Un modèle évolutif permet une utilisation plus efficace et plus intelligente du réseau, rapportent des chercheurs

Les bâtiments consomment environ 75% de l’électricité utilisée aux États-Unis et, sans changements significatifs, ce nombre devrait augmenter au cours des prochaines décennies. Une réponse existe potentiellement dans les ressources renouvelables, mais elles sont en proie à l’incertitude quant au moment où le soleil pourrait briller, quand le vent pourrait souffler et comment se connecter au mieux au réseau. Il peut y avoir une méthode pour contrôler la folie, cependant, selon Greg Pavlak, professeur adjoint d’ingénierie architecturale à Penn State.

Des modèles informatiques pour optimiser la façon dont un bâtiment utilise les énergies renouvelables existent, mais ont tendance à faiblir à mesure que le nombre de bâtiments dont ils ont besoin pour optimiser augmente, a déclaré Pavlak. Pavlak et ses collaborateurs ont développé un modèle évolutif spécifiquement pour contrôler de grands groupes de bâtiments et leur demande énergétique dans des paramètres opérationnels réalistes. Ils ont publié leur approche dans le Journal du stockage de l’énergie.

“Notre approche nous permet de contrôler de grands portefeuilles de bâtiments de manière intelligente, en utilisant les énergies renouvelables et le stockage thermique”, a déclaré Pavlak. “Pour prendre ces décisions de contrôle, nous devons tenir compte de l’incertitude. Il y a beaucoup d’inconnues : quel temps fait-il, que font les gens, quel est le coût actuel de l’énergie et plus encore. Notre modèle prend en compte toutes ces incertitudes pour développer le meilleur projet.”

Le modèle applique une optimisation stochastique prédictive, ce qui signifie que les variables sont incertaines mais ont des distributions probables. Par exemple, s’il y a 80 % de chances qu’il pleuve demain, le modèle peut raisonnablement prédire qu’il y aura moins de rayonnement solaire sur le réseau, mais qu’il fera également plus frais, de sorte qu’il faudra peut-être moins d’électricité pour alimenter le climatiseur dans une suite. de bâtiments.

“Nous avons développé un contrôleur de supervision basé sur la résolution d’un problème de planification stochastique suivi de la résolution d’une séquence de problèmes opérationnels en temps réel”, a déclaré Pavlak. “Essentiel à la mise en œuvre pratique de ce cadre, nous proposons une mise en œuvre parallèle d’une méthode de gradient à variance réduite basée sur le lissage qui affiche le taux optimal et la complexité de l’échantillon quasi optimale qui peut évoluer avec un certain nombre de scénarios.”

En d’autres termes, le cadre a deux fonctions clés. La première consiste à créer un plan journalier pour les opérations de construction basé sur divers scénarios réels, tels que la météo ou l’occupation des bâtiments, dont les estimations sont tirées de l’historique et des prévisions récentes. La seconde est l’optimisation en temps réel pour ajuster le plan en fonction des conditions réelles. La solution optimisée est combinée aux prévisions journalières et, ensemble, le cadre peut résoudre efficacement la question de la demande à toutes les échelles, selon Pavlak.

L’équipe a simulé deux études de cas pour comparer leur solution aux approches traditionnelles afin de tester l’efficacité, l’évolutivité et les résultats par rapport aux informations connues. Ils ont utilisé deux dates passées avec des variables connues pour la comparaison. En moyenne, leur solution permettait d’économiser environ 50 $ par jour et jusqu’à 150 $ par jour.

L’algorithme de solution proposé est plus évolutif que les solveurs de pointe actuels en termes d’utilisation de la mémoire de l’ordinateur et de temps de traitement, selon Pavlak.

“Cela signifie que nous pouvons désormais résoudre des problèmes de prise de décision dans le monde réel qui impliquent une incertitude dans de nombreux bâtiments, systèmes et appareils”, a déclaré Pavlak.

Le nouveau modèle est le point de départ de la possibilité, a déclaré Pavlak, en particulier à mesure que les nouvelles structures du marché de l’énergie qui intègrent plus directement des ressources flexibles évoluent.

“Nous commençons à développer des modèles plus simples qui évoluent vers des nombres plus importants, ce qui se traduit par des mécanismes de contrôle plus économiques et efficaces”, a déclaré Pavlak. “Nous préparons les outils d’aide à la décision qui seront nécessaires pour ces nouveaux marchés de l’énergie à l’avenir.”