Distributed control of networked multi-energy systems
Pilotage distribué de systèmes multi-énergies en réseau
Résumé
A multi-energy system is defined as a set of energy converters allowing the coupling of different energy carriers (gas, elec-tricity, heat, cold, etc.) to meet the demands of production, industrial or agricultural units,or even buildings (housing, work, leisure) for instance. The current literature abounds with case studies demonstrating their significant potential for gains in flexibility and energy efficiency, through the enhancement of synergies between vectors and therefore optimal control. This work contributes to research relating to the problem of the optimized management of the various energy carriers constituting multi-energy systems, for the benefit of the targeted entity. It embraces both the question of modeling and piloting. The formalization of the model is based on the notion of energy hub. Its dynamic behavior is described by a neural state model. In order not to depend on experimental data alone, rarely available in the design phase, the approach relies on the complementarity between multi-physical modeling and neuronal modeling. The first proceeds by interconnection of sub-systems often pre-existing in the ad hoc libraries (cf. general approach of capitalization of multi-physical models). The second proceeds from data, which will be, within the framework of the methodology proposed here, produced by the simulation of the multi-physics model of the system under study. Our reflection here focused on the question of the choice of an adapted neuronal structure, and on that of the choice of learning meta-parameters. The models proposed were then put to the service of piloting, used as internal models of the so-called predictive control or EMPC (Economic Model Predictive Control). The latter indeed complements the overall methodology, in that it makes it possible to manage control compromises, or even optimization of an economic cost. The economic cost can be linked in particular to the relative cost of the various energy supports). The application case considered is that of controlling the energy system of an agricultural greenhouse, comprising electricity, low-and high-temperature heat, CO2 as energy carriers, and natural gas as an energy source. The results obtained show that the methodology developed is applicable and that the use of the advanced control makes it possible to optimize the use of natural gas by optimizing the use of the various equipment of the greenhouse energy system.
Un système multi-énergie se définit comme un ensemble de convertisseurs énergétiques permettant le couplage de différents vecteurs énergétiques (gaz, électricité, chaud,froid, etc.) pour répondre aux demandes d’unités de production, industrielles ou agricoles, voire d’immeubles abritant les activités humaines (logement, travail, loisirs) par exemple. La littérature actuelle foisonne de cas d’étude démontrant leur potentiel significatif pour des gains de flexibilité et d’efficacité énergétiques, moyennant la valorisation des synergies entre vecteurs et donc une commande optimale. Ce travail contribue à la recherche relative à la problématique de la gestion optimisée des différents vecteurs énergétiques constitutifs des systèmes multi-énergies, au bénéfice de l’entité visée. Il embrasse à la fois la question de la modélisation et du pilotage. La formalisation du modèle s’appuie sur la notion d’energy hub. Son comportement dynamique est décrit par un modèle d’état neuronal. Afin de ne pas dépendre des seules données expérimentales, rarement disponibles en phase de conception, l’approche mise sur la complémentarité entre la modélisation multi-physique et la modélisation neuronale. La première procède par interconnexion de sous-systèmes souvent pré-existants dans les librairies ad hoc (cf. démarche générale de capitalisation de modèles multi-physiques). La seconde procède à partir de données, qui seront, dans le cadre de la méthodologie proposée ici, produite par la simulation du modèle multi-physique du système à l’étude. Notre réflexion ici a porté sur la question du choix d’une structure neuronale adaptée, et sur celle du choix des méta-paramètres d’apprentissage. Les modèles proposés ont ensuite été mis au service du pilotage, utilisés comme modèles internes de la commande dite prédictive ou EMPC (Economic Model Predictive Control). Cette dernière complète bien en effet la méthodologie globale, en ce qu’elle permet de gérer les compromis de pilotage, voire d’optimisation d’un coût économique. Le coût économique peut être relié notamment, au coût relatif des différents supports énergétiques). Le cas d’application considéré in fine est celui du pilotage du système énergétique d’une serre agricole, comprenant comme vecteurs énergétiques de l’électrique, de la chaleur à basse et à haute température, du CO2 et comme source énergétique le gaz naturel. Les résultats obtenus montrent que la méthodologie développée est applicable et que l’utilisation de la commande avancée permet d’optimiser l’utilisation du gaz naturel par l’optimisation de l’utilisation des différents équipements du système énergétique de la serre.
| Origine | Version validée par le jury (STAR) |
|---|