‫وزارة اﻟﺘﻌــــﻠﻴﻢ اﻟﻌــــﺎﻟﻲ و اﻟــﺒﺤﺚ اﻟــــﻌﻠﻤﻲ‬

Ministère de l’Enseignement Supérieur et de la Recherche Scientifique

UNIVERSITE DE BATNA
FACULTE DES SCIENCES DE L’INGENIEUR
DEPARTEMENT D’ELECTROTECHNIQUE

Thèse
Présentée à la Faculté des Sciences de l’Ingénieur
Département d'Electrotechnique
Pour L'Obtention du Diplôme de

Doctorat en sciences

Option : Electrotechnique

Par

Mme SLIMANI Linda

Magister en Electrotechnique Option : Réseaux Electriques
THEME

Contribution à l’application de l’optimisation par des méthodes

métaheuristiques à l’écoulement de puissance optimal dans un

environnement de l’électricité dérégulé.

Soutenue le : 22/12/2009, devant la commission d’examen :

Mohamed KADJOUDJ Prof. à l’Université El Hadj Lakhdar de Batna Président

Tarek BOUKTIR M.C. à l’Université Farhat Abbes de Sétif Rapporteur
Amar GOLEA Prof. à l’Université Mohamed Khider de Biskra Examinateur
Achour BETKA M.C. à l’Université Mohamed Khider de Biskra Examinateur
A/Aziz CHAGHI M.C. à l’Université El Hadj Lakhdar de Batna Examinateur
Khaled CHIKHI M.C. à l’Université El Hadj Lakhdar de Batna Examinateur

2008/2009
 Remerciements

Je tiens à remercier vivement mon encadreur DR. TAREK BOUKTIR qui a manifesté son entière

disponibilité pour mon encadrement, et n’a ménagé aucun effort pour l’aboutissement de ce

travail.

Je remercie également PROF. M. KADJOUDJ (président de jury) et les membres du jury (PROF.

A. GOLEA, DR. A. BETKA, DR. A. CHAGHI, et DR.K. CHIKHI) de l’intérêt dont ils font

preuve à mon égard pour lire ce mémoire et en assistant à ma soutenance.

Mes profonds remerciements à:

• L’ensemble des enseignants qui ont participé à ma formation.

• Tous les responsables des trois départements d’Electrotechnique à Batna, Setif et Oum El-

Bouaghi.

• Tous ceux qui ont contribué de prés ou de loin à l’élaboration de cette thèse de doctorat surtout

les deux doctorants Rafik Labdani et Nadhir Ketfi.

Je remercie également ma famille et toutes mes amies. Surtout Ma Mère Salima, Mon père Ammar,

mon beau père Abdelouahab dit « El Hadj El Hocine », mon fils Ziad et mes deux filles Manal

Khadidja et Salsabul.

Malheureusement je crains d’oublier de citer certaines personnes; j’espère qu’elles ne m’en tiendront

pas grief, et je peux leur assurer qu’elles ont une place particulière dans mon cœur.
 Liste des symboles et abréviations

Vk Module de tension au jeu de barres k

θk Angle de tension au jeu de barres k
θkm Différence entre les angles de tension des jeux de barres k et m
tkm Prise du transformateur entre deux jeux de barres k et m
αkm Angle de phase du transformateur entre deux jeux de barres k et m
PGk Puissance active générée au jeu de barres k
QGk Puissance réactive générée au jeu de barres k
Pk Puissance active injectée au jeu de barres k
Qk Puissance réactive injectée au jeu de barres k
Pkm Transit de puissance active du jeu de barres k vers le jeu de barres m
Qkm Transit de puissance réactive du jeu de barres k vers le jeu de barres m
Skm Transit de puissance apparente du jeu de barres k vers le jeu de barres m
ng Nombre de générateurs interconnectés
Y Matrice admittance
bkm Un élément de la partie imaginaire de la matrice admittance du réseau
gkm Un élément de la partie réel de la matrice admittance du réseau
ykm Module d’un élément de la matrice admittance du réseau
δkm Angle de phase d’un élément de la matrice admittance du réseau
F( ) Fonction objective
g( ) Contraintes d’égalités
h( ) Contraintes d’inégalités
L( ) Fonction de Lagrange ou le Lagrangien
∇L( ) Gradient de Lagrangien
H() Matrice hessienne
[ ]
J (fk ) vecteur ligne du jacobéen de la fonction f(x).
[B'] matrice suscèptance nodale de dimension (n× n).
ai, bi,
Coefficients de la courbe du coût quadratique du générateur i
et ci
Xmax Signifié une limite maximale sur un variable
Xmin Signifié une limite minimale sur un variable
λ En général, c’est un multiplicateur de Lagrange pour les contraintes d’égalités
μ En général, c’est un multiplicateur de Lagrange pour les contraintes d’inégalités
τ Concentration en phéromone
τ0 Niveau de phéromone initial
ρ Taux d’évaporation de la phéromone
Paramètre qui contrôle le ratio entre l’importance de la phéromone et de la
β
visibilité
ηij Visibilité de la fourmi
q0 Paramètre qui contrôle le ratio entre exploitation et exploration
Psi probabilité de sélection
G
vk vitesse d’une particule à l’itération k
G
w Coefficient d’inertie d’une particule
G
pbest Meilleure position d’une particule
( pG gbest ) Meilleure position de tout l’essaim
G
r1 Nombres aléatoire avec une répartition uniforme entre 0 et 1.
IC Le coût incrémental.
N-R Newton-Raphson
Q-N Quasi-Newton
OPF Optimal Power Flow (Ecoulement de Puissance Optimal)
AG Algorithmes Génétiques
OCF Optimisation par colonie de fourmis
ACO Ant Colony Optimiation
BFGS Broyden-Fletcher-Goldfarb-Shanno
ACS Ant Colony System
AS Ant System
 Contribution to the Application of metaheuristic methods to the optimal power flow in a
deregulated electricity Market
Abstract
This thesis presents the methodology used in the development of an Optimal Power Flow (OPF)
program using three metaheuristic methods (Particle Swarm Optimisation (PSO) Ant Colony
Optimisation (ACO), & Genetic Algorithm (GA)). The objective is to minimise the fuel cost and keep
the power outputs of generators, bus voltages, shunt capacitors/reactors and transformers tap-setting
in their secure limits. It is recommended to indicate that in large-scale system the number of
constraints is very large consequently the ACO accomplished in a large CPU time. To save an
important CPU time, the constraints are to be decomposing in active constraints and reactive ones.
The active constraints are the parameters whose enter directly in the cost function and the reactive
constraints are infecting the cost function indirectly. With this approach, only the active constraints are
taken to calculate the optimal solution set. And the reactive constraints are taking in an efficient load
flow by recalculate active power of the slack bus. This thesis presents also the application of the
metaheuristic methods to determine the commitment order of the thermal units in power generation
in deregulated environment. The metaheuristic methods are more likely to converge toward the global
solution because its, simultaneously, evaluate many points in the parameter space. Its do not need to
assume that the search space is differentiable or continuous. The proposed methods are tested on 30
Bus system and Algerian electrical Network. The result of these methods is compared with those
obtained from classical methods. The metaheuristics appear to be global methods since it converge to
the solution from almost any starting point and give a secure control vector.

Keywords: Optimal Power Flow, Power Systems, Economic Dispatch, Pollution Control, NOx
emission, Metaheuristic, Particle Swarm Optimisation, Ant Colony Optimisation, Genetic
Algorithm, unit commitment.
 Contribution à l’application de l’optimisation par des méthodes
métaheuristiques à l’écoulement de puissance optimal dans un
environnement de l’électricité dérégulé.
Résumé
La contribution principale de cette thèse est l'Application de trois techniques métaheuristiques :
l’optimisation par Essaims de Particules (PSO), les algorithmes de colonies de fourmis (ACO) et les
algorithmes génétiques (AG) pour résoudre le problème d’optimisation de l’écoulement de puissance
dans un environnement régulé ou dérégulé. Différentes fonctions objectives ont été utilisées à savoir :
optimisation de l’écoulement de puissance avec et sans pollution, minimisation de coût de production
de l’énergie électrique en tenant compte des pertes de puissance active et les déviations des tensions
aux niveaux des jeux de barres de charge, détermination de l’état optimal de chaque générateur
interconnecté dans le réseau électrique durant 24 h et la détermination du profit maximal des
compagnies d’électricité dans un marché d’électricité libéré. L’application de l’optimisation de
l’écoulement de puissance par les méthodes classiques et métaheuristiques sur le réseau IEEE 30 jeux
de barres ainsi que le réseau Algérien montre l’efficacité de méthodes métaheuristiques. On remarque
aussi qu’avec les méthodes métaheuristiques on peut trouver un vecteur solution optimal global ou
quasi-optimal en utilisant seulement les informations sur les fonctions objectives.

Mots clés: Optimisation de l’écoulement de puissance, Marché d’électricité libre, Méthodes

métaheuristiques, Optimisation par essaims de particules (PSO), Algorithmes de colonies de
fourmis (ACO), les algorithmes génétiques (AG), Commutation des unités de production.
 Liste des Figures

Figure1.1 Caractéristique entrée-sortie d’une unité de production .................................................................................................. - 8 -

Figure1.2 Limites thermiques, de tension et de stabilité de synchronisme des lignes de transport en fonction du niveau de tension
et de leur longueur [15].................................................................................................................................................................... - 12 -
Figure 1.3 Schéma unifilaire du réseau électrique IEEE 30-bus.................................................................................................... - 21 -
Figure 1.4 Courbes quadratiques des générateurs du réseau IEEE 30-bus .................................................................................... - 22 -
Figure 1.5 Puissances actives générées optimales par QN-OPF pour les trois cas........................................................................ - 29 -
Figure 1.6 Puissances transmises dans les lignes pour les trois cas par QN-OPF ........................................................................ - 29 -
Figure 1.7 Convergence OPF par la méthode de Quasi Newton pour les trois cas ....................................................................... - 29 -
Figure 1.8 Niveaux de tensions du réseau test IEEE 30-bus après convergence de la méthode de QN-OPF pour les trois cas.. - 30 -
Figure 1.9 Comparaison des différents résultats QN-OPF de point de vue coût, pertes et temps de convergence pour les trois cas .-
30 -
Figure 1.10 Approximation linéaire de la courbe du coût par 3 segments de droites................................................................... - 31 -
Figure 1.11 Puissances actives pour les trois cas du réseau IEEE 30-bus par SLP-OPF ............................................................. - 38 -
Figure 1.12 Comparaison des différents résultats SLP-OPF de point de vue coût, pertes et temps de convergence pour les trois cas
........................................................................................................................................................................................................... - 38 -
Figure 1.13 Niveaux de tensions du réseau test IEEE 30-bus après convergence pour les trois cas par la méthode SLP-OPF. - 39 -
Figure 1.14 Variation de la fonction coût par SLP OPF pour les trois cas sur IEEE 30-bus ........................................................ - 39 -
Figure 1.15 Puissances transmises dans les lignes pour les trois cas par SLP-OPF ..................................................................... - 40 -
Figure 1.16 Puissances actives par IP-OPF pour les trois cas ........................................................................................................ - 45 -
Figure 1.17 Variation de la fonction coût durant le processus d’optimisation IP-OPF avec limites appliquées sur les lignes du
réseau 30 Bus.................................................................................................................................................................................... - 45 -
Figure 1.18 Niveaux de tensions du réseau test IEEE 30-bus après convergence de la méthode IP-OPF pour les trois cas....... - 45 -
Figure 1.19 Puissances transmises dans les lignes pour les trois cas par la méthode IP-OPF ..................................................... - 46 -
Figure 1.20 Comparaison des différents résultats IP-OPF de point de vue coût, pertes et temps de convergence pour les trois cas .-
46 -
Figure 1.21 Puissances transmises dans les lignes pour le troisième cas du réseau IEEE 30-bus après convergence des trois
méthodes QN, SLP et IP .................................................................................................................................................................. - 48 -
Figure 1.22 Niveaux de tensions du réseau test IEEE 30-bus après convergence des trois méthodes QN, SLP et IP................ - 48 -
Figure 1.23 Convergences aux valeurs optimales pour le 3 ème cas trouvées par les trois méthodes QN, SLP et IP.................- 49 -
Figure 1.24 Comparaison des valeurs optimales des puissances actives générées trouvées par les trois méthodes QN, SLP et IP....-
49 -
Figure 1.25 Comparaison des valeurs optimales des coûts, des pertes et le temps de convergence trouvés par les trois méthodes
QN, SLP et IP. .................................................................................................................................................................................. - 49 -
Figure 1.26 Comparaison des valeurs optimales des puissances actives générées trouvées par IP-OPF dans le cas de
l’augmentation de la charge ............................................................................................................................................................. - 50 -
Figure 1.27 Puissances transmises dans les lignes du réseau IEEE 30-bus après convergence de la méthode IP-OPF dans le cas de
l’augmentation de la charge. ............................................................................................................................................................ - 50 -
Figure 1.28 Comparaison des valeurs optimales des coûts, des pertes, le temps de convergence et nombre d’itérations trouvées
par IP dans le cas de l’augmentation de la charge .......................................................................................................................... - 51 -
Figure 2.1 Des fourmis suivant une piste de phéromone. ..................................................................................................... - 57 -
Figure 2.2 Expérience de sélection des branches les plus courtes par une C.F .................................................................... - 57 -
Figure 2.3 Le problème du voyageur de commerce optimisé par l’algorithme AS. ............................................................ - 60 -
Figure 2.4 Pistes de phéromone peuvent être associées (a) aux composants (b) ou aux connexions................................. - 66 -
Figure 2.5 Organigramme de l’ACO-OPF............................................................................................................................. - 68 -
Figure 2.6 Espace de recherche multi-phases ........................................................................................................................ - 68 -
Figure 2.7 Niveaux de tensions du réseau IEEE 30 bus résultants de la minimisation bi-objectif (coût/Emission) par ACO-
OPF pour les 11 cas.......................................................................................................................................................................... - 73 -
Figure 2.8 les angles de tensions du réseau IEEE 30 bus après la minimisation bi-objectif (coût /Emission) par ACO-OPF
pour les 11 cas. - 73 -
Figure 2.9 Front de Pareto coût /Emission pour les 11 cas. .................................................................................................. - 74 -
Figure 2.10 Croisement en codage binaire............................................................................................................................... - 79 -
Figure 2.11 Mutation simple .................................................................................................................................................... - 79 -
Figure 2.12 Organigramme des Algorithmes génétiques ........................................................................................................ - 87 -
Figure 2.13 Niveaux de tensions du réseau IEEE 30 bus résultantes de la minimisation bi-objectif (coût /Emission) par RGA-
OPF pour les 11 cas.......................................................................................................................................................................... - 90 -
Figure 2.14 Angles de phase du réseau test résultantes de la minimisation bi-objectif( coût/émission) par RGA-OPF pour les
11 cas. - 90 -
Figure 2.15 Le cercle virtuel pour un essaim de sept particules. ............................................................................................ - 94 -
Figure 2.16 Schéma de principe du déplacement d’une particule........................................................................................... - 95 -
Figure 2.17 Trois topologies du voisinage différentes. ........................................................................................................... - 96 -
Figure 2.18 Organigramme de la méthode PSO. ..................................................................................................................... - 97 -
Figure 2.19 Effet des paramètres de la méthode PSO sur les résultats de l’OPF ................................................................... - 98 -
Figure 2.20 Comparaison entre GA et PSO pour les amplitudes des tensions.....................................................................- 101 -
Figure 2.21 Comparaison entre GA et PSO pour les angles des tensions ............................................................................- 101 -
Figure 2.2 Expérience de sélection des branches les plus courtes par une C.F .................................................................... - 57 -
Figure 2.3 Le problème du voyageur de commerce optimisé par l’algorithme AS. ............................................................ - 60 -
Figure 2.4 Pistes de phéromone peuvent être associées (a) aux composants (b) ou aux connexions................................. - 66 -
Figure 2.5 Organigramme de l’ACO-OPF............................................................................................................................. - 68 -
Figure 2.6 Espace de recherche multi-phases ........................................................................................................................ - 68 -
Figure 2.7 Niveaux de tensions du réseau IEEE 30 bus résultants de la minimisation bi-objectif (coût/Emission) par ACO-
OPF pour les 11 cas.......................................................................................................................................................................... - 73 -
Figure 2.8 les angles de tensions du réseau IEEE 30 bus après la minimisation bi-objectif (coût /Emission) par ACO-OPF
pour les 11 cas. - 73 -
Figure 2.9 Front de Pareto coût /Emission pour les 11 cas. .................................................................................................. - 74 -
Figure 2.10 Croisement en codage binaire............................................................................................................................... - 79 -
Figure 2.11 Mutation simple .................................................................................................................................................... - 79 -
Figure 2.12 Organigramme des Algorithmes génétiques ........................................................................................................ - 87 -
Figure 2.13 Niveaux de tensions du réseau IEEE 30 bus résultantes de la minimisation bi-objectif (coût /Emission) par RGA-
OPF pour les 11 cas.......................................................................................................................................................................... - 90 -
Figure 2.14 Angles de phase du réseau test résultantes de la minimisation bi-objectif( coût/émission) par RGA-OPF pour les
11 cas. - 90 -
Figure 2.15 Le cercle virtuel pour un essaim de sept particules. ............................................................................................ - 94 -
Figure 2.16 Schéma de principe du déplacement d’une particule........................................................................................... - 95 -
Figure 2.17 Trois topologies du voisinage différentes. ........................................................................................................... - 96 -
Figure 2.18 Organigramme de la méthode PSO. ..................................................................................................................... - 97 -
Figure 2.19 Effet des paramètres de la méthode PSO sur les résultats de l’OPF ................................................................... - 98 -
Figure 2.20 Comparaison entre GA et PSO pour les amplitudes des tensions.....................................................................- 101 -
Figure 2.21 Comparaison entre GA et PSO pour les angles des tensions ............................................................................- 101 -
Figure 2.22 Niveaux de tensions du réseau test résultante de la minimisation bi-objectif( coût/émission) par PSO-OPF pour
les 11 cas. - 103 -

Figure 3.1 Ancienne structure verticalement intégrée du secteur de l’électricité ..............................................................107

Figure 3.2 Séparation des activités de production, transport et distribution ......................................................................108
Figure 3.3 Principe de fonctionnement d’un marché pool..................................................................................................110
Figure 3.4 Détermination du prix d’équilibre. ....................................................................................................................121
Figure 3.5 Puissances transportées dans les lignes avec contraintes ..................................................................................129
Figure 3.6 Prix spot dans les jeux de barres du réseau IEEE 30-Bus dans les deux cas....................................................130
Figure 3.7 Répartition de la puissance produite par SPE par origine pour 2008 en %......................................................131
Figure 3.8 : PMA pour juin 2008 et juin 2009 Figure 3.9 : répartition de la puissance produite par SPE par
origine pour 2008 131
Figure 3.10 Figure 3.10 Production des SPE et IPP pour l’année 2008 en GWH et en %.................................................132
Figure 3.11 : Production des IPP pour l’année 2008 en GWH et en %................................................................................132
Figure 3.12 Schéma unifilaire du réseau de production et transport algérien ......................................................................133
Figure 3.13 Niveaux de tension du réseau Algérien 59 jeux de barres (par N-R) ...............................................................134
Figure 3.14 Tensions (modules et angles) du réseau Algérien après convergence de la méthode IP .................................135
Figure 3.15 Puissances générées optimales trouvées dans le cas d’un prix d’offre égale le coût de production ...............136
Figure 3.16 Prix spot nodal en $/MWh du réseau IEEE 30-Bus pour les différentes valeurs de prix d’offre...................139
Figure 3.17 Les prix spot nodal de réseau Algérien avec deux charges flexibles dans les trois cas ..................................141
Figure 3.18 Les Modules des tensions de réseau Algérien avec deux charges flexibles .....................................................142
Figure 3.19 Les phases de tensions de réseau Algérien avec deux charges flexibles ..........................................................142
Figure 3.20 Les puissances transmises dans le de réseau Algérien avec deux charges flexibles dans les trois cas … .....142
Figure 3.21 Représentation de chaque particule dans l’essaim ............................................................................................145
Figure 3.22 Profil de la charge du réseau algérien sur un intervalle de 24 h .......................................................................147
Figure 3.23 Les puissances générées et les limites min max du réseau algérien sur 24 h ...................................................148
Figure 3.24 Les valeurs optimales des puissances générées pour le type 1 et le type 2 de la réserve ................................155
Figure 3.25 Les valeurs optimales des puissances réserves pour le type 1 de la réserve ....................................................155
Figure 3.26 Les valeurs optimales des puissances réserves pour le type 2 de la réserve ....................................................156
Figure 3.27 Profit des unités de production pour les deux types de réserve ........................................................................156
 Liste des Tableaux

Tableau 1.1 Données des fonctions coût des 6 générateurs du réseau IEEE 30-bus.....................................- 21 -
Tableau 1.2 Résultats du dispatching par la méthode de Lambda sur le réseau IEEE 30-bus. .....................- 23 -
Tableau 1.3 Limites max.des puissances transmises dans les lignes 1, 2 et 5 selon les trois cas ..................- 28 -
Tableau 2.1 Les paramètres constants de l’algorithme ACO ...........................................................................- 64 -
Tableau 2.2 Gammes des paramètres variables de l’ACO ...............................................................................- 64 -
Tableau 2.3 les dix combinaisons des paramètres d’ACO ...............................................................................- 65 -
Tableau 2.4 Les résultats de l’ACO-OPF pour les 10 ensembles de paramètres β, ρ et q0 (réseau 30bus) .......- 70 -
Tableau 2.5 Comparaison des résultats obtenus par ACO-OPF et IP-OPF (IEEE 30 bus)...............................- 70 -
Tableau 2.6 Les coefficients d’émission de gaz toxique des 6 générateurs du réseau 30 bus ...........................- 71 -
Tableau 2.7 Les résultats d’ACO pour les 11 cas appliqués sur le réseau IEEE 30 bus ( .................................- 72 -
Tableau 2.8 Comparaison des résultats obtenus par GA-OPF et ACO-OPF pour le réseau IEEE 30 bus. .......- 88 -
Tableau 2.9 Les résultats du coût minimal par GA avec codage réel (.............................................................- 89 -
Tableau 2.10 La comparaison des résultats du GA avec PSO ..................................................................... - 100 -
Tableau 2.11 Les résultats du coût minimal par PSO ( ............................................................................... - 102 -
Tableau 2.12 La comparaison entre PSO et AG ......................................................................................... - 104 -

Tableau 3.1 Résultats d’optimisation par OPF dans un marché spot avec limites sur les lignes selon deux
cas ............................................................................................................................................ 129
Tableau 3.2 Paramètres des générateurs du réseau 59 jeux de barres de Sonelgaz.................................... 133
Tableau 3.3 Comparaison des résultats d’OPF par ACO, GA, PSO & IP sur le réseau Algérien ............. 135
Tableau 3.4 Prix nodaux du réseau algérien dans le cas où le prix spot=coût de production...........................
............................................................................................................................................ 137
Tableau 3.5 Répartition par nœud d'injection et de soutirage des plans de vente et d'achat pour un prix égale
le coût de production............................................................................................................................................ 137
Tableau 3.6 Résultats d’optimisation des différents prix d’offre .............................................................. 138
Tableau 3.7 Données des deux charges élastiques ................................................................................... 139
Tableau 3.8 Résultats d’optimisation dans le cas des charges flexibles selon 3 cas .................................. 140
Tableau 3.9 La variation de la fonction coût durant le processus d’optimisation OPF dans les 3 cas ..... 141
Tableau 3.10 Puissance délivrée par les dix générateurs du réseau Algérien après convergence du PSO-OPF .
147
Tableau 3.11 Données techniques et économiques des dix générateurs du réseau test Algérien: ................ 153
Tableau 3.12 Prix spot et prix de réserve durant 24 heures ........................................................................ 154
Tableau 3.13 Résultats économiques des deux cas du marché de réserve................................................... 157
 Sommaire
Chapitre 1 : Ecoulement de Puissance Optimal par les méthodes classiques
1.1. Introduction................................................................................................................................................ - 7 -
1.2. Caractéristiques des systèmes électriques:................................................................................................. - 7 -
1.3. Formulation du problème de l'écoulement de puissance optimal............................................................. - 13 -
1.4. Dispatching économique.......................................................................................................................... - 15 -
1.5. Ecoulement de Puissance Optimal (OPF) ................................................................................................ - 23 -
1.6. OPF par la méthode de programmation linéaire (LP) .............................................................................. - 31 -
1.7. Application de SLP sur le réseau IEEE 30-bus........................................................................................ - 37 -
1.8. Méthode quadratique séquentielle ........................................................................................................... - 40 -
1.9. Comparaison entre les trois méthodes classiques: ................................................................................... - 47 -
1.10. Conclusion: .............................................................................................................................................. - 51 -
Chapitre 2 : Les méthodes métaheuristiques appliquées à l’OPF
2.1. Introduction - 52 -
2.2. Principe des méthodes métaheuristique les plus répondues - 52 -
2.2.1 Voisinage ............................................................................................................................................ - 52 -
2.2.2 Cadre des métaheuristiques................................................................................................................. - 53 -
2.3. Les algorithmes de colonies de fourmis - 53 -
2.3.1. Les fourmis réelles ......................................................................................................................... - 53 -
2.3.1.1. L’intelligence collective des fourmis............................................................................................... - 54 -
2.3.1.2. La communication............................................................................................................................ - 55 -
2.3.2. Les fourmis artificielles.................................................................................................................. - 56 -
2.3.2.1. Les algorithmes de colonies de fourmis........................................................................................... - 56 -
2.3.2.2. Optimisation naturelle : pistes de phéromones................................................................................ - 56 -
2.3.3. Optimisation par colonies de fourmis et problème du voyageur de commerce.............................. - 58 -
2.3.4. Algorithme de base......................................................................................................................... - 58 -
2.3.6. Variantes du système de Fourmis................................................................................................... - 60 -
2.3.6. Organisation de la métaheuristique ................................................................................................ - 62 -
2.3.6.1. Phéromones et mémoire................................................................................................................... - 62 -
2.3.6.2. Intensification/diversification........................................................................................................... - 63 -
2.3.6.3. Les paramètres optimales des algorithmes de colonies de fourmis ................................................ - 64 -
2.3.7. Formulation d’un algorithme de colonie de fourmis appliqué à l’OPF .......................................... - 65 -
2.3.7.1. Comportement des fourmis.............................................................................................................. - 65 -
2.3.7.2. Représentation du problème d’OPF................................................................................................. - 66 -
2.3.7.3. Organigramme de la technique ACO appliquée à l'OPF................................................................. - 66 -
2.3.8. Test de la méthode ACO sur OPF avec une fonction mono-objectif ............................................. - 69 -
2.3.8. Test de la méthode ACO sur OPF avec une fonction bi-objectif ................................................... - 71 -
2.4. Algorithmes génétiques - 74 -
2.5. 1 Idées de base................................................................................................................................... - 74 -
2.5. 2 Présentation des algorithmes génétiques ........................................................................................ - 76 -
2.5. 3 Opérateurs génétiques classiques ................................................................................................... - 76 -
2.5.6.1. Opérateur de sélection ...................................................................................................................... - 76 -
2.5.6.2. Sélection proportionnelle ................................................................................................................. - 77 -
2.5.6.3. Opérateur de croisement................................................................................................................... - 78 -
2.5.6.4. Opérateur de mutation...................................................................................................................... - 79 -
ü Mutation simple.......................................................................................................................................... - 79 -
ü Probabilité de mutation optimale ............................................................................................................... - 80 -
2.5.6.5. Autres paramètres............................................................................................................................. - 81 -
2.5. 4 Résolution d'un problème par algorithme génétique ...................................................................... - 81 -
2.5.6.1. Codage du problème en une suite de caractères .............................................................................. - 82 -
2.5.6.2. Choix de la fonction sélective .......................................................................................................... - 82 -
2.5.6.3. Prise en charges des contraintes par les AG .................................................................................... - 83 -
2.5. 5 Codage réel..................................................................................................................................... - 84 -
2.5.7.1. Opérateur de croisement................................................................................................................... - 84 -
2.5.7.2. Opérateur de mutation...................................................................................................................... - 86 -
2.3.8. Test de la méthode GA sur OPF avec une fonction mono-objectif ................................................ - 88 -
2.3.8. Test de la méthode GA sur OPF avec une fonction bi-objectif ...................................................... - 88 -
2.5. Optimisation par essaim de particules (PSO) - 91 -
2.6. 1. L’algorithme PSO........................................................................................................................... - 91 -
2.6.1. 1 Algorithme général [58] ................................................................................................................... - 91 -
2.6.1. 2 Algorithme unidimensionnel déterministe ...................................................................................... - 92 -
 2.6.1. 3 Algorithme avec a = 1 et b = 1 ............................................................................................... - 92 -
2.6.1. 4 Algorithme discrète (binaire) ................................................................................................. - 93 -
2.6. 2. Description informelle .............................................................................................................. - 93 -
2.6.2.1. Caractéristiques principales ................................................................................................... - 95 -
2.6.2.2. Le voisinage ......................................................................................................................... - 95 -
2.6. 3. Les étapes de la méthode d’Optimisation par Essaim de Particules............................................. - 96 -
2.6.3.1. Expériences d’optimisation.................................................................................................... - 97 -
2.6. 4. Les étapes de la méthode PSO appliquée à l'OPF....................................................................... - 98 -
2.6.4.1. Test sur la fonction mono objectif .........................................................................................- 100 -
2.6.4.2. Résultats Obtenues...............................................................................................................- 100 -
2.6.4.3. Test sur la fonction bi objectif...............................................................................................- 102 -
2.6. Conclusion - 106 -
Chapitre 3 : Optimisation de l’écoulement de puissance et la commutation des centres de production dans un Sys. Elec. Libéralisé
3. 1. In tr oduct i on ..................................................................................................................................... 107
3.2. Marché de l’électricité...........................................................................................................................109
3.2.1 Modèle pool.................................................................................................................................109
3.2.2 Modèle bilatéral...........................................................................................................................110
3. 3. Aper çu sur l ’in dustr i e de l ’él ect r i ci t é ......................................................................................111
3.3.1 Architectures du marché électrique...............................................................................................111
3.3.2 Formes de concurrence ................................................................................................................112
3.3.3 Fiabilité du réseau électrique dans un marché concurrentiel ..........................................................112
3.3.4 La non-stockabilité et la contrainte d’équilibre production-consommation.....................................113
3.3.5 Flux électriques non-dirigeables et limites de capacité de transport ...............................................113
3.3.6 L’utilisation de réserves pour assurer la sécurité d’approvisionnement ..........................................113
3.3.7 Avantages du Marché libéralisé de l’électricité : ...........................................................................114
3. 4. R ègl es du j eu éga l e s ......................................................................................................................114
3.4.1 Enjeu en matière de réglementation et de législation .....................................................................115
3. 5. Ma r ch é de gr os et bour ses d’ él e ct r i ci t é ...................................................................................115
3.5.1 Comment se déterminent les prix ?...............................................................................................115
3.5.2 L’organisation des marchés..........................................................................................................118
3.5.3 Prix d’électricité ..........................................................................................................................119
3. 6. E xem pl e d’un comp or t emen t stra t égi que .................................................................................120
3.6.1 Discussion des suppositions .........................................................................................................122
3.6.2 Conséquences et performances du marché d’électricité libre .........................................................122
3. 7. Nég oce et a r bi t r a ge ........................................................................................................................123
3. 8. Opt i m i sa t i on de l ’écoul em en t de pui ssa n ce dan s un m ar ch é l i bér a l i sé : l ’OPF (Opt i ma l
Power Fl ow) .................................................................................................................................................124
3.8.1 Test de l’OPF dans un système électrique libéralisé sur le réseau IEEE 30 Bus .............................128
3.8.2 Réseau test Sonelgaz....................................................................................................................130
3.8.3 OPF sur le réseau algérien dans un système électrique intégré verticalement ..............................132
3.8.4 OPF sur le réseau Algérien dans un système électrique dérégulé .................................................135
3. 9. C om m ut a t i on des un i t és de pr oduct i on ‘Un i t Com m i tm en t ’ ...............................................143
3. 10. Pr obl èm e d’ Un i t Com m it m ent tra di t i onn el l e (UC) ...........................................................143
3. 11. Le s ét a pes d e r ésol ut i on du pr obl èm e d’ Un i t Com m i tm en t tr a di t i onn el l e .................145
3.9.1 Test de la méthode proposée pour la résolution du problème d’UC traditionnelle ..........................146
3.9.2 Discussion des résultats................................................................................................................146
3. 12. Le pr obl èm e du pr ofi t ba sé sur Un i t Com m i t m en t (PBUC) ............................................148
3.10.1 Les équations du PBUC ...............................................................................................................149
3. 13. Le s t yp es du m ar ch é de r éser ve .............................................................................................150
3.11.1 Marché de réserve 1 .....................................................................................................................150
3.11.2 Marché de réserve 2 : ...................................................................................................................150
3. 14. Le m od èl e d’OE P p our r ésoudr e l e pr obl èm e du PBUC ..................................................151
3.12.1 Les étapes de résolution du problème du PBUC............................................................................151
3.12.2 Application sur le réseau Algérien................................................................................................153
3.12.3 Discussion des résultats................................................................................................................154
3. 15. Con cl usi on ...................................................................................................................................157
Conclusion Générale 158
Annexe 161
Bibliographie ………… …167
 1

INTRODUCTION GENERALE

L’industrie de l’électricité est l’industrie de capital la plus importante. Son produit,

l’électricité, est essentiel à la société d’aujourd’hui. L’électricité fait partie intégrante de notre
vie quotidienne. Elle alimente les appareils ménagers, soutient nos vastes réseaux de
communications et d’information, éclaire nos cités et nos villes et elle est considérablement
utilisée dans de nombreuses grandes entreprises. Un service d’approvisionnement en électricité
fiable et économique est indispensable au bien-être de la population et des entreprises [1]
Le système électrique est un réseau-source alimentant un très grand nombre de clients à
partir d’un petit nombre de centrales de production. L’énergie produite par les centrales transite
sur les lignes de haute et très haute tensions du réseau de transport maillé sur une zone couvrant
un ou plusieurs Etats, puis est acheminée sur des réseaux de distribution de moyennes et basses
tensions dont l’arborescence permet d’atteindre les clients finals. L’énergie électrique est
produite en même temps qu’elle est consommée; donc, en permanence, la production doit
s’adapter à la consommation. Il faut, donc, ajuster les puissances active et réactive des
générateurs interconnectés dans un réseau électrique dans leurs limites admissibles afin de
satisfaire la charge électrique fluctuante avec un coût minimal. Cela est appelé l’écoulement de
puissance optimal (OPF) et parfois connu comme le problème de dispatching économique de
l’écoulement de puissance [2].
Traditionnellement, l'industrie de l'électricité était gouvernée et monopolisée par un
opérateur intégré (Sonelgaz) qui avait le monopole sur les fonctions de production, de transport,
et de distribution de l’énergie électrique. Pour satisfaire la demande, Sonelgaz choisissait ses
unités de production par ordre croissant de coût de production (on parlait alors de liste de mérite),
tout en satisfaisant les contraintes techniques de fonctionnement du réseau. Cependant dans les
dernières années, le secteur électrique dans l’Algérie comme dans beaucoup de pays avait subi
des changements considérables et restructuré pour un marché libre. Cette restructuration a
entraînée la séparation des activités de production, de transport et de distribution de l’électricité
et d’introduire la concurrence entre les fournisseurs d’énergie électrique. Elle a eu pour
conséquence de multiplier le nombre d’acteurs sur le marché, de cela a mené à un marché
Introduction générale -2-

compétitif par lequel les clients sont capables de choisir leur provision de l'électricité de
plusieurs compagnies de production et détaillants. Cette concurrence n’est jamais totale : les
infrastructures de transport et de distribution, nécessitant des investissements très lourds, ne
peuvent pas être mises en concurrence. Celles-ci constituent de ce fait un monopole naturel,
ayant vocation à être régulé par des autorités indépendantes [3]. Dans ce marché libéré, c'est
essentiel pour ces compagnies d’organiser efficacement leurs opérations, en minimisant le coût
de fonctionnement et en maximisant leurs marges bénéficiaires [4-5].
La complexité du problème d’optimisation de l’écoulement de puissance surtout dans un
environnement de marché d’électricité libre, avec l’apparition de nouvelles contraintes en
matière de réduction des émissions de gaz polluant (Protocole de Kyoto, 2005) et l’utilisation de
sources d’énergies renouvelables, fait en sorte qu'il est souvent difficile d'utiliser des méthodes
exactes de solution compte tenu du manque de flexibilité des méthodes classiques pour intégrer
diverses contraintes spécifiques.
Les métaheuristiques constituent alors une stratégie de résolution de plus en plus privilégiée
puisque elles sont des méthodes à grande flexibilité d’utilisation. Elles ont la possibilité de
trouver des solutions dans le plus grands nombre de cas possibles [6-7].
L’apparition des "métaheuristiques" remonte aux années quatre-vingts. Ces algorithmes
stochastiques d’optimisation globale peuvent être appliqués à tout problème, du moment qu’il
est formulé sous la forme de l’optimisation de critère(s). Ils progressent vers un optimum par
échantillonnage d'une fonction objectif. Ils se prêtent aussi à toutes sortes d’extensions,
notamment en optimisation multi-objectif.
Les métaheuristiques sont généralement utilisées comme des méthodes génériques pouvant
optimiser une large gamme de problèmes différents, sans nécessiter de changements profonds
dans l'algorithme employé.
Les métaheuristiques sont souvent employées en optimisation combinatoire, mais on en
rencontre également pour des problèmes continus ou mixtes (problèmes à variables discrètes et
continues).

D'une manière générale, les métaheuristiques s'articulent autour de trois notions :

1. exploration /diversification,

2. exploitation/ intensification,

3. mémoire et apprentissage.
Application des méthodes métaheuristiques à l’OPF dans un environnement de l’électricité dérégulé 3

L’exploration (ou diversification) désigne les processus visant à récolter de l'information sur
le problème optimisé. L’exploitation (ou intensification) vise à utiliser l'information déjà récoltée
pour définir et parcourir les zones intéressantes de l'espace de recherche. La mémoire est le
support de l'apprentissage, qui permet à l'algorithme de ne tenir compte que des zones où
l'optimum global est susceptible de se trouver, évitant ainsi les optima locaux.
Nous sommes souvent assujettis dans le domaine d’optimisation à deux contraintes
contradictoires :

- L’impossibilité technique de résoudre exactement les problèmes NP-difficiles dans un

temps raisonnable ;

- L’impératif de fournir à un décideur une solution de meilleure qualité possible.

Les métaheuristiques progressent de façon itérative, en alternant des phases d'intensification,
de diversification et d'apprentissage. L'état de départ est souvent choisi aléatoirement,
l'algorithme se déroulant ensuite jusqu'à ce qu'un critère d'arrêt soit atteint.
Les nombreuses métaheuristiques sont inspirées par analogie avec la biologie des
organismes. Ainsi, les théories de l'évolution ont inspiré les algorithmes génétiques (GA), les
phénomènes de suivi de piste chez les fourmis ont conduit à l'élaboration des algorithmes de
colonies de fourmis (ACO), l'étude de l'organisation de groupes d'animaux a donné naissance
aux méthodes d'optimisation par essaims particulaires (Particle Swarm Optimization) (PSO).
Ces trois métaheuristiques vont être appliquées sur le problème d’OPF : un algorithme
d'optimisation par colonies de fourmis, un algorithme d’optimisation par essaims de particules et
un algorithme génétique.

• La méthode de colonie de fourmis a été inspirée par des études sur le

comportement des fourmis réelles. Les fourmis d’une colonie communiquent
indirectement via des modifications dynamiques de leurs pistes de phéromones et
construisent ainsi une solution à un problème d’optimisation en s’appuyant sur
leur expérience collective. Les éthologistes ont montré que les fourmis étaient
capables de sélectionner le plus court chemin pour aller du nid à une source de
nourriture grâce au dépôt et au suivi de pistes de phéromone [8].

• L'optimisation par essaims particulaires (PSO) est issue d'une analogie avec les
comportements collectifs de déplacements d'animaux. Pour résumer, chaque
individu utilise l'information locale à laquelle il peut accéder sur le déplacement
de ses plus proches voisins pour décider de son propre déplacement. Des règles
Introduction générale -4-

très simples comme « rester proche des autres individus », «aller dans la même
direction», «aller à la même vitesse» suffisent pour maintenir la cohésion du
groupe tout entier, et pour susciter des comportements collectifs complexes et
adaptés. La méthode en elle-même met en jeu des groupes de particules sous
forme de vecteurs se déplaçant dans l'espace de recherche. Chaque particule est
caractérisée par sa position et un vecteur de changement de position (appelé
vélocité). La socio psychologie suggère que des individus se déplaçant sont
influencés par leur comportement passé et par celui de leurs voisins. On tient
donc compte, dans la mise à jour de la position de chaque particule, de la
direction de son mouvement, sa vitesse, sa meilleure position et la meilleure
position de ses voisins [9].

• Les algorithmes génétiques ont été initialement développés par John Holland. A
chaque génération (itération), un nouvel ensemble de chaînes de caractères
(population) est créé en utilisant des parties des meilleurs éléments de la
génération précédente; ainsi que des parties innovatrices, à l'occasion. Bien
qu'utilisant le hasard, les algorithmes génétiques ne sont pas purement aléatoires.
Ils exploitent efficacement l'information obtenue précédemment pour spéculer sur
la position de nouveaux points à explorer, avec l'espoir d'améliorer la
performance. La fonction dont on recherche l'optimum est dite fonction objectif.
On ne fait aucune hypothèse sur cette fonction, en particulier elle n'a pas à être
dérivable, ce qui représente un avantage sur certaines méthodes de recherche
d’extremum. Un algorithme génétique manipule une population de taille L
constante. Cette population est formée d'individus. La taille constante de la
population induit un phénomène de compétition entre les individus. Chaque
individu représente le codage d'un vecteur solution possible au problème à
résoudre, donné sous forme d'un ensemble de chaînes de caractères. Chaque
chaîne de caractères correspond à un chromosome (le génotype de l'individu) qui
représente le codage d’une variable, chaque caractère a un gène et chaque lettre
de l'alphabet a un allèle. La position d'un gène au sein d'un chromosome est
appelée locus. La population évolue en générations successives (la création d'une
nouvelle génération s'appelle la reproduction ou le remplacement). Les individus
les plus forts survivent et se reproduisent entre eux pour créer de nouveaux
individus, tandis que les plus faibles disparaissent petit à petit. De plus, lors des
Application des méthodes métaheuristiques à l’OPF dans un environnement de l’électricité dérégulé 5

créations d'individus, des mutations génétiques (i.e. modification d'un caractère

dans la chaîne) se produisent. Cela conduit à définir les trois opérateurs
génétiques de base qui sont la sélection, le croisement et la mutation [10-11].

Les organismes chargés de produire, de transporter et de distribuer l’énergie électrique sont

appelés à respecter un certain nombre de critères :
; Assurer à tout instant et en tout lieu la couverture des puissances actives et réactives
demandées par les clients en réglant la fréquence.
; Distribuer l’énergie produite aux abonnées en respectant les normes de qualité de service.
; Garantir le maintien de la tension dans les limites contractuelles en tout point du réseau
par le réglage de la tension avec action sur des bancs de selfs et de capacités implantés
aux nœuds consommateurs. Le choix des bancs doit tenir compte de leurs coûts, des
pertes actives dans les lignes de transmission et de transport de l’énergie et des
déviations des tensions.
; Produire l’énergie nécessaire en préservant un coût minimum en respectant la sécurité
des composants du réseau électrique et l’environnement.
; Garantir une réserve opérationnelle d'énergie supplémentaire qui doit être disponible dans
un délai de 30 minutes pour faire face à des besoins imprévus.
; Maintenir par des actions adéquates les performances du système électrique en cas de
perturbation (dues aux délestages des charges, ouverture d’une ligne, court-circuit,…)
notamment pour limiter les transits de puissance à des niveaux admissibles par les
matériels de transport et pour améliorer la stabilité du réseau;
; Assurer la capacité de redémarrage (blackstart) du système électrique après un blackout
en maintenant prêts au démarrage certains générateurs dédiés, et en assurant la continuité
de services avec leurs seuls auxiliaires, c'est-à-dire en ilotage, de certains générateurs
pour effectuer des renvois de tension sur le réseau.
L’étude d’un problème tenant compte de tous ces critères est très complexe du point de vue
modélisation et calcul. C’est la raison pour laquelle beaucoup de problèmes ont été définis selon
l’objectif voulu. Parmi ces problèmes, on va traiter dans cette thèse l’optimisation de
l’écoulement de puissance suivant les fonctions objectives suivantes:
• optimisation de l’écoulement de puissance avec et sans pollution (émission de gaz
toxique).
• minimisation de coût de production de l’énergie électrique en tenant compte des pertes de
puissance actives et les déviations des tensions aux niveaux des jeux de barres.
Introduction générale -6-

• Détermination de l’état optimal de chaque générateur interconnecté dans le réseau

électrique durant 24 h et calculer la valeur optimale de la puissance générée par chaque
générateur.
• Détermination du profit maximal des compagnies d’électricité dans un marché
d’électricité libéré pour satisfaire la puissance électrique demandée toute en maintenant
une sécurité maximale du réseau.

La contribution principale de cette thèse est l'introduction des techniques d’optimisation

classiques et métaheuristiques pour résoudre le problème d’optimisation de l’écoulement de
puissance avec les fonctions objectives étant apparues avec la libéralisation du marché.

Dans le premier chapitre, nous allons présenter la description et la modélisation des éléments
de puissance essentiels du réseau de transport, la formulation du problème de l’écoulement de
puissance. Nous allons aussi décrire les principales méthodes d’optimisation classiques ayant été
appliquées jusqu’à maintenant, en les explicitant sur le plan théorique et valider sur le réseau
IEEE 30 jeux de barres.
Les définitions des trois méthodes métaheuristiques les plus importantes et leurs utilisations
sont introduites dans le deuxième chapitre. Nous illustrerons ces techniques sur le cas du réseau
30 jeux de barres.
Dans le troisième chapitre, nous allons, dans une première étape, donner un aperçu de
l’industrie de l’électricité et d’analyser les enjeux reliés à l’arrivée de la concurrence dans le
marché d’électricité. Puis dans une deuxième étape, nous allons détailler l’application de
l’optimisation de l’écoulement de puissance et le problème de la commutation des unités de
production ’Unit Commitment’ (UC) dans un marché d’électricité libre. Nous décrirons ensuite
les résultats de nos travaux ayant porté sur l’étude du réseau IEEE 30 Bus. Les deux outils
d’optimisation OPF et UC seront aussi appliquée sur le réseau test Algérien. Cette analyse nous
permettra de mieux valider les conclusions du chapitre deux et trois.
Enfin, nous clôturerons cette thèse par une conclusion générale concernant l’apport général
délivré par nos travaux. Nous présenterons aussi les perspectives qui pourront faire suite à ces
travaux.
Application des méthodes métaheuristiques à l’OPF dans un environnement de l’électricité dérégulé 7

[1] C. Bouneau, M. Derdevet, J. Percebois, « les réseaux électriques au cœur de la civilisation

industrielle », Ed. Timée-Editions, France, 2007.
[2] Tarek Bouktir ; Application de la programmation orientée objet à l’optimisation de l’écoulement de
puissances’, Thèse de doctorat d’état. Université de Batna, Algérie, juin 2004.
[3] Martin HENNEBEL, VALORISATION DES SERVICES SYSTEME SUR UN RESEAU DE
TRANSPORT D'ELECTRICITE EN ENVIRONNEMENT CONCURRENTIEL, Thèse de doctorat,
Université Paris Sud 11, France, février 2009.
[4] Vincent MANZO, Traitement des congestions dans les réseaux de transport et dans un environnement
dérégulé, Thèse de doctorat, INP Grenoble, France, Octobrer 2004.
[5] D. S. Kirschen, G. Strbac: “Fundamentals of power system economics” Wiley 2004.
[6] L. Slimani and T. Bouktir, Economic Power Dispatch of Power System with Pollution Control using
Multiobjective Ant Colony Optimization, International Journal of Computational Intelligence
Research (IJCIR), Volume 3, Number 2, pp. 145-153, June 2007.
[7] OPTIMAL POWER DISPATCH FOR LARGE SCALE POWER SYSTEM USING STOCHASTIC
SEARCH ALGORITHMS, T. Bouktir, L. Slimani, and B. Mahdad, International Journal of Power
and Energy Systems, Volume 28, issue 2, p 203-3501, 2008.
[8] Marco Dorigo & Thomas Stutzle, Ant Colony Optimization, MIT Press, Cambridge, MA, USA,
2004.
[9] James Kennedy, Russell C Eberhart, Yuhui Shi, Swarm intelligence, Ed. Morgan Kaufmann, 2001.
[10] D. E. Goldberg, Genetic Algorithms in Search, Optimization and Machine Learning, Addison
Wesley Publishing Company, Ind. USA, 1989.
[11] M. Todorovski, D. Rajicic. An Initialization Procedure in Solving Optimal Power Flow by Genetic
Algorithm. IEEE Transactions on Power Systems, Vol. 21, Issue 2, p.p. 480–487, May 2006.
 -7-

CHAPITRE 1
ECOULEMENT DE PUISSANCE OPTIMAL PAR LES METHODES
CLASSIQUES

1.1. Introduction
L’optimisation de l’écoulement de puissance consiste à répartir les puissances actives et
réactives demandées entre les différentes centrales interconnectées dans un réseau électrique
avec un coût minimal. Cette distribution doit évidemment respecter les limites de production des
centrales et les capacités de transport des lignes électriques et les transformateurs. La variable à
optimiser est donc le coût de production [2].
Le but de ce chapitre est de montrer comment peut-on résoudre le problème d’optimisation
de l’écoulement de puissance avec un coût de production minimal en utilisant des méthodes
d’optimisation classiques.

1.2. Caractéristiques des systèmes électriques:

1.2. 1 Centrales électriques

Les caractéristiques technico-économiques des centrales électriques sont déterminantes

pour leur exploitation. Trois types de caractéristiques ont une influence pour l’exploitation d’une
centrales électriques à court terme: son coût de production; ses contraintes techniques et sa
fiabilité. Le plus important de ces trois caractéristiques est le coût variable de production. Pour
les centrales thermiques, il reflète principalement le coût du combustible utilisé et les autres
coûts d’exploitation et de maintenance de la centrale. Le coût du combustible est évalué en
utilisant des valeurs de consommation spécifique de chaleur (une quantité d’énergie thermique
nécessaire pour produire de l’électricité) de la centrale et le prix du combustible. La valeur de
consommation spécifique de chaleur (CSC) est proportionnelle à l’inverse du rendement
énergétique: plus la CSC est grande, moins la centrale est performante.
La fonction coût a une forme non linéaire qui peut être approximée à une courbe

quadratique du type Ci ( PGi ) = ai + bi .PGi + ci .PGi où PGi est la quantité produite (figure 1.1).
2
Application des méthodes métaheuristiques à l’OPF dans un environnement de l’électricité dérégulé -8-

La constante ai est appelée coût de marche à vide, elle représente le coût pour maintenir la

marche d’une unité de production à production nulle. Le coût incrémental (ou marginal) de
production est le coût pour produire une unité supplémentaire d’énergie. Ce coût est important
dC i
pour prendre les décisions d’exploitation à court terme ( λ = = bi + 2 ci PGi ).
dPGi

Entrée (MBtu/h ou $/h) F

PGmin PGmax
PG
Sortie (MW)

Figure1.1 Caractéristique entrée-sortie d’une unité de production

Outre le coût variable à court terme, d’autres caractéristiques spécifiques sont importantes
à mentionner pour la production d’électricité. C’est le cas notamment du coût spécifique pour
démarrer ou arrêter l’unité de production (coût de démarrage et d’arrêt). Par exemple, le coût de
démarrage correspond au coût de l’énergie nécessaire pour mettre en fonctionnement toutes les
installations permettant la production d’électricité (chaudières, pompes, etc.). Ce coût dépend
normalement de l’état de l’unité de production au moment de l’appel à démarrer (démarrage à
froid ou à chaud). Certaines contraintes techniques sont aussi importantes pour l’exploitation.
Généralement, l’unité de production ne peut fonctionner de manière stable qu’à partir d’un
niveau de production minimal (capacité minimale de production) et jusqu’à un niveau maximal
de production (capacité maximale de production). L’inertie propre des moyens de production
limite la vitesse à laquelle les unités de production peuvent changer leur niveau de production.
La vitesse maximale de changement du niveau de production pour une période de temps donné
est appelée contrainte de rampe. Il existe aussi un temps minimal pour le démarrage (temps de
démarrage).
Chapitre 1: Ecoulement de Puissance Optimal par les méthodes classiques -9-

Enfin, les unités de production présentent différents degrés de fiabilité et d’incertitude. Ce

degré de fiabilité peut être interprété comme le degré de précision dans la prévision de la
capacité de production d’une centrale. Les erreurs de prévision de capacité peuvent venir du
manque de prévision sur la force motrice (par exemple, courant d’eau ou vitesse du vent).
L’exemple le plus typique est ici la production éolienne, dont le niveau de production dépend de
la vitesse du vent. Cette vitesse est un phénomène climatique qui dépend de plusieurs variables,
et qui est très difficile à prévoir avec exactitude.
Les erreurs de prévision peuvent venir aussi de la défaillance forcée d’une unité de
production ou d’autres facteurs qui l’empêchent d’atteindre leur niveau normal de production. Le
cas le plus extrême est quand l’unité n’arrive pas à démarrer comme prévu, ou qu’elle doit être
arrêtée complètement pour des problèmes techniques.
Le caractère de flexibilité ou de souplesse de moyens de production à court terme
représente la vitesse à laquelle chaque moyen de production peut changer le niveau de sa
production après un signal donné. Nous trouvons des moyens de production plus flexibles,
comme les centrales hydrauliques (avec réservoir) et les centrales à combustion ou les moteurs
diesel (avec des temps de démarrage faibles et des contraintes faibles de rampe).
Par opposition, les centrales nucléaires et les centrales thermiques sont des moyens de
production peu flexibles. Il est important de remarquer que cette flexibilité doit être obtenue
rapidement après un ordre. Certains moyens de production peuvent avoir un caractère flexible,
mais nécessitent plus de temps pour préparer cette vitesse de changement. Par exemple, certaines
centrales nucléaires peuvent être programmées la veille pour réaliser des variations assez grandes
de production, mais, à une échelle de temps plus proche du temps réel, les variations de
production possibles pour ces centrales sont beaucoup moins élevées [3].

1.2. 2 Réseau de transport

Le rôle principal du réseau de transport est la liaison entre les grands centres de
consommation et les moyens de productions. Ce rôle est particulièrement important car on ne
peut pas stocker l’énergie électrique à grande échelle à l’heure actuelle.
Un réseau de transport doit être exploité d’une manière particulière: il doit être exploité
dans les limites de fonctionnement autorisées. Ces limites ou contraintes du réseau sont
exprimées par des valeurs maximales ou minimales sur certaines variables du réseau (fréquence,
écoulement de puissance sur les lignes ou transformateurs, niveau de tension, etc.). Si ces limites
sont dépassées, le réseau risque de devenir instable.
Application des méthodes métaheuristiques à l’OPF dans un environnement de l’électricité dérégulé - 10 -

Les contraintes de capacité de transport sont liées principalement aux flux maximaux de
puissance qui peuvent circuler sur chacun des éléments du réseau. Ces contraintes de capacité
ont une importance particulière dans les réseaux électriques car les flux d’électricité sont
difficiles à contrôler et suivent des chemins gouvernés par des lois de Kirchhoff [12].

1.2. 3 La consommation électrique

Connaître la consommation de l’électricité d’une période future est important pour
l’exploitation du système électrique. Pour ce faire, une multitude de variables sont
traditionnellement utilisées pour expliquer et prédire le niveau de consommation d’électricité: la
température, l’heure de la journée, le jour de la semaine (jour ouvrable, week-end), le prix, etc.
L’impact de la plupart de ces variables est lié aux conditions climatiques, aux habitudes de
consommation, aux rythmes de vie et au pays considéré.
Naturellement, plus la prévision est réalisée en avance par rapport au moment de la
consommation, moins elle est précise. En effet, les valeurs de ces variables, notamment celles
liées aux conditions météorologiques, peuvent se modifier dans ce laps de temps. Une prévision
éloignée du temps réel génère des erreurs de prévision, plus ou moins conséquentes. Les
prévisions de consommation effectuées plusieurs jours à l’avance se basent principalement sur
la combinaison des consommations réelles des jours précédents et la prévision des conditions
climatiques. Par exemple, une baisse de la température moyenne de 1° C sur l’ensemble de la
France peut entrainer, en hiver, une augmentation de la consommation de plus de 1000 MW
(approximativement la taille d’une tranche nucléaire) [12].
Bien que la prévision de la consommation s’affine lorsque l’on s’approche de la période
prévue, il existe encore des écarts entre les prévisions faites la veille et la consommation réelle.
Ces écarts, ou erreurs de prévision, peuvent provenir des erreurs de prévision des variables
explicatives (Température, nébulosité) ou/et des simplifications de modèle de prévision.

1.2. 4 Fluctuations de la consommation

La consommation d’électricité varie en permanence: au cours des saisons, au cours d’une
journée, en suivant le rythme de l’activité quotidienne et économique et en temps réel en
fonction de la météo du moment. Les différentes utilisations individuelles de l’énergie électrique,
à chaque moment, se traduisent par de fortes fluctuations de la consommation dans le temps.
Cependant, pour un intervalle de temps d’une demi-heure, ces fluctuations ont un certain
caractère cyclique au cours de la journée, de la semaine, et de l’année en créant une saisonnalité.
Il faut savoir aussi que la consommation d’électricité peut fluctuer très rapidement: elle peut
Chapitre 1: Ecoulement de Puissance Optimal par les méthodes classiques - 11 -

changer de plus de 10% de la consommation maximale en seulement 1 heure. Il faut noter qu’il
existe des fluctuations pour des échelles de temps inférieures plus fins qu’une demi-heure. Ces
fluctuations ont un caractère aléatoire minute par minute. On ne peut pas assigner une
quelconque périodicité à ces fluctuations [13].

1.2. 5 Equilibre du système électrique

L’équilibre du système électrique exige qu’à tout moment, la puissance injectée (la
production) soit égale à la puissance soutirée (la consommation) plus les pertes générées sur le
réseau.
Ainsi, les systèmes électriques subissent-ils une forte contrainte d’équilibre en temps réel
entre les injections et les soutirages.
Cet équilibre production-consommation est nécessaire tout d’abord car les systèmes
électriques à courant alternatif fonctionnent comme une « grande » machine synchronisée. Le
fonctionnement de cette machine est très complexe et particulièrement vulnérable aux
instabilités. Ces instabilités se produisent principalement quand l’équilibre production-
consommation n’est pas respecté.
Assurer l’équilibrage continu, même lors des incidents, est un moyen de maintenir la
stabilité du système. Le défaut d'une ligne ou d'une unité de production peut provoquer des
phénomènes en cascade pouvant se développer rapidement. Ainsi, des écarts, même mineurs, de
la fréquence de référence peuvent déstabiliser ou endommager des éléments du système de
transport. Si lors d’un incident, les actions correctives nécessaires ne sont pas effectuées, le
système peut défaillir complètement (black out). Afin de se prémunir contre les ruptures de
l’alimentation électrique, une règle fondamentale de sécurité, appelée « règle du N-1 », est
appliquée par tous les gestionnaires de réseau. Cette règle consiste à garantir le bon
fonctionnement du réseau même en cas de défaillance d’un élément du réseau de transport ou
d’une unité de production. Dans ce cas l’électricité doit pouvoir être acheminée par une autre
partie du réseau, ou fournie depuis une autre unité de production. Le respect de cette règle ne
suffit pas à garantir l’absence totale de coupures, mais permet d’en réduire considérablement le
nombre[14].
Application des méthodes métaheuristiques à l’OPF dans un environnement de l’électricité dérégulé - 12 -

1.2. 6 Limites thermiques des lignes électriques en fonctionnement normal

Les lignes électriques et les transformateurs ont des capacités de transport physiquement
limitées. Ces limites sont principalement thermiques. Les limites thermiques sont liées à
l’échauffement des lignes lors du passage du courant électrique. L’effet Joule entraîne une
transformation de puissance électrique en puissance thermique. Cette énergie thermique
provoque une augmentation de la température de la ligne. Ce changement de température
modifie les caractéristiques mécaniques de la ligne et provoque une dilatation des conducteurs.
L’énergie dégagée par effet Joule augmente avec le courant électrique circulant sur la ligne. Or,
à tout instant, on doit garantir que le courant de transit dans les éléments du réseau de transport
se situe au dessous du seuil fixé: intensité maximale du courant admissible en régime permanent
(IMAP). En cas de dépassement, on dispose alors d’un temps limité, variable selon l’ampleur du
dépassement, pour ramener le flux électrique à une valeur acceptable. Si les actions nécessaires
ne sont pas effectuées dans ce temps limité, le mécanisme de protection de surcharge
déconnectera l’élément du réseau. En général, les limites physiques (thermiques), peuvent être
présentées comme une limite maximale de puissance active (en MW) qui peut transiter sur un
élément déterminé du réseau (figure 1.2). L’exploitation du réseau de transport doit assurer que
les écoulements de puissance transitant par les différents éléments respectent toujours ces limites
physiques maximales [2].

Figure1.2 Limites thermiques, de tension et de stabilité de synchronisme des lignes de

transport en fonction du niveau de tension et de leur longueur [15]
Chapitre 1: Ecoulement de Puissance Optimal par les méthodes classiques - 13 -

1.2. 7 La tenue de tension

Les limites de tension dans le réseau électrique ne doivent pas être dépassées pour les
raisons suivantes:
1- Les limites supérieures de tension sont imposées pour tous les niveaux d'exploitation par
la tenue diélectrique des matériels, ainsi que par les limites de saturation des
transformateurs. En ce qui concerne les réseaux de distribution, la tension est aussi
limitée car une tension trop élevée peut réduire la durée de vie d'appareils utilisateurs.
2- Les limites inferieures de tension sont imposées au niveau des réseaux de distribution par
le fonctionnement correct des appareils industriels ou domestiques. Au niveau des
réseaux de transport, les limites inferieures de tension sont liées à la sécurité du système
électrique dans son ensemble; une tension trop basse aura les conséquences suivantes:
9 surcharge des éléments de transport (lignes et transformateurs) par augmentation
du courant, et risque de déclenchement des protections associées;
9 instabilité de tension pouvant entrainer un écroulement de tension;
9 perte des éléments de production (stabilité statique des alternateurs, limites de
fonctionnement des groupes et de leurs auxiliaires).

1.3. Formulation du problème de l'écoulement de puissance optimal

Le problème de la répartition optimale des puissances est un problème d’optimisation dont
l’objectif est de minimiser le coût total de la production de la puissance d’un réseau électrique.
Si on prend en considération seulement la fonction objectif, on parle alors d’une optimisation
sans contraintes. Mais si on prend en considération les équations de l’écoulement de puissance,
on est donc devant un problème d’optimisation avec contraintes d’égalités. Si on prend de plus
les limites min. et max. des puissances générées par les alternateurs, la surcharge des lignes de
transports et les niveaux de tensions admissibles pour les jeux de barres de charges, on est alors
devant un problème d’optimisation avec contraintes d’égalités et d’inégalités.
Le problème de l’écoulement de puissance optimal est donné sous une forme standard
d’optimisation avec contraintes d’égalités et d’inégalités comme suit [16] [17]:
min . F(x) (fonction objective)
selon
g i (x) = 0 , i = 1, 2 , ..., n (contraintes d' égalités)
et
h j (x) <= 0 , j = 1, 2, ...,m (contraint es d' inégalités )
Application des méthodes métaheuristiques à l’OPF dans un environnement de l’électricité dérégulé - 14 -

a) Fonction objectif:
Cette fonction reflète le besoin de minimiser le coût total de la production des puissances
actives. On suppose que le coût individuel de chaque centre de production dépende uniquement
de la génération de la puissance active [18].
ng ng ng
F = ∑ f i = ∑ C i = ∑ α i + β i PGi + γ i PGi2 (1.1)
i =1 i =1 i =1

b) Contraintes d'égalités:
Ces contraintes sont l'image des lois physiques gouvernant le système électrique. Elles sont
représentées par les équations non linéaires de l'écoulement de puissance. Il faut que la somme
des puissances active et réactive injectées dans chaque jeu de barres soit égale à zéro.

g i ( x1 ,.., x n ) = 0 i = 1,… n (1.2)

n
ΔPi = 0 = Vi ∑V j (Gij cosθ ij + Bij sin θ ij ) − PGi + PDi (1.3)
j =1
n
ΔQi = 0 = Vi ∑V j (Gij sin θ ij − Bij cosθ ij ) − QGi + QDi (1.4)
j =1

c) Contraintes d'inégalités:
En pratique, on ne doit pas dépasser les limites des éléments physiques du réseau
électrique tels que les générateurs, les transformateurs à prises de charge, et les transformateurs
de phase.
En plus des contraintes sur les puissances actives à chaque générateur qui a une influence directe
sur la fonction coût, on peut citer d'autres contraintes d'inégalités [16]:
9 La puissance réactive générée QGi qui est limitée par une borne inférieure QGi min et une

borne supérieure QGi max

QGi min ≤ QGi ≤ QGi max i = 1,… ng (1.5)

9 Les transformateurs à prises de charge ont des déviations max. et min. du niveau de
tension par rapport à la tension nominale. De même les transformateurs à angles de phase
ont des décalages max. et min. des phases des tensions. Les deux types de
transformateurs forment les contraintes d'inégalités suivantes:
⎧ tij min ≤ tij ≤ tij max
⎨ (1.6)
⎩α ij min ≤ α ij ≤ α ij max
9 Pour maintenir la sécurité du système électrique, les lignes de transport et les
transformateurs de puissances ont des limites sur le transit de puissance apparente. Ces
limites sont dues aux pertes thermiques dans les conducteurs, et/ou la stabilité du
Chapitre 1: Ecoulement de Puissance Optimal par les méthodes classiques - 15 -

système. Elles sont représentées par une contrainte d'inégalité, qui limitera le carré de
puissance en MVA d'un transformateur ou d'une ligne de transport.
2 2
Sij − Sij max ≤ 0 (1.7)
9 Pour garder la qualité de service électrique et la sécurité du système, les niveaux de
tension des jeux de barres doivent toujours être entre leurs limites max. et min. Ces
limites exigent encore l'addition des contraintes d'inégalités.

Vi min ≤ Vi ≤ Vi max (1.8)

Donc il y’a n contraintes d’égalités et m contraintes d’inégalités et le nombre des variables
du problème est égal à la taille du vecteur des variables de contrôle (y compris puissances active
et réactive générées, niveaux de tension des jeux de barres, prises des transformateurs,… etc.).
La solution du problème d’OPF exige la formulation de la fonction Lagrangien appelée
aussi la fonction de coût augmentée suivante:
n m
L = F + ∑ λi g i + ∑ µ j h j (1.9)
i =1 j =1

Les conditions nécessaires pour trouver un minimum de L appelées conditions de Kuhn-

Tucker sont les suivantes:
⎧⎧ ∂L ∂L
⎪⎨ =0 & = g i ( x) = 0 i = 1,… n
⎪⎪ ⎩ ∂x i ∂λi

⎨⎧ ∂L = h ( x) ≤ 0 (1.10)
⎪⎪⎨ ∂µ j
j = 1, ,m
⎪⎪ j

⎪⎩⎩µ j h j ( x) = 0 & µj > 0

1.4. Dispatching économique

Les générateurs à combustibles distincts possèdent différents coûts pour fournir le même
montant d'énergie électrique. C'est important de se rendre compte que le générateur le plus
efficace du système ne peut pas produire de l'électricité au plus bas coût et qu'un générateur bon
marché ne peut pas être le plus rentable. Puisqu'un générateur qui se trouve trop loin du centre de
la charge donne des pertes de transmission énormes, et donc le rend peu économique de
fonctionner [23].
Le problème est de réduire au minimum le coût de la puissance totale générée par
l'ensemble des centrales interconnectées. Ce problème devient plus simple lorsque les limites des
puissances de chaque générateur et les pertes dans le réseau sont négligées. Il est décrit comme
suit:
Application des méthodes métaheuristiques à l’OPF dans un environnement de l’électricité dérégulé - 16 -

ng ng
F = ∑ f i = ∑ α i + β i PGi + γ i PGi2 (1.11)
i =1 i =1
ng
et PD = ∑ PGi (1.12)
i =1
Une approche typique consiste à utiliser la méthode de Lagrange:
⎡ ng
⎤
L = F + λ ⎢ PD − ∑ PGi ⎥ (1.13)
⎣ i =1 ⎦
∂L ∂F ∂F
= + λ (0 − 1) = 0 ⇒ =λ (1.14)
∂PGi ∂PGi ∂PGi
ng
∂F ∂f
F = ∑ fi ⇒ = i =λ i = 1,…, ng (1.15)
i =1 ∂PGi ∂PGi
∂f i
λ= = β i + 2γ i PGi (1.16)
∂PGi
∂L ⎛ ng
⎞ ng
= ⎜⎜ PD − ∑ PGi ⎟⎟ = 0 ⇒ ∑ PGi = PD (1.17)
∂λ ⎝ i =1 ⎠ i =1

Remplaçant et combinant les équations pour résoudre λ par les étapes suivantes:
De l’équation (1.16) on détermine la valeur de Pg comme suit
1
PGi = (λ − β i ) (1.18)
2γ i
On remplace (1.18) dans (1.12) on aura:
ng
λ − βi
∑
i =1 2γ i
= PD (1.19)

Donc de l’équation (1.19), la valeur de Lambda devient

−1
⎛ ng 1 ⎞ ⎛ ng
β ⎞
λ = ⎜⎜ ∑ ⎟⎟ ⎜⎜ PD + ∑ i ⎟⎟ (1.20)
⎝ i =1 2γ i ⎠ ⎝ i =1 2γ i ⎠
De l’équation (1.18), on aura enfin la valeur de puissance générée dans chaque jeu de
barres

1 ⎛ ⎛ ng 1 ⎞ −1 ⎛ ng
βi ⎞ ⎞
⎜⎜ ⎟
⎜ ⎜⎝ ∑ ⎟ ⎜ D ∑ 2γ ⎟
PGi = ⎟ ⎜ P + ⎟ − β (1.21)
2γ i 2γ i ⎠ ⎝ i ⎠
i
⎟
⎝ i =1 i =1
⎠
Cette dernière expression qui nous donne donc l’ensemble des puissances générées
minimisant le coût total (contraintes d’inégalité négligées) et constituant notre premier optimum,
est applicable s’il n’existe pas de limites sur les puissances générées [5].

1.4. 1 Dispatching économique avec des limites sur les puissances générées
Dans le cas ou les puissances des générateurs sont limitées par des bornes inférieures
PGi min et des bornes supérieures PGi max . Le problème d'optimisation est de la forme [5]:
Chapitre 1: Ecoulement de Puissance Optimal par les méthodes classiques - 17 -

⎧ ng ng

⎪ min F = ∑ f i = ∑ α i + β i PGi + γ i PGi2

⎪ i =1 i =1

⎪selon
⎨N (1.22)
⎪ P =P
⎪∑i =1
Gi D

⎪
⎩ PGi min ≤ PGi ≤ PGi max

Les conditions de Kuhn-Tucker d’optimalité pour ce problème seront données par:

⎧ ∂Ci
⎪ PGi min < PGi < PGi max ⇒ =λ
⎪ ∂PGi
⎪ ∂Ci
⎨ PGi = PGi max ⇒ ≤λ (1.23)
⎪ ∂PGi
⎪ ∂Ci
⎪ PGi = PGi min ⇒ ≥λ
⎩ ∂PGi

Et l’algorithme de résolution de ce problème est comme suit:

1- on calcule la puissance générée de chaque générateur par la formule:

1 ⎛ ⎛ ng 1 ⎞
−1
⎛ ng
β ⎞ ⎞
⎜⎜ ⎟⎟ − β i ⎟
⎜ ⎜⎝ ∑
PGi = ⎟⎟ ⎜⎜ PD + ∑ i
2γ i 2γ ⎠ ⎝ i =1 2γ i ⎠ ⎟
⎝ i =1 i ⎠
2- on vérifie les dépassements des puissances générées:
si PGk ≥ PGk max , PGk = PGk max
si PGk ≤ PGk min , PGk = PGk min
3- on prend la puissance générée qui atteint sa limite min ou max comme une charge c.-à-d.:
PDk ' = − PGk pour toute puissance générée dépassée k (k=1,…nk)
4- on recalcule l’équation de l’équilibre de puissance comme suit:
N nk N nk

∑ PGi = PD + ∑ PDk ' ou bien

i =1 k =1
∑ PGi = PD − ∑ PGk
i =1 k =1
i∉nk i∉nk

5- le processus itératif continue en retournant à l’étape 1 jusqu’à ce que toutes les contraintes
seront satisfaites.
Cette méthode est applicable si les pertes dans le réseau sont vraiment négligeables. Sinon
elle va nous donner de fausses informations de point de vue coût puisqu’elle va répartir la
plupart de la demande sur les générateurs qui ont l’incrément du coût le plus petit malgré que ces
générateurs sont les plus éloignés de la charge.
Application des méthodes métaheuristiques à l’OPF dans un environnement de l’électricité dérégulé - 18 -

1.4. 2 Dispatching économique avec des pertes constantes

Les pertes de puissances dans les lignes de transport varient en fonction de la répartition
des puissances entre les centrales et la charge. Ainsi, contrairement à celui sans perte, le
dispatching économique avec perte tient compte de la topographie du réseau. Pour pénaliser les
centrales qui produisent de la puissance dont le transit provoque d’importantes pertes, nous
multiplions leur coût incrémental par un facteur de pénalité. La justification physique de ce
facteur de pénalité s’explique par le fait qu’à cause des pertes, il peut être plus intéressant de
produire pour plus cher près du lieu de consommation que loin et pour moins cher. Le
dispatching économique avec perte est un procédé itératif qui doit converger vers la solution
optimale. Si on prend en considération les pertes de puissance constantes, on doit évaluer celles-
ci et les inclure dans la demande [5].
ng ng
F(x): ∑ f = ∑α
i =1
i
i =1
i + β i PGi + γ i PGi2 (1.24)
ng
g(x): ∑P
i =1
Gi = PD + PL (1.25)

h(x): PGi min ≤ PGi ≤ PGi max i = 1,…, ng (1.26)

L'équation résultante de l’optimisation:
⎧ ⎛ ng
⎞ ng ng

⎪ L = F + λ ⎜ P
⎜ D + P L − ∑ P ⎟
Gi ⎟ + ∑ µi max ( PGi max − PGi ) + ∑ µi min (PGi − PGi min )
⎪⎪ ⎝ i =1 ⎠ i =1 i =1

⎨ PGi < PGi max ⇒ µi max = 0 (1.27)

⎪P > P
Gi min ⇒ µi min = 0
⎪ Gi
⎪⎩
Les conditions nécessaires pour trouver le minimum sont:
⎧ ∂L
⎪ ∂P = 0
⎪ Gi
⎪ ∂L
⎪ ∂λ = 0
⎪
⎨ ∂L (1.28)
⎪ = PGi − PGi max = 0
⎪ ∂µi (max)
⎪
⎪ ∂L = PGi − PGi min = 0
⎪⎩ ∂µi (min)
Quand les limites du générateur ne sont pas satisfaites:

∂L ∂F ⎛ ∂P ⎞
=0= + λ ⎜⎜ 0 + L − 1⎟⎟ (1.29)
∂PGi ∂PGi ⎝ ∂PGi ⎠
∂F ∂ ∂f
=
∂PGi ∂PGi
( f1 + f 2 + ... + f ng ) = i
∂PGi
(1.30)
Chapitre 1: Ecoulement de Puissance Optimal par les méthodes classiques - 19 -

∂f i ∂P ⎛ 1 ⎞ ∂f i ∂f 1
∴λ = + λ L = ⎜⎜ ⎟⎟ = Li i avec Li =
∂PGi ∂PGi ⎝ 1 − ∂PL ∂PGi ⎠ ∂PGi ∂PGi 1 − ∂PL ∂PGi

∂L ng
= 0 = PD + PL − ∑ PGi (1.31)
∂λ i =1
ng
∴ ∑ PGi = PD + PL
i =1

Et l’algorithme de résolution de problème qui a été utilisé dans le problème sans pertes
peut être utilisé dans ce problème, seulement on va modifier la puissance générée comme suit:

1 ⎛⎜ ⎛ ng 1 ⎞ ⎞
−1
⎛ ng
β ⎞
PGi = ⎜∑ ⎟ ⎜⎜ PD + PL + ∑ i ⎟⎟ − β i ⎟ (1.32)
2γ i ⎜ ⎜⎝ i=1 2γ i ⎟⎠ ⎝ i =1 2γ i ⎠
⎟
⎝ ⎠

1.4. 3 Dispatching économique avec les pertes en fonction des puissances générées
Dans les réseaux électriques réels les générateurs sont situés loin du centre de la charge
électrique, alors les pertes de transport deviennent importantes.
La forme la plus simple de ces pertes est:
ng ng
PL = ∑∑ PGibij PGj (1.33)
i =1 j =1

Une deuxième forme plus précise dite la formule de Kron est la suivante [5] [20]:
ng ng ng
PL = ∑∑ PGibij PGj + ∑ b0 j PGj + b00 (1.34)
i =1 j =1 j =1

Avec les bij sont les coefficients des Pertes, souvent supposés constants (en MW-1).

Le facteur de pénalité Li est en fonction de l’accroissement de perte de transmission:

−1
⎛ ∂P ⎞
Li = ⎜⎜1 − L ⎟⎟ (1.35)
⎝ ∂PGi ⎠
Le minimum du coût est obtenu quand l’accroissement du coût de chaque centrale
multipliée par son facteur de pénalité est le même pour toutes les centrales de production en
service.
ng ng ng
PL = ∑∑ PGibij PGj + ∑ b0 j PGj + b00 (1.36)
i =1 j =1 j =1

∂PL ng
= 2∑ bij PGj + b0i
∂PGi j =1

∂f i
= β i + 2γ i PGi
∂PGi
Application des méthodes métaheuristiques à l’OPF dans un environnement de l’électricité dérégulé - 20 -

∂f i ∂P ng
λ= + λ L = β i + 2γ i PGi + 2λ ∑ bij PGj + b0i (1.37)
∂PGi ∂PGi j =1
ng ng
on a: ∑ bij PGj = bii PGi +∑ bij PGj
j =1 j =1
j ≠i

on réarrange l'équation (1.37) on aura:

⎛ γi ⎞ 1⎛ β ⎞
ng

⎜ + bii ⎟ PGi + ∑ bij PGj = ⎜1 − b0i − i ⎟

⎝λ ⎠ j =1 2⎝ λ⎠
j ≠i

On peut écrire les équations sous forme matricielle

⎡ β ⎤
⎡γ1 ⎤ ⎡ PG1 ⎤ ⎢1 − b01 − 1 ⎥
⎢ λ + b11 b12 … b1n ⎥
⎢P ⎥ ⎢
λ
⎥
⎢ γ2 ⎥⎢ G2 ⎥ ⎢ β2 ⎥
⎢ b21 + b22 b2 n ⎥ ⎢ ⎥ = 1 ⎢1 − b02 − λ ⎥
⎢ λ ⎥⎢ ⎥ 2 ⎢ (1.38)
⎥
⎢ ⎥⎢ ⎥ ⎢ ⎥
⎢ b γn ⎥
bn 2 ⎢
+ bnn ⎣ PGn ⎦⎥ ⎢ βn ⎥
⎢⎣ n1 λ ⎥⎦ ⎢1 − b0 n − λ ⎥
⎣ ⎦
Si ces facteurs de pénalité sont calculés qu’une seule fois avant d’exécuter le dispatching
en utilisant les informations prise de l’écoulement de puissance les solutions trouvées certes sont
très proches de la solution optimale mais elles ne prennent pas vraiment avec exactitude l’effet
des pertes avec la variation de la puissance générée d’où l’intérêt de la mise à jour du calcul de
coefficient B et le recalcul du dispatching jusqu’à ce que la variation de la puissance du jeu de
barres de référence sera négligeable.

1.4. 4 Application de dispatching économique sur le réseau IEEE 30-bus

Le réseau de transport qui va servir de base à notre étude est issu d'un réseau réel simplifié
qui est le réseau test IEEE 30-bus représentant une portion du système de puissance électrique
américain (in the Midwestern US) pour Décembre 1961. Ce réseau électrique est constitué de 30
jeux de barres et 6 générateurs (aux jeux de barres n=° 1, 2, 5, 8,11, et 13) injectant leurs
puissances à un système alimentant 20 charges à travers 41 lignes de transport (figure 1.3). La
tension de base pour chaque jeu de barres est de 135 kV.
Chapitre 1: Ecoulement de Puissance Optimal par les méthodes classiques - 21 -

Figure 1.3 Schéma unifilaire du réseau électrique IEEE 30-bus

La matrice admittance de ce réseau est creuse puisque parmi les 900 composants de cette
matrice seulement 112 éléments sont non nuls. Les limites min. et max. des puissances actives
générées ainsi que la courbe du coût pour chaque générateur1 sont présentées dans la figure 1.4.et
les données sont dans le tableau 1.1:
Tableau 1.1 Données des fonctions coût des 6 générateurs du réseau IEEE 30-bus
Pgi Coefficients de coût
-4
Bus Limite min. Limite max. c.10 b. 10-2 a
(MW) (MW) ($/MW2hr) ($/MWhr) ($/hr)
1 50 200 37.5 200 0
2 20 80 175.0 175 0
5 15 50 625.0 100 0
8 10 35 083.0 325 0
11 10 30 250.0 300 0
13 12 40 250.0 300 0

a) Dispatching sans pertes

On remarque d’après le tableau 1.2 que la méthode nous donne un coût de 804.57 $/h qui
est nettement inférieur par rapport à la valeur du coût trouvé par l’écoulement de puissance
(900.41$/h). Cette valeur prend en compte le coût des pertes, calculée par écoulement de
puissance. Il faut noter qu’il y a des dépassements dans les limites min. sur les angles de tensions

1 Les données des lignes et des jeux de barres de ce réseau sont données dans les tableaux l’annexe A
Application des méthodes métaheuristiques à l’OPF dans un environnement de l’électricité dérégulé - 22 -

suivants: ((jeu de barres 26, angle -14,016°), (jeu de barres 29, angle -14,537°) et (jeu de barres
30, angle -15.4879°))

Figure 1.4 Courbes quadratiques des générateurs du réseau IEEE 30-bus

b) Dispatching avec pertes constantes

On a pris comme valeur initiale des pertes 5.4451 MW qui est la valeur trouvée par
l’écoulement de puissance. La méthode qui prend en charge les pertes constante converge vers
un coût de 784.34 $/h. Pour prendre en compte le coût de la valeur exacte des pertes, on utilise
l’écoulement de puissance de Newton-Raphson pour calculer la puissance du générateur de
référence qui tient compte des pertes et calculer les tensions dans tous les jeux de barres. Le coût
optimal trouvé diminue un peu (804.25$/h) par rapport à la valeur trouvée avec la méthode sans
pertes avec une erreur plus faible de 2.4756% (tableau 1.2). On remarque aussi qu’il y a des
dépassements dans les limites min. sur deux angles de tensions au lieu de trois: ((jeu de barres
29, angle -14.5070°) et (jeu de barres 30, angle -15.4580°))
Encore une fois, malgré qu’on a pris en considération cette fois-ci les pertes mais le fait
que ces dernières sont prises constantes cela conduit à une inexacte conclusion puisque
l’emplacement des générateurs qui donnent la puissance avec le moins du coût n’est pas pris en
compte.
c) Dispatching par la méthode Lambda
On remarque que les coûts trouvés par ces deux méthodes sont meilleurs que ceux trouvés
sans l’utilisation des pertes ou avec des pertes constantes (801.38$/h pour la méthode sans mis à
Chapitre 1: Ecoulement de Puissance Optimal par les méthodes classiques - 23 -

jour des coefficients B et 801.34$/h avec mis à jour). C’est la même remarque pour les pertes de
puissance, puisqu’elle prend en considération les pertes exactes (tableau 1.2). On remarque aussi
qu’il y a un seul dépassement de la limite min. sur l’angle de tension au lieu de trois dans le jeu
de barres 30 (sans mis à jour, l’angle vaut -14.5022° et avec mis à jour, l’angle vaut -14.5327°).
La méthode avec mis à jour des coefficients B donne les plus meilleurs résultats.

Tableau 1.2 Résultats du dispatching par la méthode de Lambda sur le réseau IEEE 30-bus.
Dispatching méthode Lambda
méthode Lambda avec
Initial Dispatching avec avec les
Variable Min Max mis à jour des
State sans pertes pertes coefficients B
coefficients B
constantes constantes
P1 (MW) 50 200 98.845 197.2575 196.0267 177. 4441 178.39
P2 (MW) 20 80 80 46.4553 47.3613 48.4921 48.012
P5 (MW) 15 50 50 19.0075 19.2612 21.2809 20.978
P8 (MW) 10 35 20 10 10 22.0508 22.052
P11 (MW) 10 30 20 10 10 11.8598 11.745
P13 (MW) 12 40 20 12 12 12 12
Q1 (Mvar) -20 200 11.044 -12.1114 -11.8276 11.0444 -8.222
Q2 (Mvar) -20 100 12.416 35.8673 35.4573 12.4160 32.471
Q5 (Mvar) -15 50 13.226 25.3395 25.2396 13.2259 24.433
Q8 (Mvar) -15 60 9.4079 17.0879 17.0809 9.4079 12.401
Q11(Mvar) -10 50 28.544 28.8305 28.8291 28.5444 28.699
Q13(Mvar) -15 60 30.784 31.6568 31.6559 30.7838 31.584
θ1(deg) -14 0 0 0 0 0 0
θ2(deg) -14 0.00 -1.6425 -4.0575 -4.0248 -3.6105 -3.6350
θ5(deg) -14 0.00 -6.2663 -11.1069 -11.0595 -10.2819 -10.3270
θ8(deg) -14 0.00 -5.4127 -9.1535 -9.1228 -7.9491 -7.9785
θ11(deg) -14 0.00 -4.5395 -9.9204 -9.8903 -8.6811 -8.7302
θ13(deg) -14 0.00 -6.6217 -11.3041 -11.2756 -10.4403 -10.4700
Generation cost ($/hr) 900.41 804.57 804.25 801.38 801.34
Real power loss (MW) 5.4451 11.3555 11.2841 9.6615 9.7899
Min Vm pu 0.95581 0.9553 0.9553 0.95580 0.9558
Min delta ° -11.737 -15.4879 -15.4576 -14.5022 -14.5327

1.5. Ecoulement de Puissance Optimal (OPF)

1.5.1 OPF par la méthode de Newton

La méthode de Newton est très puissante à cause de sa convergence rapide au voisinage de
la solution. Cette propriété est spécialement utile pour les applications du système électrique
parce qu’une estimation initiale proche de la solution est facile à obtenir. Les niveaux de tension
du système peuvent être pris au voisinage des valeurs nominales, les puissances produites des
Application des méthodes métaheuristiques à l’OPF dans un environnement de l’électricité dérégulé - 24 -

générateurs peuvent être estimées à partir des données historiques et les taux de prises de charges
peuvent être pris proches de l’unité (1.0 p.u) [22].
La solution du problème d’OPF en présence des contraintes d’égalités et d’inégalités par la
méthode de Newton demande la création du Lagrangien appelé aussi la fonction de coût
augmentée selon [2]:

L( z ) = F ( x) + λt g ( x) + μ t h( x) (1.39)

avec z = [x, λ , μ ] , λ et μ sont les vecteurs des multiplicateurs de Lagrange, et h(x)

t

inclut seulement les contraintes d’inégalités actives. Alors, le gradient et le Hessien du

Lagrangien peuvent être définis.
Le vecteur gradient est constitué des premières dérivées partielles du Lagrangien par
rapport au vecteur z.
∂L
∇L ( z ) = (1.40)
∂zi
La matrice Hessienne est constituée des deuxièmes dérivées partielles du Lagrangien par
rapport au vecteur z.
⎡ ∂2L ∂2L ⎤
∂2L
⎢ ⎥
⎢ ∂xi ∂x j ∂xi ∂λ j
∂xi ∂μ j ⎥
∂ L
2
⎢ ∂2L ⎥
∇ 2 L(z ) = =H =⎢ 0 0 ⎥ (1.41)
∂zi ∂z j ⎢ ∂λi ∂x j ⎥
⎢ ∂2L ⎥
⎢ 0 0 ⎥
⎣ ∂μi ∂x j ⎦
La théorie de Kuhn-Tucker exige que: toutes les contraintes d'égalités et d'inégalités sont
satisfaites, une réduction supplémentaire dans la fonction objectif ne peut être accomplie que si
les contraintes sont forcées, et que la projection du Hessien dans la région faisable est définie
positive.
( ) ([ ])
∇ x L z ∗ = ∇ x L x∗ , λ∗ , μ ∗ = 0;
∇λ L(z ) = ∇ L ([x , λ , μ ]) = 0;
∗
λ
∗ ∗ ∗

∇μ L(z ) = ∇ L ([x , λ , μ ]) = 0;
∗
μ
∗ ∗ ∗

(1.42)
μi∗ ≥ 0 si h(x ∗ ) = 0 (c. - à - d, la contrainte d' inégalité est active)
μi∗ = 0 si h(x ∗ ) ≤ 0 (c. - à - d, la contrainte d' inégalité est inactive)
λ∗i = réel
[ ]
avec z ∗ = x∗ , λ∗ , μ ∗ est la solution optimale.
t

Donc, la résolution de l’équation ∇ x L (z ∗ ) = 0; donne la solution optimale du problème.

Chapitre 1: Ecoulement de Puissance Optimal par les méthodes classiques - 25 -

1.5.1.a Algorithme de Newton

L'algorithme de Newton est une méthode très générale pour résoudre un système
d'équations non linéaires de la forme [2] :

F ( x) = 0 (1.43)

Où F : R n → R n est régulière (au moins différentiable). On cherche donc x* tel que

F ( x) = 0 Pour tout i= 1,….n.
L’algorithme de Newton génère une suite { xk } de la manière suivante. Supposons connu

l’itéré courant xk , l’équation (1.43) linéairisée en xk est l’équation en x suivante:

F ( xk ) + F ′( xk ) ⋅ ( x − xk ) = 0 (1.44)

Lorsque F ′( xk ) est inversible, on peut résoudre cette équation. Sa solution xk+1 est le

nouvel itéré de l’algorithme de Newton. Il s’écrit xk +1 = xk + d k

Où d k = −∇ 2 f ( x k ) −1 ⋅ ∇F ( x k ) (1.45)

Les étapes de l’algorithme de Newton sont comme suit:

1. Choix un itéré initial x1 ∈ R n
Initialisation: k:= 1; Si
2. Test d’arrêt: Si F ( x) ≅ 0 arrêt de l’algorithme;
3. Calculer d k = −∇ 2 f ( x k ) −1 ⋅ ∇F ( x k )
4. xk +1 = xk + α k ⋅ d k
Accroître k de 1 et aller en 2

1.5.1.b Algorithme OPF-Newton

La solution de l'OPF peut être accomplie en utilisant l'algorithme de Newton comme
suit [22]:
Etape 1. Choisir un vecteur initial z (les niveaux de tension et les angles de phase des jeux de
barres, les puissances de sortie des générateurs, les valeurs des prises de charge et les
décalages des phases des transformateurs dynamiques ainsi que tous les multiplicateurs
de Lagrange).
Initialisation: k=1.
Etape 2. Évaluer les contraintes d’inégalités qui doivent être actives ou inactives en utilisant les
informations des multiplicateurs de Lagrange.
Etape 3. Déterminer la faisabilité de la solution de l’OPF. A présent cela assure qu'aucun des
générateurs ne possède une puissance active limite (min. et max.)
Application des méthodes métaheuristiques à l’OPF dans un environnement de l’électricité dérégulé - 26 -

Etape 4. Calculer le gradient et le Hessien du Lagrangien.

Etape 5. Résoudre l’équation [H].Δz = ∇L(z).
Etape 6. Mettre à jour la solution zk+1 = zk - Δz.
Etape 7. Vérifier que ||Δz|| < ε. Si elle est affirmée continue, sinon, aller à l’étape 4.
Etape 8. Vérifier que les inégalités modifiées ont été bien ajustées. Si c’est le cas le problème est
résolu, sinon, accroître k de 1 et aller vers l’étape 2.

1.5.1.c Les inconvénients de la méthode de Newton

Les inconvénients de la méthode de Newton sont bien connus:
1. l’algorithme n’est pas globalement convergent;
2. L’algorithme n’est pas défini aux points x ou ∇ 2 f ( x) est singulière;
3. si F n’est pas strictement convexe, l’algorithme ne génère pas nécessairement des
directions de descente de F.
Dans la littérature, divers modifications de la méthode Newton ont été faites de manière à
améliorer ses aspects défavorables [23].

1.5.2 Méthodes de type quasi-newton:

Les méthodes de type quasi-newton sont alors proposées comme alternatives qui évitent
ces défauts en utilisant les informations de la fonction objectif F(x), ces dérivées premières et le
vecteur de contrôle x pour faire une approximation à H toujours définie positive en commençant
par une matrice initiale H0 définie positive et on utilise une technique de mise à jour appropriée
[2] [22]. Durant le processus itératif, les itérés sont donc générés par la récurrence:

xk +1 = xk + α k d k , (1.46)
Où dk est une direction de descente et le pas αk >0 est déterminé par une recherche linéaire
de manière à satisfaire les deux inégalités suivantes appelées conditions de Wolfe:
F ( xk + α k d k ) ≤ F ( xk ) + w1α k (∇F ( xk ), d k )
(1.47)
(∇F ( xk + α k d k ), d k ) ≥ w2 (∇F ( xk ), d k )
Où les constantes w1 et w2 sont choisies telles que 0 < w1 < w2 < 1
La première inégalité est la condition de décroissance, tandis que le rôle de la deuxième
est d’empêcher le pas d’être trop petit.
Dans les méthodes de type quasi-Newton, dk est de la forme

d k = − M k−1∇F ( xk ) (1.48)
Chapitre 1: Ecoulement de Puissance Optimal par les méthodes classiques - 27 -

La matrice Mk n’est pas égale à ∇ 2 F ( xk ), mais générée par des formules qui cherchent à

ce que Mk soit proche de ∇ 2 F ( xk ) . On parle de formules de mise-à-jour. Celles-ci n’utilisent que

les dérivées premières de F.

1.5.2.1 Formule de BFGS

Pour utiliser la formule de mise à jour de la matrice Hessienne proposée par Broyden,
Fletcher, Goldfarb, et Shanno (BFGS) dans des articles parus en 1970 [2], il faut que la matrice
Mk de l’itération k soit connue, symétrique et définie positive et que qk = ∇F ( xk +1 ) − ∇F ( xk ) ≠0.

qk qkT M kT ΔxkT Δxk M k

M k +1 = M k + +
qkT Δxk ΔxkT M k Δxk (1.49)
Δxk = xk +1 − xk

1.5.2.2 Algorithme OPF-BFGS

En utilisant les équations citées antérieurement, la procédure du calcul est comme suit:
Etape 1. Choix d’un vecteur initial admissible x et d’une matrice M1 définie positive (on peut
choisir la matrice unitaire); Initialisation: k=1.
Etape 2. Calcul de la direction de descente: d k = − M k−1∇F ( xk ) .
Etape 3. Recherche linéaire de Wolfe: trouver un pas tel que l’on ait l’équation (1.47) (w1 et w2
sont deux constantes vérifiant: 0 < w1 < 0.5 et w1 < w2 < 1 )
Etape 4. x k +1 = x k + α k d k
Etape 5. Vérifier la convergence (toutes les contraintes sont satisfaites et de petits gradients sont
formés). Si c’est le cas le problème est résolu, sinon accroître k et aller vers l’étape 2.

1.5.3 Résumé sur la formulation de l'OPF

En résumé, le problème d'optimisation de l'écoulement de puissance en tenant compte de
toutes les contraintes d'égalités et d'inégalités déjà exposées peut être écrit comme suit [2]:
ng
min .F ( x) = ∑ (α i + β i PGi + γ i PGi2 )
i =1

selon
⎧ΔPi = 0
g ( x) = 0 ⇒ ⎨ et
⎩ΔQi = 0
Application des méthodes métaheuristiques à l’OPF dans un environnement de l’électricité dérégulé - 28 -

⎧
⎪ PGi − PGi max ≤ 0
⎪
⎪ PGi min − PGi ≤ 0
⎪QGi − QGi max ≤ 0
⎪
⎪QGi min − QGi ≤ 0
⎪V − V
i max ≤ 0
⎪⎪ i
h j ( x) ≤ 0 ⇒ ⎨Vi min − Vi ≤ 0 (1.50)
⎪ 2 2
⎪ Sij − Sij max ≤ 0
⎪
⎪tij − tij max ≤ 0
⎪t −t ≤ 0
⎪ ij min ij
⎪α ij − α ij max ≤ 0
⎪
⎪⎩α ij min − α ij ≤ 0
La fonction objectif augmenté du problème de l'OPF est donnée par:

( )
ng
L = ∑ α i + β i PGi + γ i PGi2 + ∑ λ pi ΔPi + ∑ λqi ΔQi +
i =1

(
+ µ pi (PGi − PGi max ) + µ pi (PGi min − PGi ) + µSij S ij − S ij max
2 2
)+ (1.51)
+ µtij (t ij − t ij max ) + µtij (t ij min − t ij ) + µαij (α ij − α ij max ) + µαij (α ij min − α ij ) +

+ µVi (Vi − Vi max ) + µVi (Vi min − Vi ) +

Les termes représentant les inégalités qui vont être inclus dans le Lagrangien sont
seulement ceux qui dépassent leurs limites.

1.5.4 Application de la méthode Quasi-Newton (BFGS) sur le réseau IEEE 30-bus

La méthode Quasi-Newton, en utilisant la formule de Broyden-Fletcher-Goldfarb-
Shanno (BFGS) et itérer avec la méthode de l’écoulement de puissance de Newton-Raphson est
appliquée sur le réseau test IEEE 30-bus cette fois-ci, en introduisant les limites de transite de
puissances dans toutes les lignes. Pour voir l’effet de la limitation de puissance transite dans les
lignes, on limite les lignes 1, 2 et 5 selon trois cas montrés dans le tableau 1.3.
Tableau 1.3 Limites max.des puissances transmises dans les lignes 1, 2 et 5 selon les trois cas
N° de ligne Bus Bus Cas 1 Cas 2 Cas 3
départ arrivé Sij max (MVA) Sij max (MVA) Sij max (MVA)
1 1 2 130 80 80
2 1 3 130 80 40
5 2 5 130 80 40
Chapitre 1: Ecoulement de Puissance Optimal par les méthodes classiques - 29 -

Min cas 1 cas 2 cas 3 Max

Pg(Mw)
200

150

100

50
NG
0
Pg1 Pg2 Pg5 Pg8 Pg11 Pg13

Figure 1.5 Puissances actives générées optimales par QN-OPF pour les trois cas.

cas 1 cas 2 cas 3 max

Sij (MVA)
140
130
120
110
100
90
80
70
60
50
40
30
20
10
0
1 2 3 4 5 6 7 8 9 1011121314151617181920212223242526272829303132333435363738394041
Nbl

Figure 1.6 Puissances transmises dans les lignes pour les trois cas par QN-OPF

cost($/h) cas 1 cas 2 cas 3

900
890
880
870
860
850
840
830
820
810
800
790
780
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22
Niter

Figure 1.7 Convergence OPF par la méthode de Quasi Newton pour les trois cas

0
Application des méthodes métaheuristiques à l’OPF dans un environnement de l’électricité dérégulé - 30 -

V (ca s1) V(ca s2) V(ca s3)

1
30 1,1 2
29 3
28 4

27 5

26 1,05 6

25 7

24 8
1
23 9

22 10

21 11

20 12
19 13
18 14
17 15
16

Figure 1.8 Niveaux de tensions du réseau test IEEE 30-bus après convergence de la

méthode de QN-OPF pour les trois cas

4,938
cas 3 883,35 18 8

6,151
cas 2 822,7 22 6,6

8,89
cas 1 800 21 7,5

Generation cost ($/hr) Real Pow er Loss (MW) nbr iter Time (0,1*sec.)

Figure 1.9 Comparaison des différents résultats QN-OPF de point de vue coût, pertes et
temps de convergence pour les trois cas

Les résultats obtenus après optimisation par QN incluant le coût généré, le temps de convergence
et les pertes de puissances sont exposé dans la figure 1.9. On remarque que pour le premier cas,
le coût de production trouvé par QN-OPF qui est égal 800 $/h est nettement inférieur par rapport
à l’écoulement de puissance (901.91$/h). Les puissances actives optimales sont dans leurs
gammes permises et sont loin des limites min et max. (figure 1.5). Mais avec la limitation des
transit de puissance dans les lignes 1, 2 et 5 pour les cas 2 et 3, les puissances générées des
générateurs 5 et 8 prendront leurs valeurs max. puisque les puissances générées par les
générateurs 1 et 2 sont limitées par le transit admissible sur les lignes 1 et 2 (figure 1.5 et figure
1.6). Ce qui influe directement sur le coût de production qui augmente considérablement mais
Chapitre 1: Ecoulement de Puissance Optimal par les méthodes classiques - 31 -

reste toujours inférieur à la valeur donnée par l’écoulement de puissance. On remarque que la
méthode QN-OPF converge rapidement dans les trois cas de limitations de points de vue nombre
d’itération (figure 1.7) et de point de temps de convergence (figure 1.9). Tous les niveaux de
tensions sont dans leurs fourchettes admissibles pour les trois cas (figure 1.8).

1.6. OPF par la méthode de programmation linéaire (LP)

1.6. 1 Fonction objectif

La courbe de coût typique des unités thermiques est non linéaire et elle est exprimée par
une courbe quadratique, donnée par l’équation (1.1). On peut représenter cette courbe non
linéaire par une série de m segments de droites (Fig 1.10) [5] [24]

Coût ($/h)

Ci (Pgi ) = α i + β i Pgi + γ i Pgi2 ($/h ) ΔC i 3

ΔCi 2

ΔC i1

Pgi min Pgi1 Pgi 2 Pgi 3 Pgi max

Puissance à la sortie du générateur (MW)

Figure 1.10 Approximation linéaire de la courbe du coût par 3 segments de droites

Les variables Pgi1 , Pgi 2 , …, et Pgim , représentent les incréments de puissance active

générée, qui varient entre 0 et des valeurs maximales Pgi1 max , Pgi 2 max , …et Pgim max

0 ≤ Pgik ≤ Pgik max 1.52

La puissance active totale générée, peut alors être exprimée en fonction des incréments de
puissance
Application des méthodes métaheuristiques à l’OPF dans un environnement de l’électricité dérégulé - 32 -

m
Pgi = Pgi min + ∑ Pgik (1.53)
k =1

Notons par Wik la pente du segment de droite k. L’incrément de coût qui correspond à ce
segment de droite est donné par

ΔCik = Wik Pgik (1.54)

Donc, la courbe de coût Ci peut être approximée en utilisant les segments de droite, comme suit:

C i (Pgi ) = C i (Pgi min ) + ∑ ΔC ik

m
(1.55)
k =1
Ou

Ci (Pgi ) = Ci (Pgi min ) + ∑Wik Pgik

m
(1.56)
k =1

On voit clairement que l’équation (1.56) est parfaitement linéaire, en fonction des
nouvelles variables Pgi1 , Pgi 2 ,.....Pgim , (Incréments de puissances actives générées).

On peut améliorer cette approximation, en augmentant le nombre de segments de droites.

En résumé, le problème d'optimisation de l'écoulement de puissance linéarisé, peut être écrit sous
la forme suivante: [5]
ng m
min f (x ) = ∑∑Wik .Pgik
i =1 k =1

selon
⎧ P + B.θ = 0
g (x ) = 0 ⇒ ⎨
⎩ PB − D.θ = 0
et (1.57)

⎧ Pgik − Pgik max ≤ 0

⎪
⎪− Pgik ≤ 0 i = 1,..., ng
h( x ) ≤ 0 ⇒ ⎨
⎪PBj − PBj max ≤ 0
⎪− P − P
⎩ Bj Bj max ≤ 0 j = 1,..., nbr
Où : ng est le nombre total des générateurs
nbr: est le nombre total des lignes de transport.
Le problème formulé par les équations (1.57) est un problème de programmation linéaire,
pouvant être résolu par la méthode de simplex ou ses dérivées.

1.6. 2 Méthode de programmation linéaire successive (SLP)

Le modèle standard du problème de l'OPF est formulé comme suit [5] [25]:
Chapitre 1: Ecoulement de Puissance Optimal par les méthodes classiques - 33 -

Min f ( x, u ) (fonction objectif )

sujet gi ( x , u ) = 0 i = 1,..........,n (contraintes d' égalité)
hi ( x , u ) ≤ 0 i = 1,......... m (cotraintes d' inégalités ) (1.58)
xmin ≤ x ≤ xmax
umin ≤ u ≤ umax (limites min et max )

x : Vecteur des variables d'état

u : Vecteur des variables de contrôle.
Le problème d'optimisation donné par les équations (1.58) est linéarisé autour d'un point
initial qui est la solution initiale de l'écoulement de puissance (x0 ,u0 ) comme suit [26]
t t
⎛∂ f ⎞ ⎡∂ f ⎤
Minimiser Δ f ( x , u ) = ⎜⎜ ⎟⎟ Δ x + ⎢ ⎥ .Δ u
⎝∂ x⎠ ⎣∂ u ⎦
t t
⎡ ∂ gi ⎤ ⎡ ∂ gi ⎤
sujet à ⎢ ∂ x ⎥ Δ x + ⎢ ∂ u ⎥ .Δ u + gi ( x0 , u0 ) = 0 i = 1,..., n (1.59)
⎣ ⎦ ⎣ ⎦
t t
⎡ ∂ hj ⎤ ⎡ ∂ hj ⎤
⎢ ∂ x ⎥ .Δ x + ⎢ ∂ u ⎥ . Δ u + h j ( x0 , u0 ) ≤ 0 j = 1, ..., m
⎣ ⎦ ⎣ ⎦

⎡∂⎤ ⎡∂⎤
⎢⎣ ∂x ⎥⎦ et ⎢⎣ ∂u ⎥⎦ Représentent les sous matrices jacobéennes par rapport aux variables x et u . Δx

et Δu désignent respectivement les accroissement de x et de u .

Pour que la linéarisation soit exacte, les accroissements Δx et Δu doivent varier dans un
intervalle petit
− σ ≤ Δx ≤ σ
(1.60)
− σ ≤ Δu ≤ σ

σ est le vecteur de bornes de l'intervalle linéarisation contenant des nombres petits. D'autre part,
le nouveau point de fonctionnement (x, u ) doit rester entre sa limite min. (x min , u min ) et sa limite
max. (x max ,u max ) . Les nouveaux intervalles de linéarisation deviennent comme suit [26].

max( xmin − x0 ,−σ ) ≤ Δx ≤ min( xmax − x0 ,σ )

(1.61)
max(umax − u0 ,−σ ) ≤ Δu ≤ min(umax − u0 ,σ )
Le sous problème linéarisé d’OPF, donné par la formulation (1.59) et (1.61) est un
problème de programmation linéaire classique.
Afin de réduire la taille du sous problème de programmation linéaire, on peut faire une
transformation pour l’exprimer en fonction de l'accroissement des variables de contrôle Δu . Pour
Application des méthodes métaheuristiques à l’OPF dans un environnement de l’électricité dérégulé - 34 -

cela et à partir des contraintes d'égalité qui ne sont que les équations linéarisées de l'écoulement
de puissance découplé, on tire la relation donnant Δx en fonction de Δu et qui sera ensuite
remplacée dans les contraintes d’inégalités. Ainsi le problème sera exprimé en fonction de la
variable de contrôle Δu . La résolution du sous problème de programmation linéaire, nous donne
le vecteur Δu , qui sera ajouté au vecteur initial u 0 pour avoir un nouveau vecteur mis à jour

u donné par:

u = u0 + Δu (1.62)
Un nouveau point de fonctionnement ( x, u ) est calculé en utilisant l'écoulement de
puissance en fonction de nouveau vecteur de contrôle u . Le processus de la programmation
linéaire successive (SLP) répété, jusqu'à ce que les accroissements Δx et Δu , soient inférieures à
une certaine tolérance ε .
L'algorithme simplifié de la programmation linéaire successive est comme suit:
1- Calcul de l’écoulement de puissance
2- Iteration k=1, détermination de (x (k ) , u (k ) ) de l’itération k
3- Faire le modèle SLP
4- Calculer Δu (k )
5- Calcul de u (k +1 ) = u (k ) + Δ u (k )
6- Calcul de l’écoulement de puissance
7- x (k +1)
8- Si Δx ≤ ε et Δu ≤ ε fin
9- Sinon x (k +1) = x (k ) et u (k +1) = u (k ) et retourner vers l’étape 3
• Remarque
Il faut noter que si l’intervalle de linéarisation [-σ, σ] est réduit, le processus
d’optimisation par l’algorithme SLP peut demander beaucoup d’itérations pour converger. Par
contre, si l’intervalle est large, le processus peut diverger ou peut donner des résultats
inacceptables (oscillations autour de l’optimum).
Pour remédier à ce problème, on adopte souvent une stratégie pratique: choisir des intervalles
larges pour les deux ou trois premières itérations, puis réduire les intervalles pour le reste des
itérations [26].

1.6. 3 Modèle de l’OPF par la programmation linéaire successive (SLP)

1.6.3. 1 Fonction objectif

La fonction objectif est représentée par la fonction de coût linéarisée autour d’un point de
fonctionnement (Pg(k ) ,V k , δ k ) , donnée par [5]:
Chapitre 1: Ecoulement de Puissance Optimal par les méthodes classiques - 35 -

Δf ( x, u ) = J (fk ) ΔPg [ ][ ] (1.63)

[J ( ) ]: est le vecteur ligne du jacobéen de la fonction f(x).
f
k

[ΔP ]: est le vecteur colonne de l’accroissement des puissances actives générées.

g

Les éléments du jacobéen [J ( ) ], sont donnés par: f

k

∂f
J (fik ) = = β i + 2.γ i .Pgi(k ) i = 1,..., ng (1.64)
∂Pgi

1.6.3. 2 Contraintes d’égalités

Les contraintes d’égalité sont représentées par les équations de l’écoulement de puissance
découplées données par (1.57). La linéarisation par rapport au vecteur de contrôle Pgk donne: [ ]
[ΔP ] + [P ( ) ] − [P ] − [P( ) ] = [B'][. Δσ ]
g g
k
d
k
(1.65)
avec
[Pd ] : est le vecteur des puissances actives demandées de dimension n.

[P( ) ]: est le vecteur des puissances nettes injectées aux jeux de barres de dimension n.
k

[Δσ ] : est le vecteur accroissement des phases de tensions des jeux de barres de dimension n.
[B'] : est la matrice suscèptance nodale de dimension (n× n).
On tire alors l’accroissement des phases de tensions comme suit:

[Δσ ] = [B']−1.[ΔPg ] + [B']−1.([Pg(k ) ] − [Pd ] − [P(k ) ]) (1.66)

1.6.3. 3 Contraintes d’inégalités

Les contraintes d’inégalité sont représentées par les limites admissibles des éléments
physiques du système électrique.
• Les limites des puissances actives et des modules de tensions
( ) (
max Pgi min − Pgi(k ) ,−σ i ≤ ΔPgi ≤ min Pgi max − Pgi(k ) , σ i , i = 1,.., n g )
max (V ) ≤ ΔV ≤ min (V − V ( ) ,σ ),
(1.67)
j min − V j(k ) ,−σ j j j max j
k
j j = 1,.., n
Il faut noter qu’ici, les limites des puissances réactives ne sont pas inclues, puisqu’elles sont
contrôlées au niveau de l’algorithme de l’écoulement de puissance.
• Limites des puissances actives transmises par les lignes de transport.
La linéarisation de l’équation de la puissance active transmise à travers une ligne (i, j) au
voisinage du point de fonctionnement (V k ,θ k ) est donnée par l’équation (1.68):
Application des méthodes métaheuristiques à l’OPF dans un environnement de l’électricité dérégulé - 36 -

[PB ] = [PB(k ) ] + [J hθ ][. Δθ ] + [J hv ][. ΔV ] (1.68)

Dans la pratique, les puissances actives sont liées fortement aux phases des tensions et non aux
modules. On peut alors écrire:

[PB ] = [PB( K ) ] + [J hθ ][. Δθ ] (1.69)

avec [PB ] : vecteur des puissances actives transmises par les lignes de transport.

[P( ) ]: Vecteur des puissances actives de transit au point de fonctionnement k.

B
k

[J nθ ] , [J hv ]: Sous matrices jacobéennes, dont les éléments sont donnés par:

∂PBm ∂Pij
J hv.mi = = = −2.GijVi + GijV j cos(θ i − θ j ) + BijV j sin (θi − θ j )
∂θ i ∂Vi
∂PBm ∂Pij
J hv.mj = = GijVi cos(θ i − θ j ) + BijVi sin (θ i − θ j )
∂V j ∂V j
(1.70)
∂P ∂P
J hθ .mi Bm = ij = −GijViV j sin (θ i − θ j ) + BijViV j cos(θi − θ j )
∂θ i ∂θi
∂PBm ∂Pij
J hθ .mj = = = GijViV j sin (θ i − θ j ) − BijViV j cos(θ i − θ j )
∂θ j ∂θ j
On peut éliminer les contraintes d’égalités en remplaçant l’équation (1.66) dans l’équation
(1.68)

[PB ] = [PB(k ) ] + [J hθ ][. B']−1.[ΔPg ] + [J hθ ].([B']−1.([Pg(k ) ] − [Pd ] − [P (K ) ])) (1.71)

On voit que cette dernière équation est en fonction des accroissements ΔPg . Les contraintes [ ]
d’inégalité des puissances actives de transits peuvent alors êtres écrites comme suit:

[J hθ ][. B']−1.[ΔPg ] + [J hθ ].([B']−1.([Pg(k ) ] − [Pd ] − [P (k ) ])) + [PB(k ) ] − [PB max ] ≤ 0 (1.72)

− [J hθ ][ [ ] ( ([ ] [ ])) [ ]
. B'] . ΔPg − [J hθ ]. [B'] . Pg(k ) − [Pd ] − P (k ) − PB(k ) − [PB max ] ≤ 0
−1 −1
(1.73)

1.6. 4 Résumé de la formulation du problème de l’OPF par le modèle SLP

Le modèle de l’OPF par la méthode de programmation linéaire successive est résumé [5] [26]:
[ ][ ]
min Δf ( x, u ) = J (fk ) ΔPg
. B'] .[ΔP ] + [J ].([B'] .([P ( ) ] − [P ] − [P ( ) ])) + [P ( ) ] − [P ] ≤ 0
selon [J ][
−1 −1 k k k
hθ g hθ g d B B max

. B'] .[ΔP ] − [J ].([B'] .([P ( ) ] − [P ] − [P ( ) ])) − [P ( ) ] − [P ] ≤ 0

(1.74)
− [J ][
−1 −1 k k k
hθ g hθ g d B B max

et max (P − P ( ) ,−σ ) ≤ ΔP ≤ min (P

gi min gi
k
i − P ( ) ,σ ), i = 1,.., n g
gi gi max gi
k
i

Dans cette formulation, les variables sont les éléments du vecteur de contrôle ΔPg
Chapitre 1: Ecoulement de Puissance Optimal par les méthodes classiques - 37 -

1.6. 5 Algorithme de l’OPF par la programmation linéaire successive (SLP)

Les étapes de base de l’algorithme utilisé se résument par:
Etape 1: Résoudre le problème de l’écoulement de puissance, pour obtenir une solution
acceptable qui satisfait les contraintes d’égalité.
Etape 2: Linéariser la fonction objectif et les contraintes d’inégalités, autour de la solution de
l’écoulement de puissance, et formuler le sous problème donné par les équations (1.74).
Etape 3: Résoudre le sous problème de programmation linéaire (1.74) et obtenir les
accroissements optimaux aux variables de contrôle ΔPg .

Etape 4: Mettre à jour les variables Pg(k +1) = Pg(k ) + ΔPg

Etape 5: Obtenir une nouvelle solution de l’écoulement de puissance, en utilisant les nouvelles
variables de contrôle.
Etape 6: Si les éléments de ΔPg de l’étape (3), sont inférieures à une certaine tolérance, le

processus converge, sinon, aller à l’étape (2).

1.7. Application de SLP sur le réseau IEEE 30-bus

Les contraintes de sécurité considérées sont les limites des modules et phases des tensions ainsi
que les puissances actives et réactives des générateurs. Le coût total de production et les pertes
de puissance trouvés par la méthode SLP-OPF qui vaut à (800.00$/h et 8.8902MW) sont plus
faibles par rapport à ceux trouvés par les méthodes de Lambda (801.34$/h, 9.6615MW) (figure
1.12). Les puissances générées par les différentes centrales sont tous dans leurs limites
admissibles (figure 1.11). Aucun dépassement dans les tensions (module min V =1.0078 p.u. et
angle min θ=-13.5592°) n’a été détecté avec cette méthode (figure 1.13).
Le processus d’optimisation a convergé à la 24 itérations. La figure 1.14 montre l’évolution de la
fonction coût durant le processus d’optimisation. On distingue d’après cette figure que le coût de
production commence à partir de la valeur initiale 900.961 $/h, et le passage d’un point de
fonctionnement à un autre, est réalisé à partir d’un pas optimal, ajusté successivement par la
technique de programmation linéaire, jusqu'à l’atteinte du point de fonctionnement optimal qui
correspond au coût de production 800.00 $/h.
Application des méthodes métaheuristiques à l’OPF dans un environnement de l’électricité dérégulé - 38 -

Min cas 1 cas 2 cas 3 Max

Pg(Mw)
200

150

100

50

0 Ng
Pg1 Pg2 Pg5 Pg8 Pg11 Pg13

Figure 1.11 Puissances actives pour les trois cas du réseau IEEE 30-bus par SLP-OPF

4,938
cas 3 883,35 43 2,96

6,151
cas 2 822,7 21 1,92

8,89
cas 1 800 23 1,813

Generation cost ($/hr) Real Pow er Loss (MW) nbr iter Time (sec.)

Figure 1.12 Comparaison des différents résultats SLP-OPF de point de vue coût, pertes et

temps de convergence pour les trois cas

Maintenant, on va traiter le deuxième cas de limitation des transite de puissance. On remarque

que la ligne n° 1 va dépasser la limite max et pour éliminer ce dépassement la méthode essaye de
répartir et redistribuer la puissance demandée sur les générateurs de telle sorte qu’elle respecte la
valeur max de cette ligne (figure 1.15). La fonction de coût converge après le processus
d’optimisation vers une valeur importante (822.6981$/h). On remarque que le premier générateur
a diminué de plus 29%. Aucun dépassement dans les tensions (module : min Vm =1.0152 p.u. et
angle : min θ= -11.4860°) n’a été détecté avec cette méthode (figure 1.13).
Dans le troisième cas, la méthode essaye de répartir et redistribuer la puissance demandée sur les
générateurs de telle sorte qu’elle respecte la valeur max des lignes 1, 2 et 5 (figure 1.15). La
fonction de coût converge après le processus d’optimisation vers une valeur importante (883.35
$/h) (figure 1.12). On remarque aussi qu’aucun dépassement dans les tensions (modules et
Chapitre 1: Ecoulement de Puissance Optimal par les méthodes classiques - 39 -

angles) n’a été détecté avec cette méthode (figure 1.13). Donc On a une totale satisfaction de
toutes les contraintes de sécurité, y compris les puissances actives et réactives des générateurs
dans les trois cas.

V (cas1) V(cas2) V(cas3)

1
30 1,1 2
29 3

28 4

27 5

26 1,05 6

25 7

24 8

23 9

22 10

21 11

20 12

19 13

18 14
17 15
16

Figure 1.13 Niveaux de tensions du réseau test IEEE 30-bus après convergence pour les
trois cas par la méthode SLP-OPF

iter(cas 1) iter(cas 2) iter(cas 3)

910 cost ($/h)
900
890
880
870
860
850
840
830
820
810
800
790 Niter
780
1

7
10

13

16

19

22

25

28

31

34

37

40

43

Figure 1.14 Variation de la fonction coût par SLP OPF pour les trois cas sur IEEE 30-bus
 Application des méthodes métaheuristiques à l’OPF dans un environnement de l’électricité dérégulé - 40 -

Sij Sij2 Sij3 max

140
120
100
80

60
40
20
0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41

Figure 1.15 Puissances transmises dans les lignes pour les trois cas par SLP-OPF

1.8. Méthode quadratique séquentielle

1.8.1 Méthode de type Point Intérieur: algorithme primal-dual (IP).

A l’origine, les méthodes de type « Point Intérieur » ont été conçues pour résoudre les
problèmes de programmation non linéaire. Des recherches plus approfondies sur ces méthodes
ont montré qu’elles donnaient de très bonnes performances en termes de vitesse de convergence
pour les problèmes de grande échelle. L’algorithme présenté dans cette section, connu sous le
nom d’ « algorithme primal-dual » est l’un des plus utilisé. Le principe de cette méthode est de
rajouter à la fonction objectif une fonction logarithmique « barrière » incluant des contraintes et
qui décroît progressivement au fil de l’optimisation pour tendre vers 0. Typiquement,
considérons un problème de la forme [27], [28]:

min f ( x) avec h( x) ≥ 0 (1.75)

x∈U ad

On peut théoriquement transformer ce problème contraint, en incorporant les contraintes

inégalités dans la fonction objectif, en un problème non contraint:
minad f μ ( x, μ k ) avec f μ ( x, μ k ) = f ( x) − μ k ∑ ln hi ( x) (1.76)
x∈U
i

où µk > 0 est un paramètre de pénalisation qui tend vers 0 au fil des itérations par remise à jour
appropriée. Le choix de la valeur initiale de µ0 ainsi que sa procédure de remise à jour doivent
être choisies de manière judicieuse pour éviter les problèmes de divergence.
Chapitre 1: Ecoulement de Puissance Optimal par les méthodes classiques - 41 -

1.8.2 Formulation du problème et conditions d’optimalité

La méthode de Point Intérieur décrite ici transforme d’abord les contraintes d’inégalité
h ≥ h( x) ≥ h en contraintes d’égalité en rajoutant des vecteurs tampons, comme suit:
min f ( x)
x∈U ad

avec
−s−z−h+h=0
(1.77)
− z − h( x ) + h = 0 , s ≥ 0 et z ≥ 0
g ( x) = 0

Ensuite, les conditions de non-négativité (s ≥ 0 et z ≥ 0 ) sont incorporées dans une fonction

logarithmiques de cette façon:
min f ( x) − μ k ∑ ln si + ln zi
x∈U ad
i

avec
−s−z−h+h=0 (1.78)
− z − h( x ) + h = 0 , s ≥ 0 et z ≥ 0
g ( x) = 0

Les termes logarithmiques imposent une condition de stricte positivité du vecteur s et z.

Pour résoudre le problème décrit par la relation (1.78), on peut utiliser la méthode de Newton.
On associe donc au problème formulé un Lagrangien qui est donné par:
L( y ) = f ( x) − μ k ∑ (ln( si ) + ln ( zi )) − λT g ( x) − π T (− s − z − h + h) − υ T (− z − h( x) + h) ,
i (1.79)
y = [s, z , π ,υ , xλ ]
où λ, π et υ sont les vecteurs des multiplicateurs de Lagrange (aussi appelés variables duales) et
y le vecteur définissant l’état du point courant ainsi que des différentes variables ou
multiplicateurs.
Ce Lagrangien doit bien sûr satisfaire les conditions de KKT qui s’écrivent:
⎡ π − μ k S −1e ⎤
⎢ ⎥
⎢ υˆ − μ Z e
k −1
⎥
⎢ −s−z−h+h ⎥
∇L ( y ) = ⎢ ⎥=0 (1.80)
⎢ − h( x ) − z + h ⎥
⎢∇f ( x) − J g ( x)T λ + J h ( x)T υ ⎥
⎢ ⎥
⎣⎢ − g ( x) ⎦⎥

où S = diag(s1, ,s m ) , Z = diag (z 1, ,z m ) , e=(1, ,1)T et υˆ = υ + π

 Application des méthodes métaheuristiques à l’OPF dans un environnement de l’électricité dérégulé - 42 -

Les conditions de KKT exprimées en (1.80) peuvent être interprétées comme suit: le troisième,
quatrième et sixième terme de (1.80) avec la condition (s ≥ 0 et z ≥ 0) assure la faisabilité dite
« primale ». Le cinquième terme avec la condition ( υ̂ ≥ 0 et π ≥ 0) assure la faisabilité dite
« duale »; enfin, le premier et le second terme représentent les conditions complémentaires avec
µk ≠ 0.
L’algorithme primal-dual IP ne sollicite pas nécessairement un point initial strictement faisable,
mais des conditions de stricte positivité pour les vecteurs s,z, π et υ̂ doivent être respectées
pour tous les points. Pour préserver cette condition les itérations successives de l’algorithme
suivent une trajectoire placée dans l’aire positive de l’espace défini par le produit zisi.
Les méthodes de Point Intérieur primales-duales appliquent la méthode de Newton pour
calculer le point suivant au cours de l’optimisation et résoudre le système de KKT exprimé en
(1.80), remettent à jour les variables et réduisent µk. [27]

1.8.3 Résolution suivant les directions de Newton

Bien que le système de KKT exprimé en (1.80) soit non linéaire, on calcule en général une
valeur approchée de sa solution en effectuant une itération de la méthode de Newton. On obtient
alors le système suivant:
⎡π 0 S 0 0 0 ⎤ ⎡ Δs ⎤ ⎡ξ s ⎤
⎢0 Ŷ Z Z 0 0 ⎥⎥ ⎢ Δz ⎥ ⎢ξ z ⎥
⎢ ⎢ ⎥ ⎢ ⎥
⎢I I 0 0 0 0 ⎥ ⎢Δπ ⎥ ⎢ξ π ⎥
⎢ ⎥*⎢ ⎥ = ⎢ ⎥ (1.81)
⎢0 I 0 0 Jh 0 ⎥ ⎢ Δυ ⎥ ⎢ξυ ⎥
⎢0 0 0 J Th ∇ 2x Lμ J Tg ⎥ ⎢ Δx ⎥ ⎢ξ x ⎥
⎢ ⎥ ⎢ ⎥ ⎢ ⎥
⎣⎢ 0 0 0 0 Jg 0 ⎦⎥ ⎣⎢ Δλ ⎦⎥ ⎣⎢ξ λ ⎦⎥

où … Π = diag(π1 ,…, π m ), Ŷ = diag(υ̂1 ,…, υ̂ p ) et :

ξ s = Sπ + μ k e
ξ z = Zπ + μ k e
ξ π = − s− z − h + h (1.82)
ξ υ = − h(x) − z + h
ξ x = −∇ x f (x) + J g (x) T λ − J h (x) T υ
ξ λ = − g(x)
Le calcul de ∇ Lμ implique de connaître le Hessien de la fonction objectif f, ainsi que celui des
2
x

contraintes d’égalité et d’inégalité:

Chapitre 1: Ecoulement de Puissance Optimal par les méthodes classiques - 43 -

n m
∇ 2x Lμ (y) = ∇ 2x f (x) − ∑ λ i ∇ 2x g i (x) + ∑ υ j ∇ 2x hi (x) (1.83)
i =1 j=1

1.8.4 Remise à jour des variables

Les nouvelles variables sont calculées comme suit:

X k +1 = X k + α kp Δx λ k +1 = λ k + α kD Δλ
Sk +1 = Sk + α kp Δs π k +1 = π k + α kD Δπ (1.84)
Z k +1 = Z k + α kp Δz υ k +1 = υ k + α kD Δυ
Où les scalaires α pk ∈ [0,1] etα Dk ∈ [0,1] sont déterminés par ces relations:

⎧⎪ ⎧ − sik − zk ⎫⎫⎪
α pk = min ⎨1, γ * min ⎨ , Δsi < 0, i , Δz i < 0⎬⎬
⎪⎩ i ⎩ Δsi Δzi ⎭⎪⎭
(1.85)
⎧⎪ ⎧ − π ik − υˆik ⎫⎫⎪
α = min ⎨1, γ * min ⎨
k
, Δπ i < 0, , Δυˆi < 0⎬⎬
⎪⎩ ⎩ Δπ i Δυˆi ⎭⎪⎭
D
i

Le scalaire γ ∈ (0,1) est le facteur de « sûreté » destiné à assurer que le point suivant respecte
les conditions de stricte positivité; une valeur typique est γ = 0.99995.
Pour la remise à jour de µk, on peut utiliser une procédure qui a prouvé son efficacité pour les
problèmes de programmation non linéaire en général. Tout d’abord, on calcule un « écart
complémentaire » ρ qui s’exprime ainsi:

ρ k = ( s k ) T π k + ( z k )T υˆ k (1.86)
Le paramètre ρk tend vers 0 au fur et à mesure que l’algorithme converge vers x*. La réduction
de µk peut alors se faire sur la base d’une réduction prédite de l’écart complémentaire comme
ceci:
ρk
μ k +1 = σ k (1.87)
2m
où σk est le paramètre de « centrage » compris entre 0 et 1. Choisir σk = 1 définit une direction
« centrale », tandis que prendre σk = 0 revient à définir une évolution basée uniquement sur le
principe de la méthode de Newton. Un bon compromis entre ces deux extrêmes serait de choisir
σk tel que σk = max { 0.99 σk-1 ,0.1} avec σ0 = 0.2.

1.8.5 Test de convergence

L’algorithme convergera si on remplit les conditions suivantes:

 Application des méthodes métaheuristiques à l’OPF dans un environnement de l’électricité dérégulé - 44 -

v1k ≤ ε 1 μk ≤ εμ
v2k ≤ ε 2 Δx ∞ ≤ ε 2
ou bien
v3k ≤ ε 3 g ( x k ) ∞ ≤ ε1 (1.88)
v4k ≤ ε 4 v4k ≤ ε 2

Où

{ { } {
v1 = max max h − h(x) ,max h(x)− h , g(x)∞ } }
∇x f(x)− Jg (x)T λ+ Jh (x)T υ ∞
v2 = 2
1+ x
ρ (1.89)
v3 = 2
1+ x
f (xk ) − f (xk−1)
v4 =
1+ f (xk )
Les tolérances typiques que l’on peut appliquer sont ε1 =10-4, ε2 =10-2ε1, et εµ =10-12

1.8.6 Algorithme de la méthode IP

L’algorithme de la méthode IP (primal- dual) est donné comme suit

• Etape 1 (initialisation): k=0, µ0 et choisir le point initiale y0 qui satisfaire les conditions de
stricte positivité (s, z, π et υ̂ >0)
• Etape 2 (calcul de la direction de Newton)
• Etape 3(la mise à jour des variables)
Les nouvelles variables sont calculées équations (1.84).
• Etape 4 (test de convergence)
Si le nouveau point satisfait les critères de convergence stop
Si non k=k+1 et mis à jour du paramètre barrière µk puis retourner à l’étape 1

1.8.7 Application d’IP-OPF sur le réseau IEEE 30-bus

Dans le premier cas, Les mêmes remarques tirées auparavant pour la méthode QN-OPF et SLP-
OPF sont conclus de points de vue puissances génères par les différentes centrales (Fig 1.16) et
tensions aux différents jeux de barres (Fig 1.18).
La seule différence notable est la rapidité de convergence de la méthode IP-OPF. Le processus a
convergé à la 6éme itérations. La figure 1.17 montre l’évolution de la fonction coût durant le
processus d’optimisation dans les trois cas de limitations.
Chapitre 1: Ecoulement de Puissance Optimal par les méthodes classiques - 45 -

Min cas 1 cas 2 cas 3 Max

200

150

100

50

0
Pg1 Pg2 Pg5 Pg8 Pg11 Pg13

Figure 1.16 Puissances actives par IP-OPF pour les trois cas

cas 1 cas 2 cas 3

cost ($/h)
860
810
760
710 Niter
660
1 2 3 4 5 6 7 8 9 10 11 12

Figure 1.17 Variation de la fonction coût durant le processus d’optimisation IP-OPF avec
limites appliquées sur les lignes du réseau 30 Bus

V (cas1) V(cas2) V(cas3)

1
30 1,1 2
29 3
28 1,08 4
27 1,06 5
1,04
26 6
1,02
25 1 7
0,98
24 8
0,96
23 9

22 10

21 11
20 12
19 13
18 14
17 15
16

Figure 1.18 Niveaux de tensions du réseau test IEEE 30-bus après convergence de la
méthode IP-OPF pour les trois cas
Application des méthodes métaheuristiques à l’OPF dans un environnement de l’électricité dérégulé - 46 -

Sij Sij2 Sij3 max

140
120
100
80
60
40
20
0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41

Figure 1.19 Puissances transmises dans les lignes pour les trois cas par la méthode IP-OPF

5,282
cas 3 858,485 5,94

6,611
cas 2 813,9964 1,031

8,89
cas 1 800,0038 1,88

Generation cost ($/hr) Real Power Loss (MW) Time (sec.)

Figure 1.20 Comparaison des différents résultats IP-OPF de point de vue coût, pertes et
temps de convergence pour les trois cas

Maintenant, on va traiter le deuxième cas de limitation des transites de puissance. On remarque

que le coût total de production et les pertes de puissance trouvés par la méthode IP-OPF (figure
1.20) qui vaut à (813.9964$/h) est plus faible par rapport à ceux trouvés par les méthodes de
SLP-OPF (822.6981$/h) et QN-OPF (822.7$/h).
Dans le troisième cas, la méthode essaye de répartir et redistribuer la puissance demandée sur les
générateurs de telle sorte qu’elle respecte la valeur max des lignes 1, 2 et 5 (figure 1.19). La
fonction coût converge après le processus d’optimisation vers une valeur importante (858.485
$/h) (figure 1.20). On remarque aussi qu’aucun dépassement dans les tensions (modules et
angles) n’a été détecté avec cette méthode (figure 1.18). Donc On a une totale satisfaction de
toutes les contraintes de sécurité, y compris les puissances actives et réactives des générateurs
dans les trois cas.
Chapitre 1: Ecoulement de Puissance Optimal par les méthodes classiques - 47 -

1.9. Comparaison entre les trois méthodes classiques:

Puisque les résultats obtenus par les trois méthodes QN-OPF, SLP-OPF et IP-OPF pour les deux
premiers cas sont presque identiques. La seule différence est la rapidité de convergence d’IP-
OPF dans les trois cas de limitations de point de vue de nombre d’itération et temps de
convergence. C’est pour cela la comparaison entre les trois méthodes est faite pour le troisième
cas uniquement.
On peut dire que ces trois méthodes donnent des répartitions des puissances générées presque les
mêmes (figure 1.21) sauf pour la branche 10 la méthode IP-OPF donne une valeur notable
(26.697MW) par rapport aux QN-OPF et SLP-OPF (0.9273MW).
La valeur du coût trouvée par la méthode classique IP-OPF (858.485$/h) est meilleure que
celles trouvées par les méthodes QN-OPF (883.3457$/h) et SLP-OPF (883.35$/h) qui sont très
proches (figure 1.25), sachant que les pertes de puissance trouvées par ces dernières sont
meilleures que la méthode IP-OPF (figure 1.25).
Le nombre des itérations de convergence d’IP-OPF est plus réduit par rapport à QN-OPF et
fortement réduit que SLP-OPF. Bien que les trois méthodes sont rapides de point de vue temps
de convergence, mais le faite que IP-OPF est la plus rapide, favorise son application pour les
réseaux à grandes échelles (figure 1.25).
Les tensions (modules et angles) trouvées par ces méthodes sont acceptables et dans leurs limites
admissibles (figure 1.26).
Puisque la méthode IP-OPF a donné les meilleurs résultats, on va, dans un dernier test, montrer
son efficacité. Ce test concerne l’augmentation de la charge avec les taux suivants : 8%, 15%,
40% et 45%. On remarque d’après les résultats trouvés et montrés dans les figures 1.26, 1.27 et
1.28 que cette méthode est robuste puisque elle répartie les puissances sur les générateurs jusqu’à
ce que les générateurs prennent leurs valeurs max. sans que les lignes atteignent les limites
maximales. On remarque que les deux temps de convergence pour la surcharge 40% et 45%
diminuent à 7 sec. comparés avec la surcharge 8% et 15% qui est explicable puisque les
générateurs 2, 8 et 11 prennent les valeurs maximales, il reste à répartir le reste de la puissance
sur les autres générateurs. Mais, on ne peut pas aller au-delà de 40% car on aura d’une part, les
lignes surchargées et d’autre part un risque de défaillance si un générateur sort du synchronisme
ou une ligne subit un défaut et sort du réseau électrique puisque le minimum de réserve
acceptable se trouve dans ce cas avec une valeur de 16 MW qui représente 6.25%. Pour le cas
de 45% la réserve est de 10.468 MW présentant 2.45% de la charge totale qui est inférieure à la
valeur minimale de la réserve exigée. On remarque enfin que pour le cas de surcharge de
Application des méthodes métaheuristiques à l’OPF dans un environnement de l’électricité dérégulé - 48 -

40%, le coût augmente de 63% qui est expliqué par l’utilisation des centrales les plus chères pour
cette valeurs de pointe.

QN SLP PI max
Sij(MVA)
140
120
100
80
60
40
20
0 Nbl
1 2 3 4 5 6 7 8 9 1011121314151617181920212223242526272829303132333435363738394041

Figure 1.21 Puissances transmises dans les lignes pour le troisième cas du réseau IEEE 30-
bus après convergence des trois méthodes QN, SLP et IP

V (QN) V(SLP) V(PI)

1
30 1,1 2
29 3

28 4

27 5

26 1,05 6

25 7

24 8

23 9

22 10

21 11

20 12

19 13

18 14
17 15
16

Figure 1.22 Niveaux de tensions du réseau test IEEE 30-bus après convergence des trois

méthodes QN, SLP et IP

Chapitre 1: Ecoulement de Puissance Optimal par les méthodes classiques - 49 -

SLP PI QN
cost ($/h)
910
860
810
760
710 Niter
660
1

9
11

13

15

17

19

21

23

25

27

29

31

33

35

37

39

41

43
Figure 1.23 Convergences aux valeurs optimales pour le 3 ème cas trouvées par les trois
méthodes QN, SLP et IP.

Min QN SLP PI Max

Pg (Mw)
200

150

100

50

0
Pg1 Pg2 Pg5 Pg8 Pg11 Pg13

Figure 1.24 Comparaison des valeurs optimales des puissances actives générées trouvées

par les trois méthodes QN, SLP et IP.

5,282
PI 858,485 5,94

4,938
SLP 883,35 2,96

4,938
QN 883,3457 8

Generation cost ($/hr) Real Power Loss (MW) Time (sec.)

Figure 1.25 Comparaison des valeurs optimales des coûts, des pertes et le temps de

convergence trouvés par les trois méthodes QN, SLP et IP.

Application des méthodes métaheuristiques à l’OPF dans un environnement de l’électricité dérégulé - 50 -

Min 1,08 load 1,15 load 1,40 load 1,45 load Max
Pg (MW)
200

150

100

50

0
Pg1 Pg2 Pg5 Pg8 Pg11 Pg13

Figure 1.26 Comparaison des valeurs optimales des puissances actives générées trouvées
par IP-OPF dans le cas de l’augmentation de la charge

1,08 Pd 1,15 Pd 1,4 Pd 1,45 Pd max

140

120

100
Sij (MVA)

80

60

40

20

0
1 2 3 4 5 6 7 8 9 1011121314151617181920212223242526272829303132333435363738394041

Figure 1.27 Puissances transmises dans les lignes du réseau IEEE 30-bus après
convergence de la méthode IP-OPF dans le cas de l’augmentation de la charge.
Chapitre 1: Ecoulement de Puissance Optimal par les méthodes classiques - 51 -

1,45 Pd 1341,4 13,607 13 7

1,4 Pd 1265,1 13,45 15 8

1,15 Pd 958,87 10,83 26 12

1,08 Pd 883,57 10,05 26 11

Generation cost ($/hr) Real Power Loss (MW) nbr iter Time (sec.)

Figure 1.28 Comparaison des valeurs optimales des coûts, des pertes, le temps de
convergence et nombre d’itérations trouvées par IP dans le cas de l’augmentation de la
charge

1.10. Conclusion:
Dans ce chapitre, on a détaillé le calcul de l'écoulement de puissance optimal en utilisant la
méthode du multiplicateur de Lagrange, la méthode de Newton, la méthode de quasi- newton, la
méthode SLP et la méthode IP.
L'inconvénient de la méthode de Lagrange est le risque de converger vers un optimum local. La
méthode Newton ne peut pas converger vers un optimum global si la fonction de coût n'est pas
deux fois dérivable, ou on ne dispose pas des dérivées secondes, ou la matrice Hessienne est
singulière. La méthode Quasi-Newton ou la méthode de type Point Intérieur: algorithme primal-
dual (IP) peut remplacer la méthode de Newton puisque elle ne demande que le calcul des
dérivées premières et une approximation de la matrice Hessienne. Cette dernière méthode peut
garantir la faisabilité des solutions trouvées si le problème est linéaire ou quadratique.
L’utilisation de ces méthodes pour résoudre le problème d’OPF est complexe au niveau de la
modélisation et du calcul et elles ne donnent pas de solutions exactes surtout si la fonction de
coût et/ou les contraintes sont vraiment non linéaires. C'est pourquoi, on propose l'utilisation des
méthodes métaheuristiques qui n’exigent aucune condition sur la continuité, la dérivabilité et la
linéarité de la fonction de coût du problème à optimiser.
 - 52 -

CHAPITRE 2
LES METHODES METAHEURISTIQUE A P P L I Q U E E S A L ’OPF

2.1. Introduction
Un problème d'optimisation est un problème dont on peut distinguer une ou plusieurs
fonctions coût qui permettent de différencier une bonne solution d'une mauvaise. Lorsqu’un
nouveau problème d’optimisation se pose en ingénierie, il faut parfois définir de nouvelles
méthodes de résolution car les techniques existantes ne sont pas précisément adaptées au cas
traité. La source d’inspiration de ces méthodes peut être issue de la modélisation des systèmes
complexes naturels. Il s’agit de copier et d’adapter les concepts mis en œuvre par le monde du
vivant pour la résolution de problèmes d’optimisation. Les recherches sur les comportements
collectifs des insectes sociaux fournissent aux chercheurs des méthodes puissantes pour la
conception d'algorithmes d'optimisation combinatoire. L’étude menée par des chercheurs
éthologiste montre que ces techniques s’appliquent aujourd’hui à tout un ensemble de problèmes
scientifiques et techniques.
Les algorithmes métaheuristiques permettent de s'approcher d'une ou de plusieurs solutions
à des problèmes dits "difficiles" qui s'apparentent à des problèmes d'optimisations. Le principe
d'une métaheuristique est de minimiser ou de maximiser une fonction objectif. L’avantage des
métaheuristiques est de trouver un minimum global à un problème de minimisation et de ne pas
rester bloqué sur un minimum local [29].
Dans ce chapitre, on va étudier et tester l’application de l’écoulement de puissance optimal
(OPF) par trois méthodes métaheuristiques à savoir ACO, GA et PSO sur le réseau électrique de
30 bus. Les résultats obtenus vont être comparés entre eux ainsi qu’avec la méthode de point
intérieur (IP).

2.2. Principe des méthodes métaheuristique les plus répondues

2.2.1 Voisinage
Sans conteste, le principe général le plus largement utilisé dans l’élaboration des
métaheuristiques est celui de voisinage. À chaque solution s du problème, on associe un sous-
ensemble V(s) de solutions. Ce sous-ensemble peut être statique, comme dans le cas du recuit
Chapitre 2 Les méthodes métaheuristiques appliquées à l’OPF - 53 --

simulé, mais aussi dynamique et dépend du temps t (ou plus précisément de l’itération à laquelle
on se trouve).
Pour un problème d’optimisation combinatoire non convexe, pour lequel il est possible de
définir un ensemble de voisinages a priori intéressants, la situation se complexifie. Il devient
alors difficile de se décider pour l’un ou l’autre des voisinages autrement que par des essais.
Comme le voisinage n’est qu’une partie des principes, tous interdépendants, utilisés dans
l’heuristique, le choix d’un (ou de plusieurs) voisinage devient réellement problématique car on
ne dispose que de très peu de résultats théoriques sur la qualité d’un voisinage pour un problème
particulier.
Il existe une mesure de l’adéquation des voisinages appelée rugosité : l’idée consiste à
évaluer la variance des coûts de deux solutions voisines. Cette variance est ensuite normalisée
par la variance des coûts de l’ensemble des solutions et par la taille du problème, afin d’avoir
une mesure indépendante de la valeur absolue de la fonction objectif ou de la taille du problème
[30] [1].

2.2.2 Cadre des métaheuristiques

L’arrivée des métaheuristiques marque une réconciliation des deux domaines : en effet,
celles-ci s'appliquent à toutes sortes de problèmes discrets, et elles peuvent s’adapter aussi aux
problèmes continus. Ces méthodes ont en commun, en outre, les caractéristiques suivantes [31]:
; elles sont, au moins pour partie, stochastiques : cette approche permet de faire face à
l'explosion combinatoire des possibilités.
; souvent d’origine discrète (à l’exception notable de PSO), elles ont l'avantage, décisif
dans le cas continu, d'être directes, c'est-à-dire qu'elles ne recourent pas au calcul,
souvent problématique, des gradients de la fonction objectif.
; elles sont inspirées par des analogies : avec la physique (recuit simulé), avec la biologie
(algorithmes génétiques) ou avec l’éthologie (colonies de fourmis...).
; elles partagent aussi les mêmes inconvénients : les difficultés de réglage des paramètres
de la méthode, et le temps de calcul élevé.

2.3. Les algorithmes de colonies de fourmis

2.3.1. Les fourmis réelles

L’étude des fourmis a longtemps été négligée par les entomologistes. Jusqu’à ce que,
Hölldobler et Wilson ont corrigé cette lacune en 1990 en publiant un ouvrage concentrant tout ce
que l’on connaissait alors des fourmis [32].
Application des méthodes métaheuristiques à l’OPF dans un environnement d’électricité dérégulé - 54 -

Les fourmis constituent à l’heure actuelle un support majeur pour les théories développées
en écologie comportementale et en sociobiologie. On peut citer plusieurs raisons à cette
inspiration:
a) l’influence des fourmis sur leur environnement naturel est extrêmement
importante. Il a par exemple été montré (qu’elles déplacent plus de terre en forêt tropicale
que les vers de terre, ou encore que le poids total des fourmis sur terre est du même ordre
de grandeur que le poids des humains. De plus, la domination des fourmis est une preuve
de leur adaptation à des environnements très variés)
b) l’étude des fourmis se fait assez facilement en laboratoire car elles s’adaptent sans
trop de difficultés à des environnements différents de leur habitat d’origine ;
c) les fourmis possèdent une gamme de comportements très variés, collectifs ou
individuels.

2.3.1.1. L’intelligence collective des fourmis

Malgré que certaines espèces des fourmis aient des capacités individuelles étonnantes
telle que des capacités visuelles inhabituelles et des capacités d’apprentissage mais la plupart
des caractéristiques qui nous intéressent sont cependant collectives.
On parle d’intelligence collective quand un groupe social peut résoudre un problème dans un cas
où un agent isolé en serait incapable. Cette intelligence est basée sur les processus d’auto-
organisation.
L’auto-organisation se parée bien à l’étude des insectes sociaux montrent des
comportements collectifs complexes issus de comportements individuels simples. On peut
regrouper les processus d’auto-organisation chez les insectes sociaux en quatre groupes tant leur
diversité est importante [31].
– la division du travail et l’organisation des rôles sociaux : à l’intérieur d’une même société,
on peut observer différentes catégories spécialisées dans un certain nombre de tâches (la
recherche de nourriture, la défense du nid, …) ;
– l’organisation de l’environnement : la construction du nid est un symbole de l’organisation
distribuée des insectes. Le nid est construit sans que les insectes soient dirigés, ils
répondent à un certain nombre de stimuli provenant de leur environnement ;
– la reconnaissance inter-individuelle : chaque fourmi est capable d’identifier ses
congénères tout en participant elle même à l’identité de sa colonie (par exemple l’échange
d’aliments entre les individus d’une même colonie ‘trophalaxie’)
Chapitre 2 Les méthodes métaheuristiques appliquées à l’OPF - 55 --

– le recrutement et l’exploitation collective des sources de nourriture : le fourragement met à

jour des stratégies qui permettent aux insectes une grande adaptation à leur milieu.
Les capacités des fourmis en matière de coopération, de communication, de compétition et
d’apprentissage, entre autres, peuvent être mises à profit pour la conception d’algorithmes de
résolution des problèmes d’optimisation [33].

2.3.1.2. La communication
Les insectes sociaux en général, et les fourmis en particulier, ont développé des
mécanismes de communication très élaborés. Il a été défini douze types de réponse mettant en
œuvre une forme de communication [29] [32]:
01. l’alarme;
02. l’attraction simple;
03. le recrutement (pour une source de nourriture ou un site de nidification) ;
04. l’entretien et l’amélioration;
05. la trophallaxie (échange de liquides);
06. l’échange d’aliments solides;
07. les effets de groupe (augmentation ou inhibition d’une activité);
08. la reconnaissance des apparentés ou de caste;
09. la compétition pour la reproduction ;
10. la détermination de catégorie; la compétition pour la reproduction;
11. le marquage du territoire et du nid;
12. la reproduction (différenciation du sexe, de l’espèce, de la colonie...).
La communication chimique est de loin la plus présente chez les fourmis. Les phéromones
(mélange d’hydrocarbures) sont à la base de la communication de nombreuses espèces.
La chémoréception présente les avantages suivants [31]:
¾ la diversité des molécules pouvant intervenir permet de fournir des informations
qualitatives
¾ la stabilité du signal pour une molécule peu volatile permet d’assurer une certaine
permanence.
Par contre, les principaux inconvénients de la communication chimique sont les suivants:
¾ elle n’offre que peu d’informations sur la direction ;
¾ sa propagation est relativement lente et elle est peu adaptée pour la transmission de
messages urgents ou pour l’intégration de deux stimulations successives sous une forme
temporelle.
Application des méthodes métaheuristiques à l’OPF dans un environnement d’électricité dérégulé - 56 -

La communication entre les individus peut se faire directement ou indirectement.

L’utilisation des phéromones est majoritairement une forme indirecte puisque l’échange
d’information se fait grâce au support du sol. Quand deux individus interagissent indirectement
en modifiant l’environnement on parle de stigmergie.

2.3.2. Les fourmis artificielles

Le terme « fourmi » est un mot qui se profile plusieurs domaines : celui de la biologie ou
plus précisément de la myrmécologie qui est l’étude du comportement naturel des fourmis, celui
de la robotique qui utilise leur comportement pour concevoir de nouvelle machines, et celui de
l’informatique où ces créatures sont modélisées pour la simulation ou la création d’algorithme.
Les différentes applications informatiques qui découlent des capacités de communication des
fourmis se retrouvent par exemple en optimisation combinatoire où la coopération
stigmergétique s’applique parfaitement à la recherche du plus court chemin dans un graphe [33].

2.3.2.1. Les algorithmes de colonies de fourmis

Les algorithmes de colonies de fourmis forment une classe des métaheuristiques
récemment proposée pour des problèmes d’optimisation difficiles. Ces algorithmes s’inspirent
des comportements collectifs de dépôt et de suivi de piste observés dans les colonies de fourmis.
Une colonie d’agents simples (les fourmis) communiquent indirectement via des modifications
dynamiques de leur environnement (les pistes de phéromones) et construisent ainsi une solution
à un problème en s’appuyant sur leur expérience collective.

2.3.2.2. Optimisation naturelle : pistes de phéromones

Les algorithmes de colonies de fourmis sont nés à la suite d’une constatation : les insectes
sociaux en général, et les colonies de fourmis en particulier, résolvent naturellement des
problèmes relativement complexes. Les biologistes ont étudié comment les fourmis arrivent à
résoudre collectivement des problèmes trop complexes pour un seul individu, notamment les
problèmes de choix lors de l’exploitation de sources de nourriture. Les fourmis ont la
particularité d’employer pour communiquer des substances volatiles appelées phéromones. Elles
sont très sensibles à ces substances, qu’elles perçoivent grâce à des récepteurs situés dans leurs
antennes. Ces substances sont nombreuses et varient selon les espèces. Les fourmis peuvent
déposer des phéromones au sol, grâce à une glande située dans leur abdomen, et former ainsi des
pistes odorantes, qui pourront être suivies par leurs congénères (figure 2.1) [34].
Chapitre 2 Les méthodes métaheuristiques appliquées à l’OPF - 57 --

Figure 2.1 Des fourmis suivant une piste de phéromone.

Les fourmis utilisent les pistes de phéromones pour marquer leur trajet (entre le nid et une
source de nourriture). Une colonie est ainsi capable de choisir (sous certaines conditions) le plus
court chemin vers une source à exploiter, sans que les individus aient une vision globale du
trajet.

(a) au début de l’expérience (b) à la fin de l’expérience.

Figure 2.2 Expérience de sélection des branches les plus courtes par une C.F

En effet, comme illustré sur la figure 2.2, les fourmis le plus rapidement arrivées au nid,
après avoir visité la source de nourriture, sont celles qui empruntent les deux branches les plus
courtes. Ainsi, la quantité de phéromone présente sur le plus court trajet est légèrement plus
importante que celle présente sur le chemin le plus long. Or, une piste présentant une plus grande
concentration en phéromones est plus attirante pour les fourmis, elle a une probabilité plus
grande d’être empruntée. La piste courte va alors être plus renforcée que la longue, et, à terme,
sera choisie par la grande majorité des fourmis. Mais à tout moment, la probabilité existe qu'un
individu quitte la trace puis se déplace plus ou moins au hasard. À cette occasion, l'individu
Application des méthodes métaheuristiques à l’OPF dans un environnement d’électricité dérégulé - 58 -

«égaré» peut éventuellement découvrir une source de nourriture beaucoup plus riche que celle
qu'exploitent ses sœurs. En déposant alors une trace de phéromones plus intense encore, elle va
les attirer vers cette nouvelle ressource, formant une nouvelle boucle de rétroaction positive [35].

2.3.3. Optimisation par colonies de fourmis et problème du voyageur de commerce

Le problème du voyageur de commerce (Travelling Salesman Problem, ‘TSP’) a fait
l’objet de la première implémentation d’un algorithme de colonies de fourmis dit “Ant System”
(AS). Le passage de la métaphore à l’algorithme est ici relativement facile à faire et le problème
du voyageur de commerce est bien connu et étudié. Il est intéressant d’approfondir le principe de
ce premier algorithme pour bien comprendre le mode de fonctionnement des algorithmes de
colonies de fourmis. Il y a deux façons d’aborder ces algorithmes. La première, la plus évidente
au premier abord, est celle qui a historiquement mené au “Ant System” original. La seconde est
une description plus formelle des mécanismes communs aux algorithmes de colonies de fourmis
[36].
Le problème du voyageur de commerce consiste à trouver le trajet le plus court reliant n
villes données, chaque ville ne devant être visitée qu’une seule fois. Le problème est plus
généralement défini comme un graphe complètement connecté (N, A), où les villes sont les
nœuds N et les trajets entre ces villes, les arêtes A [37].

2.3.4. Algorithme de base

Du coté des fourmis artificielles, quelques modifications ont apporté aux capacités des
fourmis décrites précédemment :
- elles possèdent une mémoire ;
- elles ne sont pas totalement aveugles ;
- le temps est discret.
Dans l’algorithme AS, les fourmis sont placées sur les sommets du graphe (sur chaque
ville). Elles se déplacent d’un sommet à l’autre en empruntant les arrêtes du graphe [38].
À chaque itération t (1<t<tmax), chaque fourmi k (k = 1,. ., m) parcourt le graphe et construit un
trajet complet.
Pour chaque fourmi, le trajet entre une ville i et une ville j dépend de :
1. la liste des villes déjà visitées, qui définit les mouvements possibles à chaque pas,
quand la fourmi k est sur la ville j :Jik
Chapitre 2 Les méthodes métaheuristiques appliquées à l’OPF - 59 --

2. l’inverse de la distance entre les villes ηij = 1 dij : appelée visibilité. Cette

information statique est utilisée pour diriger le choix des fourmis vers des villes
proches, et éviter les villes trop lointaines;
3. la quantité de phéromone déposée sur l’arête reliant les deux villes, appelée
l’intensité de la piste τ ij (t ) . Ce paramètre définit l’attractivité d’une partie du trajet

global et change à chaque passage d’une fourmi. C’est en quelque sorte une mémoire
globale du système, qui évolue par apprentissage.
La règle de déplacement est la suivante:
⎧ (τ ij (t ))α ⋅ (ηij ) β
⎪⎪ si j ∈ J ik
Pijk (t ) = ⎨ ∑k (τ il (t )) ⋅ (ηij )
α β
(2.1)
⎪ l∈Ji
⎪⎩ 0 si j ∉ J ik

où α et β deux paramètres contrôlant l’importance relative de l’intensité de la piste, τ ij (t ) , et de

la visibilité, ηij. Avec α = 0, seule la visibilité de la ville est prise en compte; la ville la plus
proche est donc choisie à chaque pas. Au contraire, avec β = 0, seules les pistes de phéromone
sont utilisées. Pour éviter une sélection trop rapide d’un trajet, un compromis entre ces deux
paramètres, jouant sur les comportements de diversification et d’intensification est nécessaire.

Après un tour complet, chaque fourmi laisse une certaine quantité de phéromones Δτijκ(t)
sur l’ensemble de son parcours, quantité qui dépend de la qualité de la solution trouvée
⎧ Q
⎪ k si (i, j ) ∈ T k (t )
Δτ (t ) = ⎨ L (t )
k
ij (2.2)
⎪⎩0 si (i, j ) ∉ T (t )
k

où T (t) est le trajet effectué par la fourmi k à l’itération t, Lk(t) la longueur du tour et Q un
k

paramètre fixé.
L’algorithme ne serait pas complet sans le processus d’évaporation des pistes de
phéromone. En effet, pour éviter d’être piégé dans des solutions sous-optimales, il est nécessaire
de permettre au système “d’oublier” les mauvaises solutions. On contrebalance donc l’additivité
des pistes par une décroissance constante des valeurs des arêtes à chaque itération. La règle de
mise à jour des pistes est donc

τ ij (t + 1) = (1 − ρ ) ⋅τ ij (t ) + Δτ ij (t ) (2.3)
Application des méthodes métaheuristiques à l’OPF dans un environnement d’électricité dérégulé - 60 -

m
avec: Δτ ij (t ) = ∑ Δτ ijk (t ) et m est le nombre de fourmis. La quantité initiale de phéromone sur
k =1

les arêtes est une distribution uniforme d’une petite quantité τ 0 ≥ 0 . La figure 2.3 présente un
exemple simplifié de problème du voyageur de commerce optimisé par un algorithme AS dont le
pseudo code est présenté sur l’algorithme 2.1. Dans la figure 2.3, les points représentent les villes
et l’épaisseur des arêtes représente la quantité de phéromone déposée: (a) exemple de trajet
construit par une fourmi, (b) au début du calcul, tous les chemins sont explorés, (c) le chemin le
plus court est plus renforcé que les autres, (d) l’évaporation permet d’éliminer les moins bonnes
solutions. [37]

Figure 2.3 Le problème du voyageur de commerce optimisé par l’algorithme AS.

Les étapes de l’algorithme de colonies de fourmis de base (Ant System) sont comme suit :
Pour t=1,...,tmax
Pour chaque fourmi k = 1,. . . , m
Choisir une ville au hasard
Pour chaque ville non visitée i
Choisir une ville j, dans la liste des villes restantes, selon la formule 2.1
Fin Pour
Déposer une piste Δτijk(t) sur le trajet Tk(t) conformément à l’équation 2.2
Fin Pour
Évaporer les pistes selon la formule 2.3
Fin Pour

2.3.6. Variantes du système de Fourmis

a Ant System & élitisme
Une première variante du “Système de Fourmis” a été proposée dans [39] par
l’introduction de fourmis “élitistes”. Dans cette version, la meilleure fourmi (celle qui a effectué
le trajet le plus court) dépose une quantité de phéromone plus grande, dans l’optique d’accroître
la probabilité des autres fourmis d’explorer la solution la plus prometteuse.
b Ant-Q
Dans cette variante de AS, la règle de mise à jour locale est inspirée du “Q-learning”(un
algorithme d’apprentissage par renforcement) [40] . Cependant, aucune amélioration par rapport
Chapitre 2 Les méthodes métaheuristiques appliquées à l’OPF - 61 --

à l’algorithme AS n’a pu être démontrée. Cet algorithme n’est d’ailleurs, de l’aveu même des
auteurs, qu’une pré version du “Ant Colony System”.
c Ant Colony System
L’algorithme “Ant Colony System” (ACS) a été introduit pour améliorer les performances
du premier algorithme sur des problèmes de grandes tailles [36] [40]. ACS est fondé sur des
modifications du AS:
9 ACS introduit une règle de transition dépendant d’un paramètre q0 ( 0 ≤ q0 ≤ 1 ), qui définit
une balance diversification / intensification. Une fourmi k sur une ville i choisira une ville j par
la règle

⎧ arg max u∈J k [(τ iu (t )) ⋅ (ηiJ ) β ] si q ≤ q0

j=⎨ i (2.4)
⎩J si q > q0
Où q est une variable aléatoire uniformément distribuée sur [0, 1] et J ∈ J ik une ville sélectionnée
aléatoirement selon la probabilité

(τ iJ (t )) ⋅ (ηiJ ) β
p (t ) =
k
(2.5)
∑l∈J k (τ il (t )) ⋅ (ηil ) β
iJ
i

En fonction du paramètre qo, il y a donc deux comportements possibles : si q> qo le choix se fait
de la même façon que pour l’algorithme AS, et le système tend à effectuer une diversification; si
( q ≤ q0 ), le système tend au contraire vers une intensification. En effet, pour ( q ≤ q0 ),
l’algorithme exploite plus l’information récoltée par le système, il ne peut pas choisir de trajet
non exploré.
9 La gestion des pistes est séparée en deux niveaux : une mise à jour locale et une mise à
jour globale. Chaque fourmi dépose une piste lors de la mise à jour locale

τ ij (t + 1) = (1 − ρ ) ⋅ τ ij (t ) + ρ ⋅ τ 0 (2.6)
Où τ0 est la valeur initiale de la piste. À chaque passage, les arêtes visitées voient leur quantité
de phéromone diminuer, ce qui favorise la diversification par la prise en compte des trajets non
explorés. À chaque itération, la mise à jour globale s’effectue comme ceci

τ ij (t + 1) = (1 − ρ ) ⋅τ ij (t ) + ρ ⋅ Δτ ij (t ) (2.7)
Application des méthodes métaheuristiques à l’OPF dans un environnement d’électricité dérégulé - 62 -

1
où les arêtes (i,j) appartiennent au meilleur tour T+de longueur L+ et où Δτ ij (t ) = . Ici, seule
L+
la meilleure piste est donc mise à jour, ce qui participe à une intensification par sélection de la
meilleure solution.
9 Le système utilise une liste de candidats. Cette liste stocke pour chaque ville les v plus
proches voisines, classées par distances croissantes. Une fourmi ne prendra en compte une arête
vers une ville en dehors de la liste que si celle-ci a déjà été explorée. Concrètement, si toutes les
arêtes ont déjà été visitées dans la liste de candidats, le choix se fera en fonction de la règle 2.4,
sinon c’est la plus proche des villes non visitées qui sera choisie.
Max-Min Ant System
Cette variante (notée MMAS) est fondée sur l’algorithme AS et présente quelques
différences notables [41] [42] [43] [44] :
• Seule la meilleure fourmi met à jour une piste de phéromone;
• Les valeurs des pistes sont bornées par τmin , τmax
• Les pistes sont initialisées à la valeur maximum τmax
• La mise à jour des pistes se fait de façon proportionnelle, les pistes les plus fortes étant
moins renforcées que les plus faibles;
• Une réinitialisation des pistes peut être effectuée.
• Les meilleurs résultats sont obtenus en mettant à jour la meilleure solution avec une
fréquence de plus en plus forte au cours de l’exécution de l’algorithme.

2.3.6. Organisation de la métaheuristique

En plus des règles régissant le comportement des fourmis, un autre processus majeur a
cours : l’évaporation des pistes de phéromone. En effet, à chaque itération, la valeur des pistes
de phéromone est diminuée. Le but de cette diminution est d’éviter une convergence trop rapide
et le piégeage de l’algorithme dans des minimums locaux, on favorisant l’exploration de
nouvelles régions.

2.3.6.1. Phéromones et mémoire

L’utilisation de la stigmergie est cruciale pour les algorithmes de colonies de fourmis. Le
choix de la méthode d’implémentation des pistes de phéromone est donc important pour obtenir
les meilleurs résultats. Ce choix est en grande partie lié aux possibilités de représentation de
l’espace de recherche, chaque représentation pouvant apporter une façon différente
d’implémenter les pistes. Par exemple, pour le problème du voyageur de commerce, une
Chapitre 2 Les méthodes métaheuristiques appliquées à l’OPF - 63 --

implémentation efficace, moins efficace en pratique, consiste à considérer τij comme une
représentation de l’intérêt de visiter i en tant que jème ville.
En effet, les pistes de phéromone décrivent à chaque pas l’état de la recherche de la
solution par le système, les agents modifient la façon dont le problème va être représenté et
perçu par les autres agents. Cette information est partagée par le biais des modifications de
l’environnement des fourmis, par une forme de communication indirecte : la stigmergie.
L’information est donc stockée un certain temps dans le système, ce qui peut être considérée
comme une forme de mémoire efficace consiste à utiliser une piste τij entre deux villes i et j
comme une représentation de l’intérêt de visiter la ville i après la ville j [45].

2.3.6.2. Intensification/diversification
Le problème de l’emploi relatif de processus de diversification et d’intensification est un
problème extrêmement courant dans la conception et l’utilisation de métaheuristique. Par
intensification, on entend l’exploitation de l’information rassemblée par le système à un moment
donné. La diversification est au contraire l’exploration de régions de l’espace de recherche
imparfaitement prises en compte. Bien souvent, il va s’agir de choisir où et quand “injecter de
l’aléatoire” dans le système (diversification) et/ou améliorer une solution (intensification).
Dans les algorithmes de type ACO, comme dans la plupart des cas, il existe plusieurs
façons de gérer l’emploi de ces deux facettes des métaheuristiques d’optimisation. La plus
évidente passe par le réglage via les deux paramètres α et β, qui déterminent l’influence relative
des pistes de phéromone et de l’information heuristique. Plus la valeur de α sera élevée, plus
l’intensification sera importante, car plus les pistes auront une influence sur le choix des fourmis.
À l’inverse, plus α sera faible, plus la diversification sera forte, car les fourmis éviteront les
pistes. Le paramètre β agit de façon similaire. On doit donc gérer à la fois les deux paramètres
pour régler ces aspects.
Le choix diversification/intensification peut s’effectuer de manière statique avant le
lancement de l’algorithme, en utilisant une connaissance a priori du problème, ou de manière
dynamique, en laissant le système décider du meilleur réglage. Deux approches sont possibles :
un réglage par les paramètres ou l’introduction de nouveaux processus. Dans ces algorithmes
fondés en grande partie sur l’utilisation de l’auto-organisation, ces deux approches peuvent être
équivalentes, un changement de paramètre pouvant induire un comportement complètement
différent du système, au niveau global [45]
Application des méthodes métaheuristiques à l’OPF dans un environnement d’électricité dérégulé - 64 -

2.3.6.3. Les paramètres optimaux des algorithmes de colonies de fourmis

Utilisant des valeurs convenables pour les paramètres des algorithmes de colonies de
fourmis est très important. Des valeurs mal choisies vont certainement données une solution
sous-optimale ou décroître la vitesse du processus de découverte de la solution optimale [44].
Dorigo et Stutzle dans [46] a suggéré que souvent les valeurs exactes des paramètres dépendent
du problème à résoudre. Partout dans la littérature, on peut trouver beaucoup de valeurs
différentes utilisées dans beaucoup de variantes de l'algorithme de la colonie de fourmis original.
Pour résoudre donc un problème d'optimisation, il faut choisir les huit paramètres de
l’algorithme de colonie de fourmis. La moitié de ces paramètres peut être gardés constants
(tableau 2.1).
Tableau 2.1 Les paramètres constants de l’algorithme ACO
Paramètre Valeur constante
α 1
γ 0
τ0 1/(n*best_greedy_length)
numAnts n=nombre de cités à visiter
Le reste des paramètres varient dans les gammes affichées dans le tableau 2.2.

Tableau 2.2 Gammes des paramètres variables de l’ACO

Paramètre Valeur constante
β 0<β<15
ρ 0<ρ<1
q0 0< q0<1
max_cycles 10≤max_cycles≤1000

L'application de l'algorithme de fourmis aux problèmes de dimensions différentes fait une

différence dans la vitesse de convergence (de point de vue nombre d'itérations). Généralement, le
problème le plus grand prend un temps plus long pour trouver de bonnes, ou optimales solutions.
Un des résultats de la recherche entrepris au cours du projet de Darian [47] était que les
meilleurs paramètres réduiront le temps pris par 90%. L'exemple du problème célèbre Oliver30 a
été choisi comme l'exemple standard [48]. Pour trouver les meilleures combinaisons du trois
paramètres β, ρ et q0 et qui donnent de très bons résultats avec le minimum de temps, il a utilisé
un serveur partagé avec deux processeurs de 2.2GHz avec une RAM de 2GB pour une période
plus de huit semaines sans arrêt. Le tableau 2.3 donne les dix meilleures combinaisons des trois
paramètres β, ρ et q0 pour le cas Oliver30. Ces combinaisons donnent des solutions très proches
de 1% de la meilleure solution connue dans un nombre d'itération inférieure à 7 pour toutes les
combinaisons.
Chapitre 2 Les méthodes métaheuristiques appliquées à l’OPF - 65 --

Tableau 2.3 les dix combinaisons des paramètres d’ACO ρ, β et q0 pour Oliver30

ρ β q0

0.4 11 0.4
0.3 6 0.7
0.8 10 0.6
0.6 10 0.3
0.8 11 0.0
0.4 9.0 0.4
0.5 12 0.3
0.8 9.5 0.1
0.5 11 0.1
0.6 10 0.0

A fin de prouver que l’ensemble des trois paramètres de la colonie de fourmis β, ρ et q0

est largement indépendant du problème d’optimisation à résoudre, on a appliqués ACO à l’OPF
en utilisant ces 10 meilleures combinaisons des trois paramètres β, ρ et q0.

2.3.7. Formulation d’un algorithme de colonie de fourmis appliqué à l’OPF

Une métaheuristique de colonie de fourmis est un processus stochastique construisant une
solution, en ajoutant des composants aux solutions partielles. Ce processus prend en compte (i)
une heuristique sur l’instance du problème (ii) des pistes de phéromone changeant
dynamiquement pour refléter l’expérience acquise par les fourmis. La formalisation de l’ACO
appliquée à l’OPF passe par la représentation du problème et le comportement de base des
fourmis.

2.3.7.1. Comportement des fourmis

Les fourmis peuvent être caractérisées comme une procédure de construction stochastique
construisant des solutions sur le graphe G = (C, L). En général, les fourmis tentent d’élaborer des
solutions faisables, mais si nécessaire, elles peuvent produire des solutions infaisables. Les
composants et les connexions peuvent être associés à des pistes de phéromone τ (mettant en
place une mémoire adaptative décrivant l’état du système) et à la valeur de la visibilité η
(représentant une information a priori sur le problème, ou venant d’une source autre que celle
des fourmis; c’est bien souvent le coût de la puissance générée par chaque centrale de l’état en
cours). D’après la figure 2.4, les pistes de phéromone peuvent être associées soit aux
composants, soit aux connexions du graphe représentant le problème à résoudre.
Application des méthodes métaheuristiques à l’OPF dans un environnement d’électricité dérégulé - 66 -

Figure 2.4 Pistes de phéromone peuvent être associées

(a) aux composants (b) ou aux connexions.

Chaque fourmi dispose d’une mémoire utilisée pour stocker le trajet effectué, d’un état
initial et de conditions d’arrêt. Les fourmis se déplacent d’après une règle de décision
probabiliste fonction des pistes de phéromone locales, de l’état de la fourmi et des contraintes du
problème. Lors de l’ajout d’un composant à la solution en cours, les fourmis peuvent mettre à
jour la piste associée au composant ou à la connexion correspondante. Une fois la solution
construite, elles peuvent mettre à jour la piste de phéromone des composants ou des connexions
utilisées. Enfin, une fourmi dispose au minimum de la capacité de construire une solution au
problème. [35]. [45].

2.3.7.2. Représentation du problème d’OPF

Le problème OPF est représenté par un jeu de solutions, une fonction objectif assignant
une valeur à chaque solution et un jeu de contraintes. L’objectif est de trouver l’optimum global
satisfaisant les contraintes. Les différents états du problème sont caractérisés comme une
séquence de composants.
Dans cette représentation, les fourmis construisent des solutions en se déplaçant sur un
graphe G= (C, L), où les nœuds sont les composants de C qui représentent les puissances
générées par les centrales électriques interconnectées et où l’ensemble L connecte les
composants de C qui représente le reste de la puissance demandée à répartir sur le reste des
centrales. Les contraintes du problème sont implémentées directement dans les règles de
déplacement des fourmis (soit en empêchant les mouvements qui violent les contraintes, soit en
pénalisant de telles solutions). [45].

2.3.7.3. Organigramme de la technique ACO appliquée à l'OPF

Les étapes principales de calcul pour résoudre le problème d'OPF par ACO sont affichées
dans la figure 2.5 et discutées au-dessous:
a. Étape 1: Initiation
Chapitre 2 Les méthodes métaheuristiques appliquées à l’OPF - 67 --

La première étape consiste à coder les variables Pgi en utilisant les valeurs réels dans
l'espace des valeurs permises. Chaque paramètre Pgi a une limite supérieure Pgi max et une limite
inférieure Pgi min. Avant chaque tour, le point initial (nid) de la colonie est généré aléatoirement
dans la région faisable. Chaque fourmi est placée sur le point initial pendant que la valeur initiale
de la phéromone de τo est aussi donnée à cette étape. La figure 2.6 montre un espace de
recherche à plusieurs phases. En se basant sur le concept de ce processus à plusieurs phases,
l'espace de recherche de l'optimisation de l'écoulement de puissance peut être établi. Toutes les
permutations possibles constituent cet espace de recherche. Chaque phase contient plusieurs
points. [45].
b. Etape2 : évaluation de la fonction objectif
Dans cette étape, L'influence directe de la valeur de la fonction objectif de l'OPF dépend
du niveau de quantité du phéromone qui s’ajoute aux directions particulières que les fourmis ont
sélectionné.
c. Etape 3: répartition des fourmis
Dans cette étape, les fourmis sont réparties en basant sur les niveaux de τ et η .
Selon l'équation (2.1) chaque fourmi choisit le prochain point vers le quel elle déplace en
prendant en considération les valeurs de τ et η .
Maintenant, si m est le nombre de fourmis (m > Ng), alors pour chaque itération, ces m
fourmis exécuteront m mouvements dans l'intervalle du temps (t, t+1).
En construisant une solution au problème, les phéromones des trajectoires visitées peuvent être
ajustées dynamiquement par l'équation suivante pour élargir l'espace de recherche.
τ ij (t + 1) = (1 − ρ ) ⋅ τ ij (t ) + ρ ⋅ τ 0
Ce processus est appelé « règle de la mise à jour locale » de la phéromone. Après n
itérations, toutes les fourmis ont complété une visite. La meilleure piste trouvée par la fourmi est
mise à jour par un processus appelé « règle de mise à jour globale » en utilisant l'équation
suivante, τ ij (t + 1) = (1 − ρ ) ⋅ τ ij (t ) + ρ ⋅ Δτ ij (t ) , où les arêtes (i,j) appartiennent au meilleur tour

1
T+de longueur L+ et où Δτ ij (t ) = , ce processus participe à une intensification par sélection
L+
de la meilleure solution. Cette meilleure solution sera aussi enregistrée dans la table de tabou
pour la comparaison plus tardive avec l'itération suivante.
d. Etape 4: Critère d'arrêt
Le processus du calcul continu jusqu'à ce que le nombre d'itérations atteint la valeur
maximale prédéfinie ou qu'une solution de fonction objectif acceptable est trouvée.
Application des méthodes métaheuristiques à l’OPF dans un environnement d’électricité dérégulé - 68 -

début

Compteur NC=0

Temps (t)

Initiation

Evaluation de la fonction
objectif

Temps (t) Génération++

T=t+1

Répartition des fourmis

mise à jour local du phéromone

Fin de tour?
non

mise à jour globale du

phéromone

Critère d'arrêt
non NC=NCmax

oui
Fin

Figure 2.5 Organigramme de l’ACO-OPF

phase 0 État 0

phase 1
État 1 État 2 État 3 État 4

phase 2
État 1 État 2 État 3 État.4

phase 3
État 1 État 2 État 3 État 4

Figure 2.6 Espace de recherche multi-phases

Chapitre 2 Les méthodes métaheuristiques appliquées à l’OPF - 69 --

2.3.8. Test de la méthode ACO sur OPF avec une fonction mono-objectif
Le but est de trouver le minimum du coût de production donnée par la fonction objectif
suivante :
ng
F ( x) = ∑ (α i + β i PGi + γ i PGi2 ) (2,8)
i =1

Chaque puissance active générée PGi est limitée par une limite inférieure PGi (min) est une

limite supérieure PGi (max)

PGi (min) ≤ PGi ≤ PGi (max) (2,9)

La méthode ACO-OPF a été appliquée sur le réseau test IEEE 30-bus. à fin de prouver que
l’ensemble des trois paramètres de la colonie de fourmis β, ρ et q0 est largement indépendant
du problème d’optimisation à résoudre, on va appliquer ACO-OPF sur le réseau test IEEE 30 bus
en utilisant les 10 meilleurs combinaisons des trois paramètres β, ρ et q0 et qui ont donné les
meilleurs résultats pour le problème de voyageur de commerce pour le cas de 30 villes
(OLIVER30) [47]. Le tableau 2.4 montre les valeurs de puissances actives, des pertes de
puissances et du coût de combustible pour les 10 ensembles de paramètres. On remarque que
tous les résultats sont très proches de l’optimum. La valeur moyenne du coût pour les 10 cas est
de l’ordre de 803.83 $/h. La valeur min du coût et de 802.3086 $/h correspond à (β = 12, ρ = 0.5
et q0= 0.3) avec des pertes de puissances de 9.433 MW, tandis que la mauvaise valeur est de
804.86 $/h correspond à (β = 10, ρ = 0.6 et q0= 0.3) avec des pertes de puissances de 9.08 MW.
Donc, on remarque que même la valeur de coût la plus éloignée est acceptable puisqu’ elle est
d’une part éloigné de la valeur min avec seulement 0.318% et d’autre part la valeur des pertes
correspondant à cette valeur qui est de 9.08 MW est meilleur que celle correspondant à la valeur
min, avec un rapport de 3.75 %.
Les résultats obtenus par ACO-OPF qui correspond à l’ensemble (β = 12, ρ = 0.5 et q0=
0.3) sont comparés avec ceux trouvés par la méthode classique IP qui a donnée les meilleurs
résultats parmi les méthodes classiques testées sur l’OPF. Dans l’ACO-OPF, on ne fera pas
recours à des fonctions de pénalité étant donné qu’uniquement les puissances actives des
générateurs sont utilisées dans la fonction sélective et les puissances réactives sont planifiées
dans le processus de l’écoulement de puissance. L’essentiel de cette idée est que les contraintes
sont partagées en deux types : les contraintes actives qui sont vérifiées par la procédure de
l’ACO alors que les contraintes réactives sont mises à jour en utilisant une procédure efficace de
l’écoulement de puissance par Newton-Raphson. Les résultats obtenus incluant le coût généré et
Application des méthodes métaheuristiques à l’OPF dans un environnement d’électricité dérégulé - 70 -

les pertes de puissances sont comparés avec ceux acquis par la méthode classique IP, présentés
sur le tableau 2.5.
Tableau 2.4 Les résultats de l’ACO-OPF pour les 10 ensembles de paramètres β, ρ et q0
(réseau 30bus)
β = 10; β = 11; β = 9.5; β = 10; β = 12;
ρ = 0.6; ρ = 0.5; ρ = 0.8; ρ = 0.6; ρ = 0.5;
q0= 0.0 q0= 0.1 q0= 0.1 q0= 0.3 q0= 0.3
Pg1 (MW) 174.743 180.666 175. 84 166. 875 176.233
Pg2 (MW) 44.319 49.916 44.61 55.427 48.23
Pg5 (MW) 23.516 16.41 19.7 20.498 20.97
Pg8 (MW) 23.697 17.103 21.17 16.656 22.27
Pg11 (MW) 13.747 15.67 15.79 15.76 13.05
Pg13 (MW) 12.503 13.591 15.623 17.264 12.08
Pertes actives (MW) 9.126 10.02 9.33 9.08 9.433514
Coût de Génération ($/hr) 803.06 804.48 803.57 804.86 802.30857
β =9; β = 11; β = 10; β = 6; β = 11;
ρ = 0.4; ρ = 0.8; ρ = 0.8; ρ = 0.3; ρ = 0.4;
Q0= 0.4 q0= 0.0 q0= 0.6 q0= 0.7 q0= 0.4
Pg1 (MW) 177.1202 180.9561 177.9946 172.0554 180.699
Pg2 (MW) 45.1405 43.6051 42.1303 51.1093 48.0675
Pg5 (MW) 24.9288 20.3537 19.0251 23.3981 19.6185
Pg8 (MW) 17.3428 15.9832 21.9837 17.3355 14.5895
Pg11 (MW) 11.0067 14.9995 17.8501 13.6159 17.9866
Pg13 (MW) 17.2079 17.1816 13.8232 15.154 12.2401
Pertes actives (MW) 9.3468 9.68 9.407 9.202 9.802
Coût de Génération ($/hr) 804.24 804.15 804.45 803.41 803.77

Tableau 2.5 Comparaison des résultats obtenus par ACO-OPF et IP-OPF (IEEE 30 bus).
Variable limite min limite max ACO-OPF IP-OPF
P1 (MW) 50 200 176.233 177.0835
P2 (MW) 20 80 48.23 48.7163
P5 (MW) 15 50 20.97 21.3114
P9 (MW) 10 35 22.27 21.2675
P11 (MW) 10 30 13.05 11.9114
P13 (MW) 12 40 12.08 12
Pertes actives (MW) 9.433514 8.89
Coût de Génération ($/hr) 802.30857 800.0038
Temps de convergence (sec.) 20 7

On remarque que le coût de production trouvé par ACO-OPF qui est égal 802.30857 $/h
est très proche à celui de la méthode IP (800.0038$/h). L’écart entre les deux résultats est de
Chapitre 2 Les méthodes métaheuristiques appliquées à l’OPF - 71 --

l’ordre de 0.29%. Les contraintes de sécurité sont aussi vérifiées pour les angles et les amplitudes
des tensions. Ces dernières sont dans leurs valeurs admissibles. De plus il est important de
souligner que le temps de calcul pour la méthode ACO-OPF est très acceptable.

2.3.8. Test de la méthode ACO sur OPF avec une fonction bi-objectif
La méthode ACO-OPF va être testée à l’optimisation d’une fonction fortement non linéaire
concerne le coût de combustible et l’émission du gaz toxique NOx. L’application a été faite sur
le même réseau électrique IEEE 30 bus. Les coefficients de la fonction exponentielle d’émission
du gaz toxique sont représentés dans le tableau 2.6.
Tableau 2.6 Les coefficients d’émission de gaz toxique des 6 générateurs du réseau 30 bus
Coefficients d’émission de gaz toxique NOx
J-b -2
a.10 b.10-4 c.10-6 d.10-4 e.10-2
1 4.091 -5.554 6.49 2.0 2.857
2 2.543 -6.047 5.638 5.0 3.333
5 4.258 -5.094 4.586 0.01 8.0
8 5,326 -3,55 3,38 20.0 2,0
11 4,258 -5,094 4,586 0.01 8,0
13 6,131 -5,555 5,151 10.00 6,667

La fonction du coût total considère en même temps le coût de combustible F(x) et le coût
d’émission de gaz FE(x) :
FTot ( x ) = μF + (1 − μ )F pc 0 ≤ μ ≤1 (2,10)
;
avec
Fpc = wFE ($/hr) (2,11)
ng
FE ( x) = ∑ (ai + bi PGi + ci PGi2 + d i exp(ei PGi )) (Ton/hr) (2,12)
i =1

La valeur (μ = 1) donne la minimisation du coût de combustible sans prendre en

considération dans la fonction du coût total l’effet de l’émission du gaz toxique. Par contre, la
valeur (μ = 0) donne la minimisation de l’émission du gaz toxique sans tenir compte du coût de
combustible dans la fonction du coût total. Sachant que le facteur du coût d’émission de gaz (w)
pour ce réseau test est de 550.66$/Ton. On remarque que cette fonction est non linéaire, d’où
l’intérêt d’utiliser une méthode qui n’exige aucune condition sur la fonction objectif.
Les valeurs optimales des puissances générées, le coût du combustible et le taux d’émission pour
onze cas sont données dans le tableau 2.7. Dans le premier cas (μ = 1) , on fait l’optimisation du
coût du combustible sans tenir compte du taux d’émission. Après convergence on remplace les
Application des méthodes métaheuristiques à l’OPF dans un environnement d’électricité dérégulé - 72 -

valeurs optimales des puissances générées dans la fonction d’émission de gaz. Dans le dernier
cas (μ = 0) , on fait l’inverse, on optimise le taux d’émission de gaz sans tenir compte du coût de
combustible. Après convergence on remplace les valeurs optimales des puissances générées dans
la fonction coût du combustible. Dans les autres cas (0 < μ < 1) , on fait la minimisation
simultanée du coût du combustible et le taux d’émission de gaz. Les modules des tensions ainsi
que leurs phases pour tous les jeux de barres du réseau test pour les différents cas sont présentés
respectivement dans les figures 2.7 et 2.8.
Tableau 2.7 Les résultats d’ACO pour les 11 cas appliqués sur le réseau IEEE 30 bus
( μ = 1 : Coût minimale de production; 0 < μ < 1 : Coût de production+Emission
minimale, μ = 0 : Emission minimale)
Variable µ=1 µ=0.9 µ=0.8
Pg1 (MW) 176.233 171.4534 166.727
Pg2 (MW) 48.23 53.1900 49.14
Pg5 (MW) 20.97 22.4200 20.1
Pg8 (MW) 22.27 20.6700 26.01
Pg11 (MW) 13.05 11.7800 12.63
Pg13 (MW) 12.08 13.1300 17.65
Coût de generation ($/hr) 802.30857 802.821804 804.0929
Perte active (MW) 9.433514 9.243401 8.857812
Emission (ton/hr) 0.363375 0.351450 0.33795
Coût total ($/hr) 1002.4049 996.351240 990.18828
Variable µ=0.7 µ=0.6 µ=0.5 µ=0.4
Pg1 (MW) 150.615 131.946 125.555 112.373
Pg2 (MW) 55.45 56.83 52.83 62.03
Pg5 (MW) 21.81 22.61 28.97 31.31
Pg8 (MW) 33.47 34.3702 30.8102 29.9702
Pg11 (MW) 13.09 20.35 26.5 18.5
Pg13 (MW) 16.92 24.22 25.03 35.16
Coût de generation ($/hr) 808.274 819.9963 828.8054 845.9056
Perte active (MW) 7.955011 6.926898 6.296026 5.944015
Emission (ton/hr) 0.304522 0.269375 0.256753 0.242395
Coût total ($/hr) 975.9622 968.33036 970.18879 979.38296
Variable µ=0.3 µ=0.2 µ=0.1 µ=0
Pg1 (MW) 99.967 88.1802 79.9983 68.1955
Pg2 (MW) 64.98 62.48 62.22 65.22
Pg5 (MW) 30.82 37.07 43.66 49.52
Pg8 (MW) 26.7102 34.3804 33.8404 34.7804
Pg11 (MW) 29.78 26.51 29.98 30
Pg13 (MW) 36.59 39.58 38.02 39.58
Coût de génération ($/hr) 862.7136 882.73001 905.56614 938.7186
Perte active (MW) 5.447286 4.800652 4.318705 3.895927
Emission (ton/hr) 0.22836 0.217439 0.210959 0.205623
Coût total ($/hr) 988.46248 1002.4649 1021.7327 1051.947
Chapitre 2 Les méthodes métaheuristiques appliquées à l’OPF - 73 --

1
30 1,1 2
29 3
28 4
1,05 V( µ=1)
27 5
V(µ=0,9)
26 6 V(µ=0,8)
1
V(µ=0,7)
25 7 V(µ=0,6)
0,95 V(µ=0,5)

24 8 V(µ=0,4)
V(µ=0,3)
0,9
V(µ=0,2)
23 9
V(µ=0,1)
V(µ=0)
22 10

21 11
20 12
19 13
18 14
17 15
16

Figure 2.7 Niveaux de tensions (pu) du réseau IEEE 30 bus résultants de la

minimisation bi-objectif (coût/Emission) par ACO-OPF pour les 11 cas.

m ax
dela m in 0
aco µ=1 1 3 5 7 9 11 13 15 17 19 21 23 25 27 29
-2
µ=0,9
µ=0,8 -4
µ=0,7
-6
µ=0,6
µ=0,5 -8
µ=0,4
-10
µ=0,3
µ=0,2 -12
µ=0,1
-14
µ=0
-16

Figure 2.8 les angles de tensions (deg.) du réseau IEEE 30 bus après la minimisation
bi-objectif (coût /Emission) par ACO-OPF pour les 11 cas.
Application des méthodes métaheuristiques à l’OPF dans un environnement d’électricité dérégulé - 74 -

940

$/hr

920

900

880

860

840

820

ton/hr

800
0,210959 0,217439 0,22836 0,242395 0,256753 0,269375 0,304522 0,33795 0,35145 0,363375

Figure 2.9 Front de Pareto coût /Emission pour les 11 cas.

On remarque que les puissances actives générées et les tensions (modules et angles) sont
dans leurs limites admissibles. On observe aussi que le coût total dans le cas de la minimisation
du taux d’émission du gaz toxique (µ=0) est plus élevé que dans le cas de la minimisation du
coût de production (µ =1) avec un ratio de 4.94 %. Mais la valeur des pertes de puissances qui
correspond à µ =0 est plus réduite que celle du cas µ =1 avec un pourcentage de 58.7%. Vu
l’intérêt actuel de la protection d’environnement des gaz toxiques, on cherche alors de minimiser
en même temps le coût de production et le taux d’émission de gaz avec le rapport optimal.
Donc ; en traçant le front de Pareto coût/émission (figure 2.9) ; on remarque que le rapport
optimal correspond à (µ =0.6). On remarque dans ce cas que le coût total est le meilleurs avec
une valeur de 968.33036 $/h, avec un taux d’émission acceptable (0.269375 ton/h) et de pertes
acceptable (6.926898 MW).

2.4. Algorithmes génétiques

Nous avons assisté ces dernières années à une croissance très rapide des travaux utilisant
les algorithmes génétiques (AG) dans les systèmes électriques. Cela est dû à la simplicité de
leurs mécanismes, la facilité de leur mise en application et leur efficacité même pour des
problèmes complexes.

2.5. 1 Idées de base

Les algorithmes génétiques ont été initialement développés par John Holland, ses
collègues, et ses étudiants, à l'université du Michigan dans les années 70 [49]. En 1989,
Chapitre 2 Les méthodes métaheuristiques appliquées à l’OPF - 75 --

Goldberg a publié un livre de référence pour les algorithmes génétiques "Genetic algorithms in
search, optimization and machine learning" [50]. C’est à ce livre que nous devons la
popularisation des AGs.
A chaque génération (itération), un nouvel ensemble de chaînes de caractères (population)
est créé en utilisant des parties des meilleurs éléments de la génération précédente; ainsi que des
parties innovatrices, à l'occasion. Bien qu'utilisant le hasard, les algorithmes génétiques ne sont
pas purement aléatoires. Ils exploitent efficacement l'information obtenue précédemment pour
spéculer sur la position de nouveaux points à explorer, avec l'espoir d'améliorer la performance.
La fonction dont on recherche l'optimum est dite fonction objectif. On peut remarquer dés à
présent que l'on ne fait aucune hypothèse sur cette fonction, en particulier elle n'a pas à être
dérivable, ce qui représente un avantage sur certaines méthodes de recherche d’extremum [2]
[51].
Un algorithme génétique manipule une population de taille L constante. Cette population
est formée d'individus. La taille constante de la population induit un phénomène de compétition
entre les individus. Chaque individu représente le codage d'un vecteur solution possible au
problème à résoudre, donné sous forme d'un ensemble de chaînes de caractères. Chaque chaîne
de caractères correspond à un chromosome (le génotype de l'individu) qui représente le codage
d’une variable, chaque caractère a un gène et chaque lettre de l'alphabet a un allèle. La position
d'un gène au sein d'un chromosome est appelée locus. Dans les cas classiques, l'alphabet est
binaire (les deux allèles possibles sont 0 et 1). La population évolue en générations successives
(la création d'une nouvelle génération s'appelle la reproduction ou le remplacement). Les
individus les plus forts survivent et se reproduisent entre eux pour créer de nouveaux individus,
tandis que les plus faibles disparaissent petit à petit. De plus, lors des créations d'individus, des
mutations génétiques (i.e. modification d'un caractère dans la chaîne) se produisent. Cela conduit
à définir les trois opérateurs génétiques de base qui sont la sélection, le croisement et la
mutation,
La traduction algorithmique de l’adjectif faible et fort appliqué aux individus conduit à
définir une fonction sélective qui permet d'associer une valeur à chaque individu de la
population. Cette valeur est dite valeur sélective de l'individu. La fonction sélective f est souvent
une transformation g de la fonction objectif (f(x) = g(F(x))).
L'application des opérateurs génétiques sur des individus jugés par une fonction sélective
particulière, permet d'explorer l'espace des solutions à la recherche d'un extremum.
Application des méthodes métaheuristiques à l’OPF dans un environnement d’électricité dérégulé - 76 -

Généralement, quand l'AG est appliqué, il est fait dans une manière qui implique les étapes
suivantes:
- Evaluer la fonction sélective de tous les individus dans la population.
- Créer une nouvelle population en exécutant des opérations telles que la sélection
proportionnelle, le croisement, et la mutation sur les individus dont la fonction sélective a
été juste mesurée.
- Abandonner l'ancienne population et répéter les mêmes étapes avec la nouvelle
population.
Pour résumer, On distingue trois principaux points qui font la différence fondamentale
entre ces algorithmes et les autres méthodes classiques:
- Les algorithmes génétiques utilisent un codage des paramètres, et non les paramètres eux
mêmes.
- Les algorithmes génétiques travaillent sur une population de points, au lieu d’un point
unique, cela permet aux AG d'explorer différentes zones dans l'espace de recherche et
donc de minimiser la probabilité de trouver un point optimal local.
- Les algorithmes génétiques n’utilisent que les valeurs de la fonction objectif, pas ses
dérivées, ou une autre connaissance auxiliaire.
- Les algorithmes génétiques utilisent des règles de transition probabilistes, et non
déterministes, cela signifie qu'ils ne nécessitent pas d'espace de recherche continu.

2.5. 2 Présentation des algorithmes génétiques

Nous présentons d’abord les opérateurs de l’algorithme génétique pour le codage binaire et
vers la fin on abordera le codage réel.

2.5. 3 Opérateurs génétiques classiques

Les opérateurs jouent un rôle prépondérant dans la réussite possible d’un AG. Nous en
dénombrons trois principaux : l’opérateur de sélection, de croisement et de mutation. Si le
principe de chacun de ces opérateurs est facilement compréhensible, il est toutefois difficile
d’expliquer l’importance isolée de chacun de ces opérateurs dans la réussite de l’AG. Cela tient
pour partie au fait que chacun de ces opérateurs agit selon divers critères qui lui sont propres
(valeur sélective des individus, probabilité d’activation de l’opérateur. etc.) [2].

2.5.6.1. Opérateur de sélection

La sélection est la première étape du fonctionnement d'un algorithme génétique. Il s'agit du
processus selon lequel les chaînes représentant les individus sont retenues, le plus souvent sur le
Chapitre 2 Les méthodes métaheuristiques appliquées à l’OPF - 77 --

critère de leur valeur sélective. Comme son nom l'indique, la sélection vise à sélectionner une
population enfant à partir d'une population parent. Le but est donc de sélectionner les individus
avec d'autant plus de chances que leur santé est bonne (par transposition informatique de la
sélection naturelle). La sélection est le premier arbitre décidant de la vie et de la mort des
individus, c'est pourquoi elle est un élément primordial du bon fonctionnement d'un algorithme
génétique. On utilise parfois le terme reproduction à la place de sélection. En effet, les
algorithmes génétiques usuels, dits à remplacement générationnel, remplacent tous les individus
d'une génération pour créer la génération suivante. Avant d'appliquer tout autre opérateur
génétique, on commence donc par copier dans la nouvelle génération les individus sélectionnés,
jusqu'à ce qu'elle soit remplie. La sélection sert donc ici à faire une reproduction (au sens copie
du terme) des individus avant d'effectuer le croisement et la mutation. De manière à augmenter,
d'une génération à l'autre, le nombre d'individus dont la valeur sélective est la meilleure, tout en
diminuant ceux dont la valeur sélective est la moins bonne [2].
Il existe plusieurs méthodes pour la sélection. La méthode la plus connue et utilisée est
sans nul doute, la roue de loterie biaisée (roulette wheel) de Goldberg (1989) [50]. Elle est la
plus simple et la plus directe. Elle consiste à sélectionner les individus en fonction de leur valeur
sélective. Ce mécanisme est appelé aussi la sélection proportionnelle.

2.5.6.2. Sélection proportionnelle

Selon cette méthode, chaque chromosome sera dupliqué dans une nouvelle population
proportionnellement à sa valeur sélective. On effectue, en quelque sorte, autant de tirages avec
remises qu’il y a d’éléments dans la population. Les individus ayant une grande valeur sélective
« fitness » ont donc plus de chance d’être sélectionnés. On parle alors de sélection
proportionnelle [2].
Il faut choisir les probabilités de sélection de manière à favoriser les individus de plus forte
valeur sélective. Ainsi, dans le cas d’un codage binaire, la valeur sélective d’un chromosome
(individu) particulier i étant fi, la probabilité Psi avec laquelle il sera réintroduit dans la nouvelle
population de taille L est :

L
Psi = f i ∑f
j =1
j (2.13)

Donc le nombre de fois qu'un individu sera sélectionné est égal à sa valeur sélective
divisée par la somme des valeurs sélectives de la population totale (plus exactement, la partie
Application des méthodes métaheuristiques à l’OPF dans un environnement d’électricité dérégulé - 78 -

entière représente le nombre de fois où l’individu sera sélectionné et la partie flottante, la

probabilité qu'il aura d'être sélectionné à nouveau).
L’inconvénient majeur de cette méthode repose sur le fait qu’un individu n’étant pas le
meilleur, peut tout de même dominer la sélection. Elle peut aussi engendrer une perte de
diversité par la domination d’un super individu. Ce phénomène est appelé “convergence
prématurée”. Vers la fin du processus quand l’ensemble des individus se ressemble, il apparaît
un inconvénient dit « fine- tuning » et qui rend la performance de la méthode faible.
Une solution à ce problème ne tient pas dans l’utilisation d’une autre méthode de sélection
mais dans l’utilisation d’une fonction sélective modifiée. En conséquence, nous pouvons utiliser
un changement d’échelle (scaling) afin de diminuer ou accroître de manière artificielle l’écart
relatif entre les valeurs sélectives des individus.

2.5.6.3. Opérateur de croisement

Le croisement permet de générer deux nouveaux individus à partir de deux individus ayant
jusqu'alors survécu, donc dont la valeur sélective est bonne. On espère que les deux individus
crées tireront partie des points forts de leurs deux parents et donc que leur valeur sélective sera
meilleure encore. Les deux nouveaux individus formés permettent donc d'explorer de nouvelles
régions de l'espace en se rapprochant, peut-être, d'un extremum. Le croisement combine deux
individus appariés avec une probabilité Pc. La version classique de cet opérateur est appelée le
croisement un-point ou croisement simple. Il consiste à tirer au sort une valeur CrossSite
(position de croisement) comprise entre 1 et l-1 (l étant la taille d'un chromosome) et à générer
deux nouveaux individus en inversant les gènes des deux parents dont le locus est compris entre
CrossSite + 1 et l (figure 2.10). Il est possible que le mécanisme de croisement vienne, en le
coupant au mauvais endroit, ‘casser’ un individu intéressant c'est à dire de forte valeur sélective.
De manière à limiter ce problème, il est important que les chromosomes représentent un ‘bon
codage’ du problème [2] [50].
Quoi qu’il en soit, il se peut que l’action conjointe de la reproduction et du croisement soit
insuffisante pour assurer la réussite de l’AG. Ainsi, dans le cas du codage binaire, certaines
informations peuvent disparaître de la population. Donc, aucun individu de la population initiale
ne contient de 1 en dernière position de la chaîne, et que ce ‘1’ fait partie de la chaîne optimale à
trouver ; tous les croisements possibles ne permettront pas de faire apparaître ce 1 initialement
inconnu. En codage réel, une telle situation peut arriver si, en utilisant un opérateur simple de
croisement. C’est pour remédier entre autre à ce problème que l’opérateur de mutation est utilisé,
Chapitre 2 Les méthodes métaheuristiques appliquées à l’OPF - 79 --

Parents Croisement Enfants

CrossSite

Figure 2.10 Croisement en codage binaire

2.5.6.4. Opérateur de mutation

La mutation est traditionnellement considérée comme un opérateur marginal bien qu’elle
confère en quelque sorte aux algorithmes génétiques la propriété d’ergodicité (i.e. tous les points
de l’espace de recherche peuvent être atteints). Cet opérateur a un double rôle : celui d’effectuer
une recherche locale et/ou de sortir d’une trappe (recherche éloignée). Cet opérateur ne crée
généralement pas de meilleurs individus, mais il évite l'établissement de populations uniformes
incapables d'évoluer [2] [50].

9 Mutation simple
La version de base de la mutation, dite mutation simple, consiste à modifier aléatoirement,
avec une probabilité Pm faible, la valeur d’un composant de l’individu. Dans le cas du codage
binaire, chaque bit ai ∈ {0; 1} est remplacé selon une probabilité Pm par son inverse ait = 1-ai,
C’est ce qu’illustre la figure 2.11. Tout comme plusieurs lieux de croisement peuvent être
possibles, nous pouvons très bien admettre qu’une même chaîne puisse subir plusieurs
mutations.

Figure 2.11 Mutation simple

Cet opérateur permet un déplacement aléatoire dans l'espace des solutions, autorisant ainsi
l'exploration de régions dans lesquelles se trouve peut-être un point intéressant. L’expérience
montre l'importance de son rôle : sans lui, il y a un risque de convergence prématurée de
l'algorithme vers un extremum local. Cependant, de manière à ne pas empêcher la convergence
de l'algorithme, la probabilité de mutation doit rester faible. Classiquement, on trouve des
Application des méthodes métaheuristiques à l’OPF dans un environnement d’électricité dérégulé - 80 -

valeurs de l'ordre de 0.001 (une mutation pour 1000 gènes, certains auteurs préconisent une pour
10000). En fait la probabilité Pm optimale dépend de la taille de la population et de la longueur
des individus. Par ailleurs, il est bon que cette probabilité diminue durant l'exécution de manière
à ce que la perte d'allèles soit faible en début du processus sans pénaliser la convergence à terme.
Il faut noter que les conséquences de la mutation de deux bits différents peuvent être très
inégales.. C'est une nouvelle preuve de l'importance du codage qui doit être choisi tel qu'une
faible variation du génotype n'entraîne pas une grande variation du phénotype. Une nouvelle fois,
ce choix dépend du problème à résoudre.

9 Probabilité de mutation optimale

L'objectif de la mutation est d'empêcher la perte définitive de certains allèles sous l'effet du
mécanisme de sélection. Si la taille de la population tend vers l'infini, le risque de perte tend vers
0. On peut en conclure que la probabilité de mutation doit être inversement proportionnelle à la
taille de la population L. Cette interprétation concorde avec les résultats expérimentaux [51] qui
donnent:
1
Pm ≈ L− 0.9318 ≈ (2.14)
L
D’autre part Pm est inversement proportionnelle à la taille de l’individu l. [52] :
1
Pm ≈ l − 0.4535 ≈ (2.15)
l
Donc on peut avoir Pm en fonction de L et l comme suit :
Pm ≈ 1 L × l ( ) (2.16)
Ou d’une façon plus exacte en se basant sur les deux équations (2.13) et (2.14) :
( )(
Pm ≈ L0.0682 × l 0.0465 / L × l ) (2.17)
Hesser et Manner [54] proposent une décroissance de Pm avec le temps:
−τ × t
α e 2
(2.18)
Pm ≈ avec α, β et τ constants.
β L× l
Ce résultat doit être mis en rapport avec celui de [53] qui donne Pm sous une forme
équivalente, mais indépendante du temps :
1.76
Pm ≈ (2.19)
L× l

La probabilité de croisement Pc doit augmenter au cours de l’exécution de l’AG, puisque

d’une part, une décroissance exponentielle de Pm au cours de l'exécution de l'AG améliore ses
performances [2] et d’autre part Pm doit augmenter si Pc diminue et réciproquement [54].
Chapitre 2 Les méthodes métaheuristiques appliquées à l’OPF - 81 --

Le choix de la meilleure probabilité de mutation Pm est délicat. En effet, Pm dépend à la

fois de la taille L de la population et de la longueur l des individus. De plus, si Pm décroît avec le
temps, les performances de l'algorithme sont meilleures. Enfin, Pm est inversement proportionnel
à la probabilité de croisement.

2.5.6.5. Autres paramètres

Les opérateurs de l’algorithme génétique sont guidés par un certain nombre de paramètres
fixés à l’avance, dont leurs valeurs influencent la réussite ou non d’un algorithme génétique. Ces
paramètres sont :
- La taille de la population, L, et la longueur du codage de chaque individu, l, (dans
le cas du codage binaire) : Si L est trop grand le temps de calcul de l’algorithme peut
s’avérer très important, et si L est trop petit, il peut converger trop rapidement vers un
mauvais chromosome. Cette importance de la taille est essentiellement due à la notion de
parallélisme implicite qui implique que le nombre d’individus traité par l’algorithme est au
moins proportionnel au cube du nombre d’individus. En général, la valeur de la taille de la
population est comprise entre 30 et 50 individus
- La probabilité de croisement Pc : Elle dépend de la forme de la fonction sélective.
Son choix est en général heuristique (tout comme pour Pm). Plus elle est élevée, plus la
population subit de changements importants. Les valeurs généralement admises sont
comprises entre 0.5 et 0.95.
- La probabilité de mutation Pm : Ce taux est généralement faible (entre 0.5% et
1%), puisqu’un taux élevé risque de conduire à une solution sous optimale. Plutôt que de
réduire Pm, une autre façon d’éviter que les meilleurs individus soient altérés est d’utiliser
la reconduite explicite de l’élite dans une certaine proportion. Ainsi, bien souvent, les
meilleurs 5%, par exemple, de la population sont directement reproduits à l’identique,
l’opérateur de reproduction ne jouant alors que sur les 95% restants. Cela est appelé une
stratégie élitiste. [55].

2.5. 4 Résolution d'un problème par algorithme génétique

Pour résoudre un problème en utilisant un algorithme génétique. Il faut définir une
représentation, les opérateurs génétiques et la fonction objectif ce qui implique deux conditions
incontournables:
• pouvoir coder les solutions de ce problème par une chaîne finie de bits.
• être capable d'attribuer une valeur sélective à chaque chaîne (i.e. trouver une bonne
fonction sélective).
Application des méthodes métaheuristiques à l’OPF dans un environnement d’électricité dérégulé - 82 -

2.5.6.1. Codage du problème en une suite de caractères

Goldberg [50] propose d'appliquer les deux règles suivantes lors de la recherche d'un
codage : favoriser l'alphabet de cardinalité minimale, favoriser un codage dans lequel les
schémas d'ordre et de longueur faibles ont un sens vis-à-vis du problème à résoudre. Il note que
l'alphabet binaire a été et restera utile pour une large variété de problèmes à résoudre. Par
ailleurs, il précise que le respect de la deuxième règle n'est pas aisé et que grâce à leur
robustesse, les algorithmes génétiques sont rarement mis en défaut à cause de l'adoption d'un
codage particulier.

2.5.6.2. Choix de la fonction sélective

La fonction sélective permet de calculer les valeurs sélectives des individus de la
population. Elle doit rendre des résultats positifs ou nuls pour que l'opérateur de sélection
fonctionne convenablement. Le problème à résoudre ayant été traduit sous la forme d'une
fonction objectif, la fonction sélective f est formée par la composition de deux fonctions[50]:
f ( x ) = g (F ( x ) ) (2.20)
où F représente la fonction objectif et g transforme la valeur F(x) en une valeur positive. La
fonction g peut être une transformation linéaire de F ::
f ( x) = a ⋅ F ( x) + b (2.21)
avec a positif si on cherche le maximum de la fonction F(x) et a négatif si on cherche le
minimum, b assurant que f(x) est toujours positif.
En fonction du problème à résoudre, il peut être intéressant de faire une transformation
logarithmique de la fonction sélective de la forme suivante :
f ( x) = b − log(F ( x) ) (2.22)
avec, ∀x, b > log(F ( x) ) .
Cette fonction sélective permet de limiter les écarts de valeur sélective dans les premières
générations (limitant le risque de convergence prématurée). De plus, elle permet d'amplifier les
écarts de valeurs sélectives entre les individus pour lesquelles F(x) est faible (que l'on retrouve
en grand nombre lorsque l'algorithme commence à converger).
Une autre possibilité, lorsque l'on cherche à maximiser F, est d'utiliser une transformation par
élévation à une puissance donnée:
f ( x ) = ( a ⋅ F ( x ) + b) k (2.23)
On retrouve des avantages similaires à ceux cités précédemment : limitation des écarts de
valeur sélective dans les premières générations et amplification des écarts de valeurs sélectives
lorsque l'algorithme commence à converger. La valeur de k dépend du problème à traiter, pour
une application d'imagerie, propose pour la fonction sélective la forme : f(x) = F(x)1,0005. Il est
Chapitre 2 Les méthodes métaheuristiques appliquées à l’OPF - 83 --

peut être intéressant de faire varier le paramètre k durant l'exécution de l'algorithme génétique de
manière à adapter les écarts de valeurs sélectives comme désiré.
Pour un algorithme génétique évoluant vers une population d'individus à fortes valeurs
sélectives, il est peut être intéressant d'ajuster dynamiquement la fonction sélective f de manière
à ce que l’écart entre l'individu de plus forte valeur sélective et celui de plus faible valeur
sélective ne se réduise pas trop. On a alors :
f ( x) = a ⋅ F ( x) + b(t ) (2.24)
Une définition possible de b(t) dans le cas où on maximise F(x), est :
b(t ) = − min{ f ( x ) / x ∈ P(t ) } (2.25)
où P(t) représente la population à l'instant t. On parle dans ce cas de fonction sélective ajustée
linéairement.

2.5.6.3. Prise en charges des contraintes par les AG

Une caractéristique des problèmes réels est d'être le plus souvent soumis à des contraintes :
contraintes technologiques, contraintes environnementales, …etc. Comme la plupart des
problèmes d’optimisation, l’écoulement de puissance optimale est un problème à contraintes. Un
AG peut prendre en charge ces contraintes par les manières suivantes :
• on choisit le codage des chromosomes sans que les individus choisis amènent à un
dépassement des limites ou une violation des contraintes non-linéaires, si elles
existent;
• on répète le processus de croisement jusqu'à ce qu'un individu respectant les
contraintes soit généré;
• on adapte les opérateurs génétiques de manière à ce que seuls les individus respectant
les contraintes soient générés;
• on pénalise les individus ne respectant pas les contraintes en diminuant leurs valeurs
sélectives. Dans ce cas là ces individus auront des performances moindres de telles
façons à être éliminé dans les prochaines générations.
La fonction pénalité appropriée pour ce problème particulier n’est pas nécessairement
facile à concevoir. Elle peut même donner une convergence prématurée de l’AG.
On calcule une fonction de pénalité P que l'on soustrait à la valeur sélective brute de l'individu,
On a
f ( x) = g ( F ( x)) − P( x) (2.26)
Pour les problèmes dans lesquels de nombreuses solutions ne sont pas possibles, car elles
ne respectent pas les contraintes, il est préférable de retenir la dernière solution.
Application des méthodes métaheuristiques à l’OPF dans un environnement d’électricité dérégulé - 84 -

2.5. 5 Codage réel

A l’aide du codage binaire, toutes les opérations sont assez simples à mettre en place,
Néanmoins, quelques inconvénients existent [2] [50] [52]:
– Il est peut être difficile d’adapter ce codage à certains problèmes :
La représentation binaire traditionnelle utilisée pour les algorithmes génétiques crée des
difficultés pour les problèmes d’optimisation de grandes dimensions à haute précision
numérique. Par exemple, avec 100 variables appartenant au domaine [-500, 500] et dont une
précision de 6 chiffres après la virgule est nécessaire, la taille du chromosome est 3000. Cela, en
retour, génère un espace de recherche d’environ 101000. Pour de tels problèmes, les algorithmes
génétiques basés sur des représentations binaires ont de faibles performances.
– La distance de Hamming entre deux nombres réels proches qui est le nombre de bits qui
diffèrent de l’un à l’autre peut être grande (exemple : 0111 qui vaut 7 et 1000 qui vaut 8, la
distance est de 4). Ce qui crée bien souvent une convergence vers une valeur non optimale.
– Suivant le problème, la résolution de l’algorithme peut être coûteuse en temps.
– Le croisement et la mutation peuvent être inadaptés (création d’individus n’appartenant pas à
l’espace de recherche).
Une des améliorations majeures consiste alors à se servir de nombres réels directement,
Les résultats donnés dans [52] montrent que la représentation binaire aboutit souvent à une
moins bonne précision et qu’en règle générale le gain en termes de temps de calcul (CPU) est
positif. Donc on peut dire qu’une représentation plus naturelle du problème offre des solutions
plus efficaces.
En utilisant le codage réel, notre individu n’est alors plus qu’un chiffre à valeurs réelles dans
l’espace des valeurs permises : A=a, a ∈D⊂ℜ. L’opérateur de sélection reste identique à celui
de la roue de loterie biaisée ou du tournoi. En revanche, il existe d’autres opérateurs de
croisement et de mutation.

2.5.7.1. Opérateur de croisement

L’opérateur de croisement simple tel que décrit dans le cas binaire ne peut s’effectuer ici
dans le cas de recherche d’un point unique. Toutefois, pour une recherche de plus grande
dimension, nous pouvons utiliser de façon analogique cet opérateur. Ainsi, soient Y = (y1; y2; y3)
et X = (x1; x2; x3) deux membres (vecteur de dimension trois) de la population initiale. Nous
recherchons donc trois points dans un espace de recherche de dimension trois.
Chapitre 2 Les méthodes métaheuristiques appliquées à l’OPF - 85 --

L’opération de croisement simple est identique dans le principe à celle décrite auparavant,
Pour ce faire, nous générons un nombre aléatoire r à partir d’une distribution uniforme sur
l’ensemble {1, 2, 3}, et deux nouveaux individus, X et Y, sont créés selon la règle suivante :

⎧ xi , si i < r
xi = ⎨
⎩ y i , sinon
(2. 27)
⎧ y i , si i < r
yi = ⎨
⎩ xi , sinon
Un autre opérateur est le croisement arithmétique qui effectue une simple combinaison
linéaire entre les parents. Soit, après avoir généré un chiffre aléatoire, α =U(0; 1), les nouveaux
parents sont:
X = αX + (1 − α )Y
(2. 28)
Y = (1 − α ) X + αY
Enfin, il existe aussi le croisement heuristique. Cet opérateur effectue une extrapolation
linéaire des deux individus. Un nouvel individu, X, est créé selon le processus suivant (sous
l’hypothèse que X>Y en terme de valeur sélective, sinon nous inversons X et Y dans les
équations) :
X = X + r ( X − Y );
(2. 29)
Y = X;
et où :
⎧1, si b1i < x < b2i , ∀i
Faisabilité = ⎨ (2. 30)
⎩0, sinon

où bi1 et bi2 sont les bornes autorisées pour xi, et avec r un nombre aléatoire tiré dans U(0; 1).
Nous devons donc avoir tout le temps xi ∈ [bi1 , bi2]. Si X n’est pas faisable (i. e. faisabilité
nulle) alors un nombre r est retiré et la procédure est recommencée jusqu’à ce que la solution soit
faisable où qu’un certain nombre d’essais ait été effectué. Dans le cas où f (X)= f (Y) (même
valeur sélective) on reproduit simplement X et Y, cet opérateur est un croisement unique pour les
raisons suivantes : (1) il utilise directement les valeurs de la fonction objectif afin de déterminer
une direction de recherche, (2) il produit seulement un enfant et (3) il peut ne produire aucun
enfant.
Il semble que le croisement heuristique contribue à trouver une solution plus précise; ses
principales responsabilités dans la recherche de la solution sont (1) un "fine-tuning" local et (2)
une recherche dans une direction prometteuse.
Application des méthodes métaheuristiques à l’OPF dans un environnement d’électricité dérégulé - 86 -

2.5.7.2. Opérateur de mutation

La mutation uniforme est identique à celle du codage binaire. Ainsi, chaque variable xi ∈
X est changée selon une certaine probabilité en un nombre aléatoire tiré dans une distribution
uniforme sur l’intervalle [bi1, bi2], avec bi1 et bi2 les bornes inférieures et supérieures pour xi.
La mutation non uniforme revient à changer la variable xi en un nombre tiré dans une
distribution non uniforme. Cette nouvelle variable xi est telle que :

( )
⎧⎪ xi + b2i − xi f (G ), si α < 0.5,
xi = ⎨ (2. 31)
( )
⎪⎩ xi − b1i + xi f (G ), si α ≥ 0.5,
avec

f (G ) = (α (1 −
G b
) ) (2. 32)
Gmax

α nombres aléatoires entre (0;1);

G = la génération courante,
Gmax = le nombre maximum de générations (i. e. de création de nouvelle population),
b = un paramètre déterminant le degré de non uniformité.
Un dernier opérateur de mutation existe : la mutation dans les bornes. Avec cet opérateur,
chaque variable xi ∈ X choisie pour muter prend pour valeur l’une des deux bornes bi1 et bi2 avec
équiprobabilité. A l’évidence, cet opérateur n’a d’intérêt et d’efficacité que si la solution est
proche des bornes de l’espace de recherche. Notons qu’il est possible de combiner plusieurs
opérateurs en même temps.
La figure 2.12 présente l'organigramme de la méthode des algorithmes génétiques.
Chapitre 2 Les méthodes métaheuristiques appliquées à l’OPF - 87 --

Calculez la fitness des chromosomes

dans la génération actuelle

Sélectionnez
2 parents P=P+1

Probabilité du
croisement>rand[0,1] ?

Oui Non

Croisement pour former Maintenir les parents

deux enfants faisables comme des enfants

Déposer les enfants dans

la prochaine génération

Oui
P=la taille de la
population ?

Non

La probabilité de
mutation de chaque
chromosome >
rand[0,1] ?

Oui Non

Muter le chromosome Garder le chromosome

Fin

Figure 2.12 Organigramme des Algorithmes génétiques

Application des méthodes métaheuristiques à l’OPF dans un environnement d’électricité dérégulé - 88 -

2.3.8. Test de la méthode GA sur OPF avec une fonction mono-objectif

On remarque que le coût de production trouvé par GA-OPF qui est égal 802.230313 $/h est
légèrement plus réduit à celui de la méthode ACO-OPF (802.3087$/h) par un taux de 0.01%. Les
puissances actives optimales sont dans leurs gammes permises et sont loin des limites min. et
max. (tableau 2.8). La valeur des pertes trouvée par GA-OPF qui est de 9.5 MW est très proche
de la valeur trouvée par ACO-OPF avec un taux de 0.7742 %. Les contraintes de sécurité sont
aussi vérifiées pour les angles et les amplitudes des tensions. Ces dernières sont dans leurs
fourchettes admissibles. De plus il est important de souligner que la convergence est rapide avec
cette méthode puisque le temps de convergence est de l’ordre de 2 sec.
Tableau 2.8 Comparaison des résultats obtenus par GA-OPF et ACO-OPF pour le réseau
IEEE 30 bus.
Variable limite min limite max ACO-OPF GA-OPF
P1 (MW) 50 200 176.233 177.1176
P2 (MW) 20 80 48.23 48.9107
P5 (MW) 15 50 20.97 21.4914
P9 (MW) 10 35 22.27 21.8712
P11 (MW) 10 30 13.05 12.1574
P13 (MW) 12 40 12.08 11.3582
Pertes actives (MW) 9.433514 9.506547
Coût de Génération ($/hr) 802.30857 802.230313
Temps de convergence (sec.) 20 7

Notre méthode a été comparée avec deux autres méthodes qui se trouvent dans la littérature.

2.3.8. Test de la méthode GA sur OPF avec une fonction bi-objectif

Les valeurs optimales des puissances générées, le coût du combustible et le taux d’émission pour
le cas de l’optimisation bi-objectif (coût de combustible/ émission de gaz toxique) sont donnés
par le tableau 2.6.
On remarque que les puissances actives générées sont dans leurs limites admissibles
(tableau 2.9) ainsi que les tension modules et angles (figures 2.13, 2.14) sont acceptables. On
observe aussi que le coût total dans le cas ou on veut minimiser seulement le taux d’émission du
gaz toxique (µ=0) est plus élevé que dans le cas de minimisation du coût de production (µ =1)
avec un ratio de 5. 4612 %, Mais la valeur des pertes de puissances qui correspond à µ =0 est
plus réduite que celle du cas µ =1 avec un pourcentage de 59.9138%. On remarque que le
rapport optimal coût émission correspond à (µ =0. 4). On remarque dans ce cas que le coût total
est le meilleur avec une valeur de 968. 196419$/h qui est trop proche de la valeur trouvée par
ACO (968. 33036 $/h) avec un taux d’émission acceptable (0. 260039 ton/h) et de pertes
acceptables (6. 560603 MW).
Chapitre 2 Les méthodes métaheuristiques appliquées à l’OPF - 89 --

Tableau 2.9 Les résultats du coût minimal par GA avec codage réel ( μ = 1 : Coût minimal
de production ; 0 < μ < 1 : Coût de production+Emission minimale μ = 0 :
Emission minimale)
Variable µ=1 µ=0. 9 µ=0. 8
Pg1 (MW) +177. 1176 +171. 0810 +166. 4285
Pg2 (MW) +48. 9107 +58. 0399 +60. 9982
Pg5 (MW) +21. 4914 +20. 5704 +21. 2573
Pg8 (MW) +21. 8712 +15. 9370 +18. 6499
Pg11 (MW) +12. 1574 +10. 5940 +12. 5096
Pg13 (MW) +11. 3582 +16. 6609 +12. 7570
Coût de génération ($/hr) 802. 230313 804. 880927 805. 379614
Perte active (MW) 9. 506547 9. 483205 9. 200506
Emission (ton/hr) 0. 366274 0. 351638 0. 341370
Coût total ($/hr) 1003. 922759 998. 513638 993. 358672
Variable µ=0. 7 µ=0. 6 µ=0. 5 µ=0. 4
Pg1 (MW) +166. 8327 +155. 6018 +135. 6247 +125. 8236
Pg2 (MW) +50. 9752 +49. 9298 +56. 2770 +59. 3522
Pg5 (MW) +22. 0177 +21. 6668 +24. 9626 +25. 7566
Pg8 (MW) +16. 8439 +29. 9864 +26. 3041 +32. 0449
Pg11 (MW) +20. 3480 +14. 0851 +23. 5482 +23. 7175
Pg13 (MW) +15. 2419 +20. 2545 +23. 7185 +23. 2657
Coût de génération ($/hr) 805. 073866 807. 200023 819. 030527 825. 003569
Perte active (MW) 8. 859520 8. 124457 7. 035117 6. 560603
Emission (ton/hr) 0. 337197 0. 312134 0. 273704 0. 260039
Coût total ($/hr) 990. 754804 979. 079681 969. 748127 968. 196419
Variable µ=0. 3 µ=0. 2 µ=0. 1 µ=0
Pg1 (MW) +109. 4395 +98. 3846 +79. 5341 +62. 7326
Pg2 (MW) +61,1031 +66,6323 +66,1861 +69,4780
Pg5 (MW) +32,7390 +30.4619 +40.2184 +49,9999
Pg8 (MW) +30.5527 +33,0590 +34,3733 +35,0002
Pg11 (MW) +24,2450 +26,9001 +29,5807 +30.0000
Pg13 (MW) +30.9997 +33,3618 +37,9673 +40.0000
Coût de génération ($/hr) 847,325854 859,086430 898,713532 949,002306
Perte active (MW) 5,679032 5,399641 4,459928 3,810818
Emission (ton/hr) 0,237917 0,228418 0,212245 0,205052
Coût total ($/hr) 978,337406 984,867260 1015,588143 1061,916514
Application des méthodes métaheuristiques à l’OPF dans un environnement d’électricité dérégulé - 90 -

max min µ=0.9 µ=0.8 µ=0.7 µ=0,6 µ=0.5

µ=0.4 µ=0.3 µ=0.2 µ=0.1 µ=0.0 µ=1.0
11
30
30 22
29
29 33
28
28 1,05 44

27
27 55
1
26
26 66
0,95
25
25 77
0,9
24
24 88
0,85
23
23 99

22
22 10
10

21
21 11
11
20
20 12
12
19
19 13
13
18
18 14
14
117
7 15
15
Figure 2.13 Niveaux de tensions (pu) du réseau IEEE 30 bus résultantes de la
minimisation bi-objectif (coût /Emission) par RGA-OPF pour les 11 cas.

max µ=1.0 min µ=0.9 µ=0.8 µ=0.7 µ=0,6

µ=0.5 µ=0.4 µ=0.3 µ=0.2 µ=0.1 µ=0.0

0
1

11

13

15

17

19

21

23

25

27

29

-2

-4

-6
angle

-8

-10

-12

-14

-16

Figure 2.14 Angles de phase (deg.) du réseau test résultantes de la minimisation bi-
objectif( coût/émission) par RGA-OPF pour les 11 cas.
Chapitre 2 Les méthodes métaheuristiques appliquées à l’OPF - 91 --

2.5. Optimisation par essaim de particules (PSO)

L’optimisation par essaim de particules (PSO) est une technique d’optimisation parallèle
développée par Kennedy et Eberhart, comme une alternative aux algorithmes génétiques
standards [56]. Ces algorithmes sont inspirés des essaims d’insectes (ou des bancs de poissons
ou des nuées d’oiseaux) et de leurs mouvements coordonnés. En effet, tout comme ces animaux
se déplacent en groupe pour trouver la source de nourriture ou éviter les prédateurs, les
algorithmes à essaim de particules recherchent des solutions pour un problème d’optimisation.
Les individus de l’algorithme sont appelés particules et la population est appelée essaim. Dans
cet algorithme, une particule décide de son prochain mouvement en fonction de sa propre
expérience, qui est dans ce cas la mémoire de la meilleure position qu’elle a rencontrée, et en
fonction de son meilleur voisin. Ce voisinage peut être défini spatialement en prenant par
exemple la distance euclidienne entre les positions de deux particules ou socio-métriquement
(position dans l’essaim de l’individu). Les nouvelles vitesses et direction de la particule seront
définies en fonction de trois tendances : la propension à suivre son propre chemin, sa tendance à
revenir vers sa meilleure position atteinte et sa tendance à aller vers son meilleur voisin. Les
algorithmes à essaim de particules peuvent s’appliquer aussi bien à des données discrètes qu’à
des données continues. Les algorithmes à essaim de particules ont été utilisés pour réaliser
différentes tâches d’extraction de connaissances [57].

2.6. 1. L’algorithme PSO

L’algorithme PSO est initialisé par une population de solutions potentielles aléatoires,
interprétées comme des particules se déplaçant dans l’espace de recherche. Chaque particule est
attirée vers sa meilleure position découverte par le passé ainsi que vers la meilleure position
découverte par les particules de son voisinage (ou de tout l’essaim, dans la version globale de
l’algorithme). L’algorithme PSO comprend plusieurs paramètres de réglage qui permettent
d’agir sur le compromis exploration – exploitation [56]. L’exploration est la capacité de tester
différentes régions de l’espace à la recherche de bonnes solutions candidates. L’exploitation est
la capacité de concentrer la recherche autour des solutions prometteuses afin de s’approcher le
plus possible de l’optimum. Le choix des paramètres reste en grande partie empirique. Une
analyse complète de l’algorithme a été faite par Clerc et Kennedy [57].

2.6.1. 1 Algorithme général [58]

L’algorithme PSO classique peut être décrit sous forme vectorielle de la façon suivante :
vk +1 = w ⊗ vk + c1 ⊗ r1 ⊗ ( pbest − xk ) + c2 ⊗ r2 ⊗ ( p gbest − xk )
r r r r r r r r r r r
(2. 33)
Application des méthodes métaheuristiques à l’OPF dans un environnement d’électricité dérégulé - 92 -

r r r r r (2. 34)
xk +1 = a ⊗ xk + b ⊗ vk +1

Le symbole ⊗ signifie ici la multiplication des vecteurs éléments par élément. A l’itération k, la
r
vitesse vk d’une particule est modifiée à partir de sa valeur courante, affectée d’un coefficient
r
d’inertie (w) , et de deux forces qui attirent la particule vers sa propre meilleure position passée
( prbest ) et la meilleure position de tout l’essaim ( pr gbest ) . L’intensité de l’attraction est donnée par
r r r
les coefficients c1 et c2 . La position de la particule xk est modifiée à partir de la position
r r r
courante et de la nouvelle vitesse calculée vk +1 , affectées des coefficients a et b respectivement.
L’expérience montre qu’une bonne exploration du domaine de recherche est obtenue en
r r
introduisant les nombres aléatoires r1 et r2 , en général avec une répartition uniforme entre 0 et 1.

2.6.1. 2 Algorithme unidimensionnel déterministe

Chaque coordonnée d’une particule est modifiée indépendamment des autres coordonnées
(équations (2.33) et (2.34)). Le seul lien entre les coordonnées est à travers la fonction objectif,
r r
c’est-à-dire à travers les meilleures positions trouvées jusqu’à présent pbest et p gbest .

Une autre simplification consiste à considérer la version déterministe de l’algorithme, ce

qui revient à remplacer les nombres aléatoires par leurs valeurs moyennes (1/2) [57].
Avec ces simplifications, l’algorithme unidimensionnel déterministe s’écrit :
vk +1 = wvk + c( p − xk ) (2.35)

et
xk +1 = axk + bvk +1 (2.36)

Le nouveau coefficient d’attraction (c ) est la moyenne des coefficients propre (c1 ) et social (c2 ) ,

Le nouveau point d’attraction ( p ) est la moyenne de ( pbest ) et de ( p gbest ) , pondérés par (c1 ) et

(c2 ) respectivement.

2.6.1. 3 Algorithme avec a = 1 et b = 1

Il a été montré que les coefficients a et b peuvent être toujours choisis de valeur 1, sans
perte de généralité[58]. Plus exactement, toute séquence de positions successives (xk ) générée
par l’algorithme décrit par les équations (2.35) et (2.36), peut également être générée en fixant
a = 1 et b = 1 et en choisissant convenablement w et c. Les séquences des vitesses sont bien sûr
différentes, mais cela ne change rien au problème d’optimisation, qui ne fait intervenir que les
Chapitre 2 Les méthodes métaheuristiques appliquées à l’OPF - 93 --

positions successives. Le choix a = 1 et b = 1 est en partie arbitraire mais à la propriété

intéressante que la variable v garde une vraie signification de vitesse, c’est-à-dire de différence
entre deux positions successives [57].

2.6.1. 4 Algorithme discret (binaire)

Dans l’Optimisation par Essaim de Particules Discrète (PSOD), (xk ) et (Pbest ) prennent

seulement des valeurs de 0 et 1. La vélocité (vk ) déterminera une probabilité de seuil. Si vk est
plus élevé, la particule choisit la valeur 1 et pour les valeurs plus basses favorise le 0 comme
choix. Un tel seuil doit rester dans la gamme [0.0, 1.0]. Une fonction franche pour accomplir ceci
est commune dans les réseaux de neurones. La fonction, appelée la fonction sigmoïde, est définie
comme suit :
1
s (vk ) =
1 + exp(− vk ) (2.37)

Un nombre aléatoire (rand : trié d’une distribution uniforme entre 0.0 et 1.0) est alors généré, par
lequel xk soit placé à 1 si le nombre aléatoire est inférieure à la valeur de la fonction sigmoïde
comme illustré dans ce qui suit :
Si rand< s(vk ) , alors xk = 1 , Sinon x k = 0 (2.38)

2.6. 2. Description informelle

La version historique peut facilement être décrite en se plaçant du point de vue d’une
particule. Au départ de l’algorithme, un essaim est réparti au hasard dans l’espace de recherche,
chaque particule ayant également une vitesse aléatoire. Ensuite, à chaque pas de temps :
- chaque particule est capable d'évaluer la qualité de sa position et de garder en mémoire sa
meilleure performance, c’est-à-dire la meilleure position qu’elle a atteinte jusqu’ici (qui
peut en fait être parfois la position courante) et sa qualité (la valeur en cette position de la
fonction à optimiser).
- chaque particule est capable d'interroger un certain nombre de ses congénères (ses
informatrices, dont elle-même) et d'obtenir de chacune d'entre elles sa propre meilleure
performance (et la qualité afférente).
- chaque particule choisit la meilleure des meilleures performances dont elle a
connaissance, modifie sa vitesse en fonction de cette information et de ses propres
données et se déplace en conséquence.
Application des méthodes métaheuristiques à l’OPF dans un environnement d’électricité dérégulé - 94 -

Le premier point se comprend facilement, mais les deux autres nécessitent quelques
précisions. Les informatrices sont définies une fois pour toutes de la manière suivante
(figure2.15) :

Figure 2.15 Le cercle virtuel pour un essaim de sept particules.

Le groupe d’information de taille trois de la particule 1 est composé des particules 1. 2 et 7.

On suppose toutes les particules disposées (symboliquement) en cercle et, pour la particule
étudiée, on inclut progressivement dans ses informatrices, d’abord elle-même, puis les plus
proches à sa droite et à sa gauche, de façon à atteindre le total requis. Il y a bien sûr de
nombreuses variantes, y compris celle consistant à choisir les informatrices au hasard, mais
celle-ci est à la fois simple et efficace.
Une fois la meilleure informatrice détectée, la modification de la vitesse est une simple
combinaison linéaire de trois tendances, à l’aide de coefficients de confiance :
- la tendance « aventureuse », consistant à continuer selon la vitesse actuelle.
- la tendance « conservatrice », ramenant plus ou moins vers la meilleure position déjà
trouvée.
- la tendance « panurgienne », orientant approximativement vers la meilleure informatrice.
Les termes « plus ou moins » ou « approximativement » font référence au fait que le
hasard joue un rôle, grâce à une modification aléatoire limitée des coefficients de confiance, ce
qui favorise l’exploration de l’espace de recherche. La figure 2.16 présente un schéma de
principe résumant les explications ci-dessus. Naturellement, pour pouvoir être programmé, tout
ceci est formalisé dans des équations de mouvement (2.33) et (2.34) ou (2.35) et (2.36). Un point
intéressant est que, contrairement à bien d’autres heuristiques qui restent purement
expérimentales, il existe une analyse mathématique précisant les conditions de convergence et le
choix des paramètres [57], [58], [59], et un article spécialement pour les meilleures choix du
r
coefficient d’inertie (w) [60].
Chapitre 2 Les méthodes métaheuristiques appliquées à l’OPF - 95 --

2.6.2.1. Caractéristiques principales

Ce modèle présente quelques propriétés intéressantes, qui en font un bon outil pour de
nombreux problèmes d’optimisation, particulièrement les problèmes fortement non linéaires,
continus ou mixtes (certaines variables étant réelles et d’autres entières) :
- il est facile à programmer, quelques lignes de code suffisent dans n’importe quel langage
évolué.
- il est robuste (de mauvais choix de paramètres dégradent les performances, mais
n’empêchent pas d’obtenir une solution).
Pour réaliser son prochain mouvement, chaque particule combine trois tendances : suivre
sa vitesse propre, revenir vers sa meilleure performance, aller vers la meilleure performance de
ses informatrices.
Signalons, de plus, qu’il existe des versions adaptatives qui évitent même à l’utilisateur la peine
de définir les paramètres (taille de l’essaim, taille des groupes d’informatrices, coefficients de
confiance) [56], [61] [62].

Vers ma
meilleure
performance
Vers la meilleure
performance de mes
Position informatrices
actuelle

Nouvelle
vitesse position
actuelle

Figure 2.16 Schéma de principe du déplacement d’une particule.

2.6.2.2. Le voisinage
Le voisinage constitue la structure du réseau social. Les particules à l’intérieur d’un
voisinage communiquent entre-elles. Différents voisinages ont été étudiés [63] et sont considérés
en fonction des identificateurs des particules et non des informations topologiques comme les
distances euclidiennes dans l’espace de recherche [63] [64]:
- Topologie en étoile (figure2.17(a)) : le réseau social est complet, chaque particule est attirée
r
vers la meilleure particule notée Pgbest (gbest) et communique avec les autres.
Application des méthodes métaheuristiques à l’OPF dans un environnement d’électricité dérégulé - 96 -

- Topologie en anneau (figure2.17(b)) : chaque particule communique avec n voisines

immédiates (n=3). Chaque particule tend à se déplacer vers la meilleure dans son voisinage local
r
notée Pbest (lbest).

(a) Etoile (b) Anneau (c) Rayon

Figure 2.17 Trois topologies du voisinage différentes.

- Topologie en rayon (figure2.17(c)) : une particule "centrale" est connectée à tous les autres.
Seule cette particule centrale ajuste sa position vers la meilleure, si cela provoque une
amélioration l’information est propagée aux autres.

2.6. 3. Les étapes de la méthode d’Optimisation par Essaim de Particules

L’algorithme de cette méthode peut être décrit comme suit :
r r r
¾ 1ére étape : Initialisation des coefficients c1 et c2 , le coefficient d’inertie (w) .
¾ 2éme étape : La création de la population initiale aléatoirement et le calcul de la fitness
de chaque particule (Pbesti ) : la meilleure position de la particule i dans la population

actuelle ; (Pgbest ) : la meilleure position dans toute les populations (la meilleure des

meilleures).
¾ 3éme étape : Le calcul de la nouvelle vitesse et nouvelle position de chaque particule
par l’utilisation des formules (2.35) et (2.36).
¾ 4éme étape : Le calcul de la meilleure fitness de la population initiale et comparer par
la précédente pour trouver la meilleure de toute les populations (Pgbest ) .

¾ 5éme étape : incrémentation du nombre d’itération t = t+1.

¾ 6éme étape : Si un critère d’arrêt est satisfait alors passer à la 7éme étape. Autrement,
aller à la 3éme étape.
¾ 7éme étape : La position enregistrée dans (Pgbest ) est la solution optimale.
Chapitre 2 Les méthodes métaheuristiques appliquées à l’OPF - 97 --

La figure 2.18 présente l'organigramme de la méthode PSO.

Début

Initialisation de population

Calcul de la fitness de chaque particule

Calcul de la meilleure fitness de la population actuelle

Calcul de la meilleure fitness de toutes les populations

Calcul de la vitesse
Calcul de la position
T=T+1

Calcul de la fonction sélective de la

nouvelle population

Terminer

Résultat

Fin

Figure 2.18 Organigramme de la méthode PSO.

2.6.3.1. Expériences d’optimisation

Dans la pratique, les comportements intéressants sont ceux qui assurent la convergence des
particules de l’essaim vers la meilleure solution trouvée. Il convient donc de choisir les
paramètres w et c à l’aide du test sur l’une des fonctions objectifs. Selon le choix des paramètres
w et c à l’aide de ce test les comportements des particules peuvent être très différents, comme le
montre la figure 2.19. Pour l’optimisation, les choix qui semblent donner les meilleurs résultats
sont avec une convergence plus ou moins rapide selon qu’on désire favoriser l’exploration et
l’exploitation, et donne le minimum de la fonction objectif.
Application des méthodes métaheuristiques à l’OPF dans un environnement d’électricité dérégulé - 98 -

L’algorithme PSO a été appliqué à la fonction objectif la plus connue, utilisée également
dans [63] et [64]. Les paramètres vectoriels avaient tous les éléments identiques. Plusieurs jeux
de paramètres ont été testés. Le test 1 (w = 0.1, 0.2, 0.3, 0.4, 0.5 et c = 0.5), le test 2 (w = 0.1,
0.2, 0.3, 0.4, 0.5 et c=1) et le dernier test (w = 0.1, 0.2, 0.3, 0.4, 0.5 et c =2). Notre choix est
(c=2, w=0.5) après un grand nombre d’essais. La topologie de l’essaim était totalement
connectée, toutes les particules étant considérées voisines.

C=0,5 w =0,1 w =0,2 w =0,3 w =0,4 w =0,5

810
805
800
795
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
it é r a t ion

C=1,0
808
806
coût ($/hr

804
802
800
798
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
itération

C=2,0

808
806
coût ($/hr

804
802
800
798
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
itération

Figure 2.19 Effet des paramètres de la méthode PSO sur les résultats de l’OPF

2.6. 4. Les étapes de la méthode PSO appliquée à l'OPF

Les étapes principales de la résolution du problème d'OPF par PSO sont :
Chapitre 2 Les méthodes métaheuristiques appliquées à l’OPF - 99 --

Etape 1 : Introduction de toutes les données

Introduire toutes les données concernant le réseau électrique tel que les résistances, les
réactances, les limites des puissances des générateurs et les données de la méthode utilisée
comme : le nombre d’itération (génération), le nombre de particule et les paramètres de la
méthode (coefficient d’inertie (w) , l’intensité d’attraction (c1 et c 2 ) ).
Etape 2: Initiation
La création aléatoire de l’essaim initial, cet essaim est un ensemble des particules et
chaque particule contient les valeurs des puissances délivrées par chaque générateur (PGi ) en

utilisant les valeurs réelles dans l'espace des valeurs permises. Puisque chaque puissance PGi a

une limite supérieure PGi max et une limite inférieure PGi min .

Etape 3 : évaluation de la fonction objectif

Chaque particule est placée sur la position initiale suivant la valeur de la fonction fitness,
En se basant sur le concept de ce processus pour chaque particule de l’essaim. Dans cette étape.
L'influence directe de la valeur de la fonction objectif de l'OPF dépend de la position de chaque
particule.
Etape 4:Le calcul de la meilleure position de chaque particule jusqu’ici (Pibest) et la meilleure
position dans toutes les générations (Pgbest)
Dans cette étape, on calcule les deux meilleures positions, la première c’est la meilleure
position de chaque particule jusqu’ici (Pibest ) et la deuxième c’est la meilleure position de toutes

les générations (Pgbest ) . Ce calcul se fait suivant les valeurs de la fonction fitness.

Etape 5 : La modification de la vitesse et de la position

Selon l'équation suivante, chaque particule choisit la prochaine direction en prenant en
considération la vitesse initiale (la vélocité) de chaque particule (V0), l’inertie (w) et les valeurs
de l’intensité d’attraction c1, c2.
v k +1 = w ⊗ v k + c1 ⊗ r1 ⊗ ( p best − x k ) + c 2 ⊗ r2 ⊗ ( p gbest − x k )
r r r r r r r r r r r
2.36

et enfin chaque particule se déplace vers sa nouvelle position suivant cette équation :
r r r
x k +1 = x k + v k +1 2.37

Chaque position (x k +1 ) est l’image de la puissance délivrée par le générateur correspondant,

Etape 6 : Correction de ces puissances générées dans le programme de l’écoulement de
puissance
Application des méthodes métaheuristiques à l’OPF dans un environnement d’électricité dérégulé - 100 -

2.6.4.1. Test sur la fonction mono objectif

Dans une première étape on va tester la fonction mono objectif suivante :
ng
F ( x) = ∑ (α i + β i PGi + γ i PGi2 ) (2.38)
i =1

Chaque puissance active générée PGi est limitée par une limite inférieure PGi (min) est une

limite supérieure PGi (max)

PGi (min) ≤ PGi ≤ PGi (max) (2.9)

Puisque la fonction objectif est bornée supérieurement, on va choisir une fonction fitness à
maximiser de la forme suivante :
Fmax
fitness = (2.40)
F ( x)
Il y a de nombreuses façons de choisir le coefficient Fmax . Ce facteur peut être pris comme
coefficient d'entrée, ou bien on peut lui affecter la plus grande valeur de F(x) dans la population
actuelle. Nous envisagerons cette dernière possibilité dans cet exemple.

2.6.4.2. Résultats Obtenus

La méthode d’optimisation par essaim de particules (PSO) est testée sur le réseau IEEE 30 bus.
Les paramètres utilisés pour exécuter cette méthode sont w =0.9, c1=0.5, c2= 0.5, Vinc =1.98,
nbr_particles=25, max_generation=20, la tolérance est 0.0001 p.u. le maximum d’amplitude de
tension de tous les jeux de barres est 1.1p.u tandis que le minimum est 0.95. Le maximum
d’angle de tous les jeux de barres est 0 ° tandis que le minimum est -15°. La comparaison des
résultats entre GA et PSO (puissance active, le coût et les pertes de puissances) sont montrés
dans le tableau 2.10, ainsi que les angles et les amplitudes des tensions des jeux de barres sont
visualisées sur les figures 2.20 et 2.21.
Tableau 2.10 La comparaison des résultats du GA avec PSO
PSO GA
jb (i)
Pgi (MW) Pgi (MW)
1 179.2161 +177.1176
2 48.3011 +48.9107
5 20.9240 +21.4914
8 20.5613 +21.8712
11 11.5768 +12.1574
13 12.4844 +11.3582
Les pertes de puissances (MW) 9.663735 9.506547
Le coût total ($/hr) 802.298849 802.230313
Le temps d’exécution (seconds) 5 7
Chapitre 2 Les méthodes métaheuristiques appliquées à l’OPF - 101 --

Les résultats prouvent que l’algorithme PSO est comparable à la méthode GA. La
différence du coût de production entre les deux méthodes (802.298849 $/hr comparé avec
802.23013 $/hr) est de l’ordre de 0.0085% et pour les pertes de puissances (9.663735 MW
comparé avec 9.506547 MW) est de l’ordre de 1.6266%. En outre, il est important de préciser
que ce simple algorithme converge pendant un temps acceptable, approximativement 5 seconds
pour ce système était, et il a convergé aux solutions fortement optimales après 20 générations.
Les contraintes de sécurité sont également testées. Les amplitudes des tensions trouvées par PSO
sont d’un minimum de 0.9554p.u. et d’un maximum de 1.0820 p.u (figure 2.20), et les angles
des tensions sont d’un minimum de -14.6070° et d’un maximum de 0.0° (figure 2.21). Aucun jeu
de barres de charge n’était inférieur à 0.95 p.u. Le minimum des amplitudes et des angles des
tensions de ce réseau sont respectivement (0.9554 p.u. -14.6070°) au niveau de jeu de barres 30
On remarque que presque les mêmes résultats de point de vue tension sont trouvés par GA. Au
niveau de jeux de barres 30 ; existe le minimum de tension d’une valeur de (0.95278, -14.477°)
V(pu)
1,09
1,07
1,05
1,03 PSO
1,01 GA
0,99
0,97
Njb
0,95

Figure 2.20 Comparaison entre GA et PSO pour les amplitudes des tensions

Angle
0
-2
-4
-6
GA
-8
PSO
-10
-12
-14
-16

Figure 2.21 Comparaison entre GA et PSO pour les angles des tensions
Application des méthodes métaheuristiques à l’OPF dans un environnement d’électricité dérégulé - 102 -

2.6.4.3. Test sur la fonction bi objectif

Maintenant on va tester la méthode de PSO à l’optimisation d’une fonction fortement non
linéaire du coût de combustible pour la production d’énergie électrique et l’émission du gaz
toxique NOx pour cette même production. L’application a été faite sur le même réseau électrique
IEEE 30 bus. Les coefficients de la fonction exponentielle d’émission du gaz toxique sont déjà
représentés dans le tableau 2.6.
Les valeurs optimales des puissances générées, le coût du combustible et le taux d’émission pour
onze cas sont donnés par le tableau 2.11.

Tableau 2.11 Les résultats du coût minimal par PSO ( μ = 1 : Coût minimal de production ;
0 < μ < 1 : Coût de production+Emission minimale μ = 0 : Emission minimale)
Variable µ=1 µ=0.9 µ=0.8
Pg1 (MW) 179.2161 167.8851 157.7270
Pg2 (MW) 48.3011 50.8533 52.2290
Pg5 (MW) 20.9240 22.1933 22.9605
Pg8 (MW) 20.5613 25.5468 28.4781
Pg11 (MW) 11.5768 13.8182 14.7128
Pg13 (MW) 12.4844 12.0000 15.5527
Coût de génération ($/hr) 802.298849 802.989995 805.366361
Perte active (MW) 9.663735 8.896632 8.260012
Emission (ton/hr) 0.372015 0.341887 0.317720
Coût total ($/hr) 1007.15244 991.253255 980.321939
Variable µ=0.7 µ=0.6 µ=0.5 µ=0.4
Pg1 (MW) 148.9881 139.1355 130.1305 119.7014
Pg2 (MW) 53.8114 55.5525 57.0648 58.8914
Pg5 (MW) 23.6052 24.1698 25.4711 26.8847
Pg8 (MW) 32.4007 35.0001 35.0001 34.7307
Pg11 (MW) 16.4721 19.6335 22.1482 28.4531
Pg13 (MW) 15.8617 17.1039 20.3036 20.9224
Coût de génération ($/hr) 808.623367 813.899879 820.525053 831.191506
Perte active (MW) 7.739170 7.195301 6.718334 6.183837
Emission (ton/hr) 0.300066 0.282000 0.266742 0.251477
Coût total ($/hr) 973.857889 969.185930 967.408956 969.669982
Variable µ=0.3 µ=0.2 µ=0.1 µ=0
Pg1 (MW) 108.8583 96.8858 72.8418 66.9540
Pg2 (MW) 61.5384 64.4948 59.4865 73.6265
Pg5 (MW) 29.6645 31.2832 50.0000 50.0000
Pg8 (MW) 35.0002 35.0002 35.0002 35.0002
Pg11 (MW) 30.0000 28.4263 30.0000 30.0000
Pg13 (MW) 24.0137 32.5647 40.0000 31.7617
Coût de génération ($/hr) 843.707281 860.731703 934.325775 937.652382
Perte active (MW) 5.675154 5.254905 3.928527 3.942338
Emission (ton/hr) 0.238244 0.226111 0.206077 0.209475
Coût total ($/hr) 974.898631 985.242159 1047.804047 1053.001792

On remarque que les puissances actives pour les six générateurs sont dans leurs limites de
fonctionnement. Le coût total de production le plus élevé est pour le cas de la minimisation du
taux d’émission (1053.001792$/hr) avec un minimum de pertes active (3.942338 MW). Comme
Chapitre 2 Les méthodes métaheuristiques appliquées à l’OPF - 103 --

remarque sur les résultats montrés dans le tableau 2.11, il y a une différence entre le minimum du
coût de production et le minimum du taux d’émission. La différence des coûts de production
entre ses deux cas (802.298849 $/hr comparé avec 937.652382$/hr), des pertes de puissances
(9.663735 MW comparé avec 3.942338 MW) et les taux d’émission (0.372015 Ton/hr comparé
avec 0.209475 Ton/hr) montre clairement cette différence. Pour diminuer le coût de production,
on doit sacrifier une partie de la contrainte environnementale. Le minimum du coût total est
lorsque μ = 0.5 de l’ordre de 967.408956 $/hr. Les contraintes de sécurité sont aussi vérifiées
pour les amplitudes et les angles des tensions. Les amplitudes des tensions et les angles sont dans
leurs limites acceptables (figure 2.22, figure 2.23). Aucun jeu de barres n’a était à la limite
inférieure d’amplitude de tension (figure 2.22). En outre, il est important de préciser que cet
algorithme converge dans un temps acceptable, approximativement 15 seconds pour ce test.

1,1

1,05 µ=1,
0
µ=0,
1 9
µ=0,
8
0,95 µ=0,
7
0,9 µ=0,
6
µ=0,
0,85 5
µ=0,
4
µ=0,
3
µ=0,
2
µ=0,
1
µ=0,
0

Figure 2.22 Niveaux de tensions du réseau test résultante de la minimisation bi-

objectif( coût/émission) par PSO-OPF pour les 11 cas.
Application des méthodes métaheuristiques à l’OPF dans un environnement d’électricité dérégulé - 104 -

Angle µ=1,0
0
µ=0,9
-2
µ=0,8
-4
µ=0,7

-6 µ=0,6

-8 µ=0,5

-10 µ=0,4

-12 µ=0,3

-14 µ=0,2

µ=0,1
-16
µ=0,0

Figure 2.23 Angle de phases du réseau test résultante de la minimisation bi-objectif

(coût/émission) par PSO-OPF pour les 11 cas.

Pour confirmer la performance de cette méthode, on a fait la comparaison de ses résultats

avec les résultats des algorithmes génétiques. La comparaison est montrée dans le tableau 2.12.
Tableau 2.12 La comparaison entre PSO et AG
Coût de génération Coût de génération Emission minimal
minimal + Emission minimal
AG PSO AG PSO AG PSO
Generation cost ($/hr) 802.230313 802.298849 825.003569 820.525053 949.002306 937.652382
Pertes 9.506547 9.663735 6.560603 6.718334 3.810818 3.942338
Emission (ton/h) 0.366274 0.372015 0.260039 0.266742 0.205052 0.209475
Total cost ($/h) 1003.922759 1007.15244 968.196419 967.408956 1061.916514 1053.001792

On remarque que les résultats dans les trois cas sont très proches. Dans le cas de l’émission
minimale, l’écart entre les couts totaux est de 0.8395%, pour les émissions des gaz toxique est de
l’ordre de 2.15% et pour les pertes est de l’ordre de 3.4512%.

Comparaison entre les trois méthodes métaheuristiques.

Avant de conclure, on peut dire que ces trois méthodes métaheuristique donnent des répartitions
des puissances générées presque les mêmes (figure 2.24). Les valeurs des coûts et des pertes très
proches des valeurs trouvées par la méthode classique IP (figure 2.25). Le temps de convergence
est vraiment réduit pour les trois méthodes ce qui rend facile l’application de ces méthodes pour
les réseaux réel. Les tensions (modules et angles) de toutes ces méthodes sont acceptables et
dans leurs limites admissibles (figure 2.26).
Chapitre 2 Les méthodes métaheuristiques appliquées à l’OPF - 105 --

Min ACO GA PSO Max

Pg (Mw)
200

150

100

50

0
Pg1 Pg2 Pg5 Pg8 Pg11 Pg13

Figure 2.24 Comparaison des valeurs optimales des puissances générées trouvées par
les trois méthodes ACO, GA, PSO.

9,663735
PSO 802,298849 5

9,506547
GA 802,230313 7

9,433514
ACO 802,30857 20

Generation cos t ($/hr) Real Power Los s (MW) Tim e (0,1*s ec.)

Figure 2.25 Comparaison des valeurs optimales des coûts, des pertes et le temps de
convergence trouvée par les trois méthodes ACO, GA, PSO.
Application des méthodes métaheuristiques à l’OPF dans un environnement d’électricité dérégulé - 106 -

V (ACO) V(GA)
1 V(PSO)
30 1,1 2
29 3
28 4

27 1,05 5

26 6

25 1 7

24 8
0,95
23 9

22 10

21 11

20 12

19 13
18 14
17 15

Figure 2.26 Niveaux de tensions du réseau test après convergence des trois
métaheuristiques ACO, PSO, GA et ACO.

2.6. Conclusion
Dans ce chapitre, nous avons présenté en détail les mécanismes des méthodes
métaheuristiques. Il nous a permis de mieux saisir les concepts et les notions utilisés par les
algorithmes métaheuristiques et leurs utilisations possibles. On a détaillé le calcul de
l'écoulement de puissance optimal en utilisant les métaheuristiques suivantes : essaims
particulaires (PSO), les algorithmes génétiques (à codage binaire et à codage réel) (GA) ainsi que
la méthode de colonie de fourmis (ACO). Mais, il reste le choix optimal des paramètres de ces
méthodes comme problème principal. Les résultats de l’application de ces méthodes sur le réseau
test IEEE 30 bus sont satisfaisants comparés avec ceux trouvés par les méthodes classiques. Ces
résultats, on les a publiés dans des conférences internationales et des revues scientifiques [65, 66,
67, 68, 69, 70, 71, 72].
 -107-

CHAPITRE 3
OPTIMISATION
DE L’ECOULEMENT DE PUISSANCE ET LA
COMMUTATION DES CENTRES DE PRODUCTION DANS UN SYSTEME
ELECTRIQUE LIBERALISE

3.1. Introduction

Traditionnellement, le secteur de l’électricité est détenu par un seul opérateur historique, qui
gère à la fois la production de l’énergie, son transport et sa distribution vers ses clients. Depuis
2004, comme pour la plus part des pays, l’Algérie a réalisé des réformes dans le secteur
électrique. Ces réformes ont eu comme objectif principal l’introduction de la concurrence dans
un secteur électrique longtemps organisé autour d’un monopole intégré en production-transport-
distribution qui est Sonelgaz.
La dérégulation du marché de l’électricité va progressivement mettre fin à l’ancienne structure
verticalement intégrée (Fig. 3.1). Elle a impliqué une séparation entre la production, le transport
et la distribution de l’énergie électrique (Fig.3.2). Les systèmes de transport conservent un statut
de monopole, tandis que les différents producteurs indépendants se lancent dans une compétition
financière. Cette libéralisation se traduit pour les consommateurs par la possibilité de choisir un
fournisseur autre que le fournisseur historique duquel ils étaient «captifs ».

Production Production Production

Réseau de transport

Réseau de distribution

Consommateur final Consommateur final Gros cons. final

Figure 3.1 Ancienne structure verticalement intégrée du secteur de l’électricité

Application des méthodes métaheuristiques à l’OPF dans un environnement de l’électricité dérégulé -108-

Producteurs en concurence

Production Production Production

Opérateur du système+ Propriétaire du Réseau

Distributeurs en concurence

Consommateur final Consommateur final Gros cons. final

Figure 3.2 Séparation des activités de production, transport et distribution

En Algérie, Le processus de démantèlement de Sonelgaz a commencé en janvier 2004 avec

la création de plusieurs sociétés. La production est assurée par La Société Algérienne de
Production d’Electricité (SPE). Le réseau de transport reste un bien d’utilité publique, et sa
gestion est confiée à la Société Algérienne de Gestion du réseau de Transport de
l’Electricité (GRTE), elle a pour mission l’exploitation, la maintenance et le développement du
réseau de transport de l’énergie électrique dans les meilleurs conditions de qualité de service et
au moindre coût. Pour veiller au fonctionnement concurrentiel et transparent du marché de
l’électricité, dans l’intérêt des consommateurs et de celui des opérateurs, un organisme
indépendant doté de la personnalité juridique et de l’autonomie financière a été crée qui est la
Commission de Régulation de l’Electricité et du Gaz (CREG). Pour la conduite du système
production/ transport une société a été créée qui est l’Opérateur Système électrique (OS). Enfin,
Quatre autres filiales assurant le métier de distribution de l’électricité et du gaz, sont créées à
savoir, la Société Algérienne de Distribution de l’électricité et du gaz d’Alger(SDA), la Société
Algérienne de Distribution de l’électricité et du gaz du Centre(SDC), la Société Algérienne de
Chapitre 03 : OPF et UC dans un système électrique libéralisé -109-

Distribution de l’électricité et du gaz de l’Est(SDE), la Société Algérienne de Distribution de

l’électricité et du gaz de l’Ouest(SDO).
Les entreprises autres que les services traditionnels peuvent maintenant vendre de
l’électricité aux abonnés de l’entreprise d’électricité. Les producteurs d’électricité se faisant
concurrence paient des frais d’utilisation pour les installations de transport et de distribution
selon des tarifs réglementés qui assurent un accès non discriminatoire à ces installations.

3.2. Marché de l’électricité

La libéralisation du secteur a aussi entraîné l’émergence de nouvelles structures de marché de

l’électricité, dont les 2 plus répandues sont le modèle pool, qui a la forme d’une bourse
centralisée, et le modèle bilatéral, où un producteur et un consommateur concluent un contrat
pour une certaine fourniture en énergie à un prix négocié librement entre eux. Ces deux modes
de fourniture peuvent d’ailleurs très bien coexister au sein d’une même région [72].

3.2.1 Modèle pool

Avec cette libéralisation du secteur énergétique et l’ouverture des marchés de l’énergie, la

gestion économique de chaque producteur a ainsi évolué. Auparavant, la fourniture d’énergie à
chaque client et à tout moment était prioritaire et s’effectuait à moindre coût. Mais l’ouverture à
la concurrence oblige chaque producteur à être désormais compétitif, tout en continuant
évidemment de satisfaire ses obligations de fourniture. Dans ce contexte, l’apparition des
marchés joue un double rôle. Ils permettent, à l’aide d’achats (ou de ventes) de sécurité,
d’optimiser la couverture de l’entreprise contre le risque de non-satisfaction de la demande de
ses clients. Mais, ils peuvent aussi permettre de tirer avantage de situations particulières (prix de
marché avantageux) et ainsi dégager des bénéfices financiers supplémentaires.
Dans le modèle pool, le négoce d’énergie est géré de façon centralisée par un opérateur de
bourse qui collecte les offres des producteurs et les demandes des consommateurs jusqu’à
obtenir l’équilibre production-consommation. Les producteurs spécifient, pour chaque tranche
de puissance proposée, un prix de vente laissé à leur choix. Les consommateurs quant à eux
précisent des commandes fermes d’achat, et éventuellement un prix au-delà duquel ils préfèrent
retirer leur demande de la bourse. Il peut cependant exister des modèles de bourse dans lesquels
les consommateurs peuvent varier leur demande en fonction du prix auquel ils auront à payer
leur fourniture ; on parle dans ces cas-là d’élasticité de la demande. L’opérateur de la bourse
classe alors les offres des producteurs de la moins chère vers la plus chère, et les demandes des
Application des méthodes métaheuristiques à l’OPF dans un environnement de l’électricité dérégulé -110-

consommateurs du plus offrant vers le moins offrant. Ce processus d’agrégation peut être mis
sous forme de courbes d’offres de production et de demande telle que le montre la Figure 3.3.
L’intersection des deux courbes nous donne le point d’équilibre production-consommation (donc
le volume total d’énergie contracté à la bourse pour la tranche horaire donnée), ainsi que le prix
auquel a été fixée l’énergie contractée. Ce prix correspond au prix de la dernière tranche (dite
tranche marginale) prise en compte (Market Clearing Price-MCP).

Prix Courbe agrégée Courbe agrégée de

($/MWh) de Demande Production

Prix de
clôture

Puissance Puissance
vendue (MW)

Figure 3.3 Principe de fonctionnement d’un marché pool

Parmi les pays qui ont choisi le modèle pool figure le Royaume-Uni, qui a imposé au début de la
dérégulation de son secteur de l’électricité une bourse de l’énergie unique et obligatoire pour
tous les participants. Les bourses de l’électricité fonctionnent en général la veille pour le
lendemain : cette échéance de temps est dite « J-1 » ou day ahead. La fourniture d’électricité est
alors négociée pour chaque tranche horaire (1 heure ou ½ heure) du lendemain. C’est sur ce
principe que va fonctionner la bourse Algérienne.

3.2.2 Modèle bilatéral

Dans le modèle bilatéral, le consommateur contracte directement avec un fournisseur de son

choix pour assurer sa fourniture en énergie. Ils se mettent aussi d’accord sur le prix de vente de
l’énergie contractée. On parle alors ici de transaction bilatérale. Dans certaines régions du globe,
ce mode peut être le principal moyen de fourniture en électricité, comme c’est le cas en
Scandinavie. D’autres marchés, comme opérateur américain PJM possède un marché spot
centralisé, et laisse la possibilité à un certain nombre d’acteurs de se fournir par contrats
Chapitre 03 : OPF et UC dans un système électrique libéralisé -111-

bilatéraux. Enfin, en Espagne, ce mode de fourniture semble être plutôt marginalisé en

comparaison d’une bourse de l’énergie quasi obligatoire.
Le modèle bilatéral peut être étendu à plus d’un producteur ou consommateur; on peut alors
parler dans ces cas-là de transaction multilatérale. Des acteurs de marché spécifiques appelés
traders peuvent mettre en relation plusieurs fournisseurs et plusieurs consommateurs. En
Californie, des opérateurs du marché spécifiques appelés Scheduling Coordinators gèrent des
groupes (ou portefeuilles) de participants au marché de l’énergie dont le bilan électrique (somme
des puissances vendues et somme des puissances achetées) est nul.

3.3. Aperçu sur l’industrie de l’électricité

3.3.1 Architectures du marché électrique

Dans la chaine de l’industrie électrique (production, transport, distribution et

vente/consommation) l’introduction de la concurrence n’est possible que dans certains maillons.
Elle est introduite, dans la plupart des cas, au niveau de la production (marché de gros) et de la
vente d’électricité (marché de détail).
Dans les activités en concurrence - marché du gros et marché du détail - les participants
sont: les producteurs (entreprises qui possèdent les moyens de production et vendent de
l’électricité sur le marché de gros à des revendeurs ou à des gros consommateurs); les revendeurs
ou retailers (entreprises qui achètent de l’électricité sur le marché de gros et la revendent sur le
marché de détail); les traders (ne possédant pas des moyens de production, ils achètent et
revendent de l’électricité sur le marché de gros), et les consommateurs (qui achètent sur le
marché de gros ou sur le marché du détail l’électricité qu’ils consomment).
La concurrence dans l’alimentation en électricité ne devrait pas être une fin en soi.
L’intérêt public est mieux desservi par un réseau qui offrira de l’électricité d’une manière
efficace et à des tarifs raisonnables dont l’approvisionnement sera fiable tant à court terme qu’à
long terme dans une démarche respectueuse de l’environnement. Le défi de l’Algérie consiste à
profiter de tous les avantages liés à une augmentation de la concurrence tout en conservant le
plus possible les avantages que procure le réseau actuel. L’Algérie veut que la libéralisation du
marché de l'électricité amorcée dès 2004 assure une sécurité d'approvisionnement de l'énergie à
un prix abordable à tous les consommateurs, dans le respect de la protection de l'environnement
et de la promotion d'une concurrence non déloyale.
Application des méthodes métaheuristiques à l’OPF dans un environnement de l’électricité dérégulé -112-

3.3.2 Formes de concurrence

L'industrie de l'électricité en Algérie peut devenir concurrentielle de nombreuses façons.

Certaines dispositions permettraient de n'offrir qu'une faible concurrence ou peu de choix pour
les consommateurs, tandis que d'autres dispositions permettraient une augmentation significative
de ces éléments. Voici des exemples de dispositions :
a) Permettre aux producteurs d'électricité indépendants de vendre de l'électricité aux
groupes suivants : (Sociétés affiliées, Clients de gros, Grandes entreprises, Autres
clients au détail).
b) Permettre aux nouveaux producteurs indépendants de vendre de l'électricité en
fonction des dispositions ci-dessus.
c) Permettre à tous les types de producteurs de l’Algérie et de l'extérieur de vendre
de l'électricité en fonction des conditions ci-dessus.

3.3.3 Fiabilité du réseau électrique dans un marché concurrentiel

L’avènement d’un marché de l’électricité concurrentiel et du libre choix des clients fera
que SONELGAZ devra dégrouper ses fonctions et permettre aux acheteurs et aux vendeurs
d’électricité d’accéder au réseau de transport. Pour assurer une juste concurrence, CREG doit
déposer des tarifs non discriminatoires pour un libre accès aux installations de transport et de
distribution, expliquant les tarifs et les conditions d’accès. SPE serait obligée d’accepter les
services à des tarifs inférieurs à ceux qu’elle exige pour ses ventes et ses achats d’électricité.
Alors qu’il faut établir des tarifs pour le transport et la distribution, ceux-ci sont loin de
suffire. En plus de l’imposition de tarifs, il faut exploiter un réseau électrique d’une manière
transparente et non discriminatoire. Dans un environnement de concurrence, un grand nombre de
producteurs rivalisent, et il faut avoir un organisme autonome pour coordonner les fonctions
reliées au marché et celles reliées à l’exploitation des installations du réseau afin de s'assurer de
la fiabilité du système.
Pour préserver la fiabilité du réseau d'électricité, on peut établir un centre des ventes
d’électricité et un exploitant de réseau autonome. Le centre des ventes coordonne les ventes
d’électricité, tandis que le rôle de l’exploitant de réseau autonome est d’assurer une exploitation
fiable du réseau d'électricité entier.
La concurrence dans la fourniture de l’électricité peut avoir un effet défavorable sur la
conservation de l’énergie et les programmes de gestion de la consommation. Auparavant, les
Chapitre 03 : OPF et UC dans un système électrique libéralisé -113-

entreprises de services publics, obligées de desservir un monopole de marché, constataient

souvent que la gestion de la consommation était une solution économique comparativement à la
mise au point de nouvelles méthodes de production.

3.3.4 La non-stockabilité et la contrainte d’équilibre production-consommation

L’électricité n’est pas économiquement stockable. Mais ce caractère de non-stockabilité

n’est pas la seule caractéristique qui rend l’électricité différente des autres biens ou produits (par
exemple, les places d’avion ou les places d’hôtel ne sont pas stockables non plus). La
caractéristique de non-stockabilité devient fondamentale à cause d’une autre contrainte de
l’électricité : l’équilibre nécessaire et instantané de la production et la consommation en tout
moment. Un déséquilibre entre la production et la consommation peut provoquer la panne totale
(« black-out ») du système et empêcher à tous les utilisateurs du réseau de profiter de ses
bénéfices. Tout déséquilibre production-consommation est donc interdit, où du moins, les
déséquilibres doivent être limités en taille et sur une période temporelle très courte.
La non-stockabilité et le respect de la contrainte P=C ont deux conséquences économiques
majeures. Premièrement, il faut une forte coordination en temps réel pour trouver l’équilibre très
rapidement. Cet équilibre devra donc être assuré de manière centralisée et par l’ajustement de la
production car la demande est inélastique à court terme. Deuxièmement, étant donné les
contraintes de flexibilité des moyens de production, il est nécessaire de préparer à l’avance les
moyens nécessaires pour l’équilibrage [72].

3.3.5 Flux électriques non-dirigeables et limites de capacité de transport

Les flux sur un réseau d’électricité se distribuent selon les lois de Kirchhoff et sont
difficilement dirigeables. Une transaction, c'est-à-dire une paire injection-soutirage entre deux
nœuds d’un réseau maillé impacte les flux sur toutes les lignes. De plus, deux flux de sens
opposés s’annulent mutuellement.

3.3.6 L’utilisation de réserves pour assurer la sécurité d’approvisionnement

La sécurité d’approvisionnement à court terme est une qualité du bien « électricité » qui
doit être garantie. Du fait des nombreuses incertitudes, le système doit être préparé à respecter, à
chaque instant, la contrainte d’équilibre P=C. Le moindre déséquilibre pourrait entraîner le
système à l’instabilité suivie d’une panne totale (blackout). Un minimum de capacité de
Application des méthodes métaheuristiques à l’OPF dans un environnement de l’électricité dérégulé -114-

production flexible doit alors être disponible pour parer à un déséquilibre soudain sur le système.
Des capacités de production doivent être prêtes à produire en cas de besoin (par exemple, suite à
la panne intempestive d’une centrale de production, à la forte augmentation non prévue de la
consommation, ou à la déconnexion d’une ligne).
En conséquence, pour assurer la sécurité d’approvisionnement à court terme, un autre
bien/service doit être donc produit en parallèle de l’énergie électrique, ce sont les réserves. La
production des réserves pose un problème économique du fait qu’elles bénéficient à tous les
utilisateurs du réseau, autant à ceux qui contribuent à la maintenir qu’à ceux qui n’y contribuent
pas. En effet, on ne peut pas exclure des utilisateurs du réseau du bénéfice des réserves. Cette
caractéristique est reconnue comme celle d’un bien public. Les caractéristiques de bien public
sont considérées aussi comme une défaillance du marché éloignant l’électricité de l’idéal de
marché parfait . Les économistes savent depuis longtemps que la production de biens publics ne
peut pas être laissée seulement au marché, car une sous-production par rapport à la quantité
nécessaire en résulterait. En conséquence, l’une des solutions au problème de la production d’un
bien public est de fixer d’abord une demande réglementée puis d’assurer la production par le
biais d’obligations, de contrats ou d’enchères. Le caractère non-stockable de l’électricité
nécessite que cette production de réserves (ou de capacité de production disponible) soit
instantanément adaptée aux conditions changeantes du système pour en assurer la sécurité [72].

3.3.7 Avantages du Marché libéralisé de l’électricité :

Parmi les avantages potentiels d'un marché libéralisé, on peut citer [73]:
• L'utilisation des centrales les moins coûteuses (surtout les centrales à gaz).
• Des échanges plus faciles avec les pays voisins.
• Des marges de puissance plus faibles pour les centrales (grâce aux interconnexions et au
décalage des heures de pointe).
• Une implantation optimale des centrales.
• Des choix des combustibles les plus économiques.
• Une plus grande efficience dans les investissements et l'exploitation des centrales.

3.4. Règles du jeu égales

Dans un environnement de concurrence, il est important que tous les participants soient
soumis à des règles semblables ou équivalentes, c’est-à-dire des règles du jeu égales.
Chapitre 03 : OPF et UC dans un système électrique libéralisé -115-

3.4.1 Enjeu en matière de réglementation et de législation

Pour que la concurrence soit efficace dans le marché de l’électricité, il faudra bien
réglementer les réseaux de transport et de distribution pour assurer un accès ouvert et non
discriminatoire à tous les concurrents éventuels. Des conflits surviendront entre les participants,
et il faut prévoir un mécanisme de résolution. Il faut déterminer le montant réel des coûts des
installations de production non rentables et une méthode pour les recouvrir. Il faut examiner
soigneusement la loi correspondante pour assurer que toute restructuration souhaitée de
l’industrie de l’électricité en Algérie se réalise d’une manière efficace [73].

3.5. Marché de gros et bourses d’électricité

Les grands principes de l'organisation de l'industrie électrique sont essentiellement

d'améliorer l'efficacité de l'industrie électrique en faisant appel aux mécanismes de marché, sans
remettre en cause la sécurité des approvisionnements et la fiabilité du système.
En effet, certains segments (transport et distribution) ont le statut de "monopoles naturels"
alors que d'autres (génération et négoce) peuvent être confiés aux mécanismes marchands. Les
places de marché qui permettent maintenant à un nombre croissant de vendeurs et d'acheteurs
d'échanger de l'énergie et des contrats financiers adossés à l'énergie sont des lieux de grande
liberté, à condition de respecter une kyrielle de règles extrêmement contraignantes qui ont pour
objectif d'imiter le fonctionnement d'un marché parfaitement concurrentiel.
Sur ces marchés, les intervenants, en particulier les générateurs, sont encore trop peu
nombreux pour ne pas être incités à se comporter de façon stratégique. Ils cherchent à faire
monter les prix par des politiques de rétention de capacité qui, quand la demande est très
aléatoire, peuvent provoquer une pénurie d'électricité.
Les contraintes techniques du secteur imposent la multiplication (dans le temps et dans
l'espace) des places de marché pour un même produit. Cette multiplicité peut se justifier en
termes d'ajustement à une information de plus en plus précise, mais elle est préjudiciable à
l'efficacité économique. Les traders jouent un rôle positif dans la résorption des écarts de prix
entre ces différents marchés.

3.5.1 Comment se déterminent les prix ?

On peut distinguer trois grandes familles de méthodes pour fixer les prix des biens et
services en général et les prix de l'électricité en particulier [74].
Application des méthodes métaheuristiques à l’OPF dans un environnement de l’électricité dérégulé -116-

• prix administrés : Les prix sont fixés par une administration, par une entreprise publique ou
par une entreprise privée disposant d'un fort pouvoir de marché, souvent placée sous le
contrôle d'une entité régulatrice. C'est ce qui se passe dans la plupart des pays pour les
tarifs de l'électricité vendue aux particuliers qui restent captifs de leur distributeur local. Par
nature, ces prix sont publics et proposés pour une durée fixée à l'avance à l'ensemble des
acheteurs potentiels.
• Prix contractuels : À l'occasion de chaque transaction, les deux parties négocient le prix de
cession de la marchandise selon un protocole prédéterminé ou de façon totalement
improvisée. C'est la procédure actuellement suivie par les gros consommateurs d'électricité
qui sont autorisés à choisir leur(s) fournisseur(s) et peuvent donc négocier les prix. Chaque
prix reste théoriquement secret.
• Prix spot : (prix pratiqués sur le marché négociables la veille pour une livraison le
lendemain. Ils reflètent l'équilibre offre-demande à court terme, avant l'ajustement
réalisable par GRTE en temps réel). Ce prix d'équilibre est connu de tous car il est payé par
chaque acheteur et versé à chaque vendeur.
Chacune de ces méthodes a ses avantages et ses inconvénients, ce qui explique que la
plupart des solutions pratiques observées consistent à les combiner plutôt qu'à recourir
exclusivement à l'une d'elles. En démantelant les entreprises électriques traditionnellement
intégrées verticalement et horizontalement, la directive a créé de nouvelles interfaces pour
lesquelles il faut trouver des mécanismes de fixation des prix. En effet, à l'interface traditionnelle
distributeur/client, s'ajoutent ou se substituent maintenant les interfaces générateur/client,
générateur/trader, trader/client, générateur/transporteur, générateur/générateur, etc. Chacune de
ces interfaces a ses spécificités en termes de capacité de calcul des agents, de pouvoir de
négociation, de possibilité de repli, etc. Le mécanisme de fixation du prix retenu pour une
interface donnée doit impérativement tenir compte de ces spécificités.
Parce que les petits consommateurs d'électricité que sont les ménages et les commerçants
ont de très faibles capacités d'adaptation de leur demande à court terme, tant qu'il n'existe pas
une concurrence entre négociants, leur interlocuteur est le distributeur, donc un monopole local.
Les prix sont alors presque toujours des tarifs régulés pour éviter tout abus de pouvoir de
marché. Ces prix administrés ont souvent l'inconvénient d'être choisis sans référence réelle avec
la disposition à payer des demandeurs. Ils sont essentiellement fixés sur la base du coût de
production des offreurs, coût comptable ou coût standard. De plus, pour des raisons de "justice
sociale", les discriminations de prix sont prohibées et les distributeurs se voient imposer des
Chapitre 03 : OPF et UC dans un système électrique libéralisé -117-

obligations de service public ou universel. En réalité, les tarifs administrés sont généralement
présentés sous la forme d'un menu offert à tous. Il n'y a donc pas, en apparence, de
discrimination. Chacun est libre de choisir à l'intérieur du menu le tarif qu'il juge le plus
avantageux mais, si le menu est bien conçu, chaque tarif est adapté aux différents types de
consommateurs.
Sur un marché spot, le prix d'équilibre est un reflet fidèle de la disposition à payer des
demandeurs et de l'exigence à être payés des vendeurs. Si les uns et les autres sont suffisamment
nombreux, la concurrence peut pleinement s'exprimer et le prix indique quels sont le coût
marginal et l'utilité marginale du kWh. Pour l'acheteur, le prix est donc un signal fiable du coût
social de ses décisions d'achat et, symétriquement, pour le vendeur le prix est un signal fiable de
l'utilité sociale de ses décisions de production. Par conséquent, avec un marché spot, les
mécanismes concurrentiels vont pousser les échanges jusqu'à l'optimum. Puisque les prix
reflètent fidèlement les caractéristiques de l'offre et de la demande, ils fluctuent au gré des
variations de l'une et de l'autre. Dans l'industrie électrique, les technologies de production sont
très variées et l'offre de chaque installation est susceptible de fortes variations plus ou moins
prévisibles à court et à moyen termes. Par exemple, la production d'une éolienne est très difficile
à prévoir, celle d'une centrale thermique beaucoup plus facile. Mais l'interconnexion des
installations et l'organisation en réseau permettent de réaliser une péréquation de ces variations
temporelles et de ces risques. Les variations de l'offre à court terme viennent des besoins de
maintenance des équipements et des décisions stratégiques des générateurs [74]: elles sont donc,
sauf gros accident, assez facilement contrôlables par les générateurs. C'est essentiellement du
côté de la demande que viennent la variabilité et l'aléa. Nuit, week-end, vacances sont des
périodes prévisibles de faible demande. Si les capacités restaient inchangées, les prix devraient
être logiquement plus bas pendant ces périodes que les jours ouverts sauf si les générateurs
réduisent simultanément leur offre. Les aléas sont surtout dus à la demande d'électricité pour le
chauffage et la climatisation, intimement liée aux aléas de la température. Cependant, notons que
pour éviter tout risque d'abus de pouvoir de marché par un gros producteur ou par un groupe de
producteurs, sur les marchés de gros de l'électricité il est souvent prévu un prix plafond, donc un
prix administré. En cas de grave pénurie d'énergie, on ne saura donc pas véritablement jusqu'où
le prix aurait pu monter, donc combien les demandeurs auraient été prêts à payer.
Les entreprises ont évidemment intérêt à jouer sur les différentes possibilités de réaliser
des transactions que leur propose le législateur et donc à tirer parti à la fois de prix fixés par
contrats et de prix flexibles gagnés sur des marchés, sans oublier les calculs opportunistes qui
Application des méthodes métaheuristiques à l’OPF dans un environnement de l’électricité dérégulé -118-

permettent de tirer parti de prix administrés. La meilleure combinaison sécurité-souplesse

dépend de la technologie utilisée, de l'état du parc des installations de génération, des produits
offerts par les institutions de crédit et d'assurance, des prévisions de demande, etc. de la façon
dont est organisée l'industrie électrique libéralisée, en particulier de l'organisation de ses marchés
de gros.

3.5.2 L’organisation des marchés

En réalité, vouloir introduire des mécanismes concurrentiels dans un secteur industriel tel
que l'industrie électrique exige un règlement particulièrement précis:
• Une sélection technique et financière sévère pour accéder au marché.
• Des règles d’enchères pour préciser : (le calendrier, le format des enchères, la méthode
d’appariement, la résolution des conflits en temps réel, la gestion des crises).
• Des règles de collecte des fonds et de paiement aux vendeurs.
• Des règles d’information et de transparence sur les enchères.
• Des règles d’organisation et de gouvernance de l’opérateur du marché.
A titre d'illustration des contraintes imposées aux participants et aux responsables du
marché, on donne ici l’exemple du déroulement horaire sur le marché J-1 de l’Espagne [75].
) avant 8:30, le "System Operator" (Redesa) informe le "Market Operator" (OMEL) sur
les prévisions de demande, l'état du réseau de transport, la capacité des liaisons
internationales, l'indisponibilité partielle ou totale des unités de production pour chaque
heure du lendemain, etc.
) avant 10:00, les participants doivent transmettre au MO par voie électronique leurs offres
d'achat et de vente (nets de leurs engagements contractuels). Le MO peut commencer à
faire tourner ses algorithmes.
) avant 11:00, les participants informent le MO de l'énergie contractualisée pour chaque
heure du lendemain et les distributeurs des injections faites dans leur réseau par les
installations en "régime spécial".
) avant 11:00, le MO met l'ensemble des données des équilibres horaires à la disposition du
SO et informe chaque agent de la partie qui le concerne (prix d'équilibre et quantités à
produire ou à acheter).
) à partir de la réception des informations sur les équilibres horaires qui les concernent, les
participants disposent de 30 minutes pour déposer des réclamations auprès du MO.
Chapitre 03 : OPF et UC dans un système électrique libéralisé -119-

) avant 12:00, le MO informe les participants de la nécessité ou non de recalculer les

équilibres horaires.
) avant 12:00, les vendeurs et les acheteurs mettent à la disposition du MO (qui transmet au
SO) la répartition par nœud d'injection et de soutirage de leurs plans de vente et d'achat.
) à partir de 12:00, le SO, assisté du MO, vérifie si ce dispatching respecte les contraintes
réseau du système. Si ce n'est pas le cas, il lance ses algorithmes de résolution des
contraintes techniques.
) avant 14:00, le SO doit mettre à la disposition du MO un programme provisoire
réalisable, et le MO doit informer les participants des éléments qui concernent leurs
points d'injection et de soutirage.
) le SO publie les besoins en réserves secondaires, et commence alors la procédure de
transmission des offres de vente et d'achats pour ces services. Elle se termine à 15:30.
) avant 16:00, le SO calcule les équilibres du marché des réserves et en informe les
participants. Quand cette phase est terminée, le SO met le programme réalisable définitif
à la disposition du MO et informe les participants de la partie qui les concerne.
) à 24:00, fin de la période de transmission des offres de service pour les réserves tertiaires.
Ce coup d'œil sur le marché espagnol montre bien la difficulté de faire jouer les
mécanismes concurrentiels dans une industrie aussi complexe que l'industrie électrique moderne,
où la plupart des centrales sont connectées à l'ensemble du réseau national, sinon au réseau
européen. Il faut exiger des participants beaucoup de discipline et beaucoup de rigueur, car
l'erreur de l'un risque de provoquer un désastre pour tous les participants.

3.5.3 Prix d'électricité

Le prix théorique de l'électricité à chaque nœud du réseau est un "prix caché" calculé, dans
lequel on suppose qu'un Migawattheure additionnel est demandé au nœud en question, et le coût
hypothétique incrémental pour le système qui résulterait de la répartition optimisée des unités
disponibles établit le coût de production hypothétique du Mighawattheure. Ce principe est connu
sous le nom de prix marginal local (locational marginal pricing) (LMP) ou prix nodal (nodal
pricing). Il est utilisés dans quelque marché dérégulé, les concepts de LMP sont utiles et stables
mais demeurent "manipulables" par les opérateurs du système électrique notamment en
désignant des centrales comme fonctionnant en dehors de l'ordre de préséance économique, ce
qui les exclut des calculs de LMP. Dans la plupart des systèmes les centrales de production
Application des méthodes métaheuristiques à l’OPF dans un environnement de l’électricité dérégulé -120-

utilisées uniquement pour fournir de l'énergie réactive afin de garantir la tenue de tension sont
appelées en dehors de cet ordre de préséance économique.
De même les opérateurs du système offrent parfois des centrales couplées au réseau pour
contribuer à la réserve "réserve tournante" qui permet de disposer de marges de production
contre des variations inattendues de l'équilibre offre-demande, alors que les coûts de ces unités
de production ne les qualifient pas pour produire.
Cela peut conduire à une baisse du prix d'équilibre dans des situations où la demande
croissante aurait pour conséquence une forte montée des prix.
Une contrainte peut se produire quand une branche particulière du réseau atteint une limite
thermique ou lorsqu’une surcharge potentielle doit se produire en raison d'un événement
contingent (défaillance) sur une autre partie du réseau. Les réseaux de transport et distribution
sont gérés pour permettre la continuité de l'offre y compris lors d'une défaillance, comme la perte
d'une ligne où que ce soit. On parle de système à contrainte de sécurité.
Les prix du système dans le marché du jour à venir sont, en principe déterminés en faisant
correspondre les offres des producteurs aux demandes des consommateurs à chaque nœud pour
développer des prix classiques d'équilibre de l'offre et de la demande, usuellement sur des
intervalles d'une heure, et est calculé séparément pour les sous-régions dans lesquelles les
modèles de flux de charge de l'opérateur du système indiquent que les contraintes provoqueront
des importations de transport [76].

3.6. Exemple d’un comportement stratégique

Nous allons ici montrer comment se comportent les générateurs dans une situation où ils
doivent choisir leur capacité de production et leur prix de vente [74].
Il y a deux générateurs notés a et b. Le coût unitaire de production de l'entreprise i est
ci tant que la production est plus petite que la capacité disponible K i et il est infini au-delà. Le

jeu se joue en deux étapes: d'abord les deux entreprises s'engagent sur les capacités, ensuite elles
annoncent le prix minimum qu'elles exigent. Chacune n'annonce qu'un prix, le "bid" Bi . La

demande est totalement inélastique. Le prix du kWh est l'enchère la plus élevée qui permet
d'équilibrer offre et demande quand les offres de vente sont classées par ordre croissant (ordre de
préséance). Ce prix est payé pour chaque kWh appelé par le MO, quel que soit le générateur
appelé en dernier (enchère à "prix uniforme"). Il existe un prix plafond imposé par les autorités
du marché. Il n'y a aucune contrainte de "pas", ni pour le prix, ni pour les quantités.
Chapitre 03 : OPF et UC dans un système électrique libéralisé -121-

Prix Bb>Ba
DL DM DH DV

Bb

Ba
Capacités
Ka Ka+Bb
Prix Ba>Bb
DL DM DH DV

Ba

Bb
Capacités
Kb Ka+Bb

Figure 3.4 Détermination du prix d’équilibre.

Comme on peut le voir sur les graphiques suivants (où on a posé K b > K a ), les conditions

de fixation du prix d'équilibre sont très différentes selon la position de la demande par rapport
aux capacités disponibles:
¾ si la demande est plus petite que la plus petite des capacités (DL ) , le prix est égal à la plus
petite enchère, on est donc dans les conditions d'une concurrence à la Bertrand;
¾ si la demande est comprise entre les deux capacités (DM ) , le prix est égal à l'enchère du
plus gros générateur;
¾ si la demande est plus grande que la plus grande capacité mais inférieure à la capacité
totale disponible (DH ) , le prix est égal à la plus haute enchère;
¾ si la demande est plus grande que la capacité totale disponible (DV ) , le prix n'est pas
défini.
Application des méthodes métaheuristiques à l’OPF dans un environnement de l’électricité dérégulé -122-

3.6.1 Discussion des suppositions

On voit que seule la situation D L constitue un vrai cadre de concurrence parfaite … que les
deux générateurs ont donc intérêt à éviter, surtout celui dont le coût de génération est le plus
élevé puisque ses ventes y sont nulles.
Dans la situation DM , le gros générateur est toujours le faiseur de prix, qu'il enchérisse haut
ou qu'il enchérisse bas. Mais, s'il enchérit en dessous de son concurrent, il rafle tout le marché
alors que s'il enchérit au-dessus il est réduit à ne servir que la demande résiduelle. L'équilibre en
prix va donc consister i) pour le gros à annoncer le prix plafond et ii) pour le petit à annoncer un
"prix limite", prix qui rend le gros indifférent entre satisfaire toute la demande à ce prix et ne
servir que la demande résiduelle au prix plafond. Le petit générateur tire donc profit de la
situation: il sert toute la demande au prix plafond alors qu'il a annoncé un prix substantiellement
plus faible et ne peut donc pas être accusé d'abus de pouvoir de marché.
Si la demande est DH , la situation est plus compliquée car le choix est symétrique pour les
deux producteurs: ne servir que la demande résiduelle mais au prix plafond ou vendre toute sa
capacité à un prix limite qui dépend du coût de génération du concurrent, du prix limite et des
capacités proposées sur le marché. Il y a alors pluralité d'équilibres en prix, aucun ne pouvant
être éliminé par un argument de dominance au sens de Pareto. On peut donc supposer que les
entreprises jouent en stratégies mixtes. Les stratégies mixtes d'équilibre affectent des probabilités
qui croissent avec l'enchère, ce qui assure aux joueurs une espérance de gains élevée.
Quand la demande est DV , le prix versé aux producteurs est celui qui est prévu dans le
règlement du marché en cas d'insuffisance de capacité. Pour simplifier l'analyse, on suppose que
les générateurs sont juste compensés pour leur coût de production; donc leur profit est nul.

3.6.2 Conséquences et performances du marché d’électricité libre

Compte tenu de ces règles, la situation la plus profitable pour les producteurs d'électricité
est évidemment DH , où la totalité de la capacité est nécessaire pour satisfaire la demande. Il est
donc très tentant de fabriquer cette situation, c'est-à-dire, à la première étape du jeu, de retirer des
capacités pour transformer une situation de demande faible ou moyenne en une situation de
demande élevée. Dans cette décision de retrait, les éléments à prendre en compte sont de deux
types:
Chapitre 03 : OPF et UC dans un système électrique libéralisé -123-

¾ retirer des capacités accroît les chances de faire monter le prix mais réduit les gains à prix
donné. Il y a donc un phénomène de passager clandestin puisque l'idéal est que ce soit le
concurrent qui consente à réduire sa capacité.
¾ retirer de la capacité accroît le risque de se retrouver dans la situation DV , donc d'avoir un

profit nul.
On peut montrer que, à l'équilibre il y a effectivement d'importants retraits de capacité de
la part des générateurs mais que la probabilité de manquer d'énergie est très faible. En particulier,
si les prévisions de demande sont assez précises, les stratégies de retrait ne mettront jamais en
péril l'approvisionnement en électricité (à condition évidemment qu'il existe suffisamment de
capacité opérationnelle).
Une partie de cette augmentation des "rentes de monopole" est probablement explicable
par une collusion tacite entre les producteurs. En effet comme le jeu horaire est répété 8760 fois
par an, sans date prévisible d'arrêt, l'application des principes de la théorie des jeux suggère que
les générateurs ont une forte incitation à surmonter la fatalité du dilemme du prisonnier. Puisque,
comme nous l'avons vu, les enchères à prix uniforme permettent d'encaisser un prix très élevé
sans avoir à le demander, il n'est probablement pas très difficile d'organiser, ou de laisser
s'instaurer, une répartition des rôles pour que les autorités ne puissent pas accuser l'un des
joueurs de pousser systématiquement les enchères à la hausse.

3.7. Négoce et arbitrage

Compte tenu de la complexité et de la fragilité des systèmes électriques, compte tenu de

l’impossibilité de stocker le produit, il faut qu’un opérateur central assure l’équilibre permanent
de l’offre et de la demande des flux physiques en chaque nœud en respectant toutes les
contraintes techniques du réseau. Dans un système décentralisé, le dispatching est organisé un
jour à l’avance, de sorte que les intervenants (surtout les générateurs) savent dès la veille
combien ils gagneront sur chacun des 24 marchés horaires du lendemain pour lesquels ils ont
présenté des offres de vente. Mais la demande est très variable à court terme (à cause d’une
dépendance de plus en plus forte aux conditions météo) et, de plus, certains des générateurs ne
pourront pas tenir leurs engagements. Le gestionnaire du système doit donc également prévoir
des ajustements en temps réel, c’est-à-dire pouvoir appeler au dernier moment un générateur en
renfort ou demander à un acheteur de s’effacer. Dans le cadre d'une industrie libéralisée, cela
signifie qu'il faut créer un ou des marchés d'ajustement. La conséquence est que, pour un même
marché (une même heure), nous aurons presque sûrement deux prix différents: le prix fixé la
Application des méthodes métaheuristiques à l’OPF dans un environnement de l’électricité dérégulé -124-

veille sur le "marché du lendemain" et le prix fixé le jour même sur le "marché en temps réel"
ont peu de chances d'être égaux. Il est clair que les générateurs (et les gros acheteurs) doivent
prendre en compte le marché en temps réel au moment de soumettre les offres de vente (et
d’achat) pour le lendemain. Mais la forte probabilité d’une différence entre les deux prix va aussi
attirer un autre type d’agent qui n'est pas nécessairement un membre de l’industrie électrique: le
trader. Le trader va arbitrer entre les différents prix; il va acheter sur le marché du lendemain de
l’heure h et vendre sur le marché en temps réel de la même heure h s’il prévoit que le prix sera
demain, au moment du dispatching réel, plus élevé qu’il n’est aujourd’hui, au moment du
dispatching prévisionnel. Il fera l'opération inverse s'il pense que le prix du marché réel h sera
plus bas que celui du marché du lendemain pour la même heure h [76].

3.8. Optimisation de l’écoulement de puissance dans un marché

libéralisé: l’OPF (Optimal Power Flow)

Dans un marché libéralisé, on a besoin de deux outils d’optimisation principaux : (1) Unit
Commitment (UC) avec laquelle on peut déterminer quelle centrale va démarrer pour fournir
l’énergie et les services auxiliaires (horizon: un jour à une semaine) et Optimal Power Flow
(OPF) qui va déterminer quelle quantité à produire à tout moment [77] .
L'apparition de la déréglementation des marchés de l'électricité pose de nouveaux défis à la
solution du problème d’OPF. Contrairement au système réglé où l'objectif du calcul de l’OPF est
simplement de minimiser la fonction de coût quadratique du système, le calcul de l’OPF fait
maintenant partie du mécanisme de fixation des prix de base pour les échanges d'électricité dans
le marché déréglementé où les offres et les demandes sont discrètes et changent fréquemment.
Avant la dérégulation, le but de l’OPF dans un système monopolisé est de déterminer une
répartition de charge optimale du point de vue des coûts de production, tout en respectant des
contraintes techniques liées au fonctionnement du réseau. Le coût total de production à
minimiser était calculé à partir du coût de chaque unité de production (pour une tranche horaire
donnée) qui est fonction de la puissance de sortie de l’unité de production. Les fonctions de coût
individuelles de chaque générateur étaient basées sur :
• la caractéristique d’entrées-sorties donnant pour chaque unité l’équivalence thermique de
l’énergie électrique produite
• les coûts de combustible
Avec l’évènement de la dérégulation, la même technique a continué d’être appliquée, mais les
courbes de coût de chaque unité de production ont été remplacées par des courbes d’offres/prix
fournis par chaque producteur. Ces courbes d’offres intègrent les coûts fixes et les coûts
Chapitre 03 : OPF et UC dans un système électrique libéralisé -125-

variables, ainsi qu’une marge laissée au choix du producteur pour son profit personnel. Ces
offres spécifient le prix fixé par chaque producteur en fonction d’une certaine quantité de
puissance proposée sur le marché [78] .
Les offres des producteurs et les demandes des consommateurs sont confrontées dans le
cadre d’un marché centralisé (à l’image d’une bourse de l’électricité) appelé marché spot.
L’OPF minimise les coûts de production tout en satisfaisant la demande, comme cela se fait dans
le modèle pool classique. Toutefois, cette optimisation devra tenir compte du fonctionnement du
réseau et des contraintes imposées sur les ouvrages de transport. Ces contraintes peuvent alors
entraîner une différentiation géographique du prix de l’énergie. Le marché spot peut alors être vu
comme une bourse de l’électricité, mais dont le prix peut varier géographiquement. L’OPF traite
le marché spot et les contraintes techniques du système au sein d’un même processus
d’optimisation ; ainsi, son usage implique l’existence d’un opérateur du système mixte qui a à la
fois la responsabilité de la gestion du système et celle du marché spot (à l’exemple de l’opérateur
américain PJM).
Fonction objectif Max ( ∑ C i′ (P Di )− ∑ C i (P Gi ))
i i
(3.1)
Min∑ Ci (PGi )
i

Ci (PGi ) : Offre du producteur donnant le prix proposé en fonction d’une quantité PGi offerte sur
le marché spot.
Ci′(PDi ) : Offre du consommateur donnant le prix proposé en fonction d’une quantité PGi

PGi : Production de puissance au nœud i

Les offres des producteurs doivent être linéaires, et sont mises le plus souvent sous uniforme
quadratique :

Ci (PGi ) = ai + bi PGi + ci PGi2 (3.2)

où ai , bi , ci des constantes fixées par le producteur i
Avec
Contraintes à respecter :
⎧ΔPi = 0
g ( x) = 0 ⇒ ⎨ (3.3)
⎩ΔQi = 0
Pour un modèle DC, ces équations de répartition de charge deviennent :
P = B *θ
P = PG − PC (3.4)
Pij = H * θ
Application des méthodes métaheuristiques à l’OPF dans un environnement de l’électricité dérégulé -126-

P : vecteur des injections de puissance nettes nodales de dimension N

B : matrice des admittances nodales du réseau de dimension N*N
θ : Vecteur des phases des tensions nodales de dimension N
PG , PC : Vecteurs des productions nodales et des charges nodales de dimension N

Pij : Vecteur des transits (puissance active) de dimension Nb

H : Matrice de dimension Nb*N reliant les phases des tensions nodales du réseau aux
transits de puissance
L’équilibre production-consommation est donné par l’équation suivante :

∑P − ∑P
i
Gi
j
Ci =0 (3.5)
Les limites de puissances actives imposées aux lignes sont :

− Pijmax ≤ Pij ≤ Pijmax (3.6)

Les limites de puissances générées imposées aux productions sont :

PGmin ≤ PG ≤ PGmax (3.7)

avec
PGmin , PGmax : vecteurs donnant la quantité de production minimum et maximum offerte par
chaque producteur
Pijmax : vecteur donnant les limites maximales de transit imposées à chaque ligne

Dans le modèle explicité ci-dessus, nous avons considéré que la demande en chaque
nœud reste constante. Cependant, des modèles plus complets peuvent tenir compte de l’élasticité
de la demande. Dans ce cas, l’élasticité de la demande est modélisée sous forme de fonctions
linéaires qui sont rajoutées à la fonction objectif. D’autre part, ce modèle peut implicitement
prendre en compte la contrainte du N-1.
La méthode n’implique pas nécessairement la modification des volumes vendus par
transactions bilatérales, bien que l’on doive tenir compte de leur présence dans le modèle.
Toutefois, si l’opérateur n’est pas parvenu à trouver une solution faisable par le biais de l’OPF,
il doit faire appel alors à la procédure du TLR (Transmission Loading Relief), les transactions
dites fermes ayant la préséance sur les non fermes.
L’usage de l’OPF dans un contexte dérégulé s’accompagne d’une tarification dite
marginale ou nodale [79]. Cette méthode est notamment appliquée aux Etats-Unis, mais aussi en
Argentine, au Chili et en Nouvelle-Zélande [80]. Il s’agit de fixer en chaque nœud du réseau un
Chapitre 03 : OPF et UC dans un système électrique libéralisé -127-

prix auquel sera vendue où achetée l’énergie. Les paiements sont en outre centralisés par
l’opérateur du système. Ces prix nodaux sont tirés des multiplicateurs de Lagrange du problème
d’optimisation. En effet, tout problème d’optimisation revient en réalité à minimiser une fonction
objectif à laquelle on associe les contraintes à respecter. La fonction résultante se nomme le
Lagrangien. Dans le cadre du problème décrit par les relations (3.1 à 3.6), le Lagrangien s’écrit
[2]:

( )
ng
Γ = ∑ ai + bi PGi + ci PGi2 + ∑ λ pi ΔPi + ∑ λqi ΔQi +
i =1

(
+ µ pi (PGi − PGi max ) + µ pi (PGi min − PGi ) + µSij S ij − S ij max
2 2
)+ (3.8)
+ µtij (t ij − t ij max ) + µtij (t ij min − t ij ) + µαij (α ij − α ij max ) + µαij (α ij min − α ij ) +

+ µVi (Vi − Vi max ) + µVi (Vi min − Vi ) +

Dans un modèle DC le lagrangien devient [78] :
⎛ ⎞
( ) ( )
ng
Γ = ∑ ai + bi PGi + ci PGi2 − γ (B * θ − P ) − λ ⎜ ∑ PGk − ∑ PCk ⎟ − μ Pijmax − H * θ
i =1 ⎝ k∈N k∈N ⎠ (3.9)
(
− ν H * θ − Pij
max
) (
− α PG − PG − β PG − PG
max
) (min
)
avec
γ vecteur des multiplicateurs associés aux équations du calcul de répartition en chaque nœud de
dimension N
λ multiplicateur associé à l’équilibre production-consommation (toujours strictement positif)
µ,ν vecteurs des multiplicateurs associés aux contraintes sur les transits
α,β vecteurs des multiplicateurs associés aux contraintes sur les unités de production

Les prix nodaux sont définis comme le coût incrémental induit pour satisfaire une unité de
consommation supplémentaire en chaque nœud k [81]:
∂Γ
ρk = = λ −γk (3.10)
∂PCk
où ρ est le vecteur des prix nodaux
Dans la théorie des prix nodaux, un participant au marché spot doit acheter ou vendre son
énergie au prix du nœud où il est connecté [82]. Toute transaction bilatérale (ferme ou non
ferme) est soumise à un coût de congestion pour tenir compte de son influence sur les contraintes
du système. Ainsi, pour une transaction bilatérale dont le point d’injection est un nœud i et le
point de soutirage un nœud j, le coût de congestion est défini comme la différence des prix
nodaux entre les nœuds i et j, fois le volume de la transaction :

Pay _ Tij = (ρi − ρ j )* Tij (3.11)

Application des méthodes métaheuristiques à l’OPF dans un environnement de l’électricité dérégulé -128-

Tous les flux financiers créés par la tarification marginale sont centralisés par l’opérateur du
système.

3.8.1 Test de l’OPF dans un système électrique libéralisé sur le réseau IEEE 30 Bus

Pour illustrer l’usage de l’OPF dans un contexte dérégulé et la tarification marginale qui lui est
associée, prenons le réseau IEEE 30-Bus et supposons que l’on ait un marché spot. Dans ce
marché, chaque générateur est un producteur. Si aucune contrainte de transit ne soit imposée sur
les lignes, l’OPF va simplement sélectionner la production la moins chère pour satisfaire la
demande. En l’absence de contraintes, le prix nodal est identique en chaque nœud et égal au prix
de la dernière unité appelée qui est celui du générateur N° 8, c’est-à-dire, prix spot=3.25 $/MWh.
Ce prix est assimilé au MCP que nous avons déjà défini lorsque nous avons expliqué le principe
du Market Splitting.
Soit à présent des transits maximums imposés sur les lignes connectant le nœud 1 au
nœud 2, le nœud 1 au nœud 3 et le nœud 2 au nœud 5 selon deux cas : les trois lignes sont limités
à 80 MVA dans le ler cas, et dans le 2eme cas, on change les limites des 2eme et 3eme lignes à 40
MVA. L’OPF va déterminer une configuration de la production en tenant compte de ces
contraintes (tableau 3.1) et (figure 3.5), tout en minimisant le coût total de la production. Les
contraintes font apparaître une différence de prix entre les nœuds (figure 3.6).
Nous pouvons remarquer qu’il y a à présent différentiation géographique du prix du
marché spot. Dans le premier cas, la valeur du prix spot à chaque jeux de barres presque
constante (4$/MW) à part le premier jeu de barres lié au générateur N° 1. Par contre dans le
deuxième cas, il prend une valeur différente pour chaque jeu de barres. La valeur max se trouve
au niveau du jeu de barres N° 5 avec une valeur de 6.81 $/MW qui représente une augmentation
de 70% de prix spot du premier cas (figure3.6). L’augmentation de cette valeur est due à la
diminution des puissances des deux générateurs N°1 et N°2 à cause de la limitation des lignes 1
et 2 d’où l’amplification de la puissance fournit par le générateur N° 5.
Examinons en outre les sommes collectées du consommateur par l’opérateur du système
et reversées aux producteurs : dans le premier, l’opérateur du système collecte 1119.2 $ et il
reverse aux producteurs 1012.1$. Dans le deuxième cas, il collecte 1418.3$ et reverse 1121.8 $
aux générateurs. Donc, dans le premier cas, l’opérateur du système retient 107.0898$. Par
contre, on remarque, dans le deuxième cas, il retient 296.5355 $ (tableau 3.1). Il y a donc
apparition d’un surplus financier résultant des contraintes imposées. Ce surplus devient de plus
Chapitre 03 : OPF et UC dans un système électrique libéralisé -129-

en plus important avec l’accentuation des contraintes. Dans le 2eme cas, ce surplus est augmenté
de 177% par rapport à la valeur du premier cas. De façon générale, lorsqu’il y a contrainte de
transit sur un réseau, les méthodes basées sur la tarification marginale dégagent toujours un
surplus financier collecté par l’opérateur du système [83]. Ce surplus financier peut être reversé
intégralement aux propriétaires du réseau, comme cela se fait par exemple dans l’état de New
York aux Etats-Unis [84]. Cependant, ce modèle de traitement des congestions a l’avantage de
bien s’adapter à tous types de réseaux (radiaux, maillés) et de tenir compte des flux parallèles.

Tableau 3.1 Résultats d’optimisation par OPF dans un marché spot avec limites sur les lignes
selon deux cas
Cas1 Cas2
N° Bus Pg rhoP Somme Pg rhoP Somme
(MW) ($/MW) reversée($) (MW) ($/MW) reversée($)
1 135.7117 3.0178 409.5508 130.3672 2.9778 388.2074
2 61.7044 3.9097 241.2457 36.5669 3.0298 110.7904
5 24.3332 4.0417 98.3475 46.4745 6.8093 316.4588
8 35.0000 3.8705 135.4675 35.0000 4.1329 144.6515
11 17.2707 3.8635 66.7253 21.8145 4.0907 89.2366
13 15.9907 3.7995 60.7567 18.4590 3.9230 72.4147
Fonction objectif 162.2254 206.714
Nombre 12 14
d’itérations
Les pertes 6.611 5,282
Somme collectée 1119.2 1418.3
totale ($)
Somme reversée 1012.1 1121.8
totale ($)
IMO Pay ($) 107.0996 296.5284

Sij(cas 1) Sij(cas 2)
p.u
1
0,8
0,6
0,4
0,2
0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 34 35 36 37 38 39 40 41 42
N° de ligne

Figure 3.5 Puissances transportées dans les lignes avec contraintes

Application des méthodes métaheuristiques à l’OPF dans un environnement de l’électricité dérégulé -130-

rohP (cas 1) rhoP (cas 2)

$/MWh
8
6
4
2
Njb
0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30

Figure 3.6 Prix spot dans les jeux de barres du réseau IEEE 30-Bus dans les deux cas

3.8.2 Réseau test Sonelgaz

En Algérie, la plus grande partie de l'électricité est d'origine thermique, le reste est réparti
entre les centrales hydro-électriques ou à diesel (figure 3.7)1. Des sources d'énergie
renouvelables telles que le vent et le soleil produisent de l’énergie électrique dans les sites isolés
de l’Algérie. Elles représentent cependant des quantités négligeables. Le gaz naturel constitue la
source d'énergie fossile la plus respectueuse de l'environnement. La quantité d'impuretés
présentée dans le gaz naturel, comme par exemple l'acide sulfhydrique, est négligeable par
rapport à celle contenue dans les autres sources d'énergie fossiles.
En Juin 2009, la puissance maximale appelée sur le réseau interconnecté a atteint 6538
MW (le 16 juin 2009 à 21h45) soit une augmentation de 6,9 % par rapport à Juin 2008 (6118
MW réalisée le 06 Juin 2008), c.-à-d. une puissance additionnelle de l’ordre de 420 MW figure
3.8).
Le parc de production de Sonelgaz (au 31/12/2008) totalise une puissance installée de 6118
MW. La puissance installée est répartie entre filière turbines à vapeur (46%), filière turbines à
gaz (52%), filière hydraulique (1%) et filière diesel (1%). Les groupes de cette dernière filière
sont installés au Sud et alimentent des réseaux isolés (figure 3.7, 3.9).

Quatre entreprises autres que les services traditionnels peuvent maintenant vendre de
l’électricité aux abonnés de l’entreprise d’électricité. Ces producteurs indépendants d’électricité
(IPP) sont Kahrama, SKS, SKB et SKH. En se faisant concurrence, ils paient des frais
d’utilisation pour les installations de transport et de distribution selon des tarifs réglementés qui
assurent un accès non discriminatoire à ces installations. La production des IPP pour l’année

1 Les informations sur le réseau Algérien ont été extraient du site officiel de Sonelgaz : http://www.sonelgaz.dz
Chapitre 03 : OPF et UC dans un système électrique libéralisé -131-

2008 à été de 11017 GWh soit 28% de la production totale. SKS presente 52% de la puissance
produite par ces IPP tandis que Kahrama et SKB se partage le reste de la puissance. Par contre
SKH était en régime d’essai pour l’année 2008 (figure 3.10, 3.11).

46%
1%

2%

1%
52%

Thermique à Gaz Thermique à Vapeur Hydraulique Diesel

Figure 3.7 Répartition de la puissance produite par SPE par origine pour 2008 en %

Thermique à Gaz

16000 Thermique à Vapeur

14000 Hydraulique

12000 Diesel

10000
15027,7

13384

8000

6000

4000

2000

0 282,7 276

Puissance en
GWh
 Application des méthodes métaheuristiques à l’OPF dans un environnement de l’électricité dérégulé -132-

Figure 3.8 : PMA pour juin 2008 et juin 2009 Figure 3.9 : répartition de la puissance produite

par SPE par origine pour 2008

11017; 28%

28970,4; 72%

SPE IPP

Figure 3.10 Figure 3.10 Production des SPE et IPP pour l’année 2008 en GWH et en %.

5701; 52%

2623; 24%

2691; 24%
3; 0%

Kahrama SKS SKB SKH

Figure 3.11 : Production des IPP pour l’année 2008 en GWH et en %

3.8.3 OPF sur le réseau algérien dans un système électrique intégré verticalement

Avant d’appliquer les méthodes d’OPF sur le réseau Algérien 59-Bus dans un système
électrique libéralisé, on va premièrement tester les trois méthodes métaheuristiques et la
meilleure méthode classique IP.
Le réseau électrique Algérien (réseau de production et de transport sous 220kV avant
1997) comprend 59 bus, 83 branches (lignes, transformateurs) et 10 générateurs (figure 3.12).
Pour appliquer l’optimisation sur le réseau électrique algérien, il faut connaître les
informations de tous les générateurs, à savoir les puissances actives et réactives min et max ainsi
que la fonction coût de chaque générateur. Le tableau 3.2 montre les limites des puissances ainsi
que les coefficients de la fonction coût des dix générateurs du réseau électrique Algérien. La
Chapitre 03 : OPF et UC dans un système électrique libéralisé -133-

puissance demandée est de 684.10 MW. Le reste des paramètres du réseau se trouve dans
l’annexe B.

Figure 3.12 Schéma unifilaire du réseau de production et transport algérien

Tableau 3.2 Paramètres des générateurs du réseau 59 jeux de barres de Sonelgaz

Bus Pmin Pmax Qmin Qmax a b c
Number [MW] [MW] [Mvar] [Mvar] [$/hr] [$/MWhr] [$/MW2hr]

1 10 72 -10 15 0 1.50 0.0085

2 10 70 -35 45 0 2.50 0.0170
3 30 510 -35 55 0 1.50 0.0085
4 20 400 -60 90 0 1.50 0.0085
13 15 150 -35 48 0 2.50 0.0170
27 10 100 -20 35 0 2.50 0.017
37 10 100 -20 35 0 2.00 0.003
41 15 140 -35 45 0 2.00 0.003
42 18 175 -35 55 0 2.00 0.003
53 30 450 -100 160 0 1.50 0.0085

Premièrement, on a calculé l’écoulement de puissance par la méthode de Newton-Raphson.

L’écart maximal des puissances actives et réactives a été pris de 0.001 p.u. La convergence est
acquise après 4 itérations, la puissance totale générée est de 713.2366 MW, avec des pertes de
Application des méthodes métaheuristiques à l’OPF dans un environnement de l’électricité dérégulé -134-

l’ordre de 29.1367 MW, et le facteur de puissance des réseaux électriques est de 0.940879. Les
niveaux de tension sont tracés dans la figure 3.13. On remarque que les niveaux de tensions des
deux jeux de barres 36 et 48 (V36=0.832 p.u et V48=0.833 p.u) sont inférieures à leurs valeurs
minimales dues au rapport R/X de la ligne entre 33 et 48 qui est trop élevée.

|V| min. (p.u) |V| (p.u) |V| max. (p.u)

1
58 59 2 3 4
56 57 5
55 6
54 7
53 8
52 9
51 10
50 11
49 12
48 0,833 pu 13
47 14
46 15
45 16
44 17
43 18
42 19
41 20
0,832 pu
40 21
39 22
38 23
37 24
36 25
35 34 27 26
33 32 31 30 29 28

Figure 3.13 Niveaux de tension du réseau Algérien 59 jeux de barres (par N-R)

Le tableau 3.3 présente une comparaison entre les résultats trouvés par la méthode
classique IP et ceux trouvés par les trois méthodes métaheuristiques ACO, PSO et GA. On
remarque que toutes les valeurs de puissance générées sont dans leurs limites admissibles. Il faut
remarquer que le générateur lié au jeu de barres 13 est hors service. On remarque que la valeur
de fonction de coût optimale trouvée par la méthode ACO-OPF et qui est de l’ordre de
1697.1096 $/h est plus meilleurs que celles trouvées par PSO avec un pourcentage de 1 % et la
méthode GA avec un pourcentage de 2%. Mais la méthode IP converge vers un coût plus
meilleur que ACO (1688.5658 $/h) avec un pourcentage de 1,00 %. Donc, on peut dire que
toutes ses méthodes donnent des résultats proches de l’optimum avec une très bonne vitesse de
convergence. Il faut noter qu’après optimisation, il y a une amélioration dans les deux niveaux de
tensions des jeux de barres 36 et 48 (V36=0.94 p.u et V48=1.019 p.u) sans l’utilisation des
batteries de condensateurs (figure3.14).
 Chapitre 03 : OPF et UC dans un système électrique libéralisé -135-

Tableau 3.3 Comparaison des résultats d’OPF par ACO, GA, PSO & IP sur le réseau Algérien
Min(Pg) ACO GA PSO IP Max(Pg)

Pg 1 (MW) 8 62.1194 64.4526 54.4080 58.2235 72

Pg 2 (MW) 10 25.9000 26.4001 32.8924 23.3101 70

Pg 3 (MW) 30 91.5000 92.6355 93.2873 101.8288 510

Pg 4 (MW) 20 119.7000 137.6252 132.7729 110.4278 400

Pg 13 (MW) 0 0 0 0 0 0

Pg 27 (MW) 10 22.5000 46.1776 43.0479 25.8893 100

Pg 37 (MW) 10 54.8574 39.1273 53.0329 51.0347 100

Pg 41 (MW) 15 122.1336 93.1718 99.7338 96.9857 140

Pg 42 (MW) 18 128.2000 92.7061 96.8077 140.7013 175

Pg 53 (MW) 30 91.0000 112.4548 100.4120 103.325 450

Pertes actives (MW) 33.81 20.651 22.295 27.626
Coût de Génération ($/hr) 1697.1096 1723.4728 1711.2961 1688.5658

V (p,u,) 1
angle (rd) 58591 2 34
5657 5
55 0,5 6
54 7
53 0 8
52 9
51 -0,5 10
50 -1 11
49 -1,5 12
48 13
47 -2 14
46 -2,5 15
45 -3 16
44 17
43 18
42 19
41 20
40 21
39 22
38 23
37 24
36 25
3534 2726
333231 302928

Figure 3.14 Tensions (modules et angles) du réseau Algérien après convergence de la méthode IP

3.8.4 OPF sur le réseau Algérien dans un système électrique dérégulé

a) OPF avec charges fixes

L’OPF va être, maintenant, appliqué sur le réseau Algérien dans un contexte dérégulé en
utilisant la tarification marginale dans un marché spot. Le faite qu’il existe des contraintes max
 Application des méthodes métaheuristiques à l’OPF dans un environnement de l’électricité dérégulé -136-

et min imposées sur les lignes, les transformateurs et les jeux de barres, l’OPF va déterminer une
configuration de la production en tenant compte de ces contraintes, tout en minimisant le coût
total de la production. En absence de des dépassements sur toutes les contraintes (puissance de
transit de ligne, les niveaux de tension, …), le prix nodal est identique en chaque nœud et égal au
prix spot=2.5 $/MWh qui est le prix de coût marginal de production (tableau 3.2).
Dans un premier cas, chaque générateur est un producteur. Les contraintes de transit sur toutes
les lignes sont 200MVA et les autres contraintes sur les autres variables sont dans l’annexe B. Il
faut remarquer que cette configuration est la même que celle utilisée dans le test de l’OPF sous le
système électrique verticalement intégré. De point de vue puissances générées, elle donne les
mêmes résultats que pour l’ancien système (figure 3.15).

MW
600
Ps min Ps Ps max

500

400

300

200

100

0
1 2 3 4 27 37 41 42 53

Figure 3.15 Puissances générées optimales trouvées dans le cas d’un prix d’offre égale le coût de

production

Les dépassements de quelques contraintes par la configuration de la production font

apparaître une différenciation géographique du prix du marché spot entre les nœuds (rhoP)
(tableau 3.4).
Le tableau3.5 montre une répartition par nœud d'injection et de soutirage des plans de
vente et d'achat pour un prix égale le coût de production après convergence dont le prix spot des
générateurs est le même que leurs fonctions du coût, et les charges sont fixes et achètent
l’électricité selon le prix spot. Avec ces prix, il y a un profit pour les centrales de l’ordre de -
363.7345 [$/h] et un IMO pay de 83.2073 [$/h] pour la répartition calculée avec la méthode IP.
Chapitre 03 : OPF et UC dans un système électrique libéralisé -137-

Tableau 3.4 Prix nodaux du réseau algérien dans le cas où le prix spot=coût de production
Bus rhoP Bus rhoP Bus rhoP Bus rhoP
($/MWh) ($/MWh) ($/MWh) ($/MWh)
1 2,4898 16 3,3289 31 3,2864 46 3,4418
2 3,2925 17 3,2838 32 3,2929 47 3,0629
3 3,2311 18 3,2755 33 3,3032 48 2,7973
4 3,3773 19 3,2856 34 3,2966 49 3,0574
5 3,373 20 3,2882 35 3,386 50 3,2665
6 3,3482 21 3,2803 36 3,8283 51 3,2628
7 2,9468 22 3,2819 7 2,3062 52 3,283
8 3,4947 23 3,415 8 2,733 53 3,2565
9 3,4905 24 2,9913 39 3,2971 54 3,3462
10 2,6466 25 3,4092 40 2,6416 55 3,2933
11 2,391 26 3,4044 41 2,5819 56 3,0428
12 2,3386 27 3,3802 42 2,8442 57 2,974
13 3,2937 28 3,424 43 3,4234 58 2,8374
14 3,5512 29 3,2963 44 3,0755 59 2,9038
15 3,3568 30 3,2877 45 3,0514

Tableau 3.5 Répartition par nœud d'injection et de soutirage des plans de vente et d'achat pour
un prix égale le coût de production
P Q Pay P Q Pay P Q Pay P Q Pay
Bus Bus Bus Bus
[MW] [MVar] [$/h] [MW] [MVar] [$/h] [MW] [MVar] [$/h] [MW] [MVar] [$/h]
1 58,22 5,2917 -145 16 0 0 0 31 0 0 0 46 -22,2 -10,1 76
2 -0,89 18,2592 3 17 -6,4 -2,9 21 32 0 0 0 47 -16,3 -7,4 50
3 101,83 11,9959 -329 18 0 0 0 33 -24,7 -11,3 82 48 -19,2 -8,8 54
4 41,928 52,1687 -142 19 0 0 0 34 0 0 0 49 -14,3 -6,5 44
5 -22,2 -10,2 75 20 -52,9 -24,1 174 35 -13,9 -6,3 47 50 0 0 0
6 0 0 0 21 0 0 0 36 -13,9 -6,3 53 51 0 0 0
7 -6 -2,7 18 22 0 0 0 37 51,03 14,432 -118 52 -16 -7,3 53
8 -3,9 -1,8 14 23 -56,7 -25,8 194 38 -15,6 -7,1 43 53 103,32 24,24 -336
9 -28,4 -12,9 99 24 -21,4 -9,8 64 39 -1,5 -0,7 5 54 -7,3 -3,3 24
10 -18 -8,2 48 25 0 0 0 40 -21,6 -9,8 57 55 -8,7 -4 29
11 -25 -11,4 60 26 -19,6 -8,9 67 41 93,98 26,50 -243 56 -7,2 -3,3 22
12 0 0 0 27 2,389 24,2 -8 42 140,7 32,78 -400 57 0 0 0
13 -0 0 0 28 -7,8 -3,5 27 43 -7,3 -3,3 25 58 -22,3 -10,1 63
14 -22,5 -10,3 80 29 -5,9 -2,7 19 44 -16,8 -7,7 52 59 -0 0 0
15 -19,4 -8,8 65 30 0 0 0 45 0 0 0
Application des méthodes métaheuristiques à l’OPF dans un environnement de l’électricité dérégulé -138-

Maintenant, on va recalculer la répartition si les bides des générateurs seront 0%, 20%,
30% et 40% de plus de leurs incréments des coûts. Les résultats obtenus après optimisation pour
ces cas sont représentés dans le tableau 3.6. On remarque que le profit est maximal pour les
générateurs dans le cas où l’offre égale au coût marginal (-363.734$). Et diminue au fur et à
mesure avec l’augmentation des prix proposés par les producteurs. Le changement de signe (-)
du profit vers le signe (+) signifie d’une part que les consommateurs deviennent bénéficières du
profit si les producteurs proposent des prix gonflés. D’autre part, se changement de signe est
obligatoirement passé par le point zéro signifiant l’égalité des prix d’offre et d’achat. Le profit
zéro correspond au prix2 de 29.1% de plus du cout marginal (b). Dans tous ces cas l’opérateur
reste le bénéficière avec une valeur moyenne (IMO pay=87,53 $/h).
Tableau 3.6 Résultats d’optimisation des différents prix d’offre
Prix=b Prix1=1.2*b Prix2=1.291*b Prix3=1.3$b Prix4=1.4*b
Pg 1 (MW) 58,2235 60,1055 60,9647 61,0506 61,9952

Pg 2 (MW) 23,3101 19,9317 18,3692 18,2122 16,4755

Pg 3 (MW) 101,8288 106,1769 108,0829 108,2713 110,3183

Pg 4 (MW) 110,4278 116,2041 118,7765 119,032 121,8236

Pg 13 (MW) 0,0 0,0 0,0 0,0 0,0

Pg 27 (MW) 25,8893 22,919 21,5431 21,4047 19,8727

Pg 37 (MW) 51,0347 49,6365 49,0973 49,046 48,5115

Pg 41 (MW) 96,9857 90,5913 87,8847 87,6204 84,7855

Pg 42 (MW) 140,7013 136,6978 134,9696 134,7997 132,965

Pg 53 (MW) 103,325 107,7308 109,6543 109,8442 111,9056

Pertes actives
27.626 25.894 25,2423 25.181 24.553
(MW)
Profit
-363.734 -113.008 0.000 11.268 134.853
($/h)
IMO pay
83.2073 86.785 88.4705 88.641 90.548
($/h)
Chapitre 03 : OPF et UC dans un système électrique libéralisé -139-

Prix 4 Prix 3 Prix 1 Prix Prix2

5,5
5
4,5
$/Mwh

4
3,5
3
2,5
2
10
13
16
19
22
25
28
31
34
37
40
43
46
49
52
55
58
1
4
7

Figure 3.16 Prix spot nodal en $/MWh du réseau Algérien pour

les différentes valeurs de prix d’offre.

Afin de justifier les valeurs de profit pour les différents cas, on a tracé les valeurs spot
nodales du réseau Algérien pour les différents prix dans la figure 3.16. On remarque que la
valeur max du prix spot se trouve au niveau du jeu de barres N° 36 avec une valeur de 5.0812
$/MWh qui correspond à 200% du spot sans dépassement des contraintes (2.5$/MWh).
b) OPF avec deux charges flexibles
On va ajouter deux charges flexibles au niveau des jeux de barres 22 et 25. Les demandes
de puissances sont entre 0 et 20 MW avec les fonctions d’offres selon 3.2.
Tableau 3.7 Données des deux charges élastiques
Bus Pmax[pu] Pmin [pu] β [$/Mwh] γ[$/(Mwh)2]
22 0.2 0 6 -0.1
25 0.2 0 6 -0.25

Pour les charges fixes, le prix de la demande inélastique reste le même, c.à.d. 3 $/MWh.
Cas1 : Chaque générateur représente un producteur. Les offres de ces compagnies sont
équivalentes à leurs coûts de production.

Cas2 : Les générateurs au niveau des jeux de barres 1, 2, 3 et 4 représentent la première

compagnie et les générateurs au niveau des jeux de barres 21, 31, 41, 42 et 53 représentent la
deuxième compagnie. Les offres de ces compagnies sont équivalents à 3$/MWh et 2.5 $/MWh
respectivement.
Application des méthodes métaheuristiques à l’OPF dans un environnement de l’électricité dérégulé -140-

Cas3 : Leurs offres sont équivalents respectivement à 6$/MWh et 2.5 $/MWh.

Le tableau 3.8 récapitule les résultats de l’optimisation dans le cas des charges flexibles selon les
3 cas indiqués auparavant. On remarque que le meilleur profit correspond au premier cas puisque
il existe 9 producteurs en concurrence avec des prix différents et des puissances proposées
différentes. La répartition des puissances est changée dans le deux autres cas car il n’existe dans
le marché que deux compagnies en concurrence. On remarque que la deuxième compagnie
bénéficie de plus de puissance générée que la première du fait que son prix d’offre est plus
intéressant. Dans le troisième cas, la situation de la première compagnie s’aggrave en plus les
puissances affectées à ses générateurs sont minimums car son prix d’offre est exagéré.
Tableau 3.8 Résultats d’optimisation dans le cas des charges flexibles selon 3 cas
Min Pg Cas 1 Cas2 Cas 3 Max Pg
Pg 1 (MW) 8 58.8459 21.3702 8 72

Pg 2 (MW) 10 25.1494 38.578 10 70

Pg 3 (MW) 30 105.2538 74.0039 30 510

Pg 4 (MW) 20 113.2055 81.82 20 400

Pg 13 (MW) 0 0.0 0

Pg 27 (MW) 10 27.2847 55.652 99.9998 100

Pg 37 (MW) 10 51.5656 53.2361 60.3633 100

Pg 41 (MW) 15 98.8901 122.5345 140 140

Pg 42 (MW) 18 144.2503 174.6848 175 175

Pg 53 (MW) 30 106.9202 104.3658 179.3573 450

Pd 22 (MW) 13.2565 8.432 1.5869

Pd 25 (MW) 4.9613 3.0714 0.16404

Pertes actives (MW) 29.048 30.642 36.87
Profit($/h) -388.1815 234.6227 600.6044
IMO PAY 89.4481 124.1164 202.0389

Nous avons constaté que plus l’écart des prix des offres des producteurs au marché spot
étaient importants, plus la différence géographique des prix nodaux s’accentuaient figure (1.17).
Il faut remarquer que les deux compagnies ont donc intérêt à éviter la proposition des prix
importants, surtout celui dont l’offre est le plus élevé, puisque ses ventes y sont minimales.On
remarque les deux charges flexibles réduisent leur demandes avec l’augmentation des prix
d’offres, puisque le prix spot augmentes figure (3.17)
Chapitre 03 : OPF et UC dans un système électrique libéralisé -141-

rhoP (case 1) rhoP (case 2) rhoP (cas 3)

$/Mwh
7

0
1 4 7 10 13 16 19 22 25 28 31 34 37 40 43 46 49 52 55 58

Figure 3.17 prix spot nodal de réseau Algérien avec deux charges flexibles

dans les trois cas

Les processus de convergence de la méthode IP pour les 3 cas vers les valeurs optimales
sont donnés dans le tableau 3.9. On remarque que la convergence est rapide dans les deux
premier cas mais elle est un peut let dans le 3eme cas. Les tensions (modules et angles) ainsi que
les puissances transitées dans les lignes du réseau Algérien sont données dans les figures (3.18,
3.19 et 3.20). Les valeurs sont acceptables.
Tableau 3.9 La variation de la fonction coût durant
le processus d’optimisation OPF dans les 3 cas
iter Cas 1 Cas2 Cas 3
1 -801.7788 -428.2414 -338.5329
2 -789.0257 -410.5330 -289.8964
3 -783.7690 -413.5497 -338.4970
4 -708.6911 -359.3619 -383.9292
5 -591.7801 -342.7430 -311.4649
6 -396.4921 -20.2949 -341.5707
7 -394.8700 194.9894 -284.1586
8 -388.4750 211.9428 -248.6948
9 -388.2012 233.6640 2.8874
10 -388.1825 234.5530 60.4307
11 234.6193 322.0558

12 501.0174

13 585.0026

14 604.1105

15 600.3503

Temps (sec) 6.1361 6.811 15.9125

Application des méthodes métaheuristiques à l’OPF dans un environnement de l’électricité dérégulé -142-

V (cas 1) V (cas2) V (cas 3)

pu
1,15
1,1
1,05
1
0,95
0,9
0,85
1 4 7 10 13 16 19 22 25 28 31 34 37 40 43 46 49 52 55 58

Figure 3.18 Les Modules des tensions de réseau Algérien avec deux charges flexibles

phase (cas1) phase (cas2) phase (cas3)

0,2
0,1
0
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35 37 39 41 43 45 47 49 51 53 55 57 59
-0,1
angle

-0,2
-0,3
-0,4
-0,5
-0,6

Figure 3.19 Les phases de tensions de réseau Algérien avec deux charges flexibles

S_ij (cas 1) S_ij (cas 2) S_ij (cas 3)

1,8

1,6

1,4

1,2

1
pu

0,8

0,6

0,4

0,2

0
1 5 9 13 17 21 25 29 33 37 41 45 49 53 57 61 65 69 73 77 81

Figure 3.20 Les puissances transmises dans le de réseau Algérien avec deux charges flexibles
dans les trois cas …
Chapitre 03 : OPF et UC dans un système électrique libéralisé -143-

3.9. Commutation des unités de production ‘Unit Commitment’

Puisque l’activité humaine suit des cycles, la plus part des services fournis à la population
sont rythmés. En ce qui concerne l’électricité, la demande totale d’énergie sera généralement
plus élevée, durant la journée et en début de soirée quand les charges industrielles sont fortes et
l’éclairage allumé, et plus faible pendant la nuit et ce jusqu’à la matinée. En outre, la demande
d’électricité suit un cycle hebdomadaire puisque la charge est plus faible le week-end que la
semaine. Mais pourquoi est-ce un problème dans la conduite des réseaux électriques? Pourquoi
ne pas simplement démarrer et maintenir en fonctionnement autant de centrales qu’il le faut pour
couvrir la demande maximale? La réponse est purement économique : maintenir trop de
centrales en fonctionnement est bien trop coûteux pour être viable et une somme d’argent
considérable serrait épargnée si on démarrait les unités comme il le faut. Ajoutons qu’il est en
réalité impossible de maintenir une unité en permanence en marche puisque les centrales sont
mises à l’arrêt lorsqu’elles doivent être révisées. Le problème d’Unit Commitment consiste à
choisir quelles unités de production seront opérationnelles, à l’arrêt, ou en réserve chaude, de
manière à maximiser le profit du parc de production. Les unités doivent satisfaire la charge ainsi
que la réserve tournante. De plus, chaque unité possède ses propres limites de production. Il
s’agit donc d’un problème d’optimisation à grande échelle sous contraintes. Les approches les
plus utilisées pour sa résolution sont des arrangements de la liste de priorités, programmation
dynamique et relaxation de Lagrange [85]. Néanmoins les références [86], [87] et [88] présentent
plusieurs approches pour la résolution du problème d’UC basé sur des formulations des
métaheuristiques.

3.10. Problème d’Unit Commitment traditionnelle (UC)

Dans l’ancienne structure des entreprises verticalement intégrées, le problème d’unit

commitment était réalisé de manière centralisée. Par le biais d’un algorithme d’optimisation
(OPF), on cherchait à trouver la solution présentant le minimum de coût de production total,
sous contraintes de production et de réseau et sur un horizon de temps donné, pour couvrir toute
la demande en incluant les réserves nécessaires à la sécurité du système.
Lorsqu'une centrale a atteint son point de fonctionnement minimal, un choix doit être opéré
quant à savoir si cette centrale doit ou non être mise hors service. Dans la pratique, cette décision
se prend sur la base de l'expérience. Si l'on s'attend à ce que la demande augmente
prochainement, la centrale est alors utilisée à ce point de fonctionnement minimal. Si l'on
s'attend à ce que cette demande reste basse pendant une période un peu plus longue, la centrale
Application des méthodes métaheuristiques à l’OPF dans un environnement de l’électricité dérégulé -144-

peut alors être mise hors service. De telles conditions secondaires sont généralement appelées
"unit commitment".
Le problème d’unit commitment traditionnelle consiste à trouver le minimum du coût total
de production. La formulation générale d’UC est montrée par l’équation (3.12). Alors on est
devant un problème d’optimisation dont ses variables sont mixtes, donc il faut utiliser l’une des
méthodes hybrides. La première (Optimisation par Essaim de Particules Discrète (OEPD)) sert à
minimiser le coût de redémarrage et la deuxième (OEP) pour optimiser la répartition des
puissances entre les générateurs.

TC = ∑∑ ((Fi (Pit ) + STi (1 − X i ( t −1) ))X it + SDi (1 − X it )X i ( t −1) )

N T
(3.12)
i =1 t =1

Selon les contraintes suivantes :

a) Les contraintes de demande :
N

∑P X
i =1
it it = Dt ∀t = 1,........, T (3.13)

b) Les contraintes de réserve

N

∑X
i =1
it Pi max ≥ Dt + SRt ∀t = 1,........, T (3.14)

c) Les limites des puissances actives :

Pi min ≤ Pit ≤ Pi max ∀t = 1,........, T (3.15)

d) Les contraintes de temps (Minimum haut/bas) :

Titon > MUTi (3.16)
Titoff > MDTi (3.17)
Où les variables sont définis comme suit :
TC : Le coût total de production.
N : Le nombre de générateur.
T : Le nombre de périodes (heures).
Fi : La fonction du coût de générateur i.

Pit : La puissance active délivrée par le générateur i à l’instant t.

STi : Le coût de redémarrage du générateur i.

SDi : Le coût d’arrêt du générateur i. (généralement égale à zéro).

X it : L’état du générateur i à l’instant t (en service (1)/ hors service (0)).

Dt : La puissance demandé à l’instant t.

Chapitre 03 : OPF et UC dans un système électrique libéralisé -145-

SRt : La puissance de réserve à l’instant t.

Pi max : La puissance active maximale du générateur i.

Pi min : La puissance active minimale du générateur i.

Ti on : La période de fonctionnement du générateur i.

Ti off : La période d’arrêt du générateur i.

MUTi : Le minimum temps de fonctionnement du générateur i.

MDTi : Le minimum temps d’arrêt du générateur i.

3.11. Les étapes de résolution du problème d’Unit Commitment

traditionnelle

Pour résoudre ce problème, il faut suivre les étapes suivantes :

Ö Etape 1 : La création aléatoire de l’essaim initial (ensemble de particules), chaque
particule définit l’état de chaque générateur à chaque instant (’1’ en marche, ‘0’ à l’arrêt).
Chaque particule symbolisée sous forme d’une matrice de dimension (nombre de période
(généralement 24 heures)*nombre de générateur) comme illustrée dans la figure (3.21)

T
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24
1 1 1 1 1 1 0 0 0 1 1 1 1 1 0 0 0 0 0 0 0 1 1 1 1
2 0 0 0 0 0 0 0 0 1 1 1 1 1 0 0 0 1 1 1 1 1 1 1 1
N 3 0 0 0 0 1 1 1 1 1 0 0 0 0 0 0 0 0 1 1 1 0 0 0 0
4 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1

Figure 3.21 Représentation de chaque particule dans l’essaim

Ö Etape 2 : La vérification des contraintes de demande et de réserve suivant les équations

(3.13 et 3.14).
Ö Etape 3 : La vérification des contraintes de temps suivant les équations (3.16 et 3.17).
Ö Etape 4 : L’application d’OEPD pour optimiser le coût de redémarrage dont la fonction
objectif est la suivante :

TC = ∑∑ ((STi (1 − X i ( t −1) ))X it + SDi (1 − X it )X i ( t −1) )

N T
(3.18)
i =1 t =1

Après ces quatre étapes, on obtient la meilleure particule qui traduit les meilleurs états des
générateurs (le meilleur coût de redémarrage) et on réalise toutes les contraintes.
 Application des méthodes métaheuristiques à l’OPF dans un environnement de l’électricité dérégulé -146-

Ö Etape 5 : La création aléatoire de l’essaim initial concernant les puissances délivrées par
chaque générateur en utilisant la formule suivante :
(
Pit = Pi min + rand (Pi max − Pi min )X itbest ) (3.19)
X itbest : L’état du générateur i à l’instant t qui donne le meilleur coût de transition. rand :
Un nombre réel généré aléatoirement entre 0 et 1.
Ö Etape 6 : L’application d’OEP sur ce dernier essaim dont la fonction objectif (3.12).
A chaque étape, la condition de fonctionnement de chaque générateur est vérifiée pour l’assurer
dans sa plage de fonctionnement (équation (3.15)). En particulier, il faut vérifier les contraintes
de demandes et de réserve ainsi que les contraintes de temps.

3.9.1 Test de la méthode proposée pour la résolution du problème d’UC traditionnelle

Nous appliquons ici la méthode de PSO étape par étape pour résoudre le problème d’UC
sur le réseau Algérien La réserve tournante minimale est 5% de la puissance demandée, et le coût
de redémarrage est calculé à partir de la formule suivante :
⎛ ⎛ − Toff it ⎞ ⎞
STi = σ i + δ i ⎜⎜1 − exp⎜⎜ ⎟⎟ ⎟
⎟ (3.20)
⎝ ⎝ τ i ⎠⎠
Où : σ i , δ i , τ i : sont les coefficients du coût de redémarrage.
Toffit : Le nombre de périodes quand le générateur i est à l’état d’arrêt avant l’instant t.
Le coût d’arrêt est supposé égal à zéro.

3.9.2 Discussion des résultats

Pour cette simulation, la dimension de chaque particule et de l’essaim sont (10*24) et

(10*24*20) respectivement, (10 : Le nombre de générateur du réseau test, 24 : Le nombre des
périodes, 20 : Le nombre des particules). Le tableau (3.10) montre le meilleur résultat pour les
états des générateurs en utilisant l’OEPD ainsi que les puissances générées par ces générateurs
pour chaque heure et le coût de production et la réserve tournante de tous les générateurs. La
puissance demandée est montrée dans la (figure 3.22). Le coût total de production est de
69536.054$$. La réserve tournante est de 9208.9 MW. On remarque que la réserve tournante est
suffisante à chaque heure (figure 3.23),tableau (3.11) .
Chapitre 03 : OPF et UC dans un système électrique libéralisé -147-

860

810

760

710

660
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24

Figure 3.22 Profil de la charge du réseau algérien sur un intervalle de 24 h

Tableau 3.10 Puissance délivrée par les dix générateurs du réseau Algérien après convergence du
PSO-OPF
Puissance délivrée par chaque générateur (MW) Coût de Réserve
production
(MW/h)
h ($/hr)
1 2 3 4 5 6 7 8 9 10
Etat des
générateurs
1 0010011010 0 0 430.0617 0 0 87.9347 83.1817 0 129.822 0 3065.81 153.9990
2 0010011010 0 0 419.8291 0 0 15.1709 100.0000 0 175.0000 0 2841.64 175.0000
3 1010001010 66.23 0 439.6323 0 0 0 93.5506 0 103.5821 0 2891.65 154.0000
4 0010101000 0 0 510.0000 0 99.3485 0 92.6515 0 0 0 3603.07 58.0000
5 0010101000 0 0 461.6804 0 137.3196 0 100.0000 0 0 0 3398.15 61.0000
6 1010111010 72.00 0 326.6651 0 28.8731 86.8927 89.5588 0 75.0104 0 2351.12 428.0000
7 0010111110 0 0 106.2769 0 150.0000 43.3364 69.4867 140.0000 175.0000 0 2087.32 490.9000
8 0110110100 0 70 347.8288 0 125.5119 82.9703 0 102.6890 0 0 2951.47 241.0000
9 1111110000 72.00 70 438.3270 52.4093 53.0080 94.2557 0 0 0 0 3369.88 522.0000
10 1011001010 72.00 0 319.7798 247.5675 0 0 48.1790 0 115.4737 0 2767.52 453.9990
11 1011001110 72.00 0 101.1290 281.4432 0 0 47.9597 139.4681 175.0000 0 2368.12 580.0010
12 1111010100 72.00 70 316.7039 233.6876 0 87.8248 0 38.7837 0 0 2985.46 473.0000
13 1111010000 72.00 70 312.6196 310.4291 0 58.9514 0 0 0 0 3201.22 328.0000
14 1011000010 72.00 0 225.3018 375.6982 0 0 0 0 175.0000 0 3126.67 309.0000
15 1011000110 72.00 0 331.3072 126.6928 0 0 0 140.0000 175.0000 0 2689.17 452.0000
16 1011101100 72.00 0 351.1404 143.9553 41.4238 0 100.0000 122.48 0 0 2771.59 540.9990
17 1111111100 66.37 42.1 199.6991 245.2875 70.2100 15.4919 62.9873 95.8501 0 0 2449.54 744.0000
18 1111110000 72.00 70 318.2560 274.5987 25.2128 10.9325 0 0 0 0 2904.72 531.0000
19 1111110000 72.00 69.85 239.5656 236.6970 77.9558 58.9293 0 0 0 0 2592.64 547.0000
20 1001111110 72.00 0 0 271.7034 85.3865 74.4638 49.5020 74.6918 163.2526 0 2483.88 346.0000
21 1001101110 72.00 0 0 400.0000 150.0000 0 71.3553 114.1131 61.5315 0 3429.26 168.0000
22 1001101111 72.00 0 0 308.4651 33.5092 0 71.1403 91.8245 56.8521 246.21 2900.78 606.9990
23 1001111011 72.00 0 0 208.0580 15.0000 22.2782 88.2173 0 47.3188 380.13 3037.11 614.0000
24 1001010001 72.00 0 0 400.0000 0 100.0000 0 0 0 219 3268.23 231.0000
La somme des coûts de production 69536.054$ 9208.9
MW
coût de transition(les coûts de redémarrage des générateurs) 4345.637586$
Le coût total 73881.691699$
Application des méthodes métaheuristiques à l’OPF dans un environnement de l’électricité dérégulé -148-

2000

1800

1600

1400
Pgmin,Pg, Pgmax

1200

1000

800

600

400

200

0
2 4 6 8 10 12 14 16 18 20 22 24
hr

Figure 3.23 Les puissances optimales générées et les limites min max du réseau algérien sur 24 h

3.12. Le problème du profit basé sur Unit Commitment (PBUC)

Le problème de l’Unit Commitment dans un environnement concurrentiel et décentralisé a deux

aspects fondamentaux.
a ) D’abord, l’optimisation de l’utilisation des centrales doit se réaliser avec un critère
économique. Si le design de marché et les conditions de concurrence sont corrects, les
centrales qui fonctionnent et leurs niveaux de fonctionnement doivent donner le coût total
minimal parmi toutes les combinaisons possibles. Pour la sélection des centrales, on doit
prendre en compte non seulement les coûts incrémentaux ou marginaux de génération (coût
des combustibles) mais aussi les coûts de démarrage ou d’arrêt des centrales, les coûts de
fonctionnement à charge nulle, etc., et de plus les autres paramètres techniques des unités de
génération (comme le ramping). Les producteurs sont bien sûr incités à optimiser leurs
programmes puisque toute économie dans le coût est une augmentation de leur profit.

b ) Ensuite, la décision d’engagement des centrales est importante pour la disponibilité en

temps réel de moyens d’équilibrage du système. A cause du temps mort entre la prise de
décision et le moment de produire (start up time), l’opérateur du système doit s’assurer avec
assez anticipation qu’en temps réel il y aura assez des moyens en fonctionnement pour
Chapitre 03 : OPF et UC dans un système électrique libéralisé -149-

fournir les services d’équilibrage nécessaires. Cela montre un certain caractère

d’irréversibilité des décisions. Une fois qu’une centrale a décidé de ne pas démarrer, elle
bloque toute possibilité future de produire sur toute une période [89].

La réorganisation des systèmes d'énergie électrique a disposé comme conséquence la

concurrence basée sur le marché en créant un environnement du marché libre [90], [91] et [92].
Seule la fourniture (la production d’électricité) est soumise à la concurrence. Un système
restructuré permet à l'alimentation d'énergie de fonctionner compétitivement, aussi bien que
permettre aux consommateurs de choisir les fournisseurs de l'énergie électrique. Les compagnies
de génération (GENCO) concurrent pour vendre l'énergie et des services auxiliaires aux clients
en soumettant des appels d'offres au marché de puissance. Ces compagnies peuvent maintenant
exécuter le programme d’UC pas pour réduire au minimum le coût de production total comme
précédent, mais pour maximiser leurs propres profits. D'ailleurs, dans les systèmes à intégration
verticale, les utilités sont obligées de servir leurs clients. Cela signifie que toutes les demandes et
les réserves ont dû être rencontrées. Cependant, ce n'est pas nécessaire dans le système
restructuré. Le GENCO peut maintenant considérer un programme pour que ses unités se
produisent moins que la demande et la réserve prévues de charge, mais crée un maximum de
profit. Ce type d’UC est connu par : Profit Basé sur Unit Commitment (PBUC).

3.10.1 Les équations du PBUC

Ce problème consiste à trouver le maximum du profit et par conséquent la maximisation de

l’équation objective suivante :
max PF = RV − TC (3.21)
Les contraintes de demande et de réserve sont redéfinies comme suit :
N

∑P X
j =1
it it ≤ Dt' ∀t = 1,...,T (3.22)

∑R
i =1
it X it ≤ SRt' ∀t = 1,..., T (3.23)

Deux contraintes additionnelles sont ajoutées, qui sont :

0 ≤ Ri ≤ (Pi max − Pi min ), ∀i = 1,....., N (3.24)

(Ri + Pi ) ≤ Pi max , ∀i = 1,......, N (3.25)

Application des méthodes métaheuristiques à l’OPF dans un environnement de l’électricité dérégulé -150-

Où les variables sont définis ci-dessous :

PF : Le profit total du GENCO,
RV : Le revenu total du GENCO,
Rit : La puissance de réserve générée par le générateur i à l’instant t,

Dt' : L’estimation de la puissance demandée à l’instant t,

SRt' : L’estimation de la puissance de réserve à l’instant t,

La puissance demandée, la puissance de réserve, le prix spot (prix d’équilibre), le coût de

réserve, la stratégie de vente de la puissance et la réserve sont des paramètres importants pour
résoudre le problème du PBUC dans un marché dérégulé de l’électricité. Ils sont utilisés pour
déterminer le revenu, ce qui affecte directement le profit.
Dans la structure du système, GENCO se vendra la puissance en marché d’énergie et
vendre la réserve en marché de réserve. Le plan exact programmé pour la puissance et la réserve
dépendent de la manière de payement de réserve.

3.13. Les types du marché de réserve

3.11.1 Marché de réserve 1

Dans ce type la puissance de réserve est payée seulement quand elle est employée
réellement. Donc le prix de réserve est plus élevé que le prix spot. Pour cette méthode de
payement le revenu et le coût de GENCO peuvent être calculés à partir de ces formulations :
N T N T
RV = ∑∑ (Pit SPt )X it + r ∑∑ (Rit RPt )X it (3.26)
i =1 t =1 i =1 t =1

TC = (1 − r )∑∑ Fi (Pit ) + r ∑∑ Fi (Pit + Rit ) + ∑∑ (STi (1 − X i (t −1) )X it + SDi (1 − X it )X i (t −1) )

N T N T N T

(3.27)
i =1 t =1 i =1 t =1 i =1 t =1

Où :
SPt : Le prix spot (prix d’équilibre) à l’instant t,

RPt : Le prix de la puissance de réserve à l’instant t,

r : La probabilité d’utilisation de la puissance de réserve,

3.11.2 Marché de réserve 2:

Pour ce type de marché de réserve, GENCO reçoit le prix de réserve par unité de la
puissance de réserve à chaque période que cette puissance de réserve est assignée mais non
utilisée. Si la réserve est utilisée, GENCO recevra le prix spot pour la puissance de réserve
Chapitre 03 : OPF et UC dans un système électrique libéralisé -151-

développé. Pour cette méthode de payement, le prix de la puissance de réserve est plus inférieur
que le prix spot. Le revenu du GENCO est calculé à partir de l’équation suivante :
N T N T
RV = ∑∑ (Pit SPt )X it + ∑∑ ((1 − r )RPt + r.SPt )Rit X it (3.28)
i =1 t =1 i =1 t =1

Le coût total (TC ) de GENCO est calculé par (3.27).

3.14. Le modèle d’OEP pour résoudre le problème du PBUC

Les variables du problème de PBUC peuvent être classées en deux catégories. Une
première catégorie contient des variables binaires qui décrivent les statuts d'engagement
(générateur en repos ou en marche) ainsi que les historiques de fonctionnement (nombre de
périodes successives d'arrêt et fréquence des arrêt/démarrage (A/D)) qui précisent les transitions
des générateurs de l'état d'arrêt à l'état de fonctionnement et inversement, et la deuxième
catégorie comporte les variables continues de la puissance optimale (débit de chaque générateur).
Donc ce type du problème a des variables mixtes. Le modèle d’OEP pour résoudre le problème
du PBUC montré ici est conçu afin de rencontrer la nécessité ci-dessus. Le problème est
composé en trois sous problèmes, le premier sous problème qui essaye d’optimiser les états des
générateurs (le coût de transition), le deuxième sous problème qui est présent pour optimiser
l’offre de la puissance après les résultats du premier sous problème (la puissance délivrée et la
réserve de chaque générateur), et enfin le dernier sous problème qui trouve le maximum du profit
en fonction du type du marché de réserve.

3.12.1 Les étapes de résolution du problème du PBUC

Pour résoudre ce problème, il faut suivre les étapes suivantes :

Etape 1 : Même étape que l’étape 1 du problème d’UC traditionnelle.
Etape 2 : La vérification des contraintes de demande et de réserve suivant les équations (3.22 et
3.23).
Etape 3 : La vérification des contraintes de temps suivant les équations (3.16 et 3.17).
Etape 4 : L’application d’OEPD pour optimiser le coût de redémarrage.
Après ces quatre étapes, on obtient la meilleure particule qui traduit les meilleurs états des
générateurs (le minimum coût de redémarrage) et on réalise toutes les contraintes.
Etape 5 : La création aléatoire de l’essaim initial concernant les puissances délivrées par chaque
générateur en utilisant la formule suivante :
(
Pit = Pi min + rand (Pi max − Pi min )X itbest ) (3.29)
Application des méthodes métaheuristiques à l’OPF dans un environnement de l’électricité dérégulé -152-

X itbest : L’état du générateur i à l’instant t qui donne le meilleur coût de transition.

rand : Un nombre réel généré aléatoirement entre 0 et 1.
Etape 6 : L’application d’OEP sur cet essaim dont la fonction fitness est la suivante :
max PF1k = RV1k − C Fk + CTk ( ) (3.30)
Où :

( )
N T
RV1k = ∑ ∑ Pitk SPt (3.31)
i =1 t =1

( )
N T
C Fk = ∑∑ Fi Pitk (3.32)
i =1 t =1

[ ( ) ( ) ]
N T
CTk = ∑∑ STi 1 − X ik(t −1) X itk + SDi 1 − X itk X ik(t −1) (3.33)
i =1 t =1

Les variables sont définis comme suit :

PF1k : Le profit du GENCO du premier sous problème.

RV1k : Le revenu du premier sous problème.

C Fk : Le coût total de production du 2éme sous problème.

CTk : Le coût total de transition du premier sous problème.

Après cette dernière étape on obtient la meilleure particule qui traduit les puissances optimales
délivrées par chaque générateur Pgibest , le meilleur revenu RV1best , le meilleur coût de transition

CTbest et le meilleur coût de production CFbest .

Etape 7 : La création aléatoire de l’essaim initial concernant la réserve en utilisant l’équation
suivante :
{( )
⎧rand . min Pi max − Pitbest , SRt'
Ritk = ⎨
} if Pitbest ≠ 0
(3.34)
⎩0 Autrement
Il faut vérifier la contrainte (3.23) au cours de la création de ce dernier essaim.
Etape 8 : L’application d’OEP sur toutes les particules de l’essaim de la réserve dont la fonction
fitness est la suivante :
⎧
( )
N T

⎪⎪ RV1
best
+ r ∑∑ Ritk .RPt if S = 1 (3.35)
RV = ⎨
k i =1 t =1
N T
⎪ RV1best + ∑∑ [(1 − r )RPt + rSPt ]Ritk if S = 2
⎪⎩ i =1 t =1
Chapitre 03 : OPF et UC dans un système électrique libéralisé -153-

( )
N T
TC = (1 − r )C Fbest + CTbest + r ∑∑ Fi Pitbest + Ritk (3.36)
i =1 t =1

S : indique le type du marché de réserve.

A chaque étape, la condition de fonctionnement de chaque générateur est vérifiée pour l’assurer
dans sa plage de fonctionnement (équation (3.15)). En particulier il faut vérifier les contraintes
de demandes et de réserve ainsi que les contraintes de temps.
Etape 9 : La meilleure particule est l’image du meilleur profit et par conséquent la puissance
optimale délivrée par chaque générateur.

3.12.2 Application sur le réseau Algérien

La méthode étudiée est testée sur le réseau Algérien avec dix générateurs pour déterminer
le profit maximal de la compagnie d’électricité dans un marché d’électricité libre, pour satisfaire
la puissance électrique demandée durant 24 h et calculer la valeur optimale de la puissance
délivrée par chaque générateur. Les données techniques et économiques des générateurs, la
puissance demandée, la puissance de réserve et les prix spot et de réserve pour les deux types du
marché sont donnés dans les tableaux (3.11) et (3.12) respectivement. La probabilité, dont la
puissance de réserve est utilisée, est égale à 0.005 dans tous les cas.

Tableau 3.11 Données techniques et économiques des dix générateurs du réseau test Algérien:
Bus Pimin Pimax αi βi γi Coût de
redémarrage
Coût
d’arret
MUT MDT τi
N° (MW) (MW) 2 (h) (h)
($/h) ($/MWh) ($/MWh )
($) σi ($) δi (h)

($) ($)
1 8 72 0 1.50 0.0085 26 26 1 1 2
2 10 70 0 2.50 0.0170 17 17 2 2 2
3 30 510 0 1.50 0.0085 500 500 5 5 4
4 20 400 0 1.50 0.0085 500 500 5 5 4
13 15 150 0 2.50 0.0170 90 90 2 2 2
27 10 100 0 2.50 0.0170 55 55 2 2 2
37 10 100 0 2.00 0.0030 55 55 2 2 2
41 15 140 0 2.00 0.0030 90 90 2 2 2
42 18 175 0 2.00 0.0030 90 90 2 2 2
53 30 450 0 1.50 0.0085 500 500 5 5 4
Application des méthodes métaheuristiques à l’OPF dans un environnement de l’électricité dérégulé -154-

Tableau 3.12 Prix spot et prix de réserve durant 24 heures

Heure Prix spot estimé Prix de réserve estimé Prix de réserve estimé
(Marché de réserve 1) (Marché de réserve 2)
1 6.2286 9.3428 0.6229
2 6.1108 9.1663 0.6111
3 6.0352 9.0527 0.6035
4 5.9552 8.9329 0.5955
5 5.9174 8.8762 0.5917
6 5.9174 8.8762 0.5917
7 5.9552 8.9329 0.5955
8 6.0730 9.1094 0.6073
9 6.2664 9.3995 0.6266
10 6.4176 9.6264 0.6418
11 6.4554 9.6831 0.6455
12 6.4764 9.7146 0.6476
13 6.4554 9.6831 0.6455
14 6.4176 9.6264 0.6418
15 6.4008 9.6012 0.6401
16 6.4008 9.6012 0.6401
17 6.4764 9.7146 0.6476
18 6.6488 9.9731 0.6649
19 6.8208 10.2312 0.6821
20 6.5898 9.8848 0.6590
21 6.5352 9.8029 0.6535
22 6.4932 9.7399 0.6493
23 6.4008 9.6012 0.6401
24 6.2832 9.4247 0.6283

3.12.3 Discussion des résultats

La méthode proposée est appliquée afin de résoudre le problème du PBUC pour le marché
de réserve de types 1 et 2. Les puissances optimales produites sont déférentes de celles trouvées
par l’UC traditionnelle puisque cette fois ci la fonction objectif optimise en même temps les
puissances générées ainsi que les réserve selon les deux cas. La répartition des puissances
optimales chaque heure pour une période de 24 h pour les deux cas du marché sont données dans
Chapitre 03 : OPF et UC dans un système électrique libéralisé -155-

la figure (3.24). La contribution des unités de production dans la réserve disponible dans les deux
cas du marché sont données dans les figures (3.25, 3.26). On remarque que les puissances actives
générées pour les deux types sont identiques. C’est la répartition des réserves qui diffèrent selon le
type du marché.

900

800

700

600

500

400

300

200

100

0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24

Gen 1 Gen 2 Gen 3 Gen 4 Gen 5 Gen 6 Gen 7 Gen 8 Gen 9 Gen 10

Figure 3.24 Les valeurs optimales des puissances générées pour le type 1 et le type 2 de la réserve

140
Mw

120

100

80

60

40

20

0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24

Gen 1 Gen 2 Gen 3 Gen 4 Gen 5 Gen 6 Gen 7 Gen 8 Gen 9 Gen 10

Figure 3.25 Les valeurs optimales des puissances réserves pour le type 1 de la réserve
Application des méthodes métaheuristiques à l’OPF dans un environnement de l’électricité dérégulé -156-

Les résultats de comparaison entre les deux types du marché réserve de point de vue coûts des
combustibles et de transition ainsi que le revenue et le profit sont montrés dans la (figure 3.27) et
le tableau 3.13. Puisque les deux cas prennent en considération le prix de réserve différemment,
le prix de réserve du marché de type 2 est différent et il est plus inférieur que le prix pour le
type1, et les fonctions fitness pour les deux cas sont aussi différentes. Malgré que la réserve
disponible dans le cas du marché de type 2 qui est de 2336,74619 MW est inférieure que celle trouvé
dans le cas du marché de type 1 (2394,7789 MW), mais le PBUC pour le marché de type 2 donne

1437.9$ (=45588.768585-44150.828883) plus de profit que pour le type1 de 3.25%. Ce qui

pousse les producteurs de favoriser le marché de réserve de type 2.

140
Mw
120

100

80

60

40

20

0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24

Gen 1 Gen 2 Gen 3 Gen 4 Gen 5 Gen 6 Gen 7 Gen 8 Gen 9 Gen 10

Figure 3.26 Les valeurs optimales des puissances réserves pour le type 2 de la réserve

3000
profit ($) reserve 2
Profit($) reserve 1
2500

2000

1500

1000

500

0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24

Figure 3.27 Profit des unités de production pour les deux types de réserve
Chapitre 03 : OPF et UC dans un système électrique libéralisé -157-

Tableau 3.13 Résultats économiques des deux cas du marché de réserve

Cas réserve 1 Cas réserve 2
coût des combustibles ($) 84371.443910 83845.516160
coût de transition ($) 2414.000000 2414.000000
Revenue ($) 118544.510126 119913.102295
Profit ($) 44150.828883 45588.768585

3.15. Conclusion

Dans la 1ere partie de ce dernier chapitre, on a présenté les mécanismes marchands

introduits dans le secteur de l'électricité. En effet, pour permettre à chaque générateur d'atteindre
n'importe quel client et à n'importe quel consommateur de choisir son fournisseur, la vraie
concurrence passe par un accès très ouvert au réseau de transport et aux réseaux de distribution.
On a aussi présenté dans la deuxième partie les deux outils d’optimisation principaux : (1)
Optimisation de l’écoulement de puissance (OPF) qui va déterminer quelle quantité à produire à
tout moment et (2) Unit Commitment (UC) avec laquelle on peut déterminer quelle centrale va
démarrer pour fournir l’énergie nécessaire et les services auxiliaires (horizon: un jour à une
semaine).
Les résultats de simulation de l’OPF par les méthodes métaheuristiques sur le réseau test 30
nœuds ainsi que le réseau Algérien selon plusieurs scénarios ont montré la faisabilité de ces
méthodes. L’Unit Commitment dans un marché de l’électricité considérant la puissance
demandée et la réserve a été testée sur le réseau Algérien. Puisque le problème du PBUC est
résolu sous la condition d’une concurrence, le prix spot et le prix de réserve sont des paramètres
importants. Selon la puissance et les prix de réserve sur le marché, le producteur peut choisir de
vendre la puissance et/ou de la réserve plus inférieur que le niveau estimé afin de maximiser son
propre profit. Deux méthodes de paiement de réserve sont simulées en utilisant le réseau
Algérien. A partir des résultats de simulation, on peut conclure que le nouveau problème du
PBUC fournit un profit meilleur que l’UC traditionnelle.
 - 158 -

CONCLUSION GÉNÉRALE

Spencer Abraham (US energy secretary), Financial

Times 17 novembre 2003, parlant du blackout « What has
become quite clear is that interconnected operation … has to
be very very well run and effective 24 hours a day, 60
minutes per hour, 60 seconds per minute !!!!!!!!»

Les travaux présentés dans cette thèse traitent deux axes de recherches. Le premier est
relatif aux problèmes d’optimisation de l’écoulement de puissance dans un réseau électrique et le
deuxième est lié aux commutations des unités de production de l’énergie électrique. Les deux
axes ont été traités dans un système électrique intégré verticalement ainsi que dans un système
électrique libéralisé.
Dans cette thèse on a exploré et testé l’optimisation de l’écoulement de puissance dans un
marché de l’électricité libéré par trois méthodes métaheuristiques à savoir : essaim de particules,
colonie de fourmis, et algorithmes génétiques ainsi qu’un ensemble de méthodes classiques.
Une des particularités importantes des métaheuristiques, réside dans l'absence
d'hypothèses particulière sur la régularité de la fonction coût. Aucune hypothèse sur la continuité
de cette fonction n'est requise, ses dérivées successives ne sont pas nécessaires, ce qui rend très
vaste le domaine d'application de ces métaheuristiques dans les systèmes électriques.
Les algorithmes métaheuristiques peuvent être appliqués à tout problème, du moment qu’il est
formulé sous la forme de l’optimisation des critères. Ils progressent vers un optimum par
échantillonnage d'une fonction objectif. Ils se prêtent aussi à toutes sortes d’extensions,
notamment en optimisation multi-objectif.
La première partie du premier chapitre a été consacrée à la définition et la formulation du
modèle mathématique convenable du réseau électrique décrivant d'une façon suffisante les
relations entre les tensions et les puissances dans le système interconnecté, puis la spécification
des limites d'énergie et des tensions qui doivent être appliquées aux différents jeux de barres. La
deuxième partie a été consacrée à la modélisation du problème d’optimisation de l’écoulement
de puissance. Cinq méthodes classiques sont détaillées à savoir la méthode de lambda, la
méthode de Newton, la méthode Quasi-Newton, la méthode de programmation linéaire
séquentielle (SLP) et la méthode de point intérieur (IP). Les résultats de simulation sur le réseau
 Application des méthodes métaheuristiques à l’OPF dans un environnement de l’électricité dérégulé - 159 -

IEEE 30-Bus (30 nœuds, 6 générateurs et 41 lignes) montrent que ces méthodes converge
rapidement vers presque les mêmes valeurs optimales mais à condition que le problème est
linéaire ou quadratique. On a constaté que la meilleure méthode classique est celle de point
intérieur (IP) puisqu’elle converge rapidement vers la meilleure valeur de fonction coût avec un
nombre d’itération réduit et temps d’exécution faible.
Dans le deuxième chapitre, on a étudié, en détaille, trois méthodes métaheuristiques à
savoir ACO, GA et PSO. Les résultats de simulation sur des fonctions multi-objectifs ont
montrés que ces méthodes possèdent des caractéristiques bien souhaitables dans le problème
d’OPF. Une étude comparative entre ces trois méthodes a montré qu’elles convergent vers
presque les mêmes solutions. Mais reste la méthode PSO comme la plus adaptée puisqu’elle
nécessite que peu de paramètres à ajuster pour résoudre les différents problèmes d’OPF.
Enfin, dans le troisième chapitre de cette thèse, nous avons étudié les caractéristiques
spécifiques de la production, du transport et de la consommation dans un système électrique
libéralisé. La première partie a été consacrée à la compréhension et la simulation de l’OPF dans
un système électrique dérégulé. La deuxième a été consacrée au calcul d’Unit Commitment dans
cet environnement dérégulé. L’application de la méthode classique IP et la méthode
métaheuristique PSO ont donné des résultats encourageants puisqu’elles fournissent un profit
meilleur.
On peut conclure que la complexité des problèmes liés aux réseaux électriques surtout
dans un marché de l’électricité libéralisé fait en sorte qu’il est souvent difficile d’utiliser des
méthodes exactes de solution puisque d’une part le manque de flexibilité des méthodes
classiques pour intégrer diverses contraintes spécifiques et d’autre part la solution de ces
problèmes par ces méthodes est complexe de point de vue modélisation et calcul.
Les méthodes métaheuristiques récentes qui sont souvent inspirées des concepts mis en
œuvre par le monde des vivants et mimées les comportements collectifs des insectes sociaux
peuvent contribuer à la résolution efficace des problèmes OPF et UC et elles constituent alors
une stratégie de résolution de plus en plus privilégiée.
Les méthodes métaheuristiques sont bien adaptées à la détermination des valeurs optimales
des puissances générées par les centrales interconnectées pour avoir le minimum coût possible
ainsi que le meilleur profit.
Les effets externes sont tellement importants dans les réseaux électriques que l'ouverture à
la concurrence est une responsabilité collective des participants en matière de qualité et de
sécurité. Mais il est clair, au vu du développement des différentes étapes, que les marchés
- 160 -

répondent à un besoin et que la réussite de l'expérience de libéralisation de l'industrie électrique

en Algérie passe par la participation du plus grand nombre d'agents, physiques et financiers, à
des marchés efficaces et bien contrôlés.
La sécurité d’approvisionnement à court terme est une qualité qui doit être garantie. Du fait
de nombreuses incertitudes, le système doit être préparé à respecter, à chaque instant, la
contrainte d’équilibre production consommation. Le moindre déséquilibre pourrait entraîner le
système à l’instabilité suivie d’une panne totale (blackout).
Le défi de l’Algérie consiste à profiter de tous les avantages liés à une augmentation de la
concurrence tout en conservant le plus possible les avantages que procure le réseau actuel.
Avec l’application de libéralisation du marché, on peut avoir quelques désavantages, plus
généralement, les capacités de production vont tendre à diminuer (arrêt de certains centrales
anciennes), l'augmentation du coût des matières premières (gaz) qui peut renchérir le coût de
l'électricité produite par les centrales thermiques, le manque de garantie sur les quantités exactes
d'électricité produites par les éoliennes, et les surcoûts liés à ce mode de production, une
anticipation des coûts liés à la mise en place de permis d'émission carbone et des besoins
d'investissement dans des modes de production d'électricité d'origine renouvelable. Les tarifs
administrés ne couvrant pas les importants coûts d'investissement réalisés par Sonalgaz, jusque
là sous monopole, il se peut que l'ajustement se fasse sur le prix de gros. Il faut noter que la
libéralisation du marché accroît la tension sur l’équilibre offre-demande puisque les réserves sont
limitées ou n’existent pas (car la libéralisation du marché conduit à privilégier les
investissements à temps de retour rapide plutôt que le moindre coût pour le client final), les
oscillations de la demande sont satisfaites par un excès de capacité de production. Quand
réserves ou excès de capacité se réduisent, l’augmentation de la demande fait monter les prix. Si
la demande doit impérativement satisfaite, dans ces dernières conditions les prix explosent. Un
autre problème qui se pose est la non convexité et la difficulté de trouver de « bons » prix
transparents avec l’incertitude et la prise en compte de contraintes entre les enchères et le temps
réel. Avec la libéralisation des marché d’électricité on peut même avoir le risque du Blackout !!!.
En perspective, nous proposons la continuité sur cet axe de recherche en étalant sur
l’impacte de l’insertion, d’une part des sources renouvelables et d’autre part des éléments
FACTS dans un environnement dérégulé.
 161

ANNEXE

Annexe A

Réseau test IEEE 30-Bus

Le réseau de transport qui va servir de base a notre étude est issu d'un réseau réel simplifie
qui est le réseau test IEEE 30Bus représente une portion du système de puissance électrique
américain (in the Midwestern US) pour Décembre 1961. (Figure A.1). La tension est de 135 kV.

Figure A.1 Schéma unifilaire du réseau électrique IEEE 30 bus

Figure A.2 Courbes quadratiques des générateurs du réseau IEEE 30-bus

 162

Tableau A.1 Coefficients des courbes des fonctions de coût des générateurs du réseau 30 jeux de barres

Bus Pmin Pmax Qmin Qmax a b c.10-4

Number [MW] [MW] [Mvar] [Mvar] [$/hr] [$/MWhr] [$/MW2hr]
1 50 200 -20 200 0 2.00 37.5
2 20 80 -20 100 0 1.75 175.0
5 15 50 -15 80 0 1.00 625.0
8 10 35 -15 60 0 3.25 83.0
11 10 30 -10 50 0 3.00 250.0
13 12 40 -15 60 0 3.00 250.0

Tableau A.2 Données des lignes de transport du réseau 30 jeux de barres

From To R X B/2 From To R X B/2
1 2 0.02 0.06 0.03 15 18 0.11 0.22 0
1 3 0.05 0.19 0.02 18 19 0.06 0.13 0
2 4 0.06 0.17 0.02 19 20 0.03 0.07 0
3 4 0.01 0.04 0 10 20 0.09 0.21 0
2 5 0.05 0.2 0.02 10 17 0.03 0.08 0
2 6 0.06 0.18 0.02 10 21 0.03 0.07 0
4 6 0.01 0.04 0 10 22 0.07 0.15 0
5 7 0.05 0.12 0.01 21 22 0.01 0.02 0
6 7 0.03 0.08 0.01 15 23 0.1 0.2 0
6 8 0.01 0.04 0 22 24 0.12 0.18 0
6 9 0 0.21 0 23 24 0.13 0.27 0
6 10 0 0.56 0 24 25 0.19 0.33 0
9 11 0 0.21 0 25 26 0.25 0.38 0
9 10 0 0.11 0 25 27 0.11 0.21 0
4 12 0 0.26 0 28 27 0 0.4 0
12 13 0 0.14 0 27 29 0.22 0.42 0
12 14 0.12 0.26 0 27 30 0.32 0.6 0
12 15 0.07 0.13 0 29 30 0.24 0.45 0
12 16 0.09 0.2 0 8 28 0.06 0.2 0.02
14 15 0.22 0.2 0 6 28 0.02 0.06 0.01
16 17 0.08 0.19 0

Tableau A.3 Données des jeux de barres du réseau 30 jeux de barres

Load Load
No code Mag. Deg. Load MW No type Mag. Deg. Load MW
Mvar Mvar
1 Ref. 1.06 0.0 0.0 0.0 16 PQ 1 0 3.5 1.8
2 PV 1.0 0.0 21.70 12.7 17 PQ 1 0 9.0 5.8
3 PQ 1.0 0.0 2.4 1.2 18 PQ 1 0 3.2 0.9
4 PQ 1.06 0.0 7.6 1.6 19 PQ 1 0 9.5 3.4
5 PV 1.0 0.0 94.2 19.0 20 PQ 1 0 2.2 0.7
6 PQ 1.0 0.0 0.0 0.0 21 PQ 1 0 17.5 11.2
7 PQ 1.0 0.0 22.8 10.9 22 PQ 1 0 0 0.0
8 PV 1.0 0.0 30.0 30.0 23 PQ 1 0 3.2 1.6
9 PQ 1.0 0.0 0.0 0.0 24 PQ 1 0 8.7 6.7
10 PQ 1.0 0.0 5.8 2.0 25 PQ 1 0 0 0.0
11 PV 1.0 0.0 0.0 0.0 26 PQ 1 0 3.5 2.3
12 PQ 1.0 0 11.2 7.5 27 PQ 1 0 0 0.0
13 PV 1.0 0 0 0.0 28 PQ 1 0 0 0.0
14 PQ 1 0 6.2 1.6 29 PQ 1 0 2.4 0.9
15 PQ 1 0 8.2 2.5 30 PQ 1 0 10.6 1.9
 163

BBnnexe B

Réseau test Sonelgaz 59-Bus

Le réseau électrique Algérien (réseau de production et de transport sous 220kV avant

1997) comprend 59 bus, 83 branches (lignes, transformateurs) et 10 générateurs (figure B.1).
La puissance demandée est de 684.10 MW. Le reste des paramètres du réseau se trouve
dans Les tableaux suivants

Figure B.1 Schéma unifilaire du réseau de production et transport algérien (1997)

Tableau B.1 Paramètres des générateurs du réseau 59 jeux de barres de Sonelgaz

Bus Pmin Pmax Qmin Qmax a B c
Number [MW] [MW] [Mvar] [Mvar] [$/hr] [$/MWhr] [$/MW2hr]
1 8 72 -10 15 0 1.50 0.0085
2 10 70 -35 45 0 2.50 0.0170
3 30 510 -35 55 0 1.50 0.0085
4 20 400 -60 90 0 1.50 0.0085
13 15 150 -35 48 0 2.50 0.0170
27 10 100 -20 35 0 2.50 0.0170
37 10 100 -20 35 0 2.00 0.0030
41 15 140 -35 45 0 2.00 0.0030
42 18 175 -35 55 0 2.00 0.0030
53 30 450 -100 160 0 1.50 0.0085
 164

Tableau B.2 Données des jeux de barres du réseau 59 jeux de barres de Sonelgaz
Type Teta Pd Qd Pg Qg Qmin Qmax Mvar
Bus V
(MW) (Mvar) (MW) (MVar) (Mvar) (Mvar)
1 1 1.06 0 0 0 0 0 -10 15 0
2 2 1.04 0 24.2 11 70 0 -35 45 0
3 2 1.05 0 0 0 70 0 -35 55 0
4 2 1.0283 0 68.5 31.2 115 0 -60 90 0
5 0 1 0 22.2 10.2 0 0 0 0 0
6 0 1 0 0 0 0 0 0 0 0
7 0 1 0 6 2.7 0 0 0 0 0
8 0 1 0 3.9 1.8 0 0 0 0 0
9 0 1 0 28.4 12.9 0 0 0 0 0
10 0 1 0 18 8.2 0 0 0 0 0
11 0 1 0 25 11.4 0 0 0 0 0
12 0 1 0 0 0 0 0 0 0 0
13 0 1 0 0 0 0 0 -35 48 0
14 0 1 0 22.5 10.3 0 0 0 0 0
15 0 1 0 19.4 8.8 0 0 0 0 0
16 0 1 0 0 0 0 0 0 0 0
17 0 1 0 6.4 2.9 0 0 0 0 0
18 0 1 0 0 0 0 0 0 0 0
19 0 1 0 0 0 0 0 0 0 0
20 0 1 0 52.9 24.1 0 0 0 0 0
21 0 1 0 0 0 0 0 0 0 0
22 0 1 0 0 0 0 0 0 0 0
23 0 1 0 56.7 25.8 0 0 0 0 0
24 0 1 0 21.4 9.8 0 0 0 0 0
25 0 1 0 0 0 0 0 0 0 0
26 0 1 0 19.6 8.9 0 0 0 0 0
27 2 1.0266 0 23.5 10.8 40 0 -20 35 0
28 0 1 0 7.8 3.5 0 0 0 0 0
29 0 1 0 5.9 2.7 0 0 0 0 0
30 0 1 0 0 0 0 0 0 0 0
31 0 1 0 0 0 0 0 0 0 0
32 0 1 0 0 0 0 0 0 0 0
33 0 1 0 24.7 11.3 0 0 0 0 0
34 0 1 0 0 0 0 0 0 0 0
35 0 1 0 13.9 6.3 0 0 0 0 0
36 0 1 0 13.9 6.3 0 0 0 0 0
37 2 1.0273 0 0 0 30 0 -20 35 0
38 0 1 0 15.6 7.1 0 0 0 0 0
39 0 1 0 1.5 0.7 0 0 0 0 0
40 0 1 0 21.6 9.8 0 0 0 0 0
41 2 1.0966 0 3 1.3 110 0 -35 45 0
42 2 1.034 0 0 0 70 0 -35 55 0
43 0 1 0 7.3 3.3 0 0 0 0 0
44 0 1 0 16.8 7.7 0 0 0 0 0
45 0 1 0 0 0 0 0 0 0 0
46 0 1 0 22.2 10.1 0 0 0 0 0
47 0 1 0 16.3 7.4 0 0 0 0 0
48 0 1 0 19.2 8.8 0 0 0 0 0
49 0 1 0 14.3 6.5 0 0 0 0 0
50 0 1 0 0 0 0 0 0 0 0
51 0 1 0 0 0 0 0 0 0 0
52 0 1 0 16 7.3 0 0 0 0 0
53 0 1 0 0 0 200 0 -100 160 0
54 0 1 0 7.3 3.3 0 0 0 0 0
55 0 1 0 8.7 4 0 0 0 0 0
56 0 1 0 7.2 3.3 0 0 0 0 0
57 0 1 0 0 0 0 0 0 0 0
58 0 1 0 22.3 10.1 0 0 0 0 0
59 0 1 0 0 0 0 0 0 0 0
 165

Tableau B.3 Données des lignes de transport (en p u.) du réseau 59 jeux de barres de Sonelgaz
From To R X B/2 From To R X B/2
1 38 0.152 0.483 0.0023 19 22 0.008 0.0285 0.0205
1 40 0.11 0.352 0.0017 19 32 0.016 0.057 0.041
2 20 0.019 0.12 0.0007 20 28 0.281 0.506 0.0023
2 55 0.004 0.023 0.0001 20 55 0.016 0.101 0.0006
3 20 0.018 0.119 0.0007 21 20 0.011 0.439 0
4 27 0.002 0.006 0.002 21 54 0.13 0.349 0.008
4 27 0.003 0.007 0.002 22 20 0.006 0.162 0
5 9 0.087 0.221 0.001 22 21 0.014 0.34 0
5 9 0.088 0.221 0.001 23 26 0.015 0.02 0.004
5 23 0.038 0.138 0.0006 23 27 0.026 0.034 0.007
5 23 0.038 0.14 0.0006 23 46 0.056 0.171 0.0008
5 27 0.045 0.167 0.0007 24 57 0.01378 0.04886 0.035
5 27 0.045 0.168 0.0008 25 29 0.217 0.369 0.0015
5 46 0.071 0.231 0.0011 26 27 0.013 0.017 0.004
6 5 0.002 0.054 0 28 43 0.27 0.477 0.0021
6 13 0.054 0.19 0.137 29 39 0.312 0.789 0.0037
6 13 0.057 0.201 0.144 30 29 0.006 0.216 0
6 30 0.018 0.085 0.064 30 45 0.032 0.15 0.113
6 30 0.025 0.086 0.062 31 34 0.0048 0.0168 0.012
7 40 0.527 0.887 0.0036 31 50 0.0095 0.0335 0.024
7 56 0.364 0.627 0.0026 32 34 0.008 0.0285 0.0205
8 14 0.214 0.491 0.0025 33 35 0.092 0.155 0.0006
8 25 0.157 0.395 0.0019 33 48 0.838 0.413 0.0057
9 14 0.21 0.366 0.0014 34 33 0.006 0.215 0
9 14 0.129 0.324 0.0015 36 43 0.334 0.578 0.0024
10 40 0.014 0.018 0.0014 38 44 0.327 0.561 0.0023
10 40 0.011 0.015 0.003 40 41 0.014 0.019 0.004
11 48 0.222 0.605 0.0026 40 58 0.106 0.301 0.0012
12 11 0.02 0.054 0 40 58 0.107 0.307 0.0012
12 37 0.013 0.045 0.007 42 59 0.00791 0.02806 0.02
13 3 0.014 0.326 0 43 52 0.094 0.16 0.0007
13 34 0.04 0.142 0.101 45 44 0.014 0.327 0
13 34 0.04 0.141 0.101 45 59 0.019 0.089 0.068
14 29 0.357 0.622 0.0023 47 49 0.339 0.857 0.0039
15 54 0.115 0.277 0.006 47 58 0.219 0.547 0.0026
16 15 0.014 0.285 0 49 56 0.016 0.028 0.0001
16 34 0.03 0.104 0.079 50 53 0.0048 0.0168 0.012
17 39 0.12 0.308 0.0014 51 53 0.0055 0.02 0.0143
17 44 0.37 0.949 0.0043 53 52 0.006 0.163 0
18 22 0.0055 0.02 0.0143 57 56 0.01 0.351 0
18 51 0.011 0.04 0.0285 57 59 0.0288 0.102 0.073
59 58 0.006 0.215 0
 166

Tableau B.4 Résultats après LF-NR du réseau 59 jeux de barres de Sonelgaz

QL PG QL
|V| Angle PG QG PL |V| Angle QG PL
Bus

Bus
(Mvar (MW (Mvar
(P.U) (deg.) (MW) (Mvar) (MW) (P.U) (deg.) (Mvar) (MW)
) ) )
1 1.06 0 8.2 8.3 0 0 31 0.994 8.363 0 0 0 0
2 1.04 10.322 70 41.9 24.2 11 32 0.996 7.759 0 0 0 0
3 1.05 10.859 70 38.9 0 0 33 0.96 -0.509 0 0 24.7 11.3
4 1.028 -6.84 115 67.5 68.5 31.2 34 0.992 7.189 0 0 0 0
5 1.001 -6.175 0 0 22.2 10.2 35 0.935 -1.515 0 0 13.9 6.3
6 0.997 -3.031 0 0 0 0 36 0.832 2.512 0 0 13.9 6.3
7 0.981 -3.185 0 0 6 2.7 37 1.027 -12.692 30 35 0 0
8 0.938 -8.675 0 0 3.9 1.8 38 0.992 -4.43 0 0 15.6 7.1
9 0.957 -8.317 0 0 28.4 12.9 39 0.952 -7.617 0 0 1.5 0.7
10 1.073 1.955 0 0 18 8.2 40 1.075 2.004 0 0 21.6 9.8
11 0.983 -13.70 0 0 25 11.4 41 1.097 2.682 110 46.3 3 1.3
12 1.008 -13.18 0 0 0 0 42 1.034 0.352 70 15.1 0 0
13 1 3.763 0 -23.5 0 0 43 0.934 6.91 0 0 7.3 3.3
14 0.932 -9.247 0 0 22.5 10.3 44 0.979 -5.515 0 0 16.8 7.7
15 0.958 4.282 0 0 19.4 8.8 45 1.012 -2.177 0 0 0 0
16 0.984 6.471 0 0 0 0 46 0.989 -7.756 0 0 22.2 10.1
17 0.946 -7.88 0 0 6.4 2.9 47 0.947 -5.259 0 0 16.3 7.4
18 1.002 10.091 0 0 0 0 48 0.833 -11.967 0 0 19.2 8.8
19 1.001 8.918 0 0 0 0 49 0.953 -5.722 0 0 14.3 6.5
20 1.02 9.194 0 0 52.9 24.1 50 0.998 10.703 0 0 0 0
21 1.002 7.859 0 0 0 0 51 1.001 11.274 0 0 0 0
22 1.003 9.508 0 0 0 0 52 0.968 8.426 0 0 16 7.3
23 1.009 -7.056 0 0 56.7 25.8 53 1 11.874 200 -18.6 0 0
24 0.991 -3.024 0 0 21.4 9.8 54 0.969 5.309 0 0 7.3 3.3
25 0.956 -7.4 0 0 0 0 55 1.035 10.038 0 0 8.7 4
26 1.016 -7.034 0 0 19.6 8.9 56 0.957 -5.551 0 0 7.2 3.3
27 1.027 -6.897 40 45.8 23.5 10.8 57 0.998 -2.483 0 0 0 0
28 0.956 7.164 0 0 7.8 3.5 58 1.026 -0.637 0 0 22.3 10.1
29 0.977 -6.328 0 0 5.9 2.7 59 1.024 -0.641 0 0 0 0
30 0.999 -3.312 0 0 0 0
BIBLIOGRAPHIE

[1] C. Bouneau, M. Derdevet, J. Percebois, « Les réseaux électriques au cœur de la

civilisation industrielle », Ed. Timée-Editions, France, 2007.
[2] T. Bouktir ; «Application de la programmation orientée objet à l’optimisation de
l’écoulement de puissances », Thèse de doctorat d’état. U-Batna, Algérie, juin 2004.
[3] Martin Hennebel, «Valorisation des services système sur un réseau de transport
d’électricité en environnement concurrentiel», Thèse de doctorat, U-Paris Sud 11, 2009.
[4] Bakirtzis A.G., Biskas P.N., “A Decentralized Solution to the DC-OPF of
Interconnected Power Systems”, IEEE Trans on Power Systems, vol.18, n°3, pp. 1007-
1013, Août 2003
[5] D. S. Kirschen, G. Strbac: “Fundamentals of power system economics” Wiley 2004.
[6] L. Slimani and T. Bouktir, «Economic Power Dispatch of Power System with
Pollution Control using Multiobjective Ant Colony Optimization», International Journal of
Computational Intelligence Research (IJCIR), Vol 3, n 2, pp. 145-153, June 2007.
[7] T. Bouktir, L. Slimani, and B. Mahdad, “Optimal power dispatch for large scale
power system using stochastic search algorithms”, International Journal of Power and
Energy Systems, Vol 28, Issue 2, pp 203-3501, 2008.
[8] M. Dorigo & T. Stutzle, “Ant Colony Optimization”, MIT Press, Cambridge, MA,
USA, 2004.
[9] James Kennedy, Russell C Eberhart, Yuhui Shi, “Swarm intelligence”, Ed. Morgan
Kaufmann, 2001.
[10] D. E. Goldberg, “Genetic Algorithms in Search”, Optimization and Machine
Learning, Addison Wesley Publishing Company, Ind. USA, 1989.
[11] M. Todorovski, D. Rajicic. « An Initialization Procedure in Solving Optimal Power
Flow by Genetic Algorithm ». IEEE Trans on Power Systems, Vol. 21, Issue 2, p.p. 480–
487, May 2006.
[12] Vincent RIOUS, « Le développement du réseau de transport dans un système
électrique libéralisé, un problème de coordination avec la production », Thèse de Doctorat
en Sciences économiques, U-Paris-Sud 11, 2007.
[13] Abou Chacra F., « Valorisation et optimisation du stockage d'énergie dans un réseau
d'énergie électrique », Thèse de Doctorat en Génie Electrique, U-Paris XI, Orsay, 2005.
[14] D. Benitez, Crampes C., “L’allocation des capacités de transport pour l’électricité”,
Rapport réalisé pour la Commission de Régulation de l’Energie, juillet 2003.
[15] ABB, “New Concepts for Transmission Grids”, DOE Workshop on Analysis and
Concepts to address Electric Infrastructure Needs, Washington DC, Août 2001
[16] H. W. Dommel, W. F. Tinney, “Optimal Power Flow Solutions,” IEEE Trans on
power apparatus and systems, Vol. PAS.87, N..10, pp.1866-1876, October 1968.
[17] K. Y. Lee, Y.M. Park, and J.L. Ortiz, “A United Approach to Optimal Real and
Reactive Power Dispatch,” IEEE Trans on Power Systems, Vol. Pas-104, pp.1147-1153,
May 1985.
[18] M. Sasson, “Non linear Programming Solutions for load flow, minimum loss, and
economic dispatching problems,” IEEE trans., Vol. Pas-88, N.4, April 1969.
[19] K. Y. Lee, Y.M. Park, and J.L. Ortiz, "A United Approach to Optimal Real and
Reactive Power Dispatch", IEEE Trans. on Power Systems, vol. Pas 104, pp.1147-1153,
May 1985.
[20] M. Sasson, "Non linear Programming Solutions for load flow, minimum loss, and
economic dispatching problems", IEEE trans. vol. Pas-88, No. 4, pp. 399-409, April 1969.
[21] R. Fletcher, “Practical Methods of Optimisation”, John Willey & Sons, 1986.
[22] Gamal A. Maria, J. A. Findlay, "A Newton Optimal Power Flow Program For
Ontario Hydro EMS", IEEE Trans. on Power Systems, vol. PWRS-2,No.3, pp.576-584,
August 1987.
[23] M. Huneault and F. D. Galiana, "A Survey of the Optimal Power Flow Literature",
IEEE Trans on Power Systems, Vol. 6, No. 2, pp. 762-770, May 1991.
[24] T. Ray and K. M. Liew, “Society and civilization: An optimization algorithm based
on the simulation of social behavior”, IEEE Trans. Evol. Comput., vol. 7, no. 4, pp. 386–
396, Aug.2003.
[25] Zhang Chukkai, Li Yu, Shao Huihe; “A new mutation operator and its application”,
Intelligent Control and Automation, 2000. Proc of the 3rd World Congress on Vol 1, n 28,
pp.634 – 636, June-2 July 2000.
[26] Glenn W. Stagg, Ahmed H. El Abiad, “Computer methods in power systems
analysis”, Mc Graw Hill international Book Campany, 1968.
[27] Quintana V.H., Torres G.L., “Introduction to Interior Point Methods”, IEEE-PES,
PICA ’99, http://thunderbox.uwaterloo.ca/~ieee-ipm/IEEE-TF.ps
[28] Quintana V.H., “Interior Point Methods and Their Applications to Power System: a
classification of Publications and Software codes”, IEEE Trans on Power Systems, vol. 15,
n°1, pp. 170-176, Février 2000
[29] Dorigo M., Caro G. D., « The Ant Colony Optimization Meta-Heuristic », in D.
Corne, M. Dorigo, F. Glover (eds), New Ideas in Optimization, McGraw-Hill, London, pp.
11-32, 1999
[30] . A. Momoh, M. E. El-Hawary and R. Adapa, “Nonlinear and Quadratic
Programming Approaches”A Review of Selected Optimal Power Flow Literature to 1993
Part I:, IEEE Trans on Power Systems, Vol. 14, No. 1, pp. 96-104, February 1999.
[31] Hölldobler. B. and Wilson. E, “The Ants. Springer Verlag”, Berlin, Germany, 1990.
[32] Hölldobler, B. and Wilson, E. “Voyage chez les Fourmis”. Seuil, 1996.
[33] Bonabeau, E. and Theraulaz, G. “Intelligence Collective”. Hermes, 1994.
[34] Brossut, R. Phéromones, « la communication chimique chez les animaux ». CNRS
editions, Belin, 1996.
[35] M. Dorigo, “Optimization, learning, and natural algorithms,” Ph.D. dissertation (in
Italian), Dipartimento di Elettronica, Politecnico dimilano, Italy, 1992.
[36] M. den Besteb, T. Stützle, and M. Dorigo, “Ant colony optimization for the total
weighted tardiness problem,” in Proc. 6th Int. Conf. Parallel Problem Solving From Nature
(PPSN VI), Berlin, pp. 611–620, 2000.
[37] M. Dorigo and L. M. Gambardella, “Ant colonies for the traveling salesman
problem,” BioSystems, vol. 43, pp. 73–81, 1997.
[38] M. Dorigo and L. M. Gambardella, “Ant colony system: a cooperative learning
approach to the traveling salesman problem,” IEEE Trans on Evolutionary Computation,
vol. 1, no. 1, pp. 53–66, 1997.
[39] Vander Meer, R., Breed, M., K.E., E., and M.L., W. “Pheromone Communication in
Social Insects”. Westview Press, 1998.
[40] Gambardella, L. and Dorigo, M. “Ant-Q : A Reinforcement Learning Approach to
the Travelling Salesman Problem”. In (Prieditis and Russell), pages 252–260, 1995.
[41] Stützle, T. and Hoos, H. “The MAX-MIN Ant System and local Search for
Combinatorial Optimization Problems”, Towards Adaptive Tools for Global Optimization
‘. In 2nd Metaheuristics Inter Conf, Sophia- Antipolis, France, 1997.
[42] Stützle, T. and Hoos, H. ‘MAX-MIN Ant System and Local Search for the
Traveling Salesman Problem’. In IEEE, pages 308–313, 1997.
[43] Stützle, T. and Hoos, H. ‘Improvements on the Ant System: Introducing the MAX
MIN Ant System’. In 3rd Inter Conf on Artificial Neural Networks and Genetic
Algorithms, University of East Anglia, Norwich, UK. Springer Verlag, 1997.
[44] Stützle, T. and Hoos, H. ‘MAXMIN Ant System’, Future Generation Computer
Systems, 16(8) :889–914, 2000.
[45] L. Slimani, “Optimisation de l’écoulement de puissance par une méthode de Colonie
de Fourmis”, Mémoire de Magister, Université de Sétif, 2006.
[46] M. Dorigo and T. Stützle. “The ant colony optimization metaheuristic: Algorithms,
applications, and advances”. In Fred Glover and Gary A. Kochenberger, editors, Handbook
of Metaheuristics, Inter Series in ORM Science, pp 251-285. Kluwer Academic Publishers,
2003.
[47] Dorian Gaertner. ‘Natural Algorithms for Optimisation Problems,’ Final Year Project
Report’ June 20, 2004, www.doc.ic.ac.uk/_dg00
[48] T. Starkweather, D. Whitley, and D. Fuquay. “Scheduling problems and travelling
salesman: the genetic edge recombination operator”. In J. David Schafer, editor,
Proceedings of the 3rd inter conf on genetic algorithms. Morgan Kaufmann, 1989.
[49] John H. Holland, "Adaptation in natural and artificial systems". Technical report,
University of Michigan, Ann Arbor, 1975
[50] D. E. Goldberg, “Genetic Algorithms in Search”, Optimization and Machine
Learning, Addison Wesley Publishing Company, Ind. USA, 1989.
[51] Kenneth A. De Jong. "An Analysis of the Behavior of a Class of Genetic and
Adaptative Systems", PhD thesis, University of Michigan, Ann Arbor, 1975.
[52] Michalewicz, Z., “Genetic Algorithms + Data Structures = Evolution Programs”,
Springer-Verlag, New York, NY, Second Edition, 1994.
[53] J.D. Schaffer, R.A. Caruna, Larry J. Eshelman, and R. Das, "A study of control
parameters affecting online performance of genetic algorithms for function optimization",
In Proc of the 3rd Inter Conf on Genetic Algorithms and their Applications, 1989.
[54] J. Hesser and R. Manner, "Toward an optimal mutation probability of genetic
algorithms", In Parallel Problem Solving from Nature (PPSN1), Proceedings, 1990.
[55] Terence C. Fogarty, "Varying the probability of mutation in the genetic algorithm",
In Proc of the 3rd Inter Conf on Genetic Algorithms and their Applications, 1989.
[56] J. Kennedy and R. Eberhart, “A Particle Swarm Optimization”, Proceedings of IEEE
Inter conf on Neural Networks, Vol. IV, pp.1942- 1948, Perth, Australia, 1995.
[57] Ioan Cristian TRELEA, “L’essaim de particule vu comme un système dynamique :
convergence et choix des paramètres”, conf, L’OEP essaim de particules, Paris, 2003.
[58] Clerc, M. and Kennedy, J., “The particle swarm: explosion stability and convergence
in a multidimensional complex space”, IEEE Trans on Evolutionary Computation, 2002.
[59] Trelea I. C., “The particle swarm optimization algorithm: convergence analysis and
parameter selection”, Information Processing Letters, Vol. 85, p. 317-325, 2003.
[60] Yuhui Shi and Russell Eberhart, “A modified particle swarm optimizer”, IEEE
World Congress on Computational Intelligence, 69-73, 1998.
[61] Clerc M., “Exemple de logiciel d'OEP sans paramètres de réglage. Tribes, ou la
coopération de tribus”, Séminaire Optimisation par Essaim Particulaire OEP’03. Paris,
octobre 2003.
[62] Hu X., Eberhart R. C., “Adaptive particle swarm optimization: detection and
response to dynamic systems”, Congress on Evolutionary Computation, Hawaii, 2002.
[63] Kennedy, J., “Small Worlds and Mega-Minds : Effects of Neighborhood Topology
on Particle Swarm Performance”, IEEE Congress on Evolutionary Computation, Volume
III, pages 1932-1938, 1999.
[64] Cui-Ru Wang, He-Jin Yuan, Zhi-Qiang Huahg, Jiang-Wei Zhang, Chen-Jun Sun. “A
modified particle swarm optimization algorithm and its application in optimal power flow
problem,” IEEE Proceeding of the 4th Inter Conf on Machine Learning and Cybernetics,
Guangzhou, 18-21 August 2005.
[65] T. Bouktir and L. Slimani, « Economic Power Dispatch of Power Systems with a
NOx emission Control via an Evolutionary Algorithm”, WSEAS Tansactions on Systems,
Issue 2, Vol 3, pp. 849-854, April 2004, ISSN: 1109-2777, WSEAS Press.
[66] T. Bouktir and L. Slimani, “Optimal power flow of the Algerian Electrical Network
Using Genetic Algorithms”, WSEAS Tra ns on Circuit and Systems, Issue 6, Vol 3, pp.
1478-1482, August 2004, ISSN: 1109-2734, WSEAS Press.
[67] L. Slimani and T. Bouktir, “An ant colony optimization for solving the optimal
power flow problem in medium scale electrical network”, First Inter Conf on Electrical
Systems PCSE’05, Oum El Bouaghi University, Algeria, May 2005-06-14
[68] T. Bouktir and L. Slimani, “Optimal Power Flow of the Algerian Electrical Network
using an Ant Colony Optimization Method”, Leonardo Journal of Sciences, ISSN 1583-
0233, p. 43-57, Issue 6, July-December 2005.
[69] R .Labdani, L. Slimani, T. Bouktir, “A Hybrid Particle Swarm Optimization Solution
to the Unit Commitment Problem”, Inter Conf on System and Control, Marrakech,
Morocco, May 16-18-2007
[70] T. Bouktir and L. Slimani, “Optimal power flow of the Algerian Electrical Network
using an ant colony optimization method”, Applied Simulation and Modelling, Editor: M.
H. Hamza, ISBN: 0-88986-467-5, ISSN: 1021-8181 a publication of IASTED, Acta press,
Juin 2005
[71] T. Bouktir and L. Slimani, “An ant colony optimization for solving the optimal
power flow problem in medium scale electrical network”, Journal of Electrical
Engineering, ISSN 1582-4594, “Politehnica” Publishing House, Romaine. Vol 6, N°1,
pp.10-15, 2006
[72] Vincent Manzo ” Traitement des congestions dans les réseaux de transport et dans un
environnement dérégulé” these PhD” INP de Grenoble, Octobre 2004
[73] [Programs and Prospects for the European Electricity Sector », EURPROG Report
prepared for UNIPEDE, juin 1997.]:
[74] “L’électricité au Nouveau-Brunswick au-delà de l’an 2000”, Document de
discussion : Février 1998.
[75] Claude Crampes, “Marché de gros et bourses de l’électricité”, Conférences Jules
Dupuit, 5 décembre 2002.
[76] Federico Milano, “Pricing System Security in Electricity Market Models with
Inclusion of Voltage Stability Constraints”, these PhD, Electrical Engineering Genova,
Italy, April 2003.
[77] Christie R.D., Wollenberg B.F., Wangensteen I., “Transmission Management in the
Deregulated Environment”, Proceedings of the IEE, vol.88, n°2, p.170-194, Février 2000.
[78] Gedra T.W., “On Transmission Congestion and Pricing”, IEEE Trans on PS, vol.14,
n°1, pp.241-248, Février 1999.
[79] Rudnick H., Palma R., Fernandez J.E., “Marginal Pricing and Supplement Cost
Allocation in Transmission Open Access”, IEEE Transactions on Power Systems, vol. 10,
n°2, p. 1125-1142, Mai 1995
[80] Huazhong Y.H., Changsha D.X., “A New Clustering Method for Network
Partitionning for Zonal Pricing”, 38th Inter Universities Power Engineering Conf, Proc
vol.2, 2003.
[81] Hogan W.W., “Interregional Coordination of Electricity Markets”, Harvard
University, Juin 2001.
[82] Schweepe F.C., Caramanis M.C., abors R.D., Bohn R.E., « Spot Pricing of
Electricity ”, Kuwer Academic, 1988.
[83] Raikar S., Illié M., « Assessment of Transmission Congestion for Major Electricity
markets in the US”, Energy Laboratory publication, Massachusetts Institute of Technology,
MIT EL 01-009WP, Février 2000.
[84] Edison Electric Institute, “New-York ISO-Transmission Tariffs, Agreements and
Pricing”, Wholesale Markets Guide, 2004.
[85] E. Gheury, J. Goldwasser, N. Mainil, “Unit commitment sur le parc de production
belge”, Mai 2005.
[86] T. A. A. Victoire and A. E. Jeyakumar, “Unit commitment by a taboo search based
hybrid optimization technique”, IEEE Proc.-G.T.D., Vol. 152, N4, July 2005.
[87] Zwe-Lee Gaing, “Discrete Particle Swarm Optimization Algorithm for Unit
Commitment”, IEEE Proc.-G.T.D., 2003.
[88] K. S. Swarup and S. Yamashiro, “ Unit Commitment Solution Methodology Using
Genetic Algorithm”, IEEE Trans. on Power Systems, Vol. 17, No. 1, pp.87-91, Feb. 2002.
[89] Etude de séquencement des marchés électriques, Marcelo Saguan, Projet énergie,
Sous-projet N° 5, rapport n°2, avril 2004, Supélec, 2004
[90] T. O. Ting, M. V. C. Rao and C. K. Loo, “A novel approach for unit commitment
problem via an effective hybrid particle swarm optimization,” IEEE Trans on PS. Vol 21.
N° 1. February 2006.
[91] P. Attaviriyanupap, H. Kita, E. Tanaka, J. Hasegawa, “A New Profit-Based Unit
Commitment Considering Power and Reserve Generating,” IEEE PE Society Meeting, 2,
27-31, 1311 – 1316. Jan. 2002.
[92] P. Attaviriyanupap, H. Kita, E. Tanaka, J. Hasegawa, “A Hybrid LR-EP for Solving
New Profit-Based UC Problem Under Competitive Environment,” IEEE Trans on PS, Vol
18,n 1, pp 229 – 237,2003.