Gestion des capacités de stockage d’énergie dispersées dans un réseau électrique pour l’amortissement des effets de variabilité des sources d’énergie renouvelables

Promoteur principal : La Corporation de l’École Polytechnique de Montréal
Lieu : Montréal (Québec)
Contribution de l’Initiative : 1 109 000 $
Total du projet : 1 531 000 $

Contexte du projet

Le concept de « réseau intelligent » implique l’utilisation des technologies de l’information afin de soutenir l’exploitation des réseaux électriques. Les exploitants de réseaux électriques, qu’ils soient responsables de la transmission ou de la distribution de l’électricité, doivent adapter leurs pratiques et leurs outils afin de gérer un réseau intégrant une plus grande quantité d’énergie renouvelable variable et d’appuyer l’intégration future des véhicules électriques au Canada.  On envisage utiliser le stockage de l’énergie pour atténuer l’incidence de la variabilité des sources d’énergie renouvelables sur le réseau électrique. Dans un système décentralisé de stockage d’énergie à grande échelle, la présence d’un nombre énorme de points de contrôle présente un défi de taille pour les exploitants de réseaux.  En reconnaissant la lacune technologique que cela représente, l’École Polytechnique de Montréal a proposé le projet «Gestion des capacités de stockage d’énergie dispersées dans un réseau électrique pour l’amortissement des effets de variabilité des sources d’énergie renouvelables » pour financement par l’Initiative écoÉNERGIE sur l’innovation.  Le projet a reçu 1.109 M$ pour appliquer une technique d’optimisation au problème de contrôle complexe associé à la gestion des unités décentralisées de stockage à grande échelle de l’énergie dans les réseaux électriques.

Résultats

Le projet, rebaptisé smartDESC par le promoteur (smart Distribution Energy Storage Controller), visait à fournir une approche de contrôle applicable à des millions de points de stockage d’énergie dans un réseau électrique, tel que des chauffe-eaux, des chauffe-espaces, des batteries de véhicules électriques, etc. L’approche choisie dans le cadre de smartDESC était basée sur la théorie de la commande à champ moyen, qui tire profit de la prévisibilité associée au comportement global d’un grand nombre d’éléments homogènes à contrôler (par exemple, des millions de chauffe-eaux) afin que la commande finale soit aussi locale que possible, nécessitant seulement un minimum d’échange d’information entre le niveau local et un niveau plus global qui collige les statistiques sur le groupe et transmet aux contrôleurs locaux le comportement collectif désiré, par exemple un niveau d’énergie moyen pour la population ainsi que son évolution désirée au cours des heures à venir.

Évolution de la température moyenne de la population de chauffe-eaux avec un contrôle champ moyen sur 400 maisons

Figure 1: Évolution de la température moyenne de la population de chauffe-eaux avec un contrôle champ moyen sur 400 maisons.

Présente le résultat de la simulation du point de vue thermique des chauffe-eaux. On y retrouve en rouge la cible de température moyenne calculée par l’optimisateur, et et bleu, la température moyenne simulée sur la population de 400 maisons toutes équipées d’un contrôleur à champ moyen. Sur chaque courbe, on représente un point toutes les 5 minutes. Cette figure montre la très bonne capacité des contrôleurs champ moyen à suivre la cible de température moyenne lorsque celle-ci suit une trajectoire croissante (période de “mise en charge” du parc de chauffe-eaux). En revanche, un décrochage entre les deux courbes apparait lorsque la température moyenne visée passe sous les 52 C. Deux facteurs expliquent ce décrochage :

  • L’optimisateur central considère en tout temps une distribution normale de la population de chauffe-eaux autour de la température moyenne. Or cette approximation n’est valable que dans le domaine [52, 58] C. Près des bornes 50 et 60 C, pour des raisons de sécurité et de confort des clients, le contrôleur local (champ moyen ou non) interdit les dépassements au-dessus de 60 C ou en-dessous de 50 C, résultat en une déformation de la présumée distribution normale, qui vient alors s’écraser sur ces bornes, biaisant ainsi les prévision de l’optimisateur.
  • Les mécanisme de réchauffement et de refroidissement des chauffe-eaux ne sont pas les mêmes. Lors d’un réchauffement, de la puissance est injectée dans le chauffe-eau, ce qui est toujours possible. À l’inverse, le refroidissement dépend du tirage d’eau chaude par les clients, donc d’un processus stochastique. Le contrôleur ne peut donc rien faire pour accélérer la décharge des chauffe-eaux si son rythme est inférieur à ce que l’optimisateur a prévu.
Puissance moyenne consommée par la population de chauffe-eaux avec un contrôle à champ moyen sur 400 maisons

Figure 2: Puissance moyenne consommée par la population de chauffe-eaux avec un contrôle à champ moyen sur 400 maisons

Présente la puissance moyenne consommée par la population de chauffe-eaux lorsque celle-ci est soumise à la commande à champ moyen. Il est intéressant d’étudier cette figure de pair avec la figure 1. Notamment, on remarque à quel point les courbes de puissance optimale (rouge) et simulée (bleue) sont proches l’une de l’autre, ce qui démontre que le contrôle local réalise très bien son travail. Il ne faut pas oublier que ce contrôleur ne reçoit aucune consigne en puissance, mais uniquement la trajectoire de la température moyenne de la population de chauffe-eaux.

On note tout de même quelques décrochages, par exemple à la fin de la 5ème journée, qui sont liés à l’écart entre les températures moyennes désirées et réalisées par la commande (effet des bornes, tel que discuté ci-dessus). Des solutions sont en cours d’exploration pour améliorer la commande et/ou l’optimisation lorsqu’une portion non négligeable de la population atteint les limites en température. La section suivante présente plus de détails sur la distribution de température au sein de la population de chauffe-eaux.

Dans le cadre de ce projet, tous les éléments requis pour réaliser une preuve de concept simulée de la commande à champ moyen d’une population de chauffe-eau installés dans un réseau de distribution électrique ont été développés.  Ces éléments consistaient principalement en des développements de modèles des dispositifs de stockage (e.g. chauffe-eaux), des réseaux de télécommunications (réseau “mesh” de compteurs intelligents). Des développements mathématiques étaient aussi requis au niveau des algorithmes de commande eux-mêmes, ainsi que pour optimiser le comportement collectif global des éléments de stockage en fonction d’un objectif précis, e.g. aplanir la courbe de consommation électrique, maximiser la pénétration éolienne, etc. Tous ces développements ont ultimement pris la forme de codes informatiques dans divers environnements et langages (Java, C++, Fortran, etc.). Afin de permettre une interopérabilité de tous ces codes dans un espace de calcul commun, un simulateur global a dû être développé, sur la base de la plateforme multi-agents JADE.  Enfin, une plateforme physique comportant un chauffe-eau réel commandé par un contrôleur à champ moyen a été réalisée. La plateforme a permis de vérifier que le modèle thermique du chauffe-eau utilisé dans le simulateur était fiable. De plus, il a été possible de vérifier que le contrôleur local requis pour la commande à champ moyen était réalisable physiquement, sans avoir besoin de recourir à des composantes sophistiquées : un simple micro-contrôleur, quelques équipements de télécommunications ethernet ou wifi et une instrumentation de base suffisent.

Il a aussi été démontré dans ce projet que la commande à champ moyen permet de résoudre le problème de pointe due à la reprise en charge sur les réseaux électriques, i.e. une pointe de puissance qui apparait suite à la ré-alimentation électrique d’un réseau qui a subi une interruption électrique. De plus, la commande à champ moyen requiert une très faible bande passante en termes de télécommunications. Par conséquent, une commande à champ moyen déployée dans un réseau électrique pourrait se contenter d’une communication via un réseau de compteurs intelligents à très faible débit, et n’occuperait que moins de 1% de la bande passante de ces derniers.

Avantages pour le Canada

Les concepts développés dans ce projet pourraient permettre de réduire les émissions de gaz à effet de serre au Canada, ceci grâce aux progrès réalisés au niveau de la méthodologie de contrôle du stockage décentralisé de l’énergie. Cette méthodologie permet la réduction du besoin de réserves tournantes d’énergie, une exploitation plus efficace des unités de production d’énergie, de même qu’une augmentation de la pénétration des sources d’énergie renouvelable et des véhicules électriques sur le réseau.

Prochaines étapes

À ce stade-ci, le concept pourrait être implémenté quasiment tel quel dans un projet de démonstration, à condition de trouver: un manufacturier qui prendrait en charge la fabrication des contrôleurs en champ moyen; un distributeur électrique qui serait prêt à installer dans son réseau les équipements nécessaires; selon le contexte, un fournisseur de service d’agrégation pour la gestion des données entre le client et l’ordinateur central; et un promoteur qui prendrait en charge la gestion et la coordination du projet.  La présence du promoteur initial (Polytechnique Montréal) serait encore nécessaire pour le transfert de la technologie dans la phase de développement préalable à la phase de démonstration.

Pour en savoir davantage