Chapitre 2 - Calcul Sur Les Réseaux Électrique - OPF

Dr AMRANE Youssouf
1
Les réseaux électriques
IEEE 9 Nœuds
IEEE 57 Nœuds
2
Réseau maillé (Transport)
Les réseaux électriques
IEEE 33 Nœuds
IEEE 69 Nœuds
Réseau Djanet 102 Nœuds
3
Réseau Radiale (distribution)
Réseau de transport
Algérien
938 Nœuds.
146 Générateurs.
792 Charges.
1388 Lignes de Transport.

322 Transformateurs réglables.
Niveau de tension du sous-système:

90/120/150/220/400 kV
Niveau de tension du sous-système:

60/30/15 kV
4
Réseau de transport
Américain
5
Calcul d’écoulement de
puissance
Bus types Quantities Unknown
specified values
Generator Bus |Vi| , Pi Qi , i
Load Bus Pi , Q i |Vi| , i
Slack Bus |Vi| , i Pi , Qi
6
Calcul d’écoulement de puissance
:Matrice admittance
( y1  y12  y13 ) - y12 - y13 0 
 - y ( y  y  y ) - y 0 
 21 2 21 23 23 
 - y31 - y32 ( y3  y31  y32  y34 ) - y34 
 
 0 0 - y 43 ( y 4  y 43 
)
 I1  ( y1  y12  y13 ) - y12 - y13 0  V1 

I   - y ( y  y  y ) - y 0  V 
 2   21 2 21 23 23  2 
I3   - y31 - y32 ( y3  y31  y32  y34 ) - y34  V3 
    
I 4   0 0 - y 43 ( y 4  y 43 ) V4  7
:Matrice admittance
Formation de la matrice admittance
𝐼1 𝑉1 𝑌11 𝑌12 𝑌13 ⋯ 𝑌1𝑖

𝐼2 =𝑌 𝑉2 𝑌 𝑌22 𝑌23 ⋯ 𝑌2𝑖
. 𝐵𝑈𝑆 . 𝑌𝐵𝑈𝑆 = 21
𝑌31 𝑌32 𝑌33 ⋯ 𝑌3𝑖
𝐼𝑛 𝑉𝑛
𝑌𝑖1 𝑌𝑖2 𝑌𝑖3 … 𝑌𝑖𝑖
Les éléments non

Les éléments diagonaux :
diagonaux :
1 𝑛
𝑦𝑖𝑗 = 𝑦𝑖𝑗 ′
𝑟𝑖𝑗 + 𝑗𝑥𝑖𝑗 𝑌𝑖𝑖 = 𝑦𝑖𝑗 + + 𝑦𝑖 𝑠
2
𝑌𝑖𝑗 = −𝑦𝑖𝑗 𝑗=1
𝑌𝑖𝑗 = 𝑌𝑗𝑖 8
:Méthode de Newton-Raphson
Pour chaque estimation de x , x(v ) définissez
x ( v )  xˆ - x ( v )
Représenter ( f ( xˆ )) par une série de Taylor sur ( f ( x))
df ( x ( v ) ) ( v )
f ( xˆ )  f ( x (v)
) x 
dx
1 d 2 f ( x(v) )
 
2
 x (v )
 cte
2 dx 2
9
Approximativement ( f ( xˆ ) ) en négligeant tous les termes sauf les deux premiers.
(v )
df ( x ) (v)
f ( xˆ )  0  f ( x )  (v)
x
dx
Utilisez cette approximation linéaire pour résoudre x ( v )
1
 df ( x ) 
( v )
x (v )
   f ( x (v)
)
 dx 
Résoudre pour une nouvelle estimation de x̂
( v 1)
x  x (v)
 x (v) 𝑥 𝑘+1 = [𝑥 𝑘 ] − [𝐽𝑥 𝑘 ]−1 [𝐹(𝑥 𝑘 )]
10
 x1   f1 (x) 
Avec : x   f ( x) 
x   2 f ( x)   2 
   
x   f ( x) 
 n  n 
Avec la matrice J qui est la matrice Jacobienne des coefficients du système et elle s’écrite comme
suit:
 f1 ( x) f1 ( x) f1 ( x) 
 x x2 xn 
 1


 2f ( x ) f 2 ( x )  f 2 ( x ) 
J (x)   x1 x2 xn 
 
 
 f ( x) f ( x) f n ( x) 
 n n

  x 1  x 2  x n 
Et finalement on peut tirer la valeur de 𝑥 𝑘+1 :
x ( v 1)  x ( v )  x ( v ) 𝑥 𝑘+1
= [𝑥 𝑘
] − [𝐽𝑥 𝑘 −1
] [𝐹(𝑥 𝑘
)] 11
Alors on peut écrire :

𝑛
𝑛
𝑃𝑖 = 𝑌𝑖𝑗 𝑉𝑖 𝑉𝑗 cos(𝛿𝑖 − 𝛿𝑗 − 𝜃𝑖𝑗 ) 𝑃𝑖 = 𝑉𝑖 𝑗=1 & 𝑗≠𝑖 𝑌𝑖𝑗 𝑉𝑗 cos(𝛿𝑖 − 𝛿𝑗 − 𝜃𝑖𝑗 ) + 𝑉𝑘2 𝑌𝑖𝑖 cos(𝜃𝑖𝑖 )
𝑗=1
𝑛 𝑛
𝑄𝑖 = 𝑌𝑖𝑗 𝑉𝑖 𝑉𝑗 sin(𝛿𝑖 − 𝛿𝑗 − 𝜃𝑖𝑗 ) 𝑄𝑖 = 𝑉𝑖 𝑌𝑖𝑗 𝑉𝑗 sin(𝛿𝑖 − 𝛿𝑗 − 𝜃𝑖𝑗 ) + 𝑉𝑘2 𝑌𝑖𝑖 sin(𝜃𝑖𝑖 )

𝑗=1 𝑗=1 & 𝑗≠𝑖
12
Les termes ΔPi (k) et ΔQi (k) sont la différence entre les valeurs programmées et
13
calculées.
1
 df ( x )  (v )
x (v)
   f ( x(v) )
 dx 
1
    df ( x )  (v )
     f ( x(v ) )

 V  dx 
1
   df ( x )  P (v )
      
V   dx  Q 
∆𝑉0
𝑉 1= 𝑉 0
1+ 𝑉0
𝛿1 = 𝛿 0 + ∆𝛿 0 14
Le calcul de l’écoulement de puissance suivant la méthode de Newton Raphson se fait suivant ces
étapes :
Étape-1 : On calcule la matrice admittance Y du réseau.
Étape-2 : On choisit les valeurs initiales des grandeurs tension et déphasages 𝑉𝑖0 avec 𝑖 = 2,3 … . . 𝑁.
Sauf pour le nœud de référence.
Étape-3 : Utilisez les estimations 𝑉 0 et 𝛿 0 pour calculer la puissance active initiale 𝑃0
Étape-4 : Utilisez les estimations 𝑉 0 et 𝛿 0 pour calculer la puissance active initiale 𝑄 0
Étape-5 : Utiliser les estimations 𝑉 0 et 𝛿 0 pour formuler la matrice Jacobienne J.
Étape-6 : Le calcul des :
𝑉 0 et 𝛿 0 et ∆ 𝑉 0 , 𝑉 0.
Étapes-7 : Obtenir les mises à jour
∆𝑉0
𝑉 =𝑉
1 0
1+
𝑉0
𝛿 1 = 𝛿 0 + ∆𝛿0
Étape-8 : Si la condition de convergence n’est pas vérifier, il faut retournez à l'étape-3 et calculer
une nouvelle solution à l’itération suivante.
Étape-9 : Si la condition de convergence est vérifier on calcule l’énergie active est réactive du
nœud de référence et la puissance réactive des nœuds 𝑃𝑉 .
15
:Méthode de découplé rapide
Découplage du problème d’écoulement de puissance :
L’indépendance comparative de la puissance active par rapport aux

variations de l’amplitude de tension ainsi que l’indépendance comparative
de la puissance réactive par rapport aux variations de la phase de
tension, a permet d’utiliser la propriété de découplage et de décomposer le
problème d’écoulement de puissance en deux sous problèmes plus simple à
résoudre.
Nous avons l’équation suivante :
∆𝑃 𝐻 𝑁 ∆𝛿
=
∆𝑄 𝐽 𝐿 ∆𝑉 16
Si, on observe la valeur numérique des éléments du Jacobien utilisé dans plusieurs
systèmes, on trouve que les éléments de H et L varies beaucoup plus que ceux de J et
N. Cela et du au fait que la puissance active est considérée comme étant moins sensible
à un changement de l’amplitude de la tension qu’à sa phase et la puissance réactive
étant moins sensible à la variation de la phase de tension qu’à son amplitude. En se
basant sur les découplés PQ et QV, on peut supposer N = 0 et J = 0.
L’équation Précédente devient donc :
 P2 ( x) P2 ( x)  ∆𝑃
=
𝐻 𝑁 ∆𝛿
   V2  ∆𝑄 𝐽 𝐿 ∆𝑉
J ( x)   
2
 Q2 ( x) Q2 ( x)  ∆𝑃 ∆𝛿
𝐻 0
   V2  =
 2 ∆𝑄 0 𝐿 ∆𝑉
Que l’on peut réécrire :
∆𝑃 = 𝐻 ∆𝛿
∆𝑄 = 𝐿 ∆ 𝑉 / 𝑉 17
Ces deux équations sont connues dans la littérature comme étant les deux équations
découplées d’écoulement de puissance .Elle sont résolues séparément, ce qui donne :
−1
∆𝛿 = 𝐻 ∆𝑃
−1
∆𝑉 = 𝐿 ∆𝑄
18
Les puissances active et réactive se réécrivent comme suit :
𝑛
𝑃𝑖 = 𝑉𝑖 𝑉𝑗 𝐺𝑖𝑗 cos 𝛿𝑖𝑗 + 𝑗𝐵𝑖𝑗 sin 𝛿𝑖𝑗

𝑗=1
𝑛
𝑄𝑖 = 𝑉𝑖 𝑉𝑗 𝐺𝑖𝑗 sin 𝛿𝑖𝑗 − 𝑗𝐵𝑖𝑗 cos 𝛿𝑖𝑗

𝑗=1
Les hypothèses établies par Stot et Alsac ont pour but de simplifier les expressions de P
et Q et de mettre en évidence leur découplage en fonction des V et 𝛿.
19
Les équations découplées concernant les éléments des sous matrice 𝐻 et 𝐿 sont
exprimées par :
𝜕 𝑃𝑖
𝐻𝑖𝑗 = = 𝑉𝑗 𝑉𝑖 𝐺𝑖𝑗 sin 𝛿𝑖𝑗 − 𝑗𝐵𝑖𝑗 cos 𝛿𝑖𝑗
𝜕𝛿𝑗
𝜕 𝑃𝑖 2
𝐻𝑖𝑖 = = −𝐵𝑖𝑖 𝑉𝑖 − 𝑄𝑖
𝜕𝛿𝑖
𝜕 𝑄𝑖
𝐿𝑖𝑗 = 𝜕 𝑉 = 𝑉𝑗 𝑉𝑖 𝐺𝑖𝑗 sin 𝛿𝑖𝑗 − 𝑗𝐵𝑖𝑗 cos 𝛿𝑖𝑗 = 𝐻𝑖𝑗
𝑗 / 𝑉𝑗
𝜕 𝑄𝑖 2
𝐿𝑖𝑖 = 𝜕 𝑉 = −𝐵𝑖𝑖 𝑉𝑖 + 𝑄𝑖
𝑖 / 𝑉𝑖
20
De plus, les efforts de calcul sont encore loin d’être insignifiant. Cette technique à
donné une efficacité et une rapidité de calcule très importantes au problème de calcul
d’écoulement de puissance.
Elle ce base sur les hypothèses suivantes :
 Les réseaux électriques ayant généralement un rapport X/R (rapport entre la

résistance et l’inductance des lignes) élevé, c'est-à-dire X>>R, on peut alors
écrire :
𝐺𝑖𝑗 sin 𝛿𝑖𝑗 << 𝐵𝑖𝑗
 La différence entre les angles ou phases de la tension de deux nœuds adjacents

est en générale très petite. Ceci nous permet d’écrire :
sin 𝛿𝑖𝑗 = sin( 𝛿𝑖 − 𝛿𝑗 ) ≅ 𝛿𝑖 − 𝛿𝑗 = 𝛿𝑖𝑗

21
cos 𝛿𝑖𝑗 = cos( 𝛿𝑖 − 𝛿𝑗 ) = 1.0
 Puissance 𝐺𝑖𝑗 sin 𝛿𝑖𝑗 <<𝐵𝑖𝑗 et cos 𝛿𝑖𝑗 ≈ 1.0 alors :
𝑛 𝑛 𝑛
𝑄𝑖 = 𝑉𝑖 𝑉𝑗 𝐺𝑖𝑗 sin 𝛿𝑖𝑗 − 𝐵𝑖𝑗 cos 𝛿𝑖𝑗 ≈ 𝑉𝑖 𝑉𝑗 𝐺𝑖𝑗 sin 𝛿𝑖𝑗 − 𝐵𝑖𝑗 cos 𝛿𝑖𝑗 ≪ 𝑉𝑖 𝑉𝑗 𝐵𝑖𝑗
𝑗=1 𝑗=1 𝑗=1
D’où en peut écrire :
𝑄𝑖 ≪ 𝐵𝑖𝑗 𝑉𝑖 2
Les équations ∆𝑃 = 𝐻 ∆𝛿 et ∆𝑄 = 𝐿 ∆ 𝑉
peuvent ainsi être approximés par :
∆𝑃 = 𝑉 𝐵′ 𝑉 ∆𝛿 et ∆𝑄 = 𝑉 𝐵′′ 𝑉 ∆ 𝑉
22
Les éléments de [𝐵’ ]𝑒𝑡 [𝐵’’ ]sont les éléments du négatif de la matrice susceptance B
tiré de la matrice admittance complexe du réseau étudié :
1
𝐵’𝑖𝑗 = − 𝑋 𝑖≠𝑗
𝑖𝑗
𝑛
1
𝐵’𝑖𝑖 = 𝑖≠𝑗
𝑋𝑖𝑗
𝑗=1
𝐵′’𝑖𝑗 = −𝐵𝑖𝑗
23
Il faut noter que la solution implique l’inversion des matrice 𝐻 et 𝐿 dont
les dimensions sont approximativement le quart de la matrice Jacobienne
originale .Il est donc claire que cette approche réduit sensiblement le
temps de calcule de chaque itération ainsi que l’occupation de
l’espace mémoire.
24
:Comparaison
IEEE 30 Nœuds
Temps d exécution Nombre d’itération Tolérance
Gauss-Seidel 40ms 124 1,00E-05

Newton-Raphson 30ms 11 1,00E-05
découple rapide 10ms 8 1,00E-05
25
Répartition Optimal de l’énergie
26
Ecoulement de puissance Optimal
Consommation Distribution
de l’énergie électrique Transport
Économique Production
L’instabilité de tension Limites des lignes
Social Industriel Pertes
Chute de tension
L’insécurité du système
27
Cout Important
Combien d’énergie faut-il générer par

les groupes de production afin de
répondre aux exigences et besoins des
Consommateurs en satisfaisant les
contraintes du système , avec un coût
de production aussi faible que possible
28
 Le problème d’écoulement de puissance optimale cherche à trouver le point de

fonctionnement optimale du réseau électrique, en considérant la charge dans le réseau
et les coûts de production de chaque générateur.
 Il consiste à optimiser le coût de combustible nécessaire à la production de l’énergie

électrique. Tout en satisfaisant la demande et les contraintes du système
 Son but est de minimiser le coût de production de l’énergie électrique par

l’optimisation de la puissance générée par chaque unité de production.
 De minimiser les pertes actives du réseau , améliorer son profil de tension et

d’augmenter sa stabilité de tension.
29
Ecoulement de puissance Optimal:
Généralité sur l’optimisation
Problème d’optimisation
Un problème d’optimisation se définit comme la recherche du minimum ou du maximum (de
l’optimum) d’une fonction donnée appelées fonctions objectifs. Ces fonctions sont sujettes à des
contraintes de type égalité et à d’autres de type inégalité. Ce mot nous vient du latin optimum qui
signifie le meilleur.
Un problème de minimisation se définit par :
min 𝐹 𝑋
𝑠𝑢𝑗𝑒𝑡
𝐺 𝑋 =0
𝐻(𝑋) ≤ 0
30
Fonction Objective
C’est le nom donné à la fonction Objective f (on l’appelle aussi fonction de coût ou
critère d’optimisation).
C’est cette fonction que l’algorithme d’optimisation va devoir optimiser (trouver un
optimum)
Variables de décision
Elles sont regroupées dans le vecteur X. C’est en faisant varier ce vecteur que l’on
recherche un optimum de la fonction Objective f .
31
Minimum global
Pour On dit que x * et un optimum global si et seulement si :
Minimum local
Un point x * est un minimum local de la fonction f si et seulement si :
D’où V x * définit un voisinage de x * .

32
Deux minimums locaux sont illustrés par les

points M1 et M2.
Le minimum global est illustré par le point M3
33
Les contraintes
Les contraintes doivent être prises en compte dans le problème d’optimisation.
Il y a plusieurs choix pour le traitement des problèmes avec contraintes.
A. Transformer un problème contraint en une suite de problèmes sans contrainte. Cette

transformation s’effectue en ajoutant des pénalités à la fonction objectif.
B. Géré les contrainte en parallèle avec la minimisation de la fonction objective
34
Classification des problèmes d’optimisations
Les problèmes d’optimisation seront classés selon leurs caractéristiques :
1. Le nombre du variable de décision si on a une seule variable, alors optimisation

unidimensionnelle sinon multidimensionnelle (plusieurs variables de décision).
2. Type de la variable si la variable est continue donc on aura un problème d’optimisation continu et
si la variable est entière on dit un problème d’optimisation discret.
3. Type de la fonction objectif si elle est linéaire on a un problème d’optimisation linéaire sinon si
elle est quadratique on dit un problème d’optimisation quadratique et si elle est non linéaire on a
un problème d’optimisation non linéaire.
4. Formulation du problème avec contraintes on aura un problème d’optimisation contrainte et si la

formulation est sans contraintes donc notre problème sera un problème d’optimisation sans
contraintes. 35
Les problèmes d’optimisation sont définis selon plusieurs caractéristiques :
 Mono-objectif ou multi-objectif.
 Linéaire ou non-linéaire.
 Contraint ou sans-contraint.
 Déterministe ou non stochastique.
 A variable continue ou discrète.
Cela implique qu’un outil d’optimisation peut être développé pour résoudre un type
de problème ou être indépendant du problème.
36
Méthodes d’optimisation déterministes
 Ces méthodes conduisent, pour une solution initiale donnée

toujours au même résultat final.
 Pour trouver l’optimum, elles s’appuient sur une direction de recherche qui
peut être fournie par les dérivées de la fonction objectif.
 Elles ont la réputation d’être efficaces lorsque la solution initiale est proche
de l’optimum recherché.
 Cette particularité constitue un inconvénient majeur dans le

cas d’une fonction objectif possédant plusieurs optimums, elles
peuvent en effet, convergées vers un optimum local
37
On peut distinguer deux sous-classes dans ces approches :
Méthodes directes ou sans gradient : ces méthodes n’utilisent que les valeurs de la
fonction objectif et des contraintes.
 Elles sont peu précises et convergent très lentement vers l’optimum local.
Méthodes de type gradient: elles utilisent la valeur du gradient des fonctions objectif
et des contraintes comme une direction dans l’espace de recherche.
Avantage
 La vitesse de convergence est rapide.
 Ces méthodes sont puissantes pour résoudre les problèmes purement analytiques
,mais elles dépendent forcement de la qualité de calcul du gradient .
Inconvénient
 Elles peuvent être facilement piégées par un optimum local. 38
Méthodes d’optimisations stochastiques
 Ces algorithmes, nécessitent ni point de départ, ni la connaissance de

gradient de la fonction objectif, pour atteindre la solution optimale.
 Elles explorent l’espace de recherche grâce, en partie, à des mécanismes

de transition aléatoires. Avec le même point initial, deux optimisations
successives peuvent produire un résultat diffèrent ces algorithmes n’ont
donc pas un fonctionnement déterministe
 Elles demandent un nombre important d’évaluations de la fonction

objectif en comparaison avec les méthodes déterministes exploitant la
dérivée de la fonction objectif
39
Métaheuristiques
Elle appliquent à toutes sortes de problèmes combinatoires, et continus.
 Ces méthodes permettent de trouver une solution de bonne qualité en un temps de
calcul en général raisonnable, sans garantir l’optimalité de la solution obtenue.
 Ces méthodes sont avantageusement utilisées pour la résolution des problèmes de

grande taille.
 Elles sont, au moins pour une partie, stochastiques: cette approche permet de faire
face à l’explosion combinatoire des possibilités.
 Elles sont d’origine combinatoire: 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.
40
 Elles sont inspirées par des analogies : avec la physique (recuit simulé, diffusion
simulée, etc.), avec la biologie (algorithme génétiques, recherche tabou, etc.) ou
avec l’éthologie (colonies de fourmis, essaims de particules, etc.).
 Elles sont capables de guider, dans une tache particulière, une autre méthode de
recherche spécialisée (par exemple, une autre heuristique, ou une méthode
d’exploration locale).
 Elles partagent aussi les mêmes inconvénients : les difficultés de réglage des
paramètres mêmes de la méthode, et le temps de calcul élevé.
41
L'optimisation linéaire étudie le cas où la fonction objectif et les contraintes caractérisant

l’ensemble A sont linéaires.
Un problème de minimisation se définit par : 𝑚𝑎𝑥𝐶 𝑇 . 𝑥
𝑠𝑡
𝐴. 𝑥 = 𝑏
𝑥≥0
L'optimisation non-linéaire étudie le cas général dans lequel l’objectif ou les contraintes
(ou les deux) contiennent des parties non-linéaires, éventuellement non-convexes.
Un problème de minimisation se définit par : min 𝐹 𝑋
𝐺 𝑋 =0
𝐻(𝑋) ≤ 0
42
L'optimisation quadratique est une classe spéciale de la programmation non linéaire où
la fonction objectif est une approximation quadratique avec des contraintes linéaires ou
linearisé.
Le problème peut s’écrire sous forme :
1 𝑇
Min(𝑓 𝑇 . 𝑥+ . 𝑥 . 𝐻. 𝑥)
2
𝑠𝑡
𝐴. 𝑥 ≤ 𝑏
𝐴𝑒𝑞 . 𝑥 = 𝑏𝑒𝑞
𝑥𝑖𝑚𝑖𝑛 ≤ 𝑥𝑖 ≤ 𝑥𝑖𝑚𝑎𝑥
43
Optimisation multi-objectif
Dans un problème d’optimisation multiobjectif, il y a plus qu’une fonction objectif (k>2),
chaque fonction objectif pouvant avoir une solution optimale différente. Le but d’un
problème multiobjectif est de trouver de "bons compromis" plutôt qu’une seule
solution.
Lorsqu’il y a plusieurs objectifs, la notion d’optimum change et il est préférable d’utiliser
un autre terme, le terme le plus couramment adopté étant l’optimum de Pareto.
𝐹1 𝑋
𝐹2 𝑋
min
.
𝐹𝑘 𝑋
𝐺 𝑋 =0
𝐻(𝑋) ≤ 0
44
fk(x) sont les fonctions objectifs que nous cherchons à minimiser simultanément.
Frontière de Pareto d’un problème d’optimisation bi-objectif
45
Solutions optimales de Pareto (Coût-Emission NOx)

46
Formulation
Le problème d’écoulement de puissance peut être formulé comme suit :
min f (U , X ) Fonction objectif

u,x
 G U , X   0 Contraintes d’égalité

 H U , X   0 Contraintes d’inégalité
s.t 
 U min  U  U max Variables de contrôles
X  X  X
 min max
Variables d’états
47
Formulation
Le choix de la fonction objectif 𝐹 est primordial et

permet de prendre ou non en compte l’ensemble des
coûts du réseau.
Cette formulation mathématique constitue alors un outil

pour les gestionnaires de réseau, à partir de laquelle il
est possible de dimensionner et de gérer les flux de
façon optimale
48
Formulation
Formulation du problème d’optimisation
Description générale
Le programme d’écoulement de puissance optimal est capable donc de satisfaire les

points suivants :
1) Réaliser le minimum du coût de production d’énergie active des générateurs.

2) Réaliser le minimum éventuel d’investissement des moyens de compensation.
3) Réaliser le minimum de pertes actives.
4) Réaliser le minimum de déviation de tension des nœuds de charges.
5) Respecter les contraintes du système, c’est à dire les capacités de production, les
capacités des lignes et les contraintes sur les tensions et les régleurs en charge.
Le problème d’optimisation à traiter correspond donc à un algorithme de calcul de

minimisation de trois fonctions objectifs avec contraintes.
49
Formulation
Variables d’état (X):
Le vecteur d’état X du système est défini

par : VLi est le module de la tension du nouds de la charge k .
θj est l’angle de la tension du nouds j .
X= [VLk,θj]
Variables de contrôle (U):
Le vecteur de contrôle U est défini par :

VGi est le module de la tension du nouds du ième
générateur,
U= [VGI, , PGI, QGI ,TRi, ,bbatt, i]. TRi est rapport de transformation du ième transformateur,
bbatti est la susceptance du ième SVC,
PGi and QGi sont, respectivement la puissance active et
réactive du iième générateur.
50
Formulation
Résumé des variables dans la littérature
Variable de contrôle
1. La production d'énergie active et réactive.
2. Amplitude de tension du bus régulée.
3. Réglages de prise de transformateur.
4. Transformateurs déphaseurs.
5. Dispositifs réactifs shunt.
6. Dériver des dispositifs réactifs.
7. Contrôle des FACTS.
Variable d’états
1. Amplitude de tension nodale.
2. L'angle de phase de la tension nodale
3. Écoulement de puissance du réseau.
4. Courants des lignes.
5. Puissance du nœud de référence.
6. Puissance réactive de sortie du générateur. 51
Formulation
Fonctions objectifs
Après avoir spécifié les variables de contrôle et les variables d’état, exprimons les
fonctions objectifs de chaque niveau du problème.
Coût de production:
La fonction objectif de la minimisation du coût de production de la puissance active est

donnée par l’équation suivante NG
Fcoût   ai Pgi2  bi Pgi  ci
i 1
Minimisation des pertes actives :
La minimisation des pertes ohmiques dissipées dans les lignes est donnée par
l’expression suivante
NL
FPER ( X ,U )  Gk (i, j ) Vi 2  V j 2  2VV 
i j cos(i   j ) 
k 1 52
Formulation
Minimisation de la déviation des tensions de charge:
La fonction objectif du problème de la minimisation de la déviation des tensions de

charge est donnée dans le chapitre 4.
FDev   (V 1)
ijNpq
i
2
Minimisation du cout d’investissement des dispositifs de compensation:
Le coût d’investissement des dispositifs de compensation varie linéairement en fonction

de la puissance réactive du Dispositifs à installer. Le coût au niveau du nœud i est
donné par l’expression suivante :
 $ 
NC
FCOMP  X ,U     0.3051 QCi  127.38   
I 1  kVars 
53
Formulation
Contraints d’égalité
Ces contraintes présentent les équations d’écoulement de puissance, dont ils expriment
l’égalité entre la production et la consommation de la puissance active et réactive à
chaque nœud du réseau :
NB
PGj  PDi  Vi V j (Gij cos θij  Bij sinθij )  0
j 1
NB
QGj  QDi  Vi V j (Gij cos θij  Bij sinθij )  0
j 1
Avec PDi et QDi présente respectivement la puissance active et réactive de la charge, PGi est la
puissance active généré, QGi est la puissance réactive généré, Vi est le module de la tension au
nœud i , Vj est le module de la tension au nœud j ,Gij, Bij sont, respectivement, la conductance et la
susceptance entre le i et le nœud j, θi est le déphasage de la tension entre le i et le nœud j, θj est
le déphasage de la tension entre le j et le nœud i; NB est le nombre des nœuds.
54
Formulation
Contraintes d’inégalité
Ces contraintes présentent les limitations physiques et techniques des différents

équipements installés au réseau électrique, elles sont résumées comme suit :
Contraintes du générateur :
La puissance réactive et la tension du générateur sont limitées par les équations (2.35)
et (2.36) respectivement:
QGimin  QGi  QGimax

i  1, 2,...NG
VGi , PGi et QGi sont respectivement la tension et
V min
Gi  VGi  Vmax
Gi la puissance active et réactive des générateurs
PGimin  PGi  PGimax

55
Formulation
Contraintes du transformateur:
Le rapport du régleur en charge est limité comme suit :
Ti min  Ti  Ti max
Batterie de compensation :
L’énergie réactive de la batterie est limitée par des limites inférieure et supérieure
comme suit :
min
QCi  QCi  QCimax
56
Formulation
Contraintes de sécurités
La tension des nœuds de charges et la puissance transmise par les lignes représentent
les contraintes de sécurité du réseau :
Vi est le module de la tension des noeuds de charge
V min
 VLi  V max Si est la puissance apparentes transmise par la ligne i,
Li Li
Pi est la puissance active transmise par la ligne
Qi est la puissance réactive transmise par la ligne
Pij est la puissance active transmise du nœud i au nœud j
Si  Simax Qij est la puissance réactive transmise du nœud i au nœud j
Gii et Bii sont respectivement, la partie réelle et imaginaire
Si  ( Pi ) 2  (Qi ) 2 des éléments diagonaux de la matrice admittance
Gij et Bij sont respectivement, la partie réelle et imaginaire
Pij  Vi 2Gii  VV
i j (Gij cos θ ij  Bij sinθ ij )
des éléments non diagonaux de la matrice admittance du
nœud i au noud j
Vi est le module de la tension au nœud i
Pji  V j2G jj  VV
i j (G ji cosθ ji  B ji sin θ ji ) Vj est le module de la tension au nœud j
Qij  Vi 2 Bii  VV

i j (Gij sin θ ij  Bij cosθ ij )
Q ji  V j2 B jj  VV 57
i j (G ji cosθ ij  Bij sin θ ij )
Formulation
Résumé des contraintes dans la littérature
Contraintes d’égalités
1. Écoulement de puissance AC.
2. Écoulement de puissance AC découplé.
3. Écoulement de puissance DC.
Contraintes d’inégalités
1. Limites actifs et réactifs de production d'électricité.
2. Contraintes de la demande d’énergie.
3. Limites de tension nodale.
4. Limites de courant des branches.
5. Limites de contrôle.
6. Sécurité transitoire.
7. Stabilité transitoire.
58
Formulation
FGlob (U , X )  F F F
FACTS PER Cost
 NB
 PGj  PDi  Vi V j (Gij cos θ ij  Bij sinθ ij )  0

 j 1
 NB
QGj  QDi  Vi V j (Gij cos θ ij  Bij sinθ ij )  0

 j 1
 Ti min  Ti  Ti max

 QGi min
 QGi  QGi max

 VGimin  VGi  VGimax

 QCi min
 QCi  QCi max

s.t  VLimin  VLi  VLmax

i
 Si  Si max
 Avec

 S  ( P ) 2  (Q ) 2
 i i i
 Pij  Vi Gii  ViV j (Gij cos θ ij  Bij sinθ ij )

2

 Pji  V j2G jj  ViV j (G ji cos θ ji  B ji sin θ ji )

 Qij  Vi Bii  ViV j (Gij sin θ ij  Bij cos θ ij )
2
 59
 Q ji  V j B jj  ViV j (G ji cos θ ij  Bij sin θ ij )
2

Choix de la méthode
Fonctions objectifs
Pertes actives Puissance transmise Coût de production Déviation
Tension Angle
2* NL
f St ( X , U )  S
i 1
i
t
avec S t  Pt 2  Qt 2

Pt from  Vi2 Gij  gij i j ij
0  V V (G cos θ  B sinθ )
ij ij ij
FDev   (V 1)
ijNpq
i
2 FDevA   abs  teta(i)  teta( j ) 
ijNb
Qt from  Vi 2  Bij  bij0   VV

i j ( Bij cos θij  Gij sin θij )
P to t  V j2 (Gij  g ij0 )  ViV j (Gij cos θ ji  Bij sin θ ji )

Qtto  V j2  Bij  bij0   VV
i j ( Bij cosθ ji  Gij sin θ ji )
)  ai  bi P gi  ci P gi
2
NL C (P
i gi
FPER ( X ,U )  Gk (i, j ) Vi 2  V j 2  2VV

i j cos(i   j ) 

k 1 60
60
Contraintes
Contraintes
Égalités Inégalités
Ecoulement de puissance Contraintes des variables de contrôles

NB VGimin  VGi  VGimax
PGj  PDi  Vi V j (Gij cos θij  Bij sinθij )  0
j 1
NB
Ti min  Ti  Ti max
QGj  QDi  Vi V j (Gij cos θij  Bij sinθij )  0
j 1
 min   i   max
Contraintes de sécurités
VLimin  VLi  VLimax
Si  Simax
61
Nature Du Problème
Optimisation de l’énergie réactive
Non linéaire Non convexe Grande échelle
62
Méthodes d’optimisation et leurs types
Déterministes (Classiques) Stochastiques (Intelligentes)

Ces méthodes conduisent, pour une
solutionMéthode du Gradient
initiale donnée toujours au même Réseaux De Neurones Artificiels
résultat final. Pour trouver l’optimum, elles
s’appuient
Méthodes de Newton
sur une direction de recherche Recuit Simulé
qui peut être fournie par les dérivées de la
fonctionMéthode
objectif. du Simplex Essaims de Particules
Programmation Quadratique Algorithmes Génétiques
Programmation Quadratique Recherche Gravitationnelle

séquentielles
Stratégie d’évolution
Méthode de Point Intérieur
63
Quel est la méthode
la plus efficace ?
Optimum Global Plus utilisée Rapide
Méthode stochastique Méthode déterministe
64
Méthode du point intérieur
Conçue pour résoudre les problèmes de programmation non linéaire.
Manipulation facile des contraintes d’inégalité.
De très bonnes performances en termes de vitesse de convergence pour

les problèmes de grande taille.
65
Essaims de Particules
66
Essaims de Particules
 L’optimisation par essaim de particules PSO (Particle Swarm Optimization) est une
technique d’optimisation parallèle développée par Kennedy et Eberhart en 1995 .
 Elle est inspirée du comportement social des individus qui ont tendance à imiter les
comportements réussis qu’ils observent dans leur entourage, tout en y apportant
leurs variations personnelles.
 Dans l’algorithme du PSO, les particules sont des individus qui se déplacent dans un
espace de recherche avec une vitesse ajustable en fonction de leurs expériences de
déplacement et de l’expérience de leurs compagnons de déplacement.
 Chaque individu dans l’espace de recherche, représente une solution potentielle au

problème à traiter. En d’autres termes, l’espace de recherche est composé de toutes
les solutions possibles. 67
La procédure de recherche est régie selon les règles suivantes :
1. Chaque particule a la capacité d’enregistrer sa meilleure position, considérée

meilleure position individuelle, par laquelle elle est déjà passée et a la possibilité de
retourner à cette position.
2. Chaque particule est informée de la meilleure position connue au sein de son

voisinage et elle va tendre à se diriger à cette position qui est considérée être
meilleure position globale.
3. Chaque particule peut suivre sa propre vitesse.
68
Meilleure performance
individuelle Meilleure performance des
voisins
Pbest-i
Gbest
Position actuelle
Nouvelle
Xik
position
Vitesse actuelle
Vik
 Pour un problème d'optimisation à N-dimensions, la position et le vecteur de vélocité des particules pr sont
représentés respectivement par xpr= [x1pr, x2pr, …,xnpr] et vpr= [v1pr, v2pr, …, vnpr],
 La meilleure position précédente de pr des particules est basée sur l'évaluation de la fonction fitness
représentée par pbest
 La meilleure particule parmi toutes les particules représentées par gbest . 69

La mise à jour de la vélocité et la position de chaque particule peut être calculée comme
indiqué dans la formulation suivante:
vik 1  c0vik  c1  rand1 (t )  ( pbestik  xik ) 
c2  rand 2 (t )  ( gbestik  xik )
Chaque particule modifie sa position en ajoutant la valeur de la nouvelle vélocité (2.72)
en utilisant l'équation suivante:
xt 1  xt  vt 1
70
Une petite valeur de c0 accélère la recherche vers l’optimum local. Tandis qu’une valeur
grande permet l’exploration de tout l’espace de recherche.
Il existe plusieurs fonctions du facteur d’inertie, la plus utilisée est la suivante :
cmax  cmin
c0  cmax   iter
itermax
71
Principalement un algorithme d’optimisation par essaim de particules, PSO algorithme,

est constitué de 3 étapes qui sont répétées durant l’exécution du programme
jusqu’atteindre l’objectif demandé.
1. Évaluation de la fonction objectif de chaque particule.

2. Mise à jour de la fonction objectif individuelle et globale de la particule.
3. Mise à jour de la vitesse et de la position de chaque particule.
72
Initialiser les particules avec la position et le vecteur
de vitesse aléatoire
Évaluer la fonction fitness pour chaque particule
Calculer les valeurs de pbest et gbest pour chaque

Organigramme particule
Mettre à jour de la vitesse des particules
Mettre à jour la position des particules
Oui
Non Les critères

d’arrêt sont
remplis ?
La sortie est la solution optimale

73
Exemple
Résolution d’un problème de dispatching économique
L'objectif du problème de dispatching économique est de déterminer le dispatching de la

production qui minimise le coût d'exploitation instantané, Sous la contrainte de
production totale = charge totale + pertes.
m
Minimirer CT  i Gi  i
C ( P )    PGi   P 2
Gi $/hr (fuel-cost) 
i 1
Pour
m
 PGi  PD  PLosses
i=1
74
Exemple
Résolution par la méthode de lambda-itération
75
Exemple
Choisir  and 
L H
tel que
m m
 PGi ( L
)  PD  0  PGi ( H
)  PD  0
i=1 i=1
While  H   L   Do
 M  ( H   L ) / 2
m
If  PGi ( M
)  PD  0 Then   
H M
i=1
Else  L   M
76
End While
Exemple
Dans le graphique ci-dessous pour chaque valeur de lambda, il existe un PGi unique pour chaque
générateur. Cette relation est la fonction PGi().
77
Exemple
Concédérer le system a 3 generateurs avec :
IC1 ( PG1 )  15  0.02 PG1  $/MWh
IC2 ( PG 2 )  20  0.01PG 2  $/MWh
IC3 ( PG 3 )  18  0.025 PG 3  $/MWh
Et avec la contrainte PG1  PG 2  PG 3  1000 MW
  15   20
PG1 ( )  PG2 ( ) 
0.02 0.01
  18
PG3 ( ) 
0.025
78
Exemple
m
Choisir  L alors  Gi )  1000  0 and
P (  L
i=1
m
 Gi )  1000  0
P (  H
i=1
m
Try  L  20  
  PGi (20)  1000 
i 1
  15   20   18
   1000  670 MW
0.02 0.01 0.025
m
Try  H  30 
  PGi (30)  1000  1230 MW 79
i 1
Exemple
tolerance   0.05 $/MWh
Puis, iterate depuis  H   L  0.05
 M  ( H   L ) / 2  25
m
Puis, depuis  Gi
P (25)  1000  280 we set  H
 25
i 1
Depuis 25  20  0.05
 M  (25  20) / 2  22.5
m
 Gi
P (22.5)  1000   195 we set  L
 22.5
i 1 80
Exemple
Continue iterating until  H   L  0.05
La valeur de la solution de  ,  * , is 23.53 $/MWh

une fois que  * On sait que nous pouvons calculer le PGi
23.53  15
PG1 (23.5)   426 MW
0.02
23.53  20
PG2 (23.5)   353 MW
0.01
23.53  18
PG3 (23.5)   221 MW
0.025 81
Exemple
 Les générateurs ont des limites au minimum et au maximum de puissance a produire.
 Souvent, la limite minimale n'est pas nulle. Cela représente une limite au fonctionnement du
générateur avec le type de carburant désiré.
 En raison de l'économie du système variable, habituellement, de nombreux générateurs d'un

système fonctionnent à leurs limites maximales de MW.
82
Exemple
Dans la méthode lambda-iteration, les limites sont prises en compte lors du calcul PGi ( )
Choisir  L and  H tel que
m m
 PGi ( L
)  PD  0  PGi ( H )  PD 0
i=1 i=1
While  H   L   Do
 M  ( H   L ) / 2
m
If  PGi ( M )  PD  0 Then  H   M
i=1
Else  L   M
End While
if PGi ( )  PGi ,max then PGi ( )  PGi ,max

if PGi ( )  PGi ,min then PGi ( )  PGi ,min
83
Exemple
Dans l’exemple précédent , l'exemple de générateur suppose les mêmes
caractéristiques de coût, mais aussi avec des limites
0  PG1  300 MW 100  PG2  500 MW
200  PG3  600 MW
Avec les limites, nous obtenons
m
 PGi (20)  1000  PG1 (20)  PG 2 (20)  PG 3 (20)  1000
i 1
 250  100  200  450 MW (comparer par -670MW)
m
 PGi (30)  1000  300  500  480  1000  280 MW
i 1
84
Encore une fois, nous continuons à itérer jusqu'à ce que la condition de convergence soit

satisfaite. Avec limite, la solution finale de est de 24,43 $ / MWh (contre 23,53 $ / MWh sans
limites). La présence de limites entraînera toujours à augmenter ou à rester identique
La solution finale est

PG1 (24.43)  300 MW
PG2 (24.43)  443 MW
PG3 (24.43)  257 MW
85
Exemple
Résolution par la méthode de lambda-itération
m
  i   PGi   PGi2
Initialiser les particules avec la position et le vecteur
Minimize F de vitesse aléatoire
i 1 Évaluer la fonction fitness pour chaque particule
Such that Calculer les valeurs de pbest et gbest pour chaque

particule
m
Ceq   PGi  PD  PLosses Mettre à jour de la vitesse des particules
i=1
Mettre à jour la position des particules
Oui
Non Les critères

d’arrêt sont
remplis ?
m m
Minimize F   i   PGi   PGi2   ( PGi  PD  PLosses )
i 1 i=1 La sortie est la solution optimale
86

Chapitre 2 - Calcul Sur Les Réseaux Électrique - OPF

Transféré par

Droits d'auteur :

Formats disponibles

Chapitre 2 - Calcul Sur Les Réseaux Électrique - OPF

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Chapitre 2 - Calcul Sur Les Réseaux Électrique - OPF

Transféré par

Droits d'auteur :

Formats disponibles

Dr AMRANE Youssouf

1388 Lignes de Transport.

Niveau de tension du sous-système:

Niveau de tension du sous-système:

Load Bus Pi , Q i |Vi| , i

Slack Bus |Vi| , i Pi , Qi

 I1  ( y1  y12  y13 ) - y12 - y13 0  V1 

𝐼1 𝑉1 𝑌11 𝑌12 𝑌13 ⋯ 𝑌1𝑖

Les éléments non

Et finalement on peut tirer la valeur de 𝑥 𝑘+1 :

Alors on peut écrire :

𝑄𝑖 = 𝑌𝑖𝑗 𝑉𝑖 𝑉𝑗 sin(𝛿𝑖 − 𝛿𝑗 − 𝜃𝑖𝑗 ) 𝑄𝑖 = 𝑉𝑖 𝑌𝑖𝑗 𝑉𝑗 sin(𝛿𝑖 − 𝛿𝑗 − 𝜃𝑖𝑗 ) + 𝑉𝑘2 𝑌𝑖𝑖 sin(𝜃𝑖𝑖 )

Découplage du problème d’écoulement de puissance :

L’indépendance comparative de la puissance active par rapport aux

Nous avons l’équation suivante :

𝑃𝑖 = 𝑉𝑖 𝑉𝑗 𝐺𝑖𝑗 cos 𝛿𝑖𝑗 + 𝑗𝐵𝑖𝑗 sin 𝛿𝑖𝑗

𝑄𝑖 = 𝑉𝑖 𝑉𝑗 𝐺𝑖𝑗 sin 𝛿𝑖𝑗 − 𝑗𝐵𝑖𝑗 cos 𝛿𝑖𝑗

Elle ce base sur les hypothèses suivantes :

 Les réseaux électriques ayant généralement un rapport X/R (rapport entre la

𝐺𝑖𝑗 sin 𝛿𝑖𝑗 << 𝐵𝑖𝑗

 La différence entre les angles ou phases de la tension de deux nœuds adjacents

sin 𝛿𝑖𝑗 = sin( 𝛿𝑖 − 𝛿𝑗 ) ≅ 𝛿𝑖 − 𝛿𝑗 = 𝛿𝑖𝑗

D’où en peut écrire :

peuvent ainsi être approximés par :

Il faut noter que la solution implique l’inversion des matrice 𝐻 et 𝐿 dont

les dimensions sont approximativement le quart de la matrice Jacobienne

temps de calcule de chaque itération ainsi que l’occupation de

Gauss-Seidel 40ms 124 1,00E-05

découple rapide 10ms 8 1,00E-05

L’instabilité de tension Limites des lignes

Social Industriel Pertes

Combien d’énergie faut-il générer par

 Le problème d’écoulement de puissance optimale cherche à trouver le point de

 Il consiste à optimiser le coût de combustible nécessaire à la production de l’énergie

 Son but est de minimiser le coût de production de l’énergie électrique par

 De minimiser les pertes actives du réseau , améliorer son profil de tension et

Un problème de minimisation se définit par :

Pour On dit que x * et un optimum global si et seulement si :

Un point x * est un minimum local de la fonction f si et seulement si :

D’où V x * définit un voisinage de x * .

Deux minimums locaux sont illustrés par les

Les contraintes doivent être prises en compte dans le problème d’optimisation.

Il y a plusieurs choix pour le traitement des problèmes avec contraintes.

A. Transformer un problème contraint en une suite de problèmes sans contrainte. Cette

B. Géré les contrainte en parallèle avec la minimisation de la fonction objective

Classification des problèmes d’optimisations

Les problèmes d’optimisation seront classés selon leurs caractéristiques :

1. Le nombre du variable de décision si on a une seule variable, alors optimisation

4. Formulation du problème avec contraintes on aura un problème d’optimisation contrainte et si la

 Déterministe ou non stochastique.

 A variable continue ou discrète.

 Ces méthodes conduisent, pour une solution initiale donnée

 Cette particularité constitue un inconvénient majeur dans le

 Ces algorithmes, nécessitent ni point de départ, ni la connaissance de

 Elles explorent l’espace de recherche grâce, en partie, à des mécanismes

 Elles demandent un nombre important d’évaluations de la fonction

 Ces méthodes sont avantageusement utilisées pour la résolution des problèmes de

L'optimisation linéaire étudie le cas où la fonction objectif et les contraintes caractérisant

Solutions optimales de Pareto (Coût-Emission NOx)