Multi-stage day-ahead scheduling for building-integrated large-scale electrical vehicle charging station

Résumé

Afin de répondre à la croissance rapide de la demande de recharge des véhicules électriques (VE) pendant la dernière décennie, les espaces de stationnement des bâtiments ont été transformés en stations de recharge des VE. Cette solution permet de contrôler la demande de recharge des VE ajoutée au micro-réseau du bâtiment d'une manière coopérative pour éviter des effets négatifs sur le bâtiment lui-même ainsi que sur le réseau d’électricité. Dans ce mémoire, nous optimisons un micro-réseau de charge de bâtiment (BCM) équipé d'un système solaire PV et d'un système de stockage d'énergie stationnaire en batterie. Ce modèle proposé a pour but de: 1) minimiser les coûts d'exploitation, 2) contribuer à la stabilité du marché d’énergie en anticipant les demandes de recharge des VEs et de les communiquer avec les fournisseurs la veille de l’opération; et 3) équilibrer la production PV, compte tenu de la limitation du réseau d’électricité, de la limite de capacité du BESS, et des demandes stochastiques des VEs, de la production PV et du prix de l'électricité. Pour résoudre ce problème d’optimisation, nous proposons un algorithme d'ordonnancement de la charge/décharge, qui se compose de trois étapes principales: 1) planifier la recharge une heure avant le jour d'exploitation; 2) résoudre le modèle d’optimisation toutes les 15 minutes en s'adaptant aux erreurs de prévision de la demande des VE; 3) contrôler la recharge des VEs en temps réel. Une modélisation stochastique basée sur la méthode de simulation de Monte Carlo est proposée pour capturer la nature stochastique des comportements des VE. Pour réduire la complexité de calcul résultant d’un grand nombre des VEs, nous appliquons une technique d'agrégation basée sur des clusters pour diviser les flottes de VE en trois groupes en fonction de leur laxité et de leur capacité de décharge, ce qui peut garantir une grande satisfaction aux utilisateurs de VE. Enfin, un algorithme d'ajustement en temps réel est implémenté pour s’adapter au changement de puissance. L'algorithme proposé a été validé à travers de plusieurs expérimentations dans des BCMs de bureau, résidentiels et centres commerciaux en utilisant des données réelles et simulées. Les résultats expérimentaux montrent une réduction de 4,42% du coût moyen d'exploitation tout en maintenant la satisfaction du client à plus de 97% grâce à l'adaptation en temps réel et au nouveau modèle d'agrégation basé sur le regroupement.

Date	4 janv. 2022
langue originale	Anglais américain
Établissement diplômant	École de technologie supérieure
Superviseur	Kamal Al-Haddad (Directeur(-trice)) & Kim Khoa Nguyen (Codirecteur(-trice))