËð@Y JÖÏ @ é¯A¢Ë@
HA ® ¯YJË éJ »YË@ èP@XB @ éJ j.K@Q@ YªK
é¯A¢Ë@
¡J A® K úÎ« PñJªË@ ø XñK à @ áºÖß .¼CîDB@
. ð h AJKB @ áK. à P@ñJË@ úÎ« A®mÌ '@ ©Ó AK XAJ¯@
.
Q
è Yë ¬YîE . è ªË@ éºJ.Ë@ ú¯ ékAJÖÏ @ øñ®ÊË Õæºkð ÈYJªÓ Ð@YjJ@ úÍ@ H@YËñÖ Ï @ ÊJjÖÏ úÎJÖÏ @
úæË@ ÉJª é®Ê¾K ÉJÊ® JË éJ JmÌ '@ éJ ÓPP@ñmÌ '@ð HAÒJ
é¯A¢Ë@ . m.Ì '@ H. Qå ám' J J.¢ úÍ@ ékðQ£ B@

Èð B@ ñK PAJË@ lÌ. 'AªK . úÎJÖÏ @ ÉJª Ë@ H@XA P@
úÎ« PñJªÊË áëñK PAJ QK ñ¢ Õç' .ÉÒmÌ '@ AêºÊîD
Ë@
éºJ . ú¯ (hAK QË@ð éJKñðQêºË@) èXYj.JÖÏ @ PXAÖÏ @ áÓ èYK@QË@ é¯A¢Ë@ t àðX ájJË@ éÊ¾Ó
AJQÓ ÉÒmÌ '@ àñºK IJ k èXYm× HA«A ÈCg éºJ Ë@
. ú¯ é¯A¢Ë@ úGAJË@ ñK PAJË@ q AÒJK. . éJKQË@

PAîDË@ ÈCg ÉJª Ë@ JËA¾K à @ l' AJJË@ HQê £ @ . èXYj.JÖÏ @ PXAÖÏ @ áÓ èYK@P é¯A£ Yg ñKð é¯A¢ËAK
. . .
Q
YJ« .» @ J®jJË@ @ Yë àA¿ð , é«PñÖÏ @ H@YËñÒÊË úÎJÖÏ @ é«ñÒj.ÖÏ @ A®K Ð@YjJAK. J.» É¾. I®m @ Q '
Q®Ö Ï @ éJ jîDÒÊË éJ KQË@ AK @QÖÏ @ ÉJÒJK , ÐAJmÌ '@ ú¯ . éJ KQË@ éºJ Ë@
ú¯ ék . . úÍ@ éA®Ë@ é¯A¢Ë@ ©JK. ð á®k
, é¯A¢Ë@
¼CîD@ JËA¾K ®kð , èQªË@ éºJ ÊË
. éJÊjÖÏ @ é¯A¢Ë@ èZA®» ám' ú¯ ékðQ£ B@ è Yë

.Z@ñë ú¯ ø P@QmÌ '@ AJ.JkB@ H@ PA« áÓ ñjÊÖÏ @ ÉJÊ® JË@ð
, èXYj.JÖÏ @ HA éJ ÓPP@ñmÌ '@ , ÕæÒ , PXAÖÏ @ XYªJÓ ÐA¢ , èXYjJÖÏ @ é¯A¢Ë@
¯A¢Ë@ .
: éJ kAJ®ÖÏ @ HAÒÊ¾Ë@

ÐA¢ , ùÒJmÌ '@ H QåË@ ám' , éJ JmÌ '@ éJ ÓPP@ñmÌ '@ , ájJË@ , é¯A¢Ë@
é¯A¢Ë@ èP@X@ , èQªË@ éºJ Ë@
. . . .
.qË@ , áj.êË@
Table des matières
Table des matières

Introduction générale 17

I Généralités sur les systèmes hybrides 21

I.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
I.2 La problématique énergétique mondiale . . . . . . . . . . . . . . . . . . . . . . . 22
I.3 La position mondiale actuelle envers les énergies renouvelables . . . . . . . . . . 24
I.4 Les systèmes hybrides . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
I.4.1 Classification des systèmes hybrides . . . . . . . . . . . . . . . . . . . . . 26
I.4.1.1 Le régime de fonctionnement . . . . . . . . . . . . . . . . . . . 26
I.4.1.2 la structure du système . . . . . . . . . . . . . . . . . . . . . . 26
I.4.1.3 la gamme de puissance . . . . . . . . . . . . . . . . . . . . . . 26
I.4.2 Schéma général d’un système hybride . . . . . . . . . . . . . . . . . . . . 27
I.4.3 La stratégie de gestion de l’énergie des systèmes hybrides . . . . . . . . 28
I.4.3.1 Gestion de stockage . . . . . . . . . . . . . . . . . . . . . . . . 28
I.4.3.2 Gestion de charge . . . . . . . . . . . . . . . . . . . . . . . . . 28
I.4.4 Les différentes combinaisons majeures d’un système hybride . . . . . . . 29
I.4.4.1 Configuration en bus CC . . . . . . . . . . . . . . . . . . . . . 30
I.4.4.2 Configuration en bus CA . . . . . . . . . . . . . . . . . . . . . 31
I.4.4.3 Configuration en bus CA/CC . . . . . . . . . . . . . . . . . . 31
I.4.5 Les micro-réseaux à générateurs distribués . . . . . . . . . . . . . . . . . 32
I.5 La stratégie de gestion d’énergie . . . . . . . . . . . . . . . . . . . . . . . . . . 33
I.6 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35

II Modélisation et formulation de la problématique 36

II.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
II.2 L’architecture du micro-réseau . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
II.3 Elaboration des modèles de sources d’énergie . . . . . . . . . . . . . . . . . . . . 38
II.3.1 Modélisation de l’éolienne . . . . . . . . . . . . . . . . . . . . . . . . . . 38
8 TABLE DES MATIÈRES

II.3.2 Modélisation du générateur photovoltaı̈que . . . . . . . . . . . . . . . . . 40

II.3.3 Modélisation des convertisseurs . . . . . . . . . . . . . . . . . . . . . . . 41
II.3.4 Modélisation du système de stockage . . . . . . . . . . . . . . . . . . . . 41
II.3.5 Modélisation du réseau électrique . . . . . . . . . . . . . . . . . . . . . . 42
II.4 La formulation du problème . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
II.4.1 Minimisation du coût . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
II.4.2 Évaluation des émissions . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
II.5 Les contraintes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
II.5.1 Contrainte liée à l’équilibre des puissances . . . . . . . . . . . . . . . . . 45
II.5.2 Contraintes liées aux limites électriques des générateurs . . . . . . . . . . 45
II.5.3 Contraintes liées aux limites du système de stockage . . . . . . . . . . . 46
II.6 Les méthodes d’optimisation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
II.6.1 Les méthodes déterministes . . . . . . . . . . . . . . . . . . . . . . . . . 46
II.6.2 Les méthodes stochastiques . . . . . . . . . . . . . . . . . . . . . . . . . 47
II.6.2.1 Les algorithmes génétiques (AG) . . . . . . . . . . . . . . . . 47
II.6.2.2 L’optimisation par essaims particulaires (PSO) . . . . . . . . . 49
II.7 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53

III Résultats et discussions 54

III.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55
III.2 Présentation des données . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55
III.3 Le système de gestion proposé . . . . . . . . . . . . . . . . . . . . . . . . . . . . 60
III.4 Résultats des deux programmes d’optimisation . . . . . . . . . . . . . . . . . . . 62
III.4.1 Scénario 1 : Gestion optimale des sources sans injection dans le réseau . 62
III.4.2 Scénario 2 : Gestion optimale des sources avec injection dans le réseau . 67
III.5 Synthèse . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 72
III.6 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 75

Annexes 83
A Les algorithmes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 84
Table des figures
Table des figures

I.1 Capacité solaire photovoltaı̈que globale et ajouts annuels (2007-2017). . . . . . 23

I.2 Capacité d’énergie éolienne globale et ajouts annuels (2007-2017). . . . . . . . 23
I.3 Investissement global en énergies renouvelables (2007-2017). . . . . . . . . . . 24
I.4 Classification des systèmes hybrides. . . . . . . . . . . . . . . . . . . . . . . . 26
I.5 Schéma général d’un système multi-sources. . . . . . . . . . . . . . . . . . . . 27
I.6 Diagramme exemple de priorité des charges. . . . . . . . . . . . . . . . . . . . 29
I.7 Architecture de la configuration à bus CC. . . . . . . . . . . . . . . . . . . . . 30
I.8 Architecture de la configuration à bus CA. . . . . . . . . . . . . . . . . . . . . 31
I.9 Architecture de la configuration à bus CC/CA. . . . . . . . . . . . . . . . . . 32

II.1 Architecture du micro-réseau. . . . . . . . . . . . . . . . . . . . . . . . . . . . 38

II.2 Modèle de la courbe de puissance. . . . . . . . . . . . . . . . . . . . . . . . . . 40
II.3 Le croisement unitaire. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48
II.4 La mutation. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48
II.5 Organigramme de l’algorithme génétique. . . . . . . . . . . . . . . . . . . . . . 49
II.6 Mécanisme de recherche du PSO dans l’espace multidimensionnel. . . . . . . . 51
II.7 Organigramme du PSO. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52

III.1 Profil de la consommation journalière. . . . . . . . . . . . . . . . . . . . . . . 59

III.2 Puissance photovoltaı̈que journalière. . . . . . . . . . . . . . . . . . . . . . . . 59
III.3 Puissance éolienne journalière. . . . . . . . . . . . . . . . . . . . . . . . . . . . 59
III.4 Organigramme de la stratégie de gestion d’énergie. . . . . . . . . . . . . . . . 61
III.5 Résultats de simulation sur Matlab. . . . . . . . . . . . . . . . . . . . . . . . . 64
III.6 Les consignes de puissance optimales obtenues au premier scénario . . . . . . . 65
III.7 Les prix unitaires des puissances issues de la gestion optimale et le prix optimal
de facturation. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65
III.8 l’échange énergétique des batteries avec le micro-réseau durant la journée. . . . 66
III.9 État de charge du système de stockage. . . . . . . . . . . . . . . . . . . . . . . 66
11 TABLE DES FIGURES

III.10 Les émissions totales quotidiennes dues à l’utilisation des sources fossiles du
micro-réseau. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 67
III.11 Résultats de simulation sur Matlab. . . . . . . . . . . . . . . . . . . . . . . . . 69
III.12 Les consignes de puissance optimales obtenues au second scénario . . . . . . . 70
III.13 Les prix unitaires des puissances issues de la planification optimale et le prix
optimal de facturation du second scénario. . . . . . . . . . . . . . . . . . . . . 70
III.14 La puissance fournie par le réseau, la puissance injectée et la puissance payée
durant une journée. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 71
III.15 Les émissions totales quotidiennes dues à l’utilisation des sources fossiles du
micro-réseau avec injection. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 72
III.16 Comparaison des tarifs horaires quotidiennes avec et sans injection. . . . . . . 73
III.17 Comparaison des émissions de GES avec et sans injection à cotées de la puis-
sance injectée dans le réseau. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 74
Liste des tableaux
Liste des tableaux

I.1 Classification des systèmes hybrides selon la gamme des puissances. . . . . . . . 27

III.1 Puissances des générateurs distribués. . . . . . . . . . . . . . . . . . . . . . . . . 56

III.2 Les limites de puissances des générateurs distribués, le système de stockage et le
réseau principal. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57
III.3 Les principaux facteurs d’émissions des GES. . . . . . . . . . . . . . . . . . . . 57
III.4 Les prix unitaires horaires des générateurs distribués, le système de stockage et
réseau principal. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 58
III.5 Résultats obtenus de la gestion optimale sans injection au réseau. . . . . . . . . 63
III.6 Les résultats obtenus du scénario 1. . . . . . . . . . . . . . . . . . . . . . . . . . 63
III.7 Résultats obtenus de la gestion optimale avec injection. . . . . . . . . . . . . . . 68
III.8 Les résultats du second scénario. . . . . . . . . . . . . . . . . . . . . . . . . . . 69
Liste d’abréviation
Liste d’Abréviation
AG Algorithme génétique

BFGS La formule de Broyden-Fletcher-Goldfarb-Shanno

CA Courant Alternatif

CC Courant Continu

CO2 Dioxyde de Carbone

DFP La formule de Davidon–Fletcher–Powel

EDC État De Charge

ER Énergie Renouvelable

GES Gaz à Effet de Serre

IEA Agence Internationale de l’Énergie

MR Micro-Réseau

NOCT Nominal Operating Cell Temperature

NOx Oxydes d’Azote

PDD Profondeur De Déchargement de la batterie

PSO Optimisation par Essaims Particulaires

PV Photovoltaı̈que

SEH Système d’Énergie Hybride

SHSER Système Hybride à Sources d’Énergie Renouvelables

SH Système Hybride

SO2 Dioxyde de Soufre

Nomenclature
∆t Pas de simulation

ηbat Rendement de la batterie

ηond Rendement de l’onduleur

ηr Rendement de référence du module photovoltaı̈que

γ Coefficient de température
−→
Bxi Vecteur des prix horaires des puissances
−−→
EFxi Vecteur des taux d’émissions
−−→
Gbest Vecteur de la meilleure position des particules
−−−→
Pbesti Vecteur de la meilleure position d’une particule
−→
Pxi Vecteur des puissances issues des différent générateurs
→
−
vi Vecteur vitesse de la particule
−
→
Xi Vecteur position de la particule

EDCmax Limite supérieure de chargement

EDCmin Limite inférieure de déchargement

EDCt État De Charge instantanée de la batterie

G Irradiation globale

Gbest Coût total

Néo Nombre d’éoliennes

Npv Nombre de modules photovoltaı̈ques

Péo Puissance produite par l’éolienne

Pc Puissance de la charge

Ppv Puissance produite par un seul module photovoltaı̈que

Pr Puissance échangée avec le réseau

S Surface

T0 La température standard
17

Ta Température ambiante

Tc Température du module photovoltaı̈que

v Vitesse instantanée de l’éolienne

vd Vitesse de démarrage de l’éolienne

vi Vitesse de vent mesurée à 10m

vm Vitesse de coupure de l’éolienne

vn Vitesse nominale de l’éolienne

Introduction générale
Introduction générale

Ces dernières années, l’intérêt des sources d’énergies renouvelables (SER) pour la produc-
tion d’électricité gagne progressivement plus d’importance dans le monde entier en raison de
l’épuisement des combustibles fossiles, l’augmentation de la demande en énergie et des préoccu-
pations environnementales croissantes. Par conséquent, il existe à présent une grande tendance
à utiliser les SER pour consolider la production d’électricité, en particulier pour les zones isolées
ou éloignées. L’utilisation de différentes sources d’énergie renouvelables avec des unités de sto-
ckage et de secours pour former un système d’énergie renouvelable hybride, peut engendrer une
source d’énergie plus économique et plus fiable [1]. Les micro-réseaux font partie des systèmes
énergétiques hybrides, ils sont introduits comme un nouveau concept dans l’exploitation et la
planification des systèmes électriques modernes. Ils dépendent principalement des ressources
renouvelables et des infrastructures du réseau intelligent. Ils sont capables d’échanger de l’éner-
gie avec le réseau principal ou avec d’autres micro-réseaux. De plus, l’utilisation de ressources
de production décentralisées, en particulier les ressources renouvelables telles que l’énergie éo-
lienne et solaire, réduit fortement les émissions de gaz à effet de serre et les pertes dues au
transport de l’énergie électrique [2]. En revanche ; la réponse non linéaire des composants du
micro-réseau et la nature aléatoire des SER et du profil de charge, imposent une gestion de ces
sources d’énergies qui s’adaptera et incorporera ces unités, afin de manipuler la puissance et de
la distribuée à la charge aussi efficacement et économiquement possible [3].

L’un des problèmes les plus importants dans les études récentes est d’optimiser les compo-
sants du micro-réseau pour répondre aux exigences de la charge avec le coût minimum possible
et une fiabilité maximale. Compte tenu de la complexité de l’optimisation du micro-réseau, il
était impératif de découvrir des méthodes d’optimisation efficaces prêtes à obtenir des résultats
d’optimisation précis. L’algorithme d’optimisation des essaims de particules (PSO) et l’algo-
rithme génétique (AG) sont recommandés comme les méthodes les plus précieuses et les plus
prometteuses pour optimiser la gestion d’énergie dans un micro-réseau en raison de l’utilisation
de l’optimum global pour localiser la meilleure solution [4]. Bien que le PSO ait été utilisé
20 Introduction générale

dans plusieurs études de gestions et donne des résultats prometteurs. La plupart de ces études
se concentrent sur un seul problème tel que le dimensionnement, le contrôle des émissions, la
fiabilité ou le coût uniquement.

Dans un micro-réseau contenant un système d’énergie hybride PV/éolienne/batterie/micro-

turbine en plus de la charge, la stratégie de gestion est considérablement différente de celle
des réseaux électriques conventionnels. De nombreuses recherches ont été développées dans le
domaine de la gestion optimale du micro-réseau tant en mode connecté au réseau qu’en mode
isolé. Dans ce mémoire, un algorithme de gestion économique des énergies fournies par chaques
générateurs est développé en vue de satisfaire la demande du micro-réseau avec un coût d’ex-
ploitation optimal. La présentation de ce travail est scindée en trois chapitres.

Le premier chapitre analyse le contexte énergétique mondial, en évoquant sa position actuelle

envers les énergies renouvelables. Nous définissons ainsi, les systèmes énergétiques hybrides en
introduisant les différentes technologies actuelles et les techniques de gestion de ce dernier.

Le second chapitre mettra en évidence l’architecture du micro-réseau appuyé dans ce travail,

il sera ensuite dédié à la modélisation des différents générateurs distribués, les convertisseurs et
le système de stockage, et de mettre en évidence leurs modèles mathématiques utilisés tout au
long de ce mémoire. Enfin, nous définissons et expliquons la problématique et le modèle utili-
sée en présentant la fonction objective et les contraintes qui lui obéissent, et on mentionne les
différentes techniques d’optimisations responsables dans la gestion des systèmes énergétiques
hybrides, tout en évoquant la stratégie de gestion adoptée.

Dans le troisième chapitre nous présenterons et analyserons le potentiel énergétique et les

données utilisées dans cette étude. Ensuite, on élabore les algorithmes adéquats en leurs intro-
duisant les données de puissances et les prix unitaires de ces dernières sous la plateforme de
programmation Matlab. Enfin, une étude économique sera faite et les résultats de simulation
seront présentés, analysés et discutés afin de montrer la fiabilité de notre travail.
Chapitre I

Généralités sur les systèmes hybrides

22 Chapitre I. Généralités sur les systèmes hybrides

I.1 Introduction
Les sources d’énergie renouvelables font l’objet d’un gain d’intérêt ces dernières années
qui bénéficient de plusieurs avantages : elles sont gratuites, écologiques et disponibles. Dans le
même cadre, on a la diminution des ressources énergétiques fossiles ; l’augmentation considérable
des besoins en énergie, les difficultés d’approvisionnement, le poids du secteur énergétique dans
l’industrie incitent de choisir des nouveaux modèles adéquats de production et de consommation
d’énergie. L’exploitation des énergies renouvelables permet de fournir de l’électricité aux sites
isolés et d’éviter la création de nouvelles lignes [5]. Ce sont les raisons pour lesquelles la plupart
des états font des énergies renouvelables une priorité de leur politique énergétique. Dans ce
premier chapitre on va donner un aperçu général sur la problématique mondial d’énergie ainsi
que sa position actuelle envers les énergies renouvelables. Nous évoquerons aussi les systèmes
d’énergies hybrides, plus précisément les micro-réseaux en concrétisant les principales notions
liées à la technologie actuellement utilisée dans ces derniers. Et nous concluons avec un aperçu
sur la stratégie de gestion des micro-réseaux et leurs importances dans la gestion des différents
éléments de ce dernier.

I.2 La problématique énergétique mondiale

En 2017, l’Agence Internationale de l’Énergie (IEA) a déclaré que la production mondiale
d’énergie a atteint les 14035 MTEP (millions de tonnes d’équivalent pétrole), dont 2652,615
MTEP correspondent à la production mondiale d’électricité [6]. Sachant que, 64% de l’électri-
cité est produite par des ressources fossiles et environ 10% est d’origine nucléaire, tandis que
26% seulement est générée par des sources renouvelables dont ; l’hydroélectricité à 16%, l’éolien
à 5%, la biomasse à 3% et le photovoltaı̈que à 2%. De cet effet, une prise de conscience doit
être obligatoirement adoptée en raison du risque environnemental qui menace l’écosystème de
la planète et qui pourrait conduire à une forte augmentation des catastrophes naturelles due au
réchauffement climatique. Cela nécessite une limitation des gaz à effet de serre principalement
causés par la combustion de ressources fossiles (pétrole, gaz, charbon).

Afin de couvrir la demande croissante d’énergie, plusieurs solutions ont été proposées par la
communauté mondiale [7]. La première consiste à rechercher de nouvelles sources de combus-
tibles à extraire du sol, néanmoins, cette solution soulève de nombreuses questions écologiques
et est en contradiction avec la recommandation de la transition énergétique, la seconde solution
encourage l’investissement dans le nucléaire mais avant cela il faut se souvenir de la catastrophe
23 Chapitre I. Généralités sur les systèmes hybrides

de FUKUSHIMA qui a causée des effets écologiques à long terme à travers les déchets radioac-
tifs. Enfin, la dernière solution s‘appuie sur l’orientation vers l’économie d’énergie et l’adoption
d’énergies propres, cette solution est conforme aux recommandations d’efficacité énergétique et
les énergies durables.
L’utilisation de sources d’énergies renouvelables telles que l’énergie solaire, éolienne et la
géothermique est la meilleure solution pour la réduction des gaz responsables du réchauffe-
ment climatique. Bien que les énergies renouvelables ne représentent actuellement qu’une faible
proportion du bilan énergétique mondial, un engouement pour ces technologies peut être ob-
servé ces dernières années. Les figures I.1 et I.2 représentent respectivement ; la capacité solaire
photovoltaı̈que et éolienne globale et leurs ajouts annuels dans le monde.

Figure I.1 – Capacité solaire photovoltaı̈que globale et ajouts annuels (2007-2017) [8].

Figure I.2 – Capacité d’énergie éolienne globale et ajouts annuels (2007-2017) [8].
24 Chapitre I. Généralités sur les systèmes hybrides

Globalement, des figures I.1 et I.2 on remarque une augmentation considérable dans la
capacité additionnée des systèmes solaires PV et éoliennes en 2017 comparés en 2007. Sur la
base du protocole de Kyoto [9], l’Union européenne impose une stratégie pour les états membres
avec des objectifs devants être atteints d’ici 2020, nommée la stratégie 20/20/20. Elle consiste à
une réduction de 20% des émissions de gaz à effet de serre, 20% de réduction de la consommation
d’énergie en employant les bases de l’efficacité énergétique et une intégration de 20% des sources
d’énergie renouvelables pour la satisfaction des besoins énergétique.

I.3 La position mondiale actuelle envers les énergies re-

nouvelables
Les investissements mondiaux ont battu un nouveau record. Cette avancée a eu lieu mal-
gré la chute des couts des combustibles fossiles, l’investissement global en énergie renouvelable
est présenté dans la figure I.3. En termes d’investissements net dans les nouvelles capacités
électriques, les énergies renouvelables ont dépassé les combustibles fossiles encore une fois [8].
L’investissement mondial dans les nouvelles capacités d’énergie renouvelable au cours de la dé-
cennie actuelle, de 2010 à 2020 compris, devrait atteindre 350 billions de dollars, comptant plus
de gigawatts de capacité d’énergie solaire installée que toute autre technologie de production.
Cette décennie d’investissement a permis la multiplication par quatre de la capacité d’ER pas-
sant de 414 GW à 1 650 GW. Ainsi, ces derniers ont généré 12,9% de l’électricité mondiale en
2018, évitant l’émission de 2 milliards de tonnes de CO2 dans l’air.

Figure I.3 – Investissement global en énergies renouvelables (2007-2017) [8].

Malgré l’avancement de la technologie et le développement mondial, les sources d’énergie

renouvelables ne représentent pas une solution universelle pour tous les problèmes présents
25 Chapitre I. Généralités sur les systèmes hybrides

d’approvisionnement en électricité. Cela revient à plusieurs raisons. Premièrement, la critique

pour leur faible efficacité énergétique par rapport à la source conventionnelle, à court terme
les énergies renouvelables entrainent un surcout, le retour sur investissement prend un temps
considérable. Mais, le problème cruciale reste l’absentéisme de puissance garantie provenant
des générateurs, convertissant le potentiel énergétique primaire en électricité, ceci est dû au
caractère stochastique des variations de la source originale solaire ou éolienne. Ces variations
sont à l’origine causées par le cycle jour-nuit, des nuages dans le ciel ou autres obstacles entre
le soleil et le module photovoltaı̈que. Ceci influera sur la régulation des réseaux électriques qui
ne sont pas conçue pour supporter une production décentralisé brusquement variables, donc
utilisé une seule source d’énergies renouvelables peut induire à une discontinuité de production
de sorte à ne pas répondre aux besoins croissants de la charge. Néanmoins, il est décisif que nous
aurons recours aux énergies renouvelables pour les raisons déjà citées auparavant, et afin de
palier au problème d’intermittence des sources renouvelables, d’autres éléments sont associés
à ces derniers notamment pour le stockage d’énergie. C’est ainsi que des systèmes hybrides
couplant différentes sources et moyens de stockage sont créés.

I.4 Les systèmes hybrides

La production d’électricité décentralisée par sources d’énergies renouvelables, offre une plus
grande sûreté d’approvisionnement des consommateurs tout en respectant l’environnement.
Cependant le caractère aléatoire de ces sources nous impose d’établir des règles de dimension-
nement et d’utilisation de ces systèmes pour les exploiter au mieux. Considérant leurs caracté-
ristiques saisonnières respectives, les énergies (solaire et éolienne) ne se concurrencent pas mais
au contraire peuvent se valoriser mutuellement. C’est pourquoi on propose souvent un sys-
tème énergétique hybride composé de ces deux sources d’énergie, qui consiste en l’exploitation
optimale de la complémentarité entre elles.
Lorsqu’une seule source d’énergie ne suffit pas à répondre au besoin de la charge et ne
garantit pas une puissance fixe, il est possible de combiner deux ou plusieurs sources d’appro-
visionnement et la formation de ce système est dite hybride (SH) [10]. Un système hybride est
un système électrique, comprenant plus d’une source d’énergie. Il est dit système hybride à
sources d’énergie renouvelables (SHSER) lorsqu’une source au moins parmi les autres sources
est renouvelable. Il peut éventuellement inclure un dispositif de stockage. Le rôle d’un système
hybride est d’assurer la demande de charge et d’optimiser sa production afin de combler l’éner-
gie demandée par la charge durant la période d’intermittence et tout en maintenant la qualité
d’énergie fournie [11].
26 Chapitre I. Généralités sur les systèmes hybrides

I.4.1 Classification des systèmes hybrides

On classifie les systèmes multi-sources selon plusieurs critères. En ce qui suit, sont présentées
les classifications les plus répandues.

Figure I.4 – Classification des systèmes hybrides.

I.4.1.1 Le régime de fonctionnement

Les systèmes hybrides peuvent avoir deux régimes de fonctionnement. Le premier régime,
consiste à faire fonctionner le système hybride en parallèle avec le réseau électrique, appelés
aussi connectés au réseau. Ce régime contribue à satisfaire la charge du système électrique tout
en ayant des échanges énergétiques avec le réseau principal (Injection ou/et exportation). Les
systèmes hybrides du deuxième régime de fonctionnent en mode isolé ou autonome. Ils contri-
buent à satisfaire les besoins énergétiques des consommateurs situés dans des zones éloignés et
privé du réseau électrique, et donc pas d’interaction avec ce dernier [10].

I.4.1.2 la structure du système

On trouve trois critères principaux responsables du classement des systèmes hybrides en

fonction de la structure. Le premier critère est la présence ou non d’une source d’énergie conven-
tionnelle, le deuxième est la présence ou non d’un dispositif de stockage, en dernier on trouve
le critère relatif au type de sources d’énergie renouvelables utilisées [10].

I.4.1.3 la gamme de puissance

Le classement par gamme de puissance est représenté dans le tableau suivant :

27 Chapitre I. Généralités sur les systèmes hybrides

Table I.1 – Classification des systèmes hybrides selon la gamme des puissances [10].

Puissance du système hybride (kW) Applications

(Faible) < 10 Systèmes autonomes
10 ≤ (Moyenne) ≤ 250 Micro-réseaux isolés
(Grande) ≥ 500 Grands réseaux isolés

I.4.2 Schéma général d’un système hybride

Dans la figure I.5 ci-dessous est représenté le système hybride de façon générale. Un bus
électrique commun est relié à tout les éléments qui sont connectés. Ces derniers sont regroupés
et classifiés selon leurs fonctions électriques [12].

Figure I.5 – Schéma général d’un système multi-sources [12].

28 Chapitre I. Généralités sur les systèmes hybrides

I.4.3 La stratégie de gestion de l’énergie des systèmes hybrides

I.4.3.1 Gestion de stockage

Afin d’obtenir une énergie optimale et un rendement maximum de l’installation hybride,

mettre en place une gestion des transferts d’énergie est nécessaire. Cette dernière permet d’op-
timiser le fonctionnement de chaque composant du système tout en préservant les normes de
leur plage de fonctionnement. On peut citer deux gestions principales dans les systèmes hybrides
[13] :

1. Stratégie de stockage à court terme : « Peak Shaving Strategy », elle permet de

filtrer les fluctuations des énergies renouvelables et de la charge. Lors de la présence
d’un pic de consommation, la batterie intervient et couvre ce besoin. Cette stratégie
contribue également à la réduction des cycles démarrage/arrêt des générateurs diesels et
donc augmente la durée de vie des générateur.
2. Stratégie de stockage à long terme : « Cycle Charge Strategy » est utilisé pour
alimenter la charge sur une période de temps plus longue, notamment celles où le gise-
ment est insuffisant. Dans ce cas, le générateur diesel est arrêté jusqu’à ce que l’état de
charge des batteries atteigne le niveau minimal. Une fois ce seuil atteint, le générateur
diesel redémarre et reste en fonctionnement jusqu’à ce que les batteries sont rechargées
et atteignent le niveau maximal. Cette stratégie contribue également à la réduction des
cycles démarrage/arrêt des générateurs diesels et donc préserve la consommation de car-
burant. Néanmoins, cette stratégie épuise rapidement le cycle de vie charge/décharge
des batteries.

I.4.3.2 Gestion de charge

La stratégie de gestion des charges appuie sur le principe d’utilisation des charges pour faire
varier la demande d’énergie. De cette manière, les charges sont connectées et déconnectées par
ordre de priorité [13]. La figure I.6 montre un exemple de priorité d’une charge donnée. Cette
stratégie peut aussi être à court et à long terme.
29 Chapitre I. Généralités sur les systèmes hybrides

Figure I.6 – Diagramme exemple de priorité des charges.

1. Stratégie de charge à court terme : La stratégie de contrôle de charge à court terme

connecte et déconnecte les charges du système en tenant compte des pics de certains
seuils fixes pour la fréquence du bus électrique. Les charges sont donc connectées de
manière progressive, selon les variations de fréquence. La charge de délestage a pour
rôle de contribuer à régler la fréquence du réseau dans les cas d’un surplus d’énergie, en
variant sa puissance en fonction de la déviation de la fréquence.
2. Stratégie de charge à long terme : La stratégie de contrôle de charge à long terme
assure l’équilibre énergétique sur des intervalles de temps importants. Les charges doivent
être connectées seulement quand leur régime de priorité est élevé. Par exemple, les
charges différées et optionnelles ont en général une priorité réduite pendant une par-
tie de la journée. Cette stratégie de gestion est aussi utilisée pour réduire les pertes
énergétiques du générateur diesel.

I.4.4 Les différentes combinaisons majeures d’un système hybride

Les générateurs électriques composant un système hybride peuvent être connectés de diffé-
rentes manières, qu’ils soient purement basés sur les énergies renouvelables, purement conven-
tionnelle ou mixte entre les deux. Trois configurations s’imposent :
30 Chapitre I. Généralités sur les systèmes hybrides

I.4.4.1 Configuration en bus CC

Dans cette architecture les composants de production d’énergie électrique sont connectés au
bus continu à travers des convertisseurs de puissances, les générateurs de production d’énergie
à courant alternatif comme la micro-turbine ou l’éolienne sont d’abord connecté à un redres-
seur permettant la conversion alternatif/continu (figure I.7). Les batteries de stockages et les
panneaux photovoltaı̈ques sont reliés directement au bus CC, la protection des batteries contre
les surcharges ou les décharges profondes se fait à travers un régulateur de charge. Les charges
alternatives peuvent être alimentées à travers un onduleur, cependant les batteries et l’ondu-
leur sont dimensionnés en fonction des valeurs de pics de charge, notamment dans les heures
de pointes. Cette installation implique un faible rendement due à la quantité d’énergie perdue
dans les convertisseurs, elle présente néanmoins d’autres avantages et inconvénients mentionnés
ci-dessous :
— Les avantages :
1. Facilitée du dimensionnement des micros-turbines et des générateurs diesels.
2. Facilitée de la commande de l’installation due à la simplicité du schéma électrique.
3. L’onduleur permet une alimentation de la charge avec une tension réglable en ampli-
tude et en fréquence.
— Les inconvénients :
1. La puissance fournie par les sources alternatives est convertie deux fois avant d’arriver
aux consommateurs ce qui implique un rendement relativement faible.
2. Une coupure totale de l’installation en cas d’anomalie sur l’onduleur.
3. L’onduleur ne peut pas fonctionner en parallèle avec les sources alternative, d’où il
devra être surdimensionné de manier à assurer la charge maximale possible.

Figure I.7 – Architecture de la configuration à bus CC [14].

31 Chapitre I. Généralités sur les systèmes hybrides

I.4.4.2 Configuration en bus CA

Cette configuration est caractérisée par la centralisation de la production d’électricité sur le

bus CA, pour les micros-turbines, générateurs diesels et l’éolienne la liaison ce fait directement
ou à travers des convertisseurs CA/CA. Les panneaux photovoltaı̈ques sont connectés au bus
par un onduleur, tandis que les batteries sont connectées par un convertisseur bidirectionnel.

Figure I.8 – Architecture de la configuration à bus CA [14].

I.4.4.3 Configuration en bus CA/CC

Dans cette configuration, les sources alternatives sont interconnectées sur le bus CA tandis
que les batteries et l’installation photovoltaı̈que sont reliées au bus CC (figure I.9). Les deux
bus sont connectés entres eux à l’aide d’un convertisseur bidirectionnel qui assure un fonction-
nement redresseur lorsque le bus CA fourni de l’énergie à la charge et participe à la recharge des
batteries, ou un fonctionnement onduleur lorsque les panneaux photovoltaı̈ques et les batteries
fournissent de l’énergie à la charge de manière totale ou partielle. Cette configuration permet
d’assurer une alimentation simultanée par les deux bus.

— Les avantages :
1. Le dimensionnement de chaque composant ne doit pas se faire en tenant compte
d’assurer la charge totale car les consommateurs peuvent être alimentés par les deux
sources simultanément.
2. L’énergie des générateurs à CA n’est pas convertie dans la plus part des cas, ce
qui assure un meilleur rendement due au fait que les sources fonctionnent avec une
puissance proche de leurs puissance nominale.
32 Chapitre I. Généralités sur les systèmes hybrides

3. Une anomalie sur le convertisseur n’entraine pas une coupure de l’alimentation.

4. La réduction du nombre des convertisseurs électroniques, ce qui diminue les couts de
câblage et l’investissement initial pour la construction du système hybride.

— Les inconvénients :
1. Pour assurer un fonctionnement correct du système on doit avoir un control automa-
tique.
2. La synchronisation entre les sources continues et alternatives exige une tension sinu-
soı̈dale de la part de l’onduleur.
3. Difficulté de contrôler le bus continue.
4. Vieillissement rapide de la batterie.

Figure I.9 – Architecture de la configuration à bus CC/CA [14].

I.4.5 Les micro-réseaux à générateurs distribués

Le micro-réseau (Microgrid) est la nouvelle tendance en électrification. Il permet d’atteindre
les lieux les plus reculés, là où les grands réseaux ne peuvent pas se rendre, et d’offrir à une
petite communauté un service plus fiable, plus propre et moins cher. A vrais dire c’est segmen-
ter le réseau en petites parties capables de produire de l’électricité de manière indépendante
(décentralisée) du réseau principal. Cela permet d’utiliser tous types de production d’électricité,
mais les projets les plus récents privilégient généralement l’énergie propre, comme la production
d’énergie solaire, éolienne et le stockage d’énergie. Le micro-réseau peut être connecté ou dé-
connecté du réseau principal selon la taille de ces générateurs et de la charge. La structure d’un
33 Chapitre I. Généralités sur les systèmes hybrides

micro-réseau varie en fonction des contraintes de l’application. Néanmoins, quatre éléments sont
souvent utilisés [15] :

— Les sources (renouvelables, batteries, générateur diesel, micro-turbine. . . ) ;

— Les convertisseurs de puissance (permettant le contrôle et la gestion du système) ;
— Les filtres d’interconnexions (assurant la transmission d’une énergie de qualité) ;
— Les charges (statiques, ou dynamiques).

Les potentialités d’un micro-réseau sont évaluées suivant trois critères principaux [15] :

— L’autonomie ;
— La qualité de l’énergie transitée ;
— La stabilité.

En effet, un micro-réseau doit garantir la continuité de service en garantissant la qualité de

l’énergie disponible, la stabilité du réseau et sa robustesse vis-à-vis des perturbations provenant
[15].

I.5 La stratégie de gestion d’énergie

Afin de contrôler chacun des éléments constitutifs du système hybride, il faut mettre en
place un système de gestion des flux d’énergie. D’une manière générale, une bonne gestion doit
garantir que la charge est alimentée en permanence. D’autres objectifs peuvent être fixés à
un stade ultérieur, par exemple ; la tolérance aux pannes d’un composant, la maximisation de
l’efficacité, la réduction du coût d’exploitation. . . etc. Mais la gestion de l’énergie ne pourra pas
aller au-delà des limites physiques des éléments, si le dimensionnement du système a été mal
fait, même une gestion efficace de l’énergie ne l’améliorera pas, donc la gestion de l’énergie doit
être adaptée au système supervisé.

La stratégie de gestion d’énergie dans un micro-réseau dans notre cas se résume en une
utilisation judicieuse et efficace de l’énergie afin minimiser les coûts et d’améliorer la position
concurrentielle par rapport aux systèmes classiques. La gestion des unités nécessite un modèle
économique précis pour décrire le coût d’exploitation en tenant compte de la puissance de sortie
produite. Un tel modèle est naturellement discret et non linéaire, par conséquent, des outils
d’optimisation et une modélisation des différents éléments sont nécessaires pour réduire les coûts
34 Chapitre I. Généralités sur les systèmes hybrides

d’exploitation à un niveau minimum [16]-[17]. La gestion de l’unité d’un micro-réseau nécessite

un algorithme précis pour identifier et exploiter la fonction coût d’exploitation en tenant compte
de la demande d’énergie du consommateur. Les outils d’optimisation sont nécessaires pour
optimiser l’utilisation des dispositifs individuels en réduisant les coûts d’exploitation en tenant
compte des contraintes du système, et en évaluant le taux d’émission des GES dégagées durant
le fonctionnement du micro-réseau [18].
35 Chapitre I. Généralités sur les systèmes hybrides

I.6 Conclusion
Ce chapitre nous a permis de façon globale de mettre en évidence la problématique mondiale
d’énergie et le besoin crucial d’aborder de nouvelles alternatives à la production électrique
face à l’augmentation rapide de la demande en énergie. Ainsi, nous avons donné un aperçu
général sur la position mondiale envers les énergies renouvelables qui paraı̂t prometteuse grâce
à leurs interactions mutuelles qui donnent naissance à des systèmes plus fiables et compétents.
De ce fait, nous avons évoqué les systèmes d’énergies hybrides, plus précisément les micro-
réseaux en concrétisant les principales notions liées à la technologie actuellement utilisée dans
ces derniers. Par conséquent, la suite de ce mémoire sera consacrée à l’étude de la gestion
énergétique d’un micro-réseau. De ce fait, le chapitre 2 présentera l’architecture du système
étudié, la modélisation mathématique de ces différents éléments ainsi que la reformulation
mathématique de la problématique en évoquant la stratégie de gestion adoptée.
Chapitre II

Modélisation et formulation de la
problématique
37 Chapitre II. Modélisation et formulation de la problématique

II.1 Introduction
L’objectif de ces travaux de mémoire est de proposer des solutions de gestion des ressources
énergétiques dans un micro-réseau. Dans la première partie de ce chapitre, nous présenterons
l’architecture du micro-réseau étudié ainsi que la modélisation mathématique des différents
éléments associés à ce dernier. Cette partie est essentielle et nous permet par la suite de maitriser
les avantages réunis des générateurs et par conséquent, pouvoir optimiser leurs fonctionnements
selon les critères imposés. Afin de tester en simulation la stratégie de gestion adoptée, il est
nécessaire de se disposer d’une fonction objective qui reflète la problématique de ce travail. Ainsi,
dans la deuxième partie, une reformulation mathématique de cette dernière sera développée,
évoquant les principales contraintes et les outils d’optimisations utilisés dans ce mémoire.

II.2 L’architecture du micro-réseau

Le micro-réseau choisi se compose de deux sources renouvelables (PV et éolien), une source
conventionnelle (micro-turbine) et un système de stockage en plus de la charge. Ces derniers
sont interconnectés entre eux via deux bus (CC et CA) par l’intermédiaire des convertisseurs. Le
système est connecté au réseau de distribution public. L’échange d’énergie entre le micro-réseau
et le réseau public est mutuel, ce dernier fourni (vend) de l’énergie lorsque son prix unitaire
est pas cher, et absorbe (achète) le surplus énergétique issues des générateurs renouvelables. La
gestion d’énergie à temps réel de différents éléments du micro-réseau est principalement basée
sur le coût unitaire du kWh, de sorte à respecter et satisfaire la contrainte d’équilibre de charge
tout en minimisant le coût. La figure II.1 représente l’architecture du micro-réseau adoptée dans
cette étude.
38 Chapitre II. Modélisation et formulation de la problématique

Figure II.1 – Architecture du micro-réseau.

II.3 Elaboration des modèles de sources d’énergie

Les systèmes hybrides peuvent être décentralisés et interconnectés au réseau public. Néan-
moins, la manipulation et la gestion flexible nécessitent une modélisation bien déterminée en
fonction des variables préalablement identifiées. La simulation d’un système d’énergie hybride
est atteinte en modélisant précieusement l’ensemble de ses composants, pour but d’optimiser
le fonctionnement. Dans ce qui suit, nous allons modéliser et évaluer les différentes sources
utilisées dans ce travail.

II.3.1 Modélisation de l’éolienne

L’énergie éolienne est une source d’énergie librement disponible. L’énergie électrique est
produite par la conversion mécanique-électrique de la rotation des pales de l’éolienne qui sont
placées sur une tour à une hauteur considérable. Plusieurs facteurs doivent être pris en compte
lors de la conception du modèle d’éolienne, tels que la courbe de puissance de l’éolienne, le
rendement du générateur et l’efficacité de la transmission mécanique. D’autre part, le choix du
modèle est fait en fonction de la répartition de la vitesse du vent sur le site choisi [19].
39 Chapitre II. Modélisation et formulation de la problématique

Le vent étant de nature stochastique, une éolienne n’a aucun contrôle sur la puissance qu’elle
produit. Par conséquent, la production d’électricité par les éoliennes dépend uniquement de la
disponibilité de la vitesse du vent et celle-ci varie en fonction de la hauteur. La vitesse du vent
mesurée à la hauteur de l’anémomètre doit être convertie en hauteur du moyeu par l’équation
suivante [19] :
x
vz h
= (II.1)
vi hi
Avec :
• vz et vi : Les vitesses du vent au moyeu et à la hauteur de référence Z et Zi .
• x : Exposant de la loi de puissance depand de la rugosité du sol et égal à 1/7 pour un
terrain ouvert.

La puissance produite par les éoliennes est en fonction de la vitesse du vent [20], on établit
la relation entre la vitesse du vent et la puissance de sortie comme suit :



 Peo (t) = 0 v(t) < vd

v 3 −vd3

vd ≤ v(t) ≤ vn

 P (t)
eo = Peon 3 −v 3
vn d (II.2)


 Peo (t) = Peon vn ≤ v(t) ≤ vm

vm ≤ v(t)

 P (t)
eo = 0
Avec :
• Peon : La puissance électrique nominale de l’éolienne (W ).
• v(t) : La valeur de la vitesse du vent (m/s).
• vn : la vitesse nominale de l’éolienne (m/s).
• vm : la vitesse de coupure de l’éolienne (m/s).
• vd : la vitesse de démarrage de l’éolienne (m/s).

La courbe de puissance d’un générateur éolien est illustrée dans la figure II.2, dans laquelle
la production d’électricité commence à la vitesse vD et s’arrête à vM . La puissance de sortie
augmente de manière non linéaire entre vD et vN et reste au niveau de la production nominale
jusqu’à ce que la vitesse du vent atteigne vM . Pour des raisons de sécurité, l’éolienne ne produit
plus d’électricité après la vitesse de coupure de l’éolienne.
40 Chapitre II. Modélisation et formulation de la problématique

Figure II.2 – Modèle de la courbe de puissance [21].

La puissance de sortie totale pour un certain nombre d’éoliennes peut être exprimée comme
suit :

Peot = Neo × Peo (II.3)

Où : Neo est le nombre de générateurs éoliens.

II.3.2 Modélisation du générateur photovoltaı̈que

L’énergie produite par les panneaux photovoltaı̈ques à partir de rayonnement solaire est
connue sous le nom d’énergie solaire. Dans les panneaux photovoltaı̈ques, la lumière du soleil
est convertie en électricité en courant continu. L’irradiation solaire est de l’ordre de kW/m2 ,
elle varie d’un endroit à l’autre. Pour obtenir un transfert d’énergie efficace, les panneaux
PV doivent fonctionner en mode de poursuite du point de puissance maximale (MPPT) . La
puissance de sortie des panneaux PV dépend de leur taille et de leur efficacité, et peut être
calculée en fonction de l’irradiation solaire, de la température ambiante et des données du
fabricant du panneau photovoltaı̈que comme suit [22] :

N OCT − 20
Ppv (t) = ηr 1 − γ Ta + G − T0 S.G (II.4)
800
Avec :
• ηr : Le rendement instantané du module photovoltaı̈que.
• S : La surface du module photovoltaı̈que (m2 ).
• G : L’irradiation globale sur un plan incliné (W/m2 ).
• γ : Coefficient de température (°C) déterminé expérimentalement, il est défini comme
étant la variation du rendement du module pour une variation de 1°C de la température
de la cellule. Il varie entre 0.004 et 0.006 (°C).
41 Chapitre II. Modélisation et formulation de la problématique

• N OCT : La température nominale de fonctionnement de la cellule solaire (Nominal

Operating Cell Temperature) (°C).
• T0 : La température standard (°C).
• Ta : La température ambiante (°C).

Pour un certain nombre de générateurs solaires, la puissance de sortie totale peut être
exprimée comme suit :

Ppvt = Npv × Ppv (II.5)

Où : Npv est le nombre de générateurs photovoltaı̈ques.

II.3.3 Modélisation des convertisseurs

Dans un système de production multi-sources, les convertisseurs ont diverses fonctions telles
que la possibilité de se synchroniser avec le réseau, le contrôle du courant du réseau, le contrôle
MPPT et la détection de situation d’ı̂lotage. Afin de modéliser cette conversion, deux approches
existent : l’approche européenne [23] et l’approche américaine [24].

ηEU = 0.03η5% + 0.06η10% + 0.13η20% + 0.10η30% + 0.48η50% + 0.20η100% (II.6)

ηU SA = 0.04η10% + 0.05η20% + 0.12η30% + 0.21η50% + 0.53η75% + 0.05η100% (II.7)

Où : η(5%,10%...100%) est le rendement à une puissance de sortie spécifiée du convertisseur

Pconv , donné en pourcentage de la puissance nominale Pn , comme suit :

Pconv
η% = × 100 (II.8)
Pn

II.3.4 Modélisation du système de stockage

Pour optimiser la planification des activités d’un micro-réseau, un modèle approprié doit être
développé pour le système du stockage d’énergie [25]. Plusieurs types de système de stockage
existent, telles que les super-condensateurs, les batteries électrochimiques, le stockage d’énergie
magnétique supraconducteur, le stockage d’énergie par air comprimé et le stockage d’énergie
par volant d’inertie. Ces dispositifs ont des caractéristiques différentes, notamment des temps
de réponse, des capacités de stockage et des capacités de courant de pointe, qui sont abordées
à des applications différentes et des échelles de temps disjoints. Les batteries électrochimiques
42 Chapitre II. Modélisation et formulation de la problématique

sont sélectionnées dans cette étude en raison de leur faible prix et de leur capacité à stocker
l’énergie électrique pendant une longue période.
Le système de stockage utilisé dans les micro-réseaux est constitué d’une multitude de
batteries identiques, connectées en série pour augmenter le niveau de tension et en parallèle
pour augmenter le niveau de courant. L’énergie stockée dans le parc de batteries est utilisée
comme variable d’état par le système de gestion. Dans la modélisation de la batterie, plusieurs
facteurs sont nécessaires pour décrire son comportement tels que la capacité et le taux de
charge/décharge. Afin d’augmenter la durée de vie du système de stockage, nous évitons les
décharges profondes. Les batteries sont donc délimitées par leur capacité minimale Emin et
maximale Emax avec [26] :
(
E(t) = E(t − 1) − ∆t.Pc (t).ηc Chargement
∆t.Pd (t)
(II.9)
E(t) = E(t − 1) − ηd
Déchargement
Avec :
• Pc (t) et Pd (t) : Sont respectivement les puissances de charge et de décharge de la batterie
à l’instant (t) en (W )
• ηc et ηd : Sont respectivement les rendements de charge et de décharge.
• E(t) : L’énergie stockée dans la batterie à l’instant (t) en (W ).
• ∆t : L’intervalle de temps (h).

II.3.5 Modélisation du réseau électrique

L’une des fonctionnalités du micro-réseau consiste à acheter de l’électricité et à la revendre
au réseau public. Pour simplifier la procédure, les prix d’achat et de vente de l’électricité sont
identiques et déterminés en temps réel et sont désignés par le vecteur Br (e/kWh). Dans la
tarification en temps réel, le tarif de l’énergie issue du réseau varie selon les prix de vente
du marché qui sont modifiés en fonction de la demande d’électricité. En effet les tarifs élevés
indiquent un taux élevé de consommation d’électricité [27].
La puissance importée et exportée au moment t est exprimée par Pg en kW, avec l’interpré-
tation suivante :

— Pr (t) > 0 Si l’énergie est importée du réseau.

— Pr (t) < 0 Si l’énergie est exportée vers le réseau.
43 Chapitre II. Modélisation et formulation de la problématique

II.4 La formulation du problème

Dans cette partie, nous présenterons le modèle d’optimisation du système de gestion d’éner-
gie adopté pour notre micro-réseau. Les variables d’état à optimiser dans ce cas sont les puis-
sances de sorties des différents générateurs, du système de stockage et du réseau principal. Le
but est donc de déterminer les consignes de puissances de tous les générateurs du micro-réseau
à l’aide des algorithmes évolutionnaire PSO et AG, de tel sorte à obéir aux contraintes éner-
gétiques et assurer une tarification économique et optimale. De plus ; on évaluera les émissions
des GES libérées durant une journée opérationnelle.
Le choix de la fonction objective est la décision la plus importante à prendre. En effet,
plusieurs modèles ont été proposés dans la littérature, comme celui proposé dans les références
[2]-[26] où le coût total de fonctionnement des ressources énergétiques distribuées ainsi que le
coût de vente/achat de l’énergie fournie par ou injectée dans le réseau sont considérés comme
dynamiques. Cette fonction prend aussi en compte le coût de la cogénération, le coût de démar-
rage de la pile à combustible et le coût de charge/décharge des batteries de stockage. L’objectif
principal de la fonction objective dans notre cas, est de fournir les besoins de la charge pendant
la journée de manière économique, de telles sortes à calculer les puissances qui doivent être four-
nies par chaque générateur à la charge selon le prix offert. Dans notre cas, la formulation de la
problématique n’est pas si différente de celle en [25]. La formulation mathématique du problème
doit prendre en compte plusieurs aspects, tels que l’échange d’énergie entre le micro-réseau et
le réseau principal ainsi que le choix des contraintes sur les générateurs du micro-réseau et du
système de stockage.
En effet ; notre but est de gérer ce système hybride afin de trouver les profiles journaliers
optimaux pour chaque source du micro-réseau qui vont nous permettre d’obtenir une tarifica-
tion quotidienne d’énergie la plus basse possible, la gestion sera basée principalement sur trois
facteurs essentiels :

1. la puissance nominale horaire Px (t) disponible dans chaque source (renouvelable ou

conventionnelle).
2. Le prix unitaire horaire Bx (t) de chaque source du système hybride.
3. L’état de la charge EDC(t) du système de stockage.

Le but du systéme de gestion d’energie proposé est de trouver les points de consigne opti-
maux des générateurs distribués, du système de stockage et également de la quantité d’énergie
échangée avec le réseau électrique en tenant compte des contraintes économiques et environne-
mentales.
44 Chapitre II. Modélisation et formulation de la problématique

II.4.1 Minimisation du coût

La fonction objective dépend de plusieurs paramètres, principalement du type d’architecture
du micro-réseau. Plusieurs fonctions ont déjà été présentées dans la littérature, parfois le coût
d’exploitation des différents générateurs et du système de stockage était considéré comme étant
constant pendant la journée, le prix d’achat et de vente de la puissance issue du réseau principal
néanmoins, variée selon la demande énergétique de la charge. En revanche, dans les références ;
[2] et [26], le coût des puissances issues des différents générateurs, du système de stockage et
le coût de la vente et de l’achat de l’énergie fournie par le réseau étaient considérés comme
étant dynamique tout au long de la journée. L’objectif principal de la fonction objective est
de satisfaire la demande de la charge au cours de la journée de la manière la plus économique
possible. Ainsi, pour chaque heure (t), le coût peut être calculé comme suit [17] :

Ng Ns
X X
C(t) = Ui (t)PGi (t)BGi (t) + Uj (t)PSj (t)BSj (t) + Pr (t)Br (t) (II.10)
i=1 j=1

Avec :
• Ng et Ns : Sont respectivement le nombre total des différents générateurs et des batteries
constituant le système de stockage.
• BGi (t), BSj (t) et Br (t) : Sont respectivement les prix unitaires horaires de la puissance
des différents générateurs, du système de stockage et du réseau principal (e/kWh).
• PGi (t) et PSj (t) : Sont respectivement les puissances horaires issues des différents géné-
rateurs et du système de stockage (kW).
• Pr (t) : La puissance échangée importée ou exportée avec le réseau principal (kW).
• Ui (t) et Uj (t) : Sont respectivement le mode de fonctionnement des différents générateurs
et du système de stockage (ON ou OFF).

Le problème de l’optimisation peut s’écrire comme suit :

24
!
X
min(C t ) = min C(t) (II.11)
t=1

II.4.2 Évaluation des émissions

En plus du coût de fonctionnement, l’aspect écologique concernant les émissions de gaz à
effet de serre est évalué à coté de l’optimisation. La fonction objective d’émission comprend les
polluants atmosphériques tels que les oxydes d’azote (N OX ), le dioxyde de soufre (SO2 ) et le
dioxyde de carbone (CO2 ) issus principalement de la turbine à gaz et des centrales électriques
45 Chapitre II. Modélisation et formulation de la problématique

thermiques du réseau principal. La formulation mathématique de l’émission totale des polluants

en (kg) peut être exprimée comme suit [17] :

Ng Ns
X X
EM (t) = Ui (t)PDGi (t)EFDGi (t) + Uj (t)PSDj (t)EFSDj (t) + Pg (t)EFg (t) (II.12)
i=1 j=1

Avec :
• EFGi (t), EFSj (t) et EFr (t) : Sont les facteurs d’émissions qui décrivent la quantité de
polluants émis en (kg/kW h) pour chaque générateur, dispositif de stockage et réseau
public à l’heure (t).

Chaque valeur (EFx ) considère la somme de la quantité de polluants, à savoir le dioxyde de

carbone, le dioxyde de soufre et les oxydes d’azote. La quantité totale d’émissions en (kg) peut
être déterminée au moyen de la fonction suivante :

24
X
EM = EM (t) (II.13)
t=1

II.5 Les contraintes

II.5.1 Contrainte liée à l’équilibre des puissances

La production totale d’électricité issue des divers générateurs du micro-réseau et du réseau
principal doit couvrir et satisfaire la puissance de la charge totale de consommation. Les pertes
de transmission sont numériquement faibles et n’ont donc pas été prises en compte dans cette
étude.
Ng Ns
X X
PGi (t) + PSj (t) + Pr (t) = Pc (t) (II.14)
i=1 j=1

Où : Pc (t) La puissance totale de la charge à l’heure (t).

II.5.2 Contraintes liées aux limites électriques des générateurs

Pour un fonctionnement stable selon les normes physiques de construction, la puissance
active de chaque génerateur du micro-réseau est limitée par des valeurs inférieures et supérieures
comme suit [17] :
46 Chapitre II. Modélisation et formulation de la problématique

min max
PGi ≤ PGi (t) ≤ PGi (II.15)
min max
PSj ≤ PSj (t) ≤ PSj (II.16)
Prmin ≤ Pr (t) ≤ Prmax (II.17)

min max
Où : PG,S,r (t) and PG,S,r (t) sont respectivement les puissances minimales et maximales des
générateurs distribués, dispositif de stockage et du réseau principal.

II.5.3 Contraintes liées aux limites du système de stockage

La batterie doit rester dans les limites de son état de charge, et la quantité d’énergie produite
ou absorbée est limitée par un taux appelé ; taux de décharge/charge qui ne doit pas être dépassé.

EDC min ≤ E(t) ≤ EDC max (II.18)

Les limites de la puissance de charge et de décharge de la batterie sont indiquées ci-dessous

[17] :
(
−Pc (t).ηc ≤ Pcmax Charge (Pc (t) < 0)
(II.19)
Pd (t)/ηd ≤ Pdmax Décharge (Pd (t) > 0)
Avec :
• Pcmax : Est la puissance de charge maximal.
• Pdmax : Est la puissance de décharge maximal.

II.6 Les méthodes d’optimisation

Afin d’optimiser le fonctionnement d’un micro-réseau, il faut d’abord déterminer les pa-
ramètres de gestion en fonction de la variable à minimiser. Généralement ce dernier est le
critère économique, ainsi ; on cherche alors à minimiser le coût économique du système tout
en préservant certains critères de qualités imposés par le consommateur. Cette optimisation
peut être réalisée selon deux classes de méthodes : Les méthodes déterministes et les méthodes
stochastiques.

II.6.1 Les méthodes déterministes

Les méthodes déterministes sont des méthodes qui convergent toujours vers le même opti-
mum à partir d’un point de départ initial pour un problème quelconque. Ces méthodes peuvent
47 Chapitre II. Modélisation et formulation de la problématique

être séparées en deux groupes : Les méthodes gradient et les méthodes géométrique ou heuris-
tique. Parmi les méthodes gradient on trouve la technique de la plus grande pente, les méthodes
de Newton (BFGS ou DFP) et aussi la méthode de Lavenberg-Marquardt[28] . Le principe de ces
méthodes réside dans le calcul des dérivées partielles de la fonction objective afin d’atteindre
l’optimum assez rapidement. A côté, on trouve les méthodes géométriques ou heuristiques,
parmi ces dernières on repère particulièrement les algorithmes gloutons [29]. Ce type de mé-
thodes exploitent les valeurs de la fonction objective afin d’explorer l’espace des solutions à
travers des essais successifs cherchant les directions avantageux pour arriver à l’optimum.
Les méthodes de résolution déterministes ne sont pas adéquates à toutes les problématiques
car certains problèmes sont assez complexes. Parmi ces problématiques, on cite la présence de
discontinuités, la non-dérivabilité, l’absentéisme de convexité ou encore la difficulté analytique
pour déterminer la fonction objective. On peut aussi ajouter le problème de temps de résolution
qui est considérer trop long chez les méthodes déterministes. Il est donc nécessaire de faire appel
aux méthodes stochastiques [30].

II.6.2 Les méthodes stochastiques

Les méthodes stochastiques sont basées sur une prospection aléatoire de l’espace des solu-
tions à l’aide des règles de transition de probabilités [31]. Ceci dit, le trajet vers l’optimum
est donc différent [32]. Parmi les algorithmes stochastiques les plus populaires on trouve : les
algorithmes génétiques [33] et l’optimisation par essaims particulaires (PSO) [34].

II.6.2.1 Les algorithmes génétiques (AG)

Un algorithme génétique (AG) est une métaheuristique qui manœuvre une population de
solutions potentielles à la fois. Son mode de fonctionnement est basé sur les principes biolo-
giques de la sélection naturelle qui orchestrent la survie des échantillons les mieux adaptés à
leurs environnement [35]. L’AG débute d’un ensemble de solutions initialisé aléatoirement dans
l’espace. Les individus ici sont représentés par leurs variables de conception, ils sont considérés
comme étant des chromosomes. Les chromosomes de la population initiale sont utilisés pour
produire une nouvelle population, en passant par les différents opérateurs génétiques, principa-
lement : le croisement, la mutation et la sélection. Ceci est motivé par l’espoir que la nouvelle
population soit meilleure que la précédente.

Pour résumer, le croisement agi sur les deux chromosomes parents pour en produire deux
autres chromosomes enfants, en souhaitant que les deux nouveaux chromosomes soient meilleurs
48 Chapitre II. Modélisation et formulation de la problématique

que les précédents, ceci se réalise si les bons gènes de ces derniers sont ceux qui sont combinés.
La figure II.3 résume la procédure du croisement, dans ce cas c’est un croisement unitaire.

Figure II.3 – Le croisement unitaire.

En outre, la mutation est un opérateur génétique qui permet d’offrir de nouvelles caractéris-
tiques génétiques au chromosome de façon direct en mutant un ou plusieurs de ses gènes (voir
figure II.4 Elle est généralement utilisée après le croisement.

Figure II.4 – La mutation.

Cet algorithme démarre avec une population générée de manière aléatoire, chaque vecteur
d’individu (chromosome) représente une solution au problème. La reproduction se fait après
chaque itération, cette dernière engendre une population enfant dont les meilleurs individus
sont sélectionnés pour prendre le relais des parents. Ensuite, deux sont choisis de façon aléa-
toire à l’aide de la fonction roulette, à qui on appliquera les opérateurs croisement et mutation
afin de crée une diversification dans la population.

Les AG sont basées sur le concept de ‘’ l’élitisme ‘’, qui consiste à préserver un aperçu des
gènes des meilleurs individus pour se précautionner contre toute décadence que pourrait être
produite du croisement ou de la mutation, La figure II.5 ci-dessous représente l’organigramme
d’évolution de l’algorithme génétique (Annexe A.2).
49 Chapitre II. Modélisation et formulation de la problématique

Figure II.5 – Organigramme de l’algorithme génétique.

II.6.2.2 L’optimisation par essaims particulaires (PSO)

La théorie du PSO s’inspire de la dynamique des animaux déplaçant en groupes compacts,

par exemple : les essaims d’abeilles, les vols groupés d’oiseaux et les mouvements de groupes de
poissons. Le PSO dépend d’une population d’agents simples appelés particules, chaque particule
est considérée comme une solution potentielle au problème, et possède une position (vecteur
de position), une vitesse (vecteur de vitesse) et une mémoire lui permettant de se souvenir de
50 Chapitre II. Modélisation et formulation de la problématique

ses performances (en position et en vitesse) et des meilleures performances réalisées par les
particules adjacentes (informateur), chaque particule a un groupe d’informateurs, appelé son
voisinage.
Les particules communiquent entre elles dans tout l’espace de recherche afin de construire
une solution au problème posé et en tirant parti de leur expérience collective. Au début, les
particules ne connaissent pas l’emplacement de l’optimum, elles doivent donc survoler tout
l’espace de recherche, le mécanisme de recherche est basé sur deux principes [25] :

1. La loi de la communication : Il s’agit d’informer la mesure élaborée par chaque

particule à tout autre agent présent dans l’essaim.
2. La loi de l’apprentissage : Lorsque les particules échangent leur valeur, elles peuvent
coopérer et apprendre que la localisation d’une particule quelconque est meilleure et
donc trouver la meilleure valeur de tout l’essaim (appelée minimum global).

Sur la base de ces deux principes, la solution du problème d’optimisation peut être obtenue
en utilisant l’intelligence de l’essaim

Construction de l’essaim et principe de fonctionnement :

Chaque particule est un candidat pour résoudre le problème lié à l’optimisation que nous vou-
lons résoudre. L’ensemble des particules constitue l’essaim et l’espace de recherche est l’espace
de toutes les solutions possibles du problème d’optimisation, sachant que nous recherchons la
meilleure solution parmi les solutions possibles de cet espace. Comme indiqué ci-dessus, chaque
particule est définie par une position et une vitesse qui dépend principalement de la taille de l’es-
pace de recherche, c’est-à-dire, si l’espace de recherche a une dimension n, chacun des vecteurs de
position et de vitesse aura la même dimension n. Ainsi, dans l’espace de recherche, la particule
i de l’essaim est modélisée par son vecteur de position ayant la même dimension que l’essaim
n : Xi (t) = (x1 (t), x2 (t), ........, xn (t)) et son vecteur de vitesse : Vi (t) = (v1 (t), v2 (t), ........, vn (t)).

Cette particule i n’est pas seule, elle est membre de l’essaim, les particules s’interconnectent
et apprennent les unes des autres par le principe de communication et d’apprentissage en res-
pectant les contraintes d’optimisation. A l’ajout de la position et de la vitesse, chacune des
particules possède une mémoire de sa meilleure position ou expérience, elle est dite meilleure
personnelle, nous avons aussi la meilleure expérience de tout l’essaim, elle appartient à toutes
les particules qui sont dans l’essaim, elle est dite meilleure globale (meilleure expérience de
toutes les particules de l’essaim).
51 Chapitre II. Modélisation et formulation de la problématique

Le modèle mathématique standard du PSO :


 →
−
xi (t + 1) = →
−
xi (t) + →−
vi (t + 1)
−−−→ −−→ −−−→ (II.20)
 →
−
vi (t + 1) = C0 .→
−
vi (t) + C1 .r1 . Pbesti (t) − →
−

xi (t) + C2 r2 Gbest (t) − Pbesti (t)

Ou : C0 est une constante positive de la pondération de la vitesse, C1 est une constante posi-
tive de la pondération dite d’accélération de la composante cognitive et C2 c’est une constante
d’accélération de la composante sociale. r1 et r2 sont des valeurs aléatoires entre (0 1) pour
apporter un caractère stochastique l’algorithme.

Le mouvement de la particule est influencé par les 3 composantes suivantes :

• Composante d’inertie : la particule a tendance à suivre sa direction de mouvement
actuelle.
• Composante cognitive : la particule a tendance à se déplacer vers la meilleure position
par laquelle elle est déjà passée.
• Composante sociale : la particule tend à suivre la direction de la meilleure valeur
atteinte par l’ensemble de l’essaim.

Figure II.6 – Mécanisme de recherche du PSO dans l’espace multidimensionnel [36].

Les deux valeurs Pbesti et Gbest , sont mises à jour à chaque itération jusqu’à ce que le
minimum global soit atteint. La meilleure position personnelle, Pbesti (t), associée à la particule
i est la meilleure position que la particule a visitée depuis le début de l’évolution. Compte tenu
de la fonction de minimisation f (x), la meilleure position personnelle à l’instant (t + 1) est
calculée comme suit :
52 Chapitre II. Modélisation et formulation de la problématique

( −−−→ −−−→ −
→ −
→
Pbesti (t + 1) = Pbesti (t) Si f (Xi (t + 1)) ≥ f (Xi (t))
−−−→ −−−→ −
→ −
→ (II.21)
Pbesti (t + 1) = Pbesti (t + 1) Si f (Xi (t + 1)) < f (Xi (t))

La meilleure position globale au moment (t), est définie comme suit :

Gbest (t + 1) = min([Pbesti (t + 1)]) (II.22)

La figure II.7 ci-dessous représente l’organigramme d’évolution du PSO (Annexe A.1).

Figure II.7 – Organigramme du PSO.

53 Chapitre II. Modélisation et formulation de la problématique

II.7 Conclusion
Dans ce chapitre nous avons élaboré et modélisé les différentes sources constituant notre
micro-réseau. Cette modélisation sera la clef fondamentale dans la suite de notre étude. Aussi,
la formulation du problème en modèle mathématique nous permettra de pouvoir manipuler
ses paramètres en agissant sur les variables décisives qui auront rôle dans l’amélioration de la
productivité du micro-réseau tout en tenant compte des contraintes économiques et en évaluant
le coté écologique. En effet, ce travail est une image théorique et un prérequis essentiel vers
l’application de ce dernier sur le terrain d’étude qui sera dédié dans le chapitre qui suit. La
plateforme de programmation Matlab est choisie pour la simulation de ce problème, les résultats
de cette dernière serons présentés et discutés suivant divers scénarios.
Chapitre III

Résultats et discussions
55 Chapitre III. Résultats et discussions

III.1 Introduction
On s’intéresse dans ce chapitre par l’application des algorithmes évolutionnaires, afin d’op-
timiser la gestion d’énergie du micro-réseau. On présentera l’étude et l’analyse des données sur
la plateforme de programmation Matlab. L’application des algorithmes d’optimisations sera
l’atout vers l’obtention des solutions optimales. Ces dernières seront ensuite le sujet d’une
étude économique et écologique comparative qui concerne l’impact de l’injection d’énergie verte
dans le réseau. A cet effet ; la finalité de notre travail est d’identifier le bénéfice réalisé ainsi que
la fiabilité du projet et la nécessité d’avoir un système de gestion pour une installation d’un
micro-réseau.

III.2 Présentation des données

Le micro-réseau proposé dans cette étude est constitué de deux sources renouvelables (pho-
tovoltaı̈que et éolienne), une micro-turbine, un système de stockage et le réseau principal. Les
données sont principalement prises d’un profil similaire à celui utilisé par [26]. Le système de
gestion fonctionnera selon les puissances disponibles illustrées dans le tableau III.1 dans le
micro-réseau. Les limites des puissances des différents générateurs sont représentées dans le ta-
bleau III.2. Les prix horaires dynamiques de la puissance de chacune des sources sont présentées
dans le tableau III.4. L’intégralité de ces données sera le carburant essentiel pour la mise en
marche de la gestion d’optimisation, qui permettra ensuite d’obtenir la meilleure gestion de
puissance journalière avec une facture d’énergie la plus bas possible. En outre, l’évaluation des
émissions des GES qui suit la gestion optimale des sources est assurée par la fonction (II.12)
qui utilise en entrée : les facteurs d’émissions présentés dans le tableau III.3 et les valeurs de
puissances optimales planifiées obtenues à partir de la gestion effectuée.
56 Chapitre III. Résultats et discussions

Table III.1 – Puissances des générateurs distribués [26].

Heures (h) Puissance PV (kW) Puissance Éol (kW) Consommation (kW)

01 :00 0 16,0133 52
02 :00 0 16,0800 50
03 :00 0 16,1600 50
04 :00 0 16,1733 51
05 :00 0 17,6800 56
06 :00 0 16,1733 63
07 :00 0 14,7333 70
08 :00 0,1 14,5600 75
09 :00 0,59 14,6533 76
10 :00 1,98 13,1600 80
11 :00 7,75 11,6667 78
12 :00 9,8 10,1467 74
13 :00 10,65 11,6667 72
14 :00 9,7 10,1460 72
15 :00 8,12 14,7467 76
16 :00 4,95 16,2133 80
17 :00 1,1 16,1467 85
18 :00 0,1 19,1333 88
19 :00 0 17,5333 90
20 :00 0 18,9467 87
21 :00 0 19,0400 78
22 :00 0 19,1067 71
23 :00 0 19,9333 65
24 :00 0 19,1467 56
57 Chapitre III. Résultats et discussions

Table III.2 – Les limites de puissances des générateurs distribués, le système de stockage et
le réseau principal [26].

Générateur Puissance minimale (kW) Puissance maximale (kW)

PV 0 15
Éolienne 0 20
Micro-turbine 6 30
Réseau principale 0 90
Système de stockage -30 25

Table III.3 – Les principaux facteurs d’émissions des GES [26].

Facteurs d’émissions Micro-turbine (kg/MWh) Réseau principal (kg/MWh)

CO2 724 922
N Ox 0,2 2,295
SO2 0,00136 3,583
58 Chapitre III. Résultats et discussions

Table III.4 – Les prix unitaires horaires des générateurs distribués, le système de stockage et
réseau principal [26].

Heures PV Éolien MT Batterie Réseau

(h) (e/kWh) (e/kWh) (e/kWh) (e/kWh) (e/kWh)
01 :00 0 0.021 0.0823 0.1192 0.033
02 :00 0 0.017 0.0823 0.1192 0.027
03 :00 0 0.0125 0.0831 0.1269 0.020
04 :00 0 0.011 0.0831 0.1346 0.017
05 :00 0 0.051 0.0838 0.1423 0.017
06 :00 0 0.085 0.0838 0.15 0.029
07 :00 0 0.091 0.0846 0.1577 0.033
08 :00 0.0646 0.110 0.0854 0.1608 0.054
09 :00 0.0654 0.140 0.0862 0.1662 0.215
10 :00 0.0662 0.143 0.0862 0.1677 0.572
11 :00 0.0669 0.150 0.0892 0.1731 0.572
12 :00 0.0677 0.155 0.09 0.1769 0.572
13 :00 0.0662 0.137 0.0885 0.1692 0.215
14 :00 0.0654 0.135 0.0885 0.16 0.572
15 :00 0.0646 0.132 0.0885 0.1538 0.286
16 :00 0.0638 0.114 0.09 0.15 0.279
17 :00 0.0654 0.110 0.0908 0.1523 0.086
18 :00 0.0662 0.0925 0.0915 0.15 0.059
19 :00 0 0.091 0.0908 0.1462 0.050
20 :00 0 0.083 0.0885 0.1462 0.061
21 :00 0 0.033 0.0862 0.1431 0.181
22 :00 0 0.025 0.0846 0.1385 0.077
23 :00 0 0.021 0.0838 0.1346 0.043
24 :00 0 0.017 0.0831 0.1269 0.037

Les figures ci-dessous (III.1, III.2, III.3) représente le tracé des puissances photovoltaı̈ques,
éoliennes et le profil de consommation journalier.
59 Chapitre III. Résultats et discussions

Figure III.1 – Profil de la consommation journalière.

Figure III.2 – Puissance photovoltaı̈que journalière.

Figure III.3 – Puissance éolienne journalière.

60 Chapitre III. Résultats et discussions

III.3 Le système de gestion proposé

Plusieurs systèmes de gestions ont été présentés dans la littérature, [37] ont proposés une
stratégie opérationnelle multi-objectifs d’un micro-réseau pour une application résidentielle. À
cet égard, l’aspect économique et écologique ont été formulés comme un problème multi-objectif
à contrainte non linéaire. A cet effet ; les termes du coût d’exploitation, de maintenance, le coût
de démarrage et le coût des émissions CO2, SO2, NOX sont pris en compte. Dans notre étude,
nous travaillerons avec un problème mono-objectif dont le but essentiel est d’optimiser l’aspect
économique. Le cotée écologique néanmoins, sera évalué mais sans être pris en considération
dans l’optimisation. De ce fait, le but est de sélectionner les puissances les moins chers en une
heure donnée et de les attribuées à la charge en assurant l’équilibre énergétique requis par le
consommateur. De telle sorte à obtenir une facture énergétique journalière la moins chère pos-
sible. Durant ce processus, le système de stockage obéi à une gestion détaillée comme suit :

• Dans le cas où (E(t) = E max ) : Le système de stockage sera considéré comme une
source principale avec les quatre autres sources (PV, éolienne, micro-turbine et réseau),
sa fourniture d’énergie sera opérationnelle selon la quantité d’énergie demandée et de son
prix unitaire à l’heure de demande. il faut noter que le débit de déchargement est limité
par une quantité maximale qui ne doit pas être dépassée selon les contraintes présentées
auparavant.

• Dans le cas où (E(t) = E min ) : Le système de stockage nécessitera une certaine quan-
tité d’énergie pour se recharger provenant des sources les moins chères du micro-réseau
à une heure donnée. Dans cette situation, le système de stockage sera considéré comme
une charge par le micro-réseau. Si tous les prix unitaires de la puissance des différents
générateurs sont assez élevés, et la charge est satisfaite, le rechargement du système de
stockage n’aura pas lieu en cette heure, et attendra l’heure où le prix des puissances est
assez bas.

• Dans le cas où (E min < E(t) < E max ) : Selon le tarif du système de stockage, deux
cas peuvent se produire :

— Dans le cas où le prix de la puissance du système de stockage est le plus cher et que
l’énergie demandée par les consommateurs du micro-réseau peut être largement satis-
faite par les autres sources, le système de stockage continuera son chargement et son
61 Chapitre III. Résultats et discussions

énergie ne participera pas dans l’alimentation de la charge. Mais, si l’énergie fournie

par les différents générateurs est insuffisante, l’énergie du système de stockage sera
utilisée comme source d’énergie de compensation pour satisfaire la contrainte d’équi-
libre énergétique.

— En outre, si le prix de l’énergie délivrée par le système de stockage est moins cher par
rapport aux autres sources, ce dernier participera dans l’alimentation de la charge et
fourni une énergie maximale égale à la limite de sa puissance de déchargement.

La figure III.4 représente l’organigramme de la stratégie de gestion adoptée dans cette étude.

Figure III.4 – Organigramme de la stratégie de gestion d’énergie.

62 Chapitre III. Résultats et discussions

III.4 Résultats des deux programmes d’optimisation

Le système de gestion a pour objectif de réduire la facture énergétique sur une journée de
24 heures, le point cible dans ce cas d’étude est la détermination des consignes de puissance
calaculés par les deux programmes de gestion (PSO et l’AG) et de souligner l’impact de l’échange
d’énergie entre le micro-réseau et le réseau principal (injection et extraction). Les énergies
renouvelables restantes non utilisées pour alimenter les consommateurs du micro-réseau et pour
recharger le système de stockage des batteries seront envoyées au réseau principal.

III.4.1 Scénario 1 : Gestion optimale des sources sans injection dans

le réseau
Dans ce cas d’étude, le surplus d’énergie issu des différentes sources énergétiques est utilisé
pour couvrir les besoins énergétique du système de stockage et de le charger, tout en préservant
l’aspect économique en choisissant les heures ou le prix est le moins cher possible. Cependant,
si les batteries s’avèrent complètement charger, le surplus d’énergie dans ce cas, sera perdu et
sera considérer comme perte (délestage). Durant cette gestion, on notera le prix optimal retenu
de l’optimisation ainsi que le taux d’émission des GES conséquents des opérations énergétiques
effectuées par le micro-réseau.

Les deux programmes d’optimisation développés convergent vers les mêmes résultats car le
critère d’arrêt est pris le même pour les deux techniques. Le tableau III.5 représente la répar-
tition optimale des puissances des sources du micro-réseau sans injection, issues de l’execution
de nos programmes sur Matlab.
63 Chapitre III. Résultats et discussions

Table III.5 – Résultats obtenus de la gestion optimale sans injection au réseau.

Heures PV Éolien MT Batterie Réseau Consommation

(h) (kW) (kW) (kW) (kW) (kW) (kW)
01 :00 0 16.0133 6 -33.3333 63.32 52
02 :00 0 16.08 6 -33.3333 61.2533 50
03 :00 0 16.16 6 -33.3333 61.1733 50
04 :00 0 16.1733 6 -33.3333 62.16 50
05 :00 0 0 6 -8.8889 58.8889 51
06 :00 0 0 6 0 57 63
07 :00 0 0 6 0 64 70
08 :00 0 0 6 0 69 75
09 :00 0.59 14.7333 30 22.5 8.1767 76
10 :00 1.9800 13.16 30 22.5 12.36 80
11 :00 7.7500 11.6667 30 22.5 6.0833 78
12 :00 9.8 10.1468 30 22.5 1.5532 74
13 :00 10.65 11.6667 30 19.6833 0 72
14 :00 9.7 10.146 30 22.1540 0 72
15 :00 8.12 14.6467 30 12.1627 11.0706 76
16 :00 4.9500 16.2133 30 0 28.8367 80
17 :00 1.1 0 27.2333 -33.3333 90 85
18 :00 0.1 1.2333 30 -33.3333 90 88
19 :00 0 3.3333 30 -33.3333 90 90
20 :00 0 18.6493 11.6840 -33.3333 90 87
21 :00 0 19.04 30 22.5 6.46 78
22 :00 0 19.03 6 -33.3333 79.3033 71
23 :00 0 19.3330 6 -33.3333 73.0003 65
24 :00 0 19.6900 6 -5.5556 35.8656 56

Le prix optimal de la facture quotidienne durant 24h de fonctionnent obtenu de ce scénario

s’est évaluer à 143,0492 e, avec un taux d’émission de 1353,7329 kg de GES (tableau III.6).

Table III.6 – Les résultats obtenus du scénario 1.

Prix opérationnel (e) Quantité totale d’émission (kg)

143,0492 1353,7329
64 Chapitre III. Résultats et discussions

La figure III.5 représente les résultats obtenus de la simulation des deux algorithmes d’opti-
misation sur Matlab. On remarque bien que les résultats obtenus sont identiques, cela confirme
la fiabilité et l’efficacité des deux programmes. Néanmoins, on constate que la vitesse de conver-
gence du PSO est presque 100 fois plus rapide que l’AG.

Figure III.5 – Résultats de simulation sur Matlab.

Les résultats obtenus dans le tableau III.5 sont les consignes optimales de la puissance des
différentes sources énergétiques du micro-réseau, on remarque bien que la somme de ces valeurs
dans une heure donnée (t) égale à la valeur de puissance de la charge pour la même heure (t). On
constate aussi que la source la moins chère dans une heure donnée possède le point de consigne
le plus important sans dépasser ces limites de puissance. S’additionne à elle la deuxième source
la moins chère et ainsi de suite jusqu’à ce que la contrainte d’équilibre de puissance soit vérifiée.
Ainsi, le coût de fonctionnement est réduit au minimum et les émissions sont évaluées. On re-
marque que le chargement du système de stockage est assuré pendant la partie de la journée où
la consommation est faible et caractérisée par des coûts énergétiques unitaires réduits. Sinon, la
batterie fournit de l’énergie pour compenser le déficit pendant la journée. Dans ce cas d’étude,
l’énergie provenant du réseau est fournie de manière unidirectionnelle, c’est-à-dire que l’énergie
est vendue à partir du réseau et livrée au micro-réseau uniquement et que le fonctionnement
inverse n’est pas autorisé. Pour des raisons de maintenance et de sécurité, la micro-turbine est
présente toute la journée soit par sa puissance minimale de 6KW, soit par sa puissance délivrée
pour compenser le déficit d’énergie qui devrait être fournie aux consommateurs du micro-réseau.

La figure III.6 représente le tracé des puissances issues de la gestion optimale des différentes
sources du micro-réseau ainsi que le profil de consommation. On observe que la somme des
différentes puissances est égale à la valeur de la puissance de la charge pour chaque heure, ce
qui approuve la fiabilité du système de gestion adopté.
65 Chapitre III. Résultats et discussions

Figure III.6 – Les consignes de puissance optimales obtenues au premier scénario

La figure III.7 représente les prix unitaires horaires des flux énergétiques optimales des
diverses sources et le prix optimal obtenus par les algorithmes d’optimisation en fonction des
heures de fonctionnement durant la journée.

Figure III.7 – Les prix unitaires des puissances issues de la gestion optimale et le prix
optimal de facturation.
66 Chapitre III. Résultats et discussions

Il est remarquable que la source photovoltaı̈que soit pleinement exploitée pendant la journée
en raison de son prix bas par rapport aux quatre autres sources, la source éolienne est largement
exploitée durant la nuit en raison de son prix réduit également. Cependant, durant les heures
de pointes, le prix du réseau est très élevé, dans ce cas, l’utilisation du système de stockage
permet de compenser le déficit d’énergie et d’atténué la dépendance au réseau principal. C’est
pourquoi l’utilisation de la batterie est significative pendant la journée lorsque le prix du réseau
est élevé. Le système de stockage en soi, suit son processus de chargement durant la nuit lorsque
la consommation du micro-réseau est moins élevée et le prix unitaire de la puissance est faible.
La figure III.8 illustre l’échange énergétique quotidien des batteries avec le micro-réseau.

Figure III.8 – l’échange énergétique des batteries avec le micro-réseau durant la journée.

La figure III.9 représente l’histogramme de la variation de l’état de charge du système de

stockage. En reliant avec la figure III.8, on observe bien que lorsque les batteries demandent de
l’énergie, l’EDC augmente et lorsqu’elles fournissent de l’énergie l’EDC diminue.

Figure III.9 – État de charge du système de stockage.

67 Chapitre III. Résultats et discussions

La quantité d’émissions est directement liée aux deux sources : le réseau principal et la
micro-turbine, responsables des émissions de gaz à effet de serre. Selon la figure III.10, il est
clair que les émissions sont plus importantes durant la nuit en raison des prix unitaires réduits
du réseau et donc l’exploitation primordiale de ce dernier par le micro-réseau, en profitant ainsi,
pour recharger le système de stockage.

Figure III.10 – Les émissions totales quotidiennes dues à l’utilisation des sources fossiles du
micro-réseau.

III.4.2 Scénario 2 : Gestion optimale des sources avec injection dans

le réseau
Dans ce cas d’étude, l’énergie issue des différentes sources énergétiques est utilisés pour cou-
vrir les besoins énergétique du système de stockage et de le charger, tout en préservant l’aspect
économique en choisissant les heures où le prix est le moins cher possible. Cependant, si les bat-
teries s’avèrent complètement charger, le surplus d’énergie issu des sources renouvelables dans
ce cas, sera distribué et vendu au réseau avec les mêmes prix d’achats de ce dernier. Durant
cette gestion, on notera le prix optimal retenu de l’optimisation ainsi que le taux d’émissions
des GES conséquents des opérations énergétiques effectuées par le micro-réseau. En ajout, la
puissance des générateurs d’énergies renouvelables (PV et éolien) dans ce cas est pleinement
exploitée, afin, de mettre en évidence l’impact de l’injection au réseau principale et ses consé-
quences environnementale.
68 Chapitre III. Résultats et discussions

Le tableau III.7 représente la répartition optimale des puissances des sources du micro-réseau
avec injection, issues de l’execution de nos programmes d’optimisation sur Matlab.

Table III.7 – Résultats obtenus de la gestion optimale avec injection.

Heures PV Éolien MT Batterie Réseau Consommation

(h) (kW) (kW) (kW) (kW) (kW) (kW)
01 :00 0 16.0133 6 -33.3333 63.32 52
02 :00 0 16.0800 6 -33.3333 61.2533 50
03 :00 0 16.1600 6 -33.3333 61.1733 50
04 :00 0 16.1733 6 -33.3333 62.16 50
05 :00 0 17.6800 6 -8.8889 41.2089 51
06 :00 0 16.1733 6 0 40.8267 63
07 :00 0 17.6800 6 0 46.3200 70
08 :00 0.1 16.1733 6 0 52.7267 75
09 :00 0.59 14.7333 30 22.5 8.1767 76
10 :00 1.9800 13.1600 30 22.5 12.36 80
11 :00 7.7500 11.6667 30 22.5 6.0833 78
12 :00 9.8 10.1468 30 22.5 1.5532 74
13 :00 10.65 11.6667 30 19.6833 0 72
14 :00 9.7 10.1460 30 22.1540 0 72
15 :00 8.12 14.6467 30 12.1627 11.0706 76
16 :00 4.9500 16.2133 30 0 28.8367 80
17 :00 1.1 16.1467 27.2333 -33.3333 73.8533 85
18 :00 0.1 19.1330 30 -33.3333 72.1003 88
19 :00 0 17.5333 30 -33.3333 75.8000 90
20 :00 0 18.6493 11.6840 -33.3333 90 87
21 :00 0 19.0400 30 22.5 6.46 78
22 :00 0 19.0300 6 -33.3333 79.3033 71
23 :00 0 19.3330 6 -33.3333 73.0003 65
24 :00 0 19.6900 6 -5.5556 35.8656 56

D’après les résultats obtenus, on constate que les sources renouvelables sont pleinement
exploitées, aucune perte de puissance n’est causée. L’excès d’énergie après avoir répondu aux
besoins locaux du micro-réseau, a permis d’assurer le chargement du système de stockage avec
69 Chapitre III. Résultats et discussions

succès de telle sorte qu’en fin de journée, la batterie était totalement chargée. En outre, une
quantité de 116.0529 kW a également été livrée au réseau principal, cela a permis de réduire la
facture énergétique totale journalière du micro-réseau à 137,6627 e, et de réduire les émissions
des GES à 1246,1 kg.
Cette réduction d’émissions est obtenue après avoir injecté de l’énergie verte issue des sources
renouvelables dans le réseau, de tel sorte que l’énergie extraite des centrales fossiles sera réduite,
et donc les émissions causées par ces dernières seront également réduites. Cette approche a
permis d’illustrer l’impact économique de l’injection d’énergie verte dans le réseau principale,
et c’est aussi une approche de sensibilisation en raison de la contribution à la réduction des gaz
à effet de serre responsables du réchauffement climatique, le tableau III.8 montre les résultats
de cette approche.

Table III.8 – Les résultats du second scénario.

Prix opérationnel (e) Quantité totale d’émission (kg)

137,6627 1246,1

La figure III.11 représente les résultats obtenus de la simulation des deux algorithmes d’opti-
misation sur Matlab. On remarque bien que les résultats obtenus sont identiques, cela confirme
la fiabilité et l’efficacité des deux programmes. Néanmoins, on constate que la vitesse de conver-
gence du PSO est presque 100 fois plus rapide que l’AG.

Figure III.11 – Résultats de simulation sur Matlab.

Similairement au premier cas, on observe que la somme des différentes puissances est égale
à la valeur de puissance de la charge pour chaque heure (figure III.12), et donc la contrainte
d’équilibre de puissance est vérifiée.
70 Chapitre III. Résultats et discussions

Figure III.12 – Les consignes de puissance optimales obtenues au second scénario

La figure III.13 représente les prix unitaires horaires des flux énergétiques optimales des
diverses sources et le prix optimal obtenus par les deux algorithmes d’optimisation pour chaques
heures de fonctionnement durant la journée, avec la possiblilité d’injection du surplus du micro-
réseau dans le réseau principale.

Figure III.13 – Les prix unitaires des puissances issues de la planification optimale et le prix
optimal de facturation du second scénario.
71 Chapitre III. Résultats et discussions

Il est remarquable que la source photovoltaı̈que et éolienne soient pleinement exploitées

pendant la journée, afin de pouvoir profité de l’intérêt de l’injection d’énergie verte dans le
réseau principal d’où la réduction de la facture énergétique et le taux d’émission des GES. La
gestion de puissance des autres sources semble identique au premier scénario, sauf le réseau
principal qui subit des changements dus à son prix qui reste fortement élevé durant la journée
par rapport à la micro-turbine et au système de stockage.

Le réseau en soi fourni une énergie précise pour répondre aux exigences de la charge. Néan-
moins, cette énergie n’est pas totalement dénombrable dans la facture d’énergie, or, la puissance
injectée durant des heures données est soustraite et compense l’énergie qui est censé être four-
nie par le réseau. De cette façon durant la facturation, il n’y aura que la puissance payée qui
sera prise en compte. La figure III.14 représente la puissance fournie par le réseau, la puissance
injectée, ainsi que la puissance payée ou prise en compte dans la facturation

Figure III.14 – La puissance fournie par le réseau, la puissance injectée et la puissance payée
durant une journée.

La quantité d’émissions est directement liée aux deux sources : le réseau principal et la
micro-turbine, responsables des émissions de gaz à effet de serre. Selon la figure III.15, il est
clair que les émissions sont plus importantes durant la nuit en raison des prix unitaires réduits
du réseau et donc l’exploitation primordiale de ce dernier par le micro-réseau, en profitant ainsi,
pour recharger le système de stockage. Le taux d’émission dans ce cas, reste plus faible que le
72 Chapitre III. Résultats et discussions

premier cas où il n’y avait pas d’injection d’énergie.

Figure III.15 – Les émissions totales quotidiennes dues à l’utilisation des sources fossiles du
micro-réseau avec injection.

III.5 Synthèse
Les deux approches ont étaient adoptées afin d’approuver l’importance de la gestion d’éner-
gie dans les installations micro-réseaux et en la renforçant en démontrant l’impact de l’injection
d’énergie verte dans le réseau public de distribution. Les résultats obtenus de la simulation
ont clairement illustrés cette importance, la stratégie de gestion a permis de sélectionner les
meilleurs consignes pour les générateurs distribués de manière à ce que la puissance horaire
demandée par la communauté soit assurée au coût le plus bas. Et par conséquent, la courbe de
variation du coût de fonctionnement énergétique obtenue au cours de la journée est remarqua-
blement réduite lors des pics de consommation.

Les résultats obtenus de la simulation des deux scénarios ont clairement montrés l’impact
de l’injection suivant deux critères essentiels : économiques et écologiques. On observe bien que
durant les heures d’injection, une réduction au niveau de la facturation et des émissions de GES
a été enregistrée. En effet, cette réduction est due au fait d’injecté le surplus d’énergie verte
dans le réseau, qui de base utilise de l’énergie provenant principalement des centrales fossiles.
Donc, le fait de lui approvisionner une partie d’énergie issue des générateurs à ER pour couvrir
73 Chapitre III. Résultats et discussions

son seuil énergétique, au lieu d’avoir recours aux autres centrales fossile, réduira forcément
les émissions de GES dégagés dans l’atmosphère. Similairement pour la facture quotidienne,
l’échange énergétique entre le réseau et le micro-réseau fait en sorte que l’énergie fournie au
réseau sera automatiquement retrancher de la facture durant les heures d’injection, ce qui
mine de rien réduit lisiblement le coût de la facture journalière. La figure III.16 représente la
comparaison des tarifs horaires dans le cas d’injection et sans injection.

Figure III.16 – Comparaison des tarifs horaires quotidiennes avec et sans injection.

On remarque clairement que durant les heures d’injections, les tarifs diminuent en coût due
à la procédure de vente d’énergie au réseau de distribution, et donc le prix de cette dernière est
retrancher des tarifs horaires à payer lors des heures d’injections. Ce qui mène à une réduction
nette dans la facture totale quotidienne d’électricité.

La figure III.17 représente la comparaison des émissions de GES avec et sans injection à
cotées de la puissance injectée dans le réseau.

Comme mentionner en amont, la réduction se produit principalement durant les heures

d’injections, la figure illustre nettement ça en comparant la différence d’émissions dégagées à
cotée de la puissance injectée durant la journée.
74 Chapitre III. Résultats et discussions

Figure III.17 – Comparaison des émissions de GES avec et sans injection à cotées de la
puissance injectée dans le réseau.

Le but de ce mémoire était de démontrer l’importance de la gestion des flux énergétiques

dans les installations hybrides, en réduisant de manière tact et optimale les tarifs horaires
de la facture d’électricité quotidienne. Les résultats ont montré ostensiblement des avantages
économiques plus adéquats et pertinents par rapport à un système classique.
75 Chapitre III. Résultats et discussions

III.6 Conclusion
Dans ce chapitre, la stratégie de gestion des ressources énergétiques proposée a été appli-
quée au modèle de micro-réseau présenté au chapitre 2. Ce dernier se compose de générateurs
renouvelables, d’une micro-turbine et d’un système de stockage. La simulation nous a permis de
mettre en évidence qu’il était possible de satisfaire la consommation d’énergie en manipulant le
flux d’énergie issue de chaque source. En effet, ceci a permis de réduire de façon significative le
prix horaire de l’énergie payée et de pouvoir gérer les quantités d’énergies provenant de diverses
sources qui circulent dans le micro-réseau. Et par conséquent la facture électrique enregistrée
était la valeur minimum que le consommateur doit payer. Ces résultats renforcent la conviction
de l’obligation de mettre en place un système de gestion pour les installations micro-réseaux ou
hybride tout court. L’étude des différentes approches a clairement démontrée l’impact écono-
mique et écologique de l’injection d’énergie verte dans le réseau de distribution. Son importance
ne se résume pas seulement ici, mais est aussi une notion très importante envers l’adoption des
réseaux intelligents (Smartgrid). Les techniques PSO et AG ont étaient mises en œuvre dans ce
mémoire pour porter sur le processus d’optimisation. Les résultats de la simulation ont confirmé
que le PSO est la technique d’optimisation prometteuse en raison de sa capacité à atteindre
l’optimum global avec une simplicité relative et sa grande vitesse de convergence.
Conclusion générale
et perspectives
Conclusion générale et perspectives

Conclusion générale
Dans ce mémoire, nous avons proposé une stratégie de gestion utilisant le PSO et l’AG pour
un fonctionnement optimal des générateurs distribués du micro-réseau et une planification op-
timale de la consommation d’énergie de la charge tout en évaluant le coté écologique de ces
opérations. De cette manière le prix de tarification d’énergie horaire diminue jusqu’à l’obtention
de la facture énergétique la moins cher possible.

A cet effet, deux scénarios sont appliqués pour renforcer plus cette étude. Le premier re-
présente l’optimisation d’un micro-réseau sans injection dans le réseau. Ce dernier cherche les
meilleures consignes pour les générateurs distribués de manière à ce que la puissance horaire
demandée par la communauté soit assurée au coût le plus bas. La courbe de variation du coût
de fonctionnement énergétique obtenue au cours de la journée est remarquablement réduite
surtout lors des pics de consommation. Néanmoins, le surplus énergétique issue des générateurs
renouvelables est perdu par le délestage.

Le deuxième scénario permet de minimiser encore plus la facture énergétique quotidienne

en injectant le surplus d’énergie verte issue des générateurs renouvelables dans le réseau princi-
pal. L’étude de ce scénario a permis d’illustrer l’impact économique et écologique de l’échange
énergétique mutuel entre les micro-réseaux et les réseaux publics sans affecter le confort des
consommateurs. En plus, elle a justifié la forte nécessité de la mise en œuvre des stratégies
de gestions optimales dans les micro-réseaux. La comparaison des résultats des deux scéna-
rios montre une réduction des factures d’électricité journalière, une amélioration notable de la
production renouvelable et une réduction importante de l’émission des GES dans l’air. La com-
paraison entre les techniques PSO et AG a confirmé que le PSO est la technique d’optimisation
prometteuse en raison de sa capacité à atteindre l’optimum global avec une simplicité relative
et sa grande vitesse de convergence.
78 Conclusion générale et perspectives

Perspectives
L’amélioration qui peut être apportée à ce travail, serait d’inclure une stratégie de gestion
d’optimisation dont la fonction est multi-objective de telle sorte qu’en plus du coût d’exploi-
tation, les émissions de gaz à effet de serre des générateurs à combustibles fossiles soient si-
multanément minimisées. De cette manière, l’étude sera plus généralisée et touchera les aspects
fondamentaux des micro-réseaux et des énergies renouvelables. On peut aussi ajouter la stra-
tégie de planification en priorisant les différentes charges. Cette stratégie permet une gestion
plus fiable et plus souple de la consommation énergétique, sans forcément influencer le confort
des consommateurs. Et par conséquent, la facture énergétique diminue par la suite.
Références
bibliographiques
Bibliographie

[1] Stefan Weitemeyer, David Kleinhans, Thomas Vogt et Carsten Agert : Integration
of renewable energy sources in future power systems : The role of storage. Renewable
Energy, 75:14–20, 2015.
[2] Abdelfettah Kerboua, Fouad Boukli-Hacene, Khaldoon A Mourad et al. : Particle
swarm optimization for micro-grid power management and load scheduling. International
Journal of Energy Economics and Policy, 10(2):71–80, 2020.
[3] Mohamed A Mohamed, Ali M Eltamaly et Abdulrahman I Alolah : Pso-based smart
grid application for sizing and optimization of hybrid renewable energy systems. PloS one,
11(8):312–351, 2016.
[4] M Fadaee et MAM Radzi : Multi-objective optimization of a stand-alone hybrid rene-
wable energy system by using evolutionary algorithms : A review. Renewable and sustai-
nable energy reviews, 16(5):3364–3369, 2012.
[5] Sandra Yaleko Kongo : Logistique de l’installation et de l’exploitation des énergies
renouvelables en site isolé nordique. Thèse de doctorat, Université du Québec à Rimouski,
2016.
[6] IEA – international energy agency. [Siteweb], consulté le : Juillet 2020. URL :
https ://www.iea.org/.
[7] WEC – le conseil mondial de l’énergie. [Siteweb], consulté le : Juillet 2020. URL :
https ://www.worldenergy.org/.
[8] REN21 – ren21 renewables now. [Siteweb], consulté le : Juillet 2020. URL :
https ://www.ren21.net/.
[9] Nations Unies : Protocole de kyoto la convention-cadre des nations unies sur les change-
ments climatiques. Kyoto, Japon, 1998.
[10] L. Stoyanov : Etude de différentes structures de systémes hybrides a sources d’énergie
renouvelables. Thèse de doctorat, Univérsité Technique de Sofia, 2018.
81 BIBLIOGRAPHIE

[11] H. Adel : Stratégie de gestion multi énergie dans un systém hybride éolien-diesel-dispositif
de stockage. Thèse de doctorat, Univérsité de Quebec a Trois-riviéres, 2018.
[12] L. Chalal : Coordination de systémes multisources pour favoriser la production d’énergie
électrique Renouvelable. Thèse de doctorat, Université Lille 1, 2013.
[13] Ludmil Stoyanov : Etude de différentes structures de systèmes hybrides à sources d’éner-
gie renouvelables. Thèse de doctorat, Université De Corse Pasquale Paoli, 2011.
[14] B. Samer : Optimisation de dimensionnement d’un systéme hybride eolien/diesel auto-
nome. Thèse de doctorat, Université M’hamed Bougraa de Boumerdes, 2015.
[15] Azeddine Houari : Contribution à l’étude de micro-réseaux autonomes alimentés par des
sources photovoltaı̈ques. Thèse de doctorat, Université de Lorraine, 2012.
[16] Xiandong Ma, Yifei Wang et Jianrong Qin : Generic model of a community-based
microgrid integrating wind turbines, photovoltaics and chp generations. Applied energy,
112:1475–1482, 2013.
[17] Moataz Elsied, Amrane Oukaour, Hamid Gualous et Radwan Hassan : Gestion de
l’énergie et optimisation du système multisources basée sur l’algorithme génétique. 2014.
[18] Aqeel Ahmed Bazmi et Gholamreza Zahedi : Sustainable energy systems : Role of opti-
mization modeling techniques in power generation and supply—a review. Renewable and
sustainable energy reviews, 15(8):3480–3500, 2011.
[19] CG Justus : Wind energy statistics for large arrays of wind turbines (new england and
central us regions). Solar Energy, 20(5):379–386, 1978.
[20] Bogdan S Borowy et Ziyad M Salameh : Optimum photovoltaic array size for a hybrid
wind/pv system. IEEE Transactions on energy conversion, 9(3):482–488, 1994.
[21] Hanieh Borhanazad, Saad Mekhilef, Velappa Gounder Ganapathy, Mostafa
Modiri-Delshad et Ali Mirtaheri : Optimization of micro-grid system using mopso.
Renewable Energy, 71:295–306, 2014.
[22] Said Diaf, Djamila Diaf, Mayouf Belhamel, Mourad Haddadi et Alain Louche : A
methodology for optimal sizing of autonomous hybrid pv/wind system. Energy policy,
35(11):5708–5718, 2007.
[23] Yu Zhang, Nikolaos Gatsis et Georgios B Giannakis : Robust energy management for
microgrids with high-penetration renewables. IEEE transactions on sustainable energy,
4(4):944–953, 2013.
[24] Jeremy Lagorce : Modeling, design and optimization of power systems for decentralized
renewable energy-implementation of multi-agent systems for energy management. 2009.
82 BIBLIOGRAPHIE

[25] Changsong Chen, Shanxu Duan, Tong Cai, Bangyin Liu et Gangwei Hu : Smart energy
management system for optimal microgrid economic operation. renewable power genera-
tion, 5(3):258–267, 2011.
[26] Mehdi Motevasel et Ali Reza Seifi : Expert energy management of a micro-grid consi-
dering wind energy uncertainty. Energy Conversion and Management, 83:58–72, 2014.
[27] Marcos G Judewicz, Juan F Martı́nez, Jonatan R Fischer, Sergio A González et
Daniel O Carrica : Linear programming based mpc of a grid-connected vsi. In 2017
XVII Workshop on Information Processing and Control (RPIC), pages 1–6. IEEE, 2017.
[28] Abdenour Abdelli : Optimisation multicritère d’une chaı̂ne éolienne passive. Thèse de
doctorat, Institut National Polytechnique de Toulouse-INPT, 2007.
[29] Ronald A DeVore et Vladimir N Temlyakov : Some remarks on greedy algorithms.
Advances in computational Mathematics, 5(1):173–187, 1996.
[30] Frédéric Wurtz : Une nouvelle approche pour la conception sous contraintes de machines
électriques. Thèse de doctorat, Institut National Polytechnique de Grenoble-INPG, 1996.
[31] Abdelhak Ben Jemaa : Coopération méta heuristique et logique floue pour le dimension-
nement d’une installation hybride. Thèse de doctorat, Reims, 2015.
[32] Duy Long Ha : Un système avancé de gestion d’énergie dans le bâtiment pour coordonner
production et consommation. Thèse de doctorat, Institut Polytechnique de Grenoble, 2007.
[33] Rodolfo Dufo-López et José L Bernal-Agustı́n : Design and control strategies of
pv-diesel systems using genetic algorithms. Solar energy, 79(1):33–46, 2005.
[34] H Hameed Abdul-Mateen, Mohsen Taha Elhagri, Adel A Shaltout et Mohamed
M Abdel Aziz : Optimum sizing of hybrid wt/pv systems via open-space particle swarm
optimization. In 2012 Second Iranian Conference on Renewable Energy and Distributed
Generation, pages 55–60. IEEE, 2012.
[35] Charles Darwin : L’origine des espèces au moyen de la sélection naturelle ou la lutte pour
l’existence dans la nature. C. Reinwald, 1887.
[36] Mahamad Nabab Alam : Particle swarm optimization : Algorithm and its codes in matlab.
ResearchGate, 8:1–10, 2016.
[37] Faisal A Mohamed et Heikki N Koivo : Online management genetic algorithms of
microgrid for residential application. Energy Conversion and Management, 64:562–568,
2012.
Annexes
Annexe A

Les algorithmes
85 Chapitre A. Les algorithmes

A.1 Algorithme PSO

Algorithm 1: PSO
Input : Nj , Pload , Bpv , Beo , Bbat , Br , EF (t) f (Ppv , Peo , Pbat , Pr )
Output: Ppv , Peo , Pbat , Pr , EM (t), C(t)

1 Initialisation : npop , nit , nvar , c1 , c2 , ω, lb, ub

2 PSO ;
3 for i ← 1 to nit do
−−−−→
4 Initialisation : →
−
xi (t), −
x−→ → −
Best , vi (t), Gbest (t)

5 for j ← 1 to npop do
6
→
−
xi (t + 1) = →
−xi (t) + → −
vi (t + 1)
→
− →
− −−→ →
−
7 vi (t + 1) = c0 . vi (t) + c1 .r1 . Pi (t) − →
→
− −
xi (t) + c2 r2 (Gbest (t) − Pi (t))
8 if f (→
−
x (t)) < f (−
i x−→(t)) then
Best
→
−
xi (t)) = f (−x− →
9 Best (t)) // Evaluation de la position
−−−→
10 if f (−
x−→
Best (t)) < f (GBest ) then
−−→
11 f (Gbest ) = f (−x− →
Best (t)) // Evaluation du meilleur global
12 else
13 return
14 end if
15 else
16 return j = j + 1
17 end if
18 end for
−−→
19 Gsolution = f (Gbest ) // Meilleure solution de l’itération i
20 end for
21 return i = i + 1

A.2 Algorithme génétique

86 Chapitre A. Les algorithmes

Algorithm 2: Algorithme génétique

Input : Nj , Pload , Bpv , Beo , Bbat , Br , EF (t) f (Ppv , Peo , Pbat , Pr )
Output: Ppv , Peo , Pbat , Pr , EM (t), C(t)

1 Initialisation : npop , ngeneration , nit , nvar , ηcroisement , ηmutation , β, γ, σ, lb, ub

2 AG ;
3 for i ← 1 to nit do
4 Initialisation : →
−
xi (t) // Initialisation des chromosomes parents
5 for j ← 1 to npop do
6 Selection ;
7 CP rob = exp(−β ∗ c)
8 Croisement ;
9 for k ← 1 to ngeneration /2 do
10 P1 = Roulette(CP rob )
11 P2 = Roulette(CP rob )
12 (xk1 , xk2 ) = Croisement(P1 , P2 )
13 end for
14 Mutation ;
15 for l ← 1 to ngeneration do
16 xl = M utation(xk )
17 if f (xl ) < f (xBest ) then
18 xsolution = xl // Meilleur solution de l’intération l
19 else
20 return
21 end if
22 end for
23 npop = ngeneration
24 end for
25 Cost = f (xsolution ) // Meilleur prix de la meilleure solution
26 end for
27 return i = i + 1

Vous aimerez peut-être aussi

Dimensionnement Énergétique Hybride Optimal
Pas encore d'évaluation
Dimensionnement Énergétique Hybride Optimal
136 pages
Fichier Source Pfe La Gestion D'énergie en Présence de
Pas encore d'évaluation
Fichier Source Pfe La Gestion D'énergie en Présence de
77 pages
Memoire Final
Pas encore d'évaluation
Memoire Final
86 pages
These Sassia
Pas encore d'évaluation
These Sassia
218 pages
Memoire BOUHAFNA Khayreddine PDF
Pas encore d'évaluation
Memoire BOUHAFNA Khayreddine PDF
101 pages
Ing Chihab
Pas encore d'évaluation
Ing Chihab
95 pages
Memoire Fin Detude 2020ett
Pas encore d'évaluation
Memoire Fin Detude 2020ett
96 pages
These Gaga
Pas encore d'évaluation
These Gaga
163 pages
Injection d'énergie photovoltaïque dans un réseau
Pas encore d'évaluation
Injection d'énergie photovoltaïque dans un réseau
80 pages
Etude Technique D'un Système Énergétique Hybride A Base
Pas encore d'évaluation
Etude Technique D'un Système Énergétique Hybride A Base
57 pages
Thése Kheiter Amel
Pas encore d'évaluation
Thése Kheiter Amel
171 pages
Amélioration de la qualité d'énergie électrique
Pas encore d'évaluation
Amélioration de la qualité d'énergie électrique
82 pages
AKSAS - Bessam SELLAH - Roza
Pas encore d'évaluation
AKSAS - Bessam SELLAH - Roza
130 pages
Youghorta PDF
Pas encore d'évaluation
Youghorta PDF
108 pages
Etude Et Optimisation D'un Système PV en Utilisant Des MPPT À Base Des Algorithmes Intelligents
Pas encore d'évaluation
Etude Et Optimisation D'un Système PV en Utilisant Des MPPT À Base Des Algorithmes Intelligents
83 pages
MAHJOUBI
Pas encore d'évaluation
MAHJOUBI
172 pages
Etude D'un Système Hybride - 1
Pas encore d'évaluation
Etude D'un Système Hybride - 1
129 pages
Compensation Ameliorer Comportement Electrique
Pas encore d'évaluation
Compensation Ameliorer Comportement Electrique
137 pages
IA pour l'optimisation énergétique intelligente
Pas encore d'évaluation
IA pour l'optimisation énergétique intelligente
97 pages
Mémoire-Optimisation de L'emplacement Et La Taille Des Sources D'energie Renouvelable Dans Les Réseaux Electriques
100% (1)
Mémoire-Optimisation de L'emplacement Et La Taille Des Sources D'energie Renouvelable Dans Les Réseaux Electriques
111 pages
Contrôle des Micro-réseaux par Machine Learning
Pas encore d'évaluation
Contrôle des Micro-réseaux par Machine Learning
109 pages
ABDAT - Mohand Said Cheikh
Pas encore d'évaluation
ABDAT - Mohand Said Cheikh
90 pages
Mémoire de Fin D'Etudes
Pas encore d'évaluation
Mémoire de Fin D'Etudes
82 pages
Thèse Lakhdara
Pas encore d'évaluation
Thèse Lakhdara
143 pages
Mémoire
Pas encore d'évaluation
Mémoire
86 pages
Rapport de PFE Pour Le Jury
Pas encore d'évaluation
Rapport de PFE Pour Le Jury
86 pages
Memoire Fini 2 PDF
Pas encore d'évaluation
Memoire Fini 2 PDF
103 pages
Memoire: Master en Electrtechnique
Pas encore d'évaluation
Memoire: Master en Electrtechnique
79 pages
Optimisation Système Énergie Hybride
100% (1)
Optimisation Système Énergie Hybride
178 pages
Etude Et Optimisation D'un Système: Photovoltaïque
Pas encore d'évaluation
Etude Et Optimisation D'un Système: Photovoltaïque
67 pages
Memoire Finale 2020-1-1
Pas encore d'évaluation
Memoire Finale 2020-1-1
98 pages
Master Pfe
Pas encore d'évaluation
Master Pfe
79 pages
Impact des énergies renouvelables sur HTA
100% (1)
Impact des énergies renouvelables sur HTA
60 pages
Stockage Solaire: Turbine Hydroélectrique
Pas encore d'évaluation
Stockage Solaire: Turbine Hydroélectrique
62 pages
Correction Finele
Pas encore d'évaluation
Correction Finele
138 pages
IA pour Stabilité des Réseaux Électriques
Pas encore d'évaluation
IA pour Stabilité des Réseaux Électriques
89 pages
Memoire PV 25 06 2023 Final 2
Pas encore d'évaluation
Memoire PV 25 06 2023 Final 2
83 pages
Étude d'un système de pompage photovoltaïque
Pas encore d'évaluation
Étude d'un système de pompage photovoltaïque
112 pages
Ous Sam Am Alaoui M Moire de Master
Pas encore d'évaluation
Ous Sam Am Alaoui M Moire de Master
73 pages
Memoires D'ingénieur
Pas encore d'évaluation
Memoires D'ingénieur
78 pages
Thése MEDDOUR Sami
Pas encore d'évaluation
Thése MEDDOUR Sami
142 pages
Kheder - Nazim Ladjal - Loukmane
Pas encore d'évaluation
Kheder - Nazim Ladjal - Loukmane
118 pages
Memoire de Master
Pas encore d'évaluation
Memoire de Master
98 pages
Commande Dun Systheme PV Par L IA
Pas encore d'évaluation
Commande Dun Systheme PV Par L IA
118 pages
DERBAL Massinissa
Pas encore d'évaluation
DERBAL Massinissa
50 pages
2021 Ghanjati Chaima These
Pas encore d'évaluation
2021 Ghanjati Chaima These
164 pages
1 - Etude Et Simulation Dun Systeme Dalimentation Sans Interruption (Memoire)
100% (1)
1 - Etude Et Simulation Dun Systeme Dalimentation Sans Interruption (Memoire)
97 pages
These Mekki Mounira
Pas encore d'évaluation
These Mekki Mounira
105 pages
Etude Et Redimensionnement de La Station de Pompage D'eau de Groupe CEVITAL A IBOURASSEN (Béjaia) PDF
Pas encore d'évaluation
Etude Et Redimensionnement de La Station de Pompage D'eau de Groupe CEVITAL A IBOURASSEN (Béjaia) PDF
134 pages
Mémoire Ramli
Pas encore d'évaluation
Mémoire Ramli
138 pages
Contribution À La Commande Intelligente D'un Système Photovoltaïque Hybride
Pas encore d'évaluation
Contribution À La Commande Intelligente D'un Système Photovoltaïque Hybride
190 pages
Abeddou Soumaya 2
Pas encore d'évaluation
Abeddou Soumaya 2
64 pages
Station de Mesure IoT Pour La Surveillance Des Données D'un
Pas encore d'évaluation
Station de Mesure IoT Pour La Surveillance Des Données D'un
51 pages
Memoire - 27 09 2020
Pas encore d'évaluation
Memoire - 27 09 2020
89 pages
Memoire de Fin D'Étude: Étude Et Simulation D'Une Micro-Centrale Hydroelectrique
Pas encore d'évaluation
Memoire de Fin D'Étude: Étude Et Simulation D'Une Micro-Centrale Hydroelectrique
67 pages
Gestion énergétique éolien-photovoltaïque
Pas encore d'évaluation
Gestion énergétique éolien-photovoltaïque
99 pages
Thème: Analyse Et Amélioration de La Qualité de L'énergie Électrique
Pas encore d'évaluation
Thème: Analyse Et Amélioration de La Qualité de L'énergie Électrique
97 pages
Optimisation Système Solaire-Hydroélectrique
Pas encore d'évaluation
Optimisation Système Solaire-Hydroélectrique
83 pages
Thse - Hanaa Hachimi
Pas encore d'évaluation
Thse - Hanaa Hachimi
134 pages
Art20-3 12
Pas encore d'évaluation
Art20-3 12
7 pages
453 1627 Et73
Pas encore d'évaluation
453 1627 Et73
50 pages
Oudraneetal 2017ElWahat
Pas encore d'évaluation
Oudraneetal 2017ElWahat
15 pages
(Michael Aupetit) Approches Topologiques Pour L'analyse Exploratoire de Données Et L'aide À La Décision HDR - MichaelAUPETIT - CR
Pas encore d'évaluation
(Michael Aupetit) Approches Topologiques Pour L'analyse Exploratoire de Données Et L'aide À La Décision HDR - MichaelAUPETIT - CR
114 pages
GSMA Mobile-Policy-Handbook 2019 FR
Pas encore d'évaluation
GSMA Mobile-Policy-Handbook 2019 FR
230 pages
Télécommunications et Réseaux Électriques
Pas encore d'évaluation
Télécommunications et Réseaux Électriques
5 pages
Convergence Électricité-Télécom Afrique
Pas encore d'évaluation
Convergence Électricité-Télécom Afrique
36 pages
Créez un Cahier de Charges Efficace
100% (1)
Créez un Cahier de Charges Efficace
2 pages
Liste Des Projets Tutores 2016 2023
Pas encore d'évaluation
Liste Des Projets Tutores 2016 2023
5 pages
Rapport La Négociation Internationale Final
Pas encore d'évaluation
Rapport La Négociation Internationale Final
61 pages
Logement Moderne et Famille Urbaine
Pas encore d'évaluation
Logement Moderne et Famille Urbaine
25 pages
Transformation Numérique en Entreprise
Pas encore d'évaluation
Transformation Numérique en Entreprise
2 pages
00012-TAP Art. OSONGO OKONGAKOYI Marcel
Pas encore d'évaluation
00012-TAP Art. OSONGO OKONGAKOYI Marcel
23 pages
Exercices Corrigés en Contrôle de Gestion
Pas encore d'évaluation
Exercices Corrigés en Contrôle de Gestion
57 pages
Support Cours N°2 - Théorie Des Organisations - Pr. Yassine Belyagou (FPE - UMI)
Pas encore d'évaluation
Support Cours N°2 - Théorie Des Organisations - Pr. Yassine Belyagou (FPE - UMI)
15 pages
Tout Savoir Sur Les Concours D'inspection Générale Des Banques
Pas encore d'évaluation
Tout Savoir Sur Les Concours D'inspection Générale Des Banques
3 pages
Pedologie SGM
Pas encore d'évaluation
Pedologie SGM
20 pages
Est-Ce Réel ? Phénoménologies de L'imaginaire Par Annabelle Dufourcq
Pas encore d'évaluation
Est-Ce Réel ? Phénoménologies de L'imaginaire Par Annabelle Dufourcq
306 pages
Cours de Structure Métallique: Concepts et Dimensionnement
Pas encore d'évaluation
Cours de Structure Métallique: Concepts et Dimensionnement
69 pages
C4 L'Adjectif Qualificatif
100% (2)
C4 L'Adjectif Qualificatif
14 pages
Devoir de Synthèse N°1 1er Semestre - Math - 3ème Economie & Gestion (2018-2019) MR Taieb Gharbi
Pas encore d'évaluation
Devoir de Synthèse N°1 1er Semestre - Math - 3ème Economie & Gestion (2018-2019) MR Taieb Gharbi
3 pages
Guide Pedagogique de La Student Academy
Pas encore d'évaluation
Guide Pedagogique de La Student Academy
54 pages
Travaux Dirigés sur le Transfert de Chaleur
Pas encore d'évaluation
Travaux Dirigés sur le Transfert de Chaleur
48 pages
Dimensionnement d'une dalle en béton armé
Pas encore d'évaluation
Dimensionnement d'une dalle en béton armé
21 pages
COURS IOT SUPTECH - Edited - PPTX - Removed
Pas encore d'évaluation
COURS IOT SUPTECH - Edited - PPTX - Removed
24 pages
Guide des Pronoms COD et COI en Français
Pas encore d'évaluation
Guide des Pronoms COD et COI en Français
6 pages
Corrigé-Type D BAC1 BLANC NATIONAL
Pas encore d'évaluation
Corrigé-Type D BAC1 BLANC NATIONAL
7 pages
Exercices de Génétique Formelle 7D
Pas encore d'évaluation
Exercices de Génétique Formelle 7D
4 pages
WP 120730 Simulateurevoluedeprocessusindustriels ASIMA
Pas encore d'évaluation
WP 120730 Simulateurevoluedeprocessusindustriels ASIMA
4 pages
Bupsy 0007-4403 2000 Num 53 448 14939 t1 0513 0000 3
Pas encore d'évaluation
Bupsy 0007-4403 2000 Num 53 448 14939 t1 0513 0000 3
3 pages
L'audit Interne
Pas encore d'évaluation
L'audit Interne
376 pages
Randonnée Belvédère de las Buitreras
Pas encore d'évaluation
Randonnée Belvédère de las Buitreras
4 pages
Produit Scalaire et Calcul Vectoriel
Pas encore d'évaluation
Produit Scalaire et Calcul Vectoriel
26 pages
Inj BAHA HAKIM PDF
Pas encore d'évaluation
Inj BAHA HAKIM PDF
143 pages
GRHH
Pas encore d'évaluation
GRHH
204 pages
Lot 01 Plan Bibliotheque
Pas encore d'évaluation
Lot 01 Plan Bibliotheque
52 pages