THESE

pour l’obtention du grade de

DOCTEUR de l’UNIVERSITE
DE TECHNOLOGIE DE TROYES
Spécialité : INGENIERIE SOCIOTECHNIQUE DES CONNAISSANCES,
DES RESEAUX ET DU DEVELOPPEMENT DURABLE

présentée et soutenue par

Joelle KLAIMI
le 16 février 2017

Gestion multi-agents des smart grids intégrant un

système de stockage : cas résidentiel

JURY
PROFESSEUR DES UNIVERSITES
M. S. MARTIN Président
PROFESSEURE TELECOM SUD PARIS
Mme H. CHAOUCHI Rapporteur
ENSEIGNANT CHERCHEUR
M. M. IBRAHIM Examinateur
PROFESSEUR
M. A. JRAD Directeur de thèse
PROFESSEUR DES UNIVERSITES
M. R. LANGAR Examinateur
Mme L. MERGHEM-BOULAHIA MAITRE DE CONFERENCES - HDR Directrice de thèse
Mme R. RAHIM-AMOUD ENSEIGNANT CHERCHEUR Directrice de thèse
M. S.-M. SENOUCI PROFESSEUR DES UNIVERSITES Rapporteur
Remerciements
”Soyons reconnaissants aux personnes qui nous donnent du bonheur;
elles sont les charmants jardiniers par qui nos ˆames sont fleuries. Marcel
Proust”. Il est difficile de r´ediger un seul paragraphe de remerciements
surtout lorsque je r´ealise tout ce que je dois `a tant de personnes que j’ai eu
le plaisir de croiser ces trois derni`eres ann´ees.
Mes premiers remerciements vont `a mes trois directeurs de th`ese pour la
confiance qu’ils m’ont accord´ee en acceptant d’encadrer ce travail, pour
leurs multiples conseils et pour toutes les heures qu’ils ont consacr´ees `a
diriger cette recherche. Je remercie Leila Merghem-Boulahia qui fut pour
moi une directrice attentive et disponible. Sa comp´etence, sa rigueur
scientifique et sa clairvoyance m’ont beaucoup appris et resteront des
moteurs de mon travail de chercheur. Je remercie ´egalement Rana Rahim-
Amoud pour le temps qu’elle a consacr´e pour m’encadrer et pour ses
conseils scientifiques pr´ecieux. Je remercie Akil Jrad pour sa pr´esence
encourageante.
Mes vifs remerciements vont `a Hakima Chaouchi et Sidi-Mohammed
Senouci, d’avoir accept´e de rapporter mon travail. Je les remercie pour la
lecture approfondie et l’´evaluation de cette th`ese. Je remercie ´egalement
Marc Ibrahim, Rami Langar et Steven Martin qui ont accept´e d’´evaluer ce
travail en tant qu’examinateurs.
Je remercie ´egalement Mohammad Khalil, le directeur du centre Azm de
recherche qui a ´et´e la premi`ere personne qui a cru en moi et m’a encourag
´e pour faire une th`ese. Je remercie aussi tous les membres du centre Azm
et tous mes coll`egues qui ont cr´e´e une bonne ambiance de travail durant
ces 3 ann´ees. Mes remerciements vont aussi aux membres de l’´equipe ERA
de l’UTT pour leur accueil chaleureux.
De grands remerciements `a mes amis troyens (ils sont nombreux et se
reconnaitront) ou plutˆot ma famille Troyenne, qui m’ont apport´es le
support, le soutien et la joie. Merci en particulier `a Zeinab. Merci `a mes
amis qui m’ont toujours encourag´ee et soutenue et particuli`erement Chaza
qui a ´et´e toujours pr´esente pour moi.

I
Remerciements

Les mots les plus simples ´etant les plus forts, j’adresse toute mon affection
`a ma famille. J’adresse de tout mon cœur mes remerciements `a ma m`ere
Georgette et `a mon p`ere Elie, qui ont jou´e un rˆole essentiel pendant mon
 II

parcours, sans qui aucune r´eussite n’aurait ´et´e possible. Leur intelligence,
leur confiance, leur tendresse, leur amour m’ont toujours guid´ee. Je
remercie ´egalement mes deux fr`eres Kamil et Rami qui m’ont pouss´e
toujours vers la r´eussite.
Enfin, mes remerciements vont `a une personne que rien ne pourrait r
´ecompenser, cet acteur principal derri`ere la r´eussite de ce travail, la
personne qui a tout sacrifi´e et qui ´etait toujours de mon cˆot´e, `a mon
merveilleux fianc´e Hanna.
Table des matières
Remerciements I
Table des figures VII
Liste des tableaux XI
Résumé 1
Abstract 3
Introduction générale 5
1 Réseaux electriques intelligents 9
1.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
1.2 Contraintes du système électrique unidirectionnel . . . . . . . 11
1.2.1 Paysage énergétique et environnemental actuel . . . . 11
1.2.2 Problématiques auxquelles doit faire face le secteur
énergétique . . . . . . . . . . . . . . . . . . . . . . . . 13
1.2.3 Besoin d’un réseau plus interactif . . . . . . . . . . . . 14
1.3 Evolution du systeme ´electrique : ´emergence du concept de
smart grids . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
1.3.1 Une plaque ´energ´etique avec plusieurs fonctionnalit´es . 15
1.3.2 Caract´eristiques et fonctionnalit´es des r´eseaux intelli-
gents . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
1.4 Conclusion ............................ 21
2 Gestion de l’´energie dans les r´eseaux intelligents : D´efinitions
et objectifs 23
2.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
2.2 D´esagr´egation de la demande ´energ´etique ........... 24

III
TABLE DES MATIERES`
 IV

2.3 Int´egration des ´energies renouvelables dans les smart

grids . . 26
2.3.1 Energies renouvelables utilis´ees dans les smart
grids . 26
2.3.2 Avantages et probl`emes des ´energies
renouvelables . . 27
2.4 Satisfaction des demandes ´energ´etiques . . . . . . . . . . . . .
28
2.4.1 D´efinition de la gestion de l’´energie dans les smart
grids 28
2.4.2 DR : un programme de gestion de l’´energie dans les
smart grids . . . . . . . . . . . . . . . . . . . . . . . . 29
2.5 Syst`emes de stockage intelligents . . . . . . . . . . . . . . . .
31
2.5.1 D´efinition et caract´eristiques des syst`emes de
stockage
intelligents . . . . . . . . . . . . . . . . . . . . . . . . 31
2.5.2 Les diff´erents types de syst`emes de stockage . . . . . .
32
2.6 Objectifs de la gestion de l’´energie . . . . . . . . . . . . . . .
34
2.7 Conclusion ............................

3 Gestion de l’´energie dans les r´eseaux intelligents : Solutions

existantes et besoins37
3.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . .
3.2 Les outils utilis´es pour la gestion de l’´energie .........
38
3.2.1 Les syst`emes multi-agents (SMA) . . . . . . . . . . . .
38
3.2.2 Pr´ediction de l’´energie et strat´egies de contrˆole en temps r
´eel pour la gestion de l’´energie sans SMA . . . 44
3.2.3 Algorithmes d’optimisation utilis´es pour la gestion
de
l’´energie . . . . . . . . . . . . . . . . . . . . . . . . . . 48
3.3 Limites des algorithmes existants . . . . . . . . . . . . . . . .
50
3.4 Besoin d’une nouvelle solution pour la gestion de l’´energie
.. 51
 3.5 Solution propos´ee pour une meilleure int´egration des
´energies
renouvelables . . . . . . . . . . . . . . . . . . . . . . . . . . .
3.6 Conclusion ............................

4 ANEMAS : Gestion de l’´energie `a base d’agents dans les smart grids

55
4.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . .
4.2 Motivations . . . . . . . . . . . . . . . . . . . . . . . . . . . .
4.3 Sc´enario mis en œuvre . . . . . . . . . . . . . . . . . . . . . .
4.4 Approche d´ecentralis´ee pour la gestion de l’´energie dans
les
smart grids . . . . . . . . . . . . . . . . . . . . . . . . . . . .
4.4.1 Proposition de gestion multi-niveaux de l’´energie . . . 59 4.4.2
Syst`eme multi-agents utilis´e : Sc´enarios et conditions
`a prendre en consid´eration . . . . . . . . . . . . . . . .
61
4.4.3 Description de l’algorithme propos´e : ANEMAS . . . .
64
TABLE DES MATIERES` V

4.5 Evaluation des performances de l’approche propos´ee . . . . . 70

4.5.1 Param`etres des simulations r´ealis´ees . . . . . . . . . . 71
4.5.2 Description et discussion des r´esultats obtenus . . . . 72
4.6 Conclusion ............................ 76

5 BADIS : Maximiser la dur´ee de vie de la batterie avec un syst`eme

multi-agents 77
5.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . 77
5.2 Sc´enario mis en œuvre . . . . . . . . . . . . . . . . . . . . . . 78
5.3 Approche pour minimiser la fr´equence de d´echarge de la batterie 79
5.3.1 N´ecessit´e d’augmenter la dur´ee de vie de la batterie . 80
5.3.2 Description de BADIS . . . . . . . . . . . . . . . . . . 81
5.4 Int´egration de l’algorithme d’allocation ´equitable de l’´energie 84
5.5 Evaluation des performances de BADIS ............ 86
5.5.1 Param`etres des simulations . . . . . . . . . . . . . . . 86
5.5.2 Description et analyse des r´esultats des simulations . . 88
5.6 Conclusion ............................ 96
 VI

6 LOMI : Minimiser les pertes d’´energie au sein des smart grids

97
6.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . 97
6.2 Motivations . . . . . . . . . . . . . . . . . . . . . . . . . . . . 98
6.3 Minimiser les pertes au sein des smart grids . . . . . . . . . . 98
6.3.1 Identification des pertes dans les smart grids ..... 99
6.3.2 Description de LOMI . . . . . . . . . . . . . . . . . . 101
6.4 Evaluation des performances de LOMI . . . . . . . . . . . . . 106
6.4.1 Sc´enarios et param`etres des simulations . . . . . . . . 107
6.4.2 R´esultats num´eriques et analyse . . . . . . . . . . . . 107
6.5 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . 114

7 Int´egration d’un algorithme d’optimisation dans la gestion de

l’´energie 115
7.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . 115
7.2 Optimisation de l’achat de l’´energie . . . . . . . . . . . . . . . 116
7.2.1 Algorithmes g´en´etiques . . . . . . . . . . . . . . . . . 116
7.2.2 D´efinition du mod`ele d’optimisation . . . . . . . . . . 117
7.2.3 Algorithme d’optimisation g´en´etique modifi´e (AGM) . 119
7.2.4 R´esultats des simulations . . . . . . . . . . . . . . . . 124
[Link] Param`etres des simulations . . . . . . . . . . 124
[Link] R´esultats num´eriques . . . . . . . . . . . . . 125
TABLE DES MATIERES`

7.3 N´egociation niveau 2 . . . . . . . . . . . . . . . . . . . . . . . 128

7.3.1 Probl´ematique `a r´esoudre . . . . . . . . . . . . . . . . 128
7.3.2Proposition de gestion de l’´energie au niveau 2 . . . .
129
7.3.3 R´esultats . . . . . . . . . . . . . . . . . . . . . . . . . 131
7.4 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . 133

Conclusion g´en´erale

Perspectives

Liste des publications

Bibliographie
Table des figures
1.1 Evolution de la consommation mondiale en ´electricit´e (source
EDF [1]) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
1.2 Utilisation des ressources ´energ´etiques en France durant
l’ann´ee 2015 [2] . . . . . . . . . . . . . . . . . . . . . . . . . . 12
1.3 Sous-syst`emes du march´e ´electrique (de [3], ENEDIS) .... 13
1.4 Configuration ´electrique unidirectionnelle ........... 15
1.5 Caract´eristiques d’une batterie ................. 18
2.1 R´epartition de la consommation mondiale d’´electricit´e (ins-
pir´e de [4]) ............................ 25
2.2 R´epartition de la consommation d’´electricit´e en France (ins-
pir´e de [1]) ............................ 25
2.3 Illustration de la production d´ecentralis´ee . . . . . . . . . . . 27
2.4 Illustration de l’int´egration du v´ehicule ´electrique dans le
r´eseau [5] ............................. 34
3.1 Comportement de base d’un agent . . . . . . . . . . . . . . . 39
3.2 Architecture du syst`eme propos´e dans Nagata et al. [6] . . . . 43
3.3 Architecture des agents de stockage dans Alberola et al. [7] . 46
3.4 Tˆaches des agents dans notre proposition ........... 53
4.1 Exemple de positionnement de quelques capteurs et agents
(adapt´ee de [8]) . . . . . . . . . . . . . . . . . . . . . . . . . . 58
4.2 Etapes de la proposition ANEMAS . . . . . . . . . . . . . . .´ 59
4.3 Architecture multi-niveaux pour la gestion de l’´energie au sein
des smart grids . . . . . . . . . . . . . . . . . . . . . . . . . . 60
4.4 Agents du syst`eme propos´e ................... 62
 VIII

4.5 Algorithme de l’AGgr ...................... 66

4.6 Couˆt de l’´energie avec le sc´enario 1 . . . . . . . . . . . . . . . 73
4.7 Utilisation des ressources pour ANEMAS (sc´enario 1) .... 74
VII
TABLE DES FIGURES

4.8 Prix journalier de l’´energie dans le cas ou` le nombre de

pro-
ducteurs augmente de 0 `a 10 (5 consommateurs) .......
74
4.9 Prix journalier de l’´energie dans le cas ou` le nombre de
pro-
ducteurs augmente de 0 `a 10 (10 consommateurs) . . . . . . .
75
4.10 Prix journalier de l’´energie dans le cas ou` le nombre de pro-
consommateurs augmente 5-30 .................
75
5.1 Illustration du sc´enario consid´er´e . . . . . . . . . . . . . . . .
79
5.2 R´esum´e de l’algorithme long terme de l’agent de stockage
.. 83
5.3 Demandes des consommateurs en kWh . . . . . . . . . . . . .
87
5.4 Valeurs de sortie de l’´eolienne durant les deux saisons
(au-
tomne et ´et´e, valeurs m´et´eo de [9]) . . . . . . . . . . . . . . .
88
5.5 Valeurs de sortie de la photovolta¨ıque durant les deux
saisons
(automne et ´et´e, valeurs m´et´eo de [9]) . . . . . . . . . . . . .
88
5.6 Variation de la somme des couˆts incomb´es aux
consomma-
teurs durant une journ´ee compl`ete en automne (cas ou` chaque
consommateur est un producteur; nombre de consomma-
teurs=nombre de producteurs) .................
89
5.7 Variation de la somme des couˆts incomb´es aux
consomma-
teurs durant une journ´ee compl`ete en ´et´e (cas ou` chaque
consommateur est un producteur; nombre de consomma-
teurs=nombre de producteurs) .................
89
5.8 Variation de la somme des couˆts des consommateurs
durant
une journ´ee compl`ete en automne (sc´enario 3 : 10 consomma-
teurs, 0 `a 10 producteurs) . . . . . . . . . . . . . . . . . . . .
90
5.9 Variation de la somme des couˆts des consommateurs
durant
une journ´ee compl`ete en ´et´e (sc´enario 3 : 10 consommateurs,
0 `a 10 producteurs) . . . . . . . . . . . . . . . . . . . . . . . .
5.10 Couˆt de l’´energie durant chaque p´eriode d’une journ´ee
compl`ete pour un sc´enario de 20 consommateurs et 20 pro-
ducteurs durant l’´et´e . . . . . . . . . . . . . . . . . . . . . . .
5.11 Utilisation du stockage et de la grille en automne (Nombre de
consommateurs = Nombre de producteurs) ..........
92
5.12 Utilisation du stockage et de la grille en ´et´e (Nombre de
consommateurs = Nombre de producteurs) ..........
93
5.13 Pourcentage de minimisation de d´echarge de la batterie pen-
dant l’´et´e et l’automne en augmentant le nombre des consom-
 X

mateurs (Nombre de consommateurs = Nombre de producteurs) 94

TABLE DES FIGURES IX

5.14 Pourcentage de minimisation de d´echarge de la batterie pendant

l’´et´e et l’automne en augmentant le nombre des produc-
teurs (pour 10 consommateurs) . . . . . . . . . . . . . . . . . 94
5.15 Pourcentage de demandes satisfaites en automne en utilisant
l’algorithme d’allocation ´equitable (5 producteurs et 10
consommateurs) ......................... 95

6.1 Distance entre les nœuds . . . . . . . . . . . . . . . . . . . . . 100

6.2 Etapes de l’algorithme en ligne de l’agent producteur . . . . . 102
6.3 Etapes de l’algorithme LOMI . . . . . . . . . . . . . . . . . .´ 104
6.4 Exemple de recherche de l’agent producteur avec Rmax = R2 105
6.5 Variation du couˆt total de l’´energie pendant une journ´ee d’au-
tomne (5 consommateurs) . . . . . . . . . . . . . . . . . . . . 109
6.6 Variation du couˆt total de l’´energie pendant une journ´ee d’´et´e
(5 consommateurs) . . . . . . . . . . . . . . . . . . . . . . . . 109
6.7 Variation quotidienne de la perte d’´energie en ´et´e (5 consom-
mateurs) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 109
6.8 Variation quotidienne de la perte d’´energie en automne (5
consommateurs) . . . . . . . . . . . . . . . . . . . . . . . . . 109
6.9 Variation quotidienne des messages ´echang´es durant l’automne (5
consommateurs) . . . . . . . . . . . . . . . . . . . . 109
6.10 Variation quotidienne des messages ´echang´es durant l’´et´e (5
consommateurs) . . . . . . . . . . . . . . . . . . . . . . . . . 109
6.11 Variation du couˆt quotidien durant l’automne (100 consom-
mateurs) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 111
6.12 Variation du couˆt quotidien durant l’´et´e (100 consommateurs)
111
6.13 Variation quotidienne de la perte des producteurs durant l’au-
tomne (100 consommateurs) . . . . . . . . . . . . . . . . . . . 111
6.14 Variation quotidienne de la perte des producteurs durant l’´et´e
(100 consommateurs) . . . . . . . . . . . . . . . . . . . . . . . 111
6.15 Variation quotidienne des messages ´echang´es durant l’automne
(100 consommateurs) . . . . . . . . . . . . . . . . . . . 112
6.16 Variation quotidienne des messages ´echang´es durant l’´et´e (100
 consommateurs) . . . . . . . . . . . . . . . . . . . . . . . . . 112
6.17 Variation quotidienne du couˆt durant l’automne (nombre de
consommateurs=nombre de producteurs) . . . . . . . . . . . 112
6.18 Variation quotidienne du couˆt durant l’´et´e (nombre de
consommateurs=nombre de producteurs) . . . . . . . . . . . 112
6.19 Variation quotidienne des pertes des producteurs durant l’automne
(nombre de consommateurs=nombre de producteurs) . 113 TABLE
DES FIGURES

6.20 Variation quotidienne des pertes des producteurs durant l’´et´e

(nombre de consommateurs=nombre de producteurs) . . . . . 113
6.21 Variation quotidienne des messages ´echang´es durant l’automne
(nombre de consommateurs=nombre de producteurs) . 113 6.22 Variation
quotidienne des messages ´echang´es durant l’´et´e
(nombre de consommateurs=nombre de producteurs) . . . . . 113

7.1 Interaction des agents en utilisant un algorithme

d’optimisation118
7.2 Interactions entre les agents du syst`eme . . . . . . . . . . . . 120
7.3 Repr´esentation binaire d’un chromosome . . . . . . . . . . . . 122
7.4 Prix total d’´energie en centimes, nombre de producteurs=nombre de
consommateurs (sc´enarios 2, 4 et 6) . . . . 126
7.5 Prix total d’´energie en centimes, nombre de producteurs=la moiti´e du
nombre de consommateurs (sc´enarios 1, 3 et 5) . . 126
7.6 Perte d’´energie en kWh, nombre de producteur=nombre de
consommateurs (sc´enarios 2, 4 et 6) . . . . . . . . . . . . . . 126
7.7 Perte d’´energie en kWh, nombre de producteurs=la moiti´e du nombre
de consommateurs (sc´enarios 1, 3 et 5) . . . . . . . . 126
7.8 Gain de producteurs en centimes, nombre de producteurs=nombre de
consommateurs (sc´enarios 2, 4 et 6) . . . . 127
7.9 Gain de producteurs en centimes, nombre de producteurs=la moiti´e du
nombre de consommateurs (sc´enarios 1, 3 et 5) . . 127
7.10 Nombre d’it´erations quand le nombre de producteurs=nombre de
consommateurs (sc´enarios 2, 4 et 6) . . . . 127
7.11 Nombre d’it´erations quand le nombre de producteurs=la moiti´e du
nombre de consommateurs (sc´enarios 1, 3 et 5) . . 128
7.12 Prix de l’´energie pour les sc´enarios 1 et 2 . . . . . . . . . . . 132
7.13 Quantit´e d’´energie non satisfaite pour les sc´enarios 1 et 2
. . 132
 XII

Liste des tableaux

4.1 Exemple de d´ecomposition des consommations en niveaux de
priorit´e .............................. 63
4.2 P´eriodes de la journ´ee . . . . . . . . . . . . . . . . . . . . . . 64
4.3 Exemple de calcule de ENst . . . . . . . . . . . . . . . . . . . 68
4.4 Sc´enarios choisis ......................... 71
4.5 Prix durant les p´eriodes de pics . . . . . . . . . . . . . . . . . 72
5.1 Param`etres du syst`eme de stockage . . . . . . . . . . . . . . . 82
5.2 Sc´enarios simul´es . . . . . . . . . . . . . . . . . . . . . . . . . 87
5.3 Param`etres des simulations extraits de [1, 10, 9] . . . . . . . . 87
5.4 Entit´es du sc´enario consid´er´e . . . . . . . . . . . . . . . . . . 95
6.1 Param`etres de l’agent producteur . . . . . . . . . . . . . . . . 103
6.2 Sc´enarios impl´ement´es . . . . . . . . . . . . . . . . . . . . . . 107
7.1 D´efinition des param`etres . . . . . . . . . . . . . . . . . . . . 122
7.2 Sc´enarios mis en œuvre . . . . . . . . . . . . . . . . . . . . . 125
7.3 D´efinition des param`etres de l’agent grille . . . . . . . . . . . 130
7.4 Sc´enarios mis en œuvre . . . . . . . . . . . . . . . . . . . . . 131
XI
XII LISTE DES TABLEAUX
R´esum´e
Cette th`ese s’int´eresse `a la gestion d´ecentralis´ee `a l’aide des
syst`emes multi-agents de l’´energie, notamment de sources renouvelables,
dans le contexte des r´eseaux ´electriques intelligents (smart grids). Nos
travaux de recherche visent `a minimiser la facture ´energ´etique des
consommateurs en se focalisant sur deux verrous essentiels que nous nous
proposons de lever : (1) r´esoudre le probl`eme de l’intermittence des
´energies renouvelables; (2) minimiser les pertes d’´energie. Pour pallier le
probl`eme d’intermittence des ´energies renouvelables et dans le but de
maintenir un couˆt ´energ´etique peu on´ereux mˆeme lors des pics
d’utilisation, nous avons int´egr´e un syst`eme de stockage intelligent. Nous
avons, en effet, propos´e des algorithmes permettant d’utiliser les syst`emes
de stockage intelligents et la n´egociation multiagents pour r´eduire la
facture ´energ´etique tout en conservant un taux de d´echarge minimal de la
batterie et une perte ´energ´etique minimale. La validation par simulation de
nos contributions a montr´e que celles-ci r´epondent aux enjeux identifi´es,
notamment en r´eduisant le couˆt de l’´energie pour les consommateurs en
comparaison aux travaux de l’´etat de l’art.
Mots-cl´es : R´eseaux ´electriques intelligents; Energies renouvelables;
Intelligence artificielle r´epartie; Syst`emes `a param`etres r´epartis.
2 R´esum´e

1
Abstract
This thesis focuses on the decentralized management using multi-agent
systems of energy, including renewable energy sources, in the smart grid
context. Our research aims to minimize consumers’ energy bills by
answering two key challenges : (1) handle the problem of intermittency of
renewable energy sources; (2) reduce energy losses. To overcome the
problem of renewable resources intermittency and in order to minimize
energy costs even during peak hours, we integrated an intelligent storage
system. To this end, we propose many algorithms in order to use intelligent
storage systems and multi-agent negotiation algorithm to reduce energy
cost while maintaining a minimal discharge rate of the battery and minimal
energy loss. The validation of our contributions has shown that our
proposals respond to the identified challenges, including reducing the cost
of energy for consumers, in comparison to the state of the art.
Keywords : Smart power grids; Renewable energy sources; Distributed
artificial intelligence; Distributed parameter systems.
4 Abstract
Introduction g´en´erale
Le syst`eme ´electrique connaˆıt de profondes mutations telles que
l’augmentation de la consommation d’´electricit´e due aux nouveaux usages
et `a l’int´egration des ´energies renouvelables pour diminuer l’´emission de
gaz `a effet de serre. La nouvelle g´en´eration de r´eseaux ´electriques, e.g. le
r´eseau ´electrique intelligent ou le smart grid, vise `a int´egrer de mani`ere
efficace les actions de l’ensemble des utilisateurs (producteurs et
consommateurs) afin de garantir un approvisionnement ´electrique durable,
suˆr et au moindre couˆt. Un des avantages des smart grids r´eside dans l’int
´egration d’une couche d’information et de communication rendant les diff
´erents composants du r´eseau communicants, ce qui permet l’interaction
entre les acteurs du syst`eme ´electrique (producteurs, consommateurs,
etc.), l’´echange d’informations de mani`ere bidirectionnelle et l’optimisation
de l’utilisation des r´eseaux ´electriques. Par ailleurs, ces r´eseaux
intelligents poss`edent plusieurs caract´eristiques telles que l’int´egration
des ´energies renouvelables et des pro-consommateurs. Par comparaison
aux ´energies fossiles, les ´energies renouvelables sont des ´energies
naturelles qui se renouvellent `a l’´echelle humaine mais qui sont
intermittentes et irr´eguli`eres.
Le smart grid s’occupe de l’optimisation des r´eseaux, tout en ayant comme
souci principal le maintien de l’´equilibre entre production et
consommation. Le besoin de la gestion intelligente de l’´energie est
notamment li´e `a la probl´ematique d’´equilibre de la production
renouvelable et de la consommation sur le r´eseau ´electrique. La gestion de
l’´energie fournit les fonctions et les strat´egies qui affectent les diff´erentes
ressources (production renouvelable, stockage, etc.) aux consommateurs du
syst`eme afin d’optimiser le couˆt de l’´energie. Pour assurer une solution
intelligente de la gestion de l’´energie, nous proposons d’int´egrer les
syst`emes multi-agents dans le syst`eme de gestion de l’´energie. Cependant,
la gestion de l’´energie dans les smart grids soul`eve plusieurs besoins
notamment l’´equilibre entre l’offre et la demande, la minimisation de
l’utilisation de la grille surtout durant les p´eriodes de pointe, la
minimisation des pertes en ligne 6 Introduction g´en´erale

de l’´energie, l’augmentation autant que possible de la dur´ee de vie des

syst`emes de stockage et la minimisation du nombre de messages ´echang´es
pour de meilleures performances du r´eseau. Nous visons `a travers cette

3
th`ese `a
assurer au maximum ses besoins et `a fournir une solution `a ces probl
´ematiques d’actualit´e qui comblent les limitations des propositions
existantes en adoptant une approche multi-agents.
Afin de r´ealiser nos objectifs, nous d´ecomposons la gestion de l’´energie en
plusieurs niveaux, `a savoir le niveau des consommateurs, le niveau des
stockages, le niveau de la grille. En premier lieu, nous proposons ANEMAS
qui n´egocie l’achat de l’´energie afin de trouver la combinaison optimale de
sources d’´energie pour chaque consommateur. En second lieu, nous avons
essay´e d’augmenter la dur´ee de vie d’une batterie tout en minimisant le
nombre de charges et de d´echarges de cette derni`ere et avons propos´e
dans ce but un algorithme nomm´e BADIS. Notre proposition LOMI est pr
´esent´ee en troisi`eme lieu et a pour but principal de minimiser la perte
d’´energie par effet de Joule. Finalement, nous avons pr´esent´e une
proposition qui r´epartit de mani`ere optimale les ´energies renouvelables
entre les consommateurs. Nous avons en effet propos´e un algorithme g´en
´etique modifi´e (AGM) qui a pour but de minimiser le nombre d’it´erations
que met l’algorithme g´en´etique `a trouver la solution optimale.

Organisation du rapport

Ce manuscrit est divis´e en sept chapitres et organis´e comme suit : les

trois premiers chapitres introduisent le concept des smart grids et pr
´esentent leurs caract´eristiques et fonctionnalit´es, ainsi que les outils
provenant du domaine des syst`emes multi-agents et des syst`emes de
stockage dans les smart grids. En outre, ils mettent ´egalement l’accent sur
l’´etat de l’art de la gestion de l’´energie au sein des smart grids. De plus,
nous exposons une architecture de gestion d’un smart grid d´ecentralis´ee
utilisant une approche multi-agents. Nous pr´econisons en effet un double
niveau de planification pour la gestion de l’´energie dans un smart grid : la
planification `a long terme ou ”offline algorithm” et la planification `a court
terme ou ”online algorithm”. D’une part, les agents ont pour tˆache de pr
´edire les donn´ees pour une journ´ee compl`ete et de prendre les d´ecisions
ad´equates en se basant sur ces donn´ees. D’autre part, les syst`emes multi-
agents agissent ´egalement durant une courte dur´ee pour garantir un
´equilibre en temps r´eel.

Le quatri`eme chapitre est d´edi´e `a notre contribution ANEMAS.

Introduction g´en´erale 7

Dans ce chapitre, nous introduisons notre approche de gestion de l’´energie au sein des
smart grids en int´egrant des syst`emes multi-agents et des syst`emes de stockage afin
de r´ealiser une approche efficace de distribution de l’´energie. Nous exposons les d
´etails de notre approche et pr´esentons les r´esultats de son ´evaluation qui ont montr
´e qu’ANEMAS r´eussit `a r´eduire les factures des consommateurs et l’utilisation de la
grille en heures de

pointe.

Le cinqui`eme chapitre pr´esente notre deuxi`eme contribution BADIS qui s’int

´eresse `a l’augmentation de la dur´ee de vie de la batterie du syst`eme de stockage tout
en maintenant une facture minimale pour les consommateurs. Ce chapitre d´ecrit la
mani`ere avec laquelle l’agent incorpor´e dans le syst`eme de stockage se charge
d’´evaluer les demandes et de choisir parmi elles. L’agent d´ecide alors en premier lieu
la quantit´e d’´energie `a vendre aux consommateurs durant une p´eriode pr´ecise en se
basant sur les prix de l’´energie. En second lieu, il choisit parmi les demandes des
consommateurs la combinaison `a satisfaire. En outre, cet agent prend la d´ecision de
charger sa batterie ou non durant une p´eriode donn´ee en se basant sur le prix de
l’´energie, sur son ´etat de charge et sur sa dur´ee de vie. Les r´esultats ont montr´e que
cette approche a r´eussi `a augmenter la dur´ee de vie de la batterie.

Le sixi`eme chapitre pr´esente notre troisi`eme contribution LOMI qui s’int

´eresse `a minimiser les pertes en ligne des ´energies. En effet, l’agent incorpor´e au
sein des ressources de production a pour rˆole de minimiser le trajet parcouru par
l’´energie afin de minimiser les pertes. Ainsi, les d´ecisions de l’agent producteur sont
bas´ees sur le choix d’une combinaison qui minimise le trajet parcouru. En cas d’exc`es
d’´energie, cet agent essaie de le vendre en recherchant un acheteur parmi les entit´es
les plus proches et il augmente son rayon de recherche petit `a petit tant qu’il poss`ede
un exc`es d’´energie. Les r´esultats ont montr´e que cette proposition r´eussit `a
minimiser les pertes ´energ´etiques sans augmenter la facture du consommateur.

Le septi`eme chapitre pr´esente notre derni`ere contribution qui propose un

algorithme d’optimisation qui peut ˆetre utilis´e dans le premier et le second niveau de
gestion de l’´energie. Les agents grille, consommateurs et producteurs utilisent
l’algorithme propos´e qui est bas´e sur un algorithme g´en´etique afin d’optimiser leurs
choix. En outre, une n´egociation au niveau de la grille est ajout´ee en int´egrant notre
algorithme g´en´etique modifi´e afin de r´ealiser une combinaison optimale des
demandes de la grille.
8 Introduction g´en´erale
 A la fin de ce manuscrit, nous tirons nos conclusions et pr´esentons les
perspectives que nous avons identifi´ees afin d’enrichir ce travail.
Chapitre 1

R´eseaux ´electriques intelligents

Sommaire

1.1 Introduction ..................... 9

1.2 Contraintes du syst`eme ´electrique unidirectionnel 11

1.2.1 Paysage ´energ´etique et environnemental actuel . . 11

1.2.2 Probl´ematiques auxquelles doit faire face le sec-

teur ´energ´etique ................... 13

1.2.3 Besoin d’un r´eseau plus interactif . . . . . . . . . . 14

1.3 Evolution du syst`eme ´electrique : ´emergence du

concept de smart grids . . . . . . . . . . . . . . . 14

1.3.1 Une plaque ´energ´etique avec plusieurs fonctionna-

lit´es . . . . . . . . . . . . . . . . . . . . . . . . . . 15

1.3.2 Caract´eristiques et fonctionnalit´es des r´eseaux in-

telligents ....................... 16

1.4 Conclusion ...................... 21

1.1 Introduction
Le secteur de l’´energie a connu une croissance impressionnante au cours des
quarante derni`eres ann´ees. Durant 38 ans, la consommation en ´electricit´e a ´et´e
multipli´ee par 3,3 (Figure 1.1) [1], et les prochaines d´ecennies devront connaˆıtre une
croissance plus importante si les modes de consommation n’´evoluent pas. Les ´etudes
pr´evoient en effet une augmentation de la demande ´energ´etique de 40% d’ici 2040
[11].

9
 10 1.1. INTRODUCTION

Figure 1.1 – Evolution de la consommation mondiale en ´electricit´e (source

EDF [1])

L’augmentation de la d´ependance ´electrique est li´ee `a l’´evolution de la

population (sept milliards d’ˆetres humains en 2015, neuf en 2050) [12] et au d
´eveloppement des ´economies ´emergentes. Les ´energies fossiles constituent
actuellement la principale source d’´energie [13]. Cependant, elles ne cessent de d
´ecroˆıtre et ne pourront plus satisfaire, `a elles seules, les futures demandes en
´electricit´e. En plus, le secteur ´energ´etique repr´esente un principal contributeur aux
´emissions de gaz `a effet de serre. Selon des statistiques d’EDF (Electricit´e de France),
les ´emissions des gaz toxiques li´ees `a la consomma-´ tion d’´energie arrivent en tˆete
et pr´esentent 25% de la totalit´e des ´emissions mondiales [1]. Pour limiter les effets n
´efastes du r´echauffement climatique, les ´etats se sont fix´es pour objectif de favoriser
l’´emergence des ”ressources propres” dans leur secteur d’´energie. A titre d’exemple,
l’Union Europ´eenne (UE) a adopt´e des objectifs dits des ”3x20” visant `a augmenter
l’efficacit´e ´energ´etique de 20%, `a r´eduire les ´emissions de CO2 de 20% et `a faire
passer `a 20% la part de production des ´energies renouvelables d’ici 2020 [5]. Pour
faire face aux mutations du paysage ´energ´etique, le syst`eme ´electrique a ´evolu´e
vers ce qu’on appelle le ”smart grid” ou le r´eseau ´electrique intelligent. Les r´eseaux
intelligents consistent `a fusionner la structure physique des r´eseaux actuels avec le r
´eseau de la communication en int´egrant les technologies d’information et de
communication (TIC). L’int´egration des nouvelles technologies de l’information et de
communication rendra le r´eseau plus communicant tout en assurant une livraison
d’´electricit´e plus efficace, ´economiquement fiable et suˆre [5]. Les TIC visent `a
optimiser toutes les mailles du r´eseau ´electrique en basse, haute et moyenne tension
afin d’augmenter l’efficacit´e ´energ´etique de l’ensemble du r´eseau. Dans l’id´eal, ces
ou-
 10
tils informatiques essaient de lisser les pics de production d’´energie renouvelable
(´eoliennes, photovolta¨ıques, etc.) survenant `a des heures pr´ecises de la journ´ee.
Dans ce chapitre nous reviendrons tout d’abord sur l’architecture des r´eseaux
´electriques traditionnels. Ensuite, nous d´etaillerons les caract´eristiques et les
fonctionnalit´es des smart grids.

1.2 Contraintes du syst`eme ´electrique unidirectionnel

Cette section a pour but de pr´esenter les ressources ´energ´etiques actuelles et
leurs effets sur l’environnement.

1.2.1 Paysage ´energ´etique et environnemental actuel

Actuellement, les ´energies fossiles repr´esentent la part la plus importante de la
consommation de l’´energie. En plus des ´energies fossiles, certains pays tels que la
France utilisent le nucl´eaire comme principale source de production de l’´electricit´e.
Les ´energies fossiles (p´etrole, gaz et charbon) ainsi que les ´energies nucl´eaires, ou
autrement dit les ´energies non renouvelables, sont des ´energies ´epuisables et ne se
renouvellent pas. En effet, les ´energies fossiles sont issues de roches form´ees par la
fossilisation de v´eg´etaux enfouis, et stock´ees dans le sous-sol durant plusieurs
millions d’ann´ees. Par cons´equent, ces ´energies sont des ´energies ´epuisables et
riches en carbone, lib´er´e sous forme de CO2 lors de leur combustion. En effet, la
production d’´energie `a partir des combustibles fossiles, en plus d’´epuiser les r
´eserves disponibles, d´everse des millions de tonnes de gaz `a effet de serre dans
l’atmosph`ere. L’impact de la combustion d’´energie sur les ´emissions CO2 a grandi au
fil du temps. Quant au nucl´eaire, il laisse une empreinte profonde sur l’environnement
et la nature de par les accidents qui peuvent survenir lors de son utilisation.
Selon le GIEC (Groupe Intergouvernemental d’Etude sur le Climat), le r´echauffement
climatique pourrait entraˆıner des ph´enom`enes climatiques extrˆemes de plus en plus
fr´equents, la hausse des temp´eratures, la fonte des glaces ou encore l’´el´evation du
niveau des mers [14]. Un changement climatique rapide pourrait ˆetre extrˆemement
pr´ejudiciable pour de nombreuses esp`eces v´eg´etales et animales qui verront leur
milieu naturel ´evoluer plus vite que leur capacit´e d’adaptation ne leur permet. Le
bouleversement du climat aurait bien entendu des cons´equences consid´erables sur la
production
1.2. CONTRAINTES DU SYSTEME` ELECTRIQUE´
UNIDIRECTIONNEL
CHAPITRE 1. RESEAUX´ ELECTRIQUES INTELLIGENTS´ 11
agricole
et sur l’´economie. La lutte contre le r´echauffement climatique est un des plus
importants d´efis actuels auxquels doit se confronter l’humanit´e. Les cons´equences du
r´echauffement climatique sont multiples et ont divers degr´es d’impact et de r
´eversibilit´e. On pourra citer entre autres que l’on peut s’attendre `a une fonte des
glaces aux pˆoles, `a des ph´enom`enes naturels extrˆemes plus fr´equents, `a une mise
en p´eril d’esp`eces animales et florales, etc. La cause principale de ce d´er`eglement
climatique, de la perturbation des ´ecosyst`emes et l’exploitation des ressources
naturelles, est tr`es probablement l’activit´e humaine.
En se basant sur des ´etudes du commissariat g´en´eral au d´eveloppement durable en
2015 [2], les ´energies non renouvelables, le p´etrole, le gaz et le charbon repr
´esentaient `a eux 90% du mix ´energ´etique primaire. Cependant, la domination
incontestable du p´etrole s’est peu `a peu att´enu´ee au cours des derni`eres ann´ees,
notamment au profit du gaz qui a connu une croissance soutenue. La part du charbon
dans le mix ´energ´etique primaire a, quant `a elle, enregistr´e une l´eg`ere
augmentation. Enfin, les ´energies alternatives (renouvelables), malgr´e leur
progression, peinent encore `a s’imposer comme de grands acteurs du secteur (Figure
1.2).

Figure 1.2 – Utilisation des ressources ´energ´etiques en France durant

l’ann´ee 2015 [2]

Toutefois, ces observations g´en´erales concernent des mix ´energ´etiques et

´electriques globaux et ne refl`etent pas les diff´erences qui peuvent apparaˆıtre `a des
´echelles r´egionales et nationales. En effet, bien que les pays de l’OCDE (Organisation
de Coop´eration et de D´eveloppement Economique) tendent `a r´eduire la part des
´energies fossiles, l’augmentation de consommation d’´energie fortement carbon´ee
dans les pays `a ´economie ´emergente constitue un obstacle `a une r´eduction
drastique de l’utilisation de ces ressources `a une ´echelle globale.
 12
1.2.2 Probl´ematiques auxquelles doit faire face le secteur ´energ´etique

Depuis ses d´ebuts dans le 20`eme si`ecle, la structure et l’organisation du r´eseau

´electrique ont subi une ´evolution tr`es lente [15]. Les ´etats ont d´evelopp´e leurs
syst`emes ´electriques `a partir d’un sch´ema de production centralis´e. Ce syst`eme
´electrique est d´ecompos´e en quatre sous-syst`emes : la g´en´eration, le transport, la
distribution et la consommation [16]. La g´en´eration a toujours ´et´e centralis´ee et r
´ealis´ee au sein de centrales de grande capacit´e de production. Pour r´epondre `a
l’´enorme demande ´energ´etique, plusieurs moyens de production d’´energie sont
utilis´es au niveau de la production. L’ensemble de ces ´energies peut ˆetre converti en
deux grandes parties : (1) les ´energies non renouvelables telles que les combustibles
fossiles, le nucl´eaire, le charbon, le gaz, et (2) les ´energies renouvelables telles que
l’´energie ´eolienne, photovolta¨ıque, hydraulique, etc. [1, 17]. L’´electricit´e circule du
point de production jusqu’aux consommateurs par l’interm´ediaire de lignes
´electriques a´eriennes ou souterraines haute tension (HT). Les lignes haute tension
permettent de limiter les pertes d’´energie pour le transport de quantit´es importantes
d’´electricit´e sur de longues distances [3].
Une fois sur le r´eseau de distribution, l’´electricit´e haute tension alimente directement
les clients industriels. Pour les autres clients (particuliers, commer¸cants, artisans,
etc.), elle est convertie en basse tension (BT) par des postes de transformation avant de
leur ˆetre livr´ee [3]. La Figure 1.3 montre une vue globale des sous-syst`emes
´electriques.

Figure 1.3 – Sous-syst`emes du march´e ´electrique (de [3], ENEDIS)

CHAPITRE 1. RESEAUX´ ELECTRIQUES INTELLIGENTS´ 13

1.2.3 Besoin d’un r´eseau plus interactif

Afin de g´erer le r´eseau ´electrique, il est n´ecessaire de proc´eder `a des
changements importants sans en perturber le fonctionnement. Cela se
traduit dans le cadre de la grille 1 par la mise en place d’un r´eseau de
capteurs et compteurs intelligents pour communiquer les donn´ees de
production et consommation afin d’assurer l’´equilibre entre l’offre et la
demande. Le r´eseau ´electrique intelligent sera alors communicant et
interactif. En France, ENEDIS, principal distributeur d’´energie, a lanc´e le
projet Linky en 2007 afin d’´equiper 35 millions de clients d’ici 2021 de
compteurs intelligents [3]. Le compteur dit intelligent est un ensemble de
capteurs qui permettent de fournir en temps r´eel la consommation ´energ
´etique d’une zone d´efinie et permet en plus des actions de gestion en
temps r´eel sur la consommation du foyer. L’installation du compteur Linky
dans les foyers aurait des avantages pour tous les acteurs du r´eseau selon
ENEDIS. D’une part, Linky r´eduirait les couˆts de gestion pour les
gestionnaires de r´eseaux. D’autre part, ces compteurs r´eduiraient les
fraudes et les r´eclamations aupr`es des fournisseurs, et autoriseraient une
diversification des offres propos´ees aux clients grˆace `a la richesse des
informations suppl´ementaires qui seront r´ecolt´ees. En ce qui concerne les
producteurs, un tel ´equipement rendrait possible une meilleure gestion des
pics de consommation et une simplification de l’installation d’´energies
renouvelables. Enfin, pour les clients, les factures seront ´etablies
directement d’apr`es leur consommation r´eelle. La notion de r´eseau plus
efficace a pris une dimension plan´etaire et l’expression smart grid recouvre
des dimensions diff´erentes : certains y verront une solution num´erique en
aval du compteur et destin´ee majoritairement aux clients r´esidentiels alors
que d’autres consid`erent qu’il s’agit d’une vision globale, transcendant la
structure actuelle du march´e ´energ´etique pour g´en´erer des b´en´efices
´economiques, environnementaux et soci´etaux pour tous.
La section suivante a pour but de d´efinir le nouveau r´eseau interactif
commun´ement appel´e smart grid.

1.3 Evolution du syst`eme ´electrique : ´emergence

1 . Dans ce manuscrit, les termes smart grid, grille et r´eseau ´electrique intelligent seront
utilis´es d’une mani`ere interchangeable.
 1.3. EVOLUTION DU SYSTEME` ELECTRIQUE :´ EMERGENCE DU´
14 CONCEPT DE SMART GRIDS
du concept de smart grids
Les smart grids, litt´eralement r´eseaux intelligents, se d´efinissent en
tant que r´eseaux ´electriques capables de r´epondre aux nouvelles
exigences du march´e ´electrique.
Bien qu’il n’existe pas de d´efinition unique des smart grids, cette section a
pour vocation de d´efinir les smart grids et leurs caract´eristiques pour
ensuite d´ecrire les outils et services de ces r´eseaux.

1.3.1Une plaque ´energ´etique avec plusieurs fonctionnalit´es

Au-del`a des d´efis qui concernent l’ensemble du secteur ´energ´etique, le
secteur ´electrique est ´egalement confront´e `a de nouvelles contraintes :
augmentation de la consommation d’´electricit´e due aux nouveaux usages,
multiplication des producteurs raccord´es aux r´eseaux en raison de la lib
´eralisation du march´e de l’´electricit´e, int´egration des ´energies de
sources renouvelables intermittentes due aux nouveaux objectifs en
mati`ere d’´emission de gaz `a effet de serre. En mˆeme temps, le syst`eme
´electrique doit continuer `a r´epondre aux exigences en termes de qualit´e
de l’alimentation et de service, d’´equilibre offre-demande et de suˆret´e du
syst`eme ´electrique [5, 18]. Afin de r´epondre `a ces exigences, le syst`eme
´electrique doit donc s’adapter `a cette nouvelle donn´ee et ce sur tous les
niveaux de son architecture.
Le syst`eme ´energ´etique actuel a une architecture centralis´ee et permet
aux flux d’´energie d’ˆetre unidirectionnels; de la production vers la
consommation (Figure 1.4). Le d´eploiement des smart grids accompagne la
modernisation des r´eseaux et des infrastructures vers une architecture d
´ecentralis´ee. L’objectif est d’int´egrer une multitude de sources d’´energies
renouvelables, de toutes tailles, et de permettre de nouveaux modes
d’utilisation et de stockage de l’´electricit´e. A l’int´erieur de ce r´eseau
´electrique ´evolu´e, le consommateur final disposera d’outils et de services
lui permettant de connaˆıtre sa consommation et d’interagir en temps r´eel.
CHAPITRE 1. RESEAUX´ ELECTRIQUES INTELLIGENTS´ 15

Figure 1.4 – Configuration ´electrique unidirectionnelle

Dans [15], la commission europ´eenne d´efinit les smart grids comme ´etant
des r´eseaux d’´electricit´e qui visent `a int´egrer de mani`ere efficiente les
actions et les comportements de l’ensemble des utilisateurs qui y sont
raccord´es (producteurs et consommateurs) afin de garantir un syst`eme
rentable et durable, pr´esentant de faibles pertes et un niveau ´elev´e de
qualit´e et de s´ecurit´e d’approvisionnement.
Le d´eploiement des smart grids permet plusieurs avantages dus `a
l’interaction entre les acteurs du syst`eme ´electrique tout en g´erant le flux
d’information et d’´energie de mani`ere bidirectionnelle. Cette interaction
optimise ainsi l’utilisation des r´eseaux ´electriques en ayant une
connaissance plus fine des charges. Au sein des smart grids, la circulation de
l’information et de l’´electricit´e entre les diff´erents composants du r´eseau
(consommateurs, compagnies d’´electricit´e, etc.) est bidirectionnelle, ce qui
permet d’harmoniser la gestion. De ce fait, ces r´eseaux sont en mesure de
garantir une exploitation plus efficace du syst`eme (`a la fois en termes
d’´energies et de couˆts) en vue des exigences futures [19, 20]. Les smart
grids font appel `a l’intelligence ´energ´etique en associant les TIC qui
devront ˆetre impl´ement´ees dans la production, le transport et la
distribution d’´electricit´e mais ´egalement chez les consommateurs [21, 22,
23]. Les syst`emes communicants, en parall`ele des r´eseaux de distribution,
ainsi que l’intelligence embarqu´ee doivent permettre un meilleur
ajustement entre production et consommation d’´electricit´e et l’int´egration
des ´energies renouvelables [24].
Ces r´eseaux intelligents poss`edent plusieurs caract´eristiques telles que
l’int´egration des ´energies renouvelables, des pro-consommateurs, etc. La
section suivante a pour but de d´ecrire ces caract´eristiques.
 1.3. EVOLUTION DU SYSTEME` ELECTRIQUE :´ EMERGENCE DU´
16 CONCEPT DE SMART GRIDS
1.3.2 Caract´eristiques et fonctionnalit´es des r´eseaux
intelligents
Dans cette partie nous exposerons les caract´eristiques des smart grids.

Emergence des ´energies renouvelables et notion

de proconsommateur
Par comparaison aux ´energies fossiles, les ´energies renouvelables sont les
´energies naturelles qui se renouvellent `a l’´echelle humaine. En plus, elles
diminuent l’´emission de gaz toxiques, et par cons´equent contribuent `a la
diminution de la pollution. Toutefois ces ´energies sont intermittentes et irr
´eguli`eres [25].
A la fois consommateur et producteur, le pro-consommateur d´esigne
l’interrelation ´etroite entre le producteur et le consommateur. Les
consommateurs installent chez eux les sources de production d’´energie
renouvelables (´eoliennes, photovolta¨ıques, etc.). En outre, dans les smart
grids, les proconsommateurs peuvent tenir compte des informations en
temps r´eel et mˆeme s’engager dans l’achat et la vente d’´energie en ligne
tout en profitant d’un environnement automatiquement ajust´e `a leur
comportement et leurs objectifs d’´economie d’´energie [26].
D’autres composants sont utilis´es dans les smart grids et seront d´etaill´es
dans la partie suivante.

Composants utilis´es au sein des smart grids

L’´evolution recherch´ee vers un syst`eme plus intelligent se caract´erise
par une multitude de composants imbriqu´es de la production `a la
consommation. Ces r´eseaux ne sont plus unidirectionnels et peuvent ˆetre
assimil´es `a une v´eritable plaque ´energ´etique.

Les compteurs intelligents Les ”smart-meters” ou compteurs

intelligents, d´ej`a d´eploy´es `a large ´echelle dans certains pays, constituent
une importante ´etape dans la mise en œuvre et le d´eploiement de ces r
´eseaux intelligents. Cette technologie doit inciter les consommateurs finaux
`a ´economiser l’´electricit´e et encourager la maˆıtrise de la production d
´ecentralis´ee. Le compteur intelligent est un dispositif de comptage avanc´e
et son principal rˆole est le suivi en d´etail et en temps r´eel de la
consommation ´electrique d’un consommateur (un bˆatiment, une
CHAPITRE 1. RESEAUX´ ELECTRIQUES INTELLIGENTS´ 17

entreprise, un habitat, etc.). En outre, un compteur intelligent est

communicant et pourra transmettre par diff´erents canaux (Internet, etc.)
les informations recueillies. Le d´eploiement des smartmeters devrait
permettre de mieux connaˆıtre les postes de consommation ´electrique et
aider donc `a faire r´eduire les factures ´electriques. Le suivi en temps r´eel
aide `a la facturation de l’´energie, mais aussi `a la facturation distingu´ee en
fonction de la demande en ´electricit´e (pics de consommation)
[27].
On peut conclure que les compteurs intelligents sont donc un des leviers de
la transformation des r´eseaux de distribution ´electrique en r´eseaux
intelligents.

Les batteries Le caract`ere intermittent des ´energies renouvelables

rend difficile l’´equilibrage de l’offre et de la demande, alors que c’est
essentiel pour le bon fonctionnement du r´eseau ´electrique. Les dispositifs
de stockage 2 d’´energie repr´esentent une des solutions palliant l’aspect al
´eatoire de la production renouvelable. Ils peuvent lisser les variations dans
la production et la demande et simplifier grandement le fonctionnement de
la grille [28]. Dans un contexte op´erationnel, le stockage de l’´energie est
utilis´e pour stocker le surplus d’´electricit´e afin de le r´einjecter lors des p
´eriodes de faible production et/ou de forte consommation. D’un point de
vue financier, le stockage d’´energie est trait´e comme un instrument
d’arbitrage : il se charge lorsque les prix d’´energie de la grille sont faibles et
se d´echarge lorsque ces prix sont ´elev´es [29]. Il existe plusieurs types de
dispositifs de stockage d’´energie : m´ecanique, thermo-dynamique,
´electrochimique et ´electromagn´etique; chacun avec ses propres caract
´eristiques. Les caract´eristiques des batteries sont pr´esent´ees dans la
Figure 1.5 et comprennent la taille de la batterie, la vitesse limite de charge
et de d´echarge du stockage, la profondeur de d´echarge, la temp´erature et
l’´etat de sant´e de la batterie [29]. Dans les zones r´esidentielles, le stockage
d’´energie est pratiquement synonyme de batteries. En raison de la
popularit´e des v´ehicules hybrides rechargeables ´emergents, la batterie
d’un PHEV (”Plug-in Hybrid Electric Vehicle”) peut ˆetre trait´ee comme un
stockage d’´electricit´e temporaire pour les consommateurs r´esidentiels.
Dans les futurs syst`emes de transport intelligent, les v´ehicules seront
´equip´es d’unit´es sp´eciales leur donnant la capacit´e de communiquer en
2 . Dans ce manuscrit, les termes batterie, dispositifs de stockage et stockage sont utilis´es
d’une mani`ere interchangeable.
 1.3. EVOLUTION DU SYSTEME` ELECTRIQUE :´ EMERGENCE DU´
18 CONCEPT DE SMART GRIDS
sans-fil. En outre, il est pr´evu que les v´ehicules ´electriques prennent une
partie importante du march´e du futur.

Figure 1.5 – Caract´eristiques d’une batterie

Un v´ehicule ´electrique est un v´ehicule dont la propulsion est assur´ee

par un moteur fonctionnant exclusivement `a l’´energie ´electrique. Ce type
de v´ehicules a pour int´erˆet de r´eduire la pollution locale dans les zones
urbaines, de d´ecroˆıtre les ´emissions de gaz `a effet de serre qui accentuent
le r´echauffement de la plan`ete, de diminuer les consommations de
carburant et de diversifier les approvisionnements ´energ´etiques [30]. Il
existe plusieurs types de v´ehicules ´electriques : le v´ehicule tout ´electrique
(ou `a batterie), le v´ehicule hybride (ou ´electrique `a autonomie prolong
´ee), le v´ehicule hybride rechargeable (ou v´ehicule hybride plug-in) et le v
´ehicule `a pile `a combustible.
Le d´eploiement `a grande ´echelle des v´ehicules ´electriques pourrait avoir
un effet consid´erable sur la courbe de charge, particuli`erement en p´eriode
de pointe, si les recharges des v´ehicules n’´etaient pas correctement r
´eparties dans le temps. Le d´eveloppement du v´ehicule ´electrique suivant
un mod`ele de ”Grid-to-Vehicle (G2V)” ´etait dans le but de minimiser les
risques d’augmentation des pics de consommation qui est un mod`ele qui
permet `a un v´ehicule ´electrique de contrˆoler sa charge. Le G2V
permettrait de pallier les risques d’augmentation des pics de consommation
mais m`enerait toutefois `a accroˆıtre la consommation totale d’´electricit´e.
D’autre part, le d´eploiement des v´ehicules ´electriques est fortement
contraint aujourd’hui par leur couˆt d’investissement. A cette premi`ere
barri`ere viennent s’ajouter les probl´ematiques d’autonomie et
CHAPITRE 1. RESEAUX´ ELECTRIQUES INTELLIGENTS´ 19

d’acceptabilit´e. Pour faire face aux probl`emes cit´es, les infrastructures de

recharge doivent ˆetre d´evelopp´ees en nombre suffisant pour pouvoir int
´egrer le v´ehicule ´electrique d’ou` le concept de ”Vehicle-to-Grid(V2G)”. Le
V2G consiste en un ´echange bidirectionnel d’´energie entre le v´ehicule et le
r´eseau [31]. Les v´ehicules n’´etant utilis´es en moyenne que 4% du temps
sur une journ´ee, un v´ehicule ´electrique, durant le temps restant, pourrait
constituer un moyen de stockage suppl´ementaire pour les r´eseaux
´electriques.

Les centrales virtuelles de production (VPP) La Centrale Virtuelle de

Production ou VPP (”Virtual Power Plant”) est d´efinie par une agr´egation
de petites unit´es de production d´ecentralis´ees utilisant des sources
d’´energie diff´erentes. La VPP est un concept qui combine la production d
´ecentralis´ee et le stockage. Il s’agit donc d’une repr´esentation plus flexible
des unit´es d´ecentralis´ees qui peut ˆetre utilis´ee pour r´ealiser des
contrats sur les march´es de gros. Ainsi, le fonctionnement de chaque unit´e
de production est optimis´e en tenant compte de l’ensemble de la VPP pour
maximiser les opportunit´es de production et de revenus. Cette mobilisation
de production d’´energie d´ecentralis´ee permet donc aux producteurs ind
´ependants de s’int´egrer dans le march´e de l’´electricit´e. Ce concept de
centrale virtuelle rend les unit´es de production d´ecentralis´ees visibles
pour les op´erateurs de r´eseaux et constitue une structure qui permet aux
agr´egateurs d’int´egrer la production d´ecentralis´ee [32, 33]. Ce type d’agr
´egation de petites unit´es de production d´ecentralis´ee pourrait
´egalement, `a terme, venir concurrencer les unit´es de production centralis
´ee actuelles.

Les microgrids Un microgrid est un syst`eme ´electrique de basse ou

moyenne tension qui int`egre les ´energies renouvelables comme une
ressource d’´energie primaire, des syst`emes de stockage intelligents. Les
microgrids peuvent donc repr´esenter la meilleure fa¸con d’int´egrer les
ressources renouvelables et permettre la participation des consommateurs
dans le march´e de l’´electricit´e [34]. Les microgrids visent donc `a am
´eliorer la production d’´energie et `a l’offrir aux consommateurs locaux tout
en maintenant une infrastructure ´electrique plus stable [35]. Ils peuvent
ˆetre utilis´es dans deux modes : (1) connect´e au r´eseau, ou (2) de mani`ere
 1.3. EVOLUTION DU SYSTEME` ELECTRIQUE :´ EMERGENCE DU´
20 CONCEPT DE SMART GRIDS
isol´ee [35]. Apr`es avoir d´ecrit les composants utilis´es au sein des smart
grids, le paragraphe suivant a pour but de r´esumer les architectures de
communication dans ces derniers.

Architectures et technologies de communication dans les smart grids

Le smart grid est un r´eseau de r´eseaux, dans lequel les syst`emes et les
sous-syst`emes sont connect´es pour fournir les services entre les diff
´erentes entit´es intelligentes du syst`eme. Au sein de chaque r´eseau du
smart grid, une structure compos´ee de diff´erents types de r´eseaux tels que
les HAN (”Home Area Networks”), les BAN (”Building Area Networks”), les
IAN (”Industrial Area Networks”), les NAN (”Neighborhood Area
Networks”), les FAN (”Field Area Networks”) et les WAN (”Wide Area
Networks”) est mise en œuvre [36].
Les WAN sont les r´eseaux ´etendus qui fournissent la communication entre
les backbones des r´eseaux intelligents et couvrent une longue distance `a
partir du centre de contrˆole pour les NAN/FAN. Les r´eseaux ´etendus WAN
permettent la communication avec les appareils d’automatisation et de
distribution, en utilisant diverses technologies de communication telles que
les technologies filaires (fibre optique) ou les technologies non filaires qui
peuvent ˆetre ´egalement utilis´ees `a cause de leur couverture ´etendue et
de leur haut d´ebit [36, 37].
Les NAN, nomm´es ´egalement FAN, sont des r´eseaux qui g`erent les
informations entre les r´eseaux ´etendus et les r´eseaux locaux. Ces r´eseaux
utilisent les communications filaires ou sans fil et collectent puis prennent
en charge les informations des clients appartenant au mˆeme quartier ou `a
une mˆeme entreprise. En outre, la zone de couverture des r´eseaux
NAN/FAN d´epend des applications.
Les HAN, BAN et IAN permettent la communication entre les NAN/FAN et
les appareils ´electriques. En plus, ces r´eseaux communiquent avec divers
appareils intelligents (les appareils ´electrom´enagers, les stations de
gestion de l’´energie, les sources d’´energie, etc.) et se connectent `a un r
´eseau de services publics via des compteurs intelligents ou d’autres
appareils. Ces r´eseaux ont pour rˆole de prendre en charge divers services
´energ´etiques comme le contrˆole de la charge et la tarification en temps r
´eel. Les exigences en mati`ere de communication principale se caract
´erisent par une faible consommation ´electrique, un faible couˆt, une
structure simple et une communication s´ecuris´ee.
CHAPITRE 1. RESEAUX´ ELECTRIQUES INTELLIGENTS´ 21

Dans le r´eseau ´electrique intelligent, plusieurs protocoles peuvent ˆetre

utilis´es pour la communication au sein de ces r´eseaux. Dans certains cas,
les communications sans fil ont des avantages par rapport aux technologies
filaires, telles que le faible couˆt des infrastructures et la facilit´e de
connexion aux zones difficiles ou inaccessibles. Cependant, la nature de la
voie de transmission peut entraˆıner l’att´enuation du signal. D’autre part,
les solutions filaires n’ont pas de probl`emes d’interf´erences et leurs
fonctions ne d´ependent pas de piles, ce qui est souvent le cas des solutions
sans fil [15].

1.4Conclusion
Dans ce chapitre, nous avons bri`evement pr´esent´e le fonctionnement
et l’architecture du r´eseau ´electrique, ainsi que les nouveaux concepts qui y
seront ajout´es pour le faire ´evoluer vers un r´eseau intelligent. Nous avons
expos´e les caract´eristiques de ce r´eseau et avons pass´e en revue les outils
qui sont n´ecessaires `a son d´eploiement tels que les compteurs intelligents,
les batteries, etc. ainsi que diverses technologies de communication. Enfin,
dans le prochain chapitre nous allons d´etailler le probl`eme rencontr´e avec
l’int´egration des ressources ´energ´etiques renouvelables et les outils tels
que les syst`emes de stockage intelligents qui permettent une meilleure int
´egration de ces ressources dans le r´eseau ´electrique.
22 1.4. CONCLUSION
Chapitre 2

Gestion de l’´energie dans les r

´eseaux intelligents :
D´efinitions et objectifs

Sommaire

2.1 Introduction . . . . . . . . . . . . . . . . . . . . . 24 2.2 D´esagr´egation de la

demande ´energ´etique . . . . 24
2.3 Int´egration des ´energies renouvelables dans les
smart grids . . . . . . . . . . . . . . . . . . . . . . 26
2.3.1 Energies renouvelables utilis´ees dans les smart grids 26
2.3.2 Avantages et probl`emes des ´energies renouvelables 27

2.4 Satisfaction des demandes ´energ´etiques . . . . . 28

2.4.1 D´efinition de la gestion de l’´energie dans les smart

grids . . . . . . . . . . . . . . . . . . . . . . . . . . 28

2.4.2 DR : un programme de gestion de l’´energie dans

les smart grids .................... 29

2.5 Syst`emes de stockage intelligents . . . . . . . . . 31

2.5.1 D´efinition et caract´eristiques des syst`emes de sto-

ckage intelligents . . . . . . . . . . . . . . . . . . . 31

2.5.2 Les diff´erents types de syst`emes de stockage . . . . 32

2.6 Objectifs de la gestion de l’´energie . . . . . . . . 34

2.7 Conclusion ...................... 35

23
 24 2.1. INTRODUCTION

2.1 Introduction
L’introduction croissante dans les smart grids des ´energies renouvelables et les
changements de mode de vie avec l’apparition, par exemple, des v´ehicules ´electriques,
des panneaux solaires, etc. bousculent la chaˆıne ´energ´etique et impliquent une
´evolution progressive du r´eseau ´electrique `a tous les niveaux. Vue la diversit´e des
sources de productions et afin d’effectuer un choix pertinent entre ces sources et
d’encourager les consommateurs `a adopter une consommation intelligente, les
chercheurs se sont int´eress´es `a la gestion d’´energie dans les smart grids.
Dans le but d’adapter l’offre `a la demande, les smart grids vont mettre en place la
gestion de l’´energie qui a pour rˆole d’optimiser le couˆt qu’incombe aux utilisateurs et
de b´en´eficier de toute la quantit´e d’´energie renouvelable produite. La mise en œuvre
des programmes de gestion de l’´energie dans les smart grids devra permettre de
diminuer la consommation ´energ´etique totale et de piloter des composantes sp
´ecifiques telles que les compteurs intelligents et les pro-consommateurs.
Ce chapitre est consacr´e `a l’analyse du contexte de la gestion de l’´energie dans les r
´eseaux intelligents afin de mettre en ´evidence les probl´ematiques que pose l’int
´egration des ´energies renouvelables.

2.2 D´esagr´egation de la demande ´energ´etique

Afin de pouvoir repr´esenter au mieux les diff´erents programmes de gestion de
l’´energie, la demande ´electrique a ´et´e d´esagr´eg´ee en quatre secteurs : (1) le
secteur industriel, (2) le secteur r´esidentiel et tertiaire, (3) le secteur du transport et
(4) le quatri`eme secteur regroupant tout ce qui reste (agricole, etc.). Au niveau
mondial (Figure 2.2), la demande ´electrique est largement domin´ee par le secteur r
´esidentiel et tertiaire qui repr´esente 40% de la consommation totale de l’´energie. En
outre, ce secteur repr´esente 69% de la consommation totale de l’´energie en France
selon EDF [1] (Figure 2.2). Afin d’´evaluer les apports potentiels de gestion de
l’´energie, les diff´erents secteurs ont ´et´e d´esagr´eg´es suivant les usages qui leur sont
propres. D’ou`, l’int´erˆet port´e dans cette th`ese pour le secteur r´esidentiel, qui
constitue le principal poste de demande.
CHAPITRE 2. GESTION DE L’ENERGIE DANS LES R´ ESEAUX´
INTELLIGENTS : DEFINITIONS ET OBJECTIFS´ 25
Figure 2.1 – R´epartition de la
consommation mondiale
d’´electricit´e (inspir´e de [4])

Figure 2.2 – R´epartition de la

consommation d’´electricit´e en
France
(inspir´e de [1])
Secteur r´esidentiel En France, le secteur r´esidentiel et tertiaire repr´esente 69% de la
consommation ´electrique (Figure 2.2). Un bˆatiment peut ˆetre `a usage tertiaire
(commerces, bureaux, ´ecoles, hˆopitaux), `a usage r´esidentiel ou mixte. Le secteur r
´esidentiel peut ˆetre d´efini comme l’ensemble des locaux `a vocation de logement qui
n’appartiennent pas au secteur tertiaire, et qui peut ensuite se diviser en trois cat´egories qui
se distinguent par le type d’occupation du logement : r´esidence principale, r´esidence
secondaire et logements vacants, cat´egories au sein desquelles on distingue usuellement les
maisons individuelles et les immeubles collectifs. Le p´erim`etre du secteur r´esidentiel ainsi
d´efini, pose ensuite la question des consommations ´energ´etiques des m´enages `a lui
associer. En effet, l’´energie n´ecessaire aux activit´es des m´enages peut ˆetre consomm´ee
directement au sein des logements ou en dehors, soit directement par les m´enages soit
indirectement par les entit´es produisant les biens et services consomm´es par ces m´enages.
Les consommations d’´energie sont dites directes quand elles sont consomm´ees par le m
´enage et indirectes quand elles le sont en amont de la chaˆıne de production de biens et de
services. Par ailleurs, il est important de noter que la consommation d’´electricit´e peut ˆetre
rattach´ee aux consommations directes et indirectes suivant l’objet d’´etude. En effet, celle-ci
est principalement issue de la transformation d’´energies primaires (gaz, p´etrole, charbon,
Uranium enrichi et bois) en une ´energie transportable et commercialisable. Ainsi, l’´electricit
´e est un vecteur d’´energie pour lequel il est possible de comptabiliser soit l’´energie
consomm´ee `a son origine, auquel cas cette consommation est en dehors du secteur r
´esidentiel et peut ˆetre consid´er´ee comme indirecte, soit l’´electricit´e `a son stade final,
c’est-`a-dire celle mesur´ee aux compteurs des particuliers, auquel cas cette consommation
est `a l’int´erieur du secteur
2.3. INTEGRATION DES´ ENERGIES RENOUVELABLES DANS LES´
26 SMART GRIDS

r´esidentiel et peut donc ˆetre consid´er´ee comme directe.

L’objet de notre ´etude ´etant d’´evaluer dans quelle mesure la solution des smart grids peut
contribuer `a la gestion de l’´energie, la section suivante a pour but d’analyser les diff´erentes
sources d’´energies renouvelables int´egr´ees `a la nouvelle g´en´eration des r´eseaux
´electriques.

2.3 Int´egration des ´energies renouvelables dans les

smart grids
En r´esum´e, cette section a pour but de mettre en ´evidence les avantages et les inconv
´enients majeurs du d´eploiement des ´energies renouvelables. Par comparaison aux
´energies fossiles, les ´energies renouvelables sont les
´energies naturelles qui se renouvellent `a l’´echelle humaine et qui diminuent l’´emission des
gaz toxiques, d’ou` la diminution de la pollution. Par contre, ces ´energies sont intermittentes
et irr´eguli`eres [25]. Dans la premi`ere soussection, on introduira les diff´erents types
d’´energies renouvelables utilis´ees dans les r´eseaux ´electriques tandis que la seconde sous-
section pr´esentera les avantages et les probl`emes rencontr´es avec ces ´energies
renouvelables.

2.3.1 Energies renouvelables utilis´ees dans les smart grids

Les r´eseaux ´electriques actuels ont ´et´e con¸cus pour transporter l’´energie des grosses
centrales productrices aux consommateurs. L’architecture du syst`eme ´electrique a donc
commenc´e `a ´evoluer avec un nombre croissant d’installations renouvelables. Dans ce qui
suit, sont donn´ees les ´energies renouvelables [38] :
L’´energie solaire : l’´energie solaire peut ˆetre repr´esent´ee sous forme d’´energie
thermique ou sous forme d’´energie photovolta¨ıque. Les ´energies thermiques captent
le rayonnement solaire pour augmenter la temp´erature d’un objet alors que les
´energies photovolta¨ıques transforment les rayonnements solaires en ´electricit´e `a
l’aide de l’effet photo-´electrique.
L’´energie ´eolienne : l’´energie ´eolienne utilise les ´energies m´ecaniques produites par
les mouvements de diff´erentes masses d’air.
L’´energie hydraulique : l’´energie hydraulique transforme les
´energies de l’eau en ´energies m´ecaniques utilis´ees pour produire de l’´electricit´e.
La biomasse : la biomasse d´esigne l’ensemble des mati`eres organiques d’origine v´eg
´etale, animale ou fongique, qui sont des sources d’´energies par combustion ou
transformation chimique. La biomasse est une ´energie renouvelable `a condition que
la quantit´e d’´energie produite exc`ede la quantit´e d’´energie utilis´ee pour la
produire.
La g´eothermie : la terre poss`ede en son centre un noyau d’une temp´erature sup
´erieure `a 5000˚C produisant une quantit´e de chaleur importante grˆace `a une
radioactivit´e naturelle.
Ces ´energies renouvelables sont peu polluantes mais poss`edent quelques inconv´enients
tels que leur disponibilit´e irr´eguli`ere et discontinue.
CHAPITRE 2. GESTION DE L’ENERGIE DANS LES R´ ESEAUX´
INTELLIGENTS : DEFINITIONS ET OBJECTIFS´ 27
2.3.2 Avantages et probl`emes des ´energies renouvelables
Dans la derni`ere d´ecennie, les innovations technologiques et les ´evolutions
´economiques et environnementales ont suscit´e un gain d’int´erˆet pour la production d
´ecentralis´ee
[39, 40]. L’´etude de Pepermans et al. [39] met en exergue plusieurs facteurs qui ont conduit
`a l’utilisation des ´energies d´ecentralis´ees tels que la lib´eralisation du march´e d’´electricit
´e qui a permis la cr´eation de nouveaux acteurs de production et de commercialisation de
l’´energie. Les ressources distribu´ees peuvent ˆetre install´ees du cˆot´e du client [41] et
comprennent les ´energies renouvelables telles que l’´energie ´eolienne, l’´energie
photovolta¨ıque, etc. [42]. La Figure 2.3 repr´esente un exemple qui montre l’int´egration des
´energies renouvelables au sein des m´enages. La particularit´e des ´energies renouvelables r
´eside dans la non diminution de leurs ressources apr`es utilisation de cette derni`ere `a une
´echelle humaine [43].

Figure 2.3 – Illustration de la production d´ecentralis´ee

Cependant, l’int´egration importante des ´energies renouvelables dans les r´eseaux

´electriques pose plusieurs probl`emes d’ordre technique, surtout pour les gestionnaires de r
´eseaux. Le premier probl`eme se r´esume dans la localisation des installations de production.
En effet, l’insertion de la production
28
2.4. SATISFACTION DES DEMANDES ENERG´ ETIQUES´

d´ecentralis´ee conduit `a un fonctionnement bidirectionnel des r´eseaux

traditionnellement con¸cus pour acheminer l’´energie que dans un seul sens.
En revanche, lorsque le taux de p´en´etration des ´energies renouvelables
augmente, des d´es´equilibres peuvent survenir [5], ce qui pose un autre
probl`eme concernant la gestion des moyens de production intermittents
dans le syst`eme ´electrique. Ce probl`eme d’intermittence touche de
nombreuses sources renouvelables, et se d´efinit dans un syst`eme
´electrique qui utilise les ´energies renouvelables par la diff´erence entre la
production et la consommation. L’intermittence et le caract`ere non
pilotable et le besoin de gestion de l’´equilibre production/consommation `a
la maille locale constituent de vrais d´efis pour les gestionnaires de r´eseau
de distribution et imposent une ´evolution de la gestion du syst`eme
´electrique.
Le but de notre travail est d’utiliser un syst`eme qui fournit les besoins en
temps r´eel aux consommateurs et qui r´esout le probl`eme d’intermittence
de l’´energie en minimisant les couˆts d’achat et les pertes ´energ´etiques.
Pour continuer `a favoriser l’implantation de g´en´erateurs d’´energies
renouvelables et amorcer ainsi l’´ebauche d’une transition ´energ´etique,
une gestion plus intelligente des sources de production et des
consommations doit ˆetre envisag´ee. La gestion de l’´energie ne vise pas `a r
´eduire la consommation ´energ´etique des consommateurs, mais `a ajuster
la consommation, le stockage et l’achat de l’´energie. La section suivante a
pour but de surligner les points importants de la gestion de l’´energie dans
les smart grids.

2.4 Satisfaction des demandes ´energ´etiques

Dans cette section, nous revenons sur l’int´erˆet r´ecent suscit´e par la
gestion de l’´energie (DR : ”Demand Response”) au sein des smart grids pour
l’int´egration des ´energies renouvelables et d´ecentralis´ees, et nous d
´ecrivons ensuite les outils de DR destin´es aux secteurs r´esidentiel et
tertiaire.

2.4.1 D´efinition de la gestion de l’´energie dans les smart

CHAPITRE 2. GESTION DE L’ENERGIE DANS LES R´ ESEAUX´
INTELLIGENTS : DEFINITIONS ET OBJECTIFS´ 29
grids
La gestion de l’´energie constitue l’un des enjeux cl´es li´es au d
´eveloppement des r´eseaux intelligents. On op`ere ici une diff´erenciation
entre les concepts de maˆıtrise de la demande (MDE) et de gestion de
l’´energie `a travers des programmes de DR. Tous deux r´epondent `a une
notion d’efficacit´e ´energ´etique, mais leurs modalit´es d’application et
impacts respectifs sont `a distinguer. La MDE a pour objectif de diminuer la
demande ´energ´etique, moyennant un certain couˆt. Il s’agit par exemple de
recourir `a des travaux de r´enovation et d’isolation du logement, de
remplacer les ´equipements ´energ´etiques par des ´equipements moins
gourmands, etc.
La DR revˆet une dimension r´esolument orient´ee vers les usages
´electriques, en mesure d’ˆetre modifi´es en fonction des ´evolutions du prix
de l’´energie ou des contraintes d’exploitation. La DR est elle-mˆeme un
terme g´en´eral sous lequel on regroupe plusieurs mesures comme les
tarifications dynamiques ou les programmes incitatifs (”incentive-based”)
de gestion de l’´energie. Selon [44, 45], un programme de DR se r´ef`ere `a
toute m´ethode envisageable pour apporter une incitation ´economique `a
un consommateur, qui refl`ete de mani`ere plus pr´ecise le prix des march´es
de gros et d´epend de la possibilit´e de faire varier le prix de d´etail sur du
court terme. Au-del`a de son effet sur les march´es de gros, l’activation de la
demande peut ´egalement faciliter les activit´es des gestionnaires de r
´eseaux en participant davantage aux m´ecanismes d’ajustement et au march
´e des services syst`emes. En mati`ere de r´eglementation, certaines
dispositions ont ´et´e prises pour favoriser le d´eveloppement de DR.

2.4.2 DR : un programme de gestion de l’´energie dans les

smart grids
Afin de continuer `a favoriser l’int´egration du renouvelable, les r´eseaux
doivent ˆetre g´er´es de mani`ere plus r´eactive et respectueuse des
contraintes d’´equilibre. Le contrˆole des flux d’´energie est au cœur de la
gestion des smart grids. Une gestion des consommations au moyen de
charges programmables ou d´electables apparaˆıt comme une solution
efficace `a la maˆıtrise des flux `a travers le DR.
Dans les r´eseaux ´electriques actuels, la demande ´energ´etique est de
nature stochastique [28]. Dans les r´eseaux intelligents du futur,
30
l’intermittence de production caus´ee par l’utilisation `a grande ´echelle des
´energies de nature renouvelable d´eplacera le caract`ere incertain vers le
niveau de production [5] et plusieurs programmes de gestion sp´ecifiques
de l’´energie seront adopt´es. La DR permet la participation des
consommateurs dans les march´es de l’´electricit´e et ses programmes
changent l’utilisation ´electrique des utilisateurs finaux pour r´epondre aux
variations de prix durant la journ´ee [46, 47, 48, 49, 50]. En outre, la DR est
une solution pour lisser les demandes ´energ´etiques et surtout en heures de
pointe ou lorsque la fiabilit´e du syst`eme est compromise permettant aussi
la r´eduction du couˆt de l’´energie. En d’autres termes, les programmes de
DR, ont pour but de moduler la charge ´energ´etique en (1) d´ecalant les
charges vers les heures creuses ce
2.4. SATISFACTION DES DEMANDES ENERG´ ETIQUES´

qui peut r´eduire le confort des utilisateurs, (2) ´ecrˆetant les pointes ou (3)
remplissant les creux [46, 48]. En effet, les technologies de DR aident `a la
surveillance active et au contrˆole dynamique de la consommation
d’´electricit´e. Ces technologies comprennent les compteurs intelligents qui
sont l’un des exemples les plus connus dont le rˆole consiste `a mesurer les
prix dans un intervalle de temps pr´ecis et d’envoyer ces mesures aux
consommateurs afin de r´eduire et/ou de modifier l’utilisation durant les p
´eriodes de pointe. En outre, les compteurs intelligents permettent
´egalement de d´elivrer de nouvelles informations que peuvent utiliser les
fournisseurs d’´electricit´e. Cette information pourra ˆetre pr´esent´ee aux
consommateurs par l’interm´ediaire de dispositifs d’affichage `a la maison,
qui aident les consommateurs `a suivre et comprendre leur consommation
d’´energie. Ainsi, le d´eploiement du DR et les technologies des r´eseaux
intelligents peuvent conduire `a des niveaux d’efficacit´e ´energ´etique plus
´elev´es et plus durables.
L’efficacit´e ´energ´etique se r´ef`ere g´en´eralement `a des dispositifs qui
offrent un niveau important de sorties en utilisant moins d’´energie.
L’efficacit´e ´energ´etique se concentre habituellement sur la r´eduction de
la consommation globale d’´energie, pas seulement `a certains moments. La
DR am´eliore l’efficacit´e globale du syst`eme d’´electricit´e, mais diff`ere de
l’efficacit´e ´energ´etique traditionnelle en ce qu’elle est plus dynamique et
contrˆolable, ce qui signifie qu’elle peut ˆetre utilis´ee pour r´epondre `a la
demande croissante.
CHAPITRE 2. GESTION DE L’ENERGIE DANS LES R´ ESEAUX´
INTELLIGENTS : DEFINITIONS ET OBJECTIFS´ 31
Selon la litt´erature, certaines pr´eoccupations d´ecouragent les
consommateurs de participer aux programmes du DR. Ces probl`emes
peuvent ˆetre r´esum´es par [47] : (1) l’incertitude du prix (2) la viabilit´e
´economique de la participation `a un programme de DR.
Dans cette th`ese, nous cherchons `a augmenter le confort des
consommateurs, la gestion de l’´energie en ce qui nous concerne, ne vise pas
`a r´eduire la consommation ´energ´etique. Dans la litt´erature, nous
pouvons trouver de nombreuses d´efinitions de la gestion de l’´energie mais
en se basant sur les d´efinitions donn´ees dans [29, 51, 52, 53], nous avons
pu cr´eer notre propre d´efinition de la gestion de l’´energie qui est la
suivante : ”La gestion de l’´energie est d´efinie comme un ensemble de strat
´egies et de fonctions qui peuvent ajuster et optimiser l’utilisation de
l’´energie. Ces fonctions augmentent l’efficacit´e ´energ´etique et permettent
de coordonner les sources d’´energie. En outre, la gestion de l’´energie est le
processus d’observation, de contrˆole et de conservation de la
consommation d’´electricit´e dans un bˆatiment, un quartier, etc., qui devrait
ˆetre en mesure d’optimiser les couˆts et de minimiser le risque de perte de
l’exc`es de production”.
Plusieurs outils tels que les syst`emes de stockage intelligents jouent un
rˆole important dans la gestion de l’´energie. Nous allons pr´esenter, dans la
section suivante les syst`emes de stockage pour surligner leur importance
dans les syst`emes de gestion de l’´energie au sein des smart grids.

2.5Syst`emes de stockage intelligents

Cette section est consacr´ee `a la pr´esentation des syst`emes de stockage
intelligents et `a la description de leur rˆole dans la gestion de l’´energie dans
les smart grids.

2.5.1 D´efinition et caract´eristiques des syst`emes de stockage

intelligents
Pour augmenter l’efficacit´e des ´energies renouvelables (solaire,
´eolienne, photovolta¨ıque, etc.) dans le r´eseau, il est important de d
´evelopper des syst`emes de stockage afin de g´erer les pics de production
des ´energies renouvelables. Le stockage de l’´energie est un moyen bien
connu d’ajustement de la consommation en ajoutant un degr´e de libert´e
suppl´ementaire pour contrˆoler les profils de puissance en fonction du bilan
32
consommation/production. Ainsi, le stockage de l’´energie est d´efini comme
´etant le moyen qui aide `a placer une quantit´e d’´energie dans une batterie
afin de l’utiliser dans un temps futur. L’int´egration des syst`emes de
stockage de l’´energie est importante afin de valoriser les ´energies
alternatives, suˆres et renouvelables, mais par nature intermittentes. Les
technologies de stockage sont nombreuses, chacune d’entre elles a ses
propres caract´eristiques et peuvent, en fonction de leurs caract´eristiques,
aider de diff´erentes mani`eres `a la gestion de l’´energie dans les smart
grids [54]. Le recours aux syst`emes de stockage est l’une des solutions
compl´ementaires qui visent `a r´eduire l’utilisation n´ecessaire d’´energie en
moyenne durant les pointes de consommation [55, 56]. En outre, le d
´eploiement du stockage aurait de multiples avantages tels que [54, 55, 56] :
(1) le gain environnemental li´e au d´eploiement `a grande ´echelle
d’´energie verte (2) l’ind´ependance vis-`a-vis des ressources fossiles qui
pourra amener `a un avantage ´economique sur le long terme (3) la
disponibilit´e du stockage `a un couˆt comp´etitif et `a grande ´echelle qui
pourra donc ˆetre un facteur cl´e pour r´epondre `a l’augmentation de la p´en
´etration des ´energies renouvelables et `a la variabilit´e de la demande. Au
niveau de la consommation, l’ajout d’un syst`eme de stockage favoriserait la
possibilit´e d’effacement des pics de consommation. De plus, le stockage
pourrait notamment contribuer `a une meilleure int´egration de la
production renouvelable intermittente en stockant les surplus d’´electricit´e
afin de les r´einjecter lors des p´eriodes de faible production et/ou de forte
consommation et ´egalement contribuer `a
2.5. SYSTEMES DE STOCKAGE INTELLIGENTS`

diminuer la d´ependance aux ´energies fossiles [55, 56].

L’utilit´e du stockage de l’´electricit´e ne fait plus d´ebat aujourd’hui,
plusieurs probl´ematiques devront ˆetre r´esolues avant que celui-ci ne soit
d´eploy´e `a grande ´echelle; quelles sont les technologies les plus
prometteuses? Quel sera le mod`ele ´economique du stockage d’´electricit´e?
Les r´eponses `a ces questions seront pr´esent´ees dans le paragraphe
suivant.

2.5.2 Les diff´erents types de syst`emes de stockage

La situation actuelle des syst`emes de stockage d’´energie ´electrique est
caract´eris´ee par : a) l’utilisation commune de stockage qu’il s’agisse d’une
CHAPITRE 2. GESTION DE L’ENERGIE DANS LES R´ ESEAUX´
INTELLIGENTS : DEFINITIONS ET OBJECTIFS´ 33
grande pompe hydraulique ou de petites batteries et d’autres appareils, b)
les nouvelles technologies disponibles sont au stade de prototype, c) les
outils de planification pour aider `a la compr´ehension des dispositifs de
stockage ne sont pas reconnus et d) l’int´egration du syst`eme ainsi que
l’´electronique de puissance doivent ˆetre am´elior´ees [57]. Les dispositifs
de stockage d’´energie devraient notamment r´esoudre l’aspect al´eatoire de
la production de l’´energie. Ils peuvent lisser les variations dans la
production et la demande et peuvent grandement simplifier le
fonctionnement de la grille [28]. Dans un contexte op´erationnel, le stockage
de l’´energie est utilis´e pour stocker le surplus d’´electricit´e. Du point de
vue de la finance, le stockage d’´energie est trait´e comme un instrument
d’arbitrage : il se charge lorsque les prix d’´energie de la grid sont faibles et
se d´echarge lorsque ces prix sont ´elev´es [29]. Dans les zones r
´esidentielles, le stockage d’´energie est pratiquement synonyme de
batteries [58].
Aujourd’hui, les recherches sur le sujet du stockage sont l´egion telles que
les recherches pr´esent´ees dans Colak et al. [59], Venkataramani et al. [60]
et D´ede et al. [61]. En t´emoignent les nombreux travaux lanc´es tant `a
l’´echelle fran¸caise qu’`a l’´echelle europ´eenne, plusieurs appels `a projets
autour de plusieurs modes de stockage de l’´energie (´electrochimique,
thermique, m´ecanique, magn´etique, pneumatique, etc.) sont pr´esent´es au
niveau europ´een et introduisent le stockage dans la gestion de l’´energie,
aussi bien au niveau de l’habitat que des sites industriels et des r´eseaux
intelligents [57]. En France, les entreprises et les particuliers ont le droit de
produire de l’´electricit´e et de la stocker, mais ce uniquement pour leur
propre usage. Ils peuvent l’injecter dans le r´eseau, en la revendant `a EDF
mais cette l´egislation est susceptible d’´evoluer dans le cadre de
l’´emergence des smart grids. Au niveau franc¸ais, le stockage est ´egalement
consid´er´e comme un ´el´ement cl´e `a prendre en compte dans les ann´ees
`a venir et de nouvelles solutions de stockage sont exp´eriment´ees dans les
diff´erents d´emonstrateurs : Millener [62], Nice Grid [63], P´egase [64], les
batteries de v´ehicules Autolib de Bollor´e [65], etc. Huit acteurs sont unis en
2012 pour r´ealiser le projet de stockage de l’´energie nomm´e Venteea qui a
´et´e pr´esent´e et retenu dans le cadre de l’appel `a manifestation d’int´erˆet
du programme ”R´eseaux Electriques Intelligents”´ lanc´e par l’Etat et
l’ADEME en 2011 [66]. Le premier d´emonstrateur de ce´ projet a vu le jour
en 2015 dans l’Aube ou` une tr`es grande batterie a ´et´e reli´ee `a deux
parcs ´eoliens au Sud de Troyes. En effet, ENEDIS, Schneider Electric et Saft
34
constituent le consortium `a la tˆete de l’installation de cette batterie dite
intelligente car elle a la capacit´e de s’adapter aux pics croissants ou d
´ecroissants de l’approvisionnement grˆace `a un syst`eme de pilotage ´energ
´etique qui communique avec le r´eseau ´electrique. Un autre projet de
stockage d’´energie par batterie (BESS) est r´ealis´e par Saft qui s’est joint `a
Alstom en 2013 pour mettre en œuvre une solution de stockage d’´energie
qui inclut ´egalement un syst`eme de gestion d’´energie intelligente d
´evelopp´ee par Alstom, MaxSine TM eStorage, permettant de g´erer le flux
d’´electricit´e en fonction des besoins du r´eseau ou la stocke dans la batterie
fournie par Saft [67]. Finalement, la soci´et´e am´ericaine Tesla Motors,
constructeur de v´ehicules ´electriques, lance une batterie lithium-ion baptis
´ee ”PowerWall” [68]. Le PowerWall est une batterie qui stocke l’´energie
solaire et met `a disposition cette ´electricit´e au moment de manque de
production.
En effet, les travaux de recherche et de d´eveloppement en cours visent `a
am´eliorer les performances techniques et ´economiques des technologies
de stockage d’´energie. Il s’agit notamment, d’une part, de r´eduire les pertes
d’autod´echarge des volants d’inertie et des super-capacit´es et, d’autre part,
d’augmenter la dur´ee de vie de la batterie [28, 69, 70].
En raison de la popularit´e des v´ehicules hybrides rechargeables, la batterie
d’un PHEV peut ˆetre consid´er´ee comme un stockage d’´electricit´e
temporaire pour les consommateurs r´esidentiels [71]. L’arriv´ee des v
´ehicules ´electriques est un ´el´ement cl´e de la gestion des r´eseaux
´electriques intelligents. Le v´ehicule ´electrique pourrait donc repr´esenter
une capacit´e additionnelle de stockage de l’´energie et il sera donc possible,
pendant les p´eriodes ou` les v´ehicules ´electriques seront branch´es au r
´eseau d’utiliser leur capacit´e de stockage pour servir les consommateurs et
surtout pendant les heures creuses. Il s’agit du ”Vehicule-to-Grid” ou V2G
qui utilise la batterie du v´ehicule ´electrique comme un stockage mobile.
Par ailleurs, l’´etat du syst`eme ´electrique devra ˆetre pris en compte lors de
la charge ou de la d´echarge du v´ehicule. En effet, la recharge d’un v´ehicule
´electrique lors des pointes de consommation, en hiver `a 19 heures,
constituerait une difficult´e suppl´ementaire pour l’´equilibre du syst`eme
´electrique. La Figure 2.4 repr´esente l’int´egration du v´ehicule ´electrique
dans le r´eseau.
2.6. OBJECTIFS DE LA GESTION DE L’ENERGIE´
CHAPITRE 2. GESTION DE L’ENERGIE DANS LES R´ ESEAUX´
INTELLIGENTS : DEFINITIONS ET OBJECTIFS´ 35
Les v´ehicules ´electriques pr´esents dans l’industrie automobile sont : les v
´ehicules ´electriques purs (Electric Vehicles-EVs); les v´ehicules ´electriques
hybrides (Hybrid Electric Vehicle-HEVs); les v´ehicules ´electriques hybrides
rechargeables (Plug-in Hybrid Electric Vehicles-PHEVs); les v´ehicules
´electriques dot´es d’une Pile `a Combustible (PAC) (Fuel Cell Vehicles-FCVs)
et les v´ehicules ´electriques `a PAC rechargeables sur les r´eseaux
´electriques (Plug-in Fuel Cell Vehicles-PFCVs) [72].

Figure 2.4 – Illustration de l’int´egration du v´ehicule ´electrique dans le r

´eseau [5]

Afin de r´ealiser une meilleure gestion de l’´energie dans les smart grids
en int´egrant les syst`emes de stockage intelligents, plusieurs objectifs
doivent ˆetre satisfaits. La section suivante a pour but de pr´esenter ces
objectifs.

2.6 Objectifs de la gestion de l’´energie

Afin d’int´egrer efficacement les ´energies renouvelables dans le syst`eme
´electrique, la gestion de l’´energie offre plusieurs perspectives d’´economies
sur des horizons de long et court terme. Par ailleurs, les centrales assurant
la production de l’´energie sont des ressources de production non
renouvelables, plus ´emettrices de gaz toxiques tel que le CO2. La gestion de
l’´energie devrait donc contribuer `a diminuer les ´emissions des gaz
toxiques. A court terme, les objectifs de la gestion de l’´energie sont d´efinis
comme suit :
36
— R´eduire la facture ´energ´etique des consommateurs : la modulation
de la demande devrait permettre de limiter les variations horaires du
couˆt marginal de production, et donc du prix de l’´electricit´e.
— R´esoudre le probl`eme d’intermittence des ´energies renouvelables :
la gestion de l’´energie devrait permettre d’´equilibrer production et
consommation sur le r´eseau ´electrique qui int`egre les producteurs
d’´energie renouvelable intermittente.
— R´eduire l’utilisation de la grille en heures de pointe : la gestion de
l’´energie devrait permettre de minimiser l’acc`es `a la grille durant
les heures qui sont pr´edites comme heures de pointe. Cette
minimisation se fait en utilisant des syst`emes de stockage qui
agr`egent l’´energie renouvelable en exc`es et qui stockent l’´energie
de la grille durant les p´eriodes ou` l’utilisation de la grille est faible.
A plus long terme, le recours `a ces centrales de pointe pourrait ˆetre r´eduit
en raison de leur remplacement partiel grˆace `a la gestion de l’´energie.
Ainsi, certains des investissements n´ecessaires dans des capacit´es de
pointe, utilis´es uniquement sur des p´eriodes restreintes de l’ann´ee,
pourront ˆetre diminu´es. Finalement, les informations r´ecup´er´ees et
´echang´ees au sein des entit´es du smart grid contribuent `a la gestion de
l’´energie car ces informations rendent le r´eseau suffisamment autonome
pour une prise de d´ecision d´ecentralis´ee. En outre, l’agr´egation de ces
donn´ees sur un intervalle de temps pr´ecis a pour objectif de pr´edire l’´etat
de consommation et de production du syst`eme pour pouvoir assurer une
meilleure optimisation du couˆt de l’´energie.

2.7Conclusion
Dans ce chapitre, nous avons d´ecrit l’ensemble des strat´egies de
gestion de l’´energie tel qu’il est impl´ement´e dans les smart grids. En plus,
nous avons d´ecrit les outils qui servent `a une meilleure gestion de
l’´energie tels que les syst`emes de stockage. En plus, nous avons d´etaill´e
les objectifs de cette th`ese. Dans le prochain chapitre, nous d´etaillons les
solutions pr´esent´ees dans la litt´erature pour une meilleure gestion de
l’´energie.
36 2.7. CONCLUSION
 38 3.2. LES OUTILS UTILISES POUR LA GESTION DE L’´ ENERGIE´

Chapitre 3

Gestion de l’´energie dans les r

´eseaux intelligents : Solutions
existantes et besoins
Sommaire

3.1 Introduction ..................... 37

3.2 Les outils utilis´es pour la gestion de l’´energie . 38

3.2.1 Les syst`emes multi-agents (SMA) . . . . . . . . . . 38

3.2.2 Pr´ediction de l’´energie et strat´egies de contrˆole en

temps r´eel pour la gestion de l’´energie sans SMA . 44

3.2.3 Algorithmes d’optimisation utilis´es pour la gestion

de l’´energie . . . . . . . . . . . . . . . . . . . . . . 48

3.3 Limites des algorithmes existants . . . . . . . . . 50

3.4 Besoin d’une nouvelle solution pour la gestion

de l’´energie . . . . . . . . . . . . . . . . . . . . . . 51

3.5 Solution propos´ee pour une meilleure int´egration

des ´energies renouvelables . . . . . . . . . . . . . 52

3.6 Conclusion ...................... 53

3.1 Introduction
Un r´eseau ´electrique intelligent collecte des donn´ees `a partir de diff´erentes entit
´es afin d’obtenir une utilisation optimale de l’´energie. Le d´eveloppement
 37
des syst`emes multi-agents devra jouer un rˆole majeur dans la gestion de l’´energie
dans les smart grids. Les travaux qui se sont int´eress´es `a la gestion de l’´energie
peuvent ˆetre class´es en deux grandes cat´egories. Dans la premi`ere cat´egorie, les
travaux se sont focalis´es sur la r´esolution de ce probl`eme d’une mani`ere centralis´ee
en int´egrant une entit´e centrale qui prend la d´ecision pour la totalit´e du syst`eme.
Dans la deuxi`eme cat´egorie, les travaux utilisent un algorithme d´ecentralis´e
d’optimisation qui pr´esente plusieurs effets n´egatifs sur le syst`eme et surtout sur la
complexit´e de l’impl´ementation, le temps de r´eponse et le nombre d’it´erations mis
en œuvre pour aboutir `a la bonne solution.
Dans ce chapitre, nous pr´esentons en premier lieu les outils qui permettent une
meilleure gestion de l’´energie du smart grid. Nous r´esumons en second lieu l’´etat de
l’art de l’optimisation et son utilit´e pour la gestion de l’´energie. Ensuite, nous d
´efinissons notre contexte de travail, les probl´ematiques consid´er´ees ainsi que
l’approche que nous avons adopt´ee et qui est bas´ee sur les syst`emes multi-agents
permettant ainsi de mettre en œuvre une gestion d´ecentralis´ee de l’´energie.

3.2 Les outils utilis´es pour la gestion de l’´energie

Cette section est consacr´ee `a la pr´esentation des outils aidant `a la gestion de
l’´energie au sein des smart grids. En outre, elle pr´esente les algorithmes de la litt
´erature tout en surlignant leurs avantages et limites. Nous commen¸cons par pr
´esenter les syst`emes multi-agents et leur importance pour la gestion de l’´energie
dans les smart grids.

3.2.1 Les syst`emes multi-agents (SMA)

Les syst`emes multi-agents sont un domaine issu de la rencontre de l’intelligence
artificielle et des syst`emes distribu´es. Cette discipline a vu le jour pour r´esoudre
certains probl`emes qui sont distribu´es de mani`ere inh´erente et n’acceptent qu’une r
´esolution distribu´ee (gestion de trafic a´erien, gestion d’un r´eseau ´electrique, etc.).
Dans cette sous-section, nous allons d´ecrire les concepts qui d´ecoulent du domaine de
recherche que constituent les syst`emes multi-agents.

D´efinition d’un agent

Dans la litt´erature, on trouve une multitude de d´efinitions des agents. Elles se
ressemblent toutes, mais diff`erent selon le type d’application pour
 40 3.2. LES OUTILS UTILISES POUR LA GESTION DE L’´ ENERGIE´

laquelle est con¸cu l’agent. L’id´ee consiste `a r´esoudre un probl`eme

distribu´e en utilisant une entit´e intelligente nomm´ee agent. En effet, les
agents sont des entit´es qui ont leur propre intelligence et autonomie et qui
interagissent dans un environnement en suivant leurs perceptions. Chaque
agent a sa propre perception de l’environnement et prend ses d´ecisions sur
cette base. En outre, il per¸coit son environnement grˆace `a des capteurs et
agit sur l’environnement grˆace `a des actionneurs (Figure 3.1) [73].
L’environnement d’un agent peut ˆetre physique (par exemple, le syst`eme
d’alimentation) et donc observable grˆace `a des capteurs, ou il peut ˆetre
informatique ou virtuel (par exemple, les sources de donn´ees, ressources
informatiques, etc.), observables `a travers les appels syst`eme ou les
messages [74]. Les agents peuvent avoir diff´erents niveaux d’intelligence;
certains peuvent ˆetre dot´es d’une intelligence simple tandis que d’autres
peuvent disposer de m´ecanismes de pens´ee beaucoup plus complexes.

Figure 3.1 – Comportement de base d’un agent

Les capacit´es d’un agent sont d´etermin´ees par les propri´et´es qu’ils
poss`edent. Pour qu’un agent soit intelligent, il doit ˆetre capable de r´ealiser
des actions autonomes flexibles et doit se caract´eriser par [74] :
La r´eactivit´e : un agent intelligent devrait pouvoir percevoir son
environnement et r´eagir `a ses changements, que ce soit la
modification des objectifs de l’utilisateur ou des ressources
disponibles.
La proactivit´e : un agent intelligent est capable, sur sa propre initiative,
de se fixer des buts pour atteindre ses objectifs.
CHAPITRE 3. GESTION DE L’ENERGIE DANS LES R´ ESEAUX´
INTELLIGENTS : SOLUTIONS EXISTANTES ET BESOINS 41
La sociabilit´e : un agent intelligent devrait avoir la capacit´e d’interagir
avec d’autres agents de fac¸on coop´erative ou comp´etitive pour
atteindre ses buts.
Un agent intelligent peut avoir d’autres caract´eristiques optionnelles, telles
que la mobilit´e, la bienveillance et l’apprentissage.

D´efinition des syst`emes multi-agents

Les syst`emes multi-agents sont utiles pour une gamme d’applications, y
compris le diagnostic, la restauration du syst`eme d’alimentation, la
simulation du march´e, le contrˆole et l’automatisation de r´eseau [74]. Un
syst`eme multi-agents est compos´e de plusieurs agents qui interagissent
entre eux pour assurer le bon fonctionnement du syst`eme dans lequel ils
sont int´egr´es. Les SMA sont utilis´es en g´en´eral lorsque le probl`eme est
trop complexe pour ˆetre r´esolu par un seul syst`eme `a cause de limitations
logicielles ou mat´erielles, en particulier, si les composants entretiennent
des relations multiples entre elles. Les SMA repr´esentent un excellent outil
pour assurer un contrˆole autonome dans un syst`eme largement distribu´e
et dont les caract´eristiques sont largement dynamiques.
En outre, il est g´en´eralement pr´ef´erable de faire coop´erer plusieurs entit
´es du syst`eme afin de r´esoudre le probl`eme par une ´equipe. Chaque entit
´e a une perception et des comp´etences limit´ees qui ne lui permettent pas
individuellement de r´esoudre le probl`eme, d’ou` l’utilisation de la coop
´eration et de la coordination par les agents. L’interaction a lieu d’habitude
dans un environnement commun ou` les agents ont diverses zones
d’influence, ou en d’autres termes diverses parties de l’environnement sur
lesquelles ils peuvent agir. En interagissant dans un environnement partag
´e, les agents doivent coordonner leurs actions et utiliser des m´ecanismes
de r´esolution de conflits, comme des protocoles de n´egociation ou
d’ench`eres [6, 75, 76] dont un aperc¸u sera pr´esent´e dans le paragraphe
suivant.

Algorithmes de n´egociation dans les smart grids

Une des principales propri´et´es de l’agent est celle d’interagir avec les
autres agents. Ces interactions sont g´en´eralement d´efinies comme ´etant
toute forme d’action ex´ecut´ee au sein de la soci´et´e qui a pour effet de
modifier le comportement d’un autre agent [77]. Elles donnent `a l’agent la
 42 3.2. LES OUTILS UTILISES POUR LA GESTION DE L’´ ENERGIE´

possibilit´e de participer `a la satisfaction d’un but global et lui permet alors

d’´evoluer vers un de ses objectifs. Le pr´esent paragraphe a pour but de pr
´esenter l’activit´e de n´egociation en g´en´eral ainsi que ses composants, son
processus, ses types et ses formes.

D´efinition de la n´egociation : La n´egociation est un m´ecanisme de r

´esolution des conflits, par lequel deux ou plusieurs agents dans un SMA
interagissent dans le but d’atteindre un arrangement mutuellement
acceptable [77, 78, 79]. Cette solution acceptable peut ˆetre conclue sur une
r´epartition d’un ensemble de ressources financi`eres ou mat´erielles dont
disposent les agents. Les composants principaux de la n´egociation sont [80]
:
1. Le langage utilis´e par les agents participants : le langage de n
´egociation est compos´e d’un ensemble de primitives de
communication.
2. Le protocole suivi par les agents dans le processus de n´egociation :
le protocole de n´egociation est form´e des participants dans la n
´egociation, des propositions que les participants peuvent faire, des
´etats de la n´egociation et d’une r`egle pour d´eterminer quand on
est arriv´e `a un accord ou la condition d’arrˆet.
3. L’objet de n´egociation : c’est un objet abstrait qui comprend les
attributs qu’on veut n´egocier. Par exemple, dans certains cas il s’agit
de n´egocier uniquement le prix, mais dans d’autres cas il faut aussi n
´egocier plusieurs attributs comme le temps n´ecessaire pour
satisfaire une commande.
4. La proc´edure de d´ecision que chaque agent utilise pour d´eterminer
ses positions, concessions, et crit`eres pour l’accord : c’est par d
´efinition le mod`ele que l’agent utilise pour prendre des d´ecisions
durant la n´egociation. La partie la plus importante de la prise des d
´ecisions dans ce cas est la strat´egie de n´egociation qui permet de d
´eterminer quelle primitive de n´egociation l’agent doit choisir `a un
certain moment.

Types et formes de négociation : La n´egociation peut prendre diff

´erentes formes, de la n´egociation la plus basique `a la plus complexe. Le
niveau le plus faible en termes de n´egociation est un syst`eme dans lequel
CHAPITRE 3. GESTION DE L’ENERGIE DANS LES R´ ESEAUX´
INTELLIGENTS : SOLUTIONS EXISTANTES ET BESOINS 43
cette n´egociation est r´eduite `a sa plus simple expression. C’est notamment
le cas dans la n´egociation dite `a prendre ou `a laisser [81] dans laquelle une
offre est formul´ee qui sera soit accept´ee, soit refus´ee, mais sans autoriser
de r´evision. La n´egociation s’arrˆete apr`es cette offre. Le ”Contract Net
Protocol” est une n´egociation de niveau plus ´elev´e, puisqu’il consiste en un
appel d’offres de la part d’un agent appel´e manager [82, 83]. Diff´erentes
offres sont alors propos´ees au manager par des contractants, mais
seulement l’une d’elles est choisie par le manager sans autre formulation si
aucune offre ne convient. Cette n´egociation commence `a un niveau sup
´erieur, ou` plusieurs offres sont ´echang´ees, des contre-propositions sont
formul´ees et des concessions sont faites par les diff´erentes parties impliqu
´ees. Les ench`eres [73] font partie de ces n´egociations `a un niveau certes
´el´ementaire, puisqu’aucune concession n’est faite par l’une des parties et
surtout parce que le r´esultat n’est satisfaisant que pour le vendeur et
l’acheteur ayant gagn´e l’ench`ere, les autres participants n’ayant rien
obtenu. Les syst`emes de vote font ´egalement partie des n´egociations dans
une forme ´el´ementaire puisqu’une seule intervention des participants est n
´ecessaire pour r´ealiser la proc´edure de vote [84, 85]. Les n´egociations
combin´ees, les n´egociations multi-niveaux [86, 87] et les n´egociations par
argumentation constituent un niveau sup´erieur dans les diff´erentes formes
de n´egociation.
Apr`es avoir bri`evement introduit les agents, les SMA et les algorithmes de
n´egociation, nous allons voir comment ces outils sont utilis´es au sein des
smart grids.

Gestion de l’´energie avec les syst`emes multi-agents

L’IEEE Power Engineering Society [74] affirme que l’approche
multiagents peut jouer un rˆole important dans le secteur de l’´energie. En
effet, le contrˆole distribu´e des SMA apporte beaucoup d’avantages `a la
gestion autonome et d´ecentralis´ee des smart grids.
Le smart grid a pour but d’ouvrir le march´e de l’´electricit´e notamment en
int´egrant les pro-consommateurs qui seront en mesure de vendre de
l’´electricit´e au r´eseau. Ainsi, des techniques de n´egociation de vente et
d’achat de l’´energie seront utilis´ees et d´evelopp´ees dans les smart grids.
Les travaux de recherche de Vytelingum et al. [88] ont d´evelopp´e plusieurs
strat´egies de n´egociation pour le smart grid, en utilisant l’ench`ere double
ou ”Continuous Double Auction”. En effet, il y a une adaptation de cette
 44 3.2. LES OUTILS UTILISES POUR LA GESTION DE L’´ ENERGIE´

ench`ere au march´e ´electrique pour d´efinir la politique d’acceptation des

offres dans le march´e ´electrique et les donn´ees n´ecessaires pour les
agents afin de stimuler la comp´etition entre eux. Les m´ecanismes propos
´es permettent de faire face aux demandes impr´evues et `a l’augmentation
de la capacit´e de production, tout en ayant un taux d’efficacit´e ´elev´e. Une
n´egociation entre les entit´es du syst`eme propos´e afin de r´eduire les
couˆts de l’´energie est pr´esent´ee dans [6]. Le prix de vente (SP0) et le prix
d’achat (BP0) sont deux param`etres annonc´es par l’exploitant du r´eseau.
L’unit´e de commande du r´eseau intelligent (SGC) dans ce syst`eme vise `a n
´egocier et `a optimiser les prix d’achat pour les consommateurs (Figure
3.2). En outre, les unit´es de production et les unit´es de consommation
appartiennent au r´eseau intelligent et ajustent SPi et BPi apr`es n
´egociation avec d’autres unit´es sur la base du prix de la grille, de leurs
couˆts d’exploitation et de la demande de charge. Cependant, cet algorithme
est centralis´e et n’int`egre pas l’utilisation des syst`emes de stockage.

Figure 3.2 – Architecture du syst`eme propos´e dans Nagata et al. [6]

De mˆeme, les auteurs de [52] utilisent trois types d’agents pour assurer
la gestion de l’´energie dans les smart grids : (1) l’agent producteur qui a
pour rˆoles de surveiller les puissances, de d´eterminer le couˆt de la
puissance fourni par le composant et de communiquer des informations `a
d’autres agents. (2) L’agent consommateur qui a pour rˆoles de surveiller la
quantit´e de puissance consomm´ee par le composant, de d´eterminer la
quantit´e instantan´ee de la puissance active et r´eactive, et de n´egocier
l’achat de l’´energie. (3) L’agent observateur qui a pour rˆoles de surveiller
CHAPITRE 3. GESTION DE L’ENERGIE DANS LES R´ ESEAUX´
INTELLIGENTS : SOLUTIONS EXISTANTES ET BESOINS 45
des param`etres sp´ecifiques au sein du r´eseau, et de communiquer des
informations `a d’autres agents en ce qui concerne l’´etat du nœud. Dans
cette proposition, les agents de consommation n´egocient le couˆt pour
assurer le choix optimal, en prenant en consid´eration les priorit´es des
donn´ees. Par contre, ce travail de recherche n’utilise pas les syst`emes de
stockage pour en profiter en cas de pointe de consommation. El Nabouch et
al. [89] sugg`erent de leur part l’utilisation des ench`eres de premier prix
pour arriver au choix optimal de la source qui minimise le couˆt d’achat de
l’´energie. Cependant, comme dans [52], cette proposition ne prend pas en
consid´eration le stockage.
La technologie PowerMatcher, qui est un m´ecanisme de coordination bas´e
sur les SMA, a ´et´e utilis´ee par Kok et al. [90]. La gestion de l’´energie dans
ce syst`eme est bas´ee sur l’utilisation des v´ehicules ´electriques dont la
probl´ematique consid´er´ee est celle de la coordination de l’offre et de la
demande dans un r´eseau ´electrique ou` la g´en´eration devient de plus en
plus distribu´ee. L’application du PowerMatcher dans le contexte d’un
microgrid a permis de r´eduire la part de production d’´electricit´e dont la
source est un g´en´erateur diesel.
Certains travaux utilisent les SMA sans d´evelopper d’algorithmes de n
´egociation. Parmi ces recherches, nous pouvons citer le travail de
Logenthiran et al. [91] qui a pour objectif de d´evelopper et simuler un
syst`eme multi-agents qui permet `a un march´e de l’´energie de fonctionner
dans les deux modes, connect´e et non connect´e `a la grille, en utilisant les
DSM (DSM : ”Demand Side Management”). En effet, le microgrid maximise
son gain en optimisant l’´echange d’´energie avec le r´eseau principal. Ainsi,
pour le fonctionnement en mode non connect´e, le microgrid r´epond `a la
demande d’´energie locale `a l’aide de sa production d’´energie locale et
minimise les pertes d’´energie. En mode connect´e, le microgrid ´echange
´egalement de l’´energie avec le r´eseau principal au prix du march´e. Le
syst`eme multi-agents dans cet algorithme est donc utilis´e afin de planifier
en temps r´eel l’´energie produite et de contrˆoler le syst`eme de stockage.

3.2.2 Pr´ediction de l’´energie et strat´egies de controˆle en

temps r´eel pour la gestion de l’´energie sans SMA
Il est important de pr´evoir, de mani`ere pr´ecise, la demande et la
consommation de l’´energie des participants (producteurs et
 46 3.2. LES OUTILS UTILISES POUR LA GESTION DE L’´ ENERGIE´

consommateurs) dans le r´eseau ´electrique. Cette connaissance aide `a la d

´ecision tout en permettant d’optimiser les op´erations et le temps [92]. En
effet, la plupart des pr´edictions sont effectu´ees sur 24 intervalles de temps,
correspondant chacun `a une heure de la journ´ee et est souvent appliqu´ee
pour pr´edire les conditions m´et´eorologiques, les niveaux de charge et les
prix du march´e.

D´efinition de la pr´ediction de l’´energie

Dans le contexte des r´eseaux intelligents, la d´ecision est bas´ee sur
l’´echange d’informations entre les entit´es du syst`eme pour g´erer l’offre et
la demande, ce qui rend la pr´ediction un ´el´ement cl´e dans la prise de la d
´ecision dans ce type de r´eseaux. En effet, chaque r´egion a sa propre
production d’´energie renouvelable et sa propre consommation d’´energie
en fonction de la p´eriode de l’ann´ee et de l’heure de la journ´ee. Sur la base
des productions d’´energie pr´ec´edentes, le comportement du r´eseau peut
ˆetre pr´evu et estim´e. Plusieurs facteurs influencent les pr´edictions dans le
r´eseau ´electrique : (1) la situation m´et´eorologique (temp´erature, climat,
etc.), (2) l’activit´e ´economique d’ou` la n´ecessit´e d’´enormes
modifications de pr´evisions de charge pendant les p´eriodes de vacances,
(3) les heures normales de travail, etc. En effet, les m´ethodes classiques de
pr´evision de demande sont bas´ees sur les informations m´et´eorologiques
et les donn´ees historiques de consommation et sont utilis´ees pour obtenir
un syst`eme moins complexe. Les informations pr´edites sont exactement
celles utilis´ees par le r´eseau de gestion intelligent pour am´eliorer
l’efficacit´e du syst`eme ´electrique [20, 93, 94]. Plusieurs chercheurs ont
utilis´e des algorithmes math´ematiques (programmation quadratique, th
´eorie des jeux, etc.) afin d’obtenir les pr´edictions n´ecessaires [21].

La pr´ediction dans le domaine de gestion de l’´energie

Dans la litt´erature, on trouve un certain nombre d’algorithmes qui
proposent l’utilisation des syst`emes de stockage dans la gestion de
l’´energie des r´eseaux intelligents [95]. De mˆeme, des efforts de recherche
sont port´es sur les pr´edictions de la consommation d’´energie dans le
domaine r´esidentiel pour une p´eriode de 24 heures [96, 97]. Cependant,
une solution compl`ete de gestion de l’´energie exige une compr´ehension
globale de la pr´ecision des pr´edictions pour diff´erentes entit´es, ainsi que
CHAPITRE 3. GESTION DE L’ENERGIE DANS LES R´ ESEAUX´
INTELLIGENTS : SOLUTIONS EXISTANTES ET BESOINS 47
pour diff´erents horizons de temps (heure, jour ou semaine). Subramanian
et al. [98] utilisent les pr´edictions nomm´ees ”day-ahead” afin de r´ealiser
les plans de tarification pour g´erer des charges de l’´energie r´esidentielle et
d’optimiser les services d’´energie dans les r´eseaux intelligents. Ce travail
utilise des donn´ees historiques `a partir des ressources du monde r´eel
pour calibrer le mod`ele sousjacent et mesurer la qualit´e de pr´ecision du
mod`ele. L’algorithme propos´e a pour but principal de r´eduire les couˆts
des consommateurs tout en d´epla¸cant de fa¸con optimale les
consommations de l’heure de pointe vers une autre p´eriode, r´eduisant
ainsi la n´ecessit´e de l’utilisation ´enorme de l’´energie durant cette p
´eriode. En outre, dans [99], il y a une proposition qui vise `a faire un
contrˆole pr´edictif nomm´e ”Model Predictive Control (MDC)” pour la
gestion de l’´energie dans le smart grid afin de minimiser la fonction de
couˆt. Une programmation de l’utilisation de la batterie est d´etermin´ee en
fonction de nombreux param`etres. N´eanmoins, cet algorithme n’int`egre
pas les avantages des syst`emes de stockage intelligents.
Afin de r´eduire l’intermittence des ressources photovolta¨ıques, Kanchev et
al. [51] ont d´evelopp´e un algorithme de gestion de l’´energie en se basant
sur les donn´ees pr´edites et ont utilis´e deux technologies de stockage au
niveau des consommateurs pour permettre la gestion de la demande du r
´eseau et l’int´egration efficace des ´energies renouvelables. Les batteries
sont les premi`eres technologies de stockage, qui sont utilis´ees pour
assurer une r´eserve d’´energie pour l’exploitant du r´eseau. En outre, les
super-condensateurs sont consid´er´es comme les deuxi`emes technologies
de stockage dans cet algorithme et sont utilis´es pour ´equilibrer les
variations rapides de puissance provenant du g´en´erateur photovolta¨ıque
et de la commande de fr´equence primaire. Une strat´egie a ´et´e pr´esent´ee
afin de contrˆoler les syst`emes de stockage en fonction des ressources
renouvelables (ressources photovolta¨ıques) et des exigences de la grille.
Dans cette strat´egie, une planification de la puissance op´erationnelle d
´eterministe a affect´e la puissance horaire des g´en´erateurs conventionnels
et photovolta¨ıques. La strat´egie pr´esent´ee repose sur des pr´edictions de
centrales photovolta¨ıques et de la consommation.
 48 3.2. LES OUTILS UTILISES POUR LA GESTION DE L’´ ENERGIE´

La gestion de l’´energie dans les smart grids en utilisant les SMA et les
pr´edictions
Dans [7], les auteurs ont propos´e un algorithme int´egrant de nombreux
agents de stockage comme le montre la Figure 3.3, dans lequel ils se sont
servis des pr´edictions des prix de l’´energie et des consommations des
utilisateurs afin de pouvoir stocker l’´energie n´ecessaire. En outre, chaque
agent de stockage a pour but de choisir l’intervalle de temps optimal pour
acheter de l’´energie `a partir de la grille, qui correspond `a la p´eriode ou` le
prix pr´edit de la grille est faible. De plus, tous les consommateurs ach`etent
leurs demandes des agents de stockage afin qu’ils n’aient pas acc`es au r
´eseau. Dans cet algorithme, les auteurs visent `a minimiser le prix de
l’´energie. N´eanmoins, cet algorithme ne prend pas en consid´eration
l’utilisation des ressources renouvelables et ne consid`ere pas le cas ou` le
consommateur pr´ef`ere acheter l’´energie directement `a partir de la grille
afin de minimiser les pertes ´energ´etiques.

Figure 3.3 – Architecture des agents de stockage dans Alberola et al. [7]

D’autres ´etudes ont propos´e des m´ecanismes de contrˆole bas´e sur les
SMA
qui visent `a int´egrer les pr´ef´erences des consommateurs dans la gestion
de la demande tel que le travail pr´esent´e dans [100], qui utilise le contrˆole
nomm´e ”homeostatic”. En effet, tous les agents dans cet algorithme repr
´esentent les consommateurs et peuvent communiquer avec le r´eseau et
optimiser la consommation d’´energie, sur la base des donn´ees agr´eg´ees et
pr´edites. En se basant sur les donn´ees pr´edites, le stockage choisit le
meilleur moment pour se charger. Cet algorithme permet de contrˆoler un
CHAPITRE 3. GESTION DE L’ENERGIE DANS LES R´ ESEAUX´
INTELLIGENTS : SOLUTIONS EXISTANTES ET BESOINS 49
syst`eme contenant des fournisseurs d’´energie renouvelable op´erant dans
le r´eseau et un certain nombre de maisons individuelles. Cette approche r
´eduit la facture ´energ´etique mais peut ´egalement r´eduire le confort des
utilisateurs et ne prend pas en consid´eration les pertes d’´energie surtout
en utilisant un grand nombre de syst`emes de stockage.
D’autre part, Rose et al. [94] ont d´evelopp´e un nouveau m´ecanisme
d’optimisation nomm´e ”Sum of Others’ plus Max (SOM)” qui est bas´e sur
l’agr´egation des informations pr´edites par une entit´e centrale afin de
prendre la d´ecision concernant la vente et l’achat de l’´energie. Ce m
´ecanisme utilise un agent centralis´e qui regroupe toutes les informations
pr´edites sur la base desquelles il ach`ete et agr`ege toute l’´energie n
´ecessaire pour le syst`eme. Afin d’encourager les agents `a d´eclarer leurs
vraies valeurs `a l’agent central, ce dernier r´ecompense les agents d’un
budget qui est ´egal aux ´economies r´ealis´ees en utilisant l’information des
agents. En utilisant l’algorithme SOM, l’agent central distribue les gains aux
agents d’une mani`ere ´equilibr´ee. N´eanmoins, la centralisation peut
remettre en cause l’´evolutivit´e de l’algorithme et constitue l’inconv´enient
majeur de cette proposition.
Wang et al. [93] ont d´evelopp´e leur algorithme de gestion de l’´energie afin
de contrˆoler le stockage pr´esent dans le syst`eme. Le contrˆole est r´ealis´e
en adoptant un algorithme qui ajuste les pr´edictions futures en cas d’une
perturbation (nouveau consommateur dans le r´eseau, panne d’une unit´e
de production, etc.). Les auteurs ont utilis´e un syst`eme distribu´e afin de
contrˆoler les syst`emes de stockage d’´energie en se basant sur les pr
´edictions de la production photovolta¨ıque. Cet algorithme ajuste `a chaque
laps de temps toutes les valeurs des pr´edictions au cas ou` une perturbation
se produit. Les valeurs pr´edites ont servi `a d´evelopper un algorithme qui
permet de planifier le plan de charge et de d´echarge des syst`emes de
stockage. Cependant, cet algorithme n’a pas pris en consid´eration
l’interaction intelligente entre les consommateurs. D’une fa¸con similaire, un
algorithme de gestion de l’´energie a ´et´e propos´e dans [101]. Cet
algorithme r´eduit le couˆt de l’´energie pour les consommateurs et r´esout
le probl`eme des ressources renouvelables intermittentes dans le contexte
du smart grid. L’algorithme propos´e utilise les pr´edictions afin de d
´eterminer la meilleure fa¸con de maintenir le r´eseau. En outre, une op
´eration d’optimisation en temps r´eel est propos´ee pour tenir compte des
exigences de fonctionnement qui permet de modifier les valeurs pr´evues.
Pour r´esoudre le probl`eme de d’utilisation ´elev´ee de donn´ees dans les
 50 3.2. LES OUTILS UTILISES POUR LA GESTION DE L’´ ENERGIE´

syst`emes de gestion de l’´energie existants, les auteurs utilisent une

architecture d’apprentissage `a base de r´eseaux de neurones enti`erement
connect´es. De cette fa¸con, il devient possible de r´eduire le temps de calcul
n´ecessaire pour pr´evoir le calendrier optimal de production et de prix des
charges sensibles. Cependant, cet algorithme n’utilise pas l’interaction
intelligente entre les consommateurs.
En effet, plusieurs recherches cit´ees ci-dessus ne prennent pas en compte
les effets des perturbations sur l’algorithme de gestion de l’´energie, telles
que [51, 98, 99, 102]. Afin d’avoir un choix optimal pour la gestion de
l’´energie, plusieurs chercheurs ont utilis´e des algorithmes math´ematiques
tels que les algorithmes g´en´etiques pour optimiser le couˆt de l’´energie. La
section suivante a pour rˆole de d´efinir bri`evement les algorithmes
d’optimisation et de d´ecrire leur apport dans la gestion de l’´energie dans
les smart grids.

3.2.3 Algorithmes d’optimisation utilis´es pour la

gestion de
l’´energie
Les algorithmes d’optimisation consistent `a trouver la combinaison ad
´equate des valeurs d’entr´ee d’une fonction qui minimise ou maximise sa
valeur de sortie sous contraintes. En effet, l’utilisation d’un algorithme
d’optimisation ne signifie pas n´ecessairement trouver la solution la mieux
adapt´ee `a un probl`eme sp´ecifique, mais cette solution doit ´egalement
ˆetre faisable et doit r´epondre aux caract´eristiques du probl`eme.
La th´eorie des jeux permet une analyse formelle des probl`emes pos´es par
une interaction strat´egique d’un groupe d’agents rationnels poursuivant
leurs propres buts. Cette th´eorie se d´efinit par un ensemble d’outils
capables d’analyser les situations dans lesquelles l’action optimale pour un
agent d´epend des anticipations qu’il constitue en se basant sur la d´ecision
d’un autre agent. L’objectif principal de la th´eorie des jeux est de d
´eterminer une strat´egie optimale pour chacun des agents, de pr´edire
l’´equilibre du jeu et de trouver comment aboutir `a une situation optimale.
Les travaux sur la th´eorie des jeux proposent ´egalement une gestion de
l’´energie distribu´ee. L’un des algorithmes les plus efficaces pour
l’optimisation dans les SMA est l’algorithme g´en´etique (AG). Les
algorithmes g´en´etiques sont initi´es dans les ann´ees 1970 par John
CHAPITRE 3. GESTION DE L’ENERGIE DANS LES R´ ESEAUX´
INTELLIGENTS : SOLUTIONS EXISTANTES ET BESOINS 51
Holland et sont des algorithmes d’optimisation s’appuyant sur les ph
´enom`enes naturels d´eriv´es de la g´en´etique tels que le croisement, la
mutation et la s´election. En effet, ces algorithmes aident `a assurer des
solutions aux probl`emes n’ayant pas de solutions calculables en temps
raisonnable de fa¸con analytique ou algorithmique. Un grand nombre de
solutions autrement nomm´ees g´enotypes sera cr´e´e et ces solutions seront
ensuite ´evalu´ees pour choisir l’optimale.
Un nombre important d’algorithmes dans la litt´erature utilise l’optimisation
pour une meilleure gestion de l’´energie au niveau des smart grids ou des
microgrids. Plusieurs recherches ont utilis´e la th´eorie des jeux pour la
gestion de la demande [93, 100, 103]. Ainsi, Ibars et al. [104] contrˆolent la
demande durant les p´eriodes de pointe en utilisant la tarification
dynamique. En plus, la th´eorie des jeux est utilis´ee pour le contrˆole de la
congestion du r´eseau. Les auteurs ont montr´e que le jeu pouvait converger
pour atteindre un ´equilibre de Nash en un nombre fini d’´etapes. Caron et
al. [105] ont propos´e un algorithme qui se base sur la tarification
dynamique qui encourage les consommateurs `a obtenir, `a un niveau agr´eg
´e, un meilleur profil de charge pour les distributeurs, et d’´etudier `a quel
point il est possible d’obtenir un profil liss´e en fonction de la quantit´e
d’informations qu’ils partagent. Cet algorithme utilise un jeu coop´eratif
dans lequel les clients ont acc`es `a la charge totale instantan´ee sur le r
´eseau et des strat´egies stochastiques sont mises en place pour am´eliorer
le gain global. La recherche dans [106] a fait valoir le fait que l’utilisation de
dispositifs de stockage ´economise de l’´energie. Dans ce travail, tous les
consommateurs r´esidentiels sont mod´elis´es par des agents autonomes
(”Smarthome”), charg´es de d´eplacer leur consommation afin de maximiser
les revenus r´esidentiels. Une technique de gestion des syst`emes de
stockage `a base d’agents a ´et´e propos´ee dont le but est de permettre
d’analyser l’´equilibre de Nash d’un r´eseau ´electrique et concevoir de
nouvelles strat´egies d’apprentissage de stockage `a base d’agents qui
s’adaptent aux conditions du march´e. Cependant, cette recherche ne prend
pas en consid´eration le confort des utilisateurs.
En outre, un syst`eme de contrˆole de la charge bas´e sur la programmation
lin´eaire (LP) a ´et´e propos´e dans [102]. Le principal objectif de cette
recherche est de minimiser la facture des consommateurs, grˆace `a un
syst`eme `a base d’optimisation et de contrˆole de la charge r´esidentielle qui
utilise la tarification en temps r´eel. En utilisant les prix moyens des p
´eriodes pr´ec´edentes, un prix unitaire sera estim´e pour les futures p
 52 3.2. LES OUTILS UTILISES POUR LA GESTION DE L’´ ENERGIE´

´eriodes. Ce syst`eme combine la pr´ediction des prix et de la consommation

afin de planifier la demande et prendre une d´ecision optimale. Ghosh et al.
[107] ont d´evelopp´e un algorithme incitatif optimal pour plusieurs niveaux
du r´eseau qui vise `a r´eduire de la demande ´energ´etique globale en
minimisant le couˆt total.
Pour la gestion de la demande r´esidentielle, l’algorithme d’O’Neill et al.
[108] r´eduit les couˆts ´energ´etiques r´esidentiels et lisse la consommation
en utili-
 53

3.3. LIMITES DES ALGORITHMES EXISTANTS

sant des techniques d’apprentissage par renforcement estimant l’impact des prix de
l’´energie et des d´ecisions futures de consommation sur les couˆts `a long terme et les
horaires d’utilisation des appareils. Les prix de l’´energie et l’utilisation des appareils
sont mod´elis´es `a l’aide de chaˆınes de Markov et ne supposent pas la connaissance de
la structure ou les probabilit´es de transition de ces chaˆınes. Ce travail montre qu’il est
possible de s’adapter aux pr´ef´erences des consommateurs et des modifications de
prix.
Par ailleurs, Vandoorn et al. [109] pr´esentent une strat´egie de contrˆole dans un
micro-grid isol´e en privil´egiant les ´energies renouvelables et en tenant compte de
leur caract`ere intermittent. La solution propos´ee assure la flexibilit´e dans la r
´epartition de l’´energie pour garantir la stabilit´e du r´eseau. Notons qu’il existe
d’autres travaux qui proposent l’utilisation d’algorithmes d’optimisation [110], de
heuristiques [111] et d’algorithmes g´en´etiques [112, 113, 114].

3.3 Limites des algorithmes existants

Les travaux que nous avons pr´esent´es dans les sections pr´ec´edentes ont d’une
part trait´e de l’usage des SMA pour introduire de l’intelligence aux diff´erents niveaux
d’un smart grid et se sont int´eress´es, d’autre part, `a l’utilisation et l’utilit´e
d’algorithmes de pr´ediction et d’optimisation dans les r´eseaux ´electriques
intelligents afin d’assurer la gestion de l’´energie. Cependant, malgr´e le besoin plus que
justifi´e d’une gestion d´ecentralis´ee de l’´energie dans le contexte des smart grids,
plusieurs auteurs ont sugg´er´e l’utilisation d’une entit´e centrale qui agr`ege les donn
´ees et prend la d´ecision pour le syst`eme entier [6, 94]. Par ailleurs, les travaux qui
ont propos´e un algorithme pour la gestion de l’´energie compl`etement d´ecentralis´ee
n’ont pas utilis´e de stockage intelligent qui permet de stocker l’exc`es de production
[6, 52, 89, 99]. Plusieurs recherches ont eu recours au d´ecalage de l’utilisation de
l’´energie, ce qui va `a l’encontre du confort de l’utilisateur [98, 100, 106]. D’autres ont
utilis´e les algorithmes d’optimisation de l’´energie pour arriver `a une solution
optimale d’achat ou de vente de l’´energie mais ces algorithmes sont complexes et n
´ecessitent un grand nombre d’it´erations pour aboutir `a la configuration optimale [93,
100, 103, 110, 111, 112, 113, 114]. Enfin, presque tous les algorithmes pr´esent´es
n’ont pas pris en consid´eration les pertes d’´energie dans le cas d’utilisation
d’algorithmes distribu´es.
Cependant, malgr´e le besoin d’une gestion d´ecentralis´ee de l’´energie au sein des
smart grids, nous remarquons que tr`es peu, voire aucun, de travaux de recherche se
sont int´eress´es `a l’utilisation de l’approche multi-agents compl`etement distribu´ee
qui n´egocie `a plusieurs niveaux l’achat et la vente de l’´energie tout en minimisant les
pertes d’´energie. Il y a donc un r´eel besoin d’une solution de gestion de l’´energie r
´epondant aux besoins du r´eseau ´electrique en termes de gestion d´ecentralis´ee
proactive et prenant en consid´eration les contraintes impos´ees par le r´eseau.

3.4 Besoin d’une nouvelle solution pour la gestion

de l’´energie
Dans le contexte des smart grids et particuli`erement celui du r´eseau de
consommation, l’´equilibre d’´energie constitue une probl´ematique majeure, identifi
´ee par de nombreux chercheurs. En effet, avec l’int´egration des ressources ´energ
´etiques renouvelables, on se trouve face `a un besoin de gestion et de maˆıtrise de
l’´energie `a cause de l’intermittence de ces ressources. Ce besoin est notamment li´e `a
la probl´ematique d’´equilibre de la production et de la consommation sur le r´eseau
´electrique. Dans cette th`ese, nous visons `a int´egrer efficacement les ´energies
renouvelables dans le syst`eme ´electrique et avons, dans ce sens, d´evelopp´e un
ensemble d’algorithmes qui aident dans la gestion de l’´energie dans le smart grid en
minimisant les effets d’intermittence et en maximisant l’int´egration de l’´energie dite
verte. Les besoins auxquelles ce travail vise `a r´epondre peuvent ˆetre r´esum´es
comme suit [1, 3, 5] : Besoin 1 : garantir l’´equilibre entre l’offre et la demande en int
´egrant un syst`eme de stockage intelligent.
Besoin 2 : optimiser le couˆt d’achat de l’´energie et la facture des consommateurs.
Besoin 3 : minimiser l’utilisation de la grille surtout durant les p´eriodes de pointe.
Besoin 4 : minimiser la perte en ligne de l’´energie.
Besoin 5 : maximiser autant que possible le gain des producteurs.
Besoin 6 : augmenter autant que possible la vie des syst`emes de stockage. Besoin 7 :
minimiser le nombre de messages ´echang´es pour de meilleures performances du r
´eseau.
A notre connaissance, aucun des travaux issus de la litt´erature n’a fourni une solution
qui pourrait r´epondre `a ces besoins dans le cadre d’un smart grid. Nous visons `a
travers cette th`ese `a r´epondre `a un maximum de ces besoins et `a fournir une
solution `a ces probl´ematiques d’actualit´e qui comble les limitations des propositions
existantes en adoptant une approche multiagents, qui est naturellement adapt´ee aux
syst`emes distribu´es et qui leur apporte l’autonomie qui leur est n´ecessaire.
CHAPITRE 3. GESTION DE L’ENERGIE DANS LES R´ ESEAUX´
INTELLIGENTS : SOLUTIONS EXISTANTES ET BESOINS 55

3.5. SOLUTION PROPOSEE POUR UNE MEILLEURE´ 52

INTEGRATION DES´ ENERGIES RENOUVELABLES´

3.5 Solution propos´ee pour une meilleure

int´egration des ´energies renouvelables

Comme nous l’avons vu dans les sections pr´ec´edentes, les syst`emes de stockage
intelligents font partie int´egrante des smart grids. Afin de g´erer les flux ´energ´etiques
de toutes les entit´es du syst`eme et de d´ecentraliser leur traitement, nous adoptons
une approche multi-agents. En effet, les SMA sont capables d’apporter l’intelligence et
l’autonomie n´ecessaires `a cette gestion. Selon le contexte dans lequel ils sont d´eploy
´es, ces entit´es devront ex´ecuter certaines tˆaches plutˆot que d’autres. Nous adoptons
dans notre solution des agents intelligents dont chacun est organis´e en 3 couches : (1)
la couche de connaissance qui pr´esente les connaissances du monde que manipule
l’agent ainsi que les op´erations de cet agent; c’est la partie code de l’agent ou la partie
programmable. (2) La couche d’interaction et de n´egociation qui permet de g´erer la
communication avec diff´erents agents du SMA. (3) La couche cognitive qui permet
d’adapter le comportement d’un agent, par exemple par apprentissage. En outre, cette
couche r´ecup`ere les informations n´ecessaires `a la prise de d´ecision. Dans notre
mod`ele, les agents sont des entit´es logicielles embarqu´ees dans la grille, les
compteurs intelligents des maisons connect´ees, les syst`emes de production et le
syst`eme de stockage. La communication d’informations entre les agents se fait par un
´echange compr´ehensible de plusieurs messages tels que :
— Inform message : ce message est ´echang´e entre tous les agents du syst`eme
afin de communiquer des informations utiles pour atteindre l’objectif de
gestion.
— Request message : ce message est ´echang´e entre tous les agents du syst`eme
afin de demander l’´energie aux sources d’´energie.
— Agree request message : ce message est envoy´e par un agent qui accepte la
demande provenant d’un autre agent.
— Refuse request message : ce message est envoy´e par un agent qui refuse la
demande d’un autre agent.
— Call for proposal message : ce message est utilis´e pour lancer un appel `a
propositions lors des n´egociations.
— Propose message : ce message est utilis´e pour proposer une solution de n
´egociation.
 — Accept proposal message : ce message est envoy´e par un agent qui accepte la
proposition provenant d’un autre agent lors d’une n´egociation.
— Refuse proposal message : ce message est envoy´e par un agent
qui refuse la proposition provenant d’un autre agent lors d’une n´egociation.
La Figure 3.4 r´esume le fonctionnement et les tˆaches de nos agents. Notre SMA pr´edit
les prix de l’´energie, les productions des ´energies renouvelables (RE) et les
consommations des utilisateurs pour un jour (pr´edictions Dayahead) en utilisant un
algorithme de pr´ediction d´efini dans le chapitre suivant et planifie, sur la base de ces
informations, les actions et tˆaches `a effectuer. Il est n´ecessaire que notre SMA agisse
durant des intervalles de temps plus courts durant la journ´ee en prenant en consid
´eration les prix en temps r´eel (”Real-Time Pricing ou RTP”), les productions et les
consommations en temps r´eel.

Figure 3.4 – Tˆaches des agents dans notre proposition

3.6 Conclusion
Ce chapitre a mis l’accent sur les divers outils permettent dans la gestion de
l’´energie dans le contexte des smart grids. Nous avons ainsi pr´esent´e les algorithmes
qui permettent d’assurer l’´equilibre production-consommation d’une mani`ere
optimale. Apr`es avoir identifi´e le besoin de la gestion de l’´energie et l’´equilibre offre-
demande dans les smart grids, nous nous sommes attard´es sur les travaux existants
dans la litt´erature qui ont trait´e la ges54 3.6. CONCLUSION
CHAPITRE 3. GESTION DE L’ENERGIE DANS LES R´ ESEAUX´
INTELLIGENTS : SOLUTIONS EXISTANTES ET BESOINS 57

tion de l’´energie dans ce contexte. En plus, nous avons mis en ´evidence les besoins de
gestion d’un smart grid et propos´e une architecture de gestion d´ecentralis´ee bas´ee
sur les syst`emes multi-agents. Le chapitre suivant est consacr´e `a notre contribution
associ´ee `a la gestion de l’´energie au sein d’un smart grid en utilisant des syst`emes de
stockage intelligents et des algorithmes de n´egociation.
Chapitre 4

ANEMAS : Gestion de l’´energie `a

base d’agents dans les smart grids

Sommaire

4.1 Introduction ..................... 55

4.2 Motivations . . . . . . . . . . . . . . . . . . . . . . 56

4.3 Sc´enario mis en œuvre . . . . . . . . . . . . . . . 57

4.4 Approche d´ecentralis´ee pour la gestion de l’´energie

dans les smart grids . . . . . . . . . . . . . . . . . 58

4.4.1 Proposition de gestion multi-niveaux de l’´energie . 59

4.4.2 Syst`eme multi-agents utilis´e : Sc´enarios et condi-

tions `a prendre en consid´eration .......... 61

4.4.3 Description de l’algorithme propos´e : ANEMAS . . 64

4.5 Evaluation des performances de l’approche pro-

pos´ee . . . . . . . . . . . . . . . . . . . . . . . . . . 70

4.5.1 Param`etres des simulations r´ealis´ees . . . . . . . . 71

4.5.2 Description et discussion des r´esultats obtenus .. 72

4.6 Conclusion ...................... 76

4.1 Introduction
Nous avons mis en ´evidence, dans les chapitres pr´ec´edents, le rˆole et
l’importance des syst`emes multi-agents et des algorithmes de n´egociation dans les
smart grids, en particulier pour la gestion de l’´energie dans un
CHAPITRE 4. ANEMAS : GESTION DE L’ENERGIE´ A BASE`
D’AGENTS DANS LES SMART GRIDS 59

55
56
4.2. MOTIVATIONS

syst`eme qui utilise des ressources d’´energie renouvelables distribu´ees et

intermittentes. Nous avons aussi identifi´e le besoin de gestion efficace et intelligente
de l’´energie pour r´eduire le couˆt pay´e par les consommateurs et les pertes ´energ
´etiques et pour augmenter le confort des utilisateurs et l’efficacit´e du syst`eme.
Dans ce chapitre, seront pr´esent´ees les m´ethodes de gestion de l’´energie, en utilisant
un r´eseau bidirectionnel intelligent, sur lesquelles s’appuie la strat´egie de contrˆole de
l’´energie. Dans un premier temps, nous pr´esenterons nos motivations et les sc´enarios
trait´es. Ensuite, nous pr´esenterons la proc´edure de planification pour une journ´ee
(appel´ee proc´edure ”offline” ou proactive) qui minimise la facture ´energ´etique en
fonction des pr´evisions de consommation/production et des tarifs de l’´energie r´ealis
´es chaque jour. Dans la troisi`eme partie, sera pr´esent´ee la gestion `a court terme
(appel´ee proc´edure ”online” ou r´eactive) qui a pour objectif d’adapter sur un temps
court (typiquement une heure) l’utilisation des ressources ´energ´etiques afin de
l’ajuster au profil optimal pr´evu par les proc´edures offline, et ce malgr´e les erreurs de
pr´ediction de la production et de la consommation. Les diff´erentes simulations
comparent notre approche `a d’autres algorithmes de la litt´erature pr´esent´es dans le
chapitre pr´ec´edent en termes de prix et d’utilisation des ressources ´energ´etiques.

4.2 Motivations
Les syst`emes de gestion de l’´energie visent `a organiser et planifier l’utilisation
des ressources ´energ´etiques distribu´ees pr´esentes dans un syst`eme ´electrique. Il
est important de rappeler qu’on ne dispose pas `a ce jour d’une m´ethode susceptible
de r´esoudre tous les cas d’une fa¸con optimale et distribu´ee. Il existe un certain
nombre de probl`emes g´en´eriques que nous avons identifi´es dans le chapitre 3, qui
se diff´erencient par les caract´eristiques des travaux `a r´ealiser ou des ressources
disponibles pour les r´ealiser, des m´ethodes sp´ecifiques peuvent ˆetre alors associ´ees
`a la r´esolution de chacun de ces probl`emes. Le travail pr´esent´e dans ce chapitre d
´ecrit un algorithme visant `a prendre en compte la robustesse et la flexibilit´e d’une
gestion dynamique par la d´efinition et la mise en œuvre d’un syst`eme d’aide `a la d
´ecision. Nous proposons une structure d’agents cognitifs qui ex´ecutent les fonctions
de gestion et permettent de planifier des tˆaches des ressources et d’adapter les plans g
´en´er´es en fonction des perturbations ou des al´eas de production. La solution d’aide
`a la d´ecision a deux objectifs : (1) minimiser le couˆt d’achat de l’´energie par les
consommateurs et (2) minimiser l’acc`es `a la grille surtout durant les heures de pointe.
Pour bien positionner les buts de l’algorithme propos´e dans ce chapitre, nous pr
´esenterons le sc´enario d’application dans la prochaine section.

4.3 Sc´enario mis en œuvre

Notre contribution consiste en un syst`eme multi-agents qui exploite les donn´ees
dont il dispose dans le contrˆole et l’ordonnancement des tˆaches d’utilisation
d’´energie pour une gestion intelligente de celle-ci. Cependant, nous avons choisi
d’illustrer l’application de notre SMA en consid´erant un cas des consommateurs r
´esidentiels munis ou pas de ressources renouvelables. Notre choix est justifi´e par
l’importance de ce secteur dans la consommation
´energ´etique mentionn´e dans [1, 4, 115, 116, 117] ainsi que par les besoins et les d
´ependances croissantes de l’´energie [118] et surtout dans le domaine r´esidentiel. Il
est crucial que les composants du syst`eme choisi soient surveill´es et contrˆol´es,
notamment par le biais de capteurs et d’actionneurs. Nous consid´erons donc un r
´eseau dans lequel les agents r´ecup`erent les donn´ees r´ecolt´ees par les capteurs d
´eploy´es sur diff´erentes entit´es telles que des ´eoliennes, un syst`eme de stockage, un
lave-linge, etc. (cf. Figure 4.1). Les capteurs sont install´es sur les diff´erents
composants et surveillent un certain nombre de param`etres. Les particularit´es des
agents dans notre syst`eme sont les suivantes : (1) ces agents ne sont pas d´eploy´es al
´eatoirement, leur position (x,y) est connue, (2) ces agents sont h´et´erog`enes, (3)
chaque agent peut utiliser des donn´ees d’un ou plusieurs capteurs lors de la prise de d
´ecision. Dans ce qui suit, nous allons consid´erer qu’une activit´e correspond `a la d
´etection d’une demande ´energ´etique, qui peut ˆetre signal´ee comme prioritaire ou
non selon son importance et son urgence. Tenant compte des besoins et objectifs que
nous avons identifi´es au chapitre 3, nous introduisons dans la section suivante notre
algorithme de gestion et de contrˆole de l’´energie en utilisant des informations r´ecolt
´ees par les capteurs d´eploy´ees sur les entit´es et analys´ees par les agents afin de
prendre une d´ecision optimale.
CHAPITRE 4. ANEMAS : GESTION DE L’ENERGIE´ A BASE`
D’AGENTS DANS LES SMART GRIDS 61

Figure 4.1 – Exemple de positionnement de quelques capteurs et agents

(adapt´ee de [8])

4.4 Approche d´ecentralis´ee pour la gestion de

l’´energie dans les smart grids
Le comportement d’ordonnancement et de contrˆole de nos agents est r
´egi par l’algorithme ANEMAS (”Agent-based eNErgy MAnagement in Smart
grids”) qui est un algorithme de gestion de l’´energie dans un syst`eme
hybride form´e de diff´erents types d’entit´es. Cette proposition a plusieurs
avantages `a savoir : (1) l’utilisation de syst`emes de stockage intelligents,
(2) la d´etermination de l’importance des donn´ees capt´ees, (3) une prise de
d´ecisions en fonction des donn´ees capt´ees, (4) une minimisation
importante du couˆt de l’´energie, (5) une minimisation de l’utilisation de la
grille surtout durant les pics de consommation.
Pour cela, nous divisons notre algorithme ANEMAS en deux ´etapes (cf.
Figure 4.2) : (1) l’´etape proactive qui est responsable de la pr´ediction des
donn´ees, leur analyse et la planification qui se base sur ces donn´ees, (2)
l’´etape r´eactive qui pour chaque intervalle de temps d’une heure, ajuste les
 4.4. APPROCHE DECENTRALIS´ EE POUR LA GESTION DE´
62 L’ENERGIE DANS LES SMART GRIDS´
pr´edictions et prend toutes les d´ecisions concernant l’achat et la vente de
l’´energie.

Figure 4.2 – Etapes de la proposition ANEMAS´

On choisit une p´eriode de ∆t=24 heures (un jour) pour ´evaluer notre
syst`eme (dur´ee de l’´etape proactive). En outre, on divise la journ´ee en des
intervalles de temps d’une dur´ee ´egale `a 1 heure tels que t∈T, alors on d
´efinit T={0, 1, ..., 23} et la p´eriode de l’´etape r´eactive est ∆t´ =1 heure. En
plus, nous utilisons l’algorithme de pr´ediction d´efini dans [100], dans
lequel `a chaque ∆t, l’agent producteur (l’agent consommateur
respectivement) pr´evoit toute sa production (consommation
respectivement) pour la journ´ee en cours (jour i) en fonction de ses donn
´ees historiques. Les donn´ees pour chaque t∈T ( t = 1 heure) sont calcul´ees
selon les ´equations (4.1, 4.2), et repr´esentent la moyenne sur les k jours pr
´ec´edents pour une p´eriode t (nous choisissons k = 3).

(4.1)

(4.2)
CHAPITRE 4. ANEMAS : GESTION DE L’ENERGIE´ A BASE`
D’AGENTS DANS LES SMART GRIDS 63
Dans ce qui suit, nous commen¸cons par pr´esenter la proposition de la d
´ecomposition de la gestion de l’´energie en plusieurs niveaux, qui sera
adopt´ee tout le long de ce manuscrit, pour passer ensuite `a la pr´esentation
de notre algorithme ANEMAS.

4.4.1Proposition de gestion multi-niveaux de l’´energie

Afin de parvenir `a une meilleure coordination entre les ´el´ements du
smart grid (consommateurs, producteurs, syst`emes de stockage, etc.), nous
proposons un nouveau m´ecanisme multi-niveaux pour la gestion de
l’´energie (des ´etudes telle que [119] ont pr´esent´e une id´ee sur le m
´ecanisme multi-niveaux). Cette nouvelle architecture est con¸cue pour
minimiser la facture des consommateurs en minimisant les couˆts de
l’´energie `a plusieurs niveaux. Notre proposition consid`ere quatre niveaux
distincts de gestion de l’´energie pr´esent´es dans la Figure 4.3. En effet, la
performance et la latence du syst`eme changent avec le nombre de niveaux
choisi.

Premier niveau de gestion de l’´energie Dans ce niveau, le

soussyst`eme est compos´e des producteurs, des consommateurs et des
syst`emes de stockage. Ce niveau est caract´eris´e par une gestion de
l’´energie interne entre tous les composants du sous-syst`eme en tenant
compte de la consommation pr´evue ainsi que de la production de tous les
producteurs et de la grille. Dans ce niveau, l’objectif principal de l’ensemble
du sous-syst`eme est de minimiser le couˆt de l’´energie. En se basant sur les
donn´ees pr´edites, les consommateurs choisissent intelligemment entre les
producteurs, les syst`emes de stockage et la grille pour satisfaire leurs
besoins. En outre, un producteur a pour but de maximiser ses gains, en
choisissant la meilleure fac¸on pour vendre sa production. Dans ce chapitre
et les chapitres 5, 6 et la premi`ere partie du chapitre 7, nous proposons des
algorithmes pour la gestion de l’´energie dans le premier niveau de notre
architecture.
 4.4. APPROCHE DECENTRALIS´ EE POUR LA GESTION DE´
64 L’ENERGIE DANS LES SMART GRIDS´

Figure 4.3 – Architecture multi-niveaux pour la gestion de l’´energie au sein

des smart grids

Deuxi`eme niveau de gestion de l’´energie En effet, un r´eseau r

´egional a un certain nombre de sous-syst`emes qui appartiennent `a son
propre r´eseau. Par cons´equent, il est responsable de satisfaire les besoins
de tous ses sous-syst`emes. Dans le deuxi`eme niveau, le r´eseau r´egional
recueille tous les besoins de son r´eseau et applique sa proposition en
consid´erant toutes les exigences. Dans le chapitre 7, on propose des
algorithmes pour la gestion de l’´energie dans le deuxi`eme niveau de notre
architecture.

Troisi`eme niveau de gestion de l’´energie Le troisi`eme niveau vise `a

mettre en œuvre la coop´eration entre de nombreux r´eseaux r´egionaux.
Cela permet `a un r´eseau r´egional de coop´erer et de n´egocier avec le r
´eseau voisin afin de satisfaire ses exigences sans demander de l’´energie `a
la macro-grille. De cette fac¸on, cette architecture permet d’obtenir les
profits les plus ´elev´es possibles.

Quatri`eme niveau de gestion de l’´energie Une macro-grille a un

certain nombre de r´eseaux r´egionaux qui appartiennent `a son propre r
´eseau. Par cons´equent, elle est responsable de satisfaire les besoins de tous
ces r´eseaux (ou autrement dit sous-r´eseaux). Dans ce niveau, la macrogrille
CHAPITRE 4. ANEMAS : GESTION DE L’ENERGIE´ A BASE`
D’AGENTS DANS LES SMART GRIDS 65
recueille tous les besoins de son r´eseau et applique sa proposition en
consid´erant toutes les exigences.
En effet, ANEMAS est un algorithme de gestion de l’´energie se trouvant en
premier niveau de l’architecture pr´esent´ee en haut. Dans la sous-section
suivante nous pr´esentons les conditions `a prendre en consid´eration en
utilisant ANEMAS (et les propositions qui suivront dans les chapitres
suivants) ainsi que les ´etapes le d´efinissant.

4.4.2 Syst`eme multi-agents utilis´e : Sc´enarios et conditions `a

prendre en consid´eration
Notre proposition de gestion de l’´energie se caract´erise par la coop
´eration interne entre chaque ´el´ement du sous-syst`eme et la grille afin de r
´eduire la facture des consommateurs.
Dans les paragraphes suivants, nous allons d´etailler notre syst`eme
multiagents.

Choix du syst`eme multi-agents

Dans un sous-syst`eme qui appartient au premier niveau de gestion de
l’´energie (cf. sous-section 4.4.1), les agents sont des entit´es logicielles
embarqu´ees dans la grille, les compteurs intelligents des utilisateurs `a
domicile, les syst`emes de production et le syst`eme de stockage. Dans notre
mod`ele, on propose d’impl´ementer 4 types d’agents pr´esent´es dans la
Figure 4.4 : (1) l’agent grille impl´ement´e dans la grille (2) l’agent stockage
impl´ement´e dans un syst`eme de stockage 3 (3) l’agent consommateur impl
´ement´e dans les compteurs intelligents dont sont dot´es les immeubles r
´esidentiels (4) l’agent producteur impl´ement´e dans les ressources
d’´energie renouvelables.
En effet, la grille repr´esente les grandes compagnies de g´en´erateurs qui
sont les principales sources d’´energie. Par cons´equent, elle a pour objectif
de vendre de l’´energie aux consommateurs et/ou au syst`eme de stockage
en r´eponse `a une demande de leur part. En outre, elle ach`ete l’´energie en
exc`es des producteurs quand elle re¸coit une proposition d’acheter cette
´energie. L’agent producteur vise `a contrˆoler la vente de l’´energie qu’il
produit, alors que l’agent consommateur est charg´e de n´egocier l’achat

3 . Dans cet algorithme, nous proposons un syst`eme de stockage compos´e de batteries.

Quelques exemples de ces batteries sont pr´esent´es dans [120, 121, 122].
 4.4. APPROCHE DECENTRALIS´ EE POUR LA GESTION DE´
66 L’ENERGIE DANS LES SMART GRIDS´
d’´energie avec d’autres consommateurs et producteurs. Enfin, l’agent de
stockage est charg´e de contrˆoler l’achat de l’´energie stock´ee dans le
syst`eme de stockage et la vente d’´energie aux consommateurs quand il y a
un manque de production.

Figure 4.4 – Agents du syst`eme propos´e

Nous proposons plusieurs conditions qui doivent ˆetre prises en consid

´eration pour fournir une gestion autonome et d´ecentralis´ee de l’´energie
dans le contexte du smart grid. On propose de d´ecomposer les donn´ees des
consommateurs en plusieurs priorit´es afin de minimiser les
consommations en heures de pics. La sous-section suivante a pour rˆole de d
´efinir les priorit´es utilis´ees et de les expliquer.
Communication `a base des priorit´es
Dans notre proposition et tout au long de cette th`ese, on d´ecompose les
consommations en plusieurs niveaux de priorit´e selon leur urgence. On d
´efinit trois niveaux de priorit´e {Pr1, Pr2, Pr3} dont les activit´es ayant
comme priorit´e ”Pr1” sont les activit´es les plus prioritaires et celles ayant
comme priorit´e ”Pr3” sont les moins prioritaires. Chaque consommateur a
plusieurs entit´es qui consomment de l’´energie (e.g. lave-linge, ordinateurs,
t´el´evisions) et afin de minimiser sa facture, il divise ses consommations en
plusieurs niveaux de priorit´e selon ses pr´ef´erences. Notons que chaque
consommateur a sa propre d´ecomposition de niveaux de priorit´e qui
diff`ere des autres consommateurs du syst`eme. Le Tableau 4.1 pr´esente un
exemple de d´ecomposition des consommations en niveaux de priorit´e pour
un utilisateur quelconque.
CHAPITRE 4. ANEMAS : GESTION DE L’ENERGIE´ A BASE`
D’AGENTS DANS LES SMART GRIDS 67
Tableau 4.1 – Exemple de d´ecomposition des consommations en niveaux de
priorit´e
Niveaux de priorit´e Pr1 Pr2 Pr3

Lave-linge Ordinateur
Consommations Chauffage Four T´el´evision
R´efrig´erateur
Enfin, nous consid´erons que chaque activit´e a un niveau de priorit´e qui
sera ´evalu´e par le consommateur et les d´ecisions seront prises en fonction
de ces priorit´es. Nous surlignons les effets et l’importance de ces niveaux de
priorit´e dans le chapitre 7 lors de la description d’un algorithme qui
optimise les couˆts en utilisant les niveaux de priorit´e.
En plus de la prise en compte des priorit´es des activit´es de consommation
d’´energie, la p´eriode `a laquelle cette activit´e doit avoir lieu est d’une
grande importance.

Division de la journ´ee en plusieurs p´eriodes

Une pointe de consommation ´electrique est la consommation la plus
´elev´ee d’un r´eseau ´electrique pendant une p´eriode d´efinie (jour, mois,
saison, etc.). Elle d´epend de la localisation et de la p´eriode ´etudi´ee et de la
difficult´e de stockage de l’´electricit´e qui pose des probl`emes particuliers
aux gestionnaires de r´eseaux et aux producteurs d’´electricit´e.
Par ailleurs, la demande globale d’´electricit´e suit des cycles journaliers,
hebdomadaires et saisonniers, bas´es notamment sur une combinaison de
facteurs, dont la succession du jour et de la nuit, le climat, l’activit´e
´economique. On distingue trois principaux types de p´eriodes de pointe :
(1) les pointes journali`eres qui se produisent souvent en fin de journ´ee,
lorsque les utilisateurs rentrent du travail. La pointe sera plus accentu´ee
dans les r´eseaux ou` le chauffage de l’eau et les appareils ´electrom´enagers
utilisent l’´electricit´e plutˆot que le gaz (2) les pointes hebdomadaires qui se
produisent durant le week-end et (3) les pointes saisonni`eres qui peuvent
survenir et ˆetre produites selon les saisons.
Dans ce manuscrit, on s’int´eresse aux pics journaliers. Le Tableau 4.2 est un
exemple de la d´ecomposition d’une journ´ee en 3 diff´erentes p´eriode : (1)
la p´eriode creuse (”Off-Peak” ou OP), (2) la p´eriode de faible charge (”Low-
Peak” ou LP) et la p´eriode de pointe (”High-Peak” ou HP).

Tableau 4.2 – P´eriodes de la journ´ee

 4.4. APPROCHE DECENTRALIS´ EE POUR LA GESTION DE´
68 L’ENERGIE DANS LES SMART GRIDS´
OP LP HP

Heure 00 :00 to 12 :59 13 :00 to 19 :59 20 :00 to 23 :59

Faible Consommation
consommation Consommation ´energ´etique
d’´energie et ´energ´etique atteint son maximum
Caract´eristiques faible prix commence `a et les prix
augmenter ainsi de l’achat de l’´energie
que les couˆts deviennent
´elev´es
Durant l’OP, les demandes en ´energie sont tr`es faibles et il en est de
mˆeme pour le couˆt. Cependant, durant le LP, les demandes ´energ´etiques
et les couˆts commencent `a augmenter. Enfin, durant le HP, les demandes
´energ´etiques sont importantes et les couˆts deviennent tr`es importants.
En utilisant ces 3 p´eriodes, nous proposons ANEMAS qui sera pr´esent´e et
d´etaill´e dans les sous-sections suivantes.

4.4.3 Description de l’algorithme propos´e : ANEMAS

Comme nous l’avons justifi´e dans les parties pr´ec´edentes, pour
atteindre nos objectifs de gestion, nous utilisons une architecture multi-
agents. Tous les agents de notre mod`ele sont en concurrence les uns avec
les autres afin de maximiser leurs profits. En outre, les consommateurs
coop`erent ensemble et avec toutes les ressources d’´energie (producteurs
et grille) et avec le syst`eme de stockage d’´energie dans leur r´eseau afin
d’´etablir un accord qui r´eponde `a leurs objectifs de couˆt minimal.

Algorithme de l’agent grille

La grille repr´esente la principale source d’´energie, avec de grands g´en

´erateurs ´electriques appartenant aux grandes compagnies g´en´erant des
´energies non renouvelables. En effet, un r´eseau ´electrique est compos´e de
fournisseurs d’´electricit´e et des consommateurs qui sont reli´es par des
lignes de transport et de distribution. Quand la plupart des gens parlent de
l’´energie de la ”grille”, ils font r´ef´erence au syst`eme de transport
d’´electricit´e. Dans notre proposition, l’agent grille (AGgr) a un rˆole pr´ecis,
qui consiste `a vendre de l’´energie aux consommateurs r´esidentiels et/ou
aux syst`emes de stockage en cas de besoin. Cette grille ach`ete aussi la
production d’´energie renouvelable en exc`es `a partir des sources de
CHAPITRE 4. ANEMAS : GESTION DE L’ENERGIE´ A BASE`
D’AGENTS DANS LES SMART GRIDS 69
production renouvelables. Dans ce contexte, l’AGgr peut recevoir deux types
de messages : (1) les messages d’achat et (2) les messages de vente. Les
messages d’achat ont pour rˆole de demander de l’´energie `a partir de la
grille et sont envoy´es par les consommateurs et les syst`emes de stockage.
Quant aux messages de vente, ils contiennent la demande de vente
d’´energie renouvelable en exc`es.
L’algorithme de l’AGgr est d´ecrit dans la Figure 4.5 et ses param`etres sont :
— MaxGridEnergy(t) : capacit´e maximale de la grille (en kWh).
— RequestedEnergy(t) : quantit´e d’´energie demand´ee par un
consommateur (en kWh).
— GridEnergy(t) : ´energie instantan´ee de la grille (en kWh).
— EnergyToSell(t) : ´energie `a vendre `a la grille par un producteur (en
kWh).
Comme le montre le travail de recherche r´esum´e dans [91], la grille peut
contrˆoler la quantit´e maximale d’´energie qu’elle vend afin de g´erer la
consommation d’´energie. En effet, l’AGgr peut recevoir une demande des
consommateurs pour leur vendre de l’´energie quand il y a un manque dans
la production d’´energie renouvelable (cf. Figure 4.5). Au cas ou` l’´energie
de la grid est suffisante, elle satisfait les demandes des consommateurs
(GridEnergy(t) ≥ RequestedEnergy(t)) et au cas ´ech´eant (GridEnergy(t) <
RequestedEnergy(t)) elle refuse la demande du consommateur ou la satisfait
partiellement. Au cas ou` l’agent AGgr rec¸oit un message de la part d’un
producteur qui souhaite lui vendre l’´energie et si la grille peut supporter
cette ´energie (MaxGridEnergy(t)−GridEnergy(t) ≥ EnergyToSell(t)), alors
l’agent grille accepte la demande.
 4.4. APPROCHE DECENTRALIS´ EE POUR LA GESTION DE´
70 L’ENERGIE DANS LES SMART GRIDS´
Figure 4.5 – Algorithme de l’AGgr

Algorithme de l’agent de stockage

L’agent de stockage (AGst) est charg´e de fournir de l’´energie aux

consommateurs pendant les heures de pointe ou en cas de manque
d’´energie. En cas d’exc`es de production, cet agent stocke l’´energie en
exc`es qui peut ˆetre utilis´ee plus tard afin de r´eduire les couˆts de
l’´energie. L’agent de stockage doit respecter plusieurs param`etres, pr´esent
´es ci-apr`es, concernant la quantit´e d’´energie `a stocker afin de r´epondre
aux besoins des utilisateurs :
— SOCmin : ´etat de charge minimal de la batterie (en kWh).
— SOCmax : ´etat de charge maximal de la batterie (en kWh).
— PR : prix de l’´energie achet´ee de la grille (en centimes/kWh).
— PR(t) : prix de l’´energie achet´ee de la grille durant la p´eriode t (en
centimes/kWh).
— PRmin : prix minimal de l’´energie achet´ee de la grille (en
centimes/kWh).
— Peak : somme des pics de consommation pr´edits (en kWh).
— SOC(t) : ´etat de charge instantan´e de la batterie (en kWh).
— D(j) : ´energie demand´ee durant la p´eriode j (en kWh).
— RE(j) : ´energie produite durant la p´eriode j (en kWh).
— ENst : ´energie `a stocker (en kWh).
— tpeak : temps correspondant `a la consommation maximale au cours
d’une journ´ee.
Les ´etapes de l’agent de stockage sont pr´esent´ees dans l’algorithme 1.
Dans le Tableau 4.3, nous montrons un exemple pour expliquer le calcu-

Algorithm 1 Algorithme de l’agent de stockage

)); //
Montant de l’´energie a` stocker afin de satisfaire toutes les demandes (de la p´eriode actuelle (t)
`a la p´eriode 23)
si PR = PRmin alors
si ENst ≤ SOCmax alors
RequestCharge(ENst); //L’agent de stockage demande une quantit´e d’´energie ´egale `a ENst de la
grille sinon
RequestCharge(SOCmax); //L’agent de stockage demande une quantit´e d’´energie ´egale
`a SOCmax de la grille fin si
sinon //PR n’est pas ´egal `a PRmin
CHAPITRE 4. ANEMAS : GESTION DE L’ENERGIE´ A BASE`
D’AGENTS DANS LES SMART GRIDS 71
si SOC(t) < ENst et PR(t) < PR(t + 1) alors //Si le stockage ne peut pas r´epondre `a toutes les
demandes et en plus le prix de l’´energie a` la p´eriode t + 1 est sup´erieur au prix de l’´energie `a la
p´eriode t
si RE(t + 1) < D(t + 1) et D(t + 1) − RE(t + 1) ≥ SOCmax − SOC(t) alors
RequestCharge(D(t+1)−RE(t+1)); //S’il y a un espace dans le syst`eme de stockage (SOCmax −
SOC(t)) pour charger l’´energie n´ecessaire (D(t + 1) − RE(t + 1)), alors l’agent de stockage
demande une quantit´e d’´energie ´egale `a D(t+1)−RE(t+1) de la grille fin si
fin si
GoToNextPeriod(); fin si

ler d’ENst. On suppose que Peak − SOC(tpeak) − RE(tpeak) = Peak −

) et nous consid´erons que durant la
p´eriode 0 le prix de l’´energie est minimal, de sorte que l’agent de stockage
calcule l’´energie `a stocker. Pour simplifier l’exemple, nous consid´erons
seulement 3 p´eriodes. Comme montr´e dans l’exemple, la p´eriode de pic
correspond `a la p´eriode 1. Normalement, la batterie doit stocker le manque
d’´energie qui pourrait se produire (=3 dans cet exemple, ligne 4 du tableau
4.3) mais dans la p´eriode de pointe le consommateur peut avoir un manque
d’´energie que le stockage ne peut pas satisfaire. Dans la p´eriode HP, la
demande peut ˆetre sup´erieure `a Peak − SOC(tpeak) − RE(tpeak) (=5 dans
cet exemple, ligne 5 du tableau 4.3) et elle est sup´erieure `a 3, alors le
syst`eme de stockage doit stocker 5 kWh (qui correspond au max (5,3)) `a la
p´eriode 0. Apr`es avoir calcul´e ENst, l’agent de stockage demande une
quantit´e d’´energie ´egale `a ENst de la grille quand PR = PRmin. Au moment
ou` PR n’est pas ´egal `a PRmin et si le stockage ne peut pas r´epondre `a toutes
les demandes et en plus le prix de l’´energie `a la p´eriode t + 1 est sup´erieur
au prix de l’´energie `a la p´eriode t (PR(t) < PR(t + 1)) alors, l’agent de
stockage demande une quantit´e d’´energie ´egale `a D(t+1)−RE(t+1) de la
grille.
Tableau 4.3 – Exemple de calcule de ENst
 4.4. APPROCHE DECENTRALIS´ EE POUR LA GESTION DE´
72 L’ENERGIE DANS LES SMART GRIDS´
Algorithme de l’agent consommateur
Dans notre proposition, nous consid´erons que les agents
consommateurs (AGco) sont d´eploy´es dans les maisons connect´ees. A
chaque p´eriode, l’agent consommateur divise ses demandes en trois
niveaux de priorit´e : (1) la priorit´e 1 est la plus grande priorit´e et ses
demandes ne devraient pas ˆetre retard´ees ou abandonn´ees, (2) la priorit´e
2 est la priorit´e moyenne et ses demandes peuvent ˆetre retard´ees pour un
court laps de temps (1 heure) (3) et, enfin, la priorit´e 3 est la plus basse et
ses demandes peuvent ˆetre retard´ees pour un temps sup´erieur au temps
de retard pour la priorit´e 2. En effet, toutes les activit´es avec priorit´es 2 et
3 peuvent ˆetre retard´ees respectivement avec un retard moyen (MD) et un
faible retard (LD). MD et LD seront choisis afin de maintenir le confort des
consommateurs. En d’autres termes, MD et LD ont chacun une valeur
maximale, fix´ee par l’administrateur du syst`eme, qui sera choisie de telle
sorte que l’activit´e sera satisfaite.
Cas 1 : D´ecision pour les donn´ees les plus prioritaires. Afin de
maintenir le confort des utilisateurs, les donn´ees avec priorit´e 1 sont
satisfaites au premier lieu. Chaque consommateur vise `a satisfaire ses
demandes avec un couˆt minimal. Afin de minimiser les couˆts des
utilisateurs, nous avons utilis´e un algorithme de n´egociation dont le rˆole
est de choisir la meilleure combinaison des consommateurs et des
ressources renouvelables qui r´eduit les factures ´energ´etiques. La strat
´egie de n´egociation propos´ee est expliqu´ee ci-dessous :
1. L’agent consommateur rec¸oit `a chaque p´eriode la production et les
donn´ees de consommation des agents pr´esents dans le syst`eme.
2. L’agent consommateur j calcule la fonction d’utilit´e f(j) qui est
initialis´ee `a 0 au d´ebut de calcul s’il n’est pas un pro-consommateur
ou s’il l’est mais l’´energie produite par sa propre production
renouvelable ne satisfait pas ses demandes propres (REj < Dj). Les
´etapes de calcul de f(j) sont d´efinies comme suit :
(a) Tant que la demande de l’agent j n’est pas satisfaite (Dj > 0),
le consommateur ou pro-consommateur j choisit d’acheter ses
demandes aupr`es des sources les plus proches (Pji est minimale)
qui proposent le prix le moins cher (Cji est minimale ou` i est le
nombre du pro-consommateur et 0 < i ≤ NbProsumers et i 6= j). Le
consommateur j pourrait donc faire plusieurs tours pour calculer
CHAPITRE 4. ANEMAS : GESTION DE L’ENERGIE´ A BASE`
D’AGENTS DANS LES SMART GRIDS 73
sa fonction d’utilit´e et faire la combinaison des ressources
renouvelables en choisissant `a chaque tour le pro-consommateur
i qui v´erifie la contrainte (min(Cji ∗ Pji ∗ Dji))) et apr`es, il

augmente sa fonction d’utilit´e de d’ou`

.
Apr`es le changement de la fonction d’utilit´e, cet agent diminue
l’´energie demand´ee de Dji (Dj = Dj − Dji).
(b) Apr`es avoir satisfait ses propres demandes, un
consommateur essaie de combiner les productions et les
consommations de fa¸con `a r´epondre aux demandes des
autres consommateurs avec un prix minimal.
Ou` :
— f(j) : fonction d’utilit´e de l’agent j.
— NbProsumers : nombre total de pro-consommateurs (prosumers).
— NbConsumers : nombre total de consommateurs.
— Pji : priorit´e qui augmente si la ressource est plus proche du
consommateur, nous consid´erons Pii = 1 et Pij = Pji.
— Dji : ´energie maximale qui peut ˆetre achet´ee par le
consommateur j du pro-consommateur i.
— Cji : couˆt de l’´energie renouvelable. Nous consid´erons Cii = 0.
3. L’agent consommateur envoie sa proposition `a tous les autres
agents consommateurs dans son r´eseau.
4. Lorsque l’agent consommateur rec¸oit toutes les propositions, il
choisit celle avec la plus grande fonction d’utilit´e et effectue les
achats en fonction de cette proposition.
Lorsque la n´egociation se termine, et apr`es l’achat d’´energie `a partir des
ressources renouvelables, l’agent consommateur suit les ´etapes d´efinies
ciapr`es afin de satisfaire tous ses besoins en ´energie au prix le plus bas :
— Quand il y a un manque dans la production renouvelable, l’agent
consommateur envisage d’acheter l’´energie avec le couˆt minimal.
Pour atteindre cet objectif, il compare les couˆts de stockage et de la
grille et choisit le moins ´elev´e des deux.
 4.4. APPROCHE DECENTRALIS´ EE POUR LA GESTION DE´
74 L’ENERGIE DANS LES SMART GRIDS´
— Dans cet algorithme, si le prix de la grille est inf´erieur au prix de
stockage, l’agent consommateur envoie une demande d’achat
d’´energie
CHAPITRE 4. ANEMAS : GESTION DE L’ENERGIE´ A BASE`
D’AGENTS DANS LES SMART GRIDS 75
`a partir de la grille.
— Lorsque les couˆts de stockage sont inf´erieurs au couˆt de la grille et
l’´energie de stockage disponible peut r´epondre aux demandes des
consommateurs, l’agent consommateur envoie une demande au
syst`eme de stockage pour satisfaire ses besoins.
— Lorsque la grille et le stockage ne peuvent pas satisfaire les demandes
des utilisateurs l’activit´e sera alors abandonn´ee. En effet, cette
situation est tr`es rare et doit ˆetre ´evit´ee.
Cas 2 : D´ecision pour les donn´ees de priorit´e faible ou moyenne. Les
donn´ees de priorit´e 2 ou 3 sont satisfaites apr`es les donn´ees de priorit´e
1. Dans ce cas, si la grille et le syst`eme de stockage ne peuvent pas satisfaire
la demande, l’activit´e sera retard´ee de MD pour les demandes de priorit´e
2 et de LD pour les demandes de priorit´e 3. Cette activit´e sera supprim´ee
si le d´elai maximum ´egal `a 1 heure pour la priorit´e 2 et `a 2 heures pour la
priorit´e 3 est atteint.

Algorithme de l’agent producteur

Les agents producteurs (AGpr) sont introduits dans les unit´es de

production renouvelables (photovolta¨ıque, ´eoliennes). Pour chaque p
´eriode t, l’agent producteur vise `a satisfaire les demandes des
consommateurs. Par cons´equent, si le producteur est un agent pro-
consommateur (prosumer), il satisfait ses propres demandes
(MeetSelfDemands()), avant de pouvoir aider les autres consommateurs
(MeetDemands()). S’il ne s’agit pas d’un prosumer, cet agent va essayer en
premier lieu de satisfaire les demandes des consommateurs
(MeetDemands()) et si l’´energie produite d´epasse les besoins de ces
consommateurs (EnergyProduced > UsersDemands), il vend l’´energie `a la
grille ou au syst`eme de stockage (ChargeGrid() et ChargeStorage()). Les
´etapes r´egissant le fonctionnement de l’agent producteur sont pr´esent´ees
dans l’algorithme 2.
 4.5. EVALUATION DES PERFORMANCES DE L’APPROCHE
76 PROPOSEE´
4.5 Evaluation des performances de l’approche
propos´ee
Afin d’´evaluer les performances de notre proposition, nous avons r´ealis
´e des simulations avec JADE (Java Agent Development Framework) [123].
Algorithm 2 Algorithme de l’agent producteur
si IsProsumer=true alors //Si c’est un prosumer
MeetSelfDemands(); //R´epond a` ses propres demandes fin si
si EnergyProduced > 0 alors //Production est sup´erieure a` z´ero MeetDemands();
//Satisfaire les demandes des consommateurs
si EnergyProduced > UsersDemands alors //S’il y a un exc`es de l’´energie produite
si StorageNeedsEnergy alors //Si le syst`eme de stockage peut stocker de l’´energie
ChargeStorage();//Vendre la production au syst`eme de stockage sinon
si GridNeedsEnergy alors //Si la capacit´e de la grille n’est pas maximale
ChargeGrid();//Vendre la production `a la grille sinon
GoNextPeriod(); fin
si
fin si
sinon
GoNextPeriod(); fin
si
fin si

4.5.1Param`etres des simulations r´ealis´ees

Dans cette proposition, nous avons choisi de mettre en œuvre un
syst`eme form´e d’un agent grille, d’un agent pour chaque consommateur,
d’un agent pour le syst`eme de stockage et d’un agent pour chaque pro-
consommateur ou producteur. Pour nos simulations, nous consid´erons sept
sc´enarios. Le Tableau 4.4 pr´esente les sc´enarios choisis.

Tableau 4.4 – Sc´enarios choisis

Scenario 1 2 3 4 5 6 7
Consommateurs 5 5 10 15 20 25 30
Producteurs 3 prosumers [0-10] [0-10] 15 20 25 30
Stockage 1 1 1 1 1 1 1
Grille 1 1 1 1 1 1 1
Le sc´enario 1 est simple avec 1 agent grille, 5 agents consommateurs, 3
agents producteurs et 1 agent de stockage. Dans les sc´enarios 2 et 3, nous
faisons varier le nombre de producteurs de 0 `a dix, pour respectivement
cinq consommateurs et dix consommateurs. Enfin, nous augmentons le
CHAPITRE 4. ANEMAS : GESTION DE L’ENERGIE´ A BASE`
D’AGENTS DANS LES SMART GRIDS 77
nombre de consommateurs de 15 `a 30 dans les sc´enarios 4, 5, 6 et 7 et
consid´erons que chaque consommateur est un pro-consommateur c’est `a-
dire, chaque consommateur a au moins une source d’´energie renouvelable.
Les p´eriodes de consommation au cours de la journ´ee sont scind´ees en : la
p´eriode OP, la p´eriode LP et la p´eriode HP. En outre, la journ´ee est divis
´ee en 24 p´eriodes et les prix de la grille varient entre 10 centimes/kWh et
22 centimes/kWh et l’´energie ´eolienne (notre ´energie renouvelable utilis
´ee dans ces simulations) a des prix qui varient entre 7 centimes/kWh et 14
centimes/kWh [1]. Les heures de pointe sont repr´esent´ees dans le Tableau
4.5.

Tableau 4.5 – Prix durant les p´eriodes de pics

P´eriode OP LP HP
Heure 00 :00 `a 12 :59 13 :00 `a 19 :59 20 :00 `a 23 :59
Prix de la grille (centimes/kWh) 10 `a 17 17 a` 21 10 `a 22
Prix de l’´eolienne (centimes/kWh) 7 `a 14 8 `a 10 7 `a 8
4.5.2 Description et discussion des r´esultats obtenus
Apr`es avoir montr´e les diff´erents sc´enarios consid´er´es, l’efficacit´e
d’ANEMAS sera montr´ee en le comparant `a un syst`eme de facturation
classique utilis´e dans la plupart des syst`emes d’alimentation ´electrique
ou` tous les consommateurs ou une partie d’entre eux paient un prix fixe par
unit´e d’´electricit´e ind´ependamment du couˆt de production au moment
de la consommation. Ce syst`eme est appel´e ”cas conventionnel” dans ce qui
suit. De plus, nous comparons notre algorithme avec une approche qui
utilise les ressources renouvelables uniquement sans utiliser les syst`emes
de stockage et que l’on appelle ”cas RE”.
Tout d’abord, nous illustrons les r´esultats des simulations pour une journ
´ee. Les premi`eres simulations sont effectu´ees en utilisant le sc´enario 1 et
les r´esultats sont donn´es dans les Figures 4.6 et 4.7. La Figure 4.6 montre
les prix des consommations durant une journ´ee compl`ete avec les trois
algorithmes d´efinis. Pendant la journ´ee, la facture des consommateurs est r
´eduite grˆace `a l’utilisation des ´energies renouvelables ou du syst`eme de
stockage. Pendant les heures de l’OP, la r´eduction du couˆt est tr`es ´elev´ee;
elle atteint 90% en utilisant ANEMAS et 60% en utilisant le cas RE en
comparaison avec le cas conventionnel. Cette r´eduction diminue et atteint
75% en utilisant ANEMAS dans la p´eriode HP (p´eriode 21), alors que
pendant cette mˆeme p´eriode, la diminution du couˆt en utilisant le cas RE
est de 16%. Avec les deux algorithmes (ANEMAS et cas RE), il n’y a plus de r
 4.5. EVALUATION DES PERFORMANCES DE L’APPROCHE
78 PROPOSEE´
´eduction des couˆts aux p´eriodes 22 et 23. La diminution des factures est
due `a l’utilisation des ressources renouvelables pour le cas RE.
L’augmentation de la demande et la diminution de la production entraˆınent
une diminution du pourcentage de r´eduction des prix dans les p´eriodes LP
et HP. Par cons´equent, en passant de LP `a HP, la facture des
consommateurs augmente pour atteindre les couˆts de r´eseau. De plus,
nous constatons qu’en utilisant ANEMAS les couˆts sont inf´erieurs aux
couˆts dans le cas RE. Cette r´eduction est due `a l’utilisation de syst`emes de
stockage en plus des ressources renouvelables et `a l’achat d’´energie stock
´ee lorsque les couˆts sont faibles, ce qui r´eduit l’acc`es `a la grille et les
couˆts des utilisateurs deviennent en cons´equence minimaux, mˆeme
pendant les p´eriodes HP (p´eriode 21, par exemple).

Figure 4.6 – Couˆt de l’´energie avec le sc´enario 1

La Figure 4.7 montre l’utilisation de toutes les ressources pendant la

journ´ee avec ANEMAS. Notre algorithme n’utilise pas la grille pendant l’OP
et le LP (utilisation du r´eseau est ´egale `a z´ero) mais favorise les
ressources renouvelables et si ces ressources ne r´epondent pas `a toutes les
exigences, il utilise le stockage. L’utilisation de stockage commence `a
augmenter durant la p´eriode 15, suite `a l’augmentation de la
consommation et la diminution de la production pendant ces p´eriodes. En
outre, l’utilisation de la grille augmente en heures de pointe et apr`es la p
´eriode 21 l’utilisation de stockage est nulle alors que l’utilisation de la grille
augmente. Ce changement est duˆ au fait que la quantit´e d’´energie stock´ee
atteint sa valeur minimale pendant les heures de HP.
CHAPITRE 4. ANEMAS : GESTION DE L’ENERGIE´ A BASE`
D’AGENTS DANS LES SMART GRIDS 79

Figure 4.7 – Utilisation des ressources pour ANEMAS (sc´enario 1)

Pour montrer l’importance de l’utilisation d’un syst`eme de stockage

intelligent, nous augmentons le nombre de producteurs de z´ero `a dix dans
un syst`eme compos´e de cinq consommateurs. La Figure 4.8 repr´esente les
couˆts de l’´energie dans le cas ´etudi´e. La minimisation des couˆts varie
entre 0% et 70% (Figure 4.8) pour le cas RE. En outre, en utilisant ANEMAS,
la minimisation des couˆts varie entre 73% et 85% (Figure 4.8). En effet, ces
chiffres montrent qu’en augmentant le nombre de producteurs, nous
pouvons minimiser le prix pay´e par les consommateurs.

Figure 4.8 – Prix journalier de l’´energie dans le cas ou` le nombre de

producteurs augmente de 0 `a 10 (5 consommateurs)
 4.5. EVALUATION DES PERFORMANCES DE L’APPROCHE
80 PROPOSEE´

Figure 4.9 – Prix journalier de l’´energie dans le cas ou` le nombre de

producteurs augmente de 0 `a 10 (10 consommateurs)

Pour tester l’efficacit´e de notre approche, nous augmentons le nombre

de consommateurs 5-30 (sc´enarios 2 `a 7). Nous consid´erons que chaque
consommateur est un pro-consommateur. La Figure 4.10 montre que lors de
l’augmentation `a la fois du nombre des consommateurs et des producteurs
ensemble, le couˆt d’achat d’´energie diminue `a environ 56% pour le cas RE
et de 86% avec ANEMAS. Ces r´esultats montrent que notre approche reste
efficace mˆeme en augmentant le nombre d’acteurs.

Figure 4.10 – Prix journalier de l’´energie dans le cas ou` le nombre de

proconsommateurs augmente 5-30
CHAPITRE 4. ANEMAS : GESTION DE L’ENERGIE´ A BASE`
D’AGENTS DANS LES SMART GRIDS 81
Ces r´esultats montrent que, lorsque le nombre de consommateurs
augmente, la r´eduction des couˆts et l’utilisation de la grille restent les
mˆemes.
 76 4.6. CONCLUSION

4.6 Conclusion
Ce chapitre a expos´e un premier comportement des agents cognitifs d´efini dans le
chapitre 3 en ce qui concerne la gestion de l’´energie au niveau des consommateurs
dans un smart grid. En particulier, nous avons consid´er´e un premier sc´enario
d’application qui est celui des utilisateurs r´esidentiels qui jouent un rˆole primordial
dans la consommation ´energ´etique. Dans ce contexte, le comportement de nos agents
est r´egi par l’algorithme ANEMAS grˆace auquel les agents ´evaluent les donn´ees capt
´ees au niveau des consommateurs, des producteurs, du stockage et de la grille. Selon
ces donn´ees capt´ees, les agents planifient et d´ecident leur sch´ema d’actions `a
entreprendre. Ce chapitre a ensuite pr´esent´e l’´etude des performances de notre
proposition ANEMAS `a travers des simulations. Nous avons consid´er´e plusieurs sc
´enarios et avons fait varier le nombre d’agents de tous types confondus. Les r´esultats
ont montr´e que notre proposition a nettement r´eduit le couˆt de l’´energie durant la
journ´ee pour les consommateurs ainsi que l’utilisation de la grille en heures de pointe.
Dans le chapitre suivant, nous nous int´eressons `a l’am´elioration de notre proposition
en consid´erant les effets de charge et de d´echarge sur la dur´ee de vie de la batterie.
Chapitre 5

BADIS : Maximiser la dur´ee de vie

de la batterie avec un

syst`eme multi-agents

Sommaire

5.1 Introduction ..................... 77

5.2 Sc´enario mis en œuvre . . . . . . . . . . . . . . . 78 5.3 Approche pour minimiser
la fr´equence de d´echarge de la batterie . . . . . . . . . . . . . . . . . . . . . 79
5.3.1 N´ecessit´e d’augmenter la dur´ee de vie de la batterie 80 5.3.2
Description de BADIS . . . . . . . . . . . . . . . . 81
5.4 Int´egration de l’algorithme d’allocation ´equitable de
l’´energie . . . . . . . . . . . . . . . . . . . . . . 84 5.5 Evaluation des performances de
BADIS . . . . . 86
5.5.1 Param`etres des simulations . . . . . . . . . . . . .86 5.5.2 Description et
analyse des r´esultats des simulations 88
5.6 Conclusion ...................... 96

5.1 Introduction
Avec la loi sur la transition ´energ´etique et la croissance verte adopt´ee par
plusieurs pays et surtout par les pays de l’union europ´een, le mix ´energ´etique va se
verdir afin d’atteindre des objectifs tels que la r´eduction de la part des
´energies non vertes (nucl´eaire, fossiles) et la r´eduction des ´emissions de gaz `a

77
78 5.2. SCENARIO MIS EN ŒUVRE´
effet de serre [124, 125]. Dans ce contexte, plusieurs ressources de production d
´ecentralis´ee sont utilis´ees dans le r´eseau ´electrique telles que les ´eoliennes, les
photovolta¨ıques, etc. En effet, si les ´energies renouvelables et les smart grids sont
sous le feu des projecteurs, le stockage reste un sujet m´econnu bien qu’il soit un ´el
´ement cl´e du verdissement de l’´electricit´e et pr´esente plusieurs avantages pour un r
´eseau ´electrique. Bref, le stockage de l’´electricit´e est une des r´eponses `a la
diminution des ´energies fossiles et `a l’intermittence des ´energies renouvelables et il a
un rˆole important pour assurer la continuit´e de l’approvisionnement en ´energie
[126]. En effet, l’´electricit´e ne se stocke pas ou peu, ce qui pose des limites au d
´eveloppement des ´energies renouvelables et jusqu’aux ann´ees 1980, les moyens de
conversion permettant le stockage du courant alternatif ´etaient excessivement
couˆteux, voire tr`es peu fiables ou inexistants [5].
Afin d’assurer une meilleure gestion de l’´energie dans un r´eseau intelligent tout en int
´egrant les ressources renouvelables, nous d´eveloppons dans ce chapitre, un syst`eme
de stockage qui combine une batterie de stockage d’´energie et un logiciel informatis´e.
Dans le but d’augmenter la dur´ee de vie de la batterie tout en conservant les prix
minimaux pour les consommateurs, on utilise un agent intelligent impl´ement´e dans le
syst`eme de stockage afin de : (1) minimiser le couˆt d’achat de l’´energie par les
consommateurs, (2) augmenter autant que possible la dur´ee de vie de la batterie, (3)
distribuer l’´energie stock´ee dans le syst`eme de stockage d’une fa¸con ´equitable entre
les consommateurs afin d’encourager tous les consommateurs `a participer `a
l’algorithme d´efini.
Dans le reste de ce chapitre, nous allons d’abord exposer notre sc´enario d’application,
pour ensuite d´etailler l’approche propos´ee et enfin ´evaluer ses performances.

5.2 Sc´enario mis en œuvre

La Figure 5.1 pr´esente le sc´enario de communication avec le syst`eme de stockage
que nous avons consid´er´e pour illustrer notre algorithme. En premier lieu, nous
supposons la pr´esence d’un r´eseau domestique ou Home Area Network (HAN) dans
lequel les appareils ´electriques utilis´es communiquent avec le compteur intelligent et
lui envoient leurs donn´ees d’utilisation. En second lieu, les compteurs dans une zone r
´esidentielle pr´ecise connect´es `a un r´eseau de voisinage ou Neighborhood Area
Network (NAN) envoient, chacun `a part, leurs demandes en ´energie au syst`eme de
stockage. Dans ce sc´enario, on s’int´eresse aux donn´ees relatives aux demandes
d’´energies et on consid`ere
CHAPITRE 5. BADIS : MAXIMISER LA DUREE DE VIE DE LA´
BATTERIE AVEC UN SYSTEME MULTI-AGENTS` 85
qu’un agent consommateur est impl´ement´e dans chaque maison connect
´ee au niveau de son compteur intelligent. L’agent consommateur a pour
rˆole de collecter les donn´ees et de prendre les d´ecisions intelligentes
concernant l’entit´e vers laquelle adresser la demande d’´energie en premier
lieu (syst`eme de stockage ou grille). Les agents consommateurs dans un
NAN communiquent ensemble afin de n´egocier l’achat de l’´energie. En
outre, l’agent du syst`eme de stockage r´ecup`ere les donn´ees de la zone r
´esidentielle et de la grille afin de choisir la quantit´e d’´energie `a d´echarger
sur une p´eriode pr´ecise pour garantir aux consommateurs un prix d’achat
minimal et pour minimiser la fr´equence de charge et de d´echarge de sa
batterie. L’agent de stockage utilise les donn´ees de la grille telles que le prix
de l’´energie et les pr´edictions des prix durant une journ´ee compl`ete. En
plus, plusieurs donn´ees des agents consommateurs telles que les demandes
r´eelles, les demandes pr´edites, etc. sont prises en consid´eration dans la d
´ecision prise par l’agent de stockage.

Figure 5.1 – Illustration du sc´enario consid´er´e

La section suivante a pour but de pr´esenter et d´etailler notre proposition

pour augmenter la dur´ee de vie d’un syst`eme de stockage.

5.3 Approche pour minimiser la fr´equence de

 86
d´echarge de la batterie
Le comportement de l’agent de stockage est r´egi par BADIS (”BAttery
DIScharging algorithm”) qui a pour but de minimiser la fr´equence de
5.3. APPROCHE POUR MINIMISER LA FREQUENCE DE´
DECHARGE DE LA BATTERIE´

charge/d´echarge d’une batterie afin d’augmenter sa dur´ee de vie tout en

maintenant une facture minimale des consommateurs.
Dans cette section, nous commen¸cons en premier lieu par exposer les
caract´eristiques et les besoins d’une batterie pour augmenter sa dur´ee de
vie, pour pr´esenter ensuite le fonctionnement de l’algorithme BADIS.

5.3.1 N´ecessit´e d’augmenter la dur´ee de vie de la

batterie
L’utilisation des syst`emes de stockage est d’une importance capitale
dans les syst`emes ´electriques d’aujourd’hui qui int`egrent les ´energies
renouvelables d’une mani`ere croissante. Un syst`eme de stockage est form
´e de batteries dont il existe une large vari´et´e avec des types et des capacit
´es assez diff´erents. L’utilisation des syst`emes de stockages est de plus en
plus croissante dans le domaine r´esidentiel. Les batteries des syst`emes de
stockage doivent respecter plusieurs param`etres tels que le DoD, la temp
´erature, l’efficacit´e, etc. Pour une batterie, il semble tr`es difficile de
calculer la dur´ee de vie de son cycle de charge et de d´echarge et cela d
´epend de nombreux param`etres tels que : l’entretien de la batterie, la
profondeur de d´echarge de la batterie, la temp´erature de la batterie, etc.
L’un des facteurs les plus importants est la profondeur de d´echarge (DoD :
”Depth of Discharge”) de la batterie. Par d´efinition, la DoD de la batterie (en
pourcentage) est l’inverse de l’´etat de charge de la batterie. En d’autre
termes, lorsqu’une batterie est `a 60% d’´etat de charge, la profondeur de d
´echarge est de 40% (la somme de l’´etat de charge et de la DoD est ´egale `a
100%). Les performances d’une batterie s’´evaluent aussi en nombre de
cycles que celle-ci peut fournir `a une profondeur de d´echarge d´etermin´ee.
Pour optimiser les performances d’une batterie, il est donc conseill´e de
minimiser le niveau de d´echarge. En consid´erant que toutes les valeurs
influenc¸ant la dur´ee de vie de la batterie sont constantes, la dur´ee de vie
totale de la batterie est inversement proportionnelle `a la quantit´e de DoD
par cycle [127]. Par exemple, une batterie qui se d´echarge constamment `a
CHAPITRE 5. BADIS : MAXIMISER LA DUREE DE VIE DE LA´
BATTERIE AVEC UN SYSTEME MULTI-AGENTS` 87
90% de DoD, a une dur´ee de vie beaucoup moins ´elev´ee que celle d’une
batterie d´echarg´ee `a seulement 50%.
La minimisation de la d´echarge de la batterie permet d’augmenter sa dur´ee
de vie et de minimiser la facture ´energ´etique des consommateurs dans un
syst`eme ´electrique. En effet, les consommateurs ont pour premier but de
minimiser leur facture et d’ˆetre satisfaits de la quantit´e d’´energie demand
´ee, d’ou` l’int´erˆet de notre proposition (BADIS) qui vise `a int´egrer un
agent intelligent au niveau du syst`eme de stockage afin de minimiser la fr
´equence de d´echarge de la batterie sans affecter, pour autant, la facture des
consommateurs, ce qui minimise `a long terme le prix pay´e pour le
remplacement des batteries. la facture des consommateurs. Pour r´ealiser
son but, cet agent r´ecup`ere plusieurs donn´ees de son entourage qui lui
sont n´ecessaires pour prendre la bonne d´ecision. BADIS est expliqu´e en d
´etail dans la section suivante et ses performances sont analys´ees dans la
section 5.5.

5.3.2 Description de BADIS

Dans un syst`eme ´electrique form´e de consommateurs, de producteurs,
d’un syst`eme de stockage et d’une grille, nous impl´ementons des agents
cognitifs dans chaque entit´e du syst`eme afin de rendre le r´eseau plus coop
´eratif. Avec BADIS, un algorithme qui fonctionne sur l’agent de stockage est
impl´ement´e, les algorithmes des autres types d’agent (agents
consommateurs, agents producteurs et agent de la grille) restent intactes et
sont les mˆemes que ceux d´ecrits dans le chapitre pr´ec´edent. Le syst`eme
de stockage est cens´e r´epondre aux besoins des consommateurs lorsque la
production d’´energie renouvelable n’est pas suffisante. En se basant sur les
donn´ees pr´edites (consommations, productions, couˆts, etc.), l’agent de
stockage choisit la meilleure p´eriode pour recharger sa batterie `a partir de
la grille. En outre, en cas d’exc`es de production, cet agent stocke l’´energie
en exc`es pour l’utiliser plus tard dans le but de r´eduire la facture des
consommateurs et la quantit´e d’´energie demand´ee `a la grille. Nous avons
d´evelopp´e deux types d’algorithmes pour l’agent de stockage : (1) le
premier est un algorithme de long terme dit ”offline” et (2) le second est de
court terme dit ”online”. En effet, l’agent de stockage doit prendre en compte
de nombreux param`etres, pr´esent´es et d´efinis dans le Tableau 5.1.
L’algorithme offline de l’agent de stockage qui a d´ej`a ´et´e pr´esent´e dans
le chapitre pr´ec´edent suit les ´etapes identifi´ees dans la Figure 5.2. En
 88
premier lieu, au d´ebut de chaque p´eriode de 24 heures, l’agent de stockage
recueille toutes les donn´ees pr´edites de tous les agents (agents
consommateurs, agents producteurs et agent grille) (1) 4. (2) En second lieu,
l’agent de stockage utilise ces donn´ees pr´edites pour choisir la p´eriode
optimale (tmin) pour charger sa batterie (tmin correspond `a l’heure ou` on pr
´evoit le prix le moins ´elev´e). (3) En troisi`eme lieu, l’agent de stockage
calcule la quantit´e d’´energie `a stocker et cette quantit´e est d´efinie par
l’´equation ENst = SOCmax −SOC(t). En effet, dans ce chapitre nous simplifions
le calcul de ENst et supposons que toute la quantit´e qui manque sera charg
´ee dans le syst`eme de stockage au moment ou` ce dernier d´ecide de
demander de l’´energie.
Apr`es avoir charg´e ENst, l’agent de stockage met `a jour son prix par kWh
5.3. APPROCHE POUR MINIMISER LA FREQUENCE DE´
DECHARGE DE LA BATTERIE´

(Pr(t)S) selon l’´equation (5.1).

4 . Ces chiffres correspondent a` ceux utilis´es dans la Figure 5.2.

CHAPITRE 5. BADIS : MAXIMISER LA DUREE DE VIE DE LA´
BATTERIE AVEC UN SYSTEME MULTI-AGENTS` 89

(5.1)

Dans notre proposition, nous consid´erons que le prix de l’´energie stock´ee

dans le syst`eme de stockage varie en fonction du prix de l’´energie charg´ee.
En effet, le syst`eme de stockage a un prix au moment t par kWh d´efini par
Pr(t)S de sorte que le prix total de l’´energie dans le syst`eme de stockage est
Pr(t)S ∗ SOC(t). Ainsi, lors du stockage d’une quantit´e d’´energie ´egale `a
ENst qui a un prix au moment t ´egal `a Pr(t)E, le prix de l’´energie totale dans
le syst`eme de stockage au moment t (en centimes) est Pr(t)S ∗ SOC(t) + ENst
∗ Pr(t)E et l’´energie totale dans le syst`eme de stockage au moment t est
´egale `a SOC(t) + ENst. Par cons´equent, nous pouvons calculer le prix par
kWh dans le syst`eme de stockage comme ´etant le rapport entre le prix
total de l’´energie stock´ee et la quantit´e totale de l’´energie pr´esente dans
le syst`eme de stockage (´equation (5.1)).
L’agent de stockage vise `a minimiser la fr´equence de charge et de d
´echarge de la batterie afin de maximiser sa dur´ee de vie [128]. Dans ce but,
nous avons

Figure 5.2 – R´esum´e de l’algorithme long terme de l’agent de stockage

propos´e l’algorithme de d´echarge BADIS qui vise `a minimiser le nombre

de d´echarge de la batterie `a chaque p´eriode en fonction des besoins en
´energie et en fonction des prix de la grille afin de maintenir une facture
minimale des consommateurs. En outre, BADIS minimise le prix de
l’´energie en particulier aux heures de pointe tout en conservant l’´energie
avec des prix bas pour l’utiliser dans les heures de pointe. (4) 5 Nous d
5 . Ces chiffres correspondent a` ceux utilis´es dans la Figure 5.2.
 90
´efinissons la fr´equence de d´echarge de la batterie au moment t par
Discharging(t) qui est calcul´e selon l’´equation (5.2). Dans cette proposition,
nous consid´erons qu’`a chaque p´eriode t, le syst`eme de stockage peut
satisfaire les demandes des consommateurs jusqu’`a Discharging(t) ∗
SOCmax.

(5.2)

Ou` :

(5.3)
MaxCpeak = (Peak − RE(tpeak)) ∗ Pr(tpeak)G (5.4)
Ou` : Peak − RE(tpeak) > 0 et Pr(tpeak)G > 0
La d´echarge de la batterie du syst`eme de stockage doit ˆetre minimis´ee en
particulier lorsque le prix de la grille est faible, ce qui permet d’acc´eder `a la
grille mˆeme si le stockage est plein lorsque les couˆts du r´eseau sont
faibles. Afin de planifier la d´echarge de la batterie, nous calculons une
variable τ (´equation (5.3)), qui repr´esente la diff´erence entre le couˆt de
l’´energie qui ne peut pas ˆetre satisfaite par les ressources renouvelables
pendant la
5.4. INTEGRATION DE L’ALGORITHME D’ALLOCATION´
EQUITABLE DE L’´
ENERGIE´

p´eriode de pointe (MaxCpeak) et le couˆt de l’´energie qui ne peut pas ˆetre

satisfait par des ressources renouvelables au temps t. En d’autres termes,
cette variable (τ) repr´esente le rapport entre le couˆt durant la p´eriode t
((D(t)−RE(t))∗Pr(t)G) et le couˆt maximal de l’´energie (MaxCpeak). Cette
variable permet `a l’agent de stockage de pr´edire le pourcentage de d
´echarge d’´energie durant une p´eriode t (´equation (5.2)). Nous avons
choisi l’´equation sigmo¨ıde 6 pour planifier la d´echarge de la batterie durant
toutes les p´eriodes de la journ´ee. Par cons´equent, le r´esultat de cette
´equation est compris entre 0 et 1 et augmente lorsque les couˆts
augmentent.
L’algorithme en ligne de l’agent de stockage reste quant `a lui intact (voir
section 4.4.3). Au d´ebut de chaque p´eriode t, l’agent de stockage adopte un

6 . L’´equation sigmo¨ıde est une fonction avec une condition limite entre 0 et 1.
CHAPITRE 5. BADIS : MAXIMISER LA DUREE DE VIE DE LA´
BATTERIE AVEC UN SYSTEME MULTI-AGENTS` 91
algorithme en ligne pour minimiser la facture ´energ´etique de tous les
consommateurs en temps r´eel et r´epartir ´equitablement sa capacit´e de
stockage entre les consommateurs. L’algorithme de charge ou algorithme en
ligne de l’agent de stockage a pour but de charger sa batterie lorsque le prix
de l’´energie est pr´evu d’ˆetre minimal (Pr(t)G = Prmin). En plus, cet agent
demande l’´energie de la grille pour charger le syst`eme de stockage quand
le couˆt de la grille est acceptable et que le stockage n’a pas suffisamment
d’´energie pour satisfaire les demandes pr´evues.

5.4 Int´egration de l’algorithme

d’allocation
´equitable de l’´energie
Le smart grid offre aux consommateurs la possibilit´e de produire leur
propre ´electricit´e sur place `a partir des syst`emes d’´energie
renouvelables et de consommer ainsi moins d’´electricit´e fournie par le r
´eseau. En plus, l’exc`es de production peut ˆetre stock´e dans une batterie
afin de servir ces consommateurs ult´erieurement dans le but de minimiser
la facture des consommateurs ainsi que la pollution caus´ee par les ´energies
non renouvelables. Durant les p´eriodes de forte demande d’´energie, le
syst`eme de stockage ne peut pas r´epondre `a toutes les demandes des
consommateurs et il devient n´ecessaire de d´ecider quelles demandes
seront satisfaites par le stockage. Le plus simple est de r´epondre aux
demandes en mode FIFO (”First-In First-Out”) qui consiste `a traiter les
demandes selon leur ordre d’arriv´ee. Cela aura une influence sur les
modalit´es de calcul des tarifs des r´eseaux, qui doivent ˆetre ´equitables, refl
´eter les couˆts, encourager l’efficacit´e ´energ´etique, soutenir les objectifs
en mati`ere d’´energies renouvelables tout en ´etant simples et transparents
pour les consommateurs. Conscients des r´epercussions des tarifs pratiqu´es
sur le comportement des consommateurs, nous avons d´evelopp´e une
fonction qui vise `a distribuer l’´energie stock´ee dans le syst`eme de
stockage d’une fac¸on ´equitable. Cette fonction est r´ealis´ee par l’agent de
stockage intelligent qui prend la d´ecision de la vente de l’´energie stock´ee
et dont l’algorithme est d´etaill´e dans ce qui suit.

Algorithm 3 Algorithme pour la distribution ´equitable de l’´energie stock

´ee
 92
CollectAllConsumersRequest(); //Collecter les demandes des consommateurs durant une p´eriode pr
´ecise.
si SOC(t) > SOCmax ∗ (1 − Discharging(t)) alors //La batterie
n’est pas vide.
si D(t)st ≤ SOC(t) − SOCmax ∗ (1 − Discharging(t)) alors
//La demande est plus petite que la quantit´e d’´energie que le stockage peut vendre.
SatisfyAllRequests(); //Satisfaire toutes les demandes.
sinon
//La demande est plus grande que la quantit´e d’´energie que le stockage peut vendre.
SatisfyRequestsFollowingTheirPriority(); //Les demandes seront classifi´ees selon la fonction
d’utilit´e d´efinie dans l’´equation 6.7.
fin si
sinon
RefuseAllRequests(); //Le stockage ne peut pas vendre d’´energie. fin si

En premier lieu, chaque agent de stockage met dans la file d’attente

toutes les demandes des consommateurs durant une p´eriode (utilisation de
la fonction CollectAllConsumersRequest()). Si l’agent poss`ede de l’´energie
n´ecessaire pour r´epondre aux besoins de tous les consommateurs, il le fait
en respectant l’ordre d’arriv´ee des demandes. Par contre, s’il trouve que la
quantit´e d’´energie demand´ee est plus grande que l’´energie que peut
vendre le stockage durant la p´eriode t (D(t)st > SOC(t) − SOCmax ∗ (1 −
Discharging(t))), il trie `a nouveau les demandes dans la file d’attente par
ordre d’utilit´e croissant (utilisation de la fonction
SatisfyRequestsFollowingTheirPriority()). Cette utilit´e est calcul´ee selon
l’´equation (6.7) et a pour but de donner une priorit´e ´elev´ee `a la demande
qui satisfait le plus possible les contraintes de l’agent de stockage. Dans
notre cas, l’agent de stockage prend en consid´eration deux obligations : (1)
la premi`ere se d´efinit par la participation du consommateur (P(t)x) dans la
charge de la batterie (au cas ou` il s’agit d’un pro-consommateur), car dans
le cas ou` le pro-consommateur a un exc`es d’´energie qui a ´et´e stock´e, il
est plus prioritaire que les autres consommateurs (2) la seconde contrainte
se d´efinit par le nombre de fois ou` l’agent de stockage a refus´e la demande
du consommateur x (R(t)x) afin que le consommateur x b´en´eficie du
stockage dans son propre syst`eme.

U(t)x = (1 + R(t)x)(1 + P(t)x) (5.5)

CHAPITRE 5. BADIS : MAXIMISER LA DUREE DE VIE DE LA´
BATTERIE AVEC UN SYSTEME MULTI-AGENTS` 93

(5.6)

(5.7)
La fonction d’utilit´e augmente quand la participation du pro-consommateur dans la
charge de la batterie augmente (P(t)x). En outre, le stockage a pour but principal de
satisfaire les demandes de tous les consommateurs identifi´es dans le syst`eme auquel
il appartient, d’ou` le fait que la fonction d’utilit´e est proportionnelle au nombre de
refus des demandes d’un consommateur x
(R(t)x).
Pour conclure, dans cet algorithme, nous cherchons `a r´ecompenser tous les
consommateurs qui contribuent `a recharger la batterie et ´eviter la famine de ceux qui
ne participent pas `a la charge de la batterie. Les param`etres des simulations et les r
´esultats seront pr´esent´es dans la section suivante.

5.5 Evaluation des performances de BADIS

Cette section est consacr´ee `a l’´evaluation des performances de notre proposition
simul´ee avec JADE et `a la pr´esentation des r´esultats obtenus.

5.5.1 Param`etres des simulations

Dans les simulations r´ealis´ees pour ´evaluer les performances de BADIS, nous
adoptons la mˆeme r´epartition des agents que celle pr´esent´ee dans le chapitre 4, `a
savoir 1 agent par grille, 1 agent pour chaque consommateur, 1 agent pour chaque
producteur et 1 agent pour le syst`eme de stockage. En outre, dans tous les sc´enarios
´enum´er´es dans cette section, nous consid´erons que chaque producteur est un pro-
consommateur; il s’agit donc d’un consommateur qui poss`ede une ressource
renouvelable. Le Tableau 5.2 pr´esente les sc´enarios pris en consid´eration pour
´evaluer BADIS. Nous augmentons le nombre de consommateurs et de producteurs de
5 dans le sc´enario 1. Dans le sc´enario 2, nous consid´erons que nous avons 50
consommateurs et 50 producteurs alors que dans le sc´enario 3, nous choisissons de
varier le nombre de producteurs de 0 `a 10 (10 consommateurs). Le Tableau 5.3 pr
´esente quelques param`etres de simulation sachant que dans nos sc´enarios, nous
 94 5.5. EVALUATION DES PERFORMANCES DE BADIS

consid´erons un pic le matin (`a 8 heures) et un autre durant la nuit (`a 21 heures),
comme illustr´e sur la Figure 5.3.
Tableau 5.2 – Sc´enarios simul´es
Sc´enario Consommateurs Producteurs Syst`eme de stockage Grille
1 [5-20] [5-20] 1 1
2 50 50 1 1
3 10 [0-10] 1 1

Figure 5.3 – Demandes des consommateurs en kWh

Afin de mettre en ´evidence l’efficacit´e de notre proposition, nous comparons les

valeurs des simulations durant deux saisons diff´erentes (automne et ´et´e) lorsque les
sorties des photovolta¨ıques et des ´eoliennes varient consid´erablement. Dans notre
mod`ele, nous utilisons deux types d’´energie renouvelable : le photovolta¨ıque (PV) qui
a une puissance maximale pendant l’´et´e et l’´eolienne qui a une puissance maximale
pendant l’automne [9]. Les deux Figures 5.4 et 5.5 pr´esentent les valeurs de sortie des
ressources
´eoliennes et photovolta¨ıques durant les deux saisons mises en œuvre [9]. En plus, les
donn´ees de nos simulations (demandes des consommateurs, prix des ´energies, sorties
des ´energies renouvelables, etc.) sont les moyennes des donn´ees collect´ees durant
les deux saisons simul´ees. Ces donn´ees sont extraites durant l’ann´ee 2014 [1, 10, 9].
Les r´esultats des simulations sont

Tableau 5.3 – Param`etres des simulations extraits de [1, 10, 9]

Consommateurs demandes entre 0.2 kWh et 4.8 kWh
Eolienne couˆts entre 7 centimes/kWh et 10 centimes/kWh
Photovolta¨ıque couˆts entre 7 centimes/kWh et 10 centimes/kWh
Syst`eme de stockage 2.8 kWh pour chaque consommateur
CHAPITRE 5. BADIS : MAXIMISER LA DUREE DE VIE DE LA´
BATTERIE AVEC UN SYSTEME MULTI-AGENTS` 95

Grille couˆts entre 10 centimes/kWh et 22 centimes/kWh

Figure 5.4 – Valeurs de sortie de Figure 5.5 – Valeurs de sortie de la
l’´eolienne durant les deux saisons photovolta¨ıque durant les deux
(automne et ´et´e, valeurs m´et´eo de saisons (automne et ´et´e, valeurs m
[9]) ´et´eo de [9])
donn´ees pour une journ´ee compl`ete choisie al´eatoirement et r´epartie en 24
intervalles de temps t ∈{0,...23}.

5.5.2 Description et analyse des r´esultats des simulations

Afin d’´evaluer les performances de BADIS, nous le comparons `a notre algorithme
ANEMAS et `a deux autres algorithmes de la litt´erature. Les algorithmes suivants font
donc l’objet de comparaison :
ANEMAS : Nous comparons BADIS `a ANEMAS afin de prouver que
BADIS n’affecte pas la facture des consommateurs.
Cas conventionnel : Nous comparons BADIS au cas conventionnel qui est adopt´e par
la plupart des pays ou` les consommateurs ach`etent leurs demandes de la grille avec
un couˆt fixe. On compare BADIS avec le cas conventionnel afin de surligner
l’importance de l’utilisation des ressources renouvelables et du syst`eme de stockage
pour la minimisation de la facture des consommateurs.
Algorithme de Colson et al. [52] : BADIS est compar´e `a cet algorithme qui vise `a g
´erer l’´energie dans les smart grids sans int´egrer des agents de stockage. Cette
comparaison est importante pour montrer le rˆole des syst`emes de stockage dans la
gestion de l’´energie au niveau des smart grids.
Algorithme homeostatic [100] : Nous comparons BADIS avec cet algorithme qui vise
`a g´erer l’´energie dans les smart grids en utilisant des agents de stockage, afin de
surligner l’efficacit´e de notre proposition en la comparant avec une proposition r
´ecente qui utilise les syst`emes de stockage. En premier lieu, nous comparons les
factures des consommateurs pour v´erifier qu’avec notre algorithme la facture des
consommateurs reste minimale. Les r´esultats de tous les sc´enarios simul´es sont pr
´esent´es dans les Figures 5.6, 5.7, 5.8, 5.9. On simule en premier les deux sc´enarios 1
et 2 dont les r´esultats sont pr´esent´es dans les Figures 5.6 et 5.7, qui donnent une
comparaison du prix total de toutes les p´eriodes de la journ´ee obtenus avec les 5
algorithmes durant les 2 saisons simul´ees.
 96 5.5. EVALUATION DES PERFORMANCES DE BADIS

Figure 5.6 – Variation de la somme des couˆts incomb´es aux consommateurs durant
une journ´ee compl`ete en automne (cas ou` chaque consommateur est un producteur;
nombre de consommateurs=nombre de producteurs)

Figure 5.7 – Variation de la somme des couˆts incomb´es aux consommateurs durant
une journ´ee compl`ete en ´et´e (cas ou` chaque consommateur est un producteur;
nombre de consommateurs=nombre de producteurs)

On peut distinguer une minimisation qui atteint 43%, 48% et 52% par rapport au
cas conventionnel (sc´enario 2) en impl´ementant Colson et al., homeostatic, ANEMAS
et BADIS respectivement. De plus, ANEMAS et BADIS pr´esentent une minimisation qui
atteint 6% par rapport `a homeostatic et 14% par rapport `a l’algorithme de Colson et
al. La minimisation du couˆt en utilisant l’algorithme de Colson et al. est due `a
l’utilisation de l’algorithme de n´egociation qui vise `a distribuer l’´energie
renouvelable produite d’une fa¸con optimale. En outre, cette minimisation augmente en
utilisant l’algorithme homeostatic grˆace `a l’int´egration des syst`emes de stockage.
CHAPITRE 5. BADIS : MAXIMISER LA DUREE DE VIE DE LA´
BATTERIE AVEC UN SYSTEME MULTI-AGENTS` 97

ANEMAS de son cˆot´e diminue les couˆts grˆace `a l’utilisation du syst`eme de stockage
et de l’algorithme de n´egociation qui vise `a distribuer d’une mani`ere optimale
l’´energie renouvelable produite. Les r´esultats montrent en effet qu’ANEMAS et BADIS
ont une minimisation de couˆt ´elev´ee par rapport aux deux autres algorithmes, car ils
int`egrent tous les deux un algorithme de n´egociation et un syst`eme de stockage. En
outre, ANEMAS a utilis´e un syst`eme de stockage pour partager toute l’´energie stock
´ee avec l’ensemble du syst`eme. Cette minimisation est plus importante au cours de
l’´et´e en raison de la forte p´en´etration de l’´energie photovolta¨ıque. En utilisant
BADIS, la facture des consommateurs n’a pas augment´e mˆeme si on a diminu´e la
capacit´e de d´echarge de la batterie, grˆace `a l’algorithme de d´echarge qui a pu
conserver une quantit´e non n´egligeable de l’´energie stock´ee pour l’utiliser durant les
p´eriodes ou` le prix de la grille est ´elev´e.
Les Figures 5.8 et 5.9 pr´esentent les factures des consommateurs pour une journ´ee en
simulant le sc´enario 3 (pour 10 consommateurs, on fait varier le nombre de
producteurs de 0 `a 10) en impl´ementant les algorithmes pr´esent´es au d´ebut de
cette section. D’apr`es les r´esultats, on peut distinguer une minimisation de 4% par
rapport au cas conventionnel pour 0 producteur (en automne et en ´et´e), due `a la pr
´esence d’un stockage intelligent qui se recharge avec un couˆt minimal et revend
l’´energie stock´ee lorsque le couˆt de la grille est maximal.

Figure 5.8 – Variation de la somme des couˆts des consommateurs durant une journ´ee
compl`ete en automne (sc´enario 3 : 10 consommateurs, 0 `a 10 producteurs)
 98 5.5. EVALUATION DES PERFORMANCES DE BADIS

Figure 5.9 – Variation de la somme des couˆts des consommateurs durant une journ´ee
compl`ete en ´et´e (sc´enario 3 : 10 consommateurs, 0 `a 10 producteurs)

Comme l’indique les Figures 5.8 et 5.9, les couˆts baissent avec l’augmentation du
nombre de producteurs `a cause de l’augmentation de la production d’´energie
renouvelable et nos propositions (ANEMAS et BADIS) donnent des performances
nettement meilleures que les autres algorithmes (Colson et al. et homeostatic).
Pour montrer l’importance et l’influence de BADIS et d’ANEMAS, on a mis en ´evidence
la variation du couˆt pendant chaque p´eriode d’une journ´ee compl`ete pour un sc
´enario compos´e de 20 consommateurs et 20 producteurs durant l’´et´e. Sur la Figure
5.10 on peut voir les couˆts des consommateurs pour chaque heure de la journ´ee en
impl´ementant les algorithmes d´efinis ci-dessus.

Figure 5.10 – Couˆt de l’´energie durant chaque p´eriode d’une journ´ee compl`ete pour
un sc´enario de 20 consommateurs et 20 producteurs durant l’´et´e
Pendant la journ´ee, la r´eduction de la facture des consommateurs est due `a
l’utilisation des ´energies renouvelables ou du syst`eme de stockage. Pendant les
CHAPITRE 5. BADIS : MAXIMISER LA DUREE DE VIE DE LA´
BATTERIE AVEC UN SYSTEME MULTI-AGENTS` 99

heures de faible consommation (LP), la r´eduction du couˆt est tr`es ´elev´ee (elle est
´egale `a 100% en utilisant BADIS) car la production d’´energie renouvelable est
beaucoup plus ´elev´ee que la demande. En utilisant Colson et al., cette minimisation
atteint 80%. En outre, la diminution des couˆts atteint presque 100% seulement pour
les p´eriodes 12 et 14 en utilisant l’algorithme homeostatic, car durant ces p´eriodes le
stockage a pu satisfaire les demandes avec un couˆt minimal. En effet, la diminution du
couˆt est plus importante `a l’aide de BADIS en raison du stockage et de l’utilisation de
l’algorithme de n´egociation. Par cons´equent, en passant `a la p´eriode du HP, la facture
des consommateurs augmente pour atteindre les couˆts conventionnels. De plus, nous
constatons qu’en utilisant BADIS, la r´eduction du couˆt d’achat de l’´energie est due `a
l’utilisation de syst`emes de stockage avec des ressources renouvelables et l’achat
d’´energie stock´ee lorsque les couˆts sont faibles, ce qui r´eduit l’acc`es `a la grille
mˆeme pendant les p´eriodes HP (p´eriode 21 par exemple).
Les deux Figures 5.11 et 5.12 illustrent l’utilisation de la grille et du stockage en impl
´ementant ANEMAS et BADIS durant les deux saisons simul´ees (automne et ´et´e
respectivement). Nous pouvons voir que l’utilisation de la grille avec ANEMAS est inf
´erieure `a celle avec BADIS dans les deux saisons. Ces r´esultats sont dus au r´egime de
d´echarge adopt´e qui limite l’acc`es au stockage afin de maximiser la dur´ee de vie de
la batterie et augmente donc l’utilisation de la grille en comparaison avec ANEMAS.

Figure 5.11 – Utilisation du stockage et de la grille en automne (Nombre de

consommateurs = Nombre de producteurs)
 100 5.5. EVALUATION DES PERFORMANCES DE BADIS

Figure 5.12 – Utilisation du stockage et de la grille en ´et´e (Nombre de consommateurs

= Nombre de producteurs)

En utilisant l’algorithme de d´echarge, on ne voit aucun effet sur les couˆts pendant
la journ´ee parce que l’utilisation du stockage d’´energie est proportionnelle au prix de
la grille de telle sorte que le couˆt total de l’´energie pendant la journ´ee ne soit pas
affect´e.
Afin d’´evaluer l’importance de l’algorithme de d´echarge, nous avons ´etudi´e le
pourcentage de r´eduction de la charge de la batterie au cours d’une journ´ee. La Figure
5.13 pr´esente la minimisation du taux de d´echarge en simulant les sc´enarios 1 et 2 au
cours des deux saisons consid´er´ees et en comparant les r´esultats de BADIS `a ceux
d’ANEMAS. On peut remarquer que ce taux est ´egal `a 40% pour le sc´enario 1 au cours
de l’´et´e et `a 50% au cours de l’automne (Figure 5.13). A cause de la faible production
d’´energie renouvelable durant l’automne et de la forte demande d’´energie ´emanant
du syst`eme de stockage, la diminution de la d´echarge est plus faible en automne qu’en
´et´e. La Figure 5.14 indique le pourcentage de la r´eduction de la fr´equence de d
´echarge pour le sc´enario 3. En augmentant le nombre de producteurs de 0 `a 10, la
diminution de la fr´equence de d´echarge varie de 40% `a 60% (Figure 5.14, cette
diminution est due au choix al´eatoire fait entre les photovolta¨ıques et les ´eoliennes
dans le syst`eme). En effet, cette diminution de la fr´equence de d´echarge de la batterie
permet d’augmenter la dur´ee de vie de la batterie [128].
Afin d’´evaluer les performances de l’algorithme d’allocation ´equitable, nous simulons
un sc´enario compos´e de 10 consommateurs et 5 producteurs. Les caract´eristiques de
ces consommateurs sont pr´esent´ees dans le Tableau 5.4.
CHAPITRE 5. BADIS : MAXIMISER LA DUREE DE VIE DE LA´
BATTERIE AVEC UN SYSTEME MULTI-AGENTS` 101

Figure 5.13 – Pourcentage de minimisation de d´echarge de la batterie pendant l’´et´e et

l’automne en augmentant le nombre des consommateurs (Nombre de consommateurs
= Nombre de producteurs)

Figure 5.14 – Pourcentage de minimisation de d´echarge de la batterie pendant l’´et´e et

l’automne en augmentant le nombre des producteurs (pour 10 consommateurs)

La Figure 5.15 pr´esente le pourcentage de demandes satisfaites par le syst`eme de

stockage, pour chaque consommateur, sachant que le pourcentage des demandes
satisfaites est le rapport entre les demandes satisfaites par le syst`eme de stockage et le
nombre de demandes que le syst`eme de stockage a re¸cu de ce consommateur en
question. Nous pouvons remarquer qu’en utilisant FIFO (ANEMAS), les demandes sont
satisfaites selon leur ordre d’arriv´ee. Les r´esultats montrent que l’algorithme
d’allocation ´equitable am´eliore fortement la gestion du syst`eme de stockage. Ainsi,
l’´energie stock´ee est r´epartie d’une fa¸con ´equitable entre tous les
consommaTableau 5.4 – Entit´es du sc´enario consid´er´e
 102 5.5. EVALUATION DES PERFORMANCES DE BADIS

ID du consommateur Pro-consommateur?
√ photovolta¨ıque Eolienne
√
1 √ x √
2 √ √x
3 √ √ x
4 √ √ x
5 x
6 x x x
7 x x x
8 x x x
9 x x x
10 x x x

Figure 5.15 – Pourcentage de demandes satisfaites en automne en utilisant l’algorithme

d’allocation ´equitable (5 producteurs et 10 consommateurs)

teurs et si un consommateur participe `a la recharge de la batterie (cas des

consommateurs 1, 2, 3, 4 et 5), il a le droit d’utiliser plus d’´energie stock´ee que les
autres consommateurs. En outre, si un consommateur ne participe pas `a la charge de
la batterie, il a moins de chances d’ˆetre satisfait. Les r´esultats de cet algorithme
montrent que les consommateurs 1 et 2 ont le pourcentage de satisfaction le plus ´elev
´e (40%) parce qu’ils poss`edent une ´eolienne et contribuent donc plus activement `a
la charge du syst`eme de stockage. Les consommateurs 3, 4 et 5 participent `a la charge
de la batterie, mais leur participation est inf´erieure `a celle des consommateurs 1 et 2
parce qu’ils poss`edent une photovolta¨ıque dont la sortie n’est pas tr`es importante `a
l’automne. Par cons´equent, le pourcentage pour les propri´etaires de photovolta¨ıques
est de 35% (moins de 40%). Enfin, les consommateurs 6, 7, 8, 9 et 10 ne participent pas
`a la charge de la batterie, mais 30% environ de
 5.6. CONCLUSION

leurs demandes sont satisfaites.

5.6 Conclusion
Les syst`emes de stockage intelligents constituent l’un des piliers du nouveau r
´eseau ´electrique int´egrant les ´energies renouvelables intermittentes. Il est en effet
important de stocker l’exc`es de productions renouvelables durant les heures creuses
et de les utiliser durant les heures de pointe. En plus, il est n´ecessaire de stocker
l’´energie et de l’utiliser d’une mani`ere efficace afin d’augmenter la dur´ee de vie de la
batterie.
Ce chapitre a abord´e la question de l’augmentation de la dur´ee de vie d’une batterie
en minimisant la fr´equence de charges et de d´echarges de cette derni`ere. Cela est fait
tout en conservant un prix minimal pour les consommateurs en utilisant un agent de
stockage qui analyse les donn´ees et les demandes et planifie sa fr´equence de d
´echarge par rapport au prix du march´e ´electrique. Les d´ecisions de l’agent de
stockage sont alors bas´ees sur des donn´ees r´ecup´er´ees des autres agents dans le
syst`eme. Nous avons identifi´e une relation entre la fr´equence de d´echarge de la
batterie, le prix de l’´energie et la demande ´energ´etique dans une p´eriode pr´ecise
afin de choisir la quantit´e d’´energie que le stockage peut utiliser dans une p´eriode pr
´ecise. En outre, ce chapitre a pr´esent´e un algorithme de l’agent de stockage
permettant de distribuer d’une mani`ere ´equitable la quantit´e d’´energie sur les
consommateurs. Cependant, il y a plusieurs facteurs qui influencent le couˆt de
l’´energie, tels que les pertes ´energ´etiques qui augmentent avec la distance parcourue
par l’´energie. Un couˆt suppl´ementaire de l’´energie en termes de nombre de
messages ´echang´es et de latence s’ajoute au syst`eme. Ce couˆt doit ˆetre pris en
consid´eration surtout qu’on utilise des syst`emes multi-agents et des algorithmes de n
´egociation dans un syst`eme compos´e d’entit´es de types diff´erents, ce qui risque
d’engendrer un nombre non n´egligeable de messages. Le chapitre suivant vise `a
proposer un algorithme qui minimise les pertes ´energ´etiques et le nombre de
messages ´echang´es entre les agents. En se basant sur un nombre r´eduit
d’informations et en utilisant un algorithme g´en´etique modifi´e, chaque agent
optimise ses propres couˆts.

Chapitre 6
 104

LOMI : Minimiser les pertes

d’´energie au sein des smart

grids

Sommaire

6.1 Introduction ..................... 97

6.2 Motivations . . . . . . . . . . . . . . . . . . . . . . 98 6.3 Minimiser les pertes au
sein des smart grids . . 98
6.3.1 Identification des pertes dans les smart grids ... 99 6.3.2
Description de LOMI . . . . . . . . . . . . . . . . 101
6.4 Evaluation des performances de LOMI ..... 106
6.4.1 Sc´enarios et param`etres des simulations . . . . . . 107 6.4.2 R´esultats
num´eriques et analyse . . . . . . . . . . 107
6.5 Conclusion ...................... 114

6.1 Introduction
Les chapitres pr´ec´edents ont propos´e des solutions visant `a r´esoudre le
probl`eme d’intermittence des ´energies renouvelables en int´egrant des syst`emes de
stockage. Une approche de gestion de l’´energie a ´et´e propos´ee en utilisant les SMA
afin d’introduire une intelligence dans la prise de d´ecision notamment concernant la
charge et la d´echarge du syst`eme de stockage pour augmenter sa dur´ee de vie. Ce
chapitre pr´esente une proposition qui vise `a augmenter l’efficacit´e ´energ´etique d
´efinie par le rapport entre l’´energie directement utilis´ee (dite ´energie utile) et
l’´energie consomm´ee (en g´en´eral,

97
6.2. MOTIVATIONS
sup´erieure `a l’´energie utile, du fait des pertes). Notre but principal est de r´eduire les
pertes ´energ´etiques dans les smart grids tout en minimisant le chemin parcouru par
l’´energie pour arriver `a sa destination finale (consommateurs, syst`eme de stockage,
etc.).
Dans ce chapitre, nous exposerons en premier lieu l’int´erˆet de minimiser les pertes
´energ´etiques et le sc´enario utilis´e. Par la suite, nous pr´esentons LOMI (”LOss
MInimization algorithm”), notre nouvelle proposition qui vise `a minimiser les pertes
pour augmenter l’efficacit´e ´energ´etique, et pour finir nous d´ecrivons et analysons les
r´esultats des simulations.

6.2 Motivations
L’´electricit´e subit des pertes, lors de son transport du point de production vers le
point de livraison, qui sont impossibles `a ´eviter et qui d´ependent de la valeur du
courant, de la distance de transport et des caract´eristiques du r´eseau. On parle alors
des pertes en ligne qu’il est primordial `a optimiser. Selon les travaux de recherche
[129, 130, 131, 132], les pertes en ´electricit´e ont plusieurs origines : (1) les pertes
provenant de l’affaiblissement de l’´energie lorsqu’un courant ´electrique circule dans
les mat´eriaux de liaison (2) les pertes provenant du transport d’´electricit´e qui font
chauffer les cˆables, nomm´ees ”pertes `a effet joules” (3) les pertes caus´ees par les
conditions climatiques (4) les pertes provenant des postes de transformation.
Plusieurs facteurs influencent la quantit´e d’´energie perdue en ligne, rendant
l’optimisation du chemin parcouru par l’´electricit´e d’une grande importance. Afin de
minimiser le chemin parcouru par l’´electricit´e et de r´eduire par voie de cons´equence
les pertes, nous proposons d’utiliser un m´ecanisme permettant de trouver un tel
chemin. Pour r´ealiser notre but, nous utilisons un sc´enario compos´e des quatre types
d’agents utilis´es dans les chapitres pr´ec´edents : l’agent grille, l’agent consommateur,
l’agent producteur et l’agent stockage. L’algorithme propos´e sera mis en œuvre par les
agents producteurs dont la position est connue et est utilis´ee lors du choix du chemin.
Dans la partie suivante, nous d´etaillerons la probl´ematique de perte d’´electricit´e et
notre proposition qui a pour objectif de minimiser ces pertes.

6.3 Minimiser les pertes au sein des smart grids

Dans cette section nous pr´esentons l’int´erˆet de la minimisation des pertes ´energ
´etiques ainsi que notre proposition dont le but principal est de mini-
 106 6.3. MINIMISER LES PERTES AU SEIN DES SMART GRIDS

miser ces pertes.

6.3.1 Identification des pertes dans les smart grids

Une fois que l’´energie ´electrique est g´en´er´ee, elle doit ˆetre d´eplac´ee
chez les consommateurs par qui elle sera utilis´ee. Ceci est connu sous le
nom de la transmission et distribution de l’´electricit´e [133]. En r´ealit´e,
l’´electricit´e ne peut pas ˆetre achemin´ee jusqu’au consommateur final sans
pertes. La distribution est g´en´eralement le ph´enom`ene englobant les
sous-stations et les lignes d’alimentation qui acheminent l’´electricit´e du r
´eseau de haute tension. Le long du chemin, une partie de l’´energie fournie
par le g´en´erateur est perdue en raison de la r´esistance des fils et de
l’´equipement `a travers desquels l’´electricit´e passe et la majeure partie de
cette ´energie est convertie en chaleur. Selon ENEDIS [3] et RTE [134], le r
´eseau de transport et de distribution de l’´electricit´e affiche une perte qui
pourra atteindre environ 8 `a 9% de l’´electricit´e achemin´ee. En incluant
l’autoconsommation des postes de transformation et les pertes non
techniques, les pertes d’´electricit´e en France entre le lieu de production et
de consommation avoisinent 10% en moyenne. La perte d’´energie est un
probl`eme important au sein du r´eseau intelligent et entre les
consommateurs individuels, les producteurs et les syst`emes de stockage
[135]. Par cons´equent, un algorithme efficace est n´ecessaire pour r´eduire
les pertes d’´energie caus´ees par des lignes de transmission. Pour
commencer, on consid`ere que la perte d’´energie entre deux nœuds i et j
(par exemple le consommateur et le producteur) est proportionnelle `a la
distance d’ou` l’´equation (6.1). En se basant sur les recherches d´efinies
dans [136, 137, 138], l’´equation 6.2 est adopt´ee pour d´efinir les pertes en
ligne. En effet, les pertes (Wij) sont proportionnelles `a la r´esistivit´e (r) au
carr´e du courant (I2) au temps (T) et `a la distance parcourue (dij). Pour
simplifier le calcul et pour mettre l’accent sur l’importance de la
minimisation de la distance parcourue par l’´energie, on consid`ere que le
produit r ∗ I2 ∗ T est ´equivalent `a une constante qu’on nomme Kl (´equation
6.3) d’ou` l’´equation
6.2.
Wij = Kl ∗ dij (6.1)

Wij = r ∗ I2 ∗ T ∗ dij (6.2)

CHAPITRE 6. LOMI : MINIMISER LES PERTES D’ENERGIE AU´
SEIN DES SMART GRIDS 107

Kl = r ∗ I2 ∗ T (6.3)
Ou` :
— r : la r´esistance par unit´e de longueur de la ligne de distribution (en
Ω.m).
— I : le courant de la ligne (en Amp`ere).
— T : le temps en heures.
— Wij : la perte d’´energie entre deux nœuds i et j (en kWh).
— Kl : la perte d’´energie dans les lignes de transmission (en
kWh/m`etres), calcul´ee en fonction de la distance et selon les
recherches [136, 137, 138].
— dij : la distance entre les 2 nœuds i et j (en m`etres).
Dans l’´equation (6.1), on peut voir que la perte augmente lorsque la
distance entre les deux nœuds augmente. On suppose ´egalement que
chaque ligne de transmission a un taux de perte li´e `a sa r´esistance interne.
En outre, on consid`ere que la distance entre deux nœuds i et j (dij) est pr
´esent´ee par une ligne directe entre ces deux nœuds comme indiqu´e dans
la Figure 6.1 et nous pouvons noter que dij = dji.

Figure 6.1 – Distance entre les nœuds

Nous consid´erons que chaque nœud a deux coordonn´ees d´efinies par (Xi,
Yi) et la distance entre deux nœuds i et j est calcul´ee selon l’´equation (6.4).

q
dij = (Xi − Xj)2 + (Yi − Yj)2 (6.4)
 108 6.3. MINIMISER LES PERTES AU SEIN DES SMART GRIDS

Pour r´esoudre le probl`eme de perte d’´energie, notre objectif est de r

´eduire la distance parcourue par l’´energie.
6.3.2 Description de LOMI
Notre proposition de gestion d’´energie se caract´erise par la coop
´eration entre chaque ´el´ement du sous-syst`eme et la grille. Cette section
met en ´evidence notre proposition de gestion de l’´energie qui aide `a
minimiser les pertes ´energ´etiques. En effet, les algorithmes de l’agent grille
et des agents consommateurs restent intactes (voir chapitres 4 et 5). L’agent
grille a un rˆole pr´ecis, qui se d´efinit par la vente et l’achat de l’´energie
alors que l’agent consommateur a pour rˆole de choisir la meilleure
combinaison de ressources ´energ´etiques qui satisfait ses besoins avec un
couˆt minimal et n´egocie son choix avec les autres agents consommateurs
du syst`eme. L’agent producteur dans cette nouvelle proposition int`egre de
nouvelles fonctionnalit´es afin de minimiser ses pertes ´energ´etiques et
dont l’algorithme est d´etaill´e dans la sous-section suivante.

Algorithme de l’agent producteur

Tout au long de ce manuscrit, nous avons consid´er´e que nos
producteurs sont des sources d’´energie renouvelables et sp´ecialement des
photovolta¨ıques (PV) ou des ´eoliennes. En outre, les petites sources
d’´energie distribu´ees `a proximit´e des consommateurs font d’eux des pro-
consommateurs. A chaque ∆` t, l’agent producteur pr´edit sa production sur
une journ´ee compl`ete (journ´ee i) selon l’´equation 4.1. Ensuite, ces pr
´edictions seront envoy´ees `a l’agent de stockage afin qu’il puisse prendre
les d´ecisions `a propos de la charge de sa batterie en fonction de ces donn
´ees. Afin de prendre une d´ecision efficace, l’agent producteur suit les
´etapes de son algorithme en ligne, d´efini dans la Figure 6.2, qui consistent
`a :
7
(1) Satisfaire les demandes de son agent consommateur s’il s’agit d’un
proconsommateur.
(2) Satisfaire les consommateurs et/ou le syst`eme de stockage les plus
proches en appliquant LOMI, en cas d’exc`es de production d’´energie, si les
consommateurs du syst`eme ont besoin d’´energie.
(3) Vendre l’´energie en exc`es au syst`eme de stockage ou `a la grille au
cas ou` les consommateurs sont tous satisfaits.

7 . Ces chiffres sont ceux pr´esent´es dans la Figure 6.2

CHAPITRE 6. LOMI : MINIMISER LES PERTES D’ENERGIE AU´
SEIN DES SMART GRIDS 109
Tout d’abord, l’agent producteur r´epond `a ses propres demandes s’il est
pro-consommateur. En g´en´eral, l’agent producteur cherche `a maximiser
ses b´en´efices (Profit(t)pi) en r´eduisant ses pertes (Wpi(t)) selon les
´equations 6.5 et 6.6. L’´equation 6.5 montre que le gain est proportionnel au
prix de vente de l’´energie (Pr(t)pi) et `a la somme de l’´energie vendue aux
consommateurs, au syst`eme de stockage et `a la grille (

EG)). En effet, ηij ∗Ecj est ´egale `a 0 si le producteur n’a pas vendu d’´energie
au consommateur j et `a Ecj s’il lui a vendu. La mˆeme explication s’applique
pour le stockage (ηiS ∗ ES) et la grille (ηiG ∗ EG). De mˆeme pour l’´equation
6.6, la perte est proportionnelle `a la perte d’´energie dans les lignes de
transmission (Kl) et `a la distance parcourue par l’´energie vers les
consommateurs, le syst`eme de stockage et la grille (

En effet, ηij ∗dpi,cj est ´egale `a 0 si le producteur n’a pas vendu d’´energie au
consommateur j et `a dpi,cj s’il lui a vendu. La mˆeme explication s’applique
pour le stockage (ηiS ∗ dpi,S) et la grille (ηiG ∗ dpi,G). Quand un producteur pi n’a
pas besoin d’utiliser sa propre production, il choisit le syst`eme de
consommation et/ou de stockage le plus proche afin de vendre son surplus
d’´energie et de minimiser ses pertes en appliquant LOMI. Si un producteur
a un surplus de production d’´energie et tous les consommateurs du
syst`eme aussi que le syst`eme de stockage sont satisfaits, il choisit de
vendre cette ´energie `a la grille.

Figure 6.2 – Etapes de l’algorithme en ligne de l’agent producteur

Le Tableau 6.1 montre tous les param`etres utilis´es par l’agent

producteur dans sa prise de d´ecision.
n
 110 6.3. MINIMISER LES PERTES AU SEIN DES SMART GRIDS

X (6.5)
Profit(t)pi = Pr(t)pi ∗ ( (ηij ∗ Ecj) + ηiS ∗ ES + ηiG ∗ EG)
j=1
n

Wpi(t) = Kl ∗ (X(ηij ∗ dpi,cj) + ηiS ∗ dpi,S + ηiG ∗ dpi,G) (6.6)

j=1

Afin de minimiser ses pertes, l’agent producteur pi cherche `a vendre son

exc`es de production aux consommateurs et/ou au syst`eme de stockage les
plus proches et suit donc les ´etapes de l’algorithme LOMI pr´esent´e dans
Tableau 6.1 – Param`etres de l’agent producteur
Param`etre D´efinition

l’´energie du producteur i et 1 dans le cas contraire

une variable bool´eenne d´efinie `a 0 si le syst`eme de stockage n’ach`ete pas
ηiS
l’´energie du producteur i et 1 dans le cas contraire
une variable bool´eenne d´efinie `a 0 si la grille i n’ach`ete pas l’´energie
ηiG
du producteur i et 1 dans le cas contraire
Profit(t)pi gain du producteur pi `a une p´eriode t (en centimes)
E cj

cj (en kWh)
ES pi
EG ´energie que le producteur pi vend a` la grille (en kWh)
Pr(t)p prix de l’´energie produite par le producteur pi
Wpi(t) pi
dpi,cj pi cj (en m`etres)
dpi,S pi

dpi,G pi
la Figure 6.3. L’agent producteur fixe d’abord son rayon de recherche R `a
Rmin et R1 `a 0 (1) 8 et s’il y a un exc`es de production d’´energie (2), il envoie
un message de ”call for proposal” (3) aux consommateurs et au syst`eme de
stockage qui se trouvent dans un rayon R. Ce message contient l’´energie

8 . Ces chiffres sont ceux pr´esent´es dans la Figure 6.3 et d´efinis dans le Tableau 6.1.
CHAPITRE 6. LOMI : MINIMISER LES PERTES D’ENERGIE AU´
SEIN DES SMART GRIDS 111
9
disponible du producteur et le prix qu’il propose . Ensuite, l’agent
producteur attend des messages de r´eponse (des messages ”propose”) de la
part des consommateurs et/ou du syst`eme de stockage (4), `a la r´eception
desquels (5), l’agent producteur choisit le consommateur ou syst`eme de
stockage le plus proche permettant de minimiser ses pertes (´equation
(6.6)) et lui envoie un message d’accord (”accept proposal”), (6). De leur
part, les consommateurs envoient une requˆete de demande d’´energie
(”Request message”) aux producteurs de sorte que leur couˆt d’achat soit
minimal. Si l’exc`es de production est sup´erieur `a l’´energie demand´ee, par
les consommateurs et le syst`eme de stockage, dans le rayon R ou si cet
agent n’a pas re¸cu de message de demandes de la part des consommateurs,
le producteur augmente son rayon de recherche R (7) et envoie `a nouveau
le message ”call for proposal” `a tous les consommateurs et les syst`emes de
stockage qui existent

Figure 6.3 – Etapes de l’algorithme LOMI´

9 . Ces prix d´ependent des heures de la journ´ee, de la quantit´e d’´energie produite et de

la demande d’´energie.
 112 6.3. MINIMISER LES PERTES AU SEIN DES SMART GRIDS

entre R et R1 et ex´ecute `a nouveau le mˆeme algorithme (LOMI) 10. L’agent

producteur continue ses recherches afin de vendre l’´energie en exc`es
jusqu’`a ce qu’il atteigne le rayon maximal du syst`eme Rmax 11 ou que
l’´energie en exc`es soit vendue, auquel cas LOMI s’arrˆete (8). Si LOMI
s’arrˆete alors que le producteur poss`ede encore de l’´energie en exc`es, il
choisit de vendre cet exc`es `a la grille.
Pour plus de pr´ecisions, la Figure 6.4 pr´esente un exemple de la recherche
de l’agent producteur, dans lequel Rmax = R2 12.
En premier lieu, l’agent producteur envoie son call for proposal aux agents
dans un rayon plus petit que R1 ; il s’agit des agents consommateurs 1 et 2
dans ce cas. En second lieu, apr`es avoir re¸cu les r´eponses de ces agents
(”Request messages”), et si le producteur a toujours un exc`es, il envoie son
call for proposal `a tous les agents avec un rayon inf´erieur `a R2 et sup
´erieur `a que R1, c’est-`a-dire aux agents consommateurs 3, 4, 5, 6, 7, 8 et
l’agent de stockage.

Figure 6.4 – Exemple de recherche de l’agent producteur avec Rmax = R2

En raison de la capacit´e de production limit´ee de chaque producteur, et

compte tenu de la nature stochastique de la plupart des demandes, les
producteurs ne peuvent pas traiter les demandes d’´energies entrantes imm
10 . R est augment´e a` chaque it´eration de ou` NombreMaximalI-
teration est le nombre maximal d’it´erations que fait un producteur pour atteindre Rmax et ce
nombre est fix´e par l’agent.
11 . Rmax est le rayon maximal du syst`eme ou la distance entre le producteur et l’entit´e la
plus ´eloign´ee du syst`eme duquel il fait partie. En effet, les bordures de chaque
soussyst`eme sont pr´ecis´ees par l’administrateur.
12 . R2 est un rayon utilis´e dans cette exemple pour expliquer comment se fait la
recherche et la s´election des agents.
CHAPITRE 6. LOMI : MINIMISER LES PERTES D’ENERGIE AU´
SEIN DES SMART GRIDS 113
´ediatement apr`es leur arriv´ee. Par cons´equent, toutes les demandes
d’´energie sont plac´ees dans une file d’attente jusqu’`a ce qu’elles puissent
ˆetre trait´ees.
Apr`es avoir d´ecrit l’algorithme de l’agent producteur, nous pr´esentons
dans la sous-section suivante la nouvelle fonction ajout´ee `a l’agent de
stockage qui permet de minimiser les pertes ´energ´etique lors de
l’approvisionnement des consommateurs qui lui ont demand´e de l’´energie.

Algorithme de l’agent de stockage

L’agent de stockage joue un grand rˆole dans le r´eseau intelligent en
fournissant l’´energie demand´ee par les consommateurs lorsque la
production d’´energie renouvelable est insuffisante. Dans ce contexte et en
se basant sur les donn´ees pr´edites, l’agent de stockage choisit le meilleur
moment pour recharger sa batterie `a partir de la grille. En outre, en cas
d’exc`es de production, cet agent stocke l’´energie pour pouvoir l’utiliser
plus tard. Nous avons d´evelopp´e dans les chapitres pr´ec´edents (chapitres
4 et 5) un algorithme en ligne et un autre hors ligne r´egissant le
fonctionnement de l’agent de stockage. Dans cette sous-section, nous allons
expliquer une nouvelle fonc-
 114 6.4. EVALUATION DES PERFORMANCES DE LOMI

tion de l’agent de stockage qui prend en consid´eration la minimisation du trajet de

l’´energie stock´ee afin de minimiser les pertes. Pour minimiser ces pertes, l’agent de
stockage met en file d’attente toutes les demandes des consommateurs. Dans le cas ou`
les demandes sont plus grandes que la quantit´e d’´energie que le syst`eme de stockage
peut vendre durant la p´eriode t, l’agent de stockage classifie les demandes selon leur
priorit´e pour satisfaire en premier lieu la demande avec la plus grande priorit´e. La
priorit´e est donn´ee sous forme d’une fonction d’utilit´e d´efinie dans l’´equation 6.7.

U(t)x = DR(t)x ∗ CR(t)x (6.7)

(6.8)

(6.9)

Ou` :
— DR(t)x : le rapport entre l’´energie demand´ee par un consommateur x et
l’´energie totale demand´ee durant une p´eriode t.
— CR(t)x : le rapport entre le couˆt de l’´energie du consommateur x et le prix
maximal de l’´energie.
— DCx(t) : les demandes en kWh du consommateur x durant la p´eriode t.
— DC(t)t : toutes les demandes durant la p´eriode t (en kWh).
— Prx(t) : le couˆt de l’´energie en centimes/kWh pour le consommateur x durant la
p´eriode t.
— Prmax : le prix maximal de l’´energie en centimes/kWh. La fonction d’utilit´e est
proportionnelle aux couˆts incomb´es aux consommateurs. Afin de minimiser les pertes
d’´energie entre le syst`eme de stockage et les consommateurs, cette fonction d’utilit´e
augmente lorsque la distance entre le syst`eme de stockage et le consommateur x
diminue.
La section suivante a pour but d’´evaluer les performances de nos propositions par
simulations.

6.4 Evaluation des performances de LOMI

Cette section est consacr´ee `a l’´evaluation des performances de notre proposition
qui a ´et´e simul´ee sous JADE. Dans la sous-section suivante, nous pr´esentons les sc
´enarios et les param`etres des simulations.
CHAPITRE 6. LOMI : MINIMISER LES PERTES D’ENERGIE AU´
SEIN DES SMART GRIDS 115
6.4.1 Sc´enarios et param`etres des simulations
Dans les simulations r´ealis´ees pour ´evaluer les performances de LOMI, nous
adoptons la mˆeme r´epartition des agents que celle pr´esent´ee dans les chapitres pr
´ec´edents. Pour rappel, nous impl´ementons 1 agent par grille, 1 agent par
consommateur, 1 agent par producteur et 1 agent pour le syst`eme de stockage. En
outre, dans tous les sc´enarios ´enum´er´es dans cette section, nous consid´erons que
chaque producteur est un pro-consommateur; c’est donc une ressource renouvelable d
´etenue par un consommateur. Le Tableau 6.2 pr´esente les sc´enarios pris en consid
´eration pour ´evaluer LOMI. Nous augmentons le nombre de producteurs de 0 `a 5
pour 5 consommateurs dans le sc´enario 1. Dans les sc´enarios 2, 3, 4, 5 et 6 nous impl
´ementons 10, 15, 30, 50, et 100 consommateurs respectivement et nous consid´erons
que le nombre de consommateurs est ´egal au nombre de producteurs. Dans les sc
´enarios 7 et 8 nous choisissons de r´eduire le nombre de producteurs (100 puis 50
puis 3 producteurs dans le sc´enario) afin d’´evaluer les performances de notre
algorithme.
Les param`etres des simulations sont ceux pr´esent´es dans le chapitre 5 (section
5.5.1).

Tableau 6.2 – Sc´enarios impl´ement´es

Sc´enario Consommateurs Producteurs Stockage Grille
1 5 [0-5] 1 1
2 10 10 1 1
3 15 15 1 1
4 30 30 1 1
5 50 50 1 1
6 100 100 1 1
7 100 50 1 1
8 100 3 1 1
6.4.2 R´esultats num´eriques et analyse
Afin d’´evaluer les performances de LOMI, nous le comparons `a notre algorithme
ANEMAS et `a un autre algorithme de la litt´erature.
ANEMAS : Nous comparons LOMI `a ANEMAS afin de montrer que LOMI minimise les
pertes ´energ´etiques et la facture des consommateurs. Cas conventionnel : Nous
comparons LOMI au cas conventionnel qui est adopt´e par la plupart des pays ou` les
consommateurs ach`etent leurs demandes de la grille avec un couˆt fixe. Nous
comparons LOMI avec le cas conventionnel afin de surligner l’importance de la
minimisation des pertes ´energ´etiques.
 116 6.4. EVALUATION DES PERFORMANCES DE LOMI

Algorithme de Colson et al. [52] : LOMI est compar´e `a cet algorithme qui vise `a g
´erer l’´energie dans les smart grids sans int´egrer des agents de stockage et sans
prendre en consid´eration les pertes. Cette comparaison est importante pour montrer
le rˆole des syst`emes de stockage dans la gestion de l’´energie au niveau des smart
grids et dans la minimisation des pertes. Pour ´evaluer l’efficacit´e de notre
proposition, on compare tous les algorithmes cit´es ci-dessus durant les deux saisons
(automne et ´et´e) ou` les sorties des ressources renouvelables utilis´ees varient d’une
mani`ere significative. Tout d’abord, nous illustrons les r´esultats des simulations pour
une journ´ee de fonctionnement. La premi`ere s´erie de simulations est effectu´ee `a
l’aide du sc´enario 1. Les Figures 6.5 et 6.6 montrent la minimisation des couˆts en
utilisant tous les algorithmes cit´es ci-dessus durant les deux saisons simul´ees
(automne et ´et´e, respectivement) et en les comparant avec le cas conventionnel. En
automne, nous pouvons remarquer une minimisation des couˆts qui atteint 63% en
impl´ementant LOMI, 60% en impl´ementant ANEMAS et 40% en impl´ementant
Colson et al. (sc´enario 1). En outre, cette r´eduction augmente `a 93% en ´et´e en
utilisant LOMI, 73% en utilisant ANEMAS et 52% avec l’algorithme de Colson et al. En
effet, le couˆt s’am´eliore pendant l’´et´e car il y a une augmentation de la production
d’´energie renouvelable ce qui minimise en cons´equence le couˆt d’achat d’´energie `a
partir de la grille. Les Figures 6.7 et 6.8 pr´esentent les pertes d’´energie durant les
deux saisons et pour tous les algorithmes mis en œuvre. Selon ces deux figures, nous
pouvons constater que les pertes des producteurs augmentent lorsque le nombre de
producteurs augmente pour tous les algorithmes et durant les deux saisons. Toutefois,
en utilisant LOMI, nous pouvons remarquer que cette augmentation reste faible parce
que la distribution d’´energie dans LOMI d´epend de la distance et prend en compte la
minimisation de la perte de chaque source d’´energie. Les pertes de production
augmentent de 0 `a 5 kWh durant l’automne et de 0 `a 8 kWh durant l’´et´e en utilisant
LOMI alors que cette valeur augmente de 0 `a 28 kWh durant l’automne et de 0 `a 147
kWh durant l’´et´e avec ANEMAS et de 0 `a 39 kWh durant l’automne et de 0 `a 161
kWh durant l’´et´e avec l’algorithme de Colson et al. En effet, parmi tous les algorithmes
pr´esent´es ci-dessus, seul LOMI prend en consid´eration la minimisation de la distance
parcourue et permet donc une minimisation remarquable des pertes d’´energies. Pour
les deux autres algorithmes (ANEMAS et Colson et al.), le choix du consommateur `a qui
l’exc`es d’´energie sera vendu d´epend d’autres param`etres (e.g. prix) que les pertes
d’´energie, ce qui explique les r´esultats obtenus. Les Figures 6.9 et 6.10 pr´esentent le
nombre de messages ´echang´es entre les agents du syst`eme en utilisant tous
CHAPITRE 6. LOMI : MINIMISER LES PERTES D’ENERGIE AU´
SEIN DES SMART GRIDS 117

Figure 6.5 – Variation du couˆt

Figure 6.6 – Variation du couˆt
total de l’´energie pendant une total de l’´energie pendant une
journ´ee d’automne (5 consommajourn´ee d’´et´e (5 consommateurs)
teurs)

Figure 6.7 – Variation quotidienne de la Figure 6.8 – Variation quotidienne

perte d’´energie en ´et´e de la perte d’´energie en automne
(5 consommateurs) (5 consommateurs)

Figure 6.9 – Variation quo-

Figure 6.10 – Variation quoti-
tidienne des messages ´echang´es dienne des messages ´echang´es du-
durant l’automne (5 consommarant l’´et´e (5 consommateurs)
teurs)
 118 6.4. EVALUATION DES PERFORMANCES DE LOMI

les algorithmes d´efinis au d´ebut de cette sous-section durant l’automne et l’´et´e,

respectivement. Ces r´esultats montrent une grande diff´erence entre le nombre de
messages/seconde 13 en impl´ementant les algorithmes ´evalu´es. Ce param`etre permet
d’´evaluer la minimisation de l’utilisation de la bande passante en impl´ementant LOMI.
Les r´esultats montrent que LOMI a les valeurs les plus petites de messages ´echang´es
(0,29 `a 0,39 messages/seconde durant l’automne et l’´et´e) alors que les deux autres
algorithmes ont des valeurs de messages ´echang´es qui varient entre 0,5 et 1,5
messages/seconde durant les deux saisons. Avec ANEMAS et Colson et al., les messages
de l’agent producteur et de la n´egociation des consommateurs sont envoy´es `a tous
les agents consommateurs du r´eseau. Le nombre de messages/seconde pour ANEMAS
peut d´epasser des fois celui de Colson et al. et ce d´epassement n’a pas une r`egle pr
´ecise car il d´epend en effet de la combinaison des consommateurs choisis par chaque
algorithme et de l’´energie disponible de chaque producteur. Ces param`etres sont al
´eatoires et diff`erent d’un algorithme `a un autre durant la mˆeme p´eriode d’ou`
l’explication de la variation du nombre de messages/seconde pour ANEMAS et Colson
et al. et l’augmentation de ce param`etre dans un des algorithmes par rapport `a l’autre
al´eatoirement (des fois le nombre de messages/seconde pour ANEMAS < nombre de
messages/seconde pour l’algorithme de Colson et al. alors que des fois c’est l’inverse
qui se produit). Avec LOMI, les messages de l’agent producteur et de la n´egociation des
consommateurs sont envoy´es `a un nombre limit´e d’entit´es d’ou` la minimisation du
nombre de messages ´echang´es. Avec l’augmentation du nombre de producteurs, nous
pouvons remarquer que les r´esultats sont de plus en plus efficaces et ceci est duˆ au
fait que la production d’´energie renouvelable augmente quand il y a plus de
producteurs.
En second lieu et pour ´evaluer l’efficacit´e de notre proposition, nous modifions le
nombre de producteurs (100, 50 et 3) pour 100 consommateurs. La deuxi`eme s´erie
de simulations est r´ealis´ee `a l’aide de sc´enarios 6, 7 et 8 dont les r´esultats sont donn
´es dans les Figures 6.11, 6.13 et 6.15 (automne) et les Figures 6.12, 6.14 et 6.16 (´et´e).
Les Figures 6.11 et 6.12 montrent la minimisation des couˆts en utilisant les
algorithmes cit´es ci-dessus durant les deux saisons (automne et ´et´e respectivement).
En automne, nous pouvons remarquer une minimisation des couˆts atteignant 65%
avec LOMI, 61% avec ANEMAS et 34% avec l’algorithme de Colson et al. De plus, en ´et
´e cette minimisation augmente `a 89% en utilisant LOMI, 69% avec ANEMAS et 36%
avec l’algorithme de Colson et al. Les Figures 6.13 et 6.14 montrent les pertes des
producteurs dans les deux saisons et pour tous les algorithmes

13 . C’est le nombre de messages global par seconde

CHAPITRE 6. LOMI : MINIMISER LES PERTES D’ENERGIE AU´
SEIN DES SMART GRIDS 119
Figure 6.11 – Variation du couˆt Figure 6.12 – Variation du couˆt
quotidien durant l’automne (100 quotidien durant l’´et´e (100
consommateurs) consommateurs)

Figure 6.13 – Variation quoti-

Figure 6.14 – Variation quoti-
dienne de la perte des producteurs dienne de la perte des producteurs
durant l’automne (100 consommadurant l’´et´e (100 consommateurs)
teurs)

mis en œuvre. En se basant sur les r´esultats, nous pouvons constater que les pertes
de tous les producteurs augmentent lorsque le nombre de producteurs augmente
pour tous les algorithmes et durant les deux saisons. La perte augmente de 13 `a 80
kWh durant l’automne et de 9 `a 357 kWh durant l’´et´e en utilisant LOMI alors que
cette valeur augmente de 14 `a 629 kWh en automne et de 7 `a 2648 kWh en ´et´e en
utilisant ANEMAS et de 18 `a 690 kWh en automne et de 31 `a 2506 kWh en ´et´e avec
l’algorithme de Colson et al. Cette perte est plus importante en ´et´e `a cause de la
quantit´e de production renouvelable qui augmente en ´et´e et fait augmenter avec elle
les pertes de transport. Les deux Figures 6.15 et 6.16 pr´esentent le nombre de
messages ´echang´es entre les agents utilisant les trois algorithmes simul´es en
automne et en ´et´e. En se basant sur les r´esultats on peut constater que LOMI a les
valeurs minimales de messages ´echang´es (17 `a 47 messages/seconde en automne et
en ´et´e) et les deux autres algorithmes ont des valeurs de messages ´echang´es qui
varient entre 239 et 540 messages/seconde dans les Figure 6.15 – Variation quoti-
dienne des messages ´echang´es du- Figure 6.16 – Variation quoti-
 120 6.4. EVALUATION DES PERFORMANCES DE LOMI

dienne des messages ´echang´es durant

l’automne (100 consommarant l’´et´e (100 consommateurs) teurs)

Figure 6.17 – Variation Figure 6.18 – Variation

quotidienne du couˆt durant quotidienne du couˆt durant l’´et´e
l’automne (nombre de (nombre de
consommateurs=nombre de consommateurs=nombre de
producteurs) producteurs)
deux saisons. Les r´esultats deviennent de plus en plus efficaces `a cause de
l’augmentation du nombre de producteurs, qui entraine une augmentation de
production des ´energies renouvelable. Enfin, pour ´evaluer l’efficacit´e de notre
proposition, nous augmentons le nombre de consommateurs de 10 `a 100. La
troisi`eme s´erie de simulations est r´ealis´ee `a l’aide des sc´enarios 1 `a 6 et les r
´esultats sont donn´es dans les figures 6.17, 6.19 et 6.21 (automne) et les figures 6.18,
6.20 et 6.22 (´et´e). Les Figures 6.17 et 6.18 montrent la minimisation des couˆts en
utilisant tous les algorithmes cit´es ci-dessus durant les deux saisons (automne et ´et´e
respectivement). En automne, une r´eduction des couˆts atteint 75% avec LOMI, 59%
avec ANEMAS et 40% avec Colson et al. De plus, en ´et´e cette minimisation augmente
jusqu’`a 96% avec LOMI, 75% avec ANEMAS et 50% avec l’algorithme de Colson et al.
Les Figures 6.19 et 6.20 montrent que les pertes d’´energies augmentent lorsque le
nombre de producteurs augmente pour les algorithmes et dans
CHAPITRE 6. LOMI : MINIMISER LES PERTES D’ENERGIE AU´
SEIN DES SMART GRIDS 121

Figure 6.19 – Variation quoti-

Figure 6.20 – Variation quoti-
dienne des pertes des producteurs dienne des pertes des producteurs
durant l’automne (nombre de durant l’´et´e (nombre de consom-
consommateurs=nombre de promateurs=nombre de producteurs)
ducteurs)

Figure 6.21 – Variation quo-

Figure 6.22 – Variation quoti-
tidienne des messages ´echang´es dienne des messages ´echang´es du-
durant l’automne (nombre de rant l’´et´e (nombre de consomma-
consommateurs=nombre de proteurs=nombre de producteurs)
ducteurs)
 122

6.5.
CONCLUSION

les deux saisons. Avec LOMI, ces augmentations vont de 5 `a 80 kWh en automne et de
8 `a 357 kWh en ´et´e tandis qu’avec ANEMAS le changement est de 28 `a 629 kWh en
automne et de 647 `a 2648 kWh en ´et´e et avec l’algorithme de Colson et al. 39 `a 690
kWh en automne et de 141 `a 2506 kWh en ´et´e.
Finalement, les deux figures 6.21 et 6.22 pr´esentent le nombre de messages
´echang´es entre les agents du syst`eme en utilisant tous les algorithmes ´evalu´es pour
l’automne et l’´et´e, respectivement. Ces r´esultats montrent une grande diff´erence
entre le nombre de messages/seconde pour tous les algorithmes utilis´es. Nous
pouvons constater que LOMI a les valeurs minimales en termes de messages ´echang´es
(0,3 `a 47 messages/seconde en automne et en ´et´e) et les deux autres algorithmes ont
des valeurs de messages ´echang´es qui varient entre 1,2 et 540 messages/seconde
dans les deux saisons. Un nombre croissant de producteurs donne des r´esultats plus
efficaces car la production renouvelable augmente. Ces r´esultats sont dus `a la
production d’´energie renouvelable qui augmente en augmentant le nombre de
producteurs dans le syst`eme.
En effet, l’utilisation du syst`eme de stockage joue un rˆole majeur dans la r´eduction
des prix, surtout en ´et´e ou` la production renouvelable est ´elev´ee (les Figures 6.5,
6.6, 6.11, 6.12, 6.17 et 6.18). En outre, LOMI permet de minimiser le chemin de
l’´energie, de r´eduire les pertes d’´energie (les Figures 6.8, 6.7, 6.13, 6.14, 6.19 et 6.20)
en g´erant la vente d’´electricit´e produite en fonction de la distance entre le
producteur et le consommateur, et d’une mani`ere al´eatoire.

6.5 Conclusion
Tout au long de ce chapitre, nous avons pr´esent´e notre proposition LOMI qui
permet la minimisation de la perte en d´etaillant les pertes d’´energie et leurs effets sur
le prix de l’´energie. Ensuite, nous avons ´evalu´e par simulation les performances de
notre proposition notamment en la comparant `a une approche coop´erative qui
n’int`egre ni la n´egociation ni la prise en consid´eration de la perte ´energ´etique. Les r
´esultats des simulations ont montr´e que LOMI permet d’am´eliorer l’utilisation
globale de l’´energie en r´eduisant de mani`ere consid´erable les pertes d’´energie. Ces r
´esultats ont ´egalement prouv´e que notre approche permet d’am´eliorer les
performances en minimisant le nombre de messages ´echang´es entre les entit´es du
syst`eme. Dans le chapitre suivant, nous proposons une deuxi`eme solution pour la
gestion de l’´energie en int´egrant les algorithmes g´en´etiques.

Chapitre 7
Int´egration d’un algorithme
d’optimisation dans la

gestion de l’´energie

Sommaire

7.1 Introduction ..................... 115

7.2 Optimisation de l’achat de l’´energie . . . . . . . 116
7.2.1 Algorithmes g´en´etiques . . . . . . . . . . . . . . . 116 7.2.2 D´efinition
du mod`ele d’optimisation . . . . . . . . 117 7.2.3 Algorithme d’optimisation g
´en´etique modifi´e (AGM)119 7.2.4 R´esultats des simulations .....
. . . . . . . . . 124
7.3 N´egociation niveau 2 . . . . . . . . . . . . . . . . 128
7.3.1 Probl´ematique `a r´esoudre . . . . . . . . . . . . . . 128 7.3.2 Proposition
de gestion de l’´energie au niveau 2 . . 129 7.3.3 R´esultats
. . . . . . . . . . . . . . . . . . . . . . . 131
7.4 Conclusion ...................... 133

7.1 Introduction
Dans les chapitres pr´ec´edents, nous avons propos´e un ensemble d’algorithmes
permettant d’int´egrer efficacement les ressources ´energ´etiques distribu´ees et des
syst`emes de stockage d’´energie dans un smart grid. Le fonctionnement simultan´e de
la grille, des producteurs et des consommateurs dont les besoins sont variables, est
contrˆol´e par les algorithmes de gestion de

115
l’´energie dont le rˆole principal est de d´eterminer de mani`ere autonome, heure par
heure, la quantit´e d’´energie optimale qui sera fournie par la grille pour satisfaire les
besoins ´energ´etiques des consommateurs. Dans ce chapitre, nous proposons un
mod`ele de gestion destin´e `a d´eterminer les strat´egies optimales de fonctionnement
qui minimisent les couˆts de l’´energie et garantissent une meilleure utilisation des
 124 7.2. OPTIMISATION DE L’ACHAT DE L’ENERGIE´

ressources renouvelables telles que l’´eolienne et la photovolta¨ıque. Apr`es avoir

optimis´e la gestion de l’´energie au niveau des consommateurs (au niveau 1), nous
montrerons l’int´erˆet d’optimiser l’´energie au niveau 2 (niveau de la grille).
Ce chapitre est d´ecompos´e en deux parties. La premi`ere a pour rˆole de d´ecrire
l’algorithme d’optimisation propos´e afin d’assurer une meilleure r´epartition de
l’´energie renouvelable et la seconde pr´esente une n´egociation multi-agents au sein
de l’agent grille en utilisant la m´ethode d’optimisation d´efinie dans la premi`ere
partie.

7.2 Optimisation de l’achat de l’´energie

Dans cette section, nous proposons une architecture multi-agents pour une gestion
optimale en utilisant un algorithme g´en´etique modifi´e (AGM).

7.2.1 Algorithmes g´en´etiques

Un algorithme d’optimisation consiste `a trouver les entr´ees ad´equates d’une
fonction qui minimisent ou maximisent sa valeur sous contraintes, ce qui signifie de
trouver la solution la mieux adapt´ee `a un probl`eme sp´ecifique et qui permet de r
´epondre aux exigences du probl`eme. Dans la plupart des cas, un probl`eme
d’optimisation se divise naturellement en deux phases : une phase de recherche des
solutions admissibles suivie d’une phase de recherche de la solution `a couˆt optimal
parmi ces derni`eres. Au niveau des smart grids, il existe de nombreux travaux de
recherche qui int`egrent l’optimisation comme d´ej`a vu dans le chapitre 3. La
complexit´e en taille ou en structure, de l’espace de recherche et de la fonction `a
optimiser, conduit `a utiliser plusieurs m´ethodes de r´esolution.
Notre objectif est de construire un mod`ele distribu´e autonome pour la gestion de
l’´energie en utilisant un algorithme g´en´etique. L’usage d’un algorithme g´en´etique
est adapt´e `a une exploration rapide et globale d’un espace de recherche de taille
importante et permet de fournir plusieurs solutions. Les algorithmes g´en´etiques
utilisent un vocabulaire similaire `a celui de la g´en´etique naturelle, mˆeme si les
processus naturels auxquels ils font r´ef´erence
CHAPITRE 7. INTEGRATION D’UN ALGORITHME´
D’OPTIMISATION DANS LA GESTION DE L’ENERGIE´ 125
sont beaucoup plus complexes. On parlera ainsi d’individu dans une
population, repr´esent´e par un chromosome constitu´e de g`enes qui
contiennent les caract`eres h´er´editaires de cet individu. Les principes de s
´election, de croisement et de mutation s’inspirent des processus naturels de
mˆeme nom. Pour un probl`eme d’optimisation donn´e, un individu repr
´esente un point de l’espace `a qui on associe la valeur du crit`ere `a
optimiser. Ensuite, on g´en`ere de fa¸con it´erative des individus sur lesquels
on applique des processus de s´election, de croisement et de mutation. La s
´election a pour but de favoriser l’´el´ement le plus adapt´e de la population
par rapport `a un crit`ere donn´e alors que, le croisement et la mutation
assurent l’exploration de l’espace d’´etats. On commence par g´en´erer une
population al´eatoire d’individus et pour passer d’une g´en´eration K `a la g
´en´eration K + 1, les op´erations suivantes sont effectu´ees. Dans un premier
temps, la population est reproduite par s´election. Ensuite, on applique un
croisement `a une paire d’individus. Un op´erateur de mutation est
´egalement appliqu´e `a une certaine proportion de la population. Enfin, les
nouveaux individus sont ´evalu´es et int´egr´es `a la population de la g´en
´eration suivante. En effet, plusieurs crit`eres d’arrˆet de l’algorithme sont
possibles : le nombre de g´en´erations peut ˆetre fix´e a priori ou
l’algorithme peut ˆetre arrˆet´e lorsque la population n’´evolue plus
suffisamment. Pour utiliser un algorithme g´en´etique sur un probl`eme
d’optimisation, on doit donc disposer d’un principe de codage des individus,
d’un m´ecanisme de g´en´eration de la population initiale et d’op´erateurs
permettant de diversifier la population au cours des g´en´erations et
d’explorer l’espace de recherche [139].
Dans la suite, nous exposons notre proposition d’optimisation bas´ee sur les
algorithmes g´en´etiques.

7.2.2 D´efinition du mod`ele d’optimisation

Dans cette section, on d´ecrit le mod`ele d’optimisation du syst`eme de
gestion d’´energie pour un smart grid, pr´esent´e dans la Figure 7.1. En
premier lieu, les pr´edictions pour une journ´ee compl`ete sont obtenues
permettant de prendre des d´ecisions pour chaque heure de la journ´ee en
question. Les donn´ees en temps r´eel et les d´ecisions prises pour la journ
´ee compl`ete sont utilis´ees pour d´ecider les actions que devra r´ealiser le
syst`eme. Sur une p´eriode d’une heure, tous les agents de notre syst`eme
multi-agents (agents consommateurs, agents producteurs, agent stockage et
 126 7.2. OPTIMISATION DE L’ACHAT DE L’ENERGIE´

agent grille) interagissent et coop`erent pour assurer une gestion de

l’´energie, en consid´erant les contraintes techniques telles que les pertes
d’´energie qui peuvent se produire en transmettant l’´energie entre un point
de d´epart et un point d’ar-

Figure 7.1 – Interaction des agents en utilisant un algorithme d’optimisation

riv´ee [135]. D’ou`, la n´ecessit´e de concevoir un algorithme qui optimise les

pertes d’´energie caus´ees par les lignes de transmission. La fonction d’utilit
´e de l’algorithme d’optimisation peut repr´esenter la perte, le gain ou le
couˆt d’une entit´e du syst`eme (consommateur, producteur, etc.). Dans ce
contexte, nous avons choisi l’algorithme g´en´etique pour assurer la gestion
optimale de l’´energie pour sa simplicit´e d’impl´ementation. Cependant, cet
algorithme n´ecessite un grand nombre d’it´erations pour atteindre la
solution optimale, pour cela nous avons adapt´e l’algorithme g´en´etique qui
devient un AGM (Algorithme G´en´etique Modifi´e) afin de minimiser le
nombre d’it´erations et d’obtenir rapidement la solution.

Fonctions de couˆt et d’´emissions propos´ees En premier lieu, chaque

consommateur a pour but d’optimiser son couˆt d’achat de l’´energie d´efini
dans l’´equation 7.1 (Cost(t)i) dans laquelle le couˆt total d’exploitation des
ressources ´energ´etiques distribu´ees et le couˆt d’achat de l’´energie
fournie par le r´eseau et le stockage sont consid´er´es.
CHAPITRE 7. INTEGRATION D’UN ALGORITHME´
D’OPTIMISATION DANS LA GESTION DE L’ENERGIE´ 127
Cost(t)i = CostR(t)i + CostG(t)i + CostS(t)i

Les param`etres de l’´equation 7.1 sont d´efinis comme suit :

— CostR(t)i : le couˆt de l’´energie achet´ee aupr`es des ressources
renouvelables par le consommateur i durant la p´eriode t (en
centimes).
— CostG(t)i : le couˆt de l’´energie achet´ee aupr`es de la grille par le
consommateur i durant la p´eriode t (en centimes).
— CostS(t)i : le couˆt de l’´energie achet´ee aupr`es du syst`eme de
stockage par le consommateur i durant la p´eriode t (en centimes).
Comme d´ej`a d´efini dans les chapitres pr´ec´edents, les pertes d’un
producteur sont la somme de ses pertes de transmission. En effet, la perte
entre un producteur m et un consommateur n augmente lorsque la distance
physique entre eux augmente. Par ailleurs, le gain d’un producteur m est
´egal `a la somme de tous ses gains. Le but d’un producteur m est donc
d’augmenter son gain et de minimiser ses pertes, ce qui fait appel `a une
optimisation multi-objectifs (´equations 7.2 et 7.3). Dans ce cas, on a
plusieurs solutions possibles nomm´ees fronti`ere de pareto, parmi
lesquelles il faut choisir la meilleure.
qmax

X
lossm(t) = lossmn(t) (7.2)
q=0 qmax

X
Profitm(t) = Prmn(t) (7.3)
q=0

Les param`etres des ´equations 7.2 et 7.3 sont d´efinis comme suit :
— lossm(t) : la perte d’´energie pour un producteur m durant un laps de
temps t.
— lossmn(t) : la perte d’´energie durant la transmission d’un producteur
m `a un consommateur n pendant un laps de temps t.
— qmax : nombre total des consommateurs.
— Profitm(t) : le gain d’´energie pour un producteur m durant un laps de
temps t.
— Prmn(t) : le gain d’´energie durant la transmission d’un producteur m
`a un consommateur n pendant un laps de temps t.
 128 7.2. OPTIMISATION DE L’ACHAT DE L’ENERGIE´

Dans le reste de cette section, nous allons d´ecrire l’algorithme

d’optimisation qui vise `a r´esoudre les ´equations ci-dessus.

7.2.3 Algorithme d’optimisation g´en´etique modifi´e (AGM)

Au d´ebut, les agents pr´edisent les donn´ees de productions et de
consommations ainsi que les prix (Figure 7.2, ´etape 1). Ensuite, l’agent de
stockage r´ecup`ere les donn´ees (Figure 7.2, ´etape 2) et choisit la meilleure
p´eriode pour se charger (Figure 7.2, ´etape 3). Si un agent consommateur a
sa propre unit´e de production d’´energie renouvelable, il envoie un message
de demande `a son agent producteur pour satisfaire ses besoins Dn(t)
(Figure

Figure 7.2 – Interactions entre les agents du syst`eme

7.2, ´etape 4). Apr`es r´eception du message d’accord (Figure 7.2, ´etape 5),
l’agent consommateur peut encore avoir des demandes d’´energie `a
satisfaire (Dn(t) − E(t) > 0)(Figure 7.2, ´etapes 6 et 9). Afin de satisfaire ses
demandes sans trop augmenter sa facture, l’agent consommateur n´egocie
l’achat d’´energie avec d’autres consommateurs dans son propre r´eseau
(Figure 7.2, ´etape 10). Les ´etapes de l’algorithme de n´egociation de l’agent
consommateur sont pr´esent´ees dans l’algorithme 4. Ainsi, un agent
consom-
CHAPITRE 7. INTEGRATION D’UN ALGORITHME´
D’OPTIMISATION DANS LA GESTION DE L’ENERGIE´ 129
Algorithm 4 Algorithme de n´egociation de l’agent consommateur
SendCFP() //Envoyer le ”call for proposal message” a` tous les consommateurs et les producteurs du r
´eseau consid´er´e.
Wait(τ) //Attendre un temps de r´eponse τ. ReceiveInform()
//Recevoir les ”inform messages”.
si TimeOut alors
//Quand le temps τ prend fin.
AGM(); //Combiner les consommateurs et les producteurs afin de minimiser le couˆt du
consommateur en question.
fin si
SendProposition(); //Envoyer ”propose message” a` tous les consommateurs du syst`eme.
ReceivePropositions(); //Recevoir les ”propose message” des consommateurs.
ChooseTheBestSolution(); //Choisir la solution avec la plus grande fonction d’utilit´e.

mateur re¸coit dans une p´eriode τ des messages de r´eponse des autres
consommateurs et des producteurs et les met dans une file d’attente. Ces
messages contiennent les demandes des consommateurs ainsi que la
production d’´energie en exc`es des producteurs. L’agent consommateur
choisit ensuite la meilleure combinaison entre les ressources de production
qui permet de satisfaire ses demandes (la combinaison qui minimise ses
propres frais, selon l’´equation 7.1 et qui tienne compte de ses pr´ef´erences
et contraintes) et envoie sa fonction d’utilit´e `a tous les consommateurs qui
participent `a la n´egociation. En outre, l’agent consommateur rec¸oit la
fonction d’utilit´e des autres consommateurs. Tous les consommateurs se
mettent d’accord sur la meilleure solution, qui poss`ede la plus grande
fonction d’utilit´e et l’adoptent. Apr`es avoir choisi la meilleure combinaison
des producteurs et des consommateurs, l’agent consommateur peut
recevoir des messages de proposition d’un ou de plusieurs producteurs.
Ensuite, il choisit le meilleur prix entre les propositions des producteurs et
le r´esultat de la n´egociation. L’agent consommateur choisit entre le
syst`eme de stockage et la grille pour satisfaire les besoins que les
ressources renouvelables n’ont pas pu prendre en charge.
Si l’agent producteur, apr`es avoir satisfait les demandes de son propre
consommateur, a un exc`es de production (ERm(t) > 0) il peut suivre les
´etapes de l’algorithme 5. L’agent producteur envoie une requˆete `a tous les

Algorithm 5 N´egociation de l’agent producteur

SendQuery() //Envoyer une requˆete a` tous les consommateurs de son r´eseau.
Wait(τ) //Attendre un temps τ pour r´ecup´erer les messages de r´eponse.
 130 7.2. OPTIMISATION DE L’ACHAT DE L’ENERGIE´

ReceiveInform() //Recevoir les ”inform messages” des consommateurs. si

TimeOut alors
//Le temps τ prend fin.
AGM(); //Choisir la combinaison des consommateurs qui minimise ses pertes et maximise son gain.
fin si
SendProposition(); //Envoyer la proposition aux consommateurs.

consommateurs dans son r´eseau. Apr`es avoir rec¸u les messages de r

´eponse des consommateurs, il met ces r´eponses dans une file d’attente afin
de choisir la meilleure combinaison des consommateurs qui minimise ses
propres pertes (´equation 7.2) et maximise ses propres gains (´equation
7.3). Ensuite, il envoie une proposition aux consommateurs choisis et attend
une r´eponse. Lorsque les demandes de tous les consommateurs sont
satisfaites, chaque agent producteur choisit entre le syst`eme de stockage et
la grille de telle sorte qu’il puisse maximiser son gain (max(PrmSt(t), PrmGr)(t))
et minimiser les pertes d’´energie (min(lossmSt(t), lossmGr(t))) lors de la vente
de son exc`es. Le Tableau 7.1 pr´esente les param`etres du syst`eme.
Tableau 7.1 – D´efinition des param`etres
Param`etre D´efinition

lossmSt(t) perte d’´energie durant la transmission d’un producteur m au

syst`eme de stockage durant un laps de temps t (en kWh)
lossmGr(t) perte d’´energie durant la transmission d’un producteur m
`a la grille durant un laps de temps t (en kWh)
Afin de choisir la solution optimale, les agents consommateurs et
producteurs utilisent l’optimisation g´en´etique modifi´ee pr´esent´ee dans
le paragraphe suivant.

Optimisation g´en´etique modifi´ee Afin d’atteindre la solution optimale

tout en r´eduisant le nombre d’it´erations utilis´ees, nous d´eveloppons un
algorithme g´en´etique modifi´e (AGM) d´ecrit dans l’algorithme 6. En
premier,
Algorithm6 AGM
GeneratePopulation(); //G´en´erer la population.
Croisement(); Mutation();
CHAPITRE 7. INTEGRATION D’UN ALGORITHME´
D’OPTIMISATION DANS LA GESTION DE L’ENERGIE´ 131
n est un pourcentage (exemple 15%) pour pr´eciser qu’une solution est optimale si elle est optimale
pour les n% it´erations qui suivent.
ChooseTheOptimalSolution(); //Choisir la solution qui est optimale pour
it´erations

notre proposition vise `a utiliser la simplicit´e de l’algorithme g´en´etique

tout en minimisant le nombre d’it´erations utilis´ees pour arriver `a une
solution optimale. On adopte une repr´esentation binaire pour la population
mise en œuvre (Figure 7.3) dans laquelle le bit 0 est le bit de poids faible et
le 1 repr´esente le bit de poids fort. Un agent consommateur (producteur
res-

Figure 7.3 – Repr´esentation binaire d’un chromosome

pectivement) re¸coit la quantit´e de productions (les consommations

respectivement) pour choisir la meilleure combinaison qui satisfait ses
demandes et cr´ee sa population (GeneratePopulation()). On adopte la repr
´esentation binaire de la population (pr´esent´ee ci-dessus), par exemple si
un consommateur rec¸oit un message de 2 producteurs (P1,P2) pour en
choisir la combinaison qui lui est convenable, sa population est dans ce cas :
(00), (01), (10) et (11). Apr`es cr´eation de la population, l’agent
consommateur (respectivement producteur) fera le croisement
(Croisement()) et la mutation (Mutation()) pour s´electionner un choix
parmi la population afin de calculer la valeur de sa fonction d’utilit´e. Le
croisement et la mutation sont d´efinis ci-dessous.

Croisement Afin de minimiser le nombre d’it´erations, la fonction de

croisement est bas´ee sur un processus d’apprentissage. Le filtre propos´e pr
´esente un poids pour chaque bit dans le chromosome. Ce poids est le
nombre de propositions accept´ees par le producteur ou le consommateur `a
l’agent qui est en liaison avec ce bit. Par exemple, si un consommateur
re¸coit un message de 2 producteurs (P1,P2) et a accept´e d’acheter de
l’´energie du producteur P1 4 fois et du P2 1 fois alors les poids seront (4,1).
Par cons´equent, les g`enes du chromosome sont choisis en fonction du
 132 7.2. OPTIMISATION DE L’ACHAT DE L’ENERGIE´

nombre de propositions accept´ees afin de faire un apprentissage et de s

´electionner la proposition optimale en un temps minimal.

Mutation Durant cette ´etape, nous choisissons de changer un bit 0 en 1

si n´ecessaire. Nous consid´erons que chaque bit repr´esente un producteur
ou un consommateur. Dans notre mutation, nous calculons la distance
minimale entre le consommateur (producteur respectivement) et les
producteurs (consommateurs respectivement) qui occupent les bits de la
solution choisie. Quand on trouve la distance minimale, nous inversons le bit
0 en 1. Apr`es s´election de l’individu et calcul de la fonction d’utilit´e, il faut
voir si cet individu pr´esente la solution optimale pour arrˆeter le calcul
(ChooseTheOptimalSolution()). En effet, une solution est optimale si elle
reste optimale pour les n% it´erations qui suivent.
Pour l’agent producteur, on rencontre le probl`eme d’optimisation
multiobjectif [140] dont la solution est pr´esent´ee dans le paragraphe
suivant.

La solution de la fronti`ere de pareto On adopte la m´ethode bas´ee

sur la logique floue ”Fuzzy set theory” d´efinie dans [141] qui a ´et´e mise en
œuvre pour obtenir efficacement une solution Pareto-optimale. Lors de la
mise en œuvre, l’algorithme propos´e pr´esente un m´ecanisme flou pour
extraire une solution optimale. En raison de l’impr´ecision de la d´ecision,
une fonction d’appartenance (µi) pour chaque objectif o est d´efinie ou` :

si Fi ≤ Fimin

, si Fimin < Fi < Fimax (7.4)

si Fi ≥ Fimax

Fimin et Fimax sont les valeurs minimales et maximales de la i-i`eme fonction

objectif. Pour choisir la meilleure solution, une fonction d’appartenance
normalis´ee est calcul´ee selon l’´equation 7.5.

(7.5)
CHAPITRE 7. INTEGRATION D’UN ALGORITHME´
D’OPTIMISATION DANS LA GESTION DE L’ENERGIE´ 133
Nobj est le nombre de fonctions objectif `a optimiser (maximiser ou
minimiser), et est ´egal `a 2 dans notre cas (maximiser le gain et minimiser
les pertes) et M est le nombre de solutions non domin´ees 14. La meilleure
solution de compromis est celle maximisant µk.
Nous avons simul´e plusieurs sc´enarios afin de d´emontrer l’efficacit´e de
notre proposition. La sous-section suivante pr´esente les param`etres et les r
´esultats des simulations r´ealis´ees.

7.2.4 R´esultats des simulations

Comme dans les chapitres pr´ec´edents, JADE a ´et´e utilis´e pour
´evaluer les performances de l’algorithme propos´e en termes de nombre de
messages ´echang´es, des perturbations caus´ees, des pertes et des gains
´energ´etiques.

[Link] Param`etres des simulations

Dans les simulations r´ealis´ees pour ´evaluer les performances d’AGM,
nous adoptons la mˆeme r´epartition des agents que celle pr´esent´ee dans
les chapitres pr´ec´edents. Pour rappel, nous impl´ementons 1 agent par
grille, 1 agent par consommateur, 1 agent par producteur et 1 agent pour le
syst`eme de stockage. En outre, dans tous les sc´enarios ´enum´er´es dans
cette section, nous consid´erons que chaque producteur est un pro-
consommateur qui d´etient donc une ressource renouvelable. Le Tableau 7.2
pr´esente les sc´enarios pris en consid´eration pour ´evaluer AGM. Dans les
sc´enarios 1, 3 et 5, nous consid´erons que 50% des agents sont des
producteurs alors que dans les autres sc´enarios, ce pourcentage est ´egal `a
100%. Le pourcentage de producteurs d’´energie ´eolienne et les
producteurs de PV sont choisis de mani`ere al´eatoire. Les param`etres des
simulations sont ceux pr´esent´es dans

Tableau 7.2 – Sc´enarios mis en œuvre

Sc´enario Consommateurs Producteurs Stockage Grille
1 10 5 1 1
2 10 10 1 1
3 50 25 1 1
4 50 50 1 1

14 . Soit X et Y deux solutions. On dira que X domine Y si, pour tout objectif j, on a zj(X)
j
≤z (Y ), avec au moins une in´egalit´e stricte.
 134 7.2. OPTIMISATION DE L’ACHAT DE L’ENERGIE´

5 100 50 1 1
6 100 100 1 1
le chapitre 5 (section 5.5.1).

[Link] R´esultats num´eriques

Afin de prouver l’efficacit´e de notre algorithme, nous comparons notre
proposition `a l’algorithme de Colson et al. [52] ainsi qu’`a l’algorithme
ANEMAS pr´esent´e dans le chapitre 4. Nous comparons ´egalement le
nombre d’it´erations de l’algorithme g´en´etique modifi´e AGM `a un
algorithme g´en´etique de la litt´erature AG.
Tout d’abord, nous illustrons les r´esultats des simulations pour une journ
´ee compl`ete. Les Figures 7.4 et 7.5 montrent les couˆts de l’´energie avec les
sc´enarios 2, 4 et 6 pendant les deux saisons simul´ees (automne et d’´et´e).
Nous pouvons remarquer une minimisation des couˆts qui a pu atteindre
20% en impl´ementant AGM en automne et 40% en ´et´e en le comparant `a
ANEMAS. En effet, cette r´eduction des couˆts est due `a la combinaison
optimale de sources de production qui choisit les sources ad´equates qui ont
un prix minimal et proches du consommateur en question. En outre, cette
minimisation est plus importante au cours de l’´et´e en raison de la forte p
´en´etration des ´energies photovolta¨ıques (voir la Figure 5.5). Les Figures
7.6 et 7.7 montrent les pertes d’´energie en utilisant les trois algorithmes
pendant les deux saisons simul´ees (automne et d’´et´e). Les r´esultats
montrent une minimisation des pertes qui atteint 45% en utilisant AGM en
automne et 75% en ´et´e en le comparant avec ANEMAS. En effet, cette
minimisation est due `a la combinaison r´ealis´ee par chaque producteur qui
choisit les consommateurs les plus proches et qui minimisent la totalit´e des
pertes et accepte leurs demandes d’´energie.
Les Figures 7.8 et 7.9 montrent les gains des producteurs en impl´ementant
CHAPITRE 7. INTEGRATION D’UN ALGORITHME´
D’OPTIMISATION DANS LA GESTION DE L’ENERGIE´ 135
Figure 7.5 – Prix total d’´energie
Figure 7.4 – Prix total d’´energie en centimes, nombre de produc-
en centimes, nombre de producteurs=la moiti´e du nombre de
teurs=nombre de consommateurs
consommateurs (sc´enarios 1, 3 et
(sc´enarios 2, 4 et 6)
5)

Figure 7.6 – Perte d’´energie en Figure 7.7 – Perte d’´energie en

kWh, nombre de kWh, nombre de producteurs=la
producteur=nombre de moiti´e du nombre de
consommateurs consommateurs (sc´enarios 1, 3
(sc´enarios 2, 4 et 6) et 5)

Figure 7.9 – Gain de produc-

Figure 7.8 – Gain de producteurs teurs en centimes, nombre de pro-
en centimes, nombre de producducteurs=la moiti´e du nombre de
 136 7.2. OPTIMISATION DE L’ACHAT DE L’ENERGIE´

teurs=nombre de consommateurs
consommateurs (sc´enarios 1, 3 et
(sc´enarios 2, 4 et 6)
5)

les trois algorithmes durant les deux saisons simul´ees (automne et ´et´e).
Les r´esultats montrent en effet une minimisation des pertes qui atteint
86% en impl´ementant AGM en automne et en ´et´e en le comparant `a
l’algorithme ANEMAS. Enfin, les deux figures 7.10 et 7.11 repr´esentent le
nombre d’it´erations en utilisant AG et AGM durant deux saisons (automne
et d’´et´e). Ces r´esultats montrent que la minimisation du nombre d’it
´erations a pu atteindre 85% en utilisant AGM en automne et en ´et´e en le
comparant avec AG. Cette minimisation est due `a l’apprentissage
qu’adopte AGM.

Figure 7.10 – Nombre d’it´erations quand le nombre de producteurs=nombre

de consommateurs (sc´enarios 2, 4 et 6)
CHAPITRE 7. INTEGRATION D’UN ALGORITHME´
D’OPTIMISATION DANS LA GESTION DE L’ENERGIE´ 137

Figure 7.11 – Nombre d’it´erations quand le nombre de producteurs=la moiti

´e du nombre de consommateurs (sc´enarios 1, 3 et 5)

7.3 N´egociation niveau 2

Cette section pr´esente un algorithme de gestion de l’´energie au second
niveau pr´esent´e dans la section 4.4.1. La solution propos´ee est bas´ee sur
AGM.
En premier lieu, nous pr´esentons la probl´ematique puis nous exposons
notre mod`ele et les r´esultats des simulations r´ealis´ees.

7.3.1 Probl´ematique `a r´esoudre

L’augmentation du nombre de syst`emes de stockage aura des r
´epercussions sur la demande en ´energie et par cons´equence sur la
production d’´electricit´e. Ainsi, il est n´ecessaire d’installer une
infrastructure communicante et intelligente avec les syst`emes de stockage
afin d’am´eliorer leur rentabilit´e. Il est important de prendre en consid
´eration les fonctionnalit´es offertes par le smart grid en termes de gestion
de l’´energie et d’optimisation de la consommation d’´energie entre la grille
et toute autre entit´e ´electrique suivant diff´erentes politiques de prix.
Plusieurs recherches ont recours `a l’int´egration des syst`emes de stockages
sous forme de v´ehicules ´electriques tels que les travaux d´etaill´es dans
[93, 142, 143, 144, 145, 146], qui visent `a assurer une meilleure gestion de
l’´energie en utilisant la communication VE/grille, ces communications
peuvent engendrer des pertes et un grand nombre de messages ´echang´es.
Dans ce qui suit, nous allons pr´esenter la proposition de la communication
bas´ee sur les files d’attente et proposons ensuite une n´egociation qui
138 7.3. NEGOCIATION NIVEAU 2´

aidera `a choisir l’entit´e `a satisfaire par la grille durant une p´eriode t et

nous pr´esenterons enfin les r´esultats des simulations.
7.3.2Proposition de gestion de l’´energie au niveau 2

Le smart grid offre l’opportunit´e de g´erer l’´equilibre du r´eseau que ce

soit par la sollicitation permanente des sources d’´energie renouvelables et
de stockage ou en agissant en priorit´e sur la consommation.
Notre proposition vise `a limiter la quantit´e d’´energie utilis´ee par la grille
durant une p´eriode t. Pour minimiser les effets de cette limitation, on divise
les donn´ees des consommateurs en 3 priorit´es expliqu´ees dans le chapitre
4. Les donn´ees de priorit´e 1 sont les donn´ees les plus prioritaires, celles
de priorit´e 2 sont moins prioritaires et peuvent ˆetre d´ecal´ees d’une p
´eriode et les donn´ees de priorit´e 3 sont les moins prioritaires et peuvent
ˆetre d´ecal´ees de 2 p´eriodes. Apr`es leur d´ecalage, les donn´ees de priorit
´e 2 deviennent des donn´ees de priorit´e 1 et les donn´ees de priorit´e 3
deviennent de priorit´e 2. L’agent de consommation satisfait en premier lieu
les donn´ees de priorit´e 1, suivies des donn´ees de priorit´e 2 et finalement
celles de priorit´e 3.
Dans cette partie, on s’int´eresse `a l’agent grille, qui n’a d´esormais plus un
rˆole simplifi´e mais est de plus en plus cognitif et g`ere les communications
et les demandes. Selon plusieurs recherches, la grille pourrait limiter
l’´energie d´elivr´ee aux consommateurs afin de minimiser l’acc`es `a la grille
durant les heures de pics. Les donn´ees non prioritaires seront de ce fait d
´ecal´ees pour ˆetre satisfaites pendant la p´eriode ou` le prix est acceptable.
L’algorithme de n´egociation de l’agent grille est d´efini par l’algorithme 7.

Algorithm 7 Algorithme de n´egociation de l’agent grille

ReceiveRequests() //Rec¸oit les demandes des consommateurs et des syst`emes de stockage de son r
´eseau.
Wait(τ) //Mettre en file d’attente les demandes durant τ.
si TimeOut alors
//Quand le temps τ prend fin.
AGM(); //Combiner les consommateurs et les syst`emes de stockage de fac¸on `a optimiser les pertes
de la grille et a` distribuer l’´energie d’une fac¸on ´equitable.
fin si
CHAPITRE 7. INTEGRATION D’UN ALGORITHME´
D’OPTIMISATION DANS LA GESTION DE L’ENERGIE´ 139
SendAcceptRequests(); //Envoyer les messages d’accord aux consommateurs et aux syst`emes de
stockage.

Le Tableau 7.3 pr´esente les param`etres de l’agent grille.

Tableau 7.3 – D´efinition des param`etres de l’agent grille
Param`etre D´efinition

lossgrille−>n perte entre la grille et l’entit´e n (en kWh)

Ui,q utilit´e de l’entit´e i dans la zone q
Qi,q ´energie demand´ee par l’entit´e i de la zone q (en kWh)
Prq priorit´e de la zone q
Ti,q temps de d´ecalage de la demande de l’entit´e i
PRist,consi priorit´e de l’entit´e 15
Tini temps initial de la demande
Td temps actuel de la demande
En premier lieu, l’agent grille fixe la quantit´e d’´energie `a vendre aux
entit´es de son syst`eme. En effet, cet agent pourrait recevoir des demandes
de plusieurs sous-syst`emes alors on d´ecompose les sous-syst`emes en 3
priorit´es qu’on nomme priorit´es de la zone de donn´ees
(Pr1,Pr2,Pr3)=(3,2,1). L’agent grille re¸coit les demandes des
consommateurs et des syst`emes de stockage et les met dans une file
d’attente. Normalement, les donn´ees sont satisfaites en adoptant le FIFO
(”First In First Out”) mais tout au long de cette ´etude on vise `a optimiser
7.6 et donc `a minimiser les pertes de la grille.
emax

lossgrille(t) = X lossgrille−>j(t) (7.6)

j=0

En second lieu, afin de distribuer l’´energie de la grille d’une fa¸con

´equitable il est n´ecessaire de maximiser la fonction d’utilit´e d´efinie dans
l’´equation 7.7.

Ui,q = Qi,q ∗ Prq ∗ Ti,q ∗ PRist,consi (7.7)

15 . Un consommateur est plus prioritaire qu’un syst`eme de stockage.

140 7.3. NEGOCIATION NIVEAU 2´

Le probl`eme d’optimisation dans ce cas est un probl`eme d’optimisation

multi-objectif d´efini dans la section pr´ec´edente. On adopte la logique floue
pour choisir la meilleure combinaison entre les consommateurs et les
syst`emes de stockage `a satisfaire (section 7.2.3). La grille a pour premier
but de minimiser ses propres pertes ´energ´etiques qui sont caus´ees par la
transmission de l’´energie de la grille `a l’entit´e de consommation (stockage
ou consommateur). Le second but de l’agent grille est de n´egocier la vente
de l’´energie afin de fournir une distribution ´equitable aux consommateurs.
De ce fait, la fonction d’utilit´e est proportionnelle `a la quantit´e d’´energie
demand´ee (Qi,q), `a la priorit´e de la zone d’ou` provient la demande (Prq), `a
la priorit´e de l’entit´e (PRist,consi ). Dans notre mod`ele, cette priorit´e est
´egale `a 1 si l’entit´e qui demande l’´energie est un syst`eme de stockage et
`a 2 s’il s’agit d’un consommateur car les donn´ees des consommateurs sont
plus urgentes que celles du stockage. Ci-dessous une d´efinition de quelques
param`etres.
— q est la zone de donn´ees
— Priorit´es de la zone de donn´ees (Pr1,Pr2,Pr3)=(3,2,1)
— Temps de d´ecalage Ti,q = 1 + (Tini − Td)

7.3.3 R´esultats
Afin d’´evaluer les performances de notre proposition, nous simulons
notre proposition sous JADE et nous utilisons les mˆemes param`etres que
ceux du chapitre 5. Le Tableau 7.4 pr´esente les sc´enarios pris en consid
´eration pour ´evaluer cet algorithme. Dans tous les sc´enarios on a 3 sous-
syst`emes et 3 syst`emes de stockage, on utilise les priorit´es 1 et 2 pour les
zones. Dans les sc´enarios 1 et 2 on a dans chaque sous-syst`eme 10
consommateurs et 5 producteurs et les priorit´es des sous-syst`emes sont
111 16 et 121 17 respectivement. Afin de prouver l’efficacit´e de notre
algorithme, nous comparons

Tableau 7.4 – Sc´enarios mis en œuvre

Sc´enario Consommateurs Producteurs Stockage Grille Zones Priorit´es
1 30 15 3 1 3 111
2 30 15 3 1 3 211

16 . Les 3 sous-syst`emes ont une priorit´e ´egale a` 1.

17 . Le sous-syst`eme 1 a la priorit´e 1, le 2 a la priorit´e 2 et le 3 a la priorit´e 1.
CHAPITRE 7. INTEGRATION D’UN ALGORITHME´
D’OPTIMISATION DANS LA GESTION DE L’ENERGIE´ 141
notre proposition `a un traitement en FIFO (ANEMAS et traitement FIFO).
Nous comparons ´egalement le nombre d’it´erations de l’algorithme g´en
´etique modifi´e AGM `a l’algorithme g´en´etique de la litt´erature AG.
Tout d’abord, nous illustrons les r´esultats de la simulation pour une journ
´ee compl`ete. La Figure 7.12 pr´esente le prix de l’´energie pour une journ
´ee compl`ete pour les sc´enarios 1 et 2. Ce prix est en centimes et il est
exprim´e pour la totalit´e de la quantit´e d’´energie satisfaite. On peut
remarquer que le prix en utilisant FIFO correspond toujours `a la valeur la
plus ´elev´ee car la satisfaction des demandes est al´eatoire et donne
beaucoup de pertes. Pour les autres algorithmes, on pourra distinguer qu’il
y a une diff´erence de prix pour le sc´enario 211 entre les zones car elles
sont satisfaites en se basant sur les priorit´es et dans l’autre sc´enario (111)
les zones sont satisfaites presque de la mˆeme mani`ere car elles sont de
mˆeme priorit´e. La Figure 7.13 pr´esente

Figure 7.12 – Prix de l’´energie pour les sc´enarios 1 et 2

la quantit´e d’´energie non satisfaite `a cause de la limitation de l’´energie de

la grille. Cette quantit´e est maximale en utilisant FIFO car la satisfaction est
al´eatoire tandis que dans les autres sc´enarios, la satisfaction est bas´ee sur
la priorit´e, la minimisation des pertes et le temps de d´ecalage. Pour toutes
ces conditions, on peut distinguer une perte ´egale `a z´ero pour la zone 1 en
utilisant le sc´enario 2 mais cette perte augmente en utilisant le sc´enario 1
car cette zone est de mˆeme priorit´e que les autres zones du syst`eme
(priorit´e
1).
142 7.3. NEGOCIATION NIVEAU 2´

Figure 7.13 – Quantit´e d’´energie non satisfaite pour les sc´enarios 1 et 2

7.4Conclusion
Ce chapitre a pr´esent´e un mod`ele d’optimisation pour une r´epartition
optimale des ´energies sur les diff´erentes sources renouvelables, `a savoir le
syst`eme de stockage et le r´eseau principal, qui tient compte simultan
´ement du couˆt, de gain et pertes des ´energies renouvelables comme
objectifs concurrentiels. Le mod`ele d’optimisation propos´e pour la gestion
de l’´energie dans les smart grids est analys´e puis r´esolu en utilisant un
algorithme g´en´etique. L’ex´ecution efficace de la m´ethodologie propos´ee
et son comportement sont formul´es en d´etails pour une variation
quotidienne de la demande et compte tenu de l’effet de conditions m´et
´eorologiques saisonni`eres sur le profil des besoins de la charge. En outre,
la seconde partie a pr´esent´e un algorithme de n´egociation de la vente de
l’´energie au niveau de la grille, qui vise `a minimiser l’utilisation de
l’´energie durant les heures de pointe.
134 7.4. CONCLUSION
144

Conclusion g´en´erale
Ce manuscrit a pr´esent´e les travaux effectu´es dans le cadre de ma
th`ese portant sur la gestion d´ecentralis´ee de l’´energie en utilisant des
syst`emes multi-agents et des syst`emes de stockage intelligents dans le
contexte des smart grids. Tout au long de cette th`ese, nous avons int´egr´e
efficacement les ´energies renouvelables dans le syst`eme ´electrique. Nous
avons aussi identifi´e le besoin de la gestion intelligente de l’´energie qui est
en effet li´e `a la probl´ematique d’´equilibre de la production renouvelable
et de la consommation sur le r´eseau ´electrique. D’ou`, les trois premiers
chapitres de ce manuscrit qui ont introduit le concept de smart grid et d
´etaill´e le rˆole des syst`emes multi-agents et des syst`emes de stockage
intelligents dans les smart grids. Ainsi, nous avons expos´e les caract
´eristiques et fonctions du smart grid et avons pass´e en revue les diff´erents
outils du domaine des technologies de l’information et de la communication
n´ecessaires `a son d´eploiement. Nous avons ainsi mis l’accent sur
l’importance des algorithmes de gestion de l’´energie dans un smart grid et
les probl`emes rencontr´es et non trait´es dans la litt´erature.
Dans le chapitre 4, nous avons identifi´e les d´efis et les probl´ematiques li´es
au d´eploiement des ´energies renouvelables dans le syst`eme ´electrique et
avons, par cons´equent, introduit une architecture d´ecentralis´ee bas´ee sur
les syst`emes multi-agents et les syst`emes de stockage pour la gestion de
l’´energie. Nous avons pr´esent´e une premi`ere contribution appel´ee
ANEMAS qui est bas´ee sur la n´egociation entre les consommateurs du
syst`eme en utilisant des agents cognitifs d´eploy´es au sein de toutes les
entit´es pr´esentes dans le syst`eme. En utilisant ANEMAS, les agents ont
pour rˆole d’´evaluer les donn´ees capt´ees par les entit´es afin de planifier et
d´ecider les actions `a entreprendre. Les simulations ont montr´e l’efficacit´e
d’ANEMAS qui a pu atteindre ses buts en termes de minimisation des couˆts
des consommateurs et de minimisation de l’acc`es `a la grille en heures de
pointe.
Nous nous sommes int´eress´es dans le chapitre 5 `a la gestion de l’´energie
afin de conserver une plus grande dur´ee de vie du syst`eme de stockage
utiConclusion g´en´erale

lis´e. Dans ce but, nous avons propos´e l’algorithme BADIS qui permet de
minimiser le nombre de charges et de d´echarges du syst`eme de stockage.
L’augmentation de la dur´ee de vie de la batterie a ´et´e r´ealis´ee en
conservant un prix minimal aux consommateurs tout en utilisant un agent
de stockage qui analyse les donn´ees et les demandes et planifie son taux de
d´echarge par rapport au prix du march´e. Notre proposition a r´eussi `a
faire une relation entre le taux de d´echarge de la batterie, le prix de
l’´energie et la demande ´energ´etique dans une p´eriode pr´ecise. La quantit
´e d’´energie disponible sur une p´eriode pr´ecise ´etant limit´ee, nous avons
dot´e l’agent de stockage d’un algorithme qui lui permet de distribuer d’une
fa¸con ´equitable cette ´energie aux consommateurs. Avec cette contribution,
nous avons pu augmenter de plus que 50% la dur´ee de vie de la batterie.
Le chapitre 6 a ´et´e consacr´e `a la pr´esentation de l’algorithme LOMI, que
nous avons propos´e dans le but de minimiser les pertes, qui a permis de
minimiser d’une fa¸con intelligente le trajet parcouru par l’´energie pour
atteindre le point de destination. En outre, les simulations ont montr´e que
LOMI permet d’am´eliorer l’utilisation globale de l’´energie et ´egalement les
performances en minimisant ´egalement le nombre de messages ´echang´es
entre les entit´es du syst`eme.
Par ailleurs, nous nous sommes int´eress´es dans le chapitre 7 `a
l’optimisation du couˆt, du gain et des pertes des ´energies. Nous avons pr
´esent´e dans ce chapitre, une proposition pour une r´epartition optimale
des ´energies renouvelables et avons propos´e ainsi d’utiliser un algorithme
g´en´etique modifi´e afin de minimiser le nombre d’it´erations n´ecessaires
pour trouver la solution optimale. Ce mod`ele utilise un simple
apprentissage pour atteindre une solution optimale en un temps tr`es court.
En outre, nous avons pr´esent´e un algorithme de n´egociation de la vente de
l’´energie au niveau de la grille, qui tient en compte la minimisation de
l’utilisation de l’´energie durant les heures de pointe. Les r´esultats de
simulations montrent l’efficacit´e de ces deux propositions en termes de
minimisation du nombre d’it´erations de l’algorithme g´en´etique,
d’optimisation du couˆt incomb´es aux consommateurs et de minimisation
de l’acc`es `a la grille.
Pour la suite, nous avons identifi´e plusieurs perspectives qui visent `a am
´eliorer et `a enrichir ce travail et qui sont d´etaill´ees dans la section
suivante.

Perspectives
Suite aux travaux r´ealis´es dans le cadre de cette th`ese, plusieurs
perspectives `a court et `a long termes sont envisag´ees.

145
146

Deux
axes majeurs peuvent ˆetre distingu´es pour guider les extensions des
travaux pr´esent´es dans cette th`ese : (1) L’axe contrˆole et gestion de r
´eseaux ´electriques qui vise `a exploiter le potentiel des syst`emes multi-
agents afin de r´esoudre les probl`emes li´es `a l’intermittence des ´energies
renouvelables et d’assurer un couˆt minimal de l’´energie. Nous avons en
effet d´efini, dans cette th`ese, la formulation du probl`eme d’´equilibre
offre-demande et propos´e quelques solutions qui peuvent ˆetre am´elior
´ees. (2) L’axe de gestion des donn´ees ´electriques qui vise `a optimiser les
donn´ees ´echang´ees au sein des smart grids afin de minimiser les usages
des TIC qui repr´esentent 2% des ´emissions mondiales des gaz `a effet de
serre et plus de 13% de la consommation ´electrique franc¸aise. Plusieurs
perspectives `a ce sujet seront pr´esent´ees ci-dessous.
En premier lieu, durant cette th`ese nous avons pr´esent´e un mod`ele pour
l’optimisation du couˆt de l’´energie qui est r´ealis´e en plusieurs niveaux
(niveau consommateur, niveau stockage, niveau grille, etc.). Au niveau de la
grille, il y a une p´en´etration massive des consommateurs, des syst`emes de
stockage et des v´ehicules ´electriques sur le march´e. On peut remarquer
aussi une augmentation notamment importante des interactions avec la
grille, les interactions stockage/grille et consommateurs/grille. Comme
perspectives `a court terme, nous nous int´eressons `a l’optimisation du
temps de r´eponse afin d’augmenter l’efficacit´e du syst`eme. En effet, les
syst`emes de stockage et les VE peuvent avoir un fort impact sur la grille
intelligente par la puissance demand´ee pour leur rechargement. L’id´ee est
bas´ee sur la recherche et la conception d’un nouveau mod`ele d’interaction
pour g´erer les demandes, qui puisse r´epondre aux diff´erentes demandes
possibles d’´energie avec une satisfaction acceptable voire mˆeme plus fine
du point de vue temps et prix de recharge. De ce fait, notre vision pour g
´erer les demandes au niveau de la grille est d’utiliser les files d’attente et de
minimiser le temps d’attente dans Perspectives

ces files en utilisant les priorit´es des demandes. En effet, il faut trouver une
d´ecomposition temporelle optimale `a chaque p´eriode et cette d
´ecomposition doit satisfaire les demandes avec un temps d’attente minimal.
En outre, `a court terme, nous visons d´efinir une architecture convenable de
fog computing afin de permettre la gestion des donn´ees au niveau des
consommateurs; cette architecture utilisera les syst`emes de stockage
virtuels pour stocker les donn´ees. Apr`es la d´efinition de l’architecture, il
faut d´efinir en premier lieu un algorithme d’apprentissage afin de
minimiser le nombre de messages ´echang´es entre les entit´es du syst`eme
ce qui minimisera l’utilisation du r´eseau. En second lieu, il sera n´ecessaire
de proposer un mod`ele de minimisation de la taille des donn´ees conserv
´ees dans le syst`eme de stockage virtuel ainsi que celle des donn´ees
´echang´ees entre les entit´es. Ce mod`ele permettra d’optimiser l’utilisation
de la m´emoire du syst`eme de stockage virtuel.
A long terme, nous pourrons proposer un mod`ele d’apprentissage qui se
base sur les pr´edictions, les solutions historiques et les r´esultats pr´ec
´edents des n´egociations et adopter ce mod`ele selon les contraintes de
chaque niveau de gestion de l’´energie afin de minimiser le temps de r
´eponse, le couˆt du r´eseau (en termes de messages ´echang´es) et
d’augmenter l’efficacit´e ´energ´etique et cela peut ˆetre r´ealis´e en utilisant
des architectures telles que le fog et le cloud computing.
Ajoutons, `a long terme, un mod`ele et une architecture plus g´en´eralis´es
pour tous les niveaux du syst`eme ´electrique pourront ˆetre propos´es. En
plus, plusieurs m´ethodes de compression, d’apprentissage et de n
´egociation peuvent ˆetre propos´ees selon les contraintes de chaque niveau
et selon les algorithmes utilis´es dans chaque niveau. En effet, ces mod`eles
aident `a minimiser autant que possible le taux des messages ´echang´es et
l’utilisation du r´eseau. En outre, ils minimisent les ´emissions des gaz `a
effet de serre caus´ees par l’´echange des messages `a chaque niveau et
surtout que le nombre d’entit´es qui s’int`egrent au r´eseau ´electrique
augmente et que chaque entit´e poss`ede son propre adresse IP et
communique avec les autres entit´es du r´eseau s´epar´ement.
Ce paragraphe conclut notre manuscrit qui a pr´esent´e les travaux avec
lesquels nous avons tent´e de r´epondre aux enjeux identifi´es mais c’est
surtout un tremplin pour un domaine en plein essor et dont les recherches
sont tr`es actives.

Liste des publications

Publication dans des journaux internationaux r´ef´erenc´es
1. J. Klaimi, R. Rahim-Amoud, L. Merghem-Boulahia, A. Jrad, ”Energy
Management Algorithms in Smart Grids : State of the art and emerging
trends”, International journal of artificial intelligence & applications
(IJAIA), volume 7, number 4, july 2016
2. J. Klaimi, R. Rahim-Amoud, L. Merghem-Boulahia, A. Jrad, ”A Novel
Loss-based energy management approach for Smart Grids using Multi-agent
Systems and Intelligent Storage Systems”, Knowledge and Information
Systems (KAIS), soumis

147
148

3. J.
Klaimi, R. Rahim-Amoud, L. Merghem-Boulahia, ”A storage-based
scheme for distributed energy management in the smart grids”, Journal of
Computer Science and Technology, soumis
Publication dans des journaux nationaux r´ef´erenc´es
4. J. Klaimi, R. Rahim-Amoud, L. Merghem-Boulahia, ”Contribution des
syst`emes multi-agents pour une meilleure gestion de l’´energie dans les
smart grids”, accept´e dans le journal national Gestion et contrˆole
intelligents des r´eseaux
Publications dans des congr`es internationaux avec articles ´etendus 5.
J. Klaimi, R. Rahim-Amoud, L. Merghem-Boulahia, A. Jrad, M. Esseghir, ”An
intelligent storage-based energy management approach for smart grids”,
The 12th IEEE International Conference on Wireless and Mobile Computing,
Networking and Communications, (Wimob 2016), New york, USA
6. J. Klaimi, R. Rahim-Amoud, L. Merghem-Boulahia, A. Jrad, ”An Agent-
based approach for energy management in smart-grids”. Workshop on
Multi-agent Based Applications for Smart Grids and Sustainable Energy
Systems (MASGES) at PAAMS’2015 (13th International Conference on
Practical Applications of Agents and Multi-Agent Systems), Springer, pp.
225-236, Salamanca, Espagne, juin 2015 (version ´etendue s´electionn´ee
dans un chapitre de livre international)
Liste des publications

7. J. Klaimi, R. Rahim-Amoud, L. Merghem-Boulahia, A. Jrad, ”An

energy management approach for smart-grids using intelligent storage
systems”, the Fifth International Conference on Digital Information and
Communication Technology and its Applications (DICTAP2015), Beyrouth,
Liban, IEEE, pp 26 – 31. 29-31 mai 2015
Publications dans des congr`es nationaux avec articles r´esum´es 8. J.
Klaimi, R. Rahim-Amoud, L. Merghem-Boulahia, ”Contribution des
syst`emes multi-agents pour une meilleure gestion de l’´energie dans les
smart grids”, congr`es des nouvelles architectures pour les communications
(DNAC 2016), Paris, France, D´ecembre 2016
9. J. Klaimi, R. Rahim-Amoud, L. Merghem-Boulahia, A. Jrad, ”Strat´egie `a
base d’agents pour une meilleure gestion de l’´energie dans les r´eseaux
intelligents du futur”. Troisi`emes journ´ees franco-libanaises 2015,
Beyrouth,
Liban, octobre 2015
Autres produits scientifiques : chapitre de livre international 10. J.
Klaimi, R. Rahim-Amoud, L. Merghem-Boulahia, ”Energy management in the
smart grids via intelligent storage systems”, Dans ”Agent-Based
Modeling of Sustainable Behaviors”, ABM-SB2016, accept´e

149
150

Bibliographie
[1] EDF. http ://[Link]/[Link], 2015.
[2] Chiffres cl´es de l’´energie Edition 2015. Technical report,
Commissariat´ g´en´eral au d´eveloppement durable, 2016.
[3] ENEDIS. http ://[Link]/, 2017.
[4] potentielsolaire. http ://[Link]/, 2015.
[5] CRE. http ://[Link]/, 2015.
[6] T. Nagata, Y. Ueda, and M. Utatani. A multi-agent approach to smart
grid energy management. In IPEC, 2012 Conference on Power Energy,
pages 327–331, Dec 2012.
[7] J. M. Alberola, V. Juli´an, and A. Garc´ıa-Fornes. A self-configurable
agent-based system for intelligent storage in smart grid. volume 365
of Communications in Computer and Information Science, pages 240–
250. 2013.
[8] digikey. http
://[Link]/en/articles/techzone/2012/apr/modularchoice
s-simplify-and-futureproof-m2m-wifi-and-zigbee-connectivity, 2012.
[9] A. Ben Jemaa, N. Essounbouli, and A. Hamzaoui. Optimum sizing of
hybrid pv/wind/battery installation using a fuzzy pso. In
Environmental Friendly Energies and Applications (EFEA), 2014 3rd
International Symposium on, pages 1–6, 2014.
[10] Pedro Crespo Del Granado, Stein W Wallace, and Zhan Pang. The value
of electricity storage in domestic homes : a smart grid perspective.
Energy Systems, 5(2) :211–232, 2014.
[11] International Energy Agency (IEA). https ://[Link], 2015.
[12] http ://[Link], 2016.
[13] V. Prema and K.U. Rao. Predictive models for power management of a
hybrid microgrid 2014; a review. In Advances in Energy Conversion
BIBLIOGRAPHIE 151

Technologies (ICAECT), 2014 International Conference on, pages 7– 12,

Jan 2014.
[14] RFI. http ://[Link]/, 2015.
[15] V.C. Gungor, D. Sahin, T. Kocak, S. Ergut, C. Buccella, C. Cecati, and G.P.
Hancke. Smart grid technologies : Communication technologies and
standards. Industrial Informatics, IEEE Transactions on, 7(4) :529–539,
Nov 2011.
[16] D. Boroyevich, I. Cvetkovic, R. Burgos, and Dong Dong. Intergrid : A
future electronic energy network? Emerging and Selected Topics in
Power Electronics, IEEE Journal of, 1(3) :127–138, Sept 2013.
[17] La production d’´electricit´e d’origine renouvelable dans le monde.
Technical report, Observ’ER et la fondation ´energie pour le monde
avec le soutien financier d’EDF, 2013.
[18] M. Attia, H. Sedjelmaci, S. Senouci, and E. Aglzim. Game model to
optimally combine electric vehicles with green and non-green sources
into an end-to-end smart grid architecture. Journal of Network and
Computer Applications, 72 :1–13, 2016.
[19] F. Ye, Y. Qian, and R.Q. H. Energy efficient self-sustaining wireless
neighborhood area network design for smart grid. Smart Grid, IEEE
Transactions on, 6(1) :220–229, Jan 2015.
[20] C.W. Potter, A. Archambault, and K. Westrick. Building a smarter smart
grid through better renewable energy information. In Power Systems
Conference and Exposition, 2009. PSCE ’09. IEEE/PES, pages 1–5, March
2009.
[21] K. Mets, M. Strobbe, T. Verschueren, T. Roelens, F. De Turck, and C.
Develder. Distributed multi-agent algorithm for residential energy
management in smart grids. In Network Operations and Management
Symposium (NOMS), 2012 IEEE, pages 435–443, April 2012.
[22] J.O. Petinrin and M. Shaaban. Smart power grid : Technologies and
applications. In Power and Energy (PECon), 2012 IEEE International
Conference on, pages 892–897, Dec 2012.
[23] A. Laube, S. Martin, D. Quadri, and K. Alagha. Optimal Flow
Aggregation for Global Energy Savings in Multi-hop Wireless Networks,
pages 124–137. 2016.
152 BIBLIOGRAPHIE

[24] High-Level Advisory Group on ICT for Smart Electricity Distribution

Networks. ICT for a low carbon economy, smart electrcity distribution
networks. Technical report, European Commission, 2009.
[25] J. Klaimi, L. Merghem-Boulahia, R. Rahim-Amoud, and A. Jrad. An
energy management approach for smart-grids using intelligent
storage systems. In Digital Information and Communication
Technology and its Applications (DICTAP), 2015 Fifth International
Conference on, pages 26–31, April 2015.
[26] S. Karnouskos. Future smart grid prosumer services. In Innovative
Smart Grid Technologies (ISGT Europe), 2011 2nd IEEE PES
International Conference and Exhibition on, pages 1–2, Dec 2011.
[27] S. Depuru, L. Wang, V. Devabhaktuni, and N. Gudi. Smart meters for
power grid : Challenges, issues, advantages and status. In Power
Systems Conference and Exposition (PSCE), 2011 IEEE/PES, pages 1–7,
March 2011.
[28] Y. Ghiassi-Farrokhfal, S. Keshav, and C. Rosenberg. Toward a realistic
performance analysis of storage systems in smart grids. Smart Grid,
IEEE Transactions on, 6(1) :402–410, Jan 2015.
[29] Y. Guo, M. Pan, and Y. Fang. Optimal power management of residential
customers in the smart grid. Parallel and Distributed Systems, IEEE
Transactions on, 23(9) :1593–1606, Sept 2012.
[30] Y. Zhou, N. M., X. Qian, and Y. M. A weighted fair queuing algorithm for
charging electric vehicles on a smart grid. In Online Conference on
Green Communications (GreenCom), 2013 IEEE, pages 132–136, Oct
2013.
[31] J. Garcia-Villalobos, I. Zamora, J.I. San Martin, F.J. Asensio, and V.
Aperribay. Plug-in electric vehicles in electric distribution networks :
A review of smart charging approaches. Renewable and Sustainable
Energy Reviews, 38 :717 – 731, 2014.
[32] O. Palizban, K. Kauhaniemi, and J. M. Guerrero. Microgrids in active
network management—part i : Hierarchical control, energy storage,
virtual power plants, and market participation. Renewable and
Sustainable Energy Reviews, 36 :428 – 439, 2014.
[33] M. Vasirani, R. Kota, R.L.G. Cavalcante, S. Ossowski, and N.R. Jennings.
An agent-based approach to virtual power plants of wind power
BIBLIOGRAPHIE 153

generators and electric vehicles. Smart Grid, IEEE Transactions on,

4(3) :1314–1322, Sept 2013.
[34] P. Toma, P. Dorin, E. Radu, and M. Daniel. Sizing photovoltaicwind
smart microgrid with battery storage and grid connection. In
Automation, Quality and Testing, Robotics, 2014 IEEE International
Conference on, pages 1–5, May 2014.
[35] [Link], Q. Wei, L. Song, and G. Huo. Brittleness analysis of microgrid. In
Strategic Technology (IFOST), 2011 6th International Forum on,
volume 1, pages 473–475, Aug 2011.
[36] M. Kuzlu and M. Pipattanasomporn. Assessment of communication
technologies and network requirements for different smart grid
applications. In Innovative Smart Grid Technologies (ISGT), 2013 IEEE
PES, pages 1–6, Feb 2013.
[37] K. Khawam, M. Ibrahim, J. Cohen, S. Lahoud, and S. Tohme. Individual
vs. global radio resource management in a hybrid broadband network.
In 2011 IEEE International Conference on Communications (ICC), pages
1–6, June 2011.
[38] [Link] OLIVEIRA. Approche hybride d’optimisation pour la gestion
d’´energie dans le bˆatiment, 2013.
[39] G. Pepermans, J. Driesen, D. Haeseldonckx, R. Belmans, and W.
D’haeseleer. Distributed generation : definition, benefits and issues.
Energy Policy, 33(6) :787 – 798, 2005.
[40] K. Alanne and A. Saari. Distributed energy generation and sustainable
development. Renewable and Sustainable Energy Reviews, 10(6) :539 –
558, 2006.
[41] T. Ackermann, G. Andersson, and L. S¨oder. Distributed generation : a
definition1. Electric Power Systems Research, 57(3) :195 – 204, 2001.
[42] H. Jiayi, J. Chuanwen, and X. Rong. A review on distributed energy
resources and microgrid. Renewable and Sustainable Energy Reviews,
12(9) :2472 – 2483, 2008.
[43] C. Alvial-Palavicino, N. Garrido-Echeverr´ıa, G. Jim´enez-Est´evez, L.
Reyes, and R. Palma-Behnke. A methodology for community
engagement in the introduction of renewable based smart microgrid.
Energy for Sustainable Development, 15(3) :314 – 323, 2011.
154 BIBLIOGRAPHIE

[44] H.A. Aalami, M. Parsa Moghaddam, and G.R. Yousefi. Evaluation of

nonlinear models for time-based rates demand response programs.
International Journal of Electrical Power & Energy Systems, 65 :282 –
290, 2015.
[45] R. Deng, Z. Yang, M. Y. Chow, and J. Chen. A survey on demand
response in smart grids : Mathematical models and approaches. IEEE
Transactions on Industrial Informatics, 11(3) :570–582, 2015.
[46] P. Siano. Demand response and smart grids—a survey. Renewable and
Sustainable Energy Reviews, 30(0) :461 – 478, 2014.
[47] M.C. Falvo, G. Graditi, and P. Siano. Electric vehicles integration in
demand response programs. In Power Electronics, Electrical Drives,
Automation and Motion (SPEEDAM), 2014 International Symposium on,
pages 548–553, June 2014.
[48] M.H. Albadi and E.F. El-Saadany. A summary of demand response in
electricity markets. Electric Power Systems Research, 78(11) :1989 –
1996, 2008.
[49] J. S. Vardakas, N. Zorba, and C. V. Verikoukis. A survey on demand
response programs in smart grids : Pricing methods and optimization
algorithms. IEEE Communications Surveys Tutorials, 17(1) :152–178,
2015.
[50] S. Sofana Reka and V. Ramesh. A smart survey on demand response
potential in global energy market. Indian Journal of Science and
Technology, 8(S9), 2015.
[51] H. Kanchev, Di Lu, F. Colas, V. Lazarov, and B. Francois. Energy
management and operational planning of a microgrid with a pv-based
active generator for smart grid applications. Industrial Electronics,
IEEE Transactions on, 58(10) :4583–4592, Oct 2011.
[52] C.M. Colson and M.H. Nehrir. Algorithms for distributed
decisionmaking for multi-agent microgrid power management. In
Power and Energy Society General Meeting, 2011 IEEE, pages 1–8, July
2011.
[53] N. Javaid, I. Khan, M.N. Ullah, A. Mahmood, and M.U. Farooq. A survey
of home energy management systems in future smart grid
communications. In Broadband and Wireless Computing,
Communication and Applications (BWCCA), 2013 Eighth International
Conference on, pages 459–464, Oct 2013.
BIBLIOGRAPHIE 155

[54] N.S. Wade, P.C. Taylor, P.D. Lang, and P.R. Jones. Evaluating the
benefits of an electrical energy storage system in a future smart grid.
Energy Policy, 38(11) :7180 – 7188, 2010.
[55] Battery energy storage for smart grid applications. Technical report,
EUROBAT, 2013.
[56] The future role and challenges of energy storage. Technical report,
EUROPEAN COMMISSION DIRECTORATE-GENERAL FOR ENERGY.
[57] A. Mohd, E. Ortjohann, A. Schmelter, N. Hamsic, and D. Morton.
Challenges in integrating distributed energy storage systems into
future smart grid. In Industrial Electronics, 2008. ISIE 2008. IEEE
International Symposium on, pages 1627–1632, June 2008.
[58] A. Kawashima, R. Sasaki, T. Yamaguchi, S. Inagaki, A. Ito, and T. Suzuki.
Energy management systems based on real data and devices for
apartment buildings. In Industrial Electronics Society, IECON 2015 -
41st Annual Conference of the IEEE, pages 003212–003217, 2015.
[59] I. Colak, Se. Sagiroglu, G. Fulli, M. Yesilbudak, and C. Covrig. A survey
on the critical issues in smart grid technologies. Renewable and
Sustainable Energy Reviews, 54 :396 – 405, 2016.
[60] G. Venkataramani, P. Parankusam, V. Ramalingam, and J. Wang. A
review on compressed air energy storage – a pathway for smart grid
and polygeneration. Renewable and Sustainable Energy Reviews,
62 :895 – 907, 2016.
[61] A. Ded´e, D. D. Giustina, G. Massa, M. Pasetti, and S. Rinaldi. A smart pv
module with integrated electrical storage for smart grid applications.
In 2016 International Symposium on Power Electronics, Electrical
Drives, Automation and Motion (SPEEDAM), pages 895– 900, June
2016.
[62] Millenaire. http ://[Link], 2016.
[63] Nice Grid. http ://[Link]/, 2016.
[64] Pegase. http ://[Link]/, 2016.
[65] AUTOLIB. http ://[Link]/, 2017.
[66] Venteea. http ://[Link], 2016.
[67] SAFT. http ://[Link]/, 2016.
156 BIBLIOGRAPHIE

[68] TESLA. http ://[Link]/, 2017.

[69] B. Zakeri and S. Syri. Electrical energy storage systems : A comparative
life cycle cost analysis. Renewable and Sustainable Energy Reviews,
42 :569 – 596, 2015.
[70] B. Cui, D. Gao, S. Wang, and X. Xue. Effectiveness and life-cycle cost-
benefit analysis of active cold storages for building demand
management for smart grid applications. Applied Energy, 147 :523 –
535, 2015.
[71] Y. Zhang, M. E. Haque, and M. A. Mahmud. Control and charge
management of a grid-connected photovoltaic system with plug-in
hybrid vehicle as energy storage. In 2015 IEEE Power Energy Society
General Meeting, pages 1–5, 2015.
[72] Sustainable options for electric vehicle technologies. Renewable and
Sustainable Energy Reviews, 41 :1277 – 1287, 2015.
[73] M.H. Cintuglu, H. Martin, and O.A. Mohammed. Real-time
implementation of multiagent-based game theory reverse auction
model for microgrid market operation. Smart Grid, IEEE Transactions
on, 6(2) :1064–1072, March 2015.
[74] S.D.J. McArthur, E.M. Davidson, V.M. Catterson, A.L. Dimeas, N.D.
Hatziargyriou, F. Ponci, and T. Funabashi. Multi-agent systems for
power engineering applications part i : Concepts, approaches, and
technical challenges. Power Systems, IEEE Transactions on,
22(4) :1743–1752, Nov 2007.
[75] G.H. Merabet, M. Essaaidi, H. Talei, M.R. Abid, N. Khalil, M. Madkour,
and D. Benhaddou. Applications of multi-agent systems in smart
grids : A survey. In Multimedia Computing and Systems (ICMCS), 2014
International Conference on, pages 1088–1094, April 2014.
[76] A. Sharma, S. C. Srivastava, and S. Chakrabarti. A multi-agent-based
power system hybrid dynamic state estimator. Intelligent Systems,
IEEE, 30(3) :52–59, May 2015.
[77] J. Ferber. Les syst`emes multi-agents. Vers une intelligence collective.
InterEditions, 1995.
[78] M. Wooldridge. An Introduction to MultiAgent Systems. Wiley
Publishing, 2nd edition, 2009.
BIBLIOGRAPHIE 157

[79] G. Lo Nigro, M. Bruccoleri, and U. La Commare. Designing and

Evaluating Value Added Services in Manufacturing E-Market Places,
chapter Negotiation Models in Manufacturing E-Marketplaces, pages
97–117. 2005.
[80] S. S. Fatima, M. Wooldridge, and N. R. Jennings. An agenda-based
framework for multi-issue negotiation. Artificial Intelligence, 152(1) :1
– 45, 2004.
[81] F. Alsrheed, A. El Rhalibi, M. Randles, and M. Merabti. Intelligent
agents for automated cloud computing negotiation. In Multimedia
Computing and Systems (ICMCS), 2014 International Conference on,
pages 1169–1174, April 2014.
[82] T. Knabe, M. Schillo, and K. Fischer. Improvements to the fipa contract
net protocol for performance increase and cascading applications. In
In International Workshop for Multi-Agent Interoperability at the
German Conference on AI (KI-2002, 2002.
[83] J. Kodama, T. Hamagami, H. Shinji, T. Tanabe, T. Funabashi, and
H. Hirata. Multi-agent-based autonomous power distribution network
restoration using contract net protocol. Electrical Engineering in Japan,
166(4) :56–63, 2009.
[84] J. Pitt, L. Kamara, M. Sergot, and A. Artikis. Voting in multi-agent
systems. The Computer Journal, 49(2) :156–170, 2006.
[85] J. Pitt and A. Diaconescu. Structure and governance of communities for
the digital society. In Autonomic Computing (ICAC), 2015 IEEE
International Conference on, pages 279–284, July 2015.
[86] J. E. Hern´andez, J. Mula, R. Poler, and A. C. Lyons. Collaborative
planning in multi-tier supply chains supported by a negotiation-based
mechanism and multi-agent system. Group Decision and Negotiation,
23(2) :235–269, 2013.
[87] A. Omezzine, S. Tazi, N. Bellamine, B. Saoud, K. Drira, and G.
Cooperman. Towards a dynamic multi-level negotiation framework in
cloud computing. In Cloud Technologies and Applications (CloudTech),
2015 International Conference on, pages 1–8, June 2015.
[88] P. Vytelingum, S. D. Ramchurn, T. D. Voice, A. Rogers, and N. R.
Jennings. Trading agents for the smart electricity grid. In Proceedings
158 BIBLIOGRAPHIE

of the 9th International Conference on Autonomous Agents and

Multiagent Systems : Volume 1 - Volume 1, AAMAS ’10, pages 897–904,
2010.
[89] D. El Nabouch, N. Matta, R. Rahim-Amoud, and L. MerghemBoulahia.
An agent-based approach for efficient energy management in the
context of smart houses. In Highlights on Practical Applications of
Agents and Multi-Agent Systems, volume 365, pages 375–386. Springer
Berlin Heidelberg, 2013.
[90] K. Kok, B. Roossien, P. MacDougall, O. van Pruissen, G. Venekamp, R.
Kamphuis, J. Laarakkers, and C. Warmer. Intelligent energy
management using powermatcher : Recent results from field
deployments and simulation studies. In Electricity Distribution (CIRED
2013), 22nd International Conference and Exhibition on, pages 1–4,
June 2013.
[91] T. Logenthiran and D. Srinivasan. Multi-agent system for market based
microgrid operation in smart grid environment. Dept. of Elec. & Comp.
Science, National University of Singapore, 2011.
[92] C. Changsong, D. Shanxu, C. Tao, L. Bangyin, and Y. Jinjun. Energy
trading model for optimal microgrid scheduling based on genetic
algorithm. In Power Electronics and Motion Control Conference, 2009.
IPEMC ’09. IEEE 6th International, pages 2136–2139, 2009.
[93] W. Yanzhi, L. Xue, and M. Pedram. Adaptive control for energy storage
systems in households with photovoltaic modules. Smart Grid, IEEE
Transactions on, 5(2) :992–1001, March 2014.
[94] H. Rose, A. Rogers, and E. H. Gerding. A scoring rule-based mechanism
for aggregate demand prediction in the smart grid. In Proceedings of
the 11th International Conference on Autonomous Agents and
Multiagent Systems - Volume 2, AAMAS ’12, pages 661–668, 2012.
[95] P. Vytelingum, T. D. Voice, S. D. Ramchurn, A. Rogers, and N. R.
Jennings. Theoretical and practical foundations of large-scale
agentbased micro-storage in the smart grid. J. Artif. Int. Res., 42 :765–
813, 2011.
[96] N. Cuong Truong, L. Tran-Thanh, E. Costanza, and S. D. Ramchurn.
Towards appliance usage prediction for home energy management. In
Proceedings of the Fourth International Conference on Future Energy
Systems, e-Energy ’13, pages 287–288, 2013.
BIBLIOGRAPHIE 159

[97] N. C. Truong, J. McInerney, L. Tran-Thanh, E. Costanza, and S. D.

Ramchurn. Forecasting multi-appliance usage for smart home energy
management. In 23rd International Joint Conference on Artificial
Intelligence (IJCAI 2013), April 2013.
[98] S. Subramanian, S. Ghosh, J.R.M. Hosking, R. Natarajan, and Xiaoxuan
Zhang. Dynamic price optimization models for managing time-of-day
electricity usage. In Smart Grid Communications (SmartGridComm),
2013 IEEE International Conference on, pages 163–168, Oct 2013.
[99] P. Ionela and Z. Enrico. A model predictive control framework for
reliable microgrid energy management. International Journal of
Electrical Power & Energy Systems, 61(0) :399 – 409, 2014.
[100] S. Ramchurn, P. Vytelingum, A. Rogers, and N. Jennings. Agentbased
homeostatic control for green energy in the smart grid. ACM
Transactions on Intelligent Systems and Technology, 2(4) :35 :1–35 :28,
July 2011.
[101] C. Cecati, C. Buccella, P. Siano, and A. Piccolo. Optimal operation of
smart grids with demand side management. In Industrial Technology
(ICIT), 2013 IEEE International Conference on, pages 2010–2015, Feb
2013.
[102] A.-H. Mohsenian-Rad and A. Leon-Garcia. Optimal residential load
control with price prediction in real-time electricity pricing
environments. Smart Grid, IEEE Transactions on, 1(2) :120–133, Sept
2010.
[103] A. H. Mohsenian-Rad, V. W. S. Wong, J. Jatskevich, R. Schober, and A.
Leon-Garcia. Autonomous demand-side management based on game-
theoretic energy consumption scheduling for the future smart grid.
IEEE Transactions on Smart Grid, 1(3) :320–331, Dec 2010.
[104] C. Ibars, M. Navarro, and L. Giupponi. Distributed demand
management in smart grid with a congestion game. In Smart Grid
Communications (SmartGridComm), 2010 First IEEE International
Conference on, pages 495–500, Oct 2010.
[105] S. Caron and G. Kesidis. Incentive-based energy consumption
scheduling algorithms for the smart grid. In Smart Grid
Communications (SmartGridComm), 2010 First IEEE International
Conference on, pages 391–396, Oct 2010.
160 BIBLIOGRAPHIE

[106] P. Vytelingum, T. D. Voice, S. D. Ramchurn, A. Rogers, and N. R.

Jennings. Agent-based micro-storage management for the smart grid.
May 2010.
[107] S. Ghosh, J. Kalagnanam, D. Katz, M. Squillante, X. Zhang, and E.
Feinberg. Incentive design for lowest cost aggregate energy demand
reduction. In Smart Grid Communications (SmartGridComm), 2010
First IEEE International Conference on, pages 519–524, Oct 2010.
[108] D. O’Neill, M. Levorato, A. Goldsmith, and U. Mitra. Residential demand
response using reinforcement learning. In Smart Grid Communications
(SmartGridComm), 2010 First IEEE International Conference on, pages
409–414, Oct 2010.
[109] T. L. Vandoorn, B. Renders, L. Degroote, B. Meersman, and L.
Vandevelde. Active load control in islanded microgrids based on the
grid voltage. IEEE Transactions on Smart Grid, 2(1) :139–151, March
2011.
[110] I. Mauser, J. Mu¨ller, F. Allerding, and H. Schmeck. Adaptive building
energy management with multiple commodities and flexible
evolutionary optimization. Renewable Energy, 87, Part 2 :911 – 921,
2016.
[111] G. Graditi, M. L. Di Silvestre, R. Gallea, and E. Riva Sanseverino.
Heuristic-based shiftable loads optimal management in smart
microgrids. IEEE Transactions on Industrial Informatics, 11(1) :271–
280, 2015.
[112] N. Shaheen, N. Javaid, Z. Iqbal, K. Muhammad, K. Azad, and F. A.
Chaudhry. A hybrid algorithm for energy management in smart grid.
In Network-Based Information Systems (NBiS), 2015 18th International
Conference on, pages 58–63, 2015.
[113] B. Yuce, Y. Rezgui, and M. Mourshed. Ann–ga smart appliance
scheduling for optimised energy management in the domestic sector.
Energy and Buildings, 111 :311 – 325, 2016.
[114] S. K. Polaki, M. Reza, and D. S. Roy. A genetic algorithm for optimal
power scheduling for residential energy management. In Environment
and Electrical Engineering (EEEIC), 2015 IEEE 15th International
Conference on, pages 2061–2065, June 2015.
BIBLIOGRAPHIE 161

[115] M. A. A. Pedrasa, T. D. Spooner, and I. F. MacGill. Coordinated

scheduling of residential distributed energy resources to optimize
smart home energy services. IEEE Transactions on Smart Grid,
1(2) :134– 143, 2010.
[116] J. Stragier, L. Hauttekeete, and L. De Marez. Introducing smart grids in
residential contexts : Consumers’ perception of smart household
appliances. In Innovative Technologies for an Efficient and Reliable
Electricity Supply (CITRES), 2010 IEEE Conference on, pages 135– 142,
2010.
[117] O. A. Sianaki, O. Hussain, T. Dillon, and A. R. Tabesh. Intelligent
decision support system for including consumers’ preferences in
residential energy consumption in smart grid. In 2010 Second
International Conference on Computational Intelligence, Modelling and
Simulation, pages 154–159, 2010.
[118] C. Gao and M. A. Redfern. A review of voltage control in smart grid and
smart metering technologies on distribution networks. In Universities’
Power Engineering Conference (UPEC), Proceedings of 2011 46th
International, pages 1–5, Sept 2011.
[119] H. Morais, T. Pinto, Z. Vale, and I. Praca. Multilevel negotiation in smart
grids for vpp management of distributed resources. Intelligent
Systems, IEEE, 27(6) :8–16, Nov 2012.
[120] sma. http ://[Link]/fr/[Link], 2016.
[121] aegps. http ://[Link]/smart-grids/stockage-energie-batterie/,
2016.
[122] tritec. http ://[Link]/fr, 2016.
[123] JADE. http ://[Link]/, 2015.
[124] A.J.D. Rathnayaka, V.M. Potdar, O. Hussain, and T. Dillon. Identifying
prosumer’s energy sharing behaviours for forming optimal prosumer-
communities. In Cloud and Service Computing (CSC), 2011
International Conference on, pages 199–206, Dec 2011.
[125] D. Connolly, H. Lund, and B.V. Mathiesen. Smart energy europe : The
technical and economic impact of one potential 100 Renewable and
Sustainable Energy Reviews, 60 :1634 – 1653, 2016.
162 BIBLIOGRAPHIE

[126] M.S. Hossain, N.A. Madlool, N.A. Rahim, J. Selvaraj, A.K. Pandey, and
Abdul Faheem Khan. Role of smart grid in renewable energy : An
overview. Renewable and Sustainable Energy Reviews, 60 :1168 –
1184, 2016.
[127] H. H. Abdeltawab and Y. A. R. I. Mohamed. Market-oriented energy
management of a hybrid wind-battery energy storage system via
model predictive control with constraint optimizer. IEEE Transactions
on Industrial Electronics, 62(11) :6658–6670, 2015.
[128] H. Liang, B. Jun Choi, W. Zhuang, and X. Shen. Optimizing the energy
delivery via v2g systems based on stochastic inventory theory. Smart
Grid, IEEE Transactions on, 4(4) :2230–2243, 2013.
[129] B. Amanulla, S. Chakrabarti, and S. N. Singh. Reconfiguration of power
distribution systems considering reliability and power loss. IEEE
Transactions on Power Delivery, 27(2) :918–926, 2012.
[130] R. S. Rao, K. Ravindra, K. Satish, and S. V. L. Narasimham. Power loss
minimization in distribution system using network reconfiguration in
the presence of distributed generation. IEEE Transactions on Power
Systems, 28(1) :317–325, 2013.
[131] D. Q. Hung and N. Mithulananthan. Multiple distributed generator
placement in primary distribution networks for loss reduction. IEEE
Transactions on Industrial Electronics, 60(4) :1700–1708, 2013.
[132] E. Dall’Anese, H. Zhu, and G. B. Giannakis. Distributed optimal power
flow for smart microgrids. IEEE Transactions on Smart Grid,
4(3) :1464–1475, 2013.
[133] N. Radzi, R. Bansal, Z. Dong, and M. Hassan. Integrating the
transmission loss component with the distribution factors enhanced
transmission pricing method for efficient transmission use of system
charges. Electric Power Components and Systems, 43(1) :10–21, 2015.
[134] RTE. http ://[Link]/, 2015.
[135] C. Wei, Z.M. Fadlullah, N. Kato, and I. Stojmenovic. On optimally
reducing power loss in micro-grids with power storage devices.
Selected Areas in Communications, IEEE Journal on, 32(7) :1361–1370,
2014.
BIBLIOGRAPHIE 163

[136] W. Anguan and N. Baoshan. Line Loss Analysis and Calculation of

Electric Power Systems, chapter Calculation of Line Loss by Current
Load Curve. John Wiley & Sons Singapore Pte Ltd, 2016.
[137] W. Anguan and N. Baoshan. Change Law for the Electric Energy Losses
of Power Grids, chapter Calculation of Line Loss by Power Load Curve.
John Wiley & Sons Singapore Pte Ltd, 2016.
[138] W. Anguan and N. Baoshan. Calculation of High-voltage Power Grid
Losses, chapter Calculation of Line Loss by Power Load Curve. John
Wiley & Sons Singapore Pte Ltd, 2016.
[139] O. Botero and H. Chaouchi. Rfid network topology design based on
genetic algorithms. In 2011 IEEE International Conference on
RFIDTechnologies and Applications, pages 300–305, Sept 2011.
[140] N. Mejri, M. Ayari, R. Langar, and L. Saidane. Reservation-based multi-
objective smart parking approach for smart cities. In 2016 IEEE
International Smart Cities Conference (ISC2), pages 1–6, Sept 2016.
[141] M. A. Abido. Multiobjective evolutionary algorithms for electric power
dispatch problem. IEEE Transactions on Evolutionary Computation,
10(3) :315–329, June 2006.
[142] B. Asare-Bediako, W. L. Kling, and P. F. Ribeiro. Integrated agentbased
home energy management system for smart grids applications. In
IEEE PES ISGT Europe 2013, pages 1–5, Oct 2013.
[143] F. Berthold, A. Ravey, B. Blunier, D. Bouquain, S. Williamson, and A.
Miraoui. Design and development of a smart control strategy for plug-
in hybrid vehicles including vehicle-to-home functionality. IEEE
Transactions on Transportation Electrification, 1(2) :168–177, 2015.
[144] Z. Wang, L. Wang, A. I. Dounis, and R. Yang. Integration of plug-in
hybrid electric vehicles into building energy management system. In
2011 IEEE Power and Energy Society General Meeting, pages 1–8,
2011.
[145] C. Pang, P. Dutta, and M. Kezunovic. Bevs/phevs as dispersed energy
storage for v2b uses in the smart grid. IEEE Transactions on Smart
Grid, 3(1) :473–482, 2012.
[146] M. M. A. Abdelaziz, M. F. Shaaban, H. E. Farag, and E. F. ElSaadany. A
multistage centralized control scheme for islanded microgrids with
pevs. IEEE Transactions on Sustainable Energy, 5(3) :927– 937, 2014.