Une gestion efficace de l énergie : de l habitation aux réseaux Rencontres INRIA - Industries Ville durable numérique de demain Thème Énergie 23 juin, HEC Jean-Yves Berthou Jean-François FAUGERAS EDF R&D
Pourquoi des évolutions des réseaux d énergies?
Histoire simplifiée des réseaux électriques Réseaux THT 400kV/63kV Réseaux HT 400kV/63kV Réseaux maillés (10 5 km) contrôlés par des dispatchings assurant un suivi précis de l état en temps réel du réseau. Système de protection sophistiqué s appuyant sur des disjoncteurs Réseaux arborescents (1,25 10 6 km), (télé)opérés manuellement à partir des agences de conduite, large utilisation des fusibles : réseaux simples et économiques. HTB/HTA 63kV/20kV HTA/BT 20kV/400V Réseaux MT/BT HTB/HTA 63kV/20kV HTA/BT 20kV/400V un réseau globalement «descendant»
Des facteurs de changements majeurs (1/2) Des changements institutionnels Des gestionnaires de réseau devant assurer un accès transparent et non discriminatoire à tous les acteurs et des orientations politiques : les «3 X 20%» de l UE : L efficacité énergétique Les énergies renouvelables Les émissions de CO2 le Grenelle de l Environnement! qui impactent l amont et l aval!
2. Des facteurs de changements majeurs (2/2) Des changements industriels Les EnR : Eolien : 2005 : 300 MW / auj. > 2 GW / demain 10-20 GW?? PV - 8000 demandes / mois Le comptage : Italie (27 M déployés) nombreux projets en Europe et aux US pour 2010/12 France : expérimentation de 300000 compteurs Les usages de l électricité en substitution tion de l électricité PàC, véhicules électriques, : une perspective à considérer peut être plus en puissance qu en énergie maîtrise et pilotage de la demande
Vers un nouveau réseau : le smart grid? Production Réseaux THT 400kV/63kV 400kV/63kV Réseaux HT HTB/HTA 63kV/20kV Réseaux MT/BT HTB/HTA 63kV/20kV PDE PDE Consommation HTA/BT 20kV/400V HTA/BT 20kV/400V PDE un réseau de «collecte» à optimiser!!!
La vision des smartgrids dans le monde
Quelques définitions Europe (Source : european technology Platform smartgrids) : A smart grid is an electricity network that can intelligently integrate the actions of all users connected to it generators, consumers and those that do both in order to efficiently deliver sustainable, economic and secure electricity supply. USA (Source : US department of energy) : A smart grid is self healing, enables active participation p of consumers, operate resiliently against attack and natural disaster accomodate all generation and storage options, enable introduction of new products, services and markets, optimize asset utilization and operate efficiently, provide power quality for the digital economy
Une vision des constituants possibles
En résumé.
La recherche e c e sur les smartgrids en France menée pour ERDF par EDF R&D
Smartgrids le concept Le concept de «smart grids» recouvre l ensemble des solutions innovantes pour «gérer un réseau» (grâce en part. aux NTIC) 4 notions 1. la gestion intelligente des actifs Smart Life Smart Operation 2. l exploitation et la conduite intelligentes 3. Le comptage communicant et intelligent Smart Meter Management Smart 4. la construction d équilibres locaux distrib. Gene. & Load Magt
Des questions encore ouvertes Production décentralisée : de l énergie fatale à l énergie programmable? L importance de la prévisibilité, de l observabilité et de la prévision La gestion des incertitudes sur la performance des solutions L enjeu du stockage (rentabilité en question) Le modèle économique (partage des investissements, ) L évolution des modes de raccordement et les services attendus par le système, etc.. Comptage intelligent : où est la valeur? Relevé, gestion des consommations et de l accès au réseau Outil de gestion du réseau BT Modernisation des outils de planification grâce à une meilleure connaissance des charges Transparence de l information venant du réseau : information sur la qualité, la tension Porte ouverte sur la gestion de la charge, etc
Les Technologies de l Information et la Simulation au service des réseaux intelligents
Introduire le probabiliste dans les études réseau Contexte : de plus en plus d aléas à considérer Augmentation de la production décentralisée (éolien, PV) incertaine (aléas climatiques) Caractère incertain de l évolution de la consommation (VE) Nouvelles contraintes réglementaires sur la qualité de fourniture soumise à différents aléas (climatiques, vieillissement matériel, temps de réparation) Limitation des méthodes actuelles Utilisation de valeurs déterministes extrêmes ou moyennes Pas de corrélation entre les différents aléas Difficulté à estimer le risque pris dans une décision métier Gains potentiels pour le distributeur de nouvelles marges dans la conduite et l exploitation du réseau en tenant compte de la production non programmable (éolien et PV) une diminution ou un décalage des investissements en prenant en compte dans les études de réseau des combinaisons d'aléas (météo, charge, prod. Éolienne ou PV, temps d intervention, fiabilité des équipements télécom, ) une détermination des actions de maintenance (transfo, boites de jontion) en identifiant les zones à risques (proba d occurrences température/charge élevée) Enjeux métiers : mieux maîtriser les conséquences de l insertion de la production décentralisée Améliorer la qualité de fourniture, meilleur politique d investissement Optimiser la gestion des actifs réseau, estimation du vieillissement des ouvrages sensibles notamment aux aléas météo
Introduire le probabiliste dans les études réseau OpenTURNS is an Open source initiative to Treat Uncertainties, Risks N Statistics in a structured industrial approach. It has been developped since 2005 through a partnership between EDF, EADS and Phimeca Sources are under GNU LGPL, documentation and wiki content are under GNU FDL Target users: Industrial pratitioners : access through GUI: Scientific C++ library including an internal data model and algorithms dedicated to the treatment of uncertainties Academic and research users: Python module with high level probabilistic and statistical operators Sources of uncertainty Meteo. Randomness Variability Model imprecisions. Pre-existing physicalindustrial system or component Mechanical component Waste storage facility Maintenance program Input variable s Outputs with industrial stakes Mechanical margin to failure Peak dose emitted Net cost/benefit expected. System model Varia bles of intere st uncertain : x o fixed : d G(x,d) Z = G(x,d)
Simulation de grands systèmes discrets Simuler une panne électrique globale et la restauration du système ; en fonction de l'architecture télécom et de la zone géographique g touchée : quelle durée totale d'incident? Comment le système gère un retour quasi-simultané de dizaines de millions de compteurs? Quelle est la meilleure stratégie d'utilisation de l'énergie restante, à partir de la détection de la perte de puissance? Quelles sont les conséquences de la perte d'un lien télécom WAN? Combien de données perdues? Est-il intéressant de tenter une bascule d'opérateurs? Si une mise-à-jour de firmware des compteurs devait se produire à pleine charge dans le pire cas, en combien de temps pourra-t-on êtrer certains que l'ancien firmware sera complètement résorbé? Quelle efficacité des moyens de MDE si X% des foyers les mettent en application? Quel volume de données à véhiculer, quelle durée d'anticipation est nécessaire à un fournisseur pour remplir ses obligations contractuelles auprès de ses clients? Le système est-il capable de faire la collecte journalière des données de comptage en l'espace de 6h?» 5 constituants t principaux: i compteur communicant concentrateur SI central réseau de communication local (LAN) réseau de communication étendu (WAN) Le cas français (ERDF) : 35 millions de compteurs 700 000 concentrateurs Déploiement: 5 milliards d' 100Go de données / jour LAN = technologie CPL WAN = technologie GPRS
Simulation de grands systèmes discrets À événements discrets : le système est soumis à une succession d'événements ponctuels qui en modifient l état Synchrone (dite «time-slicing» ou«timestepped») : Il existe une fréquence de simulation fondamentale, paramétrable (ex: 50Hz pour le CPL AMM) Intensément concurrente : simulation répartie distribuée sur un ensemble de nœuds de calcul (ex : cluster), l algorithme permet, à chaque pas de temps, d évaluer tous les modèles en parallèle Ex. : 51 millions de compteurs (gaz et élec), 25 millions de passerelles résidentielles, 25 millions de CDU (Customer Display Unit), 25*3 + 3 millions de liens télécom => 179 millions d'instances de modèles en interaction Besoin mémoire/calcul par étude : 2To 20To, 10-100 Tflops Modèles métier Sim-Diasca, framework de programmation de grands systèmes discrets, transforme une instance WOOPER en un une instance d'un modèle simulé et un système multi-agents en une simulation discrète massivement concurrente WOOPER, librairie objet, transforme un processus en instance d'une classe bénéficiant de l'héritage multiple et une application concurrente en un système multi-agents Erlang, langage fonctionnel orienté concurrence : fournit les moyens de créer une application parallèle et répartie, à base de processus
Traitement de données massives et HPC Stockage et traitement de données massives Très grands entrepôts centralisés (ex. Teradata) Cloud computing et stockage distribué Stockage, requêtage et fouille de données temporelles massives Traitement de données en ligne Décisionnel i temps réel (calcul l d agrégats, détection d anomalies) Apprentissage en ligne de modèles (prévision, détection d anomalies adaptatives) Fouille de données distribuées ex: prévision de consommation à différentes mailles
Traitement de données massives Smart grids : observabilité du réseau Objectifs : Données : Exemples : prise en compte de la production décentralisée pour la téléconduite et la supervision du réseau qualité de la fourniture gestion active de la demande dimensionnement du réseau SI Conduite SI AMM Σ DP1 DP2 DP3 topologie du réseau mesures sur le réseau courbes de charge individuelles id de consommation et de production données de stockage d énergie données météo fines principaux usages des clients ~600 To/an (cdc à la mn) observabilité du réseau à l aide des courbes de charge AMM prévision de la production photovoltaïque HTA Poste DP1 Capteur Poste DP2 Poste DP3 BT BT BT 20
Traitement de données massives Web de l énergie Services aux clients à partir des données énergétiques remontant des installations clients Aujourd hui : Jours bleu, blanc, rouge de Tempo/EJP, HP/HC pour le pilotage de la charge Unique interlocuteur du client : le commercialisateur Demain : Analyse de la courbe de charge Échanges entres les clients (réseau social énergétique) Équipements communicants Gestion énergétique locale Pilotage de la charge 21
Traitement de données massives Web de l énergie Objectifs : pour le client : échanges de bonnes pratiques, recherche d offres de fourniture d énergie, se comparer aux autres, pilotage de sa consommation et de sa production pour EDF : connaître et communiquer avec les clients et les prospects, trouver des gisements d effacements, préparer et opérer des offres de gestion active de la demande Données : courbes de charge de consommation et de production au niveau individuel id et par usages données météo fines données relatives aux équipements, au logement et à ses occupants données des SI contractuels et de facturation blogs, réseaux sociaux ~ dizaines de Po annuel cdc à la seconde Exemples : Google Power Meter Voltalis à grande échelle 22
Traitement de données massives Monitoring de la relation clientèle : systèmes de recommandation pour les offres aux clients Aujourd hui : Conseils pratiques (eco-gestes) Offres : «je déménage», «je fais des travaux», «je fais construire» Demain : push d offres et systèmes de recommandation Les clients qui consomment comme vous ont choisi : 1 Ecoplus 2 Gestionplus 3 Photoplus 23
Traitement de données massives Monitoring de la relation clientèle : systèmes de recommandation pour les offres aux clients Objectifs : Données : Exemples : optimisation des dispositifs de la relation client définition des offres ciblage / recommandation des offres aux clients optimisation tarifaire courbes de charge de consommation et de production au niveau individuel et par usage données contractuelles et de facturation historique des contacts clients multi-canaux ~100 To/an (cdc au ¼ d heure) y voir clair dans la multiplication des offres, supervision de la gestion multi- canal 24