Download - Présentation stage G-SCOP

“ Heuristiques pour la gestion d'énergie dans les bâtiments intelligents ”

*Contexte du stage

*Description du problème

*MDA et projeteur vers CPLEX

*Validation du projeteur CPLEX

*Validation du service photovoltaïque

*Conclusion et perspectives

*Gestion de la consommation

d’électricité

*Utilisation de ressources

renouvelables

*Réduction des émissions de

gaz à effet de serre

*Appareils intelligents et

communicants

Il faut assurer:

*L’éfficacité énergétique des composants: meilleurs

rendements possibles.

*La conception efficace du système: éviter les

surdimensionnements, confort de l’usager.

*Le pilotage optimal du système: logiques de

contrôle/commande pour la gestion de l’intermittence

des sources d’énergie.

Travail existant:

* Structuration du problème de gestion de flux

énergétiques,

*Modèles mathématiques et informatiques décrivant les

services et le problème d’optimisation,

*Solveur intégré pour résoudre le problème d’optimisation,

Tâches demandées:

*Valider l’intégralité du prototype d’optimisation anticipative,

*Intégrer un autre solveur au système informatique existant en développant un projeteur de problèmes adapté,

*Comparer les résultats avec l’ancien solveur,

*Intégration du service photovoltaïque et analyse multicritère.

*Services fournisseurs d’énergie: Ex. Réseau EDF, Solaire

*Services à l’usager:

*Services Permanents: Ex. Chauffage

*Services Temporaires: Ex. Machine à laver, Four électrique

*Services Non supervisés: Ex. Eclairage, Ordinateur

Couche Anticipative

• Objectif: générer le plan d’affectation des ressources

en fonction des prédictions disponibles

• Flexibilité: basée sur les degrés de liberté offerts par

l’utilisateur

• Contrainte: l’énergie affectée moyenne

Couche réactive

• Objectif: adapter le plan d’affectation des ressources

pour faire face aux événements imprévus

• Flexibilité: basée sur les degrés de liberté offerts par le

fonctionnement des équipements

• Contrainte: puissance consommée maximale

Couche locale

• Objectif: suivre la consigne de la couche d’anticipation

et de la couche réactive en utilisant le contrôle

embarqué

• Flexibilité: régulation locale

• Contrainte: capacité de l’équipement

*Modèles de comportement des services

*Contraintes de conservation d’énergie

*Contraintes de satisfaction de l’usager (température,

date de début et date de fin)

*Fonction objective (compromis entre coût et satisfaction)

Formulation type programmation linéaire à variables

mixtes (MILP)

*Elaboration des modèles issus du logique métier des systèmes

indépendamment aux plateformes d’exécution,

*Transformation vers des modèles dépendants des

plateformes,

*Quatres niveaux de modélisation:

1. Modèle d'exigence (CIM) - Computation Independent Model

2. Modèle d'analyse abstraite (PIM) - Platform Independent

Model

3. Modèle de de conception concrète (PSM) - Platform

Specific Model

4. Code

+ getContinuousVariableValue()

+ getIntegerVariableValue()

+ getConstraintValue()

+ getObjective()

+ getStatus()

«interf ace »

+ Solution

solverRepresentation

name

index

lowerBound

upperBound

value

# Variable()

+ getName()

+ getIndex()

+ setSolverRepresentation()

+ getSolverRepresentation()

+ getLowerBound()

+ setValue()

+ getValue()

+ setLowerBound()

+ getUpperBound()

+ setUpperBound()

+ isRegistered()

+ getType()

+ CONSTANT

+ DOMAIN

«enumeration »

+ TYPE

+ Variable

# problemName

# problemType

# optimizationType

constraintCoeff icients

continuousVariables

integerVariables

constraints

objective

numberOf Variables

numberOf Constraints

+ MIPproblem()

+ createContinuousVariable()

+ createBinaryVariable()

+ createIntegerVariable()

+ createEqualityConstraint()

+ createGreaterEqualConstraint()

+ createLowerEqualConstraint()

+ setConstraintCoef f icient()

+ addObjectiveCoef ficient()

+ createSemiContinuousVariable()

+ solve()

+ solve()

+ getContinuousVariables()

+ getIntegerVariables()

+ getVariable()

+ getConstraints()

+ getConstraint()

+ getObjective()

+ getConstraintMatrixElements()

+ MIXED_INTEGER_PROGRAMING

+ LINEAR_PROGRAMMING

«enumeration »

+ PROBLEM_TYPE

+ MINIMIZATION

+ MAXIMIZATION

«enumeration »

+ OPTIMIZATION_TYPE

+ M IPproblem

constraintIndex

variableIndex

value

+ ConstraintCoef ficient()

+ getConstraintIndex()

+ getVariableIndex()

+ getValue()

+ ConstraintCoefficient

name

type

bound

index

solverRepresentation

# Constraint()

+ getName()

+ getIndex()

+ setSolverRepresentation()

+ getSolverRepresentation()

+ getType()

+ getBound()

+ LOWER_EQUAL

+ EQUAL

+ GREATER_EQUAL

«enumeration »

+ TYPE

+ Constraint

+ EqualityConstraint()

+ EqualityConstraint

+ GreaterEqualConstraint()

+ GreaterEqualConstraint

+ LowerEqualConstraint()

+ Low erEqualConstraint

- solver

+ GLPKproblem()

+ solve()

- _addVariable()

- _addConstraint()

+ GLPKproblem

solver

continuousVariables

integerVariables

constraints

problemType

+ GLPKsolution()




+ getObjective()

+ getStatus()

+ GLPKsolution

+ CPLEXproblem()

+ solve()

- f indConstraintCoef f icients()

+ CPLEXproblem

iloCplex

continuousVariables

integerVariables

constraints

problemType

+ CPLEXsolution()

+ getObjective()

+ getStatus()




+ CPLEXsolution

*Création d’un modèle CPLEX vide ;

*Parcourir les variables (entières et réelles) du problème qui sont générées à partir du métamodèle et les ajouter au modèle CPLEX ;

*Parcourir les coefficients qui multiplient les variables de chaque contrainte du problème ;

*Former les expressions numériques qui représentent ces contraintes et les ajouter au modèle ;

*Former la fonction objectif de la même façon que les contraintes ;

*Entrer le type d’optimisation (maximisation/minimisation).

0

2

4

6

8

0 2 4 6 8 10 12 14 16 18 20 22

Température de l'air à l'extérieur (°C)

0

50

100

150

200

250

300

350

400

0 2 4 6 8 10 12 14 16 18 20 22

Radiation solaire (W/m2)

0

0.2

0.4

0.6

0.8

1

0 2 4 6 8 10 12 14 16 18 20 22

Coût d'électricité (€/kWh)

0

500

1000

1500

2000

2500

3000

3500

4000

0 2 4 6 8 10 12 14 16 18 20 22

Puissance disponible(W)

Température préférée : 294 K (21°C)

Puissance maximale : 1000 W

Ecart toléré : 288 K – 303 K Constante de temps : 1000 s

Température initiale : 294 K (21°C)

Gain : 0.03 K/W

Température en absence : 298 K (16°C)

Priorité : 1

•Service Chauffage :

Température préférée : 279 K (6°C)

Constante de temps : 56000 s

Ecart toléré : 280 K – 275 K Gain : -0.6 K/W

Température initiale : 279 K (7°C) Priorité : 1


•Service Réfrigérateur

Température préférée : 265K (-8°C)

Constante de temps : 70000 s

Ecart toléré : 258 K – 268 K Gain : -0.36 K/W

Température initiale : 268 K (-5°C)

Priorité : 1


•Service Congélateur

Date de fin préférée : 18h Puissance maximale : 2000 W

Ecart toléré : 13h – 21h Priorité : 1

Durée : 1.5h

•Service Machine à laver

• Charges non contrôlées

Puissance moyenne : 700 W

*Résultats expérimentaux:

851 contraintes

107 variables entières

413 variables réelles

Temps d’exécution: 0.09 sec

ScénarioModèle Basique

Fenêtre 4h

Modèle confort

Fenêtre 4h

5T 0.02 s 3.2 s

6T 0.02 s 14 s

7T 7.44 s 16 s

8T 15 s 145 s

9T 782 s 2574 s

10T >8000 s >7000s

*Coût d’électricité constant pendant toute la journée

*Formulation mathématique et intération du service

photovoltaïque dans le code

*Même scénario (sans le service congélateur)

*Résultats expérimentaux:

850 contraintes

107 variables entières

388 variables réelles

Temps d’exécution: 0.06 sec

Timed service: 8-16-23

Ponderation for dissatisfaction: 1

Timed service: 8-16-23

Ponderation for dissatisfaction: 0,001

Contribution:

*Validation de l’intégralité du prototype d’optimisation anticipative,

*Intégration du solveur CPLEX au système informatique existant en développant un projeteur de problèmes adapté,

*Amélioration remarquable des résultats par rapport au solveur GLPK,

*Intégration du service photovoltaïque et analyse multicritère par agrégation.