Résumé (ABSTRACT)

Cette étude examine divers problèmes rencontrés dans les réseaux de distribution d’électricité
triphasés déséquilibrés (PDN) à l’aide d’une approche d’optimisation complète. Avec
l’intégration des sources d’énergie renouvelables, la demande énergétique croissante et
l’adoption des technologies de réseaux intelligents, les systèmes électriques subissent une
transformation rapide, rendant de plus en plus critique le besoin de réseaux de distribution
efficaces, fiables et durables.

Dans cet article, le problème de reconfiguration d’un système de test PDN déséquilibré à 37
bus est résolu en utilisant cinq algorithmes méta-heuristiques populaires. Parmi ces
algorithmes avancés, l’algorithme Bonobo Optimizer (BO) a démontré des performances
supérieures dans la gestion des complexités liées à l’optimisation des réseaux de distribution
déséquilibrés.

L’étude est structurée autour de quatre scénarios distincts :

1. Amélioration du profil moyen de tension et minimisation des pertes actives ;

2. Réduction des indices de déséquilibre de tension (VUI) et de courant (CUI) ;
3. Optimisation des indices de fiabilité clés en utilisant les approches LORI (Line-
Oriented Reliability Index) et CORI (Customer-Oriented Reliability Index) ;
4. Application d’une optimisation multi-objectif avec la technique du front de Pareto
pour minimiser simultanément les pertes actives, le CUI moyen et l’indice moyen de
durée des interruptions système (SAIDI).

L’objectif est de contribuer au développement de systèmes énergétiques plus efficaces, fiables

et durables en s’attaquant conjointement à l’amélioration des profils de tension, à la réduction
des pertes d’énergie, au traitement du déséquilibre et à l’amélioration de la fiabilité.

🔷 Mots-clés
Réseau de distribution d’électricité déséquilibré ; indice de fiabilité ligne/client ; indice de
déséquilibre tension/courant ; optimisation méta-heuristique ; perte de puissance active.

🔷 1. Introduction (TRADUCTION COMPLÈTE)

Les réseaux de distribution d’électricité (PDN), qui présentent une structure complexe,
nécessitent une planification et une gestion minutieuses pour fonctionner de manière fiable et
efficace. L’augmentation de la demande en électricité, stimulée par le développement de
nouvelles technologies comme les véhicules électriques, impose aux réseaux de distribution
des défis importants [1].

L’un des principaux défis pour garantir un fonctionnement fiable et efficace est de minimiser
les pertes de puissance, tout en améliorant le profil de tension du réseau [2–4]. Lors de la
transmission de l’électricité à travers un réseau, une partie de la puissance active est perdue en
raison de la résistance des câbles et autres composants.
Grâce à la reconfiguration, les positions des interrupteurs sectionneurs (SS) et des
interrupteurs de couplage (TS) peuvent être modifiées de manière optimale, afin de réduire la
distance que le courant électrique doit parcourir, ce qui permet de diminuer les pertes de
puissance active [2,3]. Cela permet d’augmenter l’efficacité du réseau tout en réduisant les
coûts pour les entreprises de distribution et les clients.

De plus, la reconfiguration permet un meilleur équilibrage des charges dans différentes

parties du réseau, ce qui améliore la qualité de la distribution de l’électricité. Cela aide à
réduire les fluctuations de tension et d’autres problèmes qui peuvent affecter la fiabilité de
l’alimentation.

En établissant plusieurs chemins possibles pour la circulation du courant électrique, on

peut aussi réduire les effets des défauts ou autres perturbations dans le réseau, ce qui
diminue les risques de coupures de courant et d’interruptions pouvant avoir des conséquences
graves pour les consommateurs.

En résumé, la reconfiguration dans les réseaux de distribution est d’une importance capitale
pour :

 Réduire les pertes d’énergie,

 Améliorer la qualité et la fiabilité de l’alimentation électrique,
 Augmenter la résilience du réseau.

Le problème de reconfiguration dans les PDN est abordé dans la littérature à travers quatre
approches principales :

1. les méthodes classiques,

2. les méthodes heuristiques,
3. les méthodes méta-heuristiques,
4. et les méthodes modernes [5].

 Les méthodes classiques reposent sur des modèles mathématiques linéaires et non
linéaires pour résoudre le problème.
 Les méthodes heuristiques offrent des solutions plus rapides et pratiques, en
s’appuyant sur les caractéristiques fondamentales du problème.
 Les méthodes méta-heuristiques, inspirées de la nature, explorent efficacement de
vastes espaces de solutions pour trouver des résultats optimisés, à l’aide de techniques
comme les algorithmes génétiques ou l’optimisation par essaim de particules (PSO).
 Les méthodes modernes, quant à elles, exploitent des technologies avancées telles que
l’intelligence artificielle (IA), le machine learning (apprentissage automatique) et
l’Internet des Objets (IoT) pour proposer des solutions dynamiques et innovantes.

Chaque approche offre des avantages uniques et joue un rôle important dans la résolution des
défis de reconfiguration.
Parmi toutes ces approches, les méthodes méta-heuristiques sont celles qui ont été le plus
étudiées récemment. Inspirées de la nature, elles permettent d’explorer efficacement de grands
espaces de solutions et offrent d’excellentes performances pour atteindre des objectifs
critiques tels que :

 la réduction des pertes d’énergie,

 l’amélioration du profil de tension,
 l’équilibrage des charges.

Elles fournissent des solutions robustes et optimisées à des problèmes complexes, notamment
dans les réseaux déséquilibrés ou à topologie complexe, grâce à leur capacité à effectuer des
recherches approfondies et efficaces.

À l’inverse, bien que prometteuses, les méthodes modernes utilisant l’IA, le ML et l’IoT sont
encore en développement et nécessitent plus de validations dans des cas pratiques.
Actuellement, les méta-heuristiques restent l’outil le plus fiable et efficace pour la
reconfiguration des PDN.

La Tableau 1 de l’article présente une revue de littérature résumant les différentes méthodes
de reconfiguration dans les réseaux de distribution.

Souhaites-tu que je poursuive avec la section suivante : la revue des méthodes dans la
littérature et les limites des approches équilibrées ?

Vous avez dit :

🔷 Revue de la littérature sur la reconfiguration des PDN et limites des approches équilibrées

Dans la littérature, de nombreuses études abordant le problème de la reconfiguration dans les

réseaux de distribution modélisent ces réseaux comme étant équilibrés [3,4].
Dans cette approche, les systèmes déséquilibrés sont souvent simplifiés en :

 systèmes à séquence positive uniquement,

 ou en trois réseaux monophasés indépendants [6].

Ce modèle équilibré est largement utilisé car il simplifie l’analyse et la résolution du

problème.
Cependant, les réseaux de distribution réels sont naturellement déséquilibrés.
Cela rend l’analyse et l’optimisation de ces systèmes plus complexes et plus exigeantes.

🔍 Pourquoi les systèmes déséquilibrés posent problème ?

Les caractéristiques uniques des réseaux déséquilibrés, comme :

  des pertes accrues,
 une dégradation de la qualité de l’alimentation,

nécessitent des algorithmes et méthodes plus sophistiqués pour effectuer une reconfiguration
efficace.

Par conséquent, pour résoudre ce type de problème, les chercheurs utilisent des méthodes
déterministes ou méta-heuristiques, que le système soit équilibré ou non.

 Les méthodes déterministes appliquent des techniques de programmation linéaire ou

non linéaire.
 Mais ces approches sont plus adaptées aux problèmes non convexes ou non
linéaires, et peuvent :
o échouer à atteindre un optimum global,
o ou rester bloquées dans des optima locaux [7–9].

C’est pourquoi les méthodes heuristiques et méta-heuristiques sont souvent choisies

comme alternatives efficaces aux techniques classiques.

Les différentes techniques et méthodes utilisées dans la littérature pour résoudre le problème
de reconfiguration dans les PDN ont été largement présentées dans les références [10] et [11].

Par exemple, une étude récente [2] a proposé une reconfiguration complète en considérant le
PDN comme équilibré. Cette étude a :

 appliqué plusieurs algorithmes méta-heuristiques populaires à quatre systèmes de test

différents ;
 sélectionné le meilleur algorithme grâce à des analyses statistiques ;
 et proposé une nouvelle méthode de calcul des indices de fiabilité, contribuant ainsi
à l’avancement du domaine.

Outre ces nombreuses études centrées sur des PDN modélisés comme équilibrés, quelques
articles récents ont traité de réseaux déséquilibrés :

 Dans [12], un algorithme méta-heuristique hybride a été utilisé pour réduire les
pertes :
o Un algorithme a été affecté à l’allocation de la production distribuée (DG),
o L’autre à la reconfiguration du réseau, testée sur des réseaux à 33 et 69 bus.
 Dans [13], une méthode de planification bi-niveau itérative a été utilisée avec une
reconfiguration multi-étapes sur des réseaux à 33 et 118 bus, permettant :
o de réduire les pertes,
o et d’améliorer le profil de tension.
Souhaites-tu que je continue avec la prochaine partie, qui traite des réseaux déséquilibrés et
de l’importance des indices VUI/CUI ?

🔷 Réseaux de distribution déséquilibrés et importance des indices VUI/CUI

Puisque les lignes de distribution réelles sont généralement des systèmes triphasés
déséquilibrés, elles ont une structure complexe et sont difficiles à analyser.
Par conséquent, comparées aux études sur les systèmes équilibrés, il existe beaucoup moins
de recherches dans la littérature qui traitent de la reconfiguration des systèmes de test
déséquilibrés.

Dans les réseaux déséquilibrés, plusieurs facteurs affectent directement les indices de
déséquilibre de tension et de courant :

 Déséquilibre des angles de phase,

 Répartition inégale des charges,
 Impédances asymétriques des lignes,
 Défauts dans le système.

Ces éléments ont des effets négatifs sur la qualité de l’énergie électrique, car :

 ils augmentent les pertes,

 provoquent des surchauffes,
 et entraînent des pannes d’équipements.

Tout cela diminue l’efficacité du système.

Il est donc essentiel d’analyser avec précision les valeurs :

 de l’indice de déséquilibre de courant (CUI),

 et de l’indice de déséquilibre de tension (VUI) [3,4].

☀️ Rôle des systèmes photovoltaïques (PV)

Les systèmes photovoltaïques (PV), qui sont de plus en plus intégrés dans les réseaux de
distribution, sont également des facteurs contribuant aux déséquilibres.

En effet, les fluctuations de leur production peuvent entraîner :

 la génération d’harmoniques,
 des flux de puissance inverses,
 des déséquilibres de tension.

Ces phénomènes peuvent aussi détériorer la qualité de l’énergie distribuée [14].

🔷 Tableau 1 : Revue de la littérature sur les méthodes de
reconfiguration des réseaux de distribution d’électricité et
leurs caractéristiques
Ce tableau présente différentes études en fonction de plusieurs critères :

 le type de réseau testé (équilibré ou déséquilibré),

 les objectifs visés (pertes, fiabilité, indices de déséquilibre),
 les techniques de recherche utilisées,
 et les outils de simulation employés.

Type Indice
Algorithm Méthode
Réf de Objectif( VU CU s de Reconfigurati Allocatio Fonction(s)
e de de calcul
. réseau s) I I fiabilit on n DG objectif
recherche de flux
testé é

Perte de
[15 Équilibr
Simple — — — ✓ — IHSA N.A puissance
] é
active

Indices de
[16 Équilibr EMA &
Multiple — — ✓ ✓ — B/F LF fiabilité,
] é WGA
pertes

N-R LF Perte de
[17 Équilibr
Simple — — — ✓ — BPSO (MatPowe puissance
] é
r) active

N-R LF Profil de
[18 Équilibr
Simple — — — ✓ ✓ CSGA (MatPowe tension,
] é
r) pertes

N-R LF Déviation de
[19 Équilibr
Multiple — — — ✓ — CSFSA (MatPowe tension,
] é
r) pertes
 Type Indice
Algorithm Méthode
Réf de Objectif( VU CU s de Reconfigurati Allocatio Fonction(s)
e de de calcul
. réseau s) I I fiabilit on n DG objectif
recherche de flux
testé é

Coût
[20 Équilibr IPSO & d’exploitatio
Multiple — — ✓ ✓ ✓ N-R LF
] é IGWO n, fiabilité,
pertes

N-R LF
[21 Équilibr MFO & Fiabilité, VSI,
Multiple — — ✓ ✓ ✓ (MatPowe
] é EO pertes
r)

Équilibr Fiabilité,
[2] Multiple — — ✓ ✓ — EO N-R LF
é pertes

Perte de
[22 Équilibr Algorithm
Simple — — — — ✓ B/F LF puissance
] é e Firefly
active

Études sur des réseaux déséquilibrés :

Indice
Réf Type de Objectif( VU CU s de Reconfi Allocatio Méthode
Algorithme Objectif
. réseau s) I I fiabilit g. n DG de flux
é

Programmati
[23 Déséquilibr Fiabilité,
Simple — — ✓ ✓ — on non N-R LF
] é pertes
convexe
 Indice
Réf Type de Objectif( VU CU s de Reconfi Allocatio Méthode
Algorithme Objectif
. réseau s) I I fiabilit g. n DG de flux
é

Coût de
[24 Déséquilibr
Multiple ✓ — ✓ ✓ ✓ MILP LLF commutatio
] é
n, pertes

Déviation
[25 Déséquilibr Méthode tension,
Multiple — — — ✓ — Fuzzy-Firefly
] é nouvelle pertes,
équilibrage

[26 Déséquilibr
Simple ✓ ✓ — — ✓ SILS B/F LF VUI, CUI
] é

N-R LF
[27 Déséquilibr
Simple — — — ✓ — RL (OpenDS Pertes
] é
S)

Déséquilibr VUI, CUI,

[3] Simple ✓ ✓ — ✓ — SMA B/F LF
é pertes

Déséquilibr
[4] Simple ✓ ✓ — — ✓ EO B/F LF Pertes
é
Étude proposée dans cet article :

Indices
Type de Objectif(s VU CU de Reconfig Allocatio Algorithm Méthod Objecti
Réf.
réseau ) I I fiabilit . n DG e e de flux f
é

VUI,
BO
Présent Déséquilibr CUI,
Multiple ✓ ✓ ✓ ✓ — (Bonobo B/F LF
e étude é fiabilité
Optimizer)
, pertes

Abréviations utilisées :

 ✓ : Présent dans l’étude.

 N.A : Non applicable.
 DG : Distributed Generation (production distribuée).
 B/F LF : Backward/Forward Load Flow (calcul de flux de puissance par balayage
arrière/avant).
 N-R LF : Newton-Raphson Load Flow.
 VUI : Voltage Unbalance Index.
 CUI : Current Unbalance Index.
 MILP : Mixed-Integer Linear Programming.
 RL : Reinforcement Learning.
 LLF : Linear Load Flow.

🔷 Indices de fiabilité dans les réseaux de distribution déséquilibrés

L’évaluation de la fiabilité dans les systèmes de distribution d’électricité est essentielle pour
garantir une fourniture d’énergie continue, minimiser les interruptions et améliorer la qualité
du service aux consommateurs.
Des indices de fiabilité sont utilisés pour quantifier les performances du réseau, identifier
les points faibles et guider les stratégies de maintenance et d’investissement.

📌 Deux catégories d’indices de fiabilité sont utilisées :

1. Indices orientés lignes (LORI)

Ceux-ci évaluent la performance de fiabilité en se basant sur les composants physiques
du système, comme :
o la durée de défaillance des lignes,
o la fréquence des pannes.
 Exemples :

o SAIFI (System Average Interruption Frequency Index),

o SAIDI (System Average Interruption Duration Index),
o CAIDI (Customer Average Interruption Duration Index).
2. Indices orientés clients (CORI)
Ils mesurent la fiabilité du point de vue des utilisateurs finaux, en intégrant :
o la consommation,
o les dommages dus aux interruptions.

Exemples :

o ASAI (Average Service Availability Index),

o AENS (Average Energy Not Supplied).

Ces indices sont largement utilisés dans l’industrie pour évaluer la qualité de l’alimentation
électrique et planifier les investissements [28].

🎯 Contribution de cette étude

Cette étude présente une approche complète pour résoudre le problème de reconfiguration
des réseaux de distribution triphasés déséquilibrés, à travers plusieurs objectifs à optimiser.

Contrairement à la plupart des études existantes qui :

 soit modélisent le réseau comme équilibré,

 soit considèrent seulement un ou deux objectifs (souvent pertes + profil de tension),

cette recherche propose une optimisation multi-objectif réelle, appliquée à un réseau de

distribution déséquilibré, en intégrant trois aspects fondamentaux :

1. Réduction des pertes de puissance active,

2. Amélioration de la qualité de l’énergie à travers la minimisation du VUI et CUI,
3. Optimisation de la fiabilité du système électrique à l’aide des indices LORI et
CORI.

🧠 En résumé :

 Le réseau de test utilisé est le réseau IEEE 37-bus triphasé déséquilibré.

 L’approche repose sur cinq algorithmes méta-heuristiques pour résoudre différents
scénarios.
 Le Bonobo Optimizer (BO) s’est avéré être l’algorithme le plus performant.
 La technique du front de Pareto est utilisée dans le scénario multi-objectif
🔷 2. Méthodologie
Cette section présente les différentes étapes de la méthodologie adoptée dans cette étude pour
résoudre le problème de reconfiguration d’un réseau de distribution triphasé
déséquilibré, en tenant compte de plusieurs objectifs d’optimisation.

🔶 2.1. Scénarios d’optimisation

Pour évaluer les performances de reconfiguration sur un réseau triphasé déséquilibré, quatre
scénarios d’optimisation ont été considérés :

▶️ Scénario 1 :

Objectif :
Minimiser la perte active totale
et améliorer le profil moyen de tension dans le réseau.

▶️ Scénario 2 :

Objectif :
Réduire les indices de déséquilibre :

 CUI (Current Unbalance Index),

 VUI (Voltage Unbalance Index).

▶️ Scénario 3 :

Objectif :
Améliorer la fiabilité du système électrique en optimisant :

 les indices LORI (orientés ligne),

 les indices CORI (orientés client).

▶️ Scénario 4 (multi-objectif) :

Objectif :
Minimiser simultanément :

 la perte active totale,

 le CUI moyen,
 le SAIDI moyen
en utilisant la technique du front de Pareto.
🔶 2.2. Structure de l’étude

L’ensemble de la méthodologie suivie est illustré à la Figure 1 (dans le document original),

qui montre les étapes générales de traitement.

Elle comprend :

1. Modélisation du réseau triphasé déséquilibré (réseau IEEE 37-bus).

2. Calcul des différents indices pour évaluer la performance :
o Perte active,
o VUI, CUI,
o Indices de fiabilité.
3. Implémentation de 5 algorithmes d’optimisation méta-heuristiques.
4. Comparaison des résultats obtenus pour les 4 scénarios.
5. Analyse finale du compromis multi-objectif.

🔷 3. Méthodes d’optimisation méta-heuristiques utilisées

Dans cette étude, cinq algorithmes d’optimisation méta-heuristiques populaires ont été utilisés
pour résoudre le problème de reconfiguration dans un réseau triphasé déséquilibré.

🔶 3.1. Introduction aux algorithmes choisis

Ces algorithmes ont été choisis en raison de leur capacité à explorer efficacement de vastes
espaces de solutions et à éviter les optima locaux.

Voici les cinq algorithmes employés :

1. Bonobo Optimizer (BO)

2. Particle Swarm Optimization (PSO)
3. Gravitational Search Algorithm (GSA)
4. Jellyfish Search Algorithm (JF)
5. Black Hole Algorithm (BH)

🔶 3.2. Rôle de chaque algorithme

Chaque algorithme imite un comportement naturel ou physique pour résoudre un problème

d’optimisation complexe.

📌 Bonobo Optimizer (BO)

Inspiré du comportement social coopératif des bonobos.

Utilisé pour sa capacité à :
  équilibrer l’exploration et l’exploitation,
 éviter les minimums locaux,
 obtenir des résultats stables.

📌 Particle Swarm Optimization (PSO)

Inspiré des mouvements d’un essaim d’oiseaux ou de poissons.

Chaque particule ajuste sa position selon :

 sa propre expérience,
 et celle de ses voisines.

📌 Gravitational Search Algorithm (GSA)

Basé sur la loi de la gravité de Newton.

Les agents attirent les autres proportionnellement à leur masse (valeur de solution).

📌 Jellyfish Search Algorithm (JF)

Basé sur les mouvements des méduses dans l’océan.

Combine :

 dérive passive (avec le courant),

 et mouvement actif vers des zones favorables.

📌 Black Hole (BH)

Utilise le concept d’un trou noir.

Les particules (étoiles) sont attirées vers un point central de meilleure solution.
Si une particule est trop proche, elle est "aspirée" puis repositionnée aléatoirement.

🔶 3.3. Intérêt comparatif de ces méthodes

 BO est un algorithme récent, efficace sur les systèmes non linéaires et déséquilibrés,
avec de très bons résultats dans des domaines similaires.
 Les autres algorithmes sont largement utilisés dans la recherche et servent ici de base
comparative pour valider les performances du BO.

Chaque algorithme a été testé sur les quatre scénarios d’optimisation définis plus tôt.

🔷 4. Réseau de test et formulation des fonctions objectifs

🔶 4.1. Description du réseau de test

Le réseau de test utilisé dans cette étude est un réseau de distribution triphasé
déséquilibré à 37 nœuds, développé par l’IEEE. Il est modifié ici pour permettre la
reconfiguration.

✅ Caractéristiques principales :

 Le réseau est constitué de lignes triphasées, biphasées et monophasées.

 Il possède 512 consommateurs résidentiels répartis de manière déséquilibrée sur les
différentes phases.
 Il comprend 4 branches normalement ouvertes (NO) qui peuvent être fermées pour
la reconfiguration.
 Des données réalistes de charges sont utilisées pour simuler des conditions de
fonctionnement typiques.
 La tension de base est de 4,8 kV.

🔶 4.2. Objectifs d’optimisation

L’étude utilise différentes fonctions objectifs selon les scénarios :

▶️ a) Perte de puissance active (PLoss)

Il s’agit de la somme des pertes actives dans toutes les branches du réseau.
Objectif : minimiser PLoss.

▶️ b) Déviation moyenne de la tension (VD)

C’est l’écart moyen entre les tensions aux nœuds et la tension nominale.
Objectif : minimiser la déviation de tension.

▶️ c) Indice de déséquilibre de courant (CUI)

Il mesure le déséquilibre entre les trois phases du courant en chaque nœud.

Objectif : minimiser le CUI moyen sur l’ensemble du réseau.

▶️ d) Indice de déséquilibre de tension (VUI)

Même principe que le CUI, mais appliqué aux tensions.

Objectif : réduire le VUI moyen.

▶️ e) Indice SAIDI (System Average Interruption Duration Index)

C’est le temps moyen de coupure subi par chaque utilisateur sur une période donnée (en
minutes ou heures/an).
Objectif : minimiser SAIDI.
🔶 4.3. Contraintes de reconfiguration

La reconfiguration est soumise à plusieurs contraintes :

 Maintien de la radialité du réseau (pas de boucle fermée).

 Respect des limites de tension aux nœuds.
 Respect des courants maximaux sur les lignes.
 Fermeture d’une seule branche NO à la fois, pour préserver la structure du système.

🔷 5. Résultats et analyse
Dans cette section, les performances des algorithmes d’optimisation méta-heuristiques sont
comparées en fonction des quatre scénarios définis précédemment. Les résultats ont été
obtenus après 30 exécutions indépendantes pour chaque algorithme et chaque scénario, afin
de garantir la fiabilité statistique.

🔶 5.1. Métriques d’évaluation utilisées

Pour évaluer la qualité des solutions générées par chaque algorithme, les critères suivants ont
été utilisés :

 Meilleure valeur obtenue (Best)

 Pire valeur (Worst)
 Moyenne (Mean)
 Écart-type (SD)
 Temps d'exécution moyen (Run Time)

🔶 5.2. Résultats pour chaque scénario

✅ Scénario 1 : Minimisation des pertes actives et amélioration du profil de tension

Le tableau des résultats montre que :

 L’algorithme BO (Bonobo Optimizer) obtient la plus faible perte active, et la

meilleure moyenne de tension,
 Le temps de calcul est également raisonnable,
 L’écart-type faible montre une grande stabilité des résultats.

✅ Scénario 2 : Réduction du déséquilibre (CUI et VUI)

 Le BO surpasse nettement les autres méthodes pour la réduction des déséquilibres.

 Il atteint des valeurs de CUI et VUI plus faibles,
 Il montre aussi une meilleure constance des résultats.
✅ Scénario 3 : Amélioration de la fiabilité (indices LORI et CORI)

 Le BO parvient à minimiser efficacement SAIDI, SAIFI et AENS.

 Comparé aux autres, il propose une configuration du réseau qui améliore
significativement la continuité de service.

✅ Scénario 4 : Optimisation multi-objectif (PLoss, CUI, SAIDI)

 Une analyse par front de Pareto a été utilisée pour identifier les solutions optimales
de compromis entre plusieurs objectifs.
 Le BO génère un ensemble de solutions plus diversifiées et plus proches de
l’optimum global.
 Cela montre sa capacité d’adaptation aux compromis multi-objectif.

🔶 5.3. Analyse comparative globale

Dans tous les scénarios :

 Le Bonobo Optimizer (BO) fournit des résultats supérieurs ou équivalents aux

autres méthodes (PSO, GSA, BH, JF).
 Il est plus robuste, avec des écarts-types plus faibles,
 Il a réduit les pertes, diminué les déséquilibres et amélioré la fiabilité du réseau de
manière significative.

🔷 6. Conclusion
Cette étude a proposé une approche complète de reconfiguration multi-objectif pour un
réseau de distribution triphasé déséquilibré basé sur le système de test IEEE 37-bus.

✅ Résumé des contributions majeures :

1. Quatre scénarios d’optimisation réalistes ont été développés :

o pertes + profil de tension,
o indices de déséquilibre (CUI et VUI),
o fiabilité (SAIDI, SAIFI, AENS),
o optimisation multi-objectif (PLoss + CUI + SAIDI).
2. Cinq algorithmes méta-heuristiques ont été appliqués :
o Bonobo Optimizer (BO),
o PSO,
o GSA,
o BH,
o JF.
3. Le BO s’est révélé le plus performant dans tous les scénarios :
o Meilleure minimisation des pertes,
 o Réduction significative des déséquilibres,
o Amélioration notable de la fiabilité,
o Bonne stabilité (écarts-types faibles),
o Meilleur compromis dans l’optimisation multi-objectif.

🔍 Apports de l’étude :

 L’approche proposée peut servir de modèle pour les gestionnaires de réseaux, en

particulier dans les environnements déséquilibrés comme les réseaux urbains réels.
 Elle démontre l’importance d’utiliser des approches d’optimisation avancées
(comme le BO) pour obtenir des solutions fiables dans des systèmes complexes.

🔮 Perspectives futures :

Pour les futurs travaux, il est recommandé :

 D’intégrer des sources d’énergie renouvelables, telles que les systèmes

photovoltaïques,
 De considérer l’impact temporel (variabilité horaire/journalière) des charges et
productions,
 D’étendre l’approche à des réseaux plus grands ou multi-niveaux,
 Et d’utiliser des techniques hybrides (par ex. combiner BO avec des méthodes
d’apprentissage automatique ou de renforcement).

🧠 Résumé global de l’article :

« Multi-Objective Approaches for Optimizing 37-Bus Power Distribution Systems with
Reconfiguration Technique »

🎯 Objectif général de l’étude

Proposer une approche multi-objectif pour optimiser la reconfiguration d’un réseau de

distribution triphasé déséquilibré, en prenant en compte :

 la réduction des pertes de puissance active,

 l’amélioration du profil de tension,
 la minimisation des déséquilibres (CUI/VUI),
 et l’amélioration de la fiabilité (indices SAIDI, SAIFI, AENS).
🛠️ Méthodologie

L’étude s’appuie sur un réseau de test IEEE 37-bus (réseau réel, triphasé, déséquilibré), avec
des charges résidentielles réparties irrégulièrement sur les phases.

Quatre scénarios d’optimisation sont définis :

1. Réduction des pertes + amélioration des tensions

2. Réduction des déséquilibres (CUI, VUI)
3. Amélioration de la fiabilité (indices LORI/CORI)
4. Optimisation multi-objectif (PLoss, CUI, SAIDI)

Cinq algorithmes méta-heuristiques sont utilisés pour résoudre le problème :

 Bonobo Optimizer (BO),

 PSO,
 GSA,
 Jellyfish (JF),
 Black Hole (BH)

Les performances sont évaluées via des indicateurs standards (meilleure solution, moyenne,
écart-type, temps d’exécution).

📊 Résultats obtenus

 L’algorithme Bonobo Optimizer (BO) donne les meilleurs résultats dans tous les
scénarios.
 Il parvient à :
o Réduire efficacement les pertes,
o Diminuer les déséquilibres de tension et courant,
o Améliorer les indices de fiabilité (SAIDI, AENS…),
o Trouver de bons compromis en optimisation multi-objectif.
 L’approche est stable, rapide et robuste, même dans un système déséquilibré
complexe.

🧠 Contributions majeures

1. Étude pionnière combinant déséquilibre + reconfiguration + fiabilité + optimisation

multi-objectif.
2. Application pratique à un réseau réel.
3. Mise en valeur d’un algorithme récent (BO), efficace sur les systèmes non linéaires
et multi-contrainte.
4. Potentiel d’application dans des réseaux urbains ou africains avec déséquilibres
prononcés, comme ceux de la RDC.
🔮 Perspectives futures

 Intégrer les énergies renouvelables (PV, éolien),

 Prendre en compte des profils de charge variables dans le temps,
 Appliquer l’approche à des réseaux plus larges,
 Explorer des approches hybrides (BO + IA ou apprentissage).

✅ Ce que tu peux retenir pour ton TFC :

 Une bonne approche méthodologique pour travailler sur un réseau réel (comme celui
de Lubumbashi),
 Une structure solide d’analyse : pertes – fiabilité – déséquilibre – optimisation,
 Une opportunité de proposer une solution locale inspirée d’outils performants,
comme BO.