Mémoire de Magister en Electrotechnique

REPUBLIQUE ALGERIENNE DEMOCRATIQUE ET POPULAIRE

Ministère de l’Enseignement Supérieur et de la Recherche Scientifique

Université Amar Telidji, Laghouat

Faculté des Sciences et Sciences de l’IngénieurDépartement Génie Electrique

Mémoire de Magister en ElectrotechniqueOption : Analyse, Conduite et Commande des Réseaux Electriques

THEME

Optimisation Multiobjectif de la Synthèse des FACTS par lesParticules en Essaim pour le Contrôle de la Stabilité de Tension

des Réseaux Electriques

Présenté par :

Rabah BENABIDIngénieur d’Etat en Electrotechnique de l’Université de Jijel

Soutenu le 04/09/2007 devant le jury composé de :

I.K. LEFKAIER Professeur à l’UATL PrésidentM. BOUDOUR Maître de Conférences à l’USTHB RapporteurA. HELLAL Professeur à l’UATL ExaminateurL. MOKRANI Maître de Conférences à l’UATL ExaminateurS. ARIF Chargé de Cours à l’UATL Invité

UAT, Laghouat : 2007

:ملخص

طریقة علىالتوترستقراراتقدیر اعتمدنا في.في األنظمة الكھربائیةللتوترالساكناالستقرار لرسالة مشكلة ذه اھفيدرسنفیھالك المعوض التسلسلي المتحكمذلجھاز المعوض الثابت للطاقة المتفاعلة و كاألمثل لستعمال االإن.فیض القدرة المتواصل

انھیار الضغط تمت مشكلة إن.ذهھتنا رسالنا في اھتمامبحظي قد للتوتر االستقرار الساكنحسینفي تبواسطة الترستوراألسرابا الغرض استعملنا عدة أنواع لطریقةذولھ، الك متعددة األھدافذتحسینیة ذات الھدف الوحید و كصیاغتھا كمشكلة

و بمغلوالغیر الجزئیة ذات الترتیب األسراب,الطریقة األصلیة:يأال و ھ,للتوترمشكلة االستقرار الساكن في تحلیلالجزئیةتبار المتغیرات المستمرة االعتأخذ بعینبحیث أنھاتم صیاغتھا ،الطرق السالفة الذكرذهھ.الجزئیة متعددة األھدافاألسرابكدالك

.الغیر المستمرةو

الثابت المعوض,الجزئیةاألسراب طریقة,للتوترالساكنستقراراالھامش ,للتوتراالستقرار الساكن :الكلمات المفتاحیة.بواسطة الترستورفیھالمعوض التسلسلي المتحكم,للطاقة المتفاعلة

Résumé :

Ce mémoire traite du problème de la stabilité statique de tension dans les réseaux électriques.Des notions de base relatives à l’instabilité et l’effondrement de tension ont étés présentées. Lastabilité de tension d’un réseau électrique a été évaluée par la méthode d’écoulement de puissanceen continu (CPF). L’utilisation optimale du compensateur statique d’énergie réactive (SVC) et duCompensateur série commandé par thyristor (TCSC) dans l’amélioration de la marge de stabilitéstatique de tension, a retenu aussi notre intérêt dans ce mémoire. Le problème d’effondrement detension a été formulé comme un problème d’optimisation mono-objectif et également multi-objectif. Plusieurs variantes de la méthode d’optimisation par essaim de particules à savoir : laméthode de base PSO, NSPSO (Non dominated Sorting Particle Swarm Optimization) et MOPSO(Multi-objective Particle Swarm Optimization) sont appliquées au problème de la stabilité detension. Ces méthodes sont modifiées afin de prendre en considération aussi bien les variablescontinues que les variables discrètes.

Mots-clés : Stabilité Statique de Tension, Marge de Stabilité de Tension, Méthode d’optimisationpar Essaim de Particule, SVC, TCSC.

Abstract:

This work deals with the problem of the static voltage stability in the power systems. Basicconcepts relating to the instability and voltage collapse are presented. The voltage stability ofpower system is assessed by the method of Continuation Power Flow (CPF). The optimal use of theSVC and The TCSC in the improvement of the static voltage stability margin also retains ourinterest in this memory. The voltage collapse problem is formulated as mono-objective and multi-objective optimization problem. Several alternatives of the Particle Swarm Optimization method,namely: the basic PSO, NSPSO (Non dominated Sorting Particle Swarm Optimization) andMOPSO (Multi-objective Particle Swarm Optimization) are applied to the problem of voltagestability. These methods are modified in order to take into account the continuous as well as thediscrete variables of the multimachine power system.

Keywords: Static Voltage Stability, Voltage Stability Margin, Particle Swarm OptimizationMethod, SVC, TCSC.

REMERCIEMENTS

Mes remerciements les plus vifs, vont à mon Directeur de mémoire monsieurMohamed BOUDOUR, Maître de conférence à l’USTHB pour son aide, son orientationjudicieuse et sa disponibilité, aussi pour la confiance, la patience et la compréhensionqu’il m’a toujours manifesté …

Je tiens également à remercier Monsieur AbdelHafid HELLAL, Professeur àl’UATL pour son aide, son orientation judicieuse, ses conseilles, disponibilité et sonencouragement spécialement durant l’année théoriques.

Je tiens également à remercier Monsieur Lakhdar MOKRANI, Maître deConférences à l’UATL pour son aide et son orientation durant l’année théorique.

Je tiens également à remercier Monsieur Salem ARIF, Chargé de Cours à l’UATLpour son aide, son encouragement, sa disponibilité, spécialement durant l’annéethéorique.

Je remercie également Monsieur Ibn Khaldoun LEFKAIER, Professeur à l'UATLd’avoir accepté de Présider le jury de soutenance.

Je veux aussi exprimer ma vive reconnaissance envers tous les enseignants du postegraduation du réseau électrique.

« Une personne qui n’a jamais commis d’erreur …

…n’a jamais tenté d’innover »

Albert Einstein

DEDICACE

Je dédiée ce travail à :

Ma Mère,

A mon Père Ali,

A Ma Femme,

A ABderaouf,

A mes frères : Hichem, Abdenour, Mohammed et Hamza,

A ma Soeur,

A Bounesseba SADAK,

Et à tous mes Amis

RABAH BENABID/07/2007

LISTE DES FIGURES

UATL 2007 VI

LISTE DES FIGURES

Figure 1.1 Classification des types de la stabilité des réseaux électriques............................... 8

Figure 1.2 Réseau électrique à deux noeuds............................................................................. 10

Figure 1.3 Principe d’écoulement de puissance continu........................................................... 19

Figure 2.1 Modèle en d’une ligne électrique........................................................................ 25

Figure 2.2 Modèle d’un transformateur.................................................................................... 26

Figure 2.3 Structure d’un SVC ................................................................................................ 40

Figure 2.4 Modèle d’un SVC.................................................................................................... 42

Figure 2.5 Modèle d’un TCSC................................................................................................. 42

Figure 3.1 Réseau électrique à deux nœuds.............................................................................. 48

Figure 3.2 Courbe de bifurcation de tension............................................................................. 50

Figure 3.3 Schéma synoptique du réseau d’application........................................................... 52

Figure 3.4 Caractéristique PV pour différente valeurs de tanB ....................................... 53

Figure 3.5 Influence de TCSC sur la caractéristique PV.......................................................... 54

Figure 3.6 Influence du SVC sur la courbe de bifurcation de tension...................................... 55

Figure 3.7 Influence de OLTC sur la courbe de bifurcation..................................................... 56

Figure 3.8 Influence des modèles de charge sur la caractéristique PV..................................... 59

Figure 4.1 Illustration des différents minima d’une fonction objective................................... 65

Figure 4.2 Front de Pareto d’un problème d’optimisation bi-objectif. .................................... 68

Figure 4.3 Principe de déplacement d’un point de recherche par PSO.................................... 75

Figure 4.4 Organigramme général de PSO............................................................................... 77

Figure 4.5 Méthode de Hu et Eberhart..................................................................................... 78

Figure 4.6 Méthode de Parsopoulos et Varhatis....................................................................... 79

Figure 4.7 Principe de l’arbre de dominance............................................................................ 80

Figure 4.8 Principe de sélection du gbest dans l’algorithme de Fielsend et Singh................... 81

Figure 4.9 Méthode de sigma................................................................................................... 82

Figure 4.10 Technique de grille................................................................................................ 83

Figure 4.11 Classement de 10 particules dans quatre fronts de Pareto................................... 85

Figure 4.12 Principe de la méthode de niche.......................................................................... 86

Figure 4.13 Frontière de Pareto tracée par MOPSO.............................................................. 91

Figure 4.14 Frontière de Pareto tracée par NSPSO................................................................ 92

Figure 5.1 Réseau test IEEE 14 nœuds................................................................................... 95

LISTE DES FIGURES

UATL 2007 VII

Figure 5.2 Caractéristiques PV aux Nœuds 4, 13 et 14.......................................................... 97

Figure 5.3 Caractéristiques PV du Nœud 14 avec et sans limites sur l’énergie réactive........ 97

Figure 5.4 Evolution des pertes actives et réactives lors d’un effondrement de tension........ 98

Figure 5.5 Influence du modèle de charge sur l’effondrement de tension............................. 100

Figure 5.6 Principe de régulation de la tension par le SVC.................................................... 101

Figure 5.7 Evolution de la marge de stabilité de tension en fonction de la taille du SVC..... 104

Figure 5.8 Evolution de facteur de performance en fonction de la taille du SVC.................. 105

Figure 5.9 Caractéristiques de bifurcation du nœud 14 avec et sans SVC............................. 105

Figure 5.10 Evolution du bSVC en fonction de la charge......................................................... 106

Figure 5.11 Comparaison entre trois sites du SVC................................................................. 107

Figure 5.12 Profile des tensions du système avec et sans SVC.............................................. 107

Figure 5.13 Evolution des pertes actives avec et sans SVC................................................... 108

Figure 5.14 Evolution des pertes réactives avec et sans SVC................................................ 109

Figure 5.15 Taille Optimale du TCSC.................................................................................... 110

Figure 5.16 Caractéristiques de bifurcation au nœud 14 avec et sans TCSC......................... 111

Figure 5.17 Evolution des pertes réactives avec et sans TCSC.............................................. 111

Figure 5.18 Evolution des pertes actives avec et sans TCSC ............................................... 112

Figure 5.19 Profile des tensions du système avec et sans TCSC............................................ 113

Figure 5.20 Caractéristiques de bifurcation pour les cas de SVC, TCSC, et les deuxensembles.................................................................................................................................. 113

Figure 5.21 Evolution des pertes réactives pour les cas de SVC, TCSC, et les deuxensembles.................................................................................................................................. 114

Figure 5.22 Evolution des pertes actives pour les cas de SVC, TCSC, et les deuxensembles.................................................................................................................................. 115

Figure 5.23 Profile de tension du système pour les cas de SVC, TCSC, et les deuxensembles.................................................................................................................................. 115

Figure 5.24 Variation des pertes actives en fonction de nombre d’itération. ........................ 120

Figure 5.25 Variation de la marge de stabilité en fonction nombre d’itération...................... 121

Figure 5.26 Frontières de Pareto pour quatre cas de simulation ............................................ 123

Figure 5.27 Frontières de Pareto de NSPSO et MOPSO sans FACTS................................... 124

Figure 5.28 Frontières de Pareto de NSPSO et MOPSO avec SVC....................................... 125

Figure 5.29 Frontières de Pareto de NSPSO et MOPSO avec TCSC..................................... 125

Figure 5.30 Frontières de Pareto de NSPSO et MOPSO avec le TCSC et SVC.................... 126

LISTE DES TABLEAUX

UATL 2007 VIII

LISTE DES TABLEAUX

Tableau 1.1 Effondrement de tension dans le monde............................................................. 12

Tableau 2.1 Valeurs des exposants np et nq pour différents types de charge ......................... 28

Tableau 2.2 Domaines d’applications des dispositifs FACTS............................................... 39

Tableau 4.1 Paramètres de NSPSO et MOPSO ..................................................................... 91

Tableau 5.1 Comparaison entre des logiciels d’analyse des réseaux électriques................... 94

Tableau 5.2 Facteur de sensibilité de tension pour quatre noeuds critiques........................... 102

Tableau 5.3 Les cinq meilleurs emplacements du TCSC....................................................... 109

Tableau 5.4 Paramètres de PSO.............................................................................................. 119

Tableau 5.5 Solutions optimales............................................................................................. 120

Tableau 5.6 Solutions optimales............................................................................................. 122

Tableau 5.7 Paramètres de NSPSO et MOPSO...................................................................... 128

TABLES DES MATIERES

UATL 2007 I

TABLES DES MATIERES

RésuméDédicace

RemerciementsPublicationsTable des matières I

Liste des figures VI

Liste des tableaux VIII

Page

Introduction générale 1

CHAPITRE1 : STABILITE DE TENSION

1.1 Introduction……………………………………………………………………………….... 51.2 Stabilité des réseaux électriques…………………………………………………………..... 5

1.2.1 Stabilité angulaire…………………………………………………………………...... 61.2.1.1 Stabilités angulaire aux petites perturbations………………………………... 61.2.1.2 Stabilité transitoire…………………………………………………………..... 6

1.2.2 Stabilité de fréquence………………………………………………………………..... 71.2.3 Stabilité de tension…………………………………………………………………..... 7

1.2.3.1 Stabilité de tension vis-à-vis de petite perturbation………………………....... 71.2.3.2 Stabilité de tension vis-à-vis des grandes perturbations…................................ 7

1.3 Stabilité de tension………………………………………………………………………...... 81.3.1 Causes d’instabilités de tension……………………………………………………...... 9

1.3.1.1 Production trop éloignée de la consommation…………………………........... 101.3.1.2 Manque locale d’énergie réactive…………………………………………...... 101.3.1.3 Charge appelée trop importante …………………………………………….... 12

1.4 Effondrement de tension dans le monde…………………………………………………...... 12

1.5 Analyse de la stabilité de tension………………………………………………………….... 131.5.1 Analyse dynamique………………………………………………………………….... 131.5.2 Analyse statique……………………………………………………………………...... 131.5.3 Méthode d’analyse de la stabilité statique de tension………………………………..... 14

1.5.3.1 Valeur singulière minimale………………………………………………….... 151.5.3.2 Valeurs propres……………………………………………………………...... 161.5.3.3 Marge de charge (loading margin)………………………………………….... 17

1.5.4 Ecoulement de puissance continu…………………………………………………....... 181.5.4.1 Prévision de la nouvelle solution…………………………………………....... 201.5.4.2 Correction de solution……………………………………………………….... 21

TABLES DES MATIERES

UATL 2007 II

1.5.4.3 Choix de paramètre continu………………………………………………....... 221.6 Conclusion………………………………………………………………………………....... 23

CHAPITRE 2 : MODELISATION DES RESEAUX ELECTRIQUES EN

REGIME PERMANENT

2.1 Introduction…………………………………………………………………………………. 242.2 Modélisation mathématique du réseau électrique…………………………………………… 25

2.2.1 Modèle de l’alternateur………………………………………………………………... 252.2.2 Modèle de la ligne de transport……………………………………………………….. 252.2.3 Modèles des nœuds du réseau………………………………………………………… 262.2.4 Modèle du Transformateur……………………………………………………………. 272.2.5 Equipements de compensation de l’énergie réactive………………………………….. 272.2.6 Modélisation des charges …………………………………………………………….. 27

2.3 Systèmes de Transmission Flexibles en Courant Alternatif (FACTS)……………………… 292.3.1 Définition et généralités ……………………………………………………………… 302.3.2 Rôle des Dispositifs FACTS………………………………………………………….. 312.3.3 Types des Dispositifs FACTS………………………………………………………… 32

2.3.3.1 Compensateurs Parallèles…………………………………………………….. 322.3.3.1.1 Compensateur statique de puissance réactive (SVC)……………………... 32

2.3.3.1.2 Compensateur statique synchrone (STATCOM)…………………… 332.3.3.2 Compensateurs Séries………………………………………………………… 33

2.3.3.2.1 Compensateur série commuté par thyristor (TSSC)………………... 332.3.3.2.2 Compensateur série commandé par thyristor (TCSC)……………… 332.3.3.2.3 Compensateur série synchrone (SSSC)…………………………….. 34

2.3.3.3 Compensateur Série Parallèle (hybride)……………………………………… 352.3.3.3.1 Contrôleur de transit de puissance universel (UPFC)…..................... 352.3.3.3.2 Transformateur déphaseur commandé par thyristor (TCPST)…....... 352.3.3.3.3 Régulateur d’angle de phase commandé par thyristor (TCPAR)…... 362.3.3.3.4 Régulateur de tension commandé par thyristor (TCVR)…………… 36

2.3.4 Dispositifs FACTS en exploitation …………………………………………………... 362.3.4.1 Condensateur série avancé (ASC) de Kayenta……………………………….. 362.3.4.2 TCSC d’Imperatriz……………………………………………………………. 372.3.4.3 STATCOM de Sullivan………......................................................................... 372.3.4.4 UPFC d’Inez …………………………………………………………………. 38

2.3.5 Coût des dispositifs FACTS…………………………………………………….…….. 382.3.6 Synthèse…………………………………………………………………………..…… 392.3.7 SVC et TCSC…………………………………………………………………………. 39

2.3.7.1 Structure du SVC et TCSC…………………………………………...………. 402.3.7.2 Modélisation mathématique du SVC et du TCSC……………………..……... 41

2.4 Emplacement optimale de dispositifs FACTS…………………………….………………… 432.4.1 Etat de l’art……………………………………………………………………………. 43

TABLES DES MATIERES

UATL 2007 III

2.5 Conclusion…………………………………………………………………………………... 46

CHAPITRE 3 : ETUDE PARAMETRIQUE DE LA STABILITE DE TENSION

3.1 Introduction…………………………………………………………………………………. 473.2 Système test…………………………………………………………………………………. 473.3 Courbe d’effondrement de tension …………………………………………………………. 483.4 Analyse et interprétation…………………………………………………………………….. 503.5 Influence des composants du réseau sur la stabilité de tension……………………………... 51

3.5.1 Réseau d’application………………………………………………………………….. 523.5.2 Influence de facteur de puissance……………………………………………………... 523.5.3 Influence du TCSC……………………………………………………………………. 533.5.4 Influence du SVC……………………………………………………………………... 543.5.5 Influence du Transformateur régleur en charge (OLTC)……………………………... 553.5.6 Influence de la nature de charge………………………………………………………. 56

3.5.6.1 Modèle à puissance constante ………………………………………………... 573.5.6.2 Modèle à courant constant…………………………… ……………………… 573.5.6.3 Modèle à admittance constante……………………………………………….. 57

3.6 Conclusion…………………………………………………………………………………... 59

CHAPITRE 4 : OPTIMISATION MULTI-OBJECTIF PAR ESSAIM DE

PARTICULES

4.1 Introduction ………………………………………………………………………………… 614.2 Définitions de base …………………………………………………………………………. 64

4.2.1 Définition de l’optimisation…………………………………………………………... 644.2.2 Fonction objective…………………………………………………………………….. 644.2.3 Variables de décision…………………………………………………………………. 644.2.4 Formulation d’un problème d’optimisation mono-objectif…………………………… 644.2.5 Minimum global………………………………………………………………………. 654.2.6 Minimum local………………………………………………………………………... 664.2.7 Formulation d’un problème d’optimisation multi-objectif……………………………. 664.2.8 Concept d’optimalité au sens de Pareto……………………………………………….. 674.2.9 Ensemble de Pareto optimal…………………………………………………………... 684.2.10 Frontière de Pareto…………………………………………………………………... 68

4.3 Méthodes d’optimisation multi-objectif……………………………………………………. 694.3.1 Méthodes pleines agrégations…………………………………………………………. 69

4.3.1.1 Somme pondérée……………………………………………………………… 694.3.1.2 Approche min max…………………………………………………………..... 694.3.1.3 Approche de vecteur cible……………………………………………………. 70

TABLES DES MATIERES

UATL 2007 IV

4.3.2Méthodes métaheuristiques……………………………………………………………. 704.3.2.1 Recuit simulé…………………………………………………………………. 714.3.2.2 Recherche taboue……………………………………………………………... 714.3.2.3 Algorithme génétique…………………………………………………………. 714.3.2.4 Stratégie d’évolution………………………………………………………….. 724.3.2.5 Programmation évolutionnaire………………………………………………... 724.3.2.6 Optimisation par Essaim de Particules……………………………………….. 72

4.4 Optimisation multi-objectif par Essaim de Particules………………………………………. 734.4.1 Méthode de base………………………………………………………………………. 734.4.2 Etat de l’art …………………………………………………………………………… 77

4.4.2.1 PSO avec voisinage dynamique………………………………………………. 774.4.2.2 Algorithme de Parsopoulos et Varhatis………………………………………. 784.4.2.3 Algorithme de Fieldsend et Singh…………………………………………….. 794.4.2.4 Algorithme de Mostaghim et Teich…………………………………………... 814.4.2.5 MOPSO de Coello et Lechunga………………………………………………. 834.4.2.6 Non-dominated sorting particle swarm optimization ……………………….. 84

4.4.2.6.1 Méthode de niche…………………………………………………… 864.4.2.6.2 Méthode de Crowding……………………………………………… 87

4.5 Méthodes utilisées…………………………………………………………………………... 884.5.1 Algorithme des deux méthodes ……………………………………………………… 88

4.5.1.1 Algorithme de NSPSO………………………………………………………... 884.5.1.2 Algorithme de MOPSO……………………………………………………….. 89

4.5.2 Exemple d’application………………………………………………………………… 844.6 Conclusion…………………………………………………………………………………... 85

CHAPITRE 5 : APPLICATION ET RESULTAT DE SIMULATIONS

5.1 Introduction…………………………………………………………………………………. 935.2 Logiciel de simulation ……………………………………………………………………... 945.3 Applications ……………………………………………………………………………….. 94

5.3.1 Courbes d’effondrement de tension…………………………………………………... 955.3.2 Influence de la limite d’Energie Réactive sur l’effondrement de tension…………… 965.3.3 Evolution des pertes active et Réactive lors d’un effondrement de tension….............. 985.3.4 Influence de type de charge sur L’effondrement de tension…………………………. 99

5.4 Installation des FACTS ……………………………………………………………………. 1005.4.1 Emplacement optimal du SVC……………………………………………………….. 1005.4.2 Taille Optimale du SVC……………………………………………………………… 1025.4.3 Influence du SVC sur la stabilité de tension et les pertes…………………………….. 1045.4.4 Emplacement Optimal du TCSC……………………………………………………... 1085.4.5 Taille Optimale du TCSC…………………………………………………………….. 1095.4.6 Influence du TCSC sur la stabilité de tension et les pertes du réseau…....................... 1105.4.7 Comparaison entre le TCSC et SVC…………………………………………………. 112

TABLES DES MATIERES

UATL 2007 V

5.5 Optimisation par PSO………………………………………………………………………. 1165.5.1 Formulation du problème…………………………………………………………….. 116

5.5.1.1 Pertes actives…………………………………………………………………. 1165.5.1.2 Marge de stabilité de tension……………………………………………........ 1165.5.1.3 Contraintes du réseau………………………………………………………… 117

5.5.2 Optimisation mono-objectif…………………………………………………………... 1185.5.2.1 Réduction des pertes actives…………………………………………………. 1185.5.2.2 Maximisation de la marge de stabilité de tension……………………………. 121

5.5.3 Optimisation Multi-objectif par NSPSO et MOPSO…………………………………. 1225.6 Conclusion………………………………………………………………………………….. 126

Conclusion générale…………………………………………………………………………. 128 Bibliographie………………………………………………………………………………… 131 Annexe ………………………………………….................................................................... A1

INTRODUCTION GENERALE

UATL 2007

1


De nos jours, les problèmes liés au fonctionnement des réseaux de transport et de production

d’énergie électrique ont pris une importance considérable. Face à une consommation d’électricité

qui ne cesse d’augmenter et à des conditions d’environnement très contraignantes, les réseaux

d’énergie électrique ont tendance à s’accroître et deviennent de plus en plus maillés et

interconnectés. Le transport se fait, en outre, sur de longues distances en utilisant des lignes de

grande capacité de transport. Cette complexité de structure a de très nombreuses conséquences. La

difficulté de maintenir un profil de tension acceptable a substantiellement augmenté. La stabilité de

tension du réseau est alors caractérisée par sa capacité de maintenir la tension aux bornes de la

charge dans les limites spécifiées dans le fonctionnement normale.

L’étude du comportement de la tension dans les réseaux électriques est devenue une

préoccupation majeure des exploitants et planificateurs de ces systèmes. En fait, plusieurs incidents

généralisés survenus dans le monde ont été associés à des instabilités de tension [1, 2, 3, 4]. Ce

mode d’instabilité n’est pas encore bien maîtrisé, comparé au mode d’instabilité angulaire

(dynamique et transitoire) [5, 6]. En effet, le mécanisme causant l’instabilité de tension semble l’un

des plus importants problèmes à clarifier [7]. Aujourd’hui encore, il n’y a pas une théorie disponible

et largement acceptée pour l’analyse de la stabilité de tension. Les problèmes liés à ce type

d’instabilité constituent alors, dans plusieurs pays, un axe de recherche très important [8].

Des relevés sur les incidents survenus durant les dernières décennies ont montré que

l’effondrement de tension intervient généralement suite à une perturbation majeure ou à une

augmentation importante de la charge sur un réseau électrique soumis à de fortes contraintes. Ce

réseau s’affaiblit et sa consommation réactive s’accroît. Le phénomène est alors caractérisé par une

baisse progressive de la tension dans une ou plusieurs régions consommatrices, et qui va en

s’accélérant au bout de quelques minutes [3, 9]. La dégradation de la tension au niveau des charges

est alors telle qu’elle entraîne des interruptions de service dont les causes directes peuvent être :

manque de tension, augmentation des pertes réactive du réseau. La défaillance du réglage de la

tension, au niveau des bornes des groupes, a pour conséquence une accélération de la dégradation

du plan de la tension qui peut aller jusqu’à des déclenchements, en cascade, de groupes et de lignes

et un effondrement général du réseau.


UATL 2007

2

Dans cette situation, Les moyens classiques de contrôle des réseaux (transformateur à prises

réglables en charge, transformateurs déphaseurs, compensateurs série ou parallèle commutés par

disjoncteurs, modification des consignes de production, changement de topologie du réseau et

action sur l'excitation des générateurs) pourraient dans l'avenir s'avérer trop lents et insuffisants

pour répondre efficacement aux problèmes d’instabilité du réseau, compte tenu notamment des

nouvelles contraintes. Il faudra donc compléter leur action en mettant en oeuvre des dispositifs

électroniques de puissance ayant des temps de réponse courts, connus sous l'appellation FACTS

(Flexible Alternative Current Transmission Systems) pour le contrôle des réseaux [10]. Le

développement des dispositifs FACTS a ouvert de nouvelles perspectives pour une exploitation plus

efficace des réseaux par action continue et rapide sur les différents paramètres (déphasage, tension,

impédance). Ainsi, les transits de puissance seront mieux contrôlés et les tensions mieux régulées,

ce qui permettra d'augmenter les marges de stabilité de tension ou de tendre vers les limites

thermiques des lignes. Le maintien de l’équilibre entre la production et la consommation nécessite

alors une surveillance permanente du système afin d’assurer la qualité du service (problème de

conduite), garantir sa sécurité (problème de protection) et sa stabilité (problème de réglage).

En plus d’assurer la stabilité et la sécurité des réseaux électriques, les exploitants et les

planificateurs des réseaux électriques, cherchent toujours à optimiser la production d’énergie

électrique, traduite par la réduction des pertes actives. La satisfaction simultanée de ces objectifs

contradictoires fait appel à des méthodes d’optimisation multi-objectif basées sur des

métaheuristiques.

Ce travail traite le problème de la stabilité statique de tension des réseaux électriques. Des

notions de base relatives à l’instabilité et l’effondrement de tension ont étés présentés. L’utilisation

du SVC et de TCSC dans l’amélioration de la marge de stabilité statique de tension, a retenu aussi

notre intérêt dans ce mémoire. Le problème d’effondrement de tension a été formulé comme un

problème d’optimisation mono-objectif et également multi-objectif. Plusieurs variantes de la

méthode d’optimisation par essaim de particules à savoir : la méthode de base PSO, NSPSO (Non-

dominated Sorting Particle Swarm Optimization) et MOPSO (Multi-objective Particle Swarm

Optimization) sont appliquées dans l’analyse de la stabilité de tension. Ces méthodes sont modifiées

afin de prendre en considération aussi bien les variables continues que les variables discrètes.

Dans le premier chapitre, des notions générales sur la stabilité de tension du réseau électrique

sont présentées. Les différentes définitions liées à la stabilité de tension de plusieurs organismes


UATL 2007

3

spécialisées ainsi que les causes qui favorisent l’instabilité de tension sont aussi exposées. Les deux

types d’analyse de la stabilité de tension, à savoir l’analyse statique et dynamique, sont décrites et

des indices d’évaluation de la stabilité statique de tension sont également proposés. Une

modélisation appropriée des différents composants du réseau électrique à savoir les turbo-

alternateurs, les lignes de transport, les transformateurs, les charges électriques et les compensateurs

d’énergie réactive, est présentée. Nous nous sommes ensuite focalisés sur les systèmes FACTS qui

sont largement utilisés dans la compensation de l’énergie réactive. Parmi ces dispositifs FACTS,

notre choix s’est porté sur le SVC et le TCSC pour l’amélioration de la stabilité statique de tension

et la réduction des pertes actives.

Une étude paramétrique du problème de la stabilité de tension d’un système à deux nœuds a été

présentée au début du troisième chapitre. Ceci nous a permis de définir le problème de l’instabilité

et l’effondrement de la tension et de tirer les caractéristiques essentielles relatives au comportement

de la tension vis-à-vis de la charge demandée. Dans ce contexte, la notion de la marge de stabilité

de tension est mise en exergue dans l’évaluation de la stabilité de tension. Finalement, ce chapitre

est ponctué l’étude de l’influence des différents composants du réseau à savoir : le modèle de

charge, les transformateurs, le SVC et le TCSC sur la marge de stabilité de tension.

Dans le quatrième chapitre, des connaissances de base sur l’optimisation mono et multi-objectif,

sont présentées ainsi que des concepts de base et l’état de l’art des techniques d’optimisation par

essaim de particules, appliquée aux problèmes multi-objectif.

Le cinquième chapitre, est dédié à l’application et la simulation des modèles développés sur un

réseau test IEEE 14 nœuds. Le problème de l’effondrement de la tension est traité à travers les

courbes de bifurcation de tension tracées par la méthode d’écoulement de puissance en continu

(CPF). Dans la section suivante, nous avons proposé deux indices pour l’optimisation de la taille et

l’emplacement du SVC et du TCSC. L’influence de ces deux FACTS sur la marge de stabilité de

tension ainsi que les pertes du réseau a été étudiée. Par la suite, nous avons effectué une

comparaison succincte entre le SVC et le TCSC en termes d’amélioration de la marge de stabilité de

tension et la réduction des pertes du réseau. La deuxième partie de ce chapitre a été consacrée au

problème d’optimisation. Deux types d’optimisation sont traitées, à savoir : l’optimisation mono-

objectif et multi-objectif. La première a été appliquée sur deux objectifs différents : la maximisation

de la marge de stabilité de tension et la minimisation des pertes actives, pour plusieurs

combinaisons des dispositifs FACTS. Le problème multi-objectif a été traité avec l’optimisation

simultanée des pertes actives et de la marge de stabilité de tension en même temps. Pour ce fait,


UATL 2007

4

deux variantes de PSO destinées à l’optimisation multi-objectif ont été proposées. Les deux

algorithmes sont alors comparés en terme de distribution, nombre et optimalités des solutions

atteintes.

CHAPITRE 1 STABILITE DE TENSION

UATL 2007 5

CHAPITRE 1

STABILITE DE TENSION

1.1 INTRODUCTION

Plusieurs événements d’effondrement de tension à travers le monde [14] montrent que les

réseaux électriques fonctionnent prés de leurs limites de stabilité. Ce problème est d’autant plus

aggravé par la libéralisation du marché de l’électricité. En conséquence les marges de stabilité de la

tension sont assignées encore plus loin pour répondre aux besoins du marché.

Ce chapitre donne un aperçu général sur la stabilité de tension et ses outils d’analyse. Des

notions générales sur la stabilité du réseau électrique se trouvent au début de ce chapitre. Dans une

deuxième phase, les différentes définitions liées à la stabilité de tension de plusieurs organismes

spécialisées ainsi que les causes qui favorisent l’instabilité de tension seront présentées. La dernière

section de ce chapitre sera consacrée à une présentation relativement détaillée des différents outils

d’analyse et d’évaluation de la stabilité statique de tension. Parmi ces outils d’analyse, la marge de

stabilité de tension a donné de grandes performances en termes de précision des résultats obtenus

dans l’évaluation de la stabilité de tension. De ce fait, la méthode de calcul de cette marge de

stabilité de tension appelée écoulement de puissance en continu sera présentée d’une façon détaillée

dans ce chapitre.


UATL 2007 6

1.2 STABILITE DES RESEAUX ELECTRIQUES

La stabilité d’un réseau électrique est la propriété qui lui permet de rester dans un état

d’équilibre, pour des conditions de fonctionnement normales, et de retrouver un état d’équilibre

acceptable, suite à une perturbation [11]. Selon la nature physique de l’instabilité, la plage de temps

des phénomènes et l’amplitude de perturbations, on peut classifier les types de la stabilité comme

suit (figure 1.1).

1.2.1 Stabilité angulaire

Etant donné que les systèmes de puissance recourent principalement aux machines synchrones

pour la génération de puissance électrique, un aspect important est le fonctionnement de ces

générateurs au synchronisme.

La stabilité angulaire (ou stabilité d’angle rotorique) implique l’étude des oscillations

électromécaniques inhérentes aux réseaux électriques [12]. Elle est définie comme la capacité d’un

ensemble de machines synchrones interconnectées de conserver le synchronisme dans des

conditions de fonctionnement normales ou après avoir été soumis à une perturbation.

L’instabilité angulaire se manifeste sous forme d’un écart croissant entre les angles rotoriques :

soit d’une machine et de reste du système, soit d’un groupe de machines et du reste du système. Une

machine qui a perdu le synchronisme sera déclenchée par une protection de survitesse ou par une

protection de perte de synchronisme, ce qui met en danger l’équilibre production consommation du

système.

Selon l’amplitude de la perturbation, on parle de la stabilité angulaire aux petites perturbation ou

de la stabilité transitoire.

1.2.1.1 Stabilité angulaire aux petites perturbations

La stabilité angulaire aux petites perturbations concerne la capacité du système à maintenir le

synchronisme en présence de petites perturbations comme : une petite variation de la charge ou de

génération, manœuvre d’équipement, etc.


UATL 2007 7

1.2.1.2 Stabilité transitoire

La stabilité transitoire concerne la capacité du réseau à maintenir le synchronisme suite à une

perturbation sévère comme un court circuit, arrêt d’un générateur, etc. La réponse du système

comporte de grandes variations des angles rotoriques et est influencée par la relation non linéaire

entre couples et angles.

1.2.2 Stabilité de fréquence

La stabilité de fréquence concerne la capacité du système à maintenir sa fréquence proche de la

valeur nominale, suite à un incident sévère ayant ou non conduit à un morcellement du système. La

stabilité de fréquence est étroitement liée à l’équilibre global entre la puissance active produite et

consommée.

1.2.3 Stabilité de tension

La stabilité de tension concerne la capacité d’un système de puissance à maintenir des tensions

acceptables à tous ses nœuds, dans des conditions du fonctionnement normales ou suite à une

perturbation. L’instabilité de tension résulte de l’incapacité du système production-transport à

fournir la puissance demandée par la charge. Elle se manifeste généralement sous forme d’une

décroissance monotone de la tension.

Selon l’amplitude de la perturbation, on distingue la stabilité de tension de petites perturbations

et celle de grandes perturbations.

1.2.3.1 Stabilité de tension vis-à-vis des petites perturbations

La stabilité de tension de petites perturbations concerne la capacité du réseau électrique a

maintenir la tension dans les limites permises en présence de perturbations telles que : une variation

faible de la charge, de la production,…etc.


UATL 2007 8

1.2.3.2 Stabilité de tension vis-à-vis des grandes perturbations

Elle est définie comme la capacité du réseau électrique à maintenir les tensions des nœuds dans

les limites de fonctionnement permises en présence des grandes perturbations à savoir la perte

d’équipement de transport ou de production, le court circuit,…etc.

Dans ce mémoire, nous nous intéressons seulement à la stabilité de tension. Une étude détaillée

sera présentée dans la section suivante.

Figure 1.1 Classification des types de stabilité des réseaux électriques.

1.3 STABILITE DE TENSION

Dans les années précédentes, la stabilité angulaire a été le sujet préférentiel de beaucoup d’études

et de recherches spécialement après la multiplication des réseaux interconnectés [12]. Ces travaux

ont contribués à l’émergence de nouvelles technologies qui ont considérablement contribuées à

l’atténuation des oscillations dues à l’instabilité angulaire [12]. Cependant, sous l’influence des

perturbations, le réseau électrique apparaît un autre type d’instabilité, qui est caractérisé par des

chutes de tension en certaines zones, sans altérer systématiquement le synchronisme entre les

générateurs [12]. Ce phénomène est désigné sous le nom d’effondrement de tension. L’analyse des

événements d’instabilité de tension, montre que les autres types d’instabilité peuvent se produire à

différentes étapes d’un effondrement de tension [12].

Stabilité des RéseauxElectriques

StabilitéAngulaire

Stabilitéde Fréquence

Stabilitéde Tension

PetitePerturbation

StabilitéTransitoire

GrandePerturbation

PetitePerturbation


UATL 2007 9

L’instabilité de tension englobe plusieurs phénomènes qui se produisent simultanément. Pour

cela il existe plusieurs définitions de la stabilité de tension dans la littérature.

Définitions CIGRE [12]

Un réseau électrique, à un état de fonctionnement donné, est stable du point de vue stabilité

de tension aux petites perturbations, si les tensions près des charges sont identiques ou près

de la valeur initiale (pré-perturbation) suite à une faible perturbation.

Un réseau électrique à un état de fonctionnement donné et sujet à une perturbation, est de

tension stable, si la tension prés des charges est identique ou prés de la valeur initiale de

fonctionnement (pré-perturbation).

Un réseau électrique subit un effondrement de tension si les tensions de post-perturbation

sont au-dessus des limites acceptables.

Définition IEEE [12]

La stabilité de tension est la capacité du réseau à maintenir la tension dans les limites

permises de sorte que, lorsque l'admittance de charge augmente, la puissance demandée par

la charge augmente, dans ce cas la puissance et la tension doivent êtres contrôlables.

L’effondrement de tension est le processus par le quel l’instabilité de tension conduit à une

tension très faible dans une partie ou dans la totalité du réseau qui cause un effondrement en

cascade du réseau, sans détruire nécessairement le synchronisme entre les générateurs.

D’autre part, la notion de la sécurité de tension et plus large que la stabilité de tension, elle

est définie comme la capacité du réseau électrique à maintenir son fonctionnement stable

après chaque perturbation ou changement défavorable du système.

1.3.1 Causes d’instabilité de tension

Les problèmes d’apparition du phénomène d’écroulement de tension sont toujours liés à la

difficulté de régler la tension au dessus d’une certaine valeur appelée tension critique [13].

Généralement, l’effondrement de tension se produit dans les réseaux électriques qui sont fortement

chargés, court-circuités et/ou ont un manque de la puissance réactive [14] ; dans cette situation le

réseau électrique ne peut pas assurer la puissance réactive demandée par la charge. Ce ci est du a


UATL 2007 10

des limitations sur la production et la transmission de la puissance réactive, de telle sort que, la

puissance réactive des générateurs et des systèmes FACTS est limitée par des contraintes physiques.

En plus la puissance réactive générée par des bancs de condensateur est relativement réduite à des

tensions basses. La limite sur le transport d’énergie réactive est due principalement aux pertes

réactives élevées dans les lignes électriques fortement chargées. Les principales causes de

l’instabilité de tension sont présentées dans la section suivante.

1.3.1.1 Production trop éloignée de la consommation

Dans la plupart du temps les sources d’énergie électrique se trouve loin des zones de

consommation. Cette situation rend le transport de l’énergie réactive très difficile à cause des pertes

réactives très élevées. Cette difficulté de transport d’énergie réactive augmente la probabilité

d’apparition d’une instabilité ou d’un effondrement de tension.

1.3.1.2 Manque local d’énergie réactive

L’effondrement de tension et fortement lié au manque de la puissance réactive requise pour

maintenir le profil de tension dans une marge de fonctionnement permise [12]. A un certain niveau

de charge, le réseau électrique ne satisfait pas la puissance réactive demandée par la charge à cause

des limitations sur la production et la transmission de la celle ci. La limitation de production de la

puissance réactive inclut les générateurs et les équipements FACTS ainsi que la puissance réactive

limitée des condensateurs [14]. La limite de production de la puissance réactive des générateurs et

due principalement aux contraintes thermiques exercées sur le bobinage rotorique et statorique.

Sans la limitation thermique, l’instabilité et l’effondrement de tension sont souvent impossibles.

Dans le même contexte, les équipements FACTS sont de très grande dimension.

Pour bien comprendre l’influence de la puissance réactive sur l’effondrement de tension, on

considère un réseau simple à deux noeuds de la figure 1.2.

Figure 1.2 Réseau électrique à deux noeuds.

G

P2, Q2

V2V1

P121 2

Ij X


UATL 2007 11

2 2 2S P jQ (1.1)

*

1 1 22

cos sinV jV VV

jX

21 2 1 2 2cos

sinVV VV V

jX X

1 22 maxsin sin

VVP P

X (1.2)

21 2 2

2

cosVV VQ

X

(1.3)

De même pour le noeud 1 :

1 21 maxsin sin

VVP P

X (1.4)

21 1 2

1

cosV VVQ

X

(1.5)

Pour la puissance active au bus 2, l’équation (1.2) montre clairement que lorsque la puissance P2

augmente, la turbine doit fournir plus d’énergie pour augmenter l’angle de puissance δ afin de

satisfaire la demande de la charge. Par conséquence, la puissance réactive Q2 diminuera ou même

reviendra négative à cause de la diminution du cosδ. Autrement, l’équation (1.5) montre que la

puissance réactive Q1 augmentera brusquement. Donc la différence entre la puissance réactive aux

noeuds 1 et 2 (pertes réactives) augmentera rapidement. On peut conclure que le transport de la

puissance réactive n’est pas économique à cause de l’augmentation des pertes réactives à des

niveaux de charge relativement élevés.

La meilleure solution de ce problème est de produire cette énergie localement, proche de la

consommation, par l’installation de batteries de condensateurs, de compensateurs synchrones

(génératrices synchrones avec P=0) ou des compensateurs statiques (FACTS).


UATL 2007 12

1.3.1.3 Charge appelée trop importante

L’une des causes de l’instabilité de tension correspond à une charge élevée. Ceci est du à

l’augmentation croissante de la demande et à un large transfert d’énergie entre compagnies [8, 9,

17, 18]. Une instabilité de tension peut se produire en particulier lorsque la charge élevée est plus

importante que celle prévue et le risque est d’autant plus grand que la consommation réactive est

également plus grande que prévue.

1.4 EFFONDREMENT DE TENSION DANS LE MONDE

A travers le monde entier, il y a plusieurs incidents qui causent l’effondrement de tension au

cours de vingt dernières années, la majorité de ces incidents depuis 1982 [19]. Le tableau 1 résume

quelques effondrements de tension dans le monde [12].

Tableau 1 Effondrement de tension dans le monde.

Date Location Durée

1 Décembre 1987 France 4-6 minutes

22 Août 1987 Tennessee, USA 10 seconds

23 juillet 1987 Tokyo, Japon 20 minutes

30 Novembre 1986 Brésil, Paraguay 2 seconds

27 Décembre 1982 Suède 55 seconds

30 décembre 1982 Florida 1-3 minutes

4 Août 1982 Belgique 4.5 minutes

19 Décembre 1978 France 26 minutes

22 Août 1970 Japon 30 minutes

Pour mieux comprendre le mécanisme d’effondrement de tension, l’historique de deux exemples

typiques sont ceux de la France et du Japon :

En France le 12 Janvier 1987 à 10h30 de matin, une heure avant l’effondrement du réseau, la

tension était normale. Pour différentes raisons, trois unités thermiques dans une station de

production sont arrêtées successivement entre 10h55 et 11h41. Treize secondes après, une

quatrième unité de production est arrêtée à cause de l’intervention du système de protection

thermique de rotor. Cette perte soudaine dans la génération, cause un décroissement de tension dans


UATL 2007 13

le réseau. Cette baisse de tension, augmente trente secondes après et se généralise dans les zones

adjacentes. Ce qui engendre des arrêts dans des autres unités de production. En conséquence, le

réseau français subit une perte de 9000 MW entre 11h45 et 11h50. Après cette grande perturbation,

le niveau de la tension a été restauré après un délestage approprié [19].

Dans la même année, le 23 février, à Tokyo (Japon), la température augmente à 39°C, ce qui a

engendré une augmentation de la demande au delà la valeur présumée, a cause de l’utilisation

massive des climatiseurs. Une instabilité de tension survient, entraînant le déclenchement des trois

postes électriques alimentant la région de Tokyo [19].

1.5 ANALYSE DE LA STABILITE DE TENSION

Généralement, il y a deux types d’analyse de la stabilité de tension : dynamique et statique.

L'analyse dynamique se base sur des simulations dans le temps afin de résoudre des équations non

linéaires différentielles/algébriques du système. Par contre, l'analyse statique est basée sur la

solution des équations conventionnelles ou modifiées du problème d’écoulement de puissance [12].

1.5.1 Analyse dynamique

L'analyse dynamique fournie des réponses temporelles précises dans le domaine de simulation

des réseaux électriques. La détermination précise des temps critiques des différents événements

menant à l'instabilité de tension est essentielle pour l'analyse post-perturbation et la coordination de

la protection et de la commande. Cependant, l’analyse dynamique consomme beaucoup de temps en

terme de calculs et de traitement des résultats. En outre, l'analyse dynamique ne fournit pas

aisément l'information concernant la sensibilité ou le degré d'instabilité de tension, ce qui la rend

impraticable pour l'analyse de certains conditions du fonctionnement du système ou pour

déterminer les limites de stabilité de la tension [12].

1.5.2 Analyse statique

A l’inverse de l’analyse dynamique, l’analyse statique de la stabilité de tension implique

seulement la solution des équations algébriques du problème d’écoulement de puissance. De ce fait,

du point et de vue calcul, elle est beaucoup plus efficace que l'analyse dynamique. L'analyse

statique est idéale pour la majeure partie des études dans lesquelles des limites de stabilité de

tension pour des pré-contingences et des post-contingences doivent être déterminées [12].


UATL 2007 14

Généralement, l’analyse de la stabilité statique de tension est utilisée afin de vérifier si un point de

fonctionnement est stable ou instable, évaluer la marge de stabilité d'un point de fonctionnement et

identifier le point d’effondrement de tension [21].

Dans notre travail, on s’intéressera seulement aux méthodes d’analyse statique. La section

suivante comporte quelques méthodes populaires dédiées à ce type de problème.

1.5.3 Méthodes d’Analyse de la stabilité statique de tension

Dans cette partie, des indices de la stabilité de tension sont proposés avec un modèle standard

d’écoulement de puissance où on assumera que la variation des puissances active et réactive est le

paramètre essentiel qui conduit le réseau à un effondrement de tension (ou à la singularité de la

matrice Jacobienne). Les écarts des puissances active et réactive du problème d’écoulement de

puissance sont définis par les équations suivantes.

( , )( , ) 0

( , )

P xf x

Q x

(1.6)

Où X représente le vecteur d’état du problème d’écoulement de puissance qui englobe les vecteurs

tensions V et déphasages ; la variable représente un paramètre scalaire ou le facteur de charge

utilisé pour simuler l’augmentation de la charge qui conduit à l’effondrement du système. La

variation de la charge et de la génération, est exprimée par les équations (1.7).

0Di DiP P

0Di DiQ Q (1.7)

0Gi Gi GiP k P

Tel que :

0iP et 0iQ les puissances active et réactive au nœud i.

0GiP la puissance générée par la machine i dans le cas initial.

Gik le facteur de contribution de chaque générateur i pour satisfaire la demande de la charge.


UATL 2007 15

1.5.3.1 Valeur singulière minimale

Les valeurs singulières ont été utilisées dans les réseaux électriques en raison de leur

décomposition ortho-normale utilisée dans la matrice Jacobienne. Pour une matrice carrée A de

dimension n n , nous avons :

1

nt t

i i ii

A X Y x y

(1.8)

Où, les valeurs singulières ix et iy sont les thi colonnes des matrices unitaires X et V. est une

matrice diagonale des valeurs singulières réelles positives i , telle que :

2 2 ... 0n (1.9)

L’application de la méthode de décomposition en valeurs singulières dans l’étude de stabilité

statique de tension est utilisée pour suivre la valeur singulière minimale qui se rapproche du zéro

lors d’effondrement de tension.

Pour l’analyse des réseaux électriques, la matrice A correspond à la matrice Jacobienne

d’écoulement de puissance.

P P

VJ

Q Q

V

(1.10)

Comme il est discuté dans [21], [22], la valeur singulière minimale de la matrice Jacobienne de

problème d’écoulement de puissance peut être utilisée comme un indice qui caractérise la proximité

du système au point d’effondrement de tension. Pour une matrice Jacobienne J de dimension n n :

1

nt t

i i ii

J X Y x y

(1.11)

En utilisant le modèle d’écoulement de puissance de l’équation (1.12). Les équations linéarisées

peuvent être exprimé comme suit :


UATL 2007 16

P VJ

Q

(1.12)

L’équation (1.6) peut être écrite comme suit :

1 1

1

nt t

i i ii

V P PV U v u

Q Q

(1.13)

La valeur singulière minimale est une mesure relative de la proximité de la matrice Jacobienne à

la singularité et en conséquence à la proximité du système au point d’effondrement de tension.

L’équation (1.6) peut êtres re-écrite comme suit :

1 tn n n

Pv u

V Q

(1.14)

Nous pouvons obtenir les informations suivantes à partir des vecteurs singuliers droite et gauche :

Les entrées maximales dans nv indiquent les tensions et les angles les plus sensibles aux

variations de la puissance réactive.

Les entrées maximales dans nu indiquent les noeuds les plus sensibles aux variations de la

puissance active.

1.5.3.2 Valeurs propres

Les valeurs propres sont très semblables à la méthode de la décomposition en valeurs singulières.

Cependant elles sont utilisées pour déterminer la proximité du point d’effondrement de tension. La

décomposition des valeurs propres de la matrice Jacobienne standard J peut êtres écrite comme

suit :

1

nt t

i i ii

J W U w u

(1.15)

Où la matrice W représente la matrice des vecteurs propres droits iw , la matrice U représente la

matrice des vecteurs propres gauches iu , et représente la matrice diagonale des valeurs

propres i .


UATL 2007 17

Dans cette méthode, l’amplitude des valeurs propres donne une information sur la proximité du

système du point d’effondrement, lequel est caractérisé par une valeur propre presque nulle. D’autre

part l’amplitude des vecteurs propres fournit des informations sur le mécanisme d’effondrement de

tension, qui se résument dans les points suivants:

L’entrée maximale du vecteur propre droite correspond au nœud le plus critique en terme de

la stabilité de tension.

L’entrée maximale du vecteur propre gauche indique le nœud le plus critique en terme de la

variation de la puissance active.

L’inconvénient majeur de la méthode des valeurs singulières ainsi que la méthode des valeurs

propres est leur comportement fortement non linéaire prés du point d’effondrement de tension

lorsque les limites de production d’énergie réactive des générateurs sont considérées [21]. Les deux

indices montrent aussi une chute importante brusque prés du point d’effondrement. Ces

inconvénients rendent les deux indices insuffisants pour une évaluation efficace de la stabilité de

tension.

1.5.3.3 Marge de charge (loading margin)

La marge de charge est l’indice le plus utilisé dans l’évaluation de la stabilité statique de

tension : c’est la quantité de la charge additionnelle qui causerait un effondrement de tension. En

termes plus simples, c’est la distance entre le point de fonctionnement actuel et le point qui

causerait l’effondrement de tension. Dans la plupart des études de stabilité statique de tension, la

charge est choisie comme paramètre essentiel qui conduit le système à l’effondrement.

Les avantages de la marge de charge, pris comme indice de stabilité de tension, peut se résumer

dans les points suivants :

Simple à calculer, bien admis, et facile à comprendre.

Exige seulement un modèle statique du réseau électrique.

La marge de charge est un indice précis qui tient en compte la non linéarité du réseau

électrique ainsi que certaines limites telles que les limites sur la production d’énergie réactive.


UATL 2007 18

Une fois la marge de charge calculée, il est facile de déterminer sa sensibilité vis-à-vis de

n’importe quel paramètre du réseau.

Malgré ces avantages, la marge de charge dispose de quelques inconvénients, qui peuvent être

résumés dans les poins suivants :

Le calcul de la marge de charge est plus coûteux, comparée à d’autres indices.

La marge de charge est basée sur la prévision de la direction d’augmentation de la charge,

mais cette information n’est pas toujours aisément disponible.

Dans la pratique, la méthode directe et la méthode continue sont utilisées pour l’évaluation de la

marge de charge [23]. Dans ce mémoire, on s’intéressera seulement à la méthode continue à cause

de ses avantages cités précédemment.

1.5.4 Ecoulement de puissance en continu (Continuation Power Flow)

L’une des méthodes simples de calcul de la marge de charge est le calcul d’écoulement de

puissance à chaque incrémentation de la charge, jusqu'à la divergence du programme.

Malheureusement cette méthode fournit des résultats non précis à cause de singularité ou de

mauvais conditionnement de la matrice Jacobienne autour du point d’effondrement [14]. En plus,

cette méthode classique ne trace pas la partie inférieure de la courbe de tension qui est utilisée par

d’autres méthodes d’analyse [14]. Ajjarapu et al. [23] proposent une méthode efficace nommée

Ecoulement de Puissance en Continu (CPF : Continuation Power Flow) afin d’éviter la singularité

de la matrice Jacobienne prés du point d’effondrement. L’algorithme est basé sur une re-

formulation légère des équations d’écoulement de puissance et l’application d’une méthode de

paramètrisation locale [23]. Durant l’application de cette méthode, la matrice Jacobienne reste bien

conditionnée même autour du point d’effondrement [23].

L’avantage de l’écoulement de puissance en continu réside, non seulement dans sa capacité de

trouver le point critique d’effondrement de tension mais aussi la détermination du tracer de la

courbe PV complète (partie supérieure et inférieure) d’une façon exacte. Ses caractéristiques

intéressantes amènent plusieurs compagnies de production d’énergie électrique à utiliser cette

méthode comme pourvoyeur d’un indice efficace d’évaluation de la proximité du système du point

d’effondrement [21].


UATL 2007 19

L’écoulement de puissance en continu se base sur la méthode Prévision-correction afin de

résoudre le problème d’écoulement de puissance avec un bon conditionnement de la matrice

jacobienne. Dans cette méthode, l’incrémentation de la charge est considérée comme une nouvelle

variable du problème d’écoulement de puissance [23]. La figure 1.3, illustre le principe de base de

l’écoulement de puissance en continu. D’après la figure on peut remarquer que la méthode démarre

par une solution de base (solution initiale du programme d’écoulement de puissance classique), puis

elle estime la prochaine solution correspondant à une valeur différente de la charge [23]. La

solution estimée est alors corrigée en utilisant la méthode classique de Newton-Raphson en la

considérant comme solution initiale du programme d’écoulement de puissance conventionnel [23].

Figure 1.3 Principe d’écoulement de puissance en continu.

Comme nous avons mentionné précédemment, l’écoulement de puissance en continu se base sur

une nouvelle formulation du problème d’écoulement de puissance classique. En plus des variables

d’état standard (amplitudes et angles de la tension), la charge est considérée comme une nouvelle

entrée dans le calcul. L’équation (1.16) représente la nouvelle formulation du problème

d’écoulement de puissance.

( , , ) 0, 0 critiqueF V (1.16)


UATL 2007 20

Où, représente le vecteur des angles des tensions nodales, V est le vecteur des amplitudes des

tensions nodales et représente le facteur de la charge.

Ainsi, la dimension de F devient 1 22 1n n , tel que 1n représente de nombre de nœuds PQ et 2n

représente le nombre de nœuds PV. La solution de base 0 0 0( , , )V est connue en utilisant

l’écoulement de puissance conventionnel, dans ce cas 0 0 (cas de base).

1.5.4.1 Prévision de la nouvelle solution

Une fois la solution de base trouvée 0 0 , une prévision de la prochaine solution peut être

faite par la tangente à la solution de base. Ainsi, la première tache dans le processus de prévision

consiste à calculer le vecteur tangent. La dérivée des deux parties de l’équation (1.16) donne :

( , , ) 0Vd F V F d F dV F d (1.17)

La factorisation de (1.17) donne :

0V

d

F F F dV

d

(1.18)

Le côté gauche de l’équation (1.18) est une matrice des dérivées partielles multipliée par un

vecteur tangent qui représente l’estimation de la nouvelle solution. Il est clair que la dimension de la

matrice Jacobienne est augmentée par une colonne. Quand F a été inséré dans les équations

d’écoulement de puissance, le nombre d'équations est demeuré sans changement. L’ajout d’une

nouvelle équation s’avère donc nécessaire.

Ce problème peut être résolu en choisissant une grandeur différente de zéro pour un des

composants du vecteur tangent. En d'autres termes, si t est employé pour designer le vecteur

tangent :

, 1k

d

t dV t

d

(1.19)


UATL 2007 21

Donc l’équation (1.12) devient :

0

1

V

k

F F Ft

e

(1.20)

Où, ke est un vecteur ligne de telle façon que tous ses éléments soient égaux à zéro sauf le thk

élément égal 1. Une fois le vecteur tangent trouvé par la résolution de (1.20), la prévision peut être

faite comme suit :

*

*

*

d

V V dV

d

(1.21)

Où « * » désigne la solution prédite pour une valeur de ; représente le pas de calcul choisi

de sorte que la solution prédite reste dans le rayon de convergence du correcteur. Une amplitude

constante de peut être utilisée dans tout le processus de calcul [23].

1.5.4.2 Correction de la solution

Après la prévision de la nouvelle solution, une méthode de correction de cette dernière est

nécessaire. En plus, chaque technique fait appel à une méthode de paramétrisation afin de désigner

l’incrémentation dans la charge . Dans notre cas, on utilise une paramétrisation locale [23] :

1 22 1, n nx V x R

(1.22)

Et aussi,

kx (1.23)

Où est la valeur appropriée de kx nommée le paramètre continu. Le nouveau système d'équations

serait :


UATL 2007 22

0

k

F x

x

(1.24)

Une fois la valeur appropriée choisie, on applique la méthode de Newton-Raphson de telle

sorte que la solution présumée soit considérée comme une valeur initiale du problème d’écoulement

de puissance. Mais la question qui se pose est comment choisir kx (le paramètre continu) ?

1.5.4.3 Choix du paramètre continu

Il y a plusieurs techniques utilisées pour optimiser le choix du paramètre continu kx .

Mathématiquement, il correspond à la variable d'état qui a la plus grande valeur dans le vecteur

tangent. Plus simplement, ceci correspondrait à la variable d'état qui a le plus grand taux de

variation près de la solution donnée [23]. Dans le cas des réseaux électriques, le paramètre de

charge est probablement le meilleur choix lorsque on commence par la solution de base. C'est

particulièrement vrai dans le cas des niveaux de charge relativement faibles. Dans ce cas, les

grandeurs tensions et déphasages demeurent assez constantes lors des variations de charge. Par

contre, une fois que la charge augmente autour du point critique, les grandeurs et les angles de

tension changent d’une façon remarquable et serait alors un mauvais choix pour le paramètre

continu puisqu'il a connu une petite variation par rapport aux autres variables d'état. Pour cette

raison, le choix du paramètre continu kx devrait être réévalué à chaque étape. Une fois le choix

effectué pour la première étape, une bonne manière de choisir kx est d’utiliser l’équation suivante :

1 2 3: max , , ,...k k mx t t t t t (1.25)

Où, t est le vecteur tangent de dimension 1 22 1m n n . Noter que kx porte le même signe que

l’élément kt du vecteur tangent.


UATL 2007 23

1.6 CONCLUSION

Dans ce chapitre, nous avons présenté des notions de base sur la stabilité de tension d’un réseau

électrique. Le problème d’instabilité de tension peut être favorisé par plusieurs paramètres à savoir :

manque local de la puissance réactive, production trop éloignée de la consommation, ou le cas

d’une charge demandée très élevée.

Une analyse efficace de la stabilité de tension reste la solution appropriée pour s’éloigner du

point d’effondrement. Dans ce mémoire, nous avons présenté les deux types d’analyse qui existent,

à savoir, l’analyse statique et l’analyse dynamique. Puis nous avons focalisé notre étude sur

l’analyse statique de la stabilité de tension. Trois indices d’évaluation de la stabilité de tension sont

présentés : les valeurs propres, la valeur minimale singulière, et la marge de stabilité de tension.

Le calcul de la marge de stabilité de tension n’est pas aisé, car l’utilisation du programme

d’écoulement de puissance classique ne fournit pas des résultas précis, spécialement autour du point

d’effondrement de tension. Cette imprécision dans les résultats est due au problème de singularité

de la matrice Jacobienne qui provoque la convergence du programme de calcul. Pour résoudre ce

problème, la méthode d’écoulement de puissance en continu (CPF) est proposée pour vaincre la

singularité et le non conditionnement de la matrice Jacobienne.

CHAPITRE 2 MODELISATION DES RESEAUX ELECTRIQUES EN REGIME PERMANENT

UATL 2007 24

CHAPITRE 2

MODELISATION DES RESEAUX

ELECTRIQUES EN REGIME

PERMANENT

2.1 INTRODUCTION

Ce chapitre présente la modélisation des différents composants du réseau électrique à savoir : les

générateurs d’énergie électriques, les lignes de transport, les équipements de compensation

d’énergie réactive, les transformateurs et les charges électriques.

Plusieurs études ont montré l’importance de la représentation des charges dans l’analyse de la

stabilité de tension. La modélisation usuelle (puissance active et réactive constante) ne reflète pas

les caractéristiques réelles du réseau. En effet, deux autres types de modélisation statique sont

utilisés dans ce mémoire, à savoir : modèle à courant constant et celui à admittance constante. Ce

sont deux modèles qui expriment la puissance consommée par la charge en fonction de la tension.

Parmi les compensateurs d’énergie réactive qui sont largement utilisés ces dernières années, on

trouve les FACTS. Dans ce travail, on s’intéressera à deux types à savoir : le SVC et le TCSC. Une

représentation détaillée de ces équipements a été présentée dans ce chapitre.


UATL 2007 25

2.2 MODELISATION MATHEMATIQUE DU RESEAU ELECTRIQUE

2.2.1 Modèle de l’alternateur

Le groupe turbo-alternateur est considéré comme le cœur du réseau électrique, il assure la

production de l’énergie électrique demandée par le consommateur. Dans notre cas, le groupe turbo-

alternateur est modélisé par une source de tension constante qui injecte, au niveau du nœud auquel

il est connecté, une puissance active gP et réactive gQ .

L’alternateur possède deux boucles de régulation automatique, une pour le réglage automatique

de la puissance AGC (Automatic Generation Control) et l’autre pour le réglage automatique de la

tension AVR (Automatic Voltage Regulator).

La production de l’énergie réactive dans un générateur est limitée suivant l’équation (2.1)

min maxg gQ Q Q

(2.1)

Cette limitation est due principalement à la limite thermique du bobinage statorique et rotorique

ainsi que la limitation de l’angle rotorique permise ( 30 ).

2.2.2 Modèle de la ligne de transport

La ligne de transport à été modélisée par un schéma équivalent en qui se compose d’une

impédance série (résistance R en série avec une réactance inductive X), et une admittance shunt qui

consiste en une susceptance capacitive B (due a l’effet capacitif de la ligne avec la terre) en

parallèle avec une conductance d’isolation G. Voir figure 2.1.

Figure 2.1 Modèle en d’une ligne électrique.

i jR+jX

(G+jB)/2 (G+jB)/2


UATL 2007 26

2.2.3 Modèles des nœuds du réseau

Les nœuds dans un réseau électrique sont divisés en trois types :

Nœud de charge (PQ) : c’est un nœud connecté directement avec la charge, il ne possède

aucune source d’énergie. Les puissances active et réactive sont considérées connues.

Nœud générateur (PV) : c’est un nœud connecté directement avec un générateur ou une

source d’énergie réactive. la puissance active et la tension sont considérées connues. La

production de l’énergie réactive est limitée par des valeurs inférieures et supérieures, mingQ et

maxgQ respectivement. Si l’une des deux limites est atteinte, la valeur se fixe à cette limite et

la tension se libère, le nœud devient alors un nœud (PQ).

Nœud bilan (slack bus) : c’est un nœud connecté avec un générateur relativement puissant ;

il est considéré dans le calcul d’écoulement de puissance afin de compenser les pertes

actives et assurer l’égalité entre la demande et la génération de la puissance active. Dans un

noeud bilan, l’amplitude et l’angle de la tension sont supposés connus.

2.2.4 Modèle du transformateur

Un transformateur de l’énergie électrique est représenté par un quadripôle en non symétrique.

Les grandeurs associées sont le rapport de transformation a et l’impédance de fuite. Les rapports

ija sont inclus dans les éléments de la matrice admittance, c’est-à-dire que les susceptances de la

matrice admittance ijB sont vues comme des fonctions de rapports de transformation a (figure 2.2).

Figure 2.2 Modèle d’un transformateur.

i j

Yt/aij

(aij -1)Yt/ aij (1- aij)Yt/ aij2


UATL 2007 27

Dans un réseau électrique, les transformateurs qui sont connectés directement à la charge sont

des transformateurs régleur de charge (LTC). Ils disposent des régulateurs automatiques de la

tension dans des limites permises de fonctionnement, indépendamment des fluctuations de tension

primaire [13].

2.2.5 Equipements de compensation de l’énergie réactive

Le transport de l’énergie réactive pour une longe distance n’est pas économique (augmentation

des pertes actives). De ce fait, la production de cette énergie doit être le plus prés possible des

points de consommation. Dans un réseau électrique, on peut citer deux types d’équipements de

compensations :

Compensateur synchrone : c’est un alternateur qui produit seulement une puissance réactive.

Il est modélisé par un nœud PV de puissance active nulle ( 0P ) avec une tension

constante. L’angle de la tension et la puissance réactive est calculé par le programme

d’écoulement de puissance. La génération de la puissance réactive est limitée selon

l’équation (2.1).

Compensateurs statiques : il existe deux types du compensateurs statiques :

- Banks de condensateurs : ils sont installés au niveau des noeuds ainsi que des lignes de

transport. La manipulation de ces condensateurs est effectuée manuellement. Dans notre

travail, ils sont modélisés par une admittance shunt avec une susceptance fixe cB introduite

dans la matrice admittance.

- Dispositifs FACTS : ils sont modélisés généralement par une inductance variable

connectée en parallèle avec une capacité fixe. A cause de leurs importances dans la

conduite et le fonctionnement des réseaux électriques, une description relativement

détaillée de ces équipements sera présentée dans une section indépendante.

2.2.6 Modélisation des charges

La modélisation de la charge joue un rôle très important dans l’étude et l’analyse de la sécurité

de tension [9]. Dans la littérature, il existe deux types de modélisation des charges électriques à

savoir, la modélisation statique et celle dynamique. La modélisation dynamique est relativement

compliquée ; la puissance consommée par la charge est une fonction de la tension et du temps ; Elle


UATL 2007 28

est utilisée généralement pour l’étude et l’analyse de la stabilité transitoire. La modélisation statique

est mieux adaptée aux programmes d’écoulement de puissance [24].

Dans cette section, en présentes différents modèles statiques qui expriment la puissance active et

réactive de la charge en fonction de la tension de noeud [13, 25]. Le modèle exponentiel de la

charge est défini par les équations (2.2) et (2.3).

0

0

np

VP P

V

(2.2)

0

0

nq

VQ Q

V

(2.3)

Avec :

0P et 0Q : puissance active et réactive consommées à une tension de référence 0 1V pu .

pn et qn : constantes dépendant du type de la charge.

En pratique, les valeurs de pn et qn de différents types de charges sont trouvées empiriquement

[13]. Le tableau 2.1, représente les différents types de charges avec leurs exposants spécifiques [26].

Tableau 2.1 Valeurs des exposants np et nq pour différents types de charge.

Types de charge np nq

Climatisation 0.50 2.50

Chauffage électrique 2.00 0.00

Eclairage fluorescent 1.00 3.00

Pompes, climatiseurs,moteurs

0.08 1.60

Grands moteursindustriels

0.05 0.50

Petit moteur industriel 0.10 0.60


UATL 2007 29

Selon les valeurs de pn et qn , on peut présenter les différents modèles statiques à savoir :

Modèle à puissance constante (modèle standard PQ) : les puissances active et réactive ne

dépendent pas de la tension ( 0p qn n ).

Modèle à courant constant : la puissance varie directement avec le module de la tension

1p qn n

Modèle à impédance constante : la puissance varie avec le carré du module de la tension

2p qn n

2.3 SYSTEMES DE TRANSMISSION FLEXIBLES EN COURANTALTERNATIF (FACTS)

Les dispositifs FACTS (Flexible Alternative Current Transmission Systems) peuvent contribuer

à faire face aux problèmes rencontrés dans l’exploitation des réseaux électriques. Le concept

FACTS, introduit en 1986 par Electric Power Research Institute (EPRI), regroupe l’ensemble des

dispositifs, basés sur l’électronique de puissance, qui permettent d’améliorer l’exploitation d’un

réseau électrique [27]. Son développement est étroitement lié aux progrès réalisés dans le domaine

des semi-conducteurs de puissance et plus particulièrement des éléments commandables tels que le

thyristor et le thyristor GTO. Ces éléments jouent le rôle d’interrupteurs très rapides ; ce qui confère

aux dispositifs FACTS une vitesse et une fiabilité bien supérieures à celles des systèmes

électromécaniques classiques.

Des études et des réalisations pratiques ont mis en évidence l’énorme potentiel des dispositifs

FACTS [28, 29]. Avec leur capacité à modifier l’impédance apparente d’une ligne de transport, ils

peuvent être utilisés aussi bien pour le contrôle de la puissance active que celui de la puissance

réactive et de la tension. En régime permanent, les FACTS permettent d’utiliser les lignes plus prés

de leur limite thermique en repoussant les limitations liées à la stabilité. Leur vitesse de commande

élevée leur confère également un grand nombre d’avantages en régime transitoire ainsi qu’en cas de

court-circuit. De manière générale, les dispositifs FACTS agissent en fournissant ou en absorbant

de la puissance réactive, en augmentant ou en réduisant la tension aux nœuds, en contrôlant

l’impédance des lignes ou en modifiant les phases des tensions.


UATL 2007 30

Un autre avantage des équipements FACTS réside dans le fait que cette technologie autorise une

extension des limites du réseau d’une manière échelonnée en installant les FACTS pas à pas

lorsqu’ils deviennent nécessaires. Il est ainsi possible de répartir les investissements dans le temps.

De plus, avec les FACTS de la dernière génération, il est possible de déplacer une installation en

l’espace de quelques mois, si les conditions d’exploitation venaient à changer en rendant le

dispositif inutile dans son emplacement initial [30].

Plusieurs types de FACTS avec des architectures et des technologies différents, ont été

développés. Parmi eux, les plus connus sont le SVC (Static Var Compensator), le TCSC (Thyristor

Controlled Series Capacitor), le STATCOM (Static Synchronous Compensator), et l’UPFC

(Unified Power Flow Controller). Chacun de ces dispositifs possède ses propres caractéristiques et

peut être utilisé pour répondre à des besoins bien précis. Le choix du dispositif approprié est donc

essentiel et dépend des objectifs à atteindre. La position de l’installation dans le réseau est

également un paramètre important pour son efficacité. Lorsque plusieurs dispositifs sont insérés

dans un réseau, il convient que leurs effets soient coordonnés afin qu’ils n’agissent pas de façon

opposée. Dans ce cas, la stratégie de contrôle revêt une importance toute particulière.

2.3.1 Définitions et généralités

Selon l’IEEE (Institute of Electrical and Electronics Engineers), la définition du terme FACTS

est la suivante : Système de Transmission en Courant Alternatif comprenant des dispositifs basées

sur l’électronique de puissance et d’autres dispositifs statiques utilisés pour accroître la

contrôlabilité et augmenter la capacité de transfert de puissance du réseau [30].

Avec leurs aptitudes de modifier les caractéristiques apparentes des lignes, les FACTS sont

capables d’accroître la capacité du réseau dans son ensemble en contrôlant les transits de

puissances. Il est donc important de souligner que les dispositifs FACTS ne peuvent pas augmenter

la capacité thermique des lignes de transport. En revanche, ils permettent d’utiliser les lignes plus

proches de leurs limites en repoussant d’autres limitations, en particulier celles liées à la stabilité.

Finalement, il faut noter que les FACTS ne remplacent pas la construction de nouvelles lignes, Ils

sont un moyen de différer les investissements en permettant une utilisation plus efficace du réseau

existant.


UATL 2007 31

2.3.2 Rôle des dispositifs FACTS

Le développement des dispositifs FACTS est essentiellement dû aux progrès réalisés dans le

domaine des semi-conducteurs de puissance et plus particulièrement des éléments commandables

tels le thyristor et le thyristor GTO. Les FACTS représentent une alternative aux dispositifs de

réglage de puissance utilisant des techniques passives : bobine d’induction et condensateur

déclenchés par disjoncteur, transformateur déphaseur à régleur en charge mécanique, etc. dans les

dispositifs FACTS, les interrupteurs électromécaniques sont remplacés par des interrupteurs

électroniques. Ils disposent ainsi de vitesses de commande très élevées et ne rencontrent pas les

problèmes d’usure de leurs prédécesseurs. De ce fait, les FACTS possèdent une très grande fiabilité

et une flexibilité pratiquement sans limite.

Dans un réseau électrique, les FACTS permettent de remplir des fonctions tant en régime

stationnaire qu’en régime transitoire. Ils agissent généralement en absorbant ou en fournissant de la

puissance réactive, en contrôlant l’impédance des lignes ou en modifiant les angles des tensions. En

régime permanent, les FACTS sont utilisés principalement dans les deux contextes suivants :

Le maintien de la tension à un niveau acceptable en fournissant de la puissance réactive

lorsque la charge est élevée et que la tension est trop basse, alors qu’à l’inverse ils en

absorbent si la tension est trop élevée;

Le contrôle des transits de puissances de manière à réduire, voire supprimer, les surcharges

dans les lignes ou les transformateurs ainsi que pour éviter les flux de bouclage dans le

réseau. Ils agissent alors en contrôlant la réactance des lignes et en ajustant les déphasages.

De par leur vitesse de commande élevée, les FACTS possèdent de nombreuses qualités en

régime dynamique [30]. Ils permettent en particulier :

D’accroître le réserve de stabilité transitoire ;

D’amortir les oscillations de puissance ;

De supporter de manière dynamique la tension.

Les dispositifs FACTS ont également une action bénéfique sur les niveaux des courants de court-

circuit ainsi qu’en cas de résonance hyposynchrone.


UATL 2007 32

2.3.3 Types des dispositifs FACTS

Les systèmes FACTS peuvent être classés en trois catégories [31] :

Les compensateurs parallèles ;

Les compensateurs séries ;

Les compensateurs hybrides (série - parallèle).

Dans cette section, nous essayons de présenter les FACTS les plus populaires appartenant àchaque catégorie :

2.3.3.1 Compensateurs Parallèles

Les compensateurs parallèles sont utilisés depuis longtemps dans les réseaux électriques

principalement pour contrôler les tensions aux niveaux désirés lorsque les conditions du système

changent. Des réactances fixes ou mécaniquement commutés sont appliqués pour réduire au

minimum les surtensions du système dans des conditions de faible charge et des condensateurs

shunt fixés ou mécaniquement commutés sont appliqués afin de maintenir des niveaux de tension

dans des conditions de forte charge. Dans les deux cas, les compensateurs shunts produisent une

impédance réactive shunt, variable qui est ajustée en fonction des conditions du réseau de transport.

Les commutateurs mécaniques avaient commencé à être remplacés par les commutateurs

statiques à base de thyristors vers la fin des années 70 [30]. Actuellement, les compensateurs shunts

et notamment le SVC sont largement répandus dans les réseaux électriques.

2.3.3.1.1 Compensateur statique de puissance réactive (SVC)

IEEE définit le SVC (Static Var Compensator) comme un générateur (ou absorbeur) statique

d’énergie réactive, shunt, dont la sortie est ajustée en courant capacitif ou inductif afin de contrôler

des paramètres spécifiques du réseau électrique, typiquement la tension des nœuds [32].

Le compensateur statique de puissance réactive SVC est le premier dispositif FACTS qui

apparaît dans les années 1970 pour répondre à des besoins de stabilisation de tension rendue

fortement variable du fait de charges industrielles très fluctuantes telles les laminoirs et les fours à

arc. Les SVC sont des FACTS de première génération. Ils utilisent des thyristors classiques,

commandables uniquement à l’amorçage.


UATL 2007 33

2.3.3.1.2 Compensateur statique synchrone (STATCOM)

IEEE définit le STATCOM (Static Synchronous Compensator) comme un générateur synchrone

fonctionnant comme un compensateur parallèle de l’énergie réactive dont le courant capacitif ou

inductif généré peut être contrôlé séparément de la tension du réseau [32].

Le compensateur statique synchrone STATCOM, autrefois appelé compensateur statique de

puissance réactive avancé fait partie de la deuxième génération des FACTS. Il correspond à

l’équivalent statique exact de la machine synchrone classique fonctionnant en compensateur, mais

sans inertie. Il est principalement utilisé pour la compensation dynamique des réseaux, afin de

faciliter la tenue de tension, d’accroître la stabilité en régime transitoire et d’amortir les oscillations

de puissance.

2.3.3.2 Compensateurs Séries

La réactance des lignes est une des limitations principales de la transmission de courant alternatif

dans les longues lignes. Pour remédier à ce problème, la compensation série capacitive a été

introduite afin de réduire la partie réactive de l’impédance de la ligne. Les dispositifs FACTS de

compensation série sont des évolutions des condensateurs série fixes. Ils agissent généralement en

insérant une tension capacitive sur la ligne de transport qui permet de compenser la chute de tension

inductive.

2.3.3.2.1 Compensateur série commuté par thyristor (TSSC)

IEEE définit le TSSC (Thyristor Switched Series Capacitor) comme un compensateur capacitif

qui se compose de plusieurs condensateurs en série. Chaque condensateur commandée par un

commutateur de thyristor qui assure une compensation par palier [32].

Le Compensateur série commuté par thyristor TSSC (Thyristor Switched Series Capacitor), est

le premier qui apparaît dans la famille des compensateurs série. Il est constitué de plusieurs

capacités montées en série, chacun étant shunté par une valve à thyristors montée en dérivation.

2.3.3.2.2 Compensateur série commandé par thyristor (TCSC)

IEEE définit le TCSC comme étant un compensateur à réactance capacitif qui consiste en une

série de condensateurs en parallèle avec des inductances commandées par thyristor afin de pouvoir


UATL 2007 34

assurer une variation homogène de la réactance capacitive [32]. Le TCSC permet une compensation

qui varie entre 20% inductive et 80% capacitive [20].

2.3.3.2.3 Compensateur série synchrone (SSSC)

IEEE définit le SSSC (Static Synchronous Series Compensator) comme étant un générateur

synchrone statique fonctionnant sans source d’énergie électrique extérieure comme les

compensateurs série, dont la tension de sortie est contrôlable indépendamment du courant de ligne

afin d’augmenter ou de diminuer la chute de tension globale, et ainsi de contrôler la puissance

électrique transmise [32].

Le compensateur série synchrone SSSC est un dispositif FACTS de deuxième génération. Il est

formé d’un convertisseur de tension inséré en série dans la ligne par l’intermédiaire d’un

transformateur. Le SSSC agit sur le courant de la ligne en insérant une tension en quadrature avec

ce dernier, la tension pouvant être capacitive ou inductive. Un SSSC est capable d’augmenter ou de

diminuer le flux de puissance dans une ligne. Le comportement d’un SSSC peut être assimilé à

celui d’un condensateur ou d’une inductance série réglable. La différence principale réside dans le

fait que la tension injectée n’est pas en relation avec le courant de ligne. De ce fait, le SSSC

présente l’avantage de pouvoir maintenir la valeur de tension insérée constante, indépendamment

du courant. Il est donc efficace tant pour des petites charges (faibles courants) que pour des grandes

charges. Un autre avantage du SSSC réside dans le fait que ce type de compensateur n’insère pas de

condensateur en série avec la ligne de transport. De ce fait, il ne peut pas provoquer de résonance

hyposynchrone. De plus sa taille est réduite en comparaison au celle du TCSC.

Les applications pour les quelles sont utilisées les SSSC sont identiques à celles où l’on a recours

à des condensateurs séries réglables. Ce sont plus particulièrement :

La commande statique et dynamique des flux de puissances ;

Amélioration de la stabilité angulaire ;

Atténuation des oscillations électromécaniques.


UATL 2007 35

2.3.3.3 Compensateur série parallèle (hybride)

Les compensateurs FACTS cités précédemment (série ou parallèle), permettent d’agir

uniquement sur un des trois paramètres déterminant la puissance transmise dans une ligne (tension,

impédance et angle). Par une combinaison des deux types de dispositifs, il est possible d’obtenir des

dispositifs hybrides capables de contrôler simultanément les différentes variables précitées.

2.3.3.3.1 Contrôleur de transit de puissance universel (UPFC)

IEEE définit l’UPFC comme étant une combinaison entre un STATCOM et un SSSC couplés via

une liaison à courant continu, pour permettre un écoulement bidirectionnel de la puissance active

entre la sortie du SSSC et celle du STATCOM. L’UPFC permet le contrôle de la tension, de

l’impédance, et de l’angle ou d’écoulement de la puissance active et réactive de la ligne [32].

L’UPFC est capable de remplir toutes les fonctions des autres dispositifs FACTS. Il peut être

utilisé particulièrement pour :

Réglage de la tension ;

Contrôle de flux de puissance active et réactive ;

Amélioration de la stabilité ;

Limitation des courants de court-circuit ;

Amortissement des oscillations de puissance.

2.3.3.3.2 Transformateur déphaseur commandé par thyristor (TCPST)

IEEE définit le TCPST (Thyristor Controlled Phase Shifting Transformer) comme étant un

transformateur déphaseur ajusté par thyristor afin de fournir un angle de phase rapidement variable

[32].

Transformateur déphaseur commandé par thyristor TCPST, est le premier équipement FACTS

combiné.


UATL 2007 36

2.3.3.3.3 Régulateur d’angle de phase commandé par thyristor (TCPAR)

IEEE définit le TCPAR (Thyristor Controlled Phase Angle Regulator), comme étant un

transformateur déphaseur qui permet le contrôle du déphasage entre ses tensions terminales tout en

gardant leurs amplitudes invariables [32].

Le régulateur d’angle de phase commandé par thyristor TCPAR, contrairement au TCPST, est

capable de fournir (ou d’absorber) l’énergie réactive au réseau.

2.3.3.3.4 Régulateur de tension commandé par thyristor (TCVR)

IEEE définit le TCVR (Thyristor Controlled Voltage Regulator) comme étant un transformateur

contrôlé par thyristor qui permet la commande de la phase de tension d’une manière continue [32].

Le régulateur de tension commandé par thyristor TCVR, est un autre membre de la famille des

FACTS combinés. Leur prix relativement réduit, leur confère un avantage certain dans le contrôle

de l’écoulement d’énergie réactive.

2.3.4 Dispositifs FACTS en Exploitation

A ce jour, plusieurs centaines d’installations FACTS sont exploitées ou en cours de réalisation

dans le monde. Un petit nombre de fabricants se partagent le marché. La majorité des dispositifs

sont des compensateurs de puissance réactive de type SVC utilisés pour le maintien de la tension

dans le réseau.

La grande majorité de ces dispositifs est placée dans le réseau pour accomplir une tache bien

précise et très locale. Rares sont les cas où plusieurs dispositifs peuvent interagir entre eux et

nécessitent un contrôle coordonné. Dans cette section, quatre installations en exploitation sont

présentées.

2.3.4.1 Condensateur Série Avancé (ASC) de Kayenta [30]

Le condensateur série avancé ASC (Advanced Series Capacitor) est le nom commercial donné

par le fabricant Siemens au dispositif série mixte comprennent un TCSC et un condensateur

conventionnel. Un FACTS de ce type a été mis en service en 1992 à Kayenta (Arizona, USA), sur

le réseau Western Area Power Administration (WAPA). Il a pour but d’utiliser une ligne 230 kV,

longue de 230 km, à sa capacité de transport maximale. Celle-ci avait été dimensionnée pour


UATL 2007 37

transporter une puissance de 300 MW. De nouvelles lignes 345 kV et 500kV situées sur des

chemins parallèles en empêchaient la pleine utilisation. Avec l’augmentation des échanges,

certaines lignes étaient proches de leurs limites alors que la ligne 230 kV était sous-exploitée.

L’installation d’un ASC au milieu de la ligne permet d’accroître de 100 MW le transit de puissance

dans la ligne et de l’exploiter proche de sa limite thermique. L’ASC permet une compensation

réactive maximale de 330 MVar.

2.3.4.2 TCSC d’Imperatriz [30]

Un TCSC est utilisé de puis 1999 pour réaliser l’interconnexion nord-sud de Brésil. Ce pays

possède deux systèmes électriques principaux qui n’étaient pas interconnectés. La puissance

transportée est à 95% d’origine hydraulique. Pour bénéficier de la diversité hydrologique, une

liaison consistant en un corridor de transmission de 500 kV, d’une longueur dépassant 1000 km a

été construite. La ligne à été compensée par des compensateurs série en plusieurs endroits.

Un TCSC a été implanté au poste d’Imperatriz. Il permet une compensation comprise entre 5%

et 15% de la ligne. Son rôle est principalement d’amortir les oscillations de puissance interzones à

basse fréquence (0.2 Hz) qui peuvent présenter un risque pour la stabilité du système. De plus, la

réactance apparente inductive du TCSC aux fréquences hyposynchrones est bénéfique en cas de

résonance introduite par la compensation.

2.3.4.3 STATCOM de Sullivan [30]

C’est en 1995 que fut installé un STATCOM à la sous-station de Sullivan, dans le réseau de la

Tennessee Valley Authority (TVA). Ce poste est alimenté par le réseau 500 kV, via un

transformateur de 1200 MVA avec un régleur en charge, ainsi que par quatre lignes 161 kV. Situé

en bordure du réseau 500 kV de la TVA, la poste 500 kV de Sullivan était exposé à des surtensions

en période creuse alors que la tension était trop faible sur le noeud 161 kV pendant les périodes de

forte charge. De plus, la TVA possède une interconnexion avec la compagnie American Power

Electric (AEP) par laquelle des oscillations de puissance pourraient arriver. Un STATCOM d’une

puissance initiale 100 MVar permet de contrôler la tension du poste 161 kV lorsque la charge

augmente afin d’éviter les changement de prises du transformateur 500/161 kV. L’utilisation du

STATCOM pour le réglage de la tension en ce nœud a permis de réduire le nombre d’interventions

du transformateur d’environ 250 à (2-5) fois par mois.


UATL 2007 38

2.3.4.4 UPFC d’Inez [30]

Le premier UPFC au monde a été installé en, 1998 à Inez (Kentucky, USA), sur le réseau de

l’American Power Electric (AEP). Cette région est alimentée par des unités de production situées à

sa périphérie par le biais de longues lignes de transport 138 kV. Dans des conditions normales

d’exploitation, un grand nombre de ces lignes transportaient des puissances de l’ordre de 300 MVA.

Cette valeur est supérieure à la puissance naturelle des lignes à ce niveau de tension. Les lignes

fonctionnaient proches de leur limite thermique, ce qui laissait peu de marge de sécurité en cas de

défaut. De plus, les niveaux de tension dans la région d’Inez étaient généralement bas, soit aux

environs 95% de la valeur nominale.

Pour renforcer le système, une ligne à haute capacité 138 kV, 950 MVA et un transformateur

345/128 kV ont été construits. Un UPFC d’une puissance de 320 MVA a été installé. Il a pour but

l’utilisation de la pleine capacité de la nouvelle ligne de manière à soulager le reste du réseau d’une

part, et le maintien de la tension de la région d’autre part. Des réactance séries ont également étaient

insérées dans les lignes de plus faible capacité afin d’en limiter la charge.

Dans les conditions normales d’exploitation. L’UPFC est géré de sorte que le transit de

puissance conduise à un minimum de pertes dans le réseau. Une diminution moyenne des pertes de

24 MW a pu être observée. Lorsque la puissance circulant dans une des lignes critiques du réseau

dépasse 90% de sa capacité, l’installation est contrôlée de manière à accroître le transit dans la

nouvelle ligne pour réduire le courant dans les lignes surchargées. En cas de défaillance dans le

réseau, l’UPFC permet d’éviter l’écroulement de tension en maintenant la tension à la sous station

d’Inez.

2.3.5 Coût des dispositifs FACTS

Mis à part les avantages techniques apportés par les FACTS, d’autres critères liés au coût doivent

êtres pris en considération dans la décision d’installer un dispositif. Sur le plan économique, le

critère généralement adopté dans l’évaluation des bénéfices obtenus par un FACTS est que

l’accroissement des revenues doit excéder les coûts d’exploitations, de maintenance et

d’amortissement de l’installation.

Le coût d’une installation FACTS dépend principalement des facteurs tels que les performances

requises, la puissance de l’installation, le niveau de tension du système ou encore la technologie du

semi-conducteur utilisé.


UATL 2007 39

2.3.6 Synthèse

Les différents dispositifs FACTS présentés dans cette section possèdent tous leurs propres

caractéristiques tant en régime permanent qu’en régime transitoire. Chaque type de dispositif sera

donc utilisé pour répondre à des objectifs bien définis. Des considérations économiques entrant

également dans le choix du type d’installation sont a discuter. Le tableau 2.2 synthétise les

domaines d’applications des différentes technologies de FACTS. Le nombre « + » est proportionnel

à l’efficacité du dispositif [30].

Tableau 2.2 Domaines d’applications des dispositifs FACTS

Dispositif Contrôle dutransit depuissance

Contrôle de latension

Stabilitétransitoire

Stabilité statique

SVC + +++ + ++

STATCOM + +++ ++ ++

TCSC ++ + +++ ++

SSSC ++ + +++ ++

TCPST +++ + ++ ++

UPFC +++ +++ +++ +++

2.3.7 SVC et TCSC

Comme déjà mentionné précédemment, notre travail consiste à optimiser la marge de la stabilité

statique de tension ainsi que la réduction des pertes actives (problème d’optimisation multiobjectif).

De ce fait, il faut choisir, parmi les équipements FACTS, ceux qui ont des applications spécifiques

tels le maintien de la tension et le contrôle de l’écoulement de puissance : le SVC étant le plus

efficace dans la compensation de l’énergie réactive ainsi que le maintien de la tension et le TCSC

est le meilleur choix pour un contrôle approprié du transit de puissance et par suite la réduction des

pertes actives dans le réseau.

De ce fait, nous avons opté, dans la suite de notre travail, pour L’utilisation combinée du SVC et

du TCSC en vue d’assurer de meilleures performances dynamiques du système avec plus de

rentabilité et d’efficacité.


UATL 2007 40

2.3.7.1 Structure du SVC et TCSC

a. SVC

La figure 2.3 présente l’une des structures possibles d’un SVC. Comme mentionné

précédemment, le SVC est un équipement de compensation parallèle, composé d’une capacité fixe

connectée en parallèle avec une réactance variable par le biais d’un gradateur. La valeur de la

susceptance équivalente est une fonction de l’angle d’amorçage des thyristors [87].

SVC c LB B B (2.4)

Tel que 1 2 sin(2 )( ) 1

c

L

B Cw

BwL

(2.5)

Avec :

: L’angle d’amorçage des thyristors tel que 0 90 ,

w : la pulsation.

Figure 2.3 Structure d’un SVC

Etant donné que l’angle d’amorçage des thyristors est limitée entre 0° et 90°, cela implique que

la susceptance variable SVCB est aussi limitée entre minSVCB et max

SVCB .

b. TCSC

Le TCSC est un compensateur série, utilisé principalement pour varier la réactance de la ligne du

réseau, afin de contrôler le transit de la puissance entre deux nœuds. Voire équation (2.6)

1 212 12sin

TCSC

V VP

X (2.6)


UATL 2007 41

Semblable au SVC, le TCSC est constitué d’une inductance variable et d’une capacité fixe (voir

figure 2.3). La réactance équivalente d’un TCSC et une fonction de l’angle d’amorçage de thyristor.

1

TCSC

L c

XB B

(2.7)

A cause des limites techniques, la réactance TCSCX du TCSC varie entre une valeur minimale

minTCSCX et maximale max

TCSCX .

2.3.7.2 Modélisation mathématique du SVC et TCSC

Pour pouvoir observer l’impact de ces deux types de FACTS (SVC et TCSC) dans un réseau

électrique, il est nécessaire de les représentés par des modèles mathématiques appropriés. Ceux-ci

sont ensuite intégrés dans des programmes de calcul permettant de simuler leurs effets sur la

stabilité de tension ainsi que les pertes actives.

Plusieurs modèles de FACTS ont été développés, tant pour des régimes de fonctionnement

statique (qui est notre cas) que dynamique [30]. Certains modèles sont spécifiques à un type de

dispositif alors que d’autres, plus généraux, sont utilisés pour présenter plusieurs FACTS [30].

Dans le cadre de ce travail, c’est le rôle des dispositifs FACTS dans la conduite des réseaux qui

est étudié. Dans ce contexte, nous nous restreignons à l’étude des régimes permanents et plus

particulièrement aux effets du TCSC et SVC sur la stabilité statique de tension ainsi que sur les

pertes actives. Les deux types de FACTS sont modélisés pour des régimes statiques. Les régimes

transitoires n’étant pas abordés dans ce mémoire.

Plusieurs modèles mathématiques du SVC et du TCSC en régime permanent sont proposés dans

la littérature. Dans [30], la méthode de la puissance injectée est proposée. Les caractéristiques

électriques des équipements sont traduites et remplacées par des puissances injectées. Une autre

méthode consiste à modéliser les SVCs et TCSCs comme des réactances variables dont valeurs

dépendent de l’angle d’amorçage des thyristors [33]. Cette deuxième modélisation est appliquée

dans notre étude afin de faciliter l’implantation des modèles mathématiques des FACTS dans

l’algorithme d’écoulement de puissance.


UATL 2007 42

a. Modèle du SVC

La figure 2.4 représente la modélisation d’un SVC par une admittance variable dont la valeur est

limitée selon l’équation (2.8). L’énergie réactive fournie (ou absorbée) par le SVC au noeud i est

donnée par l’équation (2.9).

Figure 2.4 Modèle d’un SVC

min maxSVC SVC SVCB B B (2.8)

2SVC i SVCQ V B (2.9)

b. Modèle du TCSC

La figure 2.5 présente l’implantation d’un TCSC dans une ligne électrique. La réactance totale

est la somme algébrique de la réactance du TCSC et la réactance réelle de la ligne. Voir l’équation

2.10.

Figure 2.5 Modèle d’un TCSC

ij line TCSCX X X (2.10)

i

jB SVC

Vi

i j

R+jXX TCSC

jB/2 jB/2


UATL 2007 43

Afin d’éviter la surcompensation dans la ligne, la valeur de la réactance TCSCX dépend de la

valeur de la réactance de la ligne lineX [3,6]; telle que :

0.8 0.2line TCSC lineX X X (2.11)

2.4 PLACEMENT OPTIMAL DES DISPOSITIFS FACTS

2.4.1 Etat de l’art [30]

Un grand nombre de travaux de recherche a été réalisé sur la détermination de l’emplacement

optimal de dispositifs FACTS dans un réseau électrique. Ils se différencient principalement les uns

des autres par :

Les régimes de fonctionnement pour lesquels les dispositifs sont installés ;

Les modèles adoptés pour les dispositifs FACTS ;

Les méthodes et les critères d’optimisation ;

La taille et la topologie des réseaux utilisés dans les simulations.

En régime dynamique, les FACTS sont généralement utilisés pour amortir les oscillations de

puissance dans le système. Dans [59], une méthode basée sue la sensibilité des valeurs propres en

petites perturbations est présentée. Elle est appliquée au placement de dispositifs shunts pour

amortir les oscillations électromécaniques. Des méthodes similaires ont été développées pour des

FACTS de type série [60] et pour des dispositifs déphaseurs [61].

En régime stationnaire, les dispositifs FACTS sont utilisés pour contrôler les transits de

puissances dans les lignes ainsi que les tension aux nœuds. Les objectifs recherchés peuvent être

d’ordre technique ou de nature économique [62], [63]. Différentes méthodes et critères sont utilisés

pour placer les dispositifs dans le système.

La position optimale d’un dispositif shunt placé dans une longue ligne de transport est discutée

dans [64]. Elle est déterminée de manière à augmenter la puissance transmise, en améliorant la

stabilité du système. Plusieurs références présentent des méthodes de placement de FACTS pour

accroître la stabilité de tension. La méthodologie utilisée dans [65] sur une analyse modale des

équations d’écoulement de puissance modifiées par les FACTS. Dans [66], la position optimale du


UATL 2007 44

SVC est déterminé on utilisons une méthode combinant un recuit simulé avec les multiplicateurs de

lagrange. Les emplacements optimaux, permettant d’accroître la stabilité statique, sont étudiés dans

[67] pour des réseaux de grandes tailles.

L’article [68] présente une méthode de placement optimal hybride basé sur les algorithmes

génétiques et la programmation linéaire. Des SVC sont placés pour prévenir l’écroulement de

tension tout en minimisant le coût des installations. La méthode présentée dans [69] détermine les

emplacements de dispositifs FACTS shunt sur la base d’une analyse singulière de la matrice

Jacobienne. Les nœuds présentant la plus grande sensibilité de tension aux variations de charges

sont ceux devant être munis de FACTS. La méthode est testée sur réseau 14 nœuds.

La référence [70] présente une méthode dans laquelle les modèles des FACTS sont intégrés dans

un calcul de répartition optimale des puissances réactives. Ils sont utilisés pour réduire les pertes

actives dans le réseau. L’emplacement des dispositifs est déterminé sur la base des résultats d’une

analyse de sensibilité de l’expression des pertes vis-à-vis des grandeurs contrôlables par les FACTS.

Dans un environnement dérégulé, les FACTS sont positionnés dans le réseau de manière à

accroître la capacité disponible pour les échanges ATC (Available Transfer Capability) en

contrôlant les transits dans les lignes. Dans ce contexte, [71] présente une méthode de placement

des FACTS basée sur analyse de sensibilité entre les injections aux nœuds et les transits dans les

lignes. Les dispositifs sont placés dans les lignes ayant les plus grands coefficients d’influence. La

méthode est mise en œuvre sue une partie du réseau de l’UCTE. Elle montre la possibilité

d’augmenter certains échanges. Le même critère est utilisé dans [72].

L’optimisation réalisée au moyen de la programmation stochastique, qui consiste en la

maximisation de l’ATC en terme d’écroulement de tension, est l’objectif visé dans [73]. Dans cette

optique, un placement optimal de SVC et de TCSC est réalisé sur la base d’une analyse de

sensibilité de second ordre. Une méthode analytique de placement optimal des dispositifs de

compensation série est présentée dans [74]. Les FACTS sont utilisés pour augmenter la capacité de

transfert de puissance dans le réseau. Leur position et leur taille sont déterminées à l’aide de

coefficients calculés lors d’accroissement de la charge.

Dans la référence [75], des dispositifs série sont placés de manière à différer les problèmes de

congestion dans le réseau. L’optimisation est réalisée sur les résultats d’une analyse de sensibilité.

Les coefficients sont calculés à partir des dérivées partielles d’un indice de performance. La


UATL 2007 45

méthode est validée sur un réseau à 5 nœuds et appliquée au réseau indien [76]. Le même indice est

utilisé dans [77] pour le contrôle de transits de puissances avec des UPFC.

Des FACTS série (compensateur série et dispositifs déphaseurs) peuvent êtres utilisés pour

diminuer les coûts de transport dans le réseau en contrôlant les transits de puissance dus aux

transactions [78]. Les effets des dispositifs sont évalués au moyen d’un écoulement de puissance à

courant continu. Le placement des dispositifs dans le réseau est réalisé par programmation linéaire.

Des simulations effectuées sur le réseau IEEE 14 nœuds et sur le réseau du sud du Brésil montrent

que les FACTS permettent de réduire substantiellement le prix du transport. Le gain enregistré est

dépendant de la méthode de tarification utilisée. Dans le même sens, dans le même sens l’article

[79] présent une méthode dans laquelle des FACTS de type série sont placés de manière optimale

pour minimiser les coûts de production et d’investissement de l’installation des dispositifs. Les

modèles des FACTS sont intégrés dans un calcul de répartition des puissances optimal.

L’algorithme développé est appliqué sur des réseaux tests de tailles allant de 3 à 30 nœuds.

La référence [80] présente un placement optimal de TCSC et de TCPST dans un système

comportant une production hydraulique. Les dispositifs sont positionnés de manière à minimiser les

coûts de production dus aux unités thermiques et les investissements pour les FACTS. Les

algorithmes génétiques, combinés à une méthode de descente sont utilisés pour placer des bancs de

condensateurs dans un réseau à 25 nœuds [81]. L’optimisation est réalisée sur les coûts

d’investissements des dispositifs, le cou des pertes et des pénalités dues aux écarts de tension.

Toujours avec les algorithmes génétiques, ce sont des FACTS déphaseurs qui sont placés de

manière optimale dans [82]. L’optimisation est réalisée sur la base des résultats d’un calcul de

répartition des puissances optimal. Des simulations sont effectuées sur un réseau test de 36 nœuds et

sur le réseau Français. Elles mettent en évidence la possibilité de réduire les coûts de production

ainsi que l’influence mutuelle entre les dispositifs. Des dispositifs déphaseurs sont également placés

de manière optimale par programmation linéaire entière mixte (mixed integer linear programming)

[83]. Les objectifs recherchés sont une réduction du coût total de production et un accroissement de

la puissance transmissible dans le réseau. Les résultats obtenus sur un réseau 24 noeuds corroborent

ceux présentés dans [84] et [85] et mettent en évidence une efficacité limite du réseau.

Cette présentation, non exhaustive, des différents travaux publiés dans la littérature, met en

évidence la diversité des méthodes et des critères d’optimisation utilisés.


UATL 2007 46

2.5 CONCLUSION

Dans ce chapitre, Nous avons modélisés les différents composants du réseau électrique à savoir :

le groupe turbo-alternateur, les lignes de transport, les transformateurs et les charges dynamiques.

Nous avons aussi présentés de manière détaillée les équipements FACTS, leurs types, leurs rôles

ainsi que leurs domaines d’application. L’état de l’art de l’emplacement optimal des dispositifs

FACTS, ainsi que, La modélisation du TCSC et SVC, ont étaient traitées à la fin de ce chapitre.

CHAPITRE 3 ETUDE PARAMETRIQUE DE LA STABILITE DE TENSION

UATL 2007 47

CHAPITRE 3

ETUDE PARAMETRIQUE DE LA

STABILITE DE TENSION

3.1 INTRODUCTION

Avant d’entamer une étude sur un système réel, il est préférable de commencer par un système

simple. Cela nous permettra d’avoir des équations faciles à traiter et des schémas représentatifs

simples et également de retrouver des résultas classiques.

Ce chapitre présente une analyse fondamentale de la stabilité de tension sur un système simple à

deux nœuds. Le but derrière cette analyse est l’étude de l’influence des différents composants du

réseau sur la stabilité de tension.

3.2 SYSTEME TEST

Afin d’illustrer quelques aspects de l’analyse, le phénomène d’instabilité de tension peut être

analyser à l’aide d’un système simple constitué d’un générateur alimentant une charge électrique à

travers une ligne électrique.


UATL 2007 48

Figure 3.1 Réseau électrique à deux nœuds.

3.3 COURBE D’EFFONDREMENT DE TENSION

Comme déjà mentionné dans le premier chapitre, la courbe d’effondrement de tension (Courbe

PV) est considérée parmi les techniques les plus utilisées dans l’étude et l’analyse de la stabilité

statique de tension. Elle trace l’évolution de la tension en fonction de l’augmentation de la charge

dans le nœud. Dans ce qui suit, nous essayons d’élaborer et développer le modèle mathématique qui

décrit la variation de la tension en fonction de la charge.

D’après la figure 3.1, on peut exprimer la puissance apparente au nœud 2 suivant l’équation :

S P jQ (3.1)

En considérant la figure 3.1, on peut écrire :

1 2V VI

jX

(3.2)

On aura alors :

*

* * * * 1 22 2 2

V VS V I V I V

jX

(3.3)

Avec :

**V V V

On aura :

2* 1 2 2 1 2sin cos

V V V V VS P jQ j

X X X

(3.4)

Les puissances active et réactive qui transitent dans la ligne s’écrivent alors :

G

P2, Q2

V2V1

P121 2

IjX


UATL 2007 49

1 212 21 sin( )

V VP P

X (3.5)

22 1 2

12 21 cos( )V VV

Q QX X

(3.6)

On élimine l’angle θ par l’utilisation de l’équation : 2 2

cos sin 1 , donc on trouve:

22 2 22 2 1 2

2

V V VP Q

X X

(3.7)

L’équation précédente peut s’écrire sous la forme d’une équation quadratique en fonction de V2 :

4 2 2 2 2 22 1 22 0V QX V V P Q X (3.8)

1/ 22 2

2 2 22 1 1 1 2

1

1 42 4

2

P XV V QX V V QX

V

(3.9)

On remplace Q dans (3.9) par Q tg P B P

Donc la solution est :

12 4 2

2 21 12 1( )

2 4

V VV BP X P X P X B V

(3.10)

D’après l’équation (3.10), on peut conclure que, la tension au noeud 2 est une fonction de la

puissance active, de la réactance de la ligne, et du facteur de puissance. La figure 3.2 présente la

courbe de bifurcation du système test. La courbe montre l’évolution de la tension en fonction de la

puissance active. La charge est considérée purement active (Q = 0 donc B = 0), la réactance de la

ligne X = 0.5pu.


UATL 2007 50

0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 10

0.1

0.2

0.3

0.4

0.5

0.6

0.7

0.8

0.9

1

Puissance (pu)

Tensio

n(p

u)

Point d'effendrement detension ( Vcrit,Pmax)

VH

VL

P

B=0,X=0.5 pu.

A(VH,P)

A'(VL,P)

Figure 3.2 Courbe de bifurcation de tension.

3.4 ANALYSES ET INTERPRETATIONS

D’après la figure 3.2, on peut remarquer que lorsque la puissance demandée augmente, la tension

diminue progressivement jusqu'à atteindre une valeur critique critV qui correspond à la puissance

maximale transmissible par la ligne maxP . Ce point est appelé point de bifurcation de tension (ou

point d’effondrement de tension). Au delà de ce point, la tension chute d’une façon brusque et

incontrôlable ; c’est le phénomène d’effondrement de tension. Ce phénomène peut s’expliquer

comme suit : lorsque la charge croît, le courant circulant dans la ligne croît ; entraînant une chute de

tension d’autant plus importante que le courant est plus grand, donc la tension aux bornes de la

charge décroît.

De la figure 3.2, une notion très importante et très utilisée dans l’étude et l’évaluation de la

stabilité de tension est la marge de stabilité de tension, laquelle est considérée comme un indice

efficace de l’évaluation de la stabilité de tension. Elle est définie comme étant la quantité de charge

additionnelle de la charge nominale qui conduit le réseau électrique à un effondrement de tension.

Autrement dit, c’est la distance entre le point de fonctionnement nominal du réseau et le point

d’effondrement de tension. Dans la conduite et l’exploitation des réseaux électrique, on essaye

toujours de garder une marge de stabilité de tension la plus grande possible.


UATL 2007 51

On peut remarquer aussi que, pour une valeur donnée P de la puissance demandée par la charge,

il existe deux solutions de tension. La solution supérieure HV correspondant à la valeur qui peut être

atteinte en pratique et l’autre solution LV est juste mathématiquement ; mais qui ne représente pas

une valeur pratique. La justification de cette analyse est présentée comme suit :

On suppose une augmentation incrémentale de la charge qui déplace le point de fonctionnement

à droite de la courbe. On peut voir que : la solution supérieure HV devient plus faible, ce qui semble

naturel ; Donc cette solution correspond à un point de fonctionnement normal ou stable. Par contre

la solution inférieure LV augmente simultanément avec la charge, ce qui n’est pas naturel. Donc

cette solution correspond à un point de fonctionnement dégrade ou instable.

En outre, le courant correspondant à la solution LV est beaucoup plus grand que celui

correspondant à la solution HV . De ce fait les pertes actives sont plus élevées. Par ailleurs, la

tension LV et beaucoup plus petite que HV .

Finalement, on peut conclure que la partie supérieure de la courbe donne la région de

fonctionnement stable. En conséquence, dans toute analyse consacrée aux problèmes de la stabilité

statique de tension, l’intérêt est porté sur cette partie de la courbe.

3.5 INFLUENCE DES COMPOSANTS DU RESEAU SUR LA STABILITE DE

TENSION

Cette section est consacrée à l’étude de l’influence des composant du réseau sur la stabilité

statique de tension. De ce fait, on a évalué la stabilité de tension en utilisant la courbe de bifurcation

de tension, sous l’influence de plusieurs composants du réseau, récapitulés dans ce qui suit :

Influence du facteur de puissance ;

Influence du TCSC ;

Influence du SVC ;

Influence du OLTC (On-load Tap Changer) ;

Influence de la nature de la charge.


UATL 2007 52

3.5.1 Réseau d’application

La figure 3.3, illustre le schéma synoptique du système d’application utilisée dans cette section.

Le réseau est composé d’un générateur qui alimente une charge via une ligne électrique d’une

réactance de 0.15 pu. Le réseau comprend aussi des équipements de contrôle à savoir les dispositifs

FACTS (SVC et TCSC) et d’un transformateur régleur en charge. La tension à la sortie du

générateur est considérée fixe égale à 1pu.

Figure 3.3 Schéma synoptique du réseau d’application.

3.5.2 Influence du facteur de puissance

Cette section est consacrée à l’étude de l’influence du facteur de puissance de la charge sur la

stabilité de tension. La figure 3.4, représente la courbe de bifurcation de la tension pour différentes

valeurs de tanB . Il est clair que lorsque le facteur B diminue (c'est-à-dire diminue) la

puissance maximale transmise par la ligne augmente. Cette situation semble très logique, car

lorsque la compensation de l’énergie réactive de la charge augmente (c'est-à-dire diminue) ; la

puissance maximale transmissible (marge de stabilité) augmente. La courbe en pointillé de la figure

3.4 représente l’évolution du point critique (point d’effondrement de tension) en fonction du

facteur B . Il est clair que la tension critique augmente quand le facteur B diminue ; de ce fait, une

surcompensation de l’énergie réactive risque d’amener la valeur de la tension critique dans la région

de fonctionnement normale.

Ainsi on peut conclure que le facteur de puissance à un impact très significatif sur la

caractéristique PV et donc sur la stabilité de tension. La puissance maximale transmissible par la

ligne augmente avec le facteur de puissance. Donc la charge, qui possède un facteur de puissance

relativement élevé, offre une marge de stabilité de tension satisfaisante.

ChargeEquipements decontrôle

AVR


UATL 2007 53

0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 10

0.1

0.2

0.3

0.4

0.5

0.6

0.7

0.8

0.9

1

Puissance (pu)

Tensio

n(p

u)

B=0

B=0.2

B=0.4

B=0.6

Figure 3.4 Caractéristique PV pour différente valeurs de tanB

3.5.3 Influence du TCSC

La figure 3.5 montre l’influence du TCSC sur la caractéristique PV (la courbe d’effondrement).

Comme déjà mentionné précédemment ; le TCSC est un équipement FACTS série qui contrôle la

puissance transmise dans une ligne par la variation de la réactance de cette dernière. Dans notre

application, la variation de la réactance est effectuée avec un pourcentage de 50% . Les

caractéristiques PV obtenues, pour différentes valeurs de X , montrent que la marge de stabilité de

la tension augmente quand la réactance de la ligne diminue. Ce résultat apparaît très logique, car

l’augmentation de la réactance de la ligne (cas des lignes longues) augmente les pertes réactives, ce

qui provoque un déséquilibre entre la demande et la production de l’énergie réactive. Ainsi, le

réseau ne peut pas satisfaire la demande de charge. Cette situation favorise un effondrement de

tension pour des niveaux de charge relativement faibles. D’autre part, la compensation de la ligne

par le TCSC diminue la réactance apparente de la ligne, ce qui fait réduire les pertes réactives et

augmenter ainsi la marge de stabilité de tension.


UATL 2007 54

Remarquons que dans la courbe en pointillée, la tension critique reste constante pour les trois cas

de test, malgré l’intervention du TCSC. Ce résultat confirme l’utilisation spécifique du TCSC

comme un contrôleur efficace d’écoulement de puissance et non de contrôle de la tension.

Dans la pratique, l’augmentation de la réactance de la ligne peut se traduire par un incident

d’ouverture d’une ligne ou lorsque la production est très éloignée de la consommation. Dans ces

deux cas, on a vu qu’une compensation série est pratiquement bénéfique.

Figure 3.5 Influence de TCSC sur la caractéristique PV.

3.5.4 Influence du SVC

Pour tester l’influence du SVC sur la stabilité statique de tension, on modélise le SVC par une

source variable de l’énergie réactive. De ce fait, on fait varier simplement la puissance réactive qui

correspond à la variation de B dans l’équation (3.10). Les courbes de bifurcation pour plusieurs

valeurs de B sont présentées dans la figure 3.6.

Puissance (pu)

Ten

sion

(pu

)

0 0.5 1 1.5 2 2.5 3 3.5 40

0.1

0.2

0.3

0.4

0.5

0.6

0.7

0.8

0.9

1

X'=0.075

X'=0.225

X=0.15

La réactance totale de la ligne:X'=X+XTCSC

B=0.577


UATL 2007 55

0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 10

0.1

0.2

0.3

0.4

0.5

0.6

0.7

0.8

0.9

1

Puissance (pu)

Tensio

n(p

u)

B=0

B=0.2

B=0.4

B=0.6

Figure 3.6 Influence du SVC sur la courbe de bifurcation de tension.

Après l’observation et l’analyse de la figure (3.6), on peut conclure que le SVC est un dispositif

FACTS capable d’améliorer la marge de la stabilité de tension d’environ 0.55 pu jusqu'à 1 pu. Les

courbes de bifurcation sont plates à cause de support suffisant d’énergie réactive. On voit aussi que

la tension critique augmente proportionnellement avec le degré de compensation.

3.5.5 Influence du transformateur régleur en charge (OLTC)

L’introduction d’un OLTC avec un rapport de transformation a dans l’équation (3.10) donne

l’expression suivante :

12 4 2

2 2 21 12 2 2 2 1( )

2 4

V VV a BP X P X P X B V

(3.11)

D’après la figure 3.7, il est clair que l’OLTC tente toujours d’augmenter la tension aux bornes de

la charge par une régulation automatique du rapport de transformation. La courbe en pointillé

montre que la tension critique augmente avec l’augmentation du rapport a . D’autre part, la

puissance maximale transmise reste fixe pour les trois cas de simulation.


UATL 2007 56

D’après ces observations, on peut conclure que l’OLTC assure un maintien de la tension par une

régulation appropriée du rapport de transformation. Par contre, il n’influe pas sur la marge de

stabilité de tension, car elle reste constante pour les trois cas de simulations.

En cas d’un effondrement de tension, l’OLTC doit être bloqué, à cause de son effet négatif sur la

stabilité de la tension (il accélère le phénomène d’effondrement) [13].

Figure 3.7 Influence du OLTC sur la courbe de bifurcation.

3.5.6 Influence de la nature de charge

Comme déjà mentionné précédemment, la stabilité de tension est très sensible à la nature de la

charge. La modélisation standard des charges par le modèle PQ (puissance active et réactive

constante) ne représente pas les caractéristiques réelles de celle-ci. Il existe d’autres modèles

statiques (modèle du courant constant et d’impédance constante) qui représentent les puissances

active et réactive consommées par la charge en fonction de la tension aux bornes de celle-ci.

Les trois modèles statiques sont réunis dans les deux équations (3.12) et (3.13) [13] :

0

0

np

VP P

V

(3.12)


UATL 2007 57

0

0

nq

VQ Q

V

(3.13)

Suivant les valeurs de pn et qn , on peut citer les trois modèles statiques suivants :

3.5.6.1 Modèle à puissance constante

C’est le modèle classique utilisé dans le calcul d’écoulement de puissance. Dans ce modèle, les

puissances active et réactive sont considérées constante, elle ne dépend pas de la tension

( 0p qn n ). La charge électrique est modélisée par les deux équations suivantes :

0P P cte (3.14)

0Q Q cte (3.15)

3.5.6.2 Modèle à courant constant

Dans ce modèle de charge, les puissances active et réactive dépendent directement de la tension.

De ce fait, les exposants pn et qn sont égaux à 1. Les équations (3.12) et (3.13) deviennent :

0P P V (3.16)

0Q Q V (3.17)

3.5.6.3 Modèle à admittance constante

Les puissances consommées par la charge sont fonction du carré de la tension, en remplaçant

pn et qn dans (3.12) et (3.13) par 2, on trouve :

20P P V (3.18)

20Q Q V (3.19)

L’étude de l’influence de type de charge sur la stabilité de tension nécessite un développement

mathématique approprié. Pour cela, on remplace les puissances active et réactive dans (3.7) par

celles de la modélisation statique des équations (3.12) et (3.13) respectivement.


UATL 2007 58

L’équation (3.7) devienne:

2 2

2 22 2 2 22 20 2 0 2 0 2 1 22

2p q qn n nV VP V P tg V P tg V V V

X X (3.20)

Dans le cas général où p qn n , la résolution de l’équation (3.20) est très difficile. Pour simplifier le

calcul, on considère, le cas où p qn n n [13].

On a alors :

2 2

2 2 2 2 22 20 0 2 2 1 22

2 cos sin cosn nV VP P V V V V

X X (3.21)

Après la résolution de (3.21), on trouve :

122 2 22

0 2 1 2 2cos cos sinn VP V V V V

X

(3.22)

La figure (3.8) montre la sensibilité de la courbe de bifurcation de la tension vis-à-vis de la

nature de la charge. La variation de n dans (3.22) donne des courbes de bifurcation complètement

différentes. La limite de la stabilité de tension (point d’effondrement de tension) tend à s’éloigner

avec l’augmentation de l’exposant n.

Le modèle à puissance constante 0n est le cas le plus néfaste sur la stabilité statique de

tension. Il possède le point d’effondrement le plus critique parmi les quatre cas de simulation. Les

charges à courant constant 1n ont un point critique plus éloigné que les charges à puissance

constante. Avec ces charges, la probabilité d’occurrence d’un effondrement de tension est faible.

Pour les charges à admittance constante, il n’existe pas un point d’effondrement de tension. Donc il

y a toujours un point de fonctionnement théoriquement stable.


UATL 2007 59

0 0.5 1 1.5 2 2.5 3 3.50

0.1

0.2

0.3

0.4

0.5

0.6

0.7

0.8

0.9

1

Puissance (pu)

Tensio

n(p

u)

n=2

n=1

n=0.5

n=0

x=0.4 pu;tetha=0.

Figure 3.8 Influence des modèles de charge sur la caractéristique PV

3.6 CONCLUSION

Dans ce chapitre, nous avons mené une étude paramétrique de la stabilité de tension. Pour ce

faire, nous avons utilisé comme système d’application, un réseau simple à deux nœuds. Afin de

simplifier notre simulation, un modèle mathématique est élaboré pour décrire la variation de la

tension du nœud en fonction des autres paramètres du réseau. Nous avons montré que la nature de

la charge est un paramètre essentiel dans l’étude de la stabilité de tension. Une charge de puissance

constante (P=Q=cte) est la plus pessimiste sur la stabilité de tension.

Après avoir étudier le TCSC, nous avons montré que ce dernier fait augmenter la marge de

stabilité de tension, ce qui ce traduit par une augmentation de la puissance maximale transmise par

le réseau. Néanmoins, il n’influe pas sur la tension critique de la tension. Ces résultats confirment

bien l’utilisation du TCSC comme contrôleur de transit de puissance et non comme contrôleur de la

tension.

Puisque ils sont un peu liés du point de vue compensation d’énergie réactive, l’influence du

facteur de puissance et celle du SVC sur la stabilité tension est presque la même. Dans les deux cas,


UATL 2007 60

on a clairement constaté l’amélioration de la marge de stabilité de la tension. Malheureusement, une

surcompensation de l’énergie réactive, risque de faire augmenter la valeur de la tension critique à

des niveaux dangereux.

Finalement, l’étude de l’influence du OLTC sur la stabilité de tension montre que ce dernier

influe directement sur la valeur critique de la tension. Cette dernière tend à augmenter avec

l’augmentation du rapport de transformation. D’autre part, l’OLTC n’induit aucune influence sur la

puissance maximale transmise (marge de stabilité de tension). Ces résultats confirment l’utilisation

spécifique de l’OLTC dans la régulation et le contrôle de la tension et non dans le contrôle de

l’écoulement de puissance.

CHAPITRE 4 OPTIMISATION MULTIOBJECTIF PAR ESSAIM DE PARTICULES

UATL 2007 61

CHAPITRE 4

OPTIMISATION MULTI-OBJECTIF

PAR ESSAIM DE PARTICULES

4.1 INTRODUCTION

Les ingénieurs se heurtent quotidiennement à des problèmes technologiques de complexité

grandissante, qui surgissent dans des secteurs très divers, comme dans le traitement des images, la

conception de systèmes mécaniques, la planification et l’exploitation des réseaux électriques,… etc.

Le problème à résoudre peut fréquemment être exprimé sous la forme générale d’un problème

d’optimisation, dans lequel on définit une fonction objective, ou fonction Coût, que l’on cherche à

minimiser (ou maximiser) par rapport a tous les paramètres concernés. La définition du problème

d’optimisation est souvent complétée par la donnée de contraintes : tous les paramètres (ou

variables de décisions) de la solution proposée doivent respecter ces contraintes, faute de quoi la

solution n’est pas réalisable.

Il existe de nombreuses méthodes ‘classiques’ d’optimisation pour résoudre de tels problèmes,

applicables lorsque certaines conditions mathématiques sont satisfaites : à savoir, la programmation

linéaire traite efficacement le cas où la fonction objective, ainsi que les contraintes s’expriment

linéairement en fonction des variables de décision. Dans le cas où la fonction objective et leurs

contraintes sont non linéaires ; la programmation non linéaire est applicable. Malheureusement, les


UATL 2007 62

situations rencontrées en pratique comportent souvent une ou plusieurs complications, qui mettent

en défaut ces méthodes : par exemple, la fonction objective peut être non homogène, ou même ne

pas s’exprimer analytiquement en fonction des paramètres ; ou encore, le problème peut exiger la

considération simultanée de plusieurs objectifs contradictoires (Optimisation Multi-objectif).

L’arrivée d’une nouvelle classe de méthodes d’optimisation, nommées méthaheuristiques,

marque une grande révolution dans le domaine de l’optimisation. En effet, celles-ci s’appliquent à

toutes sortes de problèmes combinatoires, et elles peuvent également s’adapter aux problèmes

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. Les méthodes

heuristiques peuvent êtres divisées en deux classes. Il y a, d’une part, les algorithmes spécifiques à

un problème donné qui utilisent des connaissances du domaine, et d’autre part les algorithmes

généraux qui peuvent être utilisés pour une grande variété de problèmes.

Les méthodes métaheuristiques, sont apparues, à partir des années 1980 [34], avec une ambition

commune : résoudre au mieux les problèmes d’optimisation difficiles. Elles ont en commun, les

caractéristiques suivantes :

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 objective ;

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) ;


UATL 2007 63

Elles partagent aussi les mêmes inconvénients : les difficultés de réglage des paramètres

mêmes de la méthode, et le temps de calcul élevé.

L’optimisation mono-objectif se base sur la minimisation (ou la maximisation) d’une seule

fonction objective, laquelle ne reflète pas la physique réelle du système à optimiser. D’autre part,

l’optimisation multi-objectif optimise simultanément plusieurs fonctions objectives qui sont souvent

contradictoires.

La solution classique d’un problème d’optimisation multi-objectif consiste à la conversion de

touts les objectifs en une seule fonction objective pondérée. La solution optimale de cette fonction

reflète un compromis entre tous les objectifs. La conversion de plusieurs objectifs en un seul

objectif, est habituellement faite en agrégeant tous les objectifs dans une fonction pondérée, ou en

optimisent une fonction objective et considérant les autres comme contraintes. Cette approche

possède plusieurs limitations résumées dans les points suivants :

Elle exige la connaissance, a priori, au sujet de l'importance relative des objectifs, et les

limites sur les objectives qui sont convertis en contraintes.

La fonction singulière pondérée mène à une seule solution.

Le compromis entre les objectifs ne peut pas être évalué facilement.

L'espace de recherche doit être convexe.

Comparés aux problèmes d’optimisation mono-objectif, les problèmes d’optimisation multi-

objectif sont plus difficiles à résoudre, car ils ne possèdent pas une seule solution, mais un ensemble

de solutions situé sur la frontière du Pareto. La génération de cette dernière donne plusieurs

avantages :

Elle contient plusieurs solutions optimales à la différence de l’optimisation mono- objectif

qui ignore cette solution de compromis.

L’ensemble de la frontière du Pareto permet aux décideurs de choisir la solution optimale

suivant la situation rencontrée.


UATL 2007 64

Le but de ce chapitre est de fournir des connaissances de base sur l’optimisation mono et multi-

objectif et de présenter les concepts de base et l’état de l’art de la technique d’optimisation par

essaim de particules appliquée aux problèmes d’optimisation Multi-objectif.

4.2 DEFINITIONS DE BASE

Avant d’entamer les concepts de base de l’optimisation multi-objectif, il est préférable de donner

un bref aperçu sur l’optimisation mono-objectif. Noter bien que les définitions présentées sont liées

à un problème d’optimisation de minimisation.

4.2.1 Définition de l’optimisation

Un problème d’optimisation se définit comme la recherche du minimum ou du maximum (de

l’optimum) d’une fonction donnée [34]. On peut aussi trouver des problèmes d’optimisation pour

lesquelles les variables de la fonction à optimiser sont contraintes d’évoluer dans une certaine partie

de l’espace de recherche. Dans ce cas, on a une forme particulière de ce que l’on appelle un

problème d’optimisation sous contraintes.

4.2.2 Fonction Objective

C’est le nom donné à la fonction 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) [13].

4.2.3 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 f [34].

4.2.4 Formulation d’un problème d’optimisation mono-objectif

Un problème d’optimisation mono-objectif est présenté sous la forme suivante :

Minimiser ( )f x

(fonction à optimiser) (4.1)

Sujet de :

( ) 0g x

(m contraintes d’inégalité)


UATL 2007 65

( ) 0h x

(p contraintes d’égalité)

Avec nx R

, ( ) mg x R

, ( ) ph x R

.

Les vecteurs ( )g x

et ( )h x

représentent respectivement m contraintes d’inégalité et p contraintes

d’égalité.

4.2.5 Minimum global

On a la fonction : nf R R , tel que . Pour *x , on dit que *x et un optimum

global si et seulement si :

*: ( ) ( )x f x f x (4.2)

Tel que :

x* : l’optimum global ;

F : la fonction objective ;

: La région faisable ( s ) ;

s : l’espace de recherche global.

Le minimum global est illustré par le point M3 dans la Figure 4.1.

4.2.6 Minimum local

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

*f x f x , *( )x V x et *x x (4.3)

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

Deux minimums locaux sont illustrés dans la figure 4.1 sont les points M1 et M2.


UATL 2007 66

Figure 4.1 Illustration des différents minima d’une fonction objective.

4.2.7 Formulation d’un problème d’optimisation multi-objectif

Les problèmes réels invoquent souvent de multiples mesures de performance ou objectifs, qui

doivent être optimisés simultanément. En pratique, ceci n’est pas toujours possible car les objectifs

peuvent être conflictuels, du fait qu’ils mesurent différents aspects de la qualité de la solution. Dans

ce cas, la qualité d’un individu est décrite non pas par un scalaire mais par un vecteur. La

performance, la fiabilité et le coût sont des exemples d’objectifs conflictuels [86].

Un problème d’optimisation multi-objectif peut se définir comme suit :

Minimiser 1 2( ) ( ), ( ),... ( )T

Ny F x f x f x f x (4.4)

Chercher le vecteur * * * * *1 2 3, , ,...

T

nx x x x x qui satisfait les conditions suivantes :

S.t. ( ) 0jg x 1, 2,......... .i M

Tel que 1 2 3, , ,...T

Px x x x x

D’où,

y représente le vecteur des fonctions objectives ;

jg représente les contraintes;

x représente le vecteur des variables de décision dans l’espace de recherche Ω.


UATL 2007 67

L’espace de recherche occupé par les fonctions objectives appelé l’espace des objectifs. Le sous-

espace des fonctions objectives qui satisfait les contraintes s’appel l’espace de recherche réalisable.

Les problèmes d’optimisations multi-objectifs n’ont pas une seule solution mais un ensemble de

solutions dites solutions de compromis. Généralement, il n’existe aucune solution pour laquelle tous

les objectifs sont optimisés, dû au fait que les objectifs sont, souvent, conflictuels. Un produit, par

exemple, ne peut pas être très performant au plus bas prix. Dans ce cas, plusieurs compromis sont

possibles et souvent c’est le facteur humain qui décide de l’optimalité d’une solution [86].

La solution utopique de y c’est la solution optimale pour tous les objectifs.

* *0 0: , i ix x f x f x , pour 1,2,3,...,i N (4.5)

Dans le cas où N=1, le problème d’optimisation multi-objectif est réduit à un problème

d’optimisation mono-objectif. Dans ce cas, la solution utopique est simplement l’optimum global.

Dans le cas général où N >1, la solution utopique n’existe pas puisque les fonctions objectives sont

généralement contradictoires. Dans ce cas, il existe un ensemble de solutions nommées les solutions

non dominées (pour lesquels une fonction ne peut pas être améliorée sans dégrader au moins une

autre équation) qui représentent le compromis entre les fonctions objectives.

4.2.8 Concept d’optimalité au sens de Pareto

Afin de comparer les solutions dans un problème d’optimisation multi-objectif, le concept de

dominance du Pareto est utilisé. Ce concept est initialement proposé par Francis Ysidro, puis

généralisé par l’économiste Italien Vilfredo Pareto [34]. Une solution appartient à l’ensemble de

Pareto, si et seulement si, il n’existe pas une autre solution qui améliore au moins une fonction et

ne dégrade pas les autres fonctions objectives.

On dit que le vecteur de décision 1 1, ,...T

ku u u u domine le vecteur 1 1, ,...T

kv v v v , (dénoté :

u v ), Si et seulement si :

1, 2,... , ( ) ( ) 1, 2,... : ( ) ( )i i i ii k f u f v i N f u f v (4.6)

Dans le processus d’optimisation multi-objectif, le concept de dominance du Pareto est utilisé

afin de comparer et ranger le vecteur de variables des décisions : u

domine v

dans le sens du


UATL 2007 68

Pareto, signifie que F u est mieux que F v pour tous les objectifs, et il y a au moins une

fonction objective pour laquelle ( )F u est strictement meilleure que ( )F v .

Une solution a est considérée comme optimale dans le sens du Pareto, si et seulement si, il

n’existe pas une autre solution qui la domine. Le vecteur objectif ( )F a s’appelle vecteur de Pareto

dominant ou le vecteur non dominé. L'ensemble de toutes les solutions optimales de Pareto s'appelle

l'ensemble optimal de Pareto. Les vecteurs objectifs correspondants seraient sur le Front du Pareto.

Il est impossible généralement de proposer une expression analytique qui définit le Front de Pareto.

La figure 4.2, représente le Front du Pareto pour un problème de minimisation et maximisation

de deux fonctions objectives.

Figure 4.2 Frontière de Pareto d’un problème d’optimisation bi-objectif.

4.2.9 Ensemble de Pareto optimal P*

Pour un problème d’optimisation multiobjectif : 1 2( ) ( ), ( ),... ( )T

kF x f x f x f x . L’ensemble du

Pareto optimal (P*) est défini par l’équation (4.7) :

* ' '| : ( ) ( )p x x F x F x (4.7)

4.2.10 Frontière du Pareto FP*

Pour un problème d’optimisation multi-objectif de l’ensemble des fonctions F x avec

*p l’ensemble du Pareto optimal, la frontière du Pareto PF* est défini comme suit :

F

1f

2fF

1f

Minimise21 , ff

Meilleure

Mei

lleu

re

Maximise 21 , ff

FFrroonnttiièèrree dduu PPaarreettoo

Mei

lleu

re

Meilleure

f2


UATL 2007 69

* *1( ( ),..., ( )) |kPF u F f x f x x P (4.8)

4.3 METHODES D’OPTIMISATION MULTI-OBJECTIF

Il y a plusieurs méthodes proposées pour résoudre un problème d’optimisation multi-objectif.

Les approches classiques consistent à convertir un problème d’optimisation multi-objectif en un

problème mono-objectif, qui peut-être résolu en utilisant les techniques traditionnelles

d’optimisation. En plus, les méthodes métaheuristiques qui sont considérées comme des alternatives

pour les méthode classiques.

4.3.1 Méthodes pleines agrégations

Il existe une multitude de méthodes pour combiner les différents objectifs en une seule fonction à

optimiser comme une fonction mono-objectif [86].

4.3.1.1 Somme pondérée

Les n objectifs f1,…,fn sont pondérés par des coefficients w1,…,wn définis par l’utilisateur et

sommés pour obtenir une mesure scalaire de l’adaptation de chaque individu.

Cette approche est intuitive et facile à implémenter : [86]

nR R

i k k if a w f a (4.9)

Les coefficients wk dépendent du problème. La combinaison des poids doit être finement posée pour

avoir une solution finale satisfaisante.

4.3.1.2 Approche min-max

Cette approche est implémentée comme la minimisation du maximum de la différence entre les

objectifs f1,…, fn et les cibles g1,…, gn spécifiées par l’utilisateur :

Cette approche peut être formulée comme suit : [86]

nR R


UATL 2007 70

1,...,

k i ki

k nk

f a gf a k

w

(4.10)

Les paramètres gk sont les cibles que les objectifs veulent approcher. Les cibles sont soit les

valeurs des performances désirées ou les valeurs connues à priori comme inatteignables. Les poids

wk indiquent la direction de recherche dans l’espace des objectifs, souvent posés comme les valeurs

absolues des cibles.

4.3.1.3 Approche du Vecteur Cible

Cette approche consiste à la minimisation de la distance entre le vecteur objectif f= (f1,…, fn) et

un vecteur cible prédéfini g = (g1,…, gn) suivant une mesure adéquate de distance : [86]

nR R

1i i a

f a f a g w (4.11)

4.3.2 Méthodes Métaheuristiques

Les métaheuristiques sont un ensemble d’algorithmes d’optimisation visant à résoudre les

problèmes d’optimisation difficiles. Elles sont souvent inspirées par des systèmes naturels, qu’ils

soient pris en physique (cas du recuit simulé), en biologie de l’évolution (cas des algorithmes

génétiques) ou encore en éthologie (cas des algorithmes de colonies de fourmis ou de l’optimisation

par essaims particulaires).

Ces techniques métaheuristiques peuvent êtres classées en deux groupes : les méthodes à

population de solutions connues sous le nom d’algorithme évolutionnaires comme les algorithmes

génétiques…etc., ainsi que les méthodes à solution unique comme le recuit simulé.

Les méthodes métaheuristiques ont prouvé leurs efficacités dans le domaine de l’optimisation

mono-objectif. Actuellement les recherches qui utilisent ces algorithmes sont développées pour la

résolution des problèmes d’optimisation multi-objectif.

Dans la section qui suit, on essayera de donner un bref aperçu sur les méthodes métaheuristiques

de base les plus populaires.


UATL 2007 71

4.3.2.1 Recuit Simulé

La méthode de recuit simulé (Simulated Annealing) a été proposée en 1983 par Kirkpatrick [37].

Elle est inspirée du processus de recuit utilisé en métallurgie pour améliorer la qualité d’un solide

en cherchant un état d’énergie minimum. Le métal est tout d’abord chauffé à une température

élevée à laquelle il devient liquide, puis refroidi de manière progressive pour retrouver sa forme

solide. Chaque température est maintenue jusqu'à ce que la matière atteigne un équilibre

thermohydraulique. La méthode du recuit simulé, appliquée aux problèmes d’optimisation,

considère une solution initiale et recherche dans sont voisinage une autre solution de façon

aléatoire. Au début de l’algorithme un paramètre T apparenté à la température, est déterminé et

décroît tout au long de l’algorithme pour tendre vers 0. De la valeur de ce paramètre va pondre la

probabilité d’acceptation des solutions détériorantes.

Il existe deux principales variantes de la méthode du recuit simulé qui traitent les problèmes

multi-objectifs à savoir : P.A.S.A (Pareto Archived Simulated Annealing) et la méthode M.O.S.A

(Multiple Objective Simulated Annealing) [34].

4.3.2.2 Recherche Taboue

La méthode taboue (Tabu Search) est une méthode générale d’optimisation combinatoire qui a

été développée par F.Glover durant les année 1980 [38]. Elle n’a aucun caractère stochastique et

utilise la notion de mémoire pour éviter de tomber dans un optimum local, le principe de

l’algorithme est le suivant ; à chaque itération, le voisinage de la solution est sélectionnée, en

appliquant le principe, la méthode autorise de remonter vers des solutions qui semblent moins

intéressants mais qui ont peut êtres un meilleure voisinage. Pour éviter les phénomènes de cyclage

entre deux solutions, la méthode à l’interdiction de visiter une solution récemment visitée, pou cela

une liste tabou contenant les attributs des dernières solutions considérées est tenue à jour. Chaque

nouvelle solution considérée enlève de cette liste la solution la plus anciennement visitée. Ainsi, la

recherche de la solution suivante se fait dans le voisinage de la solution actuelle sans considérer les

solutions appartenant à la liste taboue.

4.3.2.3 Algorithmes Génétiques

Les algorithmes génétiques (Genetic Algorithm) sont une méthode d’optimisation basée sur les

mécanismes de la selection naturelle [39], [40]. La solution optimale est cherchée à partir d’une

population de solutions en utilisant des processus aléatoires. La recherche de la meilleure solution


UATL 2007 72

est effectuée en créant une nouvelle génération de solutions par application successive, à la

population courante, de trois opérateurs : la sélection, le croisement, et la mutation. Ces opérations

sont répétées jusqu’à ce qu’un critère d’arrêt soit atteint. Les algorithmes génétiques contiennent

plusieurs approches pour le traitement des problèmes multi-objectifs à savoir :

MOGA (Multiple Objective Genetic Algorithm) [34];

NSGA (Non Sorting Genetic Algorithm) [34];

NSGA-II (Non Sorting Genetic Algorithm II) [34];

NPGA (Niched Pareto Genetic Algorithm) [34];

WARGA (Weighted Average Ranking Genetic Algorithm) [34].

4.3.2.4 Stratégies d’Evolution

Développées par Rechenberg et Schwefel en 1965, elles utilisent une mutation avec une

distribution normale pour modifier les individus présentés comme des vecteurs de valeurs réelles.

La mutation et le croisement sont les deux opérateurs de recherche dans l’espace des solutions

potentielles et l’espace des paramètres de stratégies. La sélection peut être déterministe ou

stochastique.

4.3.2.5 Programmation Evolutionnaire

Développée par J. Fogel en 1962 qui a utilisé la mutation comme seul opérateur de recherche.

Appliquée aux problèmes d’optimisation continue, la programmation évolutionnaire (Evolutionary

Programming) est similaire aux Stratégies d’Evolution, tous deux représentant les individus avec

des vecteurs de valeurs réelles incluant les paramètres de stratégie. Elle utilise une mutation de

distribution normale et une sélection déterministe ou stochastique.

4.3.2.6 Optimisation par Essaims de Particules

L’optimisation par essaim de particules PSO (Particle Swarm Optimization) est une technique

d’optimisation parallèle développée par Kennedy et Eberhart [41]. 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. A la différence des

algorithmes génétiques, qui miment les mécanismes génétiques de l’évolution, PSO s’inspire plutôt


UATL 2007 73

de la formation d’une culture. Dans l’ouvrage [42], se trouve les racines sociales de PSO ainsi que

les techniques mathématiques mises en oeuvre pour la modélisation.

Puisque notre travail est basé sur l’optimisation par essaim de particules, cette dernière sera

traitée d’une façon détaillée dans la section qui suit.

4.4 OPTIMISATION MULTI-OBJECTIF PAR ESSAIM DE PARTICULES

Après sa réussite dans le domaine de l’optimisation mono-objectif [48]. La méthode

d’optimisation par essaim de particules a suscité l’intérêt des spécialistes pour l‘application à des

problèmes multi-objectif. Dans cette section, la méthode de base de l’optimisation par essaim de

particules, est détaillée en premier lieu. Par la suite, un état de l’art de son application dans les

problèmes d’optimisation multi-objectif est présenté.

4.4.1 Méthode de base

Kennedy et Eberhart [42], proposent en 1995 une nouvelle méthode d’optimisation nommé

Optimisation par Essaim de Particule PSO, (en anglais : Particles Swarm Optimization). PSO est

une méthode d’optimisation stochastique basée sur une population de particules [41], [42] un

Essaim regroupe plusieurs particules (individus). Chaque particule prend sa décision en utilisant sa

propre expérience et les expériences de leur voisinage [43], [44]. A la différence des algorithmes

génétiques, qui miment les mécanismes génétiques de l’évolution [45], PSO est inspiré du

comportement social des nuées d’oiseaux et des bancs de poissons qui ont tendance à imiter les

comportements réussis qu’ils observent dans leurs entourage, tout en y apportant leurs variations

personnelles [45] ,[46].

Comme les algorithmes génétiques, PSO Démarre le processus d’optimisation par une

population des solutions aléatoires qui se déplacent dans l’espace de recherche. La position de

chaque particule est représentée par ses coordonnées suivant les deux axes XY et également par sa

vitesse qui est exprimée par Vx (la vitesse suivant l’axe x) et Vy (la vitesse suivant l’axe x).

Le déplacement de chaque particule dans l’espace de recherche, est basé sur sa position actuelle

et la mise à jour de sa vitesse.

1 1k k ki i is s v (4.12)


UATL 2007 74

Tel que :

1,k ki is s

: Position de la particule i à l’itération k+1 et k respectivement.

1kiv

: Vitesse de la particule i à l’itération k+1.

Chaque particule dans l’essaim, change sa vitesse suivant deux informations essentielles. Une,

est liée à son expérience personnelle, qui est la meilleure position trouvée par la particule durant le

processus de recherche pbest. La deuxième information, concernant la meilleure position trouvée

par les voisins (lbest) (ou par tout l’essaim, dans la version globale de l’algorithme gbest). Cette

information est obtenue à partir de la connaissance de la façon dont les autres agents ont exécuté

leurs recherches.

Le principe de changement de la vitesse est défini par l’équation (4.13).

11 1 2 2( ) ( )k k k k

i i i i iv wv c rand pbest s c rand gbest s (4.13)

D’où :

kiv : Vitesse de l’agent i a l’itération k,

w : Fonction de pondération,

jc: Facteurs de pondération,

rand : Nombre aléatoire entre 0 et1,

kis : Position actuelle d’agent i à l’itération k,

pbesti : Meilleure position trouvée par la particule i jusque ici,

gbest : Meilleure position trouvée par l’essaim jusque ici.

La fonction de pondération w est donnée par l’équation suivante [47] :

max minmax

max

w ww w iter

iter

(4.14)


UATL 2007 75

Tel que :

wmax : Poids initial,

wmin : Poids final,

itermax : Nombre d’itérations maximum.

iter : Itération courante.

La fonction de pondération w joue un rôle important dans la procédure de recherche. Elle

garantit un équilibre entre la recherche locale et la recherche globale, un bon choix de cette fonction

augmente l’efficacité de la méthode pour avoir une solution globale. L’expérience a montré que la

diminution linéaire de la valeur de w de 0.9 a 0.4 au cours de la procédure de recherche donne des

meilleurs résultats.

La Figure 4.3 présente le principe de déplacement des particules dans l’espace de recherche à

chaque itération. Chaque particule change sa position actuelle via l’intégration de trois vecteurs

vbest, vgbest et v.

Figure 4.3 Principe de déplacement d’un point de recherche par PSO.

Sk

X

Y

Vk Vk+1

Vpbest

Vgbest

Sk+1


UATL 2007 76

L’organigramme général du PSO, est présenté selon la procédure illustrée par la figure 4.4 [47].

Etape 1 : Génération d’un état initial de chaque particule.

Les points du recherche initiaux, position (si0) et vitesse (vi

0) du chaque particule son

habituellement générés aléatoirement dans l’espace de recherche. Le point de recherche

courant est placé à pbest pour chaque agent. La meilleure valeur évaluée de pbest est placée

à gbest.

Etape2 : Recherche d’une nouvelle position pour chaque agent

La valeur de la fonction objective est calculée pour chacun des agents. Si la valeur d’un

agent est meilleure que son pbest courant, pbest prend cette nouvelle valeur. Si la meilleure

valeur de pbest est meilleure que gbest courant, gbest est remplacé par celle-ci et l’agent qui

correspond à cette valeur est ainsi stocké.

Etape3 : Modification de chaque point de recherche

Le point de recherche courant du chaque agent est changé en utilisant les équations (4.12),

(4.13) et (4.14).

Etape4 : Vérification de l’état de sortie

Le nombre courant d’itération atteint le nombre maximum d’itération itermax, alors fin du

programme, autrement, retourner à l’étape 2.


UATL 2007 77

Figure 4.4 Organigramme général de PSO.

4.4.2 Etat de l’Art

Dans cette section, nous présentons l’état de l’art des différentes variantes de la méthode

d’optimisation en essaim appliquées à l’optimisation multi-objectif.

4.4.2.1 PSO avec voisinage dynamique

Hu et Eberhart [49], proposent un nouvel algorithme basé sur la notion de voisinage dynamique

(Dynamic Neighborhood Particle Swarm Optimization). Cet algorithme exige une connaissance a

priori du problème d’optimisation. Selon le degré de complexité de la fonction objective, Ebenhart

considère la fonction la plus compliquée comme la fonction à optimiser et l’autre fonction

considérée comme une fitness utilisée pour l’évaluation de lbest pour chaque particule dans

l’essaim. Lbest de Xi est considéré comme la particule la plus proche de Xi en terme de la fonction

fitness. Considérons l’exemple illustré dans la figure 4.5, la fonction 1 est la fonction à optimiser et

Début

Génération d’état initial du chaqueagent

La recherche d’une nouvelleposition pour chaque agent

Modification des positions pourchaque agent

Critèred’arrêt

Fin

Non

Oui


UATL 2007 78

la fonction 2 est la fonction fitness. Selon la figure, la particule la plus proche de la particule b (en

terme de la fonction 2) est la particule c, donc celle-ci est considérée comme le lbest de la particule

b.

Figure 4.5 Méthode de Hu et Eberhart

La mise à jour du pbest est basée sur le concept de dominance au sens de Pareto, pbest prend la

valeur de Xi si et seulement si Xi domine pbest. Selon l’exemple illustré dans la figure 4.5, la

nouvelle particule a (t+1) ne domine pas le pbest courant, donc pbest reste le même.

Malgré que le nombre de fonctions à optimiser soit limité (deux fonctions seulement), l'idée du

voisinage dynamique est, sans doute, tout à fait intéressant et nouvelle dans ce contexte.

4.4.2.2 Algorithme de Parsopoulos et Varhatis

Parsopoulos et Varhatis [50], propose leurs approche nommée Parallel Vector Evaluated

Particle Swarm Optimization (VEPSO). L’approche considère un essaim pour chaque objectif,

comme il est illustré dans la figure 4.6. Au cours du processus d’optimisation, Les deux essaims

communiquent l’un avec l’autre, de telle sorte que le gbest du premier essaim est utilisé par le

deuxième essaim pour déterminer les nouvelles vitesses des particules et vice versa.


UATL 2007 79

Figure 4.6 Méthode de Parsopoulos et Varhatis.

Dans ce travail, Les auteurs ne présentent aucune comparaison avec les algorithmes

évolutionnaires. De plus, cet algorithme est conçu pour l’optimisation de deux fonctions seulement.

4.4.2.3 Algorithme de Fieldsend et Singh

Fieldsend et Sing [52] proposent une nouvelle technique nommée Arbre de dominance

(dominated tree). Durant le processus de recherche, les particules élites sont stockées dans un

archive appelé archive des élites. L’arbre de dominance suppose L points dans l’espace de

recherche, ordonnés selon la notion de dominance au sens du Pareto.

Tels que :

2 1...Lc c c (4.15)

Un exemple d’un arbre de dominance pour une optimisation bi-objectif est présenté dans la

figure 4.7. L’emplacement des points jc dans l’espace de recherche est effectué comme suit : par

exemple pour le point 1c :

1 1 2(max( ( )), max( ( )))c f d f d (4.16)


UATL 2007 80

Où, le vecteur d englobe tous les membres de l’archive.

Après, la désignation de point c1, on élimine leurs cordonnés de l’archive et on répète la même

chose pour les autres points, le principe est illustré dans la figure 4.7.

Figure 4.7 Principe de l’arbre de dominance.

La sélection du gbest pour chaque particule est basée sur la technique de l’arbre de dominance.

Le principe est illustré dans la figure suivante.


UATL 2007 81

Figure 4.8 Principe de sélection du gbest dans l’algorithme de Fielsend et Singh.

Le gbest d’une particule Xi est un point A appartenant à la frontière non dominée, de telle sorte

que :

1 1 2 2( ) ( ) & ( ) ( )i if X f A f X f A (4.17)

Dans le cas où, il y a deux point de la frontière non dominée qui satisfaits l’équation (4.17)

(comme le cas du point a illustré dans la figure 4.8), le gbest est choisi aléatoirement entre les deux

points de la frontière non dominée.

Afin de maintenir la diversité dans la frontière du Pareto, cette approche utilise un opérateur de

turbulence, qui est fondamentalement un opérateur de mutation qui agit sur la vitesse des particules.

4.4.2.4 Algorithme de Mostaghim et Teich

Mostaghim et Teich [53], proposent une nouvelle méthode appelée méthode Sigma. Le principe

de sélection du guide local, adopté par la méthode, donne plus d’améliorations en termes

de vitesse de convergence et de diversité des solutions dans la frontière du Pareto.


UATL 2007 82

Une valeur sigma doit être assignée à chaque particule dans l’espace de recherche, de telle sorte

que tous les points dans la même ligne 2 1f af ont la même valeur de sigma.

La valeur de sigma peut être définie comme suit :

2 21 22 2

1 2

f f

f f

(4.18)

A chaque itération, la valeur de sigma est calculée pour toutes les particules de l’essaim ainsi que

pour les particules de l’archive (particules élites). Le principe de sélection du gbest proposé par la

méthode de sigma est comme suit : chaque particule de l’essaim choisi la particule élite qui a la

valeur de sigma la plus proche celle-ci. La figure 4.9 illustre le principe de la méthode de sigma.

Figure 4.9 Méthode de sigma.

La mise à jour de pbest est effectuée comme suit : si la nouvelle solution domine le pbest, donc

le pbest prend la valeur de cette solution. Dans le cas où, la nouvelle solution et le pbest sont

mutuellement non dominées, on choisit l’une des deux solutions aléatoirement.

Afin d’assurer une meilleure distribution de la solution dans la frontière du Pareto, un opérateur

de turbulence est proposé, pour agir sur les variables de décisions.


UATL 2007 83

4.4.2.5 MOPSO de Coello et Lechunga

Coello et Lechunga [48] proposent une méthode nommé MOSPSO (Multi-objective Particle

Swarm Optimization). La méthode était inspirée des derniers développements dans les algorithmes

évolutionnaires. Deux mémoires sont utilisées, une pour stocker les gbest et l’autre pour les pbest

de chaque particule de l’essaim. Un archivage est aussi utilisé pour stocker les particules non

dominées de l’essaim. Cet archive étant séparé par des carrés (grilles), si l’archive des particules

non dominées dépasse sa limite spécifiée, le carré qui possède le grand nombre des particules sera

supprimé de l’archive. L’archive facilite aussi le choix de gbest pour chaque particule, de telle sorte

que chaque carré de la grille doit être évalué par une fonction fitness. La fitness utilisée par cet

algorithme est le résultat de la division de 10 par le nombre des particules résidant dans le carré en

question. Pour cela, le carré qui possède le plus de particules, est moins intéressant. Ensuite, on

applique la technique de la roulette sur les carrés selon leurs fitness. Le gbest est choisi d’une

manière aléatoire à partir de carré choisi par la technique de roulette. Le but de cette technique est

d’assurer la diversité dans la frontière du Pareto. La technique de la grille est illustrée dans la figure

4.10.

Figure 4.10 Technique de grille.

La mise à jour de pbest est basée sur la notion de dominance au sens de Pareto. Si la nouvelle

solution domine pbest donc il prend la valeur de cette solution. Le cas où les deux sont non dominés


UATL 2007 84

(l’un par rapport à l’autre), la nouvelle valeur de pbest est choisie aléatoirement entre le pbest

courant et celui a (t+1).

Afin de valider l’approche MOPSO, les auteurs ont appliqués leur algorithme sur plusieurs

fonctions test. Les résultats sont comparés avec deux algorithmes évolutionnaires plus récents à

savoir : NSGA-II et PAES-II.

Dans [51], Coello et al. proposent des améliorations de leurs MOPSO [48]. La nouvelle approche

inclut un opérateur de mutation. Cet opérateur est appliqué aux particules de l’essaim, de telle sorte

que le nombre de particules affectées par l’opérateur diminue avec le nombre d’itération.

L’approche donne aussi, un artifice qui aide à la manipulation des contraintes. Les résultas obtenus

par cette approche sont comparés avec les méthodes évolutionnaires suivantes : NSGA-II, PAES et

microGA.

4.4.2.6 Non-dominated Sorting Particle Swarm Optimization

Li [54], propose leur approche nommée : Non-dominated Sorting Particle Swarm Optimization

(NSPSO), dans laquelle les mécanismes principaux de la méthode NSGA-II [55] (Non-dominated

Sorting Genetic Algorithm) sont adaptés au PSO. L’approche proposée montre une grande

performance face à des fonctions tests très difficiles (les séries ZDT). Les résultats de simulation

montrent que la méthode est très compétitive par rapport à l’algorithme évolutionnaire NSGA-II.

Dans l’algorithme de base de PSO, la mise à jour du pbest est basée sur une simple comparaison

entre ce dernier et leur descendant. Donc il n'y a pas un vrai partage d'informations entre les

particules d’un essaim, sauf le cas du gbest. Dans l’approche de NSPSO, Li [54] stipule que le

partage d’informations entre toutes les particules de l’essaim est crucial pour une optimisation

efficace.

De ce fait, au lieu de comparer chaque descendant avec son pbest, NSPSO combine N pbest

avec N descendants dans une population temporaire de 2N particules. Ensuite, la règle de

dominance est appliquée. Cette approche ‘combiner-puis-comparer’, assure plus d’éléments non

dominés ; classés dans différents rangs comme dans le NSGA-II. A chaque itération, nous

choisissons N particules utilisées comme des pbest de la prochaine itération.


UATL 2007 85

La figure 4.11, représente le principe de classement des particules par NSPSO. Au début, les 2N

particules sont classées dans deux ensembles, l’ensemble des solutions non dominées et l’autre des

solutions dominées.

Figure 4.11 Classement de 10 particules dans quatre frontières de Pareto.

Dans la figure 4.11, l’ensemble non dominé est la frontière 1, qui contient trois particules

désignées par les numéros de 1 jusqu'à 3. La frontière 1 est le meilleur ensemble non dominé de

cette itération, puisque toutes ses particules sont non dominées par n’importe quelle particule dans

la population. Pour obtenir la frontière 2, nous supprimons temporairement les particules de la

frontière 1 de la population, puis on applique la règle de dominance sur le reste de la population.

Les particules non dominées représentent la frontière 2. Cette procédure continue jusqu'à ce que

toutes les particules soient classées dans différentes frontières non dominées.

Après la classification des particules, nous sélectionnons N pbest pour la prochaine itération, à

partir des frontières dans l’ordre croissant (d’abord de frontière 1, puis frontière 2, …etc. jusqu’à la

sélection de N particules ou une limite spécifiée). Noter bien que, la frontière 1 peut avoir plus de N

particules, spécialement après un nombre d’itérations. Donc il est nécessaire d’avoir une limite,

pour permettre la sélection des particules à partir des autres frontières.

L’objective visée derrière l’optimisation multicritère; est d’avoir l’ensemble des solutions non

dominées le plus proche de la frontière du Pareto réelle P* (dans le cas où la frontière du Pareto est


UATL 2007 86

connue à priori), et aussi maintenir une bonne distribution des solutions le long de la frontière de

Pareto. Pour satisfaire la deuxième objectif, deux méthodes sont utilisées par NSPSO, à savoir : la

méthode de Niche et la méthode de Crowding. Ces méthodes ont étais déjà introduites et utilisées

par les algorithmes génétiques, afin de maintenir une bonne diversité des solutions dans la frontière

non dominée, et faciliter la sélection de gbest de chaque particule dans l’essaim.

4.4.2.6.1 Méthode de Niche

Dans NSPSO, le compte de niche mi de la particule i, appartenant à la frontière non dominée, est

le nombre de voisins de la particule i dans un rayon share (distance Euclidean).

Figure 4.12 Principe de la méthode de niche.

La figure 4.12 montre le principe de calcul du compte de niche pour deux particules A et B

appartenants au front non dominé. Le principe de sélection du gbest est basé sur le compte de niche,

de telle manière que la particule qui possède un compte inférieur sera propriétaire devant les autres.

D’après la figure 4.12, le compte de niche des particules A et B est 1, 3 respectivement. De ce fait,

la particule A sera avantagée par rapport à B et devient ainsi le gbest. Ce choix a pour but

d’augmenter la diversité en poussant les particules à explorer toutes les régions de la frontière de

Pareto.


UATL 2007 87

Parmi les inconvénients de cette méthode, le choix de share qui influe directement sur la

performance d’optimisation. Pour résoudre ce problème, on utilise un modèle dynamique

de share qui variera selon les itérations. Pour une optimisation bi-objectif, le modèle dynamique de

share est donné par l’équation suivante [54]:

2 2 1 1

1share

u l u l

N

(4.19)

Où :

ui et li : représentent les limites supérieure et inférieure de deux fonctions, respectivement.

N : la taille de la population.

D’après l’équation (4.19), il est clair que lorsque la taille de la population augmente, share

diminue.

A chaque itération, nous classifions les particules non dominées selon leurs comptes de niche.

Puis on choisit le gbest d’une façon aléatoire à partir des premières particules.

4.4.2.6.2 Méthode de Crowding

La méthode de Crowding est premièrement utilisée par NSGA-II [55] afin de maintenir la

diversité dans la frontière du Pareto. Cette méthode est basée sur le calcul de la distance de

Crowding entre les particules dans la frontière non dominée : la distance de Crowding de la

particule i peut être définie comme la distance moyenne entre les deux particules voisines i-1 et i+1.

Après le calcul de la distance de Crowding pour chaque particule dans la frontière non dominée,

on classe les particules dans l’ordre décroissant, puis on choisit le gbest d’une façon aléatoire à

partir de la partie supérieure de la liste classée. C’est à dire que, les particules qui ont la distance

d’encombrement la plus grande sont les plus avantagées pour devenir un gbest.


UATL 2007 88

4.5 METHODES UTILISEES

Parmi les méthodes présentées précédemment, on s’intéresse a deux méthodes à savoir : NSPSO

proposée par Li [54] et MOPSO proposée par Coello et Lechunga [48]. Les deux méthodes sont

généralement populaires et faciles à implanter.

Pour assurer une optimisation plus proche de la réalité, nous avons modifié les deux méthodes

(MOSPO et NSPSO) afin de tenir compte des variables continues et discrètes.

4.5.1 Algorithmes des deux méthodes

Dans ce qui suit, nous présentons l’algorithme de NPSO et de MOPSO.

4.5.1.1 Algorithme de NSPSO

L’algorithme NSPSO peut être récapitulé selon les étapes suivantes :

1. Initialisation et stockage de population dans la liste PSOList

a. Initialisation de chaque particule d’une façon aléatoire entre les limites admises ; lavitesse de chaque particule est fixée à zéro. pbesti prend la valeur Xi.

b. Evaluation de chaque particule dans la population ; compteur d’itération t =0.

2. t=t+1

3. Identification des populations non dominée et les stocker dans la liste nonDomPSOList.

4. Calcul de : a) compte de place ou b) valeur de distance d’encombrement.

5. Classement des particules dans la liste nonDomPSOList suivant a) compte de niche, ou b)la valeur de distance d’encombrement.

6. pour (i=1 ; i < numParticles ; i++)

a. Sélection aléatoire du gbest pour la i-ème particule à partir de la partie supérieure(5% de la partie supérieure) de la nonDomPSOList.

b. Calcul de la nouvelle vitesse Vi, à partir de l’équation (4.13), et la nouvelle particuleXi à partir de l’équation (4.12).

c. Approximer les variables discrètes à la valeur assignée la plus proche.

d. Ajouter la i-ème particule pbesti et Xi à la population provisoire enregistrer dansnextPopList. Noter que pbesti et Xi co-existent.

e. Aller à a) si i < numParticles


UATL 2007 89

7. Identification des populations non dominées de la liste nextPopList et les enregistrées dansnonDomPSOList. Les autres particules dominées sont enregistrées dans la listenextPopListRest.

8. Vider la liste PSOList pour la prochaine itération.

9. Choisit aléatoirement des particules de la liste nonDomPSOList et les ajouter dans la listePSOList (il ne faut pas dépasser numParticles).

10. boucle si PSOList size < numParticules :

a. Identification des populations non dominées de la liste nextPopListRest et lesenregistrées dans nextNonDomPSOList.

b. Ajouter les particules de la liste nextNonDomPSOList à la liste PSOList, si PSOListsize < numParticules.

c. Copier liste nextPopListRest à la liste nextPopListRestCOpy, puis vidernextPopListRest

d. Remplir nextPopListRest par les particules dominées de la listenextPopListRestCOpy.

e. Aller à a) si PSOList size < numParticules.

11. si t < maxIterations, Aller à 2.

12. Tracer la frontière du Pareto.

4.5.1.1 Algorithme de MOPSO

L’algorithme MOPSO peut être résumé dans les points suivants :

2. Initialisation de la population POP

Pour i=1 : MAX (MAX nombre de particule)

a. Initialisé aléatoirement POP (i).

b. Approximer les variables discrètes à la valeur assignée la plus proche.

3. Initialisation de la vitesse de chaque particule :

Pour i=1 : MAX

a. V (i)=0

4. Evaluation de chaque particule dans POP.


UATL 2007 90

5. Stocker les particules non dominées dans REP.

6. Générer les hypercubes dans l’espace de recherche exploré.

7. Initialisation du pbest

Pour i=1 : MAX

a. PBEST (i)=POP (i)

8. Tant que le nombre d’itération n’est pas encore atteint.

a. Calculer le gbest par la technique présentée dans la section 4.4.2.5.

b. Calculer la vitesse de chaque particule à partir de l’équation (4.13).

c. Calculer les nouvelles positions des particules par l’équation (4.12).

d. Maintenir les particules dans l’espace de recherche.

e. Approximer la valeur continue des variables discrètes à la valeur discrète la plusproche

f. Evaluer les nouvelles particules dans l’espace de recherche.

g. Mettre à jour le contenu du REP en insérant les nouvelles particules non dominéesen même temps que l’on élimine les particules dominées du REP. Dans le cas où lamémoire REP excède une limite spécifiée, on élimine les particules qui ont lafonction fitness la plus basse.

9. Tracer la frontière du Pareto

4.5.2 Exemple d’application

Pour pouvoir illustrer le comportement de NSPSO et MOPSO face à un problème d’optimisation

multi-objectif, on fait appliquer les deux méthode sur le problème d’optimisation suivant :

Le problème consiste à l’optimisation de deux objectifs f1 et f2 avec :

21

22

5( 1) 5

6( 1.5) 4

f xMax

f x

(4.20)

Avec:

0, 2.5x


UATL 2007 91

Les paramètres de NSPSO et MOPSO sont présentés dans le Tableau 4.1.

Tableau 4.1 Paramètres de NSPSO et MOPSO

CjNombre depopulations

Nombre d’itérationsmaximales

Wmax WminNombre d’hypercubes pour

MOPSO

2.0 25 70 0.9 0.4 36

Les figures 4.13 et 4.14, représentent les frontières du Pareto obtenues par MOPSO et NSPSO

respectivement. D’après les deux figures, on voit clairement que les deux algorithmes convergent

vers la même frontière (les frontières sont pratiquement superposés), avec toutefois une bonne

distribution des solutions. Pour le cas de MOPSO, la technique de grille de 36 hypercubes (en

violet) donne une frontière de Pareto comportant 1216 solutions non dominées. En revanche, la

méthode NSPSO donne 549 solutions non dominées.

3.6 3.8 4 4.2 4.4 4.6 4.8 52.4

2.6

2.8

3

3.2

3.4

3.6

3.8

4

X: 5

Y: 2.502

f1

f2

X: 3.749

Y: 4

Figure 4.13 Frontière du Pareto tracée par MOPSO.


UATL 2007 92

3.6 3.8 4 4.2 4.4 4.6 4.8 52.4

2.6

2.8

3

3.2

3.4

3.6

3.8

4X: 3.742

Y: 4

f1

f2

X: 5

Y: 2.503

Figure 4.14 Frontière du Pareto tracée par NSPSO.

4.6 CONCLUSION

Nous avons présentés, dans ce chapitre, des connaissances de base sur l’optimisation mono et

multi-objective. Par la suite, nous nous sommes intéressés à la méthode d’Optimisation par Essaim

de Particules, son principe de base, sa formulation mathématique ainsi que l’état de l’art de son

algorithme appliquer aux problèmes multi-objectifs. Les deux algorithmes utilisés dans ce mémoire

à savoir NSPSO et MOPSO sont présentés en dernier lieu et appliquées sur un problème de

maximisation de deux fonctions quadratiques non linéaires. Les deux algorithmes ont pratiquement

convergé vers la même frontière du Pareto avec une bonne distribution des solutions sur cette

dernière.

CHAPITRE 5 APPLICATION ET RESULTATS DE SIMULATION

UATL 2007

93

CHAPITRE 5

APPLICATION ET RESULTATS DE

SIMULATION

5.1 INTRODUCTION

Dans ce chapitre, nous allons procéder à l’implantation des dispositifs SVC et TCSC dans un

réseau électrique et voir leurs influences sur la stabilité de tension et sur les pertes actives. Le

nombre des FACTS installé est choisi dès le début par l’utilisateur. Dans notre cas, le choix s’est

porté sur un dispositif pour chaque type de FACTS. Par conséquent, nous devons prendre en

considération le choix de l’emplacement optimal offrant le meilleur rendement. De ce fait, nous

avons utilisé deux indices pour un emplacement optimal.

Le problème de la stabilité de tension, est formulé dans notre cas, comme un problème

d’optimisation mono et multi-objectif. La réduction des pertes actives et la maximisation de la

marge statique de tension ont été les principales fonctions objectives à optimiser par l’algorithme

standard PSO, et ce pour plusieurs scénarios. Par la suite, nous avons optimisé les deux fonctions

simultanément (optimisation multi-objectif) en utilisant deux variantes du PSO, destinées aux

problèmes d’optimisation multi-objectif à savoir : le NSPSO (Non-dominated Sorting Particle

Swarm Optimization) et le MOPSO (Multiobjective Particle Swarm Optimization). Les deux

algorithmes sont comparés en termes d’optimalité de la frontière de Pareto ainsi que le nombre de

solutions obtenu pour plusieurs cas de simulation.


UATL 2007

94

5.2 LOGICIEL DE SIMULATION

Avant d’entamer la phase de simulation, il est préférable de donner un bref aperçu sur le logiciel

PSAT (Power System Analysis Toolbox), utilisé dans ce travail. PSAT est un logiciel didactique,

développé sous Matlab par Dr. Federico Milano [56] pour l’analyse des réseaux électriques. Il peut

effectuer les fonctions statiques et dynamiques suivantes :

Calcul d’écoulement de puissance PF (Power Flow).

Calcul d’écoulement de puissance Optimal OPF (Optimal Power Flow).

Calcul d’écoulement de puissance en continu CPF (Continuation Power Flow).

Analyse de la stabilité de petites perturbations SSSA (Small Signal Stability Analysis).

Simulation temporelle TDS (Time Domaine Simulation).

Ces caractéristiques rendent PSAT très utilisé par les chercheurs et les laboratoires des réseaux

électriques. Malgré la disponibilité de plusieurs logiciels spécialisés dans l’analyse et l’étude des

réseaux électriques, développés sous Matlab, PSAT reste un outil performant et très prisé. Le

tableau 5.1 représente une comparaison entre quelques logiciels d’analyse des réseaux électriques

[56].

Tableau 5.1 Comparaison entre des logiciels d’analyse des réseaux électriques.

Fonction PF CPF OPF SSA TD EMT GUI GNEEST + + + +MatEMTP + + + +MatPower + +PAT + + + +PSAT + + + + + + +PST + + + +SPS + + + + + +VST + + + + +

Pour plus de détails sur le logiciel PSAT, consulter l’annexe A.


UATL 2007

95

5.3 APPLICATIONS

La figure 5.1 montre le réseau test IEEE 14 nœuds [56]. Il comprend deux générateurs installés

aux nœuds 1 et 2, trois compensateurs synchrones installées aux nœuds 3, 6, et 8. Les générateurs

sont considérés avec la limitation sur la puissance réactive. Les paramètres complets du réseau test,

sont présentés en Annexe B.

5.3.1 Courbes d’Effondrement de Tension

Comme déjà mentionné précédemment, l’analyse de la stabilité de tension est basée sur la courbe

de bifurcation de tension (courbe d’effondrement ou courbe PV). Le tracer de ces courbes est basé

sur le programme d’écoulement de puissance en continu (CPF) implémenté dans le logiciel PSAT.

Figure 5.1 Réseau test IEEE 14 nœuds.

La charge est modélisée par le modèle PQ (la charge ne dépend pas de la tension) et définie

selon l’équation (5.1) suivante, avec un facteur de puissance constant :


UATL 2007

96

0

0

i i

i i

P P

Q Q

(5.1)

Avec désignant le facteur de charge.

La puissance générée par les groupes turboalternateurs est définie par l’équation (5.2) :

0Gi Gi GiP k P (5.2)

Avec

0iP et 0iQ les puissances active et réactive au nœud i.

0GiP la puissance générée par la machine i dans le cas initial.

Gik le facteur de contribution de chaque générateur i pour satisfaire la demande de la charge.

La figure 5.2 représente les caractéristiques de bifurcation pour trois noeuds du réseau, à savoir

4, 13, et 14. A partir de la figure 5.2, il est clair que le CPF permet de surmonter le problème de

divergence rencontrée dans les algorithmes classiques d’écoulement de puissance, en maintenant un

bon conditionnement de la matrice Jacobienne autour du point d’effondrement et en permettant de

tracer la partie inférieure de la courbe de bifurcation. On peut clairement voir, que les tensions aux

trois nœuds diminuent avec l’augmentation de la charge jusqu'à une valeur de 441.4655 MW. Au

delà de ce point, la tension chute d’une façon incontrôlable provoquant un effondrement de tension.

Dans ce point, presque tous les générateurs atteignent leurs limites de puissance réactive. On peut

aussi remarquer, que la variation de la tension dans les trois courbes est différente, ce qui explique

que les trois nœuds donnent des réponses différentes en termes d’instabilité de tension.

De la figure 5.2, on peut introduire un concept très utile dans l’analyse de la stabilité de tension à

savoir la marge de stabilité de tension égale, dans notre cas, à 182.4655 MW.

5.3.2 Influence de la Limite d’énergie Réactive sur l’effondrement de Tension

En pratique, les générateurs électriques possèdent des limites sur la production de l’énergie

réactive, et qui sont dues aux contraintes thermiques sur le bobinage statorique et rotorique. La

figure 5.3 montre l’influence de la limitation de la puissance réactive sur la stabilité de tension. La

courbe en continue présente la courbe de bifurcation (courbe PV) avec la limite sur l’énergie


UATL 2007

97

réactive. Dans ce cas, la tension s’effondre à 1.7058 pu . Par contre, lorsque la limitation sur

l’énergie réactive n’est pas considérée, le point d’effondrement de la tension se déplace à un niveau

de charge très élevé égale à 3.973pu , lequel n’est pas un point réalisable.

1 1.1 1.2 1.3 1.4 1.5 1.6 1.7 1.80

0.2

0.4

0.6

0.8

1

1.2

1.4

Lambda (pu)

Ten

sion

(pu)

Noeud 4

Noeud 13

Noeud 14

Figure 5.2 Caractéristiques PV aux Nœuds 4, 13 et 14.

1 1.5 2 2.5 3 3.5 40

0.2

0.4

0.6

0.8

1

1.2

1.4

X: 1.704

Y: 0.6347

Lambda (pu)

Ten

sio

n(p

u) X: 3.973

Y: 0.6883

Q limitée

Q non limitée

Figure 5.3 Caractéristique PV du Nœud 14 avec et sans limites sur l’énergie réactive.


UATL 2007

98

On peut conclure que la limitation sur l’énergie réactive est l’une des causes principales de

l’instabilité de tension. Sans limitation de l’énergie réactive, l’instabilité et l’effondrement de

tension sont souvent impossibles à obtenir. Par conséquent, plus grand est le nombre de générateurs

qui ont une grande réserve d’énergie réactive, plus loin est la zone d’instabilité de tension.

5.3.3 Evolution des Pertes Active et Réactive lors d’un Effondrement de Tension

L’une des limites de transport de l’énergie réactive consiste en les pertes réactives très élevées

autour du point d’effondrement de tension. La figure 5.4 montre l’évolution des pertes actives et

réactives avec l’augmentation de la charge totale du réseau. Il est clair que les pertes réactives

augmentent d’une façon très rapide d’une valeur de 0.2743 pu jusqu'à 2.8427 pu au point

d’effondrement. Cette situation, provoque un déséquilibre entre la production et la demande de

l’énergie réactive. La meilleure solution pour éviter l’effondrement de la tension est la réduction de

la puissance réactive demandée par la charge (cette solution est purement théorique, car elle est

impossible a réaliser dans la pratique), ou l’implantation des dispositifs de compensation de

l’énergie réactive, à savoir : les bancs de condensateurs et les FACTS.

1 1.1 1.2 1.3 1.4 1.5 1.6 1.7 1.80

0.5

1

1.5

2

2.5

3

Lambda (pu)

Per

tes

(pu)

Pertes actives

Pertes réactives

Figure 5.4 Evolution des pertes active et réactive lors d’un effondrement de tension.


UATL 2007

99

5.3.4 Influence du type de Charge sur l’effondrement de Tension

Dans cette partie, nous allons présenter l’influence des modèles statiques de la charge sur

l’instabilité et l’effondrement de tension ainsi que sur les pertes actives et réactives.

Extension de PSAT pour inclure les différents modèles de charge

Le programme d’écoulement de puissance en continu (CPF) implémenté dans le code PSAT

prend en compte uniquement le modèle statique, à puissance constante (PQ constante). Nous avons

modifié le programme original afin de considérer les différents modèles de la charge.

La figure 5.5 montre l’influence du modèle exponentiel de la charge sur la stabilité ou

l’effondrement de tension. On voit clairement que, plus np est élevé, plus la marge de stabilité de

tension augmente. La marge de stabilité pour le cas de np = nq = 0 (PQ constante) est la plus critique

A contrario, le modèle à admittance constante possède la plus grande marge de stabilité de tension

pour laquelle il ne se produit aucun phénomène d’effondrement de tension.

Ces résultats de simulation peuvent êtres expliqués comme suit : le modèle à admittance

constante dépend du carré de la tension. Ainsi, durant le phénomène d’effondrement de tension,

lorsque la tension de la charge diminue, les puissances active et réactive diminuent

proportionnellement, et l’égalité entre la production et la consommation est toujours satisfaite. Pour

la charge à courant constant, au cour du phénomène d’effondrement de tension, les puissances

active et réactive appelées par la charge diminuent proportionnellement avec la tension. Dans ce

cas, la puissance demandée est plus élevée par rapport à la charge à admittance constante. Pour le

modèle à puissance constante, les puissances active et réactive demandées par la charge, restent

constantes, malgré la diminution de la tension. Dans cette situation, et à un certain niveau de

charge, le réseau ne peut pas satisfaire l’égalité entre la production et la consommation.

Sous la lumière de cette analyse, on peut tirer les conclusions suivantes :

le modèle de la charge est un paramètre primordial dans l’analyse et l’étude de la stabilité de

tension.

Les différents modèles de la charge ont des réponses complètement différentes vis-à-vis du

niveau de charge du réseau. Ainsi, la nature de la charge peut accentuer ou diminuer le

phénomène d’effondrement de tension dans un réseau électrique.


UATL 2007

100

Le modèle de charge à puissance constante est le plus néfaste sur la stabilité tension.

1 1.5 2 2.5 3 3.5 40

0.2

0.4

0.6

0.8

1

1.2

1.4

Lambda (pu)

Ten

sio

nd

uN

oeu

d1

4(p

u)

np=nq=0

np=nq=0.25

np=nq=0.5

np=nq=0.75

np=nq=1

np=nq=2

Figure 5.5 Influence du modèle de charge sur l’effondrement de tension.

5.4 INSTALLATION DES FACTS

Pour des raisons économiques, il est impossible d’installer des équipements FACTS à chaque

nœud et ligne dans un réseau électrique. Le choix du site dépend de plusieurs paramètres à savoir :

le type d’équipement et sa fonctionnalité.

Dans cette section, le choix optimal de la taille et du site d’emplacement du SVC et TCSC pour

un problème d’amélioration de la stabilité statique de tension, sera présenté.

5.4.1 Emplacement Optimal du SVC

Le choix du site des compensateurs d’énergie réactive est basé sur la détermination du nœud

critique du réseau, dénommé aussi le nœud faible. La compensation de l’énergie réactive en ce

nœud, donne une meilleure amélioration de la stabilité de tension par rapport aux autres nœuds du

système. Donc le problème est posé comme suit : Comment définir le noeud critique de notre

système ?


UATL 2007

101

La réponse de cette question est simple. Dans notre travail, nous nous sommes basés sur un

facteur de sensibilité de tension [57] qui est extrait de la méthode d’écoulement de puissance en

continu (CPF). La méthode CPF est basée sur la technique prévision correction de solution. La

prévision d’une nouvelle solution est basée le vecteur tangent, qui est représenté par les variations

de l’angle et de l’amplitude de la tension. Ainsi, notre méthode est basée sur la mesure du degré de

sensibilité du vecteur tangent de la tension vis-à-vis de la variation de la charge. De ce fait, le nœud

critique du réseau est le nœud qui comprend la plus grande variation d’amplitude de tension au

point d’effondrement.

L’équation (5.7) représente le Facteur de Sensibilité de Tension VSF (Voltage Sensitivity Factor)

2

kk NB

ii

dVVSF

dV

(5.7)

D’où,

kVSF est le facteur de sensibilité de tension du nœud k.

kdV est le tangent de tension de nœud k autour du point d’effondrement de tension.

Comme nous l’avons mentionné dans le deuxième chapitre, le SVC est modélisé comme une

susceptance shunt variable permettent de régler et contrôler la tension au nœud par rapport à la

consigne. La figure 5.6 illustre le principe de régulation de la tension par le SVC.

Figure 5.6 Principe de régulation de la tension par le SVC.

Où ;

refV est la consigne de la tension du SVC.


UATL 2007

102

maxb la susceptance maximale du SVC.

minb la susceptance minimale du SVC.

rk le gain du SVC.

rT le temps de réponse du SVC.

Le Tableau (5.1) représente le facteur de sensibilité de tension pour quatre nœuds critiques du

réseau. D’après le tableau, il est clair que le nœud 14 possède le facteur de sensibilité de tension le

plus élevé, donc il est considéré comme le nœud critique de notre système.

De ce fait, l’installation d’un SVC dans ce nœud, donnera la meilleure marge de stabilité de

tension, comparée aux autres nœuds de charge.

Tableau 5.2 Facteur de sensibilité de tension pour quatre noeuds critiques.

Noeuds 14 13 10 12

VSF 0.1024 0.0951 0.0930 0.0927

5.4.2 Taille Optimale du SVC

Après avoir choisi le nœud 14 comme lieu d’installation du SVC, nous devons optimiser sa

taille. Pour ce faire, deux méthodes sont proposées : La première considère le nœud 14 comme un

nœud PV (nœud générateur) de tension égale a 0.95 pu (tension minimale) avec une production non

limitée en puissance réactive. Le programme d’écoulement de puissance, au point d’effondrement

de tension ( 1.7058 pu ) est par suite exécuté. La puissance réactive fournie par le générateur 14,

pour ce niveau de charge, est considérée comme la quantité d’énergie réactive maximale requise

pour que le système ne s’effondre pas. La réactance capacitive du SVC [58] est déterminée par

l’équation (5.7) :

2

max

0.95cX pu

Q pu (5.7)

Avec :


UATL 2007

103

maxQ est la puissance réactive maximale fournie par le générateur dans le cas où la tension

est minimale.

La deuxième méthode est tout à fait simple : la taille optimale du SVC est choisie selon le

facteur de performance [58] défini par l’équation (5.8).

initp

SVC

MWf

Q

(5.8)

Avec :

initMW la charge nominale du réseau au point du fonctionnement initial.

la différence entre le point d’effondrement du réseau avec et sans le SVC.

SVCQ la taille du SVC.

La méthode est basée sur l’évaluation du degré de performance pour différentes tailles du SVC :

la taille optimale du SVC est celle qui correspond au facteur de performance le plus élevé.

La figure 5.7 représente l’évolution de la marge de stabilité de tension en fonction de la taille du

SVC. D’après la figure, il apparaît clairement que la marge de stabilité de tension (Lambda)

augmente avec l’augmentation de la taille du SVC jusqu’à 1.7SVCb pu . Au-delà, lambda reste

constante malgré qu’on continue d’augmenter la taille du SVC. D’après ces résultats, la valeur

correspondant à 1.7SVCb pu est une taille optimale qui assure une marge de stabilité de tension

maximale. Mais malheureusement, notre problème d’optimisation de la taille du SVC doit

également tenir compte du coût d’équipement. La rentabilité du SVC peut se calculer par le facteur

de performance qui est le rapport de la marge de stabilité sur la taille du SVC.


UATL 2007

104

0 0.5 1 1.5 2 2.51.7

1.75

1.8

1.85

1.9

1.95

2

2.05

2.1

X: 1.7

Y: 2.05

bsvc (pu)

Lam

bd

a(p

u)

Figure 5.7 Evolution de la marge de stabilité de tension en fonction de la taille du SVC.

La figure (5.8) représente l’évolution du facteur de performance en fonction de la taille du SVC.

D’après la figure, on remarque que la taille du SVC correspondant à 1.3SVCb pu donne le meilleur

facteur de performance. Nous pouvons conclure que la taille du SVC qui fournit la meilleure marge

de stabilité n’est pas forcément la taille optimale.

5.4.3 Influence du SVC sur la stabilité de tension et les pertes dans le réseau

La figure 5.9 illustre l’influence du SVC sur la stabilité statique de tension. Les paramètres du

SVC sont présentés dans l’annexe B. D’après la figure, on voit que l’installation du SVC au nœud

14 augmente la marge de stabilité de tension jusqu’à 2.0503 pu avec le cas de base de 1.7058 pu.

Ainsi, nous bénéficions d’une augmentation de la marge de stabilité de tension de 89.2255 MW. On

peut remarquer aussi, que le SVC (courbe en continue) maintient la tension au nœud 14 autour de la

valeur de référence Vréf = 1.036 pu, via une régulation appropriée de la valeur de susceptance.


UATL 2007

105

0 0.5 1 1.5 2 2.5 3 3.5 4 4.50.2

0.25

0.3

0.35

0.4

0.45

0.5

0.55

0.6

0.65

X: 1.3

Y: 0.6343

bsvc (pu)

Fac

teur

de

per

form

ance

fp(p

u)

Figure 5.8 Evolution de facteur de performance en fonction de la taille du SVC.

1 1.2 1.4 1.6 1.8 2 2.2 2.40

0.2

0.4

0.6

0.8

1

1.2

1.4

X: 1.706

Y: 0.6297

Lambda (pu)

Ten

sio

n(p

u)

X: 2.025

Y: 1.016

SVC au Noeud 14

Sans SVC

Figure 5.9 Caractéristiques de bifurcation au nœud 14 avec et sans SVC.


UATL 2007

106

La figure 5.10 montre la variation de la susceptance du SVC lors de l’augmentation de la charge.

D’après la figure, on voit clairement, que le SVC fait augmenter la valeur du bSVC afin de

compenser la chute de tension crée par l’augmentation de la charge. En comparent la figure 5.9 et

5.10, on peut conclure que la tension du réseau s’effondre dés que le SVC atteint sa limite

maximale d’énergie réactive.

1 1.2 1.4 1.6 1.8 2 2.2 2.40

0.2

0.4

0.6

0.8

1

1.2

1.4

X: 2.025

Y: 1.3

Lambda (pu)

bsv

c(p

u)

Figure 5.10 Evolution du bSVC en fonction de la charge.

Pour mieux visualiser l’optimalité de notre choix du site, ainsi que l’efficacité du facteur de

sensibilité de tension, le SVC est installe dans différents nœuds du réseau et une étude comparative

est menée avec le nœud critique (nœud 14).

La figure 5.11 montre l’installation du SVC aux noeuds 14, 12 et 4 et donne les marges de

stabilité de tension respectivement comme suite : 2.0254 pu, 1.9863 pu et 1.9042 pu. D’après ce

résultat, il est clair que l’installation du SVC au noeud 14 fournit la meilleure marge de stabilité par

rapport aux autres nœuds de charge. La courbe en continu (SVC au nœud 14) apparaît clairement

plate à cause du SVC qui assure une régulation de la tension autour du point de référence.


UATL 2007

107

1 1.2 1.4 1.6 1.8 2 2.2 2.40

0.2

0.4

0.6

0.8

1

1.2

1.4

Lambda (pu)

Ten

sion

(pu

)

SVC au Noeud 12

SVC au Noeud 4

SVC au Noeud 14

Figure 5.11 Comparaison entre trois sites du SVC.

Les profiles de tension au point d’effondrement, avec et sans SVC, sont présentés dans la figure

5.12.

0 2 4 6 8 10 12 14

0.4

0.5

0.6

0.7

0.8

0.9

1

1.1

Noeud

Ten

sion

(pu)

Avec SVC

Sans SVC

Figure 5.12 Profile des tensions du système avec et sans SVC.


UATL 2007

108

Remarquons que pour le cas sans SVC, les nœuds qui sont relativement loins de la production à

savoir les noeuds 9, 10, 11, 12, 13 et14 ont des tensions plus basses par rapport aux autres. Cette

dégradation de la tension est due à la longue distance entre la production et la consommation.

D’autre part, l’installation du SVC au nœud 14 améliore d’une manière remarquable le profile de

tension aux nœuds de charge sauf pour le nœud 3 qui subit une chute de tension importante. Ce

nœud peut être le nœud critique suivant du système avec le SVC installé au noeud 14.

Les figures 5.13 et 5.14 illustrent, l’évolution des pertes actives et réactives en fonction de la

charge. En Comparant, les deux cas avec et sans SVC pour les deux figures, on conclut que le SVC

fait réduire les pertes actives et réactives d’une façon considérable.

1 1.2 1.4 1.6 1.8 2 2.2 2.40

0.2

0.4

0.6

0.8

1

1.2

1.4

Lambda (pu)

Per

tes

Act

ives

(pu)

Sans SVC

Avec SVC

Figure 5.13 Evolution des pertes actives avec et sans SVC

5.4.4 Emplacement Optimal du TCSC

Dans ce travail, on s’intéressera à la compensation de toutes les lignes du réseau (ligne par ligne)

puis on sélectionnera la ligne qui donne la meilleure marge de stabilité de tension après

compensation. Le tableau 5.3 présente les cinq meilleures marges de stabilité de tension pour une

compensation de 50%.


UATL 2007

109

Tableau 5.3 Les cinq meilleurs emplacements du TCSC.

Ligne 1-5 1-2 5-6 3-2 2-4

Lambda (pu) 1.8578 1.8082 1.7808 1.7763 1.7527

1 1.2 1.4 1.6 1.8 2 2.2 2.40

0.5

1

1.5

2

2.5

3

3.5

4

4.5

Lambda (pu)

Per

tes

Réa

ctiv

es(p

u)

Sans SVC

Avec SVC

Figure 5.14 Evolution des pertes réactives avec et sans SVC.

D’après le tableau 5.3, il est clair que l’emplacement du TCSC dans la ligne 1-5 donne la

meilleure marge de stabilité de tension. De ce fait, l’emplacement optimal du TCSC est choisi dans

la ligne 1-5 (la ligne numéro 14).

5.4.5 Taille Optimale du TCSC

Après le choix optimal du site du TCSC, on doit optimiser sa taille, qui assure une augmentation

meilleure de la marge de stabilité de tension avec une taille minimale. La figure 5.15 représente

l’évolution de la marge de stabilité de tension en fonction du taux de compensation de la ligne 14

(noeud1-noeud5). Il est clair que le TCSC donne la meilleure marge de stabilité autour du taux de

compensation de 100%. Mais comme nous avons déjà signalé dans le chapitre 2, le taux de


UATL 2007

110

compensation des TCSC est limité entre 20% inductive et 80% capacitive à cause du problème de

surcompensation de la ligne. De ce fait, la taille du TCSC est limitée comme suit :

0.8 0.2L TCSC LX X X (5.8)

0 0.5 1 1.51

1.2

1.4

1.6

1.8

2

2.2

2.4

X: 1

Y: 2.004

Taux de Compensation

Lam

bda

(pu)

Figure 5.15 Taille Optimale du TCSC.

5.4.6 Influence du TCSC sur la stabilité de tension et les pertes du réseau

La figure 5.16 représente la courbe de bifurcation de tension avec et sans TCSC. D’après la

figure, on voit clairement que le TCSC augmente la marge de stabilité jusqu’à la

valeur 1.975 pu . Une amélioration de la marge de stabilité de tension de 0.2690 pu (équivalente

de 69.6710 MW) est ainsi obtenue.

Pour mieux visualiser l’influence du TCSC sur les pertes actives et réactives, on fait suivre

l’évolution de ces derniers lors de l’augmentation de la charge. Il est clair que, dans les deux cas

(pertes actives et réactives) le TCSC fait diminuer les pertes totales du réseau, mais d’une façon

remarquable, les pertes réactives. Ce dernier cas est justifié par le fait que le TCSC fait diminuer la

réactance apparente de la ligne, donc il influe directement sur les pertes réactives.


UATL 2007

111

1 1.1 1.2 1.3 1.4 1.5 1.6 1.7 1.8 1.9 20

0.2

0.4

0.6

0.8

1

1.2

1.4

Lambda (pu)

Ten

sio

n(p

u)

X: 1.975

Y: 0.5796

X: 1.706

Y: 0.6297

Sans TCSC

Avec TCSC

Figure 5.16 Caractéristiques de bifurcation au Nœud 14 avec et sans TCSC.

1 1.1 1.2 1.3 1.4 1.5 1.6 1.7 1.8 1.9 20

0.5

1

1.5

2

2.5

3

3.5

Lambda (pu)

Per

tes

Réa

ctiv

es(p

u)

Sans TCSC

Avec TCSC

Figure 5.17 Evolution des pertes réactives avec et sans TCSC.


UATL 2007

112

1 1.1 1.2 1.3 1.4 1.5 1.6 1.7 1.8 1.9 20.1

0.2

0.3

0.4

0.5

0.6

0.7

0.8

0.9

Lambda (pu)

Per

tes

Act

ives

(pu

)Sans TCSC

Avec TCSC

Figure 5.18 Evolution des pertes actives avec et sans TCSC.

La figure 5.19, représente le profile de tension au point d’effondrement, avec et sans TCSC. Il

est clair que le TCSC n’améliore pas vraiment le profile de tension, sauf légèrement, aux nœuds 4 et

5.

5.4.7 Comparaison entre le TCSC et SVC

Dans cette section, nous allons effectuer une étude comparative entre le SVC et le TCSC du

point de vue amélioration de la marge de stabilité de tension, et réduction des pertes actives et

réactives.

La figure 5.20, montre la courbe de bifurcation au nœud 14 pour trois cas, avec le SVC, avec le

TCSC et avec le TCSC et le SVC. D’après la figure, on constate que la combinaison entre les deux

types de FACTS donne une meilleure marge de stabilité de tension de 2.244 pu . Par rapport au

TCSC, le SVC prouve son efficacité dans la régulation et le maintien de la tension.


UATL 2007

113

0 2 4 6 8 10 12 140.5

0.6

0.7

0.8

0.9

1

1.1

1.2

Noeud

Ten

sion

(pu)

Sans TCSC

Avec TCSC

Figure 5.19 Profile de tension du système avec et sans TCSC.

1 1.5 2 2.50

0.2

0.4

0.6

0.8

1

1.2

1.4

Lambda (pu)

Ten

sio

n(p

u)

X: 2.244

Y: 0.8028

X: 1.975

Y: 0.5796

X: 2.025

Y: 1.016

Avec TCSC

Avec SVC

Avec TCSC et SVC

Figure 5.20 Caractéristiques de bifurcation pour les cas de SVC, TCSC, et les deux ensembles.


UATL 2007

114

Les figures 5.21 et 5.22 illustrent, respectivement, l’évolution des pertes réactives et actives pour

les trois cas précédents. D’après la figure 5.21, on voit clairement que, les pertes réactives sont plus

élevées dans le cas du SVC. Concernant les pertes actives, on voit que le TCSC induit des pertes

actives plus élevées par rapport aux autres cas.

1 1.5 2 2.50

0.5

1

1.5

2

2.5

3

3.5

4

4.5

5

Lambda (pu)

Pert

es

Réactives

(pu)

Avec SVC

Avec TCSC et SVC

Avec TCSC

Figure 5.21 Evolution des pertes réactives du réseau pour les cas de SVC, TCSC, et les deuxensembles

La figure 5.23, représente le profile de tension au point d’effondrement pour trois cas de

simulation. D’après cette figure, on remarque que le SVC, fournit un meilleur profile de tension par

rapport aux autres cas de simulation. En Comparant le SVC et le TCSC, on constate que le TCSC

améliore mieux le profile de tension dans les zones proches de leur site d’installation (nœud 3 et5).

La combinaison entre les deux FACTS ne donne pas une amélioration intéressante comparée au cas

du SVC seul. Ce résultat, peut s’expliquer par une interaction négative entre les deux FACTS.

Ainsi, il faut assurer un contrôle coordonné entre les deux FACTS pour mieux tirer avantage de

leurs points forts.


UATL 2007

115

1 1.5 2 2.50

0.5

1

1.5

2

2.5

Lambda (pu)

Per

tes

Act

ives

(pu

)Avec SVC

Avec TCSC et SVC

Avec TCSC

Figure 5.22 Evolution des pertes actives pour les cas de SVC, TCSC, et les deux ensembles

0 2 4 6 8 10 12 140.5

0.6

0.7

0.8

0.9

1

1.1

1.2

Noeud

Ten

sio

n(p

u)

Avec TCSC

Avec TCSC et SVC

Avec SVC

Figure 5.23 Profile de tension du système pour les cas de SVC, TCSC, et les deux ensembles


UATL 2007

116

5.5 OPTIMISATION PAR PSO

Dans cette partie, la méthode d’optimisation par essaim de particules est appliquée sur plusieurs

problèmes d’optimisation mono et multi-objectifs, et ce pour plusieurs combinaisons des FACTS.

Pour assurer une optimisation plus proche de la réalité, nous avons modifié la méthode PSO afin de

prendre en compte les variables discrètes.

5.5.1 Formulation du problème

5.5.1.1 Pertes actives

Notre objectif étant de réduire les pertes actives totales du réseau, le problème peut être formulé

comme suit :

2 2

1

2 cos( )nl

k i i i j i ik

M in g V V V V

(5. 9)

Avec :

nl le nombre des lignes de transport ;

kg la conductance de la kième ligne ;

i iV et j jV les tensions aux nœuds i et j respectivement.

5.5.1.2 Marge de stabilité de tension

Cet objectif consiste en la maximisation de la marge de stabilité de tension, via une optimisation

des différents composant du réseau. Le Problème peut être formulé comme suit :

Max (5.10)

Avec, est la marge de stabilité de tension.


UATL 2007

117

5.5.1.3 Contraintes du réseau

Les contraintes d’optimisation peuvent êtres divisés en deux types :

Contraintes d’égalités

Les contraintes d’égalités sont les équations d’écoulement de puissance formulées comme suit :

1

cos sin 0,j i

NB

G D i j ij i j ij i jj

P P V V G B

1,...,i NB (5.11)

1

sin cos 0,j i

NB

G D i j ij i j ij i jj

Q Q V V G B

1,...,i NB (5.12)

Avec,

- NB le nombre de nœuds ;

- PG et QG les puissances active et réactive du générateur ;

- PD et QD les puissances active et réactive de la charge ;

- Gij et Bij les conductances et les susceptances entre les nœuds i et j.

Contraintes d’inégalité

Les contraintes d’inégalités représentent généralement les limites de fonctionnement (limites

physiques) du réseau.

- Limites sur la puissance réactive

La puissance réactive générée est limitée par des valeurs supérieures et inférieures comme suit :

min max , 1,...,G Gi i

GQ Q Q i NG (5.13)

Avec NG le nombre de générateurs.

- Limites sur le transformateur


UATL 2007

118

Le rapport de transformation des transformateurs est limité par l’équation suivante :

min max , 1,...,i i iT T T i NT (5.14)

Avec NT le nombre de transformateurs.

- Limites sur le SVC

La puissance réactive générée par les SVC est limitée par l’équation suivante :

min max , 1,...,i i iSVC SVC SVCB B B i NS (5.15)

Avec NS le nombre des SVCs.

- Limites sur le TCSC

Le taux de compensation du TCSC est limité par l’équation suivante :

min maxiTCSC TCSC TCSCX X X (5.16)

Avec NTC le nombre des TCSCs, et XL la réactance de la ligne compensée par le TCSC.

5.5.2 Optimisation Mono-objectif

Dans cette partie, nous avons appliqué la version discrète du PSO sur deux problèmes

d’optimisation mono-objectif différents à savoir la réduction des pertes actives et la maximisation

de la marge de stabilité de tension.

Le problème d’optimisation mono-objectif consiste en la réduction des pertes actives et aussi la

maximisation de la marge de la stabilité de tension pour les cas suivants :

Sans FACTS

Avec SVC

Avec TCSC

Avec le TCSC et le SVC.

5.5.2.1 Réduction des Pertes Actives

Dans cette section, nous allons appliquer la méthode d’optimisation par essaim de particules sur

le problème de minimisation des pertes actives totales du réseau, formulé par l’équation (5.9).


UATL 2007

119

Les Variables d’optimisation sont limitées comme suit :

Variables Continues

Notre réseau test contient quatre générateurs, de telle sorte que leurs régulateurs automatiques de

tension (AVR) sont représentés par des variables continues variant selon l’équation suivante :

0.9 1.1pu AVR pu (5.17)

Le SVC et le TCS sont considérés comme des variables continus, variant selon l’équation (5.18)

et (5.19) respectivement :

1.3 1.3SVCpu b pu (5.18)

0.8 0.2i i iL TCSC LX X X (5.19)

Variables discrètes

Les transformateurs du réseau possèdent 20 positions de rapports de transformation qui sont

considérés comme des variables discrètes variant selon l’équation suivante :

0.9 1.1pu T pu (5.20)

Les paramètres de PSO sont résumés dans le tableau 5.4:

Tableau 5.4 Paramètres de PSO

C1 et C2 Taille de la population Nombre maximal d’itérations Wmax Wmin

2.0 50 25 0.9 0.4

La figure 5.24, représente l’évolution des pertes actives en fonction du nombre d’itérations.

D’après la figure, on remarque que la combinaison de SVC et TCSC donne une meilleure

optimisation des pertes actives.

Le Tableau 5.5, représente les solutions optimales pour les quatre cas d’optimisation. D’après le

tableau on remarque que PSO fournit des valeurs discrètes pour les Transformateurs pour les quatre

cas d’optimisation traités. Ces résultats indiquent que notre algorithme tient compte des variables

continues et discrètes.


UATL 2007

120

0 5 10 15 20 25 30 35 40 45 500.132

0.133

0.134

0.135

0.136

0.137

0.138

0.139

0.14

0.141

0.142

X: 29

Y: 0.1343

Itérations

Per

tes

Act

ives

(pu)

X: 38

Y: 0.1332

X: 49

Y: 0.1321

SVC+TCSC

SVC

TCSC

Sans FACTS

Figure 5.24 Variation des pertes actives en fonction du nombre d’itération.

Tableau 5.5 Solutions optimales

Sans FACTS TCSC SVC SVC+TCSC

AVR2 1.0467 1.0912 1.0458 1.0457

AVR6 1.1000 1.0786 1.0728 1.0907

AVR3 1.1000 1.0097 1.0161 1.0133

AVR8 1.1000 1.0883 1.0986 1.0999

TR1 0.95 1.0000 0.9900 0.9900

TR2 0.90 0.9900 0.9500 0.9700

TR3 0.95 0.9800 0.9800 0.9500

SVCbmax 0.7640 1.3000

bmin - 0.3164 0

TCSC (Xtotale) 0.1778 0.1742

Pertes Actives (pu) 0.1343 0.1332 0.1332 0.1321


UATL 2007

121

5.5.2.2 Maximisation de la marge de stabilité de tension

Le problème de la maximisation de la marge de stabilité de tension est formulé par l’équation

(5.10). Le but principal de cette fonction objective est de maximiser la marge de stabilité de tension

en optimisant les variables continues et discrètes du système. Les contraintes du système sont les

mêmes utilisés dans le cas de l’optimisation des pertes actives.

5 10 15 20 25 30

1.6

1.8

2

2.2

2.4

2.6

X: 19

Y: 2.047

Itérations

Lam

bda

(pu)

X: 14

Y: 2.24

X: 23

Y: 1.752

X: 29

Y: 1.978

TCSC+SVC

Avec SVC

Avec TCSC

Sans FACTS

Figure 5.25 Variation de la marge de stabilité en fonction du nombre d’itération.

D’après la figure 5.25 et le tableau 5.6, on remarque que la combinaison entre les deux types de

FACTS fournit la meilleure marge de stabilité de tension. On remarque aussi, d’après le tableau 5.6,

que les valeurs optimales du TCSC et du SVC sont leurs limites maximales. Ce résultat indique

que, pour augmenter la marge de stabilité de tension, il faut, une bonne compensation de l’énergie

réactive (nœuds et lignes).


UATL 2007

122

Tableau 5.6 Solutions optimales

Sans FACTS TCSC SVC SVC+TCSC

AVR2 1.1000 0.9000 1.1000 0.9000

AVR6 1.1000 1.0915 1.1000 0.9000

AVR3 1.0986 1.1000 1.1000 0.9877

AVR8 1.1000 1.1000 0.9000 1.0649

TR1 0.9000 0.9000 0.9000 0.9600

TR2 0.9000 0.9000 0.9000 0.9400

TR3 0.9000 0.9000 0.9000 0.9600

SVCbmax 1.3000 1.2985

bmin -0.1032 -0.2464

TCSC (Xtotale) 0.0446 0.0446

Marge de stabilité de tension (pu) 1.7516 1.9785 2.0475 2.2397

5.5.3 Optimisation Multi objectif par NSPSO et MOPSO

Dans cette section, sont appliquées les deux méthodes NSPSO et MOPSO sur un problème

d’optimisation multi-objectif, qui consiste en la maximisation de la marge de stabilité de tension et

la réduction des pertes actives.

Les deux algorithmes (MOPSO et NSPSO) sont modifiés de telle façon qu’ils prennent en

compte les variables discrètes (comme les transformateurs dans notre cas).

Les paramètres de simulation du NSPSO et MOSPO sont présentés dans le tableau 5.7

Tableau 5.7 Paramètres de NSPSO et MOPSO

CjTaille de lapopulation

Nombre maximald’itérations

Wmax WminNombre d’hypercubes pour

MOPSO

2.0 100 120 0.9 0.4 36


UATL 2007

123

La figure 5.26, représente l’application du NSPSO sur plusieurs cas d’optimisation. D’après la

figure, on peut voir clairement que la méthode donne des frontières de Pareto à solutions bien

distribuées. En les comparant aux cas sans FACTS, l’utilisation du TCSC augmente la marge de

stabilité. Aussi, nous notons une augmentation des pertes actives à cause de l’augmentation du

transit de puissance dans le réseau. Dans le cas de la combinaison du SVC et du TCSC, il est clair

que la marge de stabilité de la tension est meilleure dans les quatre cas de simulation.

1.6 1.7 1.8 1.9 2 2.1 2.2 2.3 2.4 2.50.13

0.135

0.14

0.145

0.15

0.155

0.16

0.165

Lambda (pu)

Per

tes

acti

ves

(pu

)

sans FACTS

avec TCSC

avec SVC

avec TCSC et SVC

Figure 5.26 Frontière de Pareto pour quatre cas d’optimisation.

Les figures 5.27 jusqu’à 5.30 présentent une comparaison entre la méthode NSPSO et MOPSO

pour les quatre cas de simulation traités.

La figure 5.27, représente la frontière du Pareto des deux algorithmes MOPSO et NSPSO, pour

le cas sans FACTS. Il est clair que MOSPO fournit une frontière du Pareto bien distribuées de 467

solutions non dominées avec 377 solutions non dominées pour le cas du NSPSO. D’après cette

figure, on remarque que les solutions fournies par NSPSO ne sont pas distribuées parfaitement le

long de la frontière de Pareto comme c’est le cas pour le MOPSO. D’autre part, le NSPSO est

meilleure que le MOPSO en termes d’optimalité des solutions, car certaines solutions de NSPSO

dominent celle de MOPSO.


UATL 2007

124

1.6 1.62 1.64 1.66 1.68 1.7 1.72 1.74 1.760.134

0.1345

0.135

0.1355

0.136

0.1365

0.137

0.1375

0.138

Lambda (pu)

Per

tes

acti

ves

(pu

)MOPSO

NSPSO

Figure 5.27 Frontières de Pareto de NSPSO et MOPSO sans FACTS.

La figure 5.28 représente la frontière du Pareto des deux méthodes pour le cas d’un seul SVC.

D’après la figure on remarque que les solutions fournies par NSPSO sont meilleures que celles de

MOSPO en termes d’optimalité (principe de dominance). En plus, le NSPSO fournit 31 solutions

non dominées alors que 20 solutions sont données par le MOPSO.

Dans le cas du TCSC représenté par la figure 5.29, les deux algorithmes convergent vers

approximativement la même frontière de Pareto. Dans ce cas, le NSPSO converge en donnant 1379

solutions non dominées contre 2146 solutions fournies par le MOPSO.


UATL 2007

125

1.97 1.98 1.99 2 2.01 2.02 2.03 2.04 2.05 2.06 2.070.134

0.135

0.136

0.137

0.138

0.139

0.14

0.141

Lambda (pu)

Per

tes

acti

ves

(pu

)MOPSO

NSPSO

Figure 5.28 Frontières de Pareto de NSPSO et MOPSO avec SVC.

1.65 1.7 1.75 1.8 1.85 1.9 1.95 2 2.05 2.10.13

0.135

0.14

0.145

0.15

0.155

0.16

0.165

Lambda (pu)

Per

tes

acti

ves

(pu

)

MOPSO

NSPSO

Figure 5.29 Frontières de Pareto de NSPSO et MOPSO avec le TCSC.


UATL 2007

126

La Figure 5.30, représente la frontière du Pareto des deux algorithmes avec la prise en compte

des deux FACTS (SVC et TCSC). D’après la figure, on remarque que la frontière de Pareto générée

par le NSPSO domine celle fournie par le MOPSO. En revanche, l’algorithme MOPSO fournit une

frontière non dominée de 152 solutions contre 54 solutions données par le NSPSO.

1.9 1.95 2 2.05 2.1 2.15 2.2 2.25 2.3 2.350.13

0.135

0.14

0.145

0.15

0.155

0.16

0.165

0.17

0.175

Lambda (pu)

Per

tes

acti

ves

(pu

)

MOPSO

NSPSO

Figure 5.30 Frontières de Pareto de NSPSO et MOPSO avec le TCSC et le SVC.

5.6 CONCLUSION

Dans ce chapitre, nous avons discuté l’influence des différents composants du réseau sur la

stabilité statique de tension ainsi que sur les pertes actives et réactives. L’application a été effectuée

sur un réseau IEEE 14 nœuds. Deux modèles statiques de charge sont utilisés afin d’étudier l’impact

de la nature de la charge sur la stabilité statique de tension. D’après l’analyse, nous avons constaté

que le modèle classique de la charge (PQ constante) est le plus néfaste sur la stabilité de tension ;

Par contre, une charge à admittance constante donne une meilleure marge de stabilité de la tension.

Le problème du choix de l’emplacement de deux types de FACTS a été discuté, ainsi que leur

influence sur la stabilité de tension et sur les pertes actives et réactives du réseau.


UATL 2007

127

Nous avons ensuite développé une nouvelle version des algorithmes de base de PSO, NSPSO et

MOPSO afin d’introduire les variables discrètes dans le problème d’optimisation. Le PSO a été

appliqué sur deux problèmes d’optimisation mono-objectif complètement indépendants, à savoir la

réduction des pertes actives et la maximisation de la marge de stabilité de tension. Puis nous avons

regroupé les deux fonctions mono-objectif afin de former un problème d’optimisation multi-

objectif. La solution de ce dernier a été assurée par la méthode NSPSO. Les résultats de simulation

montrent l’efficacité de la méthode proposée qui a assuré la convergence vers la frontière de Pareto

pour plusieurs cas de simulations.

Finalement, une étude comparative a été menée entre la méthode NSPSO et MOPSO en terme de

distribution, du nombre, et de l’optimalité des solutions sur la frontière de Pareto. Les résultats de

simulation montrent que NSPSO est plus performent que MOPSO dans, presque, tous les scénarios

simulés. En revanche, le point fort de MOPSO réside dans le nombre élevé des solutions optimales

ainsi que la bonne distribution des ces dernières sur la frontière de Pareto. En plus, les deux

méthodes proposées dans ce mémoire n’imposent aucune limitation sur le nombre de fonctions à

optimiser. Ce qui laisse entrevoir, à l’avenir de futures applications avec plusieurs objectifs.

CONCLUSION GENERALE

UATL 2007 128

CONCLUSION GENERALE

Dans ce travail, nous avons traité le problème de la stabilité statique de tension des réseaux

électriques. Des notions de base sur la stabilité de tension ont été présentées dans ce mémoire.

L’étude paramétrique de la stabilité de tension sur un réseau test à deux nœuds indique que le

modèle de la charge a une influence remarquable sur la stabilité statique de tension, de telle sorte

que la modélisation classique de la charge (PQ constantes) fournit la marge de la stabilité de tension

la plus néfaste sur le réseau, tandis que, le modèle à admittance constante fournit la meilleure marge

de stabilité. Donc, on conclut que, la prise en compte du modèle de la charge est indispensable pour

une analyse efficace de la stabilité de tension.

L’utilisation d’un indice efficace pour l’évaluation de la stabilité de tension, est l’un des objectifs

de ce mémoire; pour ce fait, la marge de stabilité de tension a été utilisée et calculée par

l’algorithme d’écoulement de puissance en continu. Ce dernier a montré ses capacités a surmonter

les problèmes de la singularité de la matrice Jacobienne rencontré dans l’écoulement de puissance

standard.

Le manque de puissance réactive contribue favorablement à une instabilité de tension,

notamment lorsque les générateurs arrivent à leurs limites de production d’énergie réactive. De ce

fait, une compensation appropriée permet d’améliorer et de contrôler la stabilité de tension.

L’introduction optimale des deux types of FACTS a savoir : le SVC et le TCSC a montré une

nette amélioration de la stabilité de tension. L’utilisation du facteur de sensibilité de tension comme

indice d’optimisation de l’emplacement du SVC a montré, pour le réseau d’application IEEE 14

nœuds, que le nœud optimal est le nœud 14. L’installation du SVC en ce nœud fournit une

meilleure amélioration de la stabilité de tension que les autres nœuds du réseau. D’un autre coté, le

choix optimal de la taille du SVC est basé sur un facteur de performance. L’optimisation de la taille

du SVC assure une meilleure amélioration de la stabilité de tension avec un coût minimal de

compensation. Le choix optimal du site du TCSC est la ligne qui fournit la meilleure marge de

stabilité de tension, ce qui correspond dans notre cas a la ligne 1-5. La combinaison entre les deux

types de FACTS donne la meilleure marge de stabilité de tension par rapport a l’utilisation d’un

seul type de FACTS (SVC ou TCSC).

CONCLUSION GENERALE

UATL 2007 129

Deux types d’optimisation sont ensuite traités dans ce mémoire : optimisation mono-objectif et

multi-objectif. La formulation du problème d’instabilité de tension comme un problème

d’optimisation (mono-objectif et multi-objectif) a été développée. Plusieurs variantes de la méthode

d’optimisation par essaim de particules à savoir : la méthode de base PSO, NSPSO (Non dominated

Sorting Particle Swarm Optimzation) et MOPSO (Multi-objective Particle Swarm Optimization)

sont appliquées. Ces méthodes sont modifiées afin de pendre en compte les variables continues

ainsi que les variables discrètes.

L’optimisation mono- objectif par PSO a été appliquée sur deux objectifs différents à savoir la

maximisation de la marge de stabilité de tension et la minimisation des pertes actives. Cette

optimisation a été effectuée pour plusieurs combinaisons de FACTS. Les résultas obtenus montrent

que la combinaison entre le SVC et le TCSC donne la meilleure solution avec un nombre

d’itérations relativement réduit.

Le problème d’optimisation multi-objectif consiste à la minimisation des pertes actives et

l’augmentation de la marge statique de tension. Pour ce fait, deux variantes de PSO destinées à

l’optimisation multi-objectif ont été proposées. Les résultats de simulation montrent l’efficacité de

ces méthodes à converger vers la frontière de Pareto. Par la suite, une étude comparative entre les

deux méthodes proposées a été effectuée et a permis de tirer les conclusions suivantes :

- NSPSO converge vers la meilleure frontière non dominée par rapport au MOPSO.

- Le point fort de MOPSO réside dans le nombre élevé des solutions optimales ainsi que la

bonne distribution de ces dernières.

- Les deux méthodes proposées n’imposent aucune limitation sur le nombre de fonctions à

optimiser. Ce qui laisse entrevoir, à l’avenir de futures applications avec plusieurs objectifs.

PERSPECTIVES

Cette étude nous a permis de comprendre le phénomène d’effondrement de tension, les causes

qui la favorisent, et aussi les outils d’analyse nécessaires pour traiter ce problème. L’étude des

systèmes FACTS nous a permis de connaître et maîtriser un nouvel axe de recherche appliquée à la

régulation et à la conduite des réseaux électriques. L’application des algorithmes métaheuristiques

fut d’une grande utilité dans la résolution des problèmes multi-objectifs rencontrés dans cette étude.

CONCLUSION GENERALE

UATL 2007 130

Il reste, toutefois, beaucoup de voies à explorer afin de poursuivre et compléter notre travail, et

qui se résument, non exhaustivement, dans les points suivants :

Utilisation des autres équipements FACTS dans l’amélioration de la stabilité statique de la

tension des réseaux électriques à savoir : UPFC, SSSC, STATCOM,…etc.

L’étude et l’analyse de la stabilité de tension dynamique.

Etude comparative avec d’autres algorithmes métaheuristiques appliqués à l’optimisation

multi-objectif.

Le contrôle coordonné des Multi-FACTS dans un réseau électrique.

Application des Métaheuristiques dans le problème de placement optimal des Multi-

FACTS dans les réseaux électriques.

BIBLIOGRAPHIE

UATL 2007 129

BIBLIOGRAPHIE

[1] C.Barbier et J.P. Barret, “Analyse des Phénomènes d’écroulement de Tension sur un Réseaude Transport. “, RGE, Tome89, No.10, pp.672-690, Octobre 1980.

[2] H.G.Kwatny et al., “Static Bifurcations in electric Power Networks: Loss of Steady StateStability and Voltage Collapse. “, IEEE trans. CS, Vol. CAS-33, No. 10, pp.981-991,October 1986.

[3] H.Chiang et al., “On Voltage Collapse in Electric Power Systems. “, IEEE Trans. PS, Vol5,No. 2, pp.601-611, 1989.

[4] W.R.Lachs and D. Sutanto, “Voltage Instability in Interconnected Power System: aSimulation Approach. “, IEEE Trans. PS, Vol.7, NO.2, pp.753-761, May 1992.

[5] D. J. Hill and P. A. Lof, “Analysis of Long-Term Voltage Stability“, Proceedings of the 10th

PSCC, Graz, 1990.

[6] B.Gao et al., “Voltage Stability Evaluation Using Modal Analysis. “, IEEE Trans. PS, Vol.7,NO.4, pp.1529-1542, November 1992.

[7] N. Yorino et al., “An Investigation of Voltage Instability Problems.” IEEE Trans. PS, Vol.7No.4, pp.1529-1542, November 1992.

[8] P.A. Lof et al. “Voltage Stability Indices for Stressed Power Systems.” IEEE Trans. PS,Vol.8 No.1, pp.326-335, February 1993.

[9] B. Ha Lee and K. Y. Lee, “A Study on Voltage Collapse Mechanism in Electric PowerSystem.” IEEE Trans. PS, Vol.6 No.3, pp.966-974, August 1991.

[10] N.G. Hingorani and L. Gyugyi, “Understanding FACTS”, IEEE Press., NewYork, 2000.

[11] P. Kundur, et al. “Definition and Classification of Power System Stability,” IEEE Trans. onPower Systems, Vol. 19, No. 2, pp.1387-1401, May 2004.

[12] Yanfeng Gong, “Development of an Improved On-Line Voltage Stability Index UsingSynchronized Phasor Measurement.” PHD thesis, Mississippi State University, Mississippi,USA, December 2005.

[13] A. Laifa, ’’Evaluation de la Stabilité de Tension d’un Réseau d’énergie électriqueDéveloppement et Application Des Indices De Stabilité ‘’, thèse de Magister, EcoleNationale polytechnique, 27 juin 1995.

[14] A. Kazemi, and B. Badrzadeh, " Modeling and Simulation of SVC and TCSC to Study theirLimits on Maximum Loadability Point," Electrical Power and Energy Systems, Vol. 26, pp.619-626, Apr. 2004.

[15] T. J. Obverbye, “Use Of Energy Methods for On-Line Assessment of Power System VoltageSecurity”, IEEE Trans. on Power Systems, Vol. 8, No. 2, pp.452-458, May 1993.

BIBLIOGRAPHIE

UATL 2007 130

[16] F. D. Galiana, “Load Flow Feasibility and the Voltage Collapse Problem”, Proceedings of23rd conference on Decision and control, IEEEWP5-4:30, pp.485-487, December 1984.

[17] G. K. Morison et al. “Voltage stability Analysis using static and dynamic approaches”, IEEETrans. on Power Systems, Vol. 8, No. 3, pp.1159-1171, August 1993.

[18] T.G. Overbye et al. “Improved Techniques for Power System Voltage Stability AssessmentUsing Energy Methods”, IEEE Trans. on Power Systems, Vol., No. 4, pp.1446-1452,November 1991.

[19] Bodapatti Nageswararao, B .E, “Fuzzy-Expert System for Voltage Stability Monitoring andControl”, Master thesis, Faculty of Engineering and Applied Science Memorial University ofNewfoundland, Canada, February, 1998.

[20] Alexandre OUDALOV, “Coordinated Control of Multiple FACTS devices in an ElectricPower System,” Thèse PHD, Ecole polytechnique de Lausanne, Lausanne 2003.

[21] Talpasai Lakkaraju, “Selection of Pilot Buses for VAR Support and Voltage Stability RiskAnalysis”, Master of science thesis, Lane Department of Computer Science and ElectricalEngineering Morgantown, West Virginia, USA, 2006

[22] Tiranuchit. A., Thomas, R. J., “A posturing strategy against voltage instability in electricpower systems,” IEEE Transactions on Power Systems, Vol. 3, No. 1, pp. 87-93,

[23] Venkataramana Ajjarapu and Colin Cristy, "The Continuation Power Flow: A tool ForSteady State Voltage Stability Analysis, " IEEE Trans. on Power Systems, Vol. 7, No. 1, pp.416-423, 1992.

[24] H. Ghasemi, “On line monitoring and oscillatory stability margin prediction in power systembased on system identification”, PHD thesis, Electrical and computer Engineering waterloo,Ontario, Canada, 2006.

[25] William Rosehart, “Optimisation of the power systems with voltage security constraints”,PHD thesis, university of Waterloo, 2000.

[26] Inés Romero Navarro, “Dynamic Load Models for Power Systems, Estimation of Time-Varying Parameters during Normal Operation”, PHD thesis; Lund university, 2002.

[27] N.G Hingorani. “FACTS Technology and Opportunities,” IEE FCATS Colloquium, pages 1-10, 1994.

[28] N.G Hingorani and L. Gyugyi, “Understanding FACTS: Concepts and Technology ofFlexible AC transmission Systems,” IEEE press, New-York, 2000.

[29] E. Larsen and F. Sener, “FACTS Applications,” Technical report 96TP 116-0, IEEE FACTSWorking Group, 1996.

[30] Stéphane GERBEX, “ Metaheuristique Appliquées Au Placement Optimal De DispositifsFACTS dans un Réseau Electrique, “ thèse PHD, Ecole polytechnique de Lausanne,Lausanne 2003.

BIBLIOGRAPHIE

UATL 2007 131

[31] E. G. Shahraki, ‘’Apport de l’UPFC à l’amélioration de la stabilité transitoire des réseauxélectriques ‘’, thèse de Doctorat, université Henri Poincaré, Nancy-I, 13 Octobre 2003.

[32] A. Edris et al. ‘’ Proposed Terms and Definition of FACTS,” IEEE trans. on power delivery,12(4):1884-1853, October 1997.

[33] Claudio A. Canizaires and Zeno T Faur, “Analysis of SVC and TCSC Controllers in VoltageCollapse”, IEEE Transactions on Power Systems, Vol. 14, No. 1, February 1999,pp.158-165

[34] Y. Colletto et P. Siarry, ” Optimisation Multi-objectif,” EYROLLES, Nov. 2002.

[35] K.Y. Lee and F. F. Yang, “Optimal Reactive Power Planning using EvolutionaryAlgorithms: a comparative study for Evolution Programming, Evolutionary Strategy,Genetic Algorithm and Linear Programming”, Transaction on Power System, IEEE, 1998.

[36] F. L. Alvarado, “Solving Power Flow Problems with a MATLAB Implementation of thePower System Application Data Dictionary”, Proc of the 32nd Hawaii InternationalConference on System Sciences, IEEE, 1999.

[37] S. Kirkpatrick et al. “Optimization by Simulated Annealing”, Science, 220:671-680, 1983.

[38] F. Glover, “Tabu Search”, Caai report 88-3, university of Colorado, Boulder, 1988.

[39] D.E Goldberg, “Genetic algorithm in search”, Optimization and machine Learning. Addison-Wesley, 1989.

[40] J.H. Holland, “Adaptation in Natural and Artificial Systems”, university of Michigan Press,Ann Arbor, 1975.

[41] R. Eberhart, and J. Kennedy, "Particle Swarm Optimization," Proc. of IEEE InternationalConf. on Neural Networks, Vol. 4, pp. 1942–1948, 1995.

[42] R. Eberhart, and J. Kennedy, “Swarm Intelligence”, Morgan Kafmann Publisers, 2001.

[43] I. N. Kassabalidis, Dynamic Security Border Identification Using Enhanced Particle SwarmOptimization, IEEE Transactions on Power System, VOL. 17, NO. 3 AUGUST 2002.

[44] Jong-Bae Park et al. “A Particle Swarm Optimization for Economic Dispatch with Nonsmooth Cost Function, IEEE Transactions On Power System, Vol. 20, No. 1 February 2005.

[45] J. Kennedy and R. C. Eberhart, Swarm Intelligence. San Francisco, CA: Morgan Kaufmann,2001.

[46] L. Kartobi,” Optimisation de la Synthèse des FACTS par les Algorithmes Génétiques et lesEssaims Particulaires pour le contrôle des Réseaux Electriques ”, thèse Magister, ENP,Décembre 2006.

[47] IEEE Committee Report. ” Tutorial on Modern Heuristic Optimization Techniques withApplications to Power Systems”. IEEE Power Engineering Society, 02TP160, 2002.

BIBLIOGRAPHIE

UATL 2007 132

[48] C.A. Coello Coello, and M. Salazar Lechuga, "MOPSO: A proposal for multiple objectiveparticle swarm optimization," Congress on Evolutionary Computation IEEE Service Center,Piscataway, New Jersey 2002, pp. 1051-1056.

[49] X. Hu, and R. Eberhart, "Multiobjective optimization using dynamic neighborhood particleswarm optimization," Congress on Evolutionary Computation IEEE Service Center,Piscataway, New Jersey 2002, pp. 1677-1681.

[50] K.E. Parsopoulos et M.N. Vrahatis. “Particle Swarm Optimization Method in MultiobjectiveProblems”. In Proceedings of the 2002 ACM Symposium on Applied Computing (SAC2002), pages 603-607, 2002.

[51] G. T. Pulido and C.A. Coello Coello, “Using clustering techniques to improve theperformance of a multi-objective particle swarm optimizer,” Proc. of the Genetic andEvolutionary Computation Conference, Seattle, Washington, USA 2004, In Springer-Verlag,Lecture Notes in Computer Science, June 2004, 3102, pp. 225-237.

[52] J.E. Fieldsend and S. Singh. “A Multi-Objective Algorithm based upon Particle SwarmOptimisation, an Efficient Data Structure and Turbulence”. In Proceedings of UK Workshopon Computational Intelligence (UKCI'02), pages 3744, Birmingham, UK, Sept. 2-4, 2002.

[53] S. Mostaghim and J. Teich. “Strategies for finding good local guides in multi-objectiveparticle swarm optimization (MOPSO). In IEEE 2003 Swarm Intelligence Symposium,2003.

[54] X. Li. “A non-dominated sorting particle swarm optimizer for multiobjective optimization”.Proc. of Genetic and Evolutionary Computation, In Springer-Verlag Lecture Notes inComputer Science, 2003, 2723, pp. 37-48.

[55] K. Deb, “Multi-objective optimisation using evolutionary algorithms “, John Wiley andSons, Chichester, UK.

[56] PSAT Version 1.3.4, Software and Documentation, copyright ©2002-2005 Federico Milano,July 14, 2005. http://thunderbox.uwaterloo.ca/~fmilano

[57] P. Kundur, Power System Stability and Control, McGraw-Hill, New York, 1994.

[58] Z.T.Faur, "Effects of FACTS Devices on Static Voltage Collapse Phenomena," M.S.dissertation, Dept. Elect. Eng., Univ. of Waterloo, 1996.

[59] N. Martin and L.T.G Lima, “Determination of Suitable Location for Power SystemStabilizers and Static Var Compensators of Damping Electromechanical Oscillations inLarge Scale Power Systems”, IEEE Trans. Power system, 5(4):1455-1469, November 1990.

[60] N. Noroozian and G. Anderson, “Damping of Power System Oscillations by use ofControllable Components”, IEEE Trans. Power Deliver, 9(4):2046-2054, October 1994.

[61] L. Rouco and F.L. Pagola, “Damping of Electromechanical Oscillations of Power Systemwith Controllable Phase Angle Regulator: Location and controller Design”, Proc. of the 28thNorth America Power symposium, MIT, pages 249-256, November 1996.

BIBLIOGRAPHIE

UATL 2007 133

[62] J. Griffin, D.Atanackovic, and F.D. Galiana, “A Study of The Impact of FACTS on TheSecure-Economic Operation of Power System”, 12th power system computation Conference,pages 1077-1082, August 1996.

[63] F.D Galiana, et al. “Assessment and Control of the Impact of FACTS Devices on PowerSystem Performance “IEEE Trans. Power system, 11(4): 1931-1936, November 1996.

[64] M.H. Haque “Optimal Location of Shunt Facts Devices in Long Transmission Lines”, Proc.Gener. Transm. Distrib. 147(4):218-222, July 2000.

[65] M.A. Pérez, et al. “Application of FACTS Devices to Improve Steady State VoltageStability”. Power Engineering Society Summer Meeting 2:1115-1120, 2000.

[66] C.S. Chang et al. “Optimal SVC Placement for voltage stability reinforcement”, ElectricalPower System Research, 42:165-172,197.

[67] G. Wu, A. Yokoyama, “Allocation and Control Devices for Steady-State stabilityenhancement of large scale power system”, International conference on power systemtechnology, Beijing, 1:357-361, August 1998.

[68] E.E. Elaraby, “A Tow level Hybrid GA/SLP for FACTS Allocation problem ConsideringVoltage security”, electrical power system research, 25:327-335, 2003.

[69] A.Z. Gamm and I.I. Golub, “Determination of location for FACTS and Energy storage bythe Singular analysis”, Inter. Conf. on P.S. Technology, POWERCON’98, 1:411-414, 1998.

[70] P.Preedavichid et al. “Optimal reactive power dispatch considering FACTS Devices”, Elec.Power System Research, 46(3):251-257, September 1998.

[71] N.Schnurr et al. “Load Flow Control with FACTS devices in competitive Markets”,Conference on Electric utility deregulation and structuring and Power technologies, pages14-22, April 2000.

[72] Y. Xiao et al. “Application of stochastic programming for Available Transfer CapabilityEnhancement using facts devices”, Power Engineering Society Summer Meeting, 1:508-515,2000.

[73] C.A. Canizares et al. “using FACTS controllers to maximize Available transfer Capacity.Bulk Power system Dynamics and control IV restructuring, Santorini, pages 1-7, August1998.

[74] R. Rajaraman, et al. “determination of location and amount of series compensation toincrease power transfer capability”, IEEE trans. Power system, 13(2):294-299, May 1998.

[75] S.N Singh et al. “Optimal location of FCATS devices for congestion management”, electricpower system research, 58(2)71-79, 2001.

[76] S.N Singh et al. “Congestion management by optimizing facts devices location”, conferenceon electric utility deregulation and restructuring and power technologies, pages, 23-28, April2000.

BIBLIOGRAPHIE

UATL 2007 134

[77] S. Kim et al.” Enhancement of power security trough the power flow control of UPFC”,Power Engineering Summer meeting, 1:38-43, 2000.

[78] E.J. deOliveria, et al. “Flexible AC transmission devices: Allocation and transmissionpricing”, Electrical power and energy systems, 21(2):111-118, February, 1999.

[79] T.T. Lie, “Optimal Flexible AC transmission System FACTS devices”, Electrical power andenergy systems, 19(2):125-134, February 1997.

[80] E.J. deOliveria, et al. “Allocation of FACTS devices in hydrothermal systems”, IEEE trans.Power system, 15(1):276-282, February 2000.

[81] V. Miranda, et al. “Experimenting in the optimal capacitor placement and control problemwith hybrid mathematical genetic algorithm”. Proceeding of the international conference onIntelligent System application to power system, ISAP 2001, pages 188-193, June 2001.

[82] P.Paterni et al. “optimal location of Phase shifters in the French network by geneticalgorithm”, IEEE trans. Power systems, 14(1):37-42, February 1999.

[83] F.G Lima et al. “Optimal location of phase shifters in competitive markets by mixed integerlinear programming”, proceeding of 14th power system computation conference (paper 2): 1-7 2002.

[84] S. Gerbex, “ Optimal location of FACTS devices in a power system using geneticalgorithm”, proceeding of 13th power system computation conference, PSCC’99,TRONDHEIM, 2:1252-1259,June 28-July 2 1999.

[85] S. Gerbex, “Optimal location of Multi-type FACTS devices in a power system by Means ofgenetic algorithm”, IEEE trans. Power systems, 16(3):537-544, August 2001.

[86] A.A. Ladjici, ’’ Calcul évolutionnaire application sur l’optimisation de la planification de lapuissance réactive”, thèse de Magister, Ecole Nationale polytechnique, 2005.

[87] Gabriela Hug-Glanzmann and G. Andersson, “Coordinated Control of FACTS Devicesbased on Optimal Power Flow” presented at the North American Power Symposium(NAPS), 23 - 25 October 2005, Ames, USA, 2005.

ANNEXE

UATL 2007

A1

ANNEXE A

A.1 PSAT

PSAT (Power System Analysis Toolbox) est un logiciel destiné à l’analyse et l’étude des réseaux

électriques, voir figure A.1. Il est développé sous MATLAB par Mr. Federico Milano ; Professeur,

Docteur à l’université de Castilla-La Mancha, Ciudad Real, Spain.

PSAT bénéficie largement des remarques et observations des chercheurs spécialisés dans le

réseau électrique via leurs contributions dans le forum de ce dernier

http://groups.yahoo.com/groups/psatforum. Pour cela, il a connu des améliorations remarquables

d’une version à une autre.

PSAT est un logiciel, simple, intéressant, qui englobe plusieurs domaines de recherche dans

l’étude et l’analyse des réseaux électriques. La manipulation de PSAT peut être effectuée, soit par

l’interface graphique, soit par la programmation en ligne en utilisant leurs fonctions prédéfinies.

Figure A.1 Interface graphique (GUI) du PSAT 1.3.4.

ANNEXE

UATL 2007

A2

A.2 Format des structures du PSAT

PSAT est basé sur le concept des structures afin d’enregistrer les paramètres du réseau ainsi que

les résultats de simulations. Chaque structure, englobe plusieurs champs des informations qui

assurent une description détaillée du système. Les principales structures du PSAT sont présentées

dans ce qui suit :

A.1.1 Bus

PSAT définit la topologie du réseau par la structure « Bus ». Cette dernière contient plusieurs

champs présentés comme suit :

Con: données des noeuds.

n : nombre total de noeuds.

int : indices des noeuds.

Pg : puissance active injectée par le générateur.

Qg : puissance réactive injectée par le générateur.

Pl : puissance active absorbée par la charge.

Ql : puissance réactive absorbée par la charge.

island : indice des nœuds dans les régions.

Les principales données des nœuds sont stockées dans le champ « Bus.con » présenté par le

tableau A.1

Tableau A.1 Format de la structure Bus.con

Colonnes Description Unité1 Nœud int2 Tension nominale kV3 Tension initiale pu4 Phase initiale de tension rad5 Numéro de secteur (n’a pas encore utilisé) int6 Numéro de région (n’a pas encore utilisé) int

A.1.2 Line

La structure « Line » définit les données des lignes ainsi que les transformateurs. Cette dernière

contient plusieurs champs présentés comme suit :

ANNEXE

UATL 2007

A3

con : données des lignes du réseau.

n : nombre total des lignes AC.

bus1 : noeuds de départ des lignes.

bus2 : noeuds d’arrivé des lignes.

Les principaux paramètres des lignes sont stockés dans le champ « Line.con » présenté par le

tableau A.2

Tableau A.2 Format de la structure Line.con

Colonnes Description Unité1 Nœud de départ int2 Nœud d’arriver int3 Puissance de base MVA4 Tension nominale kV5 Fréquence Hz6 Longueur de ligne km7 n’a pas utilisée -8 Résistance de la ligne pu9 Réactance de la ligne pu10 Susceptance de la ligne pu11 n’a pas utilisée -12 n’a pas utilisée -13 Limite du courant pu14 Limite de la puissance apparente pu15 Limite de la puissance active pu

A.1.3 PQ

La structure « PQ » englobe tous les paramètres de la charge. Cette dernière contienne plusieurs

champs présentés comme suit :

con : données des charges PQ ;

n : nombre total de charges PQ ;

bus: numéro des noeuds charges ;

P0: puissance active initiale (utilisé pour les charges non standard) ;

Q0: puissance réactive initiale (utilisé pour les charges non standard) ;

store: copie des données des noeuds charge (ce champs est utilisé dans le cas de

programmation sous PSAT).

Le format des données de la charge est présenté par le tableau A.3 :

ANNEXE

UATL 2007

A4

Tableau A.3 Format de la structure PQ.con

Colonnes Description Unité1 Numéro du Nœud de charge int2 Puissance de base MVA3 Tension nominale kV4 Puissance active pu5 Puissance réactive pu6 Tension minimale pu7 Tension maximale pu8 Permettre la conversion en impédance booléen

A.1.4 SW

La structure SW présente les données du nœud bilan (slack bus). Elle contient plusieurs champs

définis comme suit :

con: données de nœud bilan.

n: nombre total des nœuds bilan.

bus: numéro des nœuds bilan.

store: copie des données de nœud bilan (ce champs est utilisé dans le cas de programmation

sous PSAT).

Le format des données de nœud bilan est présenté dans le tableau A.1.4.

Tableau A.4 Format de la structure SW.con

Colonnes Description Unité1 Nœud bilan int2 Puissance de base MVA3 Tension nominale kV4 Amplitude de tension pu5 Angle de référence pu6 Puissance réactive maximale pu7 Puissance réactive minimale pu8 Tension maximale pu9 Tension minimale pu10 Puissance active pu11 Coefficient de participation de perte int

ANNEXE

UATL 2007

A5

A.1.5 PV

La structure « PV » englobe tous les paramètres des nœuds générateurs présentés dans leschamps suivants :

con : données de nœud générateur.

n : nombre total des nœuds générateurs.

bus : numéro des nœuds générateurs.

pq : ce champ est utilisé lorsque la limite d’énergie réactive des générateurs est considérée

(a) con : donnée de nœuds de charge.

(b) n : nombre totale des nœuds de charge.

(c) bus : numéro des nœuds PQ.

store : copie des données des nœuds générateurs. (ce champ est utilisé dans le cas de

programmation sous PSAT).

Les paramètres des nœuds générateurs sont présentés par le champ « PV.con » avec le formatillustré dans le tableau suivant :

Tableau A.5 Format de la structure PV.con

Colonnes Description Unité

1 Nœud générateur int2 Puissance de base MVA3 Tension nominale kV4 Puissance active pu5 Amplitude de tension pu6 Puissance réactive maximale pu7 Puissance réactive minimale pu8 Tension maximale pu9 Tension minimale pu10 Coefficient de participation de perte int

A.1.6 Shunt

La structure Shunt présente les éléments shunt du réseau. Elle est constitué de plusieurs champs

définis comme suit :

con: données des impédances shunt.

g: vecteur colonne des conductances à chaque nœud du réseau.

b : vecteur colonne des susceptances à chaque nœud du réseau.

ANNEXE

UATL 2007

A6

Les principaux paramètres des éléments shunt sont présentés dans la structure Shunt.con avec le

format illustré dans le tableau A.1.6.

Tableau A.6 Format de la structure Shunt.con


1 Numéro de noeud int

2 Puissance de base MVA

3 Tension de base kV

4 Fréquence Hz

5 Conductance pu

6 Susceptance pu

A.1.7 Svc

La structure « Svc » est allouée aux paramètres du SVC. Elle englobe plusieurs champs définis

comme suit :

con : données du SVC ;

n : nombre total des SVC ;

bus : numéro des nœuds qui contiens des SVC ;

bcv : indice de variable d’état bSVC ;

alpha: indice de variable d’état α ;

Vm: indice de variable d’état vm ;

Be : admittance équivalente bSVC ;

Vref: référence de tension Vref.

Les principaux paramètres du SVC sont présentés dans la structure « Shunt.con » avec le format

illustré dans le tableau A.1.7.

Tableau A.7 Format de la structure Svc.con


1 Nœud int

2 Puissance de base MVA

3 Tension nominale kV

4 Fréquence Hz

ANNEXE

UATL 2007

A7

5 Type du SVC int

6 Constant de temps de régulation Tr second

7 Gain Kr pu/pu

8 Tension de référence Vréf pu

9 susceptance maximale bmax pu

10 susceptance minimale bmin pu

ANNEXE B

B.1 Paramètres du réseau IEEE 14 noeuds

Tableau B.1 Bus.con

1 69.0 1.0 0 4.0 1.02 69.0 1.0 0 4.0 1.03 69.0 1.0 0 4 .0 1.04 69.0 1.0 0 4.0 1.05 69.0 1.0 0 4.0 1.06 13.8 1.0 0 2.0 1.07 13.8 1.0 0 2.0 1.08 18.0 1.0 0 3.0 1.09 13.8 1.0 0 2.0 1.010 13.8 1.0 0 2.0 1.011 13.8 1.0 0 2.0 1.012 13.8 1.0 0 2.0 1.013 13.8 1.0 0 2.0 1.014 13.8 1.0 0 2.0 1.0

Tableau B.2 Line.con

2 5 100.0 69.0 60.0 0 0 0.0570 0.1739 0.0340 1 0 0 0 06 12 100.0 13.8 60.0 0 0 0.1229 0.2558 0 1 0 0 0 012 13 100.0 13.8 60.0 0 0 0.2209 0.1999 0 1 0 0 0 06 13 100.0 13.8 60.0 0 0 0.0662 0.1303 0 1 0 0 0 06 13 100.0 13.8 60.0 0 0 0.0662 0.1303 0 1 0 0 0 06 11 100.0 13.8 60.0 0 0 0.0950 0.1989 0 1 0 0 0 011 10 100.0 13.8 60.0 0 0 0.0820 0.1921 0 1 0 0 0 09 10 100.0 13.8 60.0 0 0 0.0318 0.0845 0 1 0 0 0 014 13 100.0 13.8 60.0 0 0 0.1709 0.3480 0 1 0 0 0 07 9 100.0 13.8 60.0 0 0 0 0.1100 0 1 0 0 0 0

ANNEXE

UATL 2007

A8

1 2 100.0 69.0 60.0 0 0 0.0194 0.0592 0.0528 1 0 0 0 03 2 100.0 69.0 60.0 0 0 0.0470 0.1980 0.0438 1 0 0 0 03 4 100.0 69.0 60.0 0 0 0.0670 0.1710 0.0346 1 0 0 0 01 5 100.0 69.0 60.0 0 0 0.0540 0.2230 0.0492 1 0 0 0 05 4 100.0 69.0 60.0 0 0 0.0134 0.0421 0.0128 1 0 0 0 02 4 100.0 69.0 60.0 0 0 0.0581 0.1763 0.0374 1 0 0 0 05 6 100.0 69.0 60.0 0 5.0 0 0.2520 0 0.9320 0 0 0 04 9 100.0 69.0 60.0 0 5.0 0 0.5562 0 0.9690 0 0 0 04 7 100.0 69.0 60.0 0 5.0 0 0.2091 0 0.9780 0 0 0 08 7 100.0 18.0 60.0 0 1.3043 0 0.1762 0 1 0 0 0 0

Tableau B.3 SW.con

1 100 69 1.06 0 9.9 -9.9 1.2 0.8 02.324

01

Tableau B.4 PV.con

2 100 69 0.4000 1.0450 0.5000 -0.4 1.2 0.8 16 100 13.8 0 1.0700 0.2400 -0.06 1.2 0.8 13 100 69 0 1.0100 0.4000 0 1.2 0.8 18 100 18 0 1.0900 0.2400 -0.06 1.2 0.8 1

Tableau B.5 PQ.con

11 100 13.8 0.0350 0.0180 1.2000 0.8000 013 100 13.8 0.1350 0.0580 1.2000 0.8000 03 100 69 0.9420 0.1900 1.2000 0.8000 05 100 69 0.0760 0.0160 1.2000 0.8000 02 100 69 0.2170 0.1270 1.2000 0.8000 06 100 13.8 0.1120 0.0750 1.2000 0.8000 04 100 69 0.4780 0.0400 1.2000 0.8000 014 100 13.8 0.1490 0.0500 1.2000 0.8000 012 100 13.8 0.0610 0.0160 1.2000 0.8000 010 100 13.8 0.0900 0.0580 1.2000 0.8000 09 100 13.8 0.2950 0.1660 1.2000 0.8000 0

Tableau B.6 Svc.con

14 100 13.8 60 1 120 100 1.036 1.3 -1.3

Mémoire de Magister en Electrotechnique

Documents

Transcript of Mémoire de Magister en Electrotechnique