Gestion de la puissance produite

Il existe diverses stratégies de gestion de la puissance pour les sources d'énergie hybrides

SER/Diesel. Par rapport aux objectifs de notre travail nous n’avons considéré que deux

d’entre eux. Elles sont brièvement discutées ci-dessous [234]:

 Load following: l’utilisateur interdit la charge des batteries par un groupe

électrogène. Toute l’énergie fournie par les groupes sert à la charge principale et

non au stockage. Les batteries sont exclusivement rechargées par l’énergie

photovoltaïque.

 Cycle Charging : Une fois en marche, le groupe électrogène alimente

prioritairement les consommateurs puis, s’il n’est pas à son maximum de

puissance, il charge les batteries.

Sur la base des stratégies mentionnées ci-dessus, de nombreux algorithmes ont été

proposés. Le dimensionnement des composants du système est l'une des caractéristiques

clés qui déterminent la performance d’un système hybride. Il est nécessaire de concevoir

la taille de chaque composant du système d'alimentation pour programmer avec précision

la puissance délivrée par chaque source. La conception inefficace peut conduire à un

surdimensionnement des systèmes renouvelables qui entraîne non seulement une

augmentation des coûts, mais aussi des résultats dans la production d'électricité

excédentaire.

Afin de déterminer la conception des composants, la demande de charge précise doit être

connue. Cela nécessite une analyse détaillée de la charge comme la première étape dans

la conception. Un certain nombre d'algorithmes de prévision de charge ont été proposées

par différents chercheurs [235] [236] [237].

Taylor et al. [235], ont réalisé une prévision à court terme de la demande de la charge est

étudiée et six méthodes variées sont comparées. Les observations de la charge horaires

et demi-horaires ont été faites à Rio, en Angleterre et au Pays de Galles. Les méthodes de

prévisions utilisées sont la double modélisation saisonnière, le lissage exponentiel pour

double saisonnalité, les réseaux neuronaux artificiels, la méthode de régression avec

Critères d’évaluation et de dimensionnement d’un système hybride

86

analyse des composantes principales et deux méthodes de référence simplistes. On

constate que la méthode de lissage exponentiel est la meilleure méthode adaptée à la

prévision de la charge. Cancelo et al. [236] ont fait une analyse détaillée de prévision à

court terme de la charge électrique. Les deux types de prévision abor dés sont la prédiction

de plusieurs jours pour les données quotidiennes et des prévisions horaires d’un jour à

l'avance.

Différents modèles de prévision sont expliqués pour une charge de base, des journées

spéciales et température variable. La précision des prévisions est étudiée en termes

d’erreurs de prédiction. Slobodan et al [237] introduisent un autre nouvel algorithme

pour la prévision de la charge à court terme sur la base de réseaux de neurones artificiels.

C’est une méthode hybride du fait qu’'il comprend deux réseaux.

Les réseaux sont conçus dans un ordre hiérarchique. La première couche est formée pour

une prévision quotidienne, qui est désigné comme prédicteur de la charge intégrée. La

deuxième couche se sert de cette information pour une prévision de la charge horaire. Les

cas d'essai prouvent l'amélioration des performances par rapport aux autres algorithmes

dans la littérature.

Pradeepta et al. [238] ont développé un algorithme basé sur l'algorithme génétique (AG).

Quatre architectures différentes avec différents nombres de neurones dans la couche

d’entrée, la couche de sortie et la couche cachée sont formulés. L’algorithme de

propagation de Bach est utilisé pour former les neurones. La valeur moyenne quadratique

pour chaque architecture est calculée en exécutant le programme cinq fois. L’erreur

moyenne quadratique pour chaque architecture a été trouvée entre 0,01 et 0,02. Les

résultats montrent que les architectures avec deux couches cachées ont de meilleures

performances.

Rabindra et al. [239] décrivent un algorithme pour la prévision de charge à court terme

qui est une combinaison de l'extrapolation et les techniques d'ajustement de courbe. En

combinant ces deux techniques, l'auteur essaie de tenir compte des tendances de la

croissance de la charge et les divers facteurs démographiques et économiques. Les

données en temps réel pour cinq ans ont été recueillies ce qui amélior e la précision de la

prévision. Une fois que la demande de charge est connue, le dimensionnement du

générateur photovoltaïque, du générateur éolien, de la batterie et du générateur diesel

peut être conçu. Dans un autre travail de recherche [240], le dimensionnement optimal

d'un système d'alimentation hybride dans une région éloignée est réalisé en utilisant un

algorithme basé sur la biogéographie. Une étude de cas est effectuée et les résultats sont

comparés avec le modèle développé en utilisant HOMER. Il est trouvé que le système

s’exécute beaucoup plus rapidement que le modèle développé par HOMER.

Lorsque la configuration du système est défini et le dimensionnement des composants est

conçu et optimisé, la sélection de la stratégie de gestion de l'alimentation appropriée

décide de l'utilisation optimale des sources d'énergie renouvelables et la fiabilité et

l'efficacité du système d'alimentation hybride. Un certain nombre de stratégies de gestion

de l'alimentation ont été proposées dans la littérature [241] [242] [243] [244]. Dans la

plupart des cas, l’équilibre de puissance est maintenu par la mesure et la gestion du flux

d'énergie.

Critères d’évaluation et de dimensionnement d’un système hybride

87

6. Conclusion

Dans ce chapitre, nous décrivons les différents critères pour l’évaluation de la

performance et du dimensionnement d’un système multi-sources. Nous nous sommes

intéressés en premier lieu des différentes nécessaires à l’évaluation de la pertinence et

de la performance d’un tel système. Ensuite nous nous sommes focalisés sur les différents

facteurs qui déterminent les différents coûts et la fiabilité du système. Parmi lesquelles,

certaines seront utilisés dans les études présentées au chapitre suivant. Enfin, nous avons

décrit les différentes méthodes d’optimisation. Notre travail se voulant être un outil d’aide

à la décision, nous avons effectué Ces études applicatives sur des cas concret dans le

chapitre suivant, en appliquant entre autre la méthode hybride d’énumération complète

(combinaison entre la méthode itérative et analytiques) dans les l’étude n°1 et 2 du

chapitre IV.

Au sein des méthodes d’optimisation celles-ci, différentes stratégies de gestion, de la

production mais aussi de la demande doivent être définies, afin d’atteindre une meilleure

efficacité du système. Nous les avons décrits brièvement. Dans notre travail, nous nous

sommes intéressés qu’aux stratégies de gestion de la production telles que le « Load

following » ou « Cycle charging », (voir étude n°2 du chapitre IV). Nous envisageons

comme perspectives à court terme, l’application des stratégies de gestion de la demande

à nos modèles.

88