Autoconsommation et optimisation de la gestion énergétique des bâtiments

In recent years, the aggregation of distributed energy generation and the growing of individual, and collective, self-consumers make energy flows multidirectional on the common coupling point. The flow optimization by Aggregators is based on the use of data, decision support tools as well as flexibility services.The thesis work focuses on the study of electrical grids flexibility management by integrating self-consumption microgrids, particularly in urban areas. The management of flexibility is achieved by an original predictive management strategy developed during this work. It combines classical methods of power flow optimization (OPF) based on mixed integer nonlinear programming (MINLP), long short-term memory recurrent neural learning (LSTM) algorithms and evaluation criteria, dynamic and decision rules. The main multivariable cost function to be minimized is based on the predictive estimate, day-ahead ("D + 1" forecast), of the locational average marginal price at the various nodes of the electricity network. The algorithms manage the negotiations between the aggregator and the users of the electricity grid, iteratively analyzes the different scenarios of flexibility systems services and validates the choice of the optimal configuration for the next day.Simulations based on Monte Carlo algorithms as well as experimental validations were performed. They made it possible to test and to improve the proposed energy management strategy.Ces dernières années, l’agrégation des sources d’énergie distribuées et l’émergence d’autoconsommateurs individuels et collectifs sur un nœud de puissance rendent les flux énergétiques multidirectionnels. L’optimisation par les Agrégateurs se base sur une exploitation de données, d’outils d’aide à la décision ainsi que des services de flexibilité. Les travaux de thèse portent sur l’étude de cette problématique de gestion de la flexibilité des réseaux électriques par l’intégration des microréseaux d’autoconsommation, notamment urbains. La gestion de la flexibilité est réalisée par une stratégie de gestion prédictive originale développée au cours de ces travaux. Elle associe les méthodes classiques d’optimisation des flux de puissance (OPF) basées sur la programmation non linéaire à nombres mixtes (MILNP), les algorithmes d’apprentissage neuronal récurrent à longue mémoire à court terme (LSTM) et des critères d’évaluation dynamique et d’aide à la décision. La principale fonction multivariable de coût à minimiser est basée sur l’estimation prédictive, la veille pour le lendemain (prévision « J+1 »), du prix marginal moyen localisé aux différents nœuds du réseau électrique. Les algorithmes gèrent les négociations entre l’agrégateur et les usagers du réseau électrique, analysent de manière itérative les différents scénarios de services système de flexibilité et valident le choix de la configuration optimale pour le lendemain. Des simulations basées sur les algorithmes de Monte-Carlo ainsi que des validations expérimentales ont été réalisées. Elles ont permis de tester et améliorer la stratégie de gestion énergétique proposée