Présentation des techniques DSM existantes

L'une des idées de base, la théorie des jeux est utilisée par Mohsenian-Rad.A,eta.l [3] pour une programmation de consommation d'énergie résidentielle. Dans cet article, une optimisation à base d'algorithme distribué est appliquée. De nombreux aspects de la planification de la consommation d'énergie sont examinés de manière approfondie. L'auteur a examiné un mécanisme de tarification basé sur une fonction de coût convexe et croissante. Ce travail est considéré comme une référence pour les techniques DSM. Un mécanisme alternatif connu sous le nom de mécanisme Vickrey-Clarke-Grove (VCG) est proposé dans [30]. L’objectif de ce mécanisme est d’atteindre l’efficacité, le transfert non négatif (c’est-à-dire de l’utilitaire à l’utilisateur) et la vérité entre les utilisateurs. Le mécanisme de tarification présenté est basé sur fonction de coût convexe, croissante et différenciable. La proposition de VCG mécanisme en encourage l'utilisateur à déplacer sa charge des heures de pointe aux heures creuses. En plus d’obtenir une protection sociale, le service public tire également des avantages d’une réduction de la charge moyenne. Des incitations sont proposées aux utilisateurs pour les encourager à planifier efficacement leur charge [31]. C’est pratiquement le cas si les entreprises de services publics fournissent des informations sur le prix quelques heures plus tard. En avance sur le temps d’utilisation .En outre, l’unité ECS (EnergyConsumptionScheduling) doit pouvoir prévoir le prix pour contrôler la charge en temps réel environnement de prix de l'électricité. Alors que dans[32], un DSM basé sur l'optimisation heuristique est adopté. Ce modèle basé sur l'algorithme d'évolution (AE). Également un nouveau système de tarification connu sous le nom de tarification à transfert de charge journalier schéma est utilisé mathématiquement comme un problème de minimisation. Le modèle est simulé pour tous les types de clients finaux, ycompris les types résidentiel, commercial et industriel. Dans leur modèle, ils ont montré que le temps d'attente des appareils est inversement proportionnel au retard. Les résultats de simulation sont efficaces en termes

20

de réduction du PAR et de réduction du coût total de l’énergie. Cependant, la question du confort d’utilisateur n'est pas abordée dans les travaux proposés.

Toutes les techniques précédentes considéraient les utilisateurs avec une courbe de charge fixe. Cependant, l'incertitude de la charge est un défi majeur, en particulier lors de la conception d'un mécanisme de tarification. Ce facteur important est pris en compte dans [33]. Le modèle DSM adopté pour écarter la courbe de charge de l'utilisateur par rapport à sa connaissance antérieure de la consommation d'énergie. La tarification en temps réel et les tarifs par blocs sont combinés pour un mécanisme de tarification efficace. La conception proposée est multi-étape, c’est-à-dire que les informations relatives aux appareils révélées au fil du temps. La catégorisation de la charge et le problème de la mutation sont expliqués en détail. Leur modèle effectue également une planification basée sur l’optimisation. Le mécanisme de facturation proposé a pour effet d’annuler la synchronisation de la charge. Les résultats de la simulation montrent l’efficacité en réduisant le PAR total, le coût énergétique ainsi que l’équité. Cependant, le problème de la réduction du temps d'attente des appareils n'est pas abordé. Les deux idées les plus efficaces et les plus connexes, à savoir l'équité et l'optimalité, sont abordées dans [34]. Les auteurs ont présenté un schéma de tarification alternatif consistant à combiner RTP avec un mécanisme de facturation heure par heure. Le travail est identique à celui de [3], dans lequel les auteurs développent un problème d’optimisation basé sur la théorie des jeux pour minimiser le PAR et la minimisation du coût énergétique total. L’étude de cas analytique est également évaluée. Leur couverture est globale chez les utilisateurs du type résidentiel. Leur travail proposé montre une efficacité de l'équité de 73%supérieure et est inversement lié à l'optimalité. Cependant, d'autres actions bien connues ne sont pas expliquées. Un programmateur de consommation d'énergie (ECS) pour DSM est proposé dans [35], basé sur une technique d'intelligence artificielle appelée algorithme de retour en arrière.

Le model RTP est adopté pour les utilisateurs de type résidentiel. Les seules solutions envisagées sont la réduction du PAR et le temps d'exécution de l'algorithme. Cependant, toutes les autres questions relatives à l'équité, à la couverture et aux temps d'attente des appareils ne sont pas prises en compte. Le modèle de tarification modèle joue également un rôle important dans la gestion du modèle numérique. La prédiction du prix moyenne pondérée par filtre et la combinaison des taux par bloc inclinés avec la tarification en temps réel sont discutées dans [36].Le prédicateur de prix et le planificateur d'énergie sont pris en compte dans un compteur intelligent. Une modélisation mathématique détaillée avec une capacité de prédiction de prix est considérée. Différents paramètres de performance scénarios sont expliqués et simulés montrant de meilleurs résultats. Le temps d'attente des appareils est

21

inversement proportionnel au paramètre de contrôle réglable. Les résultats globaux sont satisfaisants, mais le problème de l’aine n’est pas exploré. La figure II.1 présente une architecture DSM autonome à trois couches ainsi que le flux de données entre différentes couches [37]. Ce modèle comprend: le contrôleur d'admission (AC), l'équilibreur de charge (LB) et une troisième couche composée de la réponse à la demande (DR) et charger la prévisionniste (LF). Les charges sont classées en fonction du choix et de la demande de l'utilisateur. Chaque fois qu'un utilisateur démarre une opération de dispositif, la demande est générée à partir d'une interface de dispositif pour AC. L’AC vérifie la capacité disponible pour démarrer un appareil. Si la capacité est disponible et que des heures creuses sont également en cours d’exécution, AC accepte la demande d’appareil et lance son fonctionnement.

Figure II.1: Représentation d'approche en couches pour réseau intelligent

Dans le cas où la capacité disponible dépasse le fonctionnement de l'appareil, la demande est rejetée et est destinée à LB. Le LB résout alors un problème d'optimisation et affecte un lot d'heures ultérieures à cet appareil pour commencer plus tard. DR Manager et LF constituent la couche supérieure et communiquent avec le réseau intelligent pour obtenir des informations en temps réel. La couche supérieure est composée du gestionnaire DR et d’un module auxiliaire LoadForecaster (LF) (c’est-à-dire qui fournit à LB et au gestionnaire DR des informations permettant d’améliorer les avantages du prix de l’électricité et de l’efficacité de

Planificateur DR Module

Profil de consommation et prévision

Gestionnaire d’énergie domestique

Base de données de maison Internet Module d’urgence

Interface Interface de réseau

intelligent Appar eils intelli gents Compteurs Intelligents Réseau intelligent

22

la consommation énergétique). Les résultats de la simulation présentés sont satisfaisants. Toutefois, lorsque le nombre de demandes d’appareil dépasse un certain niveau, le modèle à trois couches proposé ne peut pas garantir la limite de capacité de puissance