Dimensionnement et localisation multi-objectifs des DG dans le réseau de distribution par optimisation hybride gorilla troops-genetic algorithm : une étude de cas réelle

Une énergie locale plus intelligente pour une fiabilité au quotidien

Lorsque vous actionnez un interrupteur, vous attendez une alimentation instantanée et stable — mais assurer cette fiabilité devient plus difficile à mesure que la demande d’électricité augmente et que davantage de sources renouvelables se connectent au réseau. Une idée prometteuse consiste à répartir de plus petites unités de production, appelées générateurs distribués, dans les réseaux locaux au lieu de ne compter que sur de grandes centrales éloignées. Cette étude montre comment une nouvelle méthode de planification informatisée peut décider où placer ces petites unités et quelle taille leur attribuer afin que le réseau gaspille moins d’énergie, maintienne des tensions stables et réalise des économies substantielles chaque année.

Pourquoi les générateurs locaux comptent

Les systèmes électriques traditionnels transportent l’électricité sur de longues distances depuis de grandes centrales jusqu’aux habitations et aux usines. En route, une partie de cette énergie se perd sous forme de chaleur dans les lignes, et la tension peut chuter dans les quartiers éloignés, surtout lorsque la demande augmente. Installer des générateurs distribués — comme de petites unités à gaz ou des renouvelables telles que le solaire et l’éolien — directement dans les réseaux locaux peut délester les lignes surchargées, réduire les pertes et améliorer la qualité de la tension. Mais placer ces unités n’est pas aussi simple que remplir des emplacements vides : chaque emplacement et chaque puissance possible affectent le reste du réseau, et les décisions doivent aussi respecter des limites d’ingénierie strictes. La tâche de planification devient un casse-tête mêlant choix discrets (où implanter les unités) et choix continus (quelle puissance leur assigner), tout en conciliant plusieurs objectifs simultanément.

Une « équipe de recherche » numérique hybride

Pour résoudre ce casse-tête, les auteurs ont conçu une méthode de recherche hybride qui combine deux familles bien connues d’outils d’optimisation. Une partie est un algorithme génétique, inspiré de l’évolution, qui gère les décisions oui–non et par paliers — par exemple quels nœuds du réseau doivent accueillir de nouveaux générateurs. L’autre partie est le gorilla troops optimizer, une méthode de type essaim modélisée sur le mouvement de groupe et le leadership au sein des bandes de gorilles, qui excelle à explorer des plages continues de valeurs — comme la puissance exacte de chaque générateur. À chaque cycle, les deux composantes proposent des plans candidats, les assemblent en configurations complètes du réseau et évaluent leurs performances. Les plans qui réduisent les pertes d’énergie et améliorent la tension sont conservés et raffinés, tandis que les moins performants sont rejetés. En laissant à chaque méthode la part du travail qui lui convient le mieux, l’approche hybride peut parcourir un espace de décision très complexe de façon plus efficace et éviter de rester bloquée sur de mauvaises solutions.

Tests sur des réseaux électriques réalistes

Les chercheurs ont d’abord vérifié leur outil hybride sur 23 fonctions tests mathématiques standard couramment utilisées pour juger de la capacité des méthodes d’optimisation à explorer des paysages complexes. L’hybride a constamment trouvé de très bonnes solutions et a convergé plus rapidement que plusieurs techniques établies, y compris des algorithmes génétiques classiques et d’autres approches basées sur des essaims. Ils ont ensuite appliqué la méthode à deux réseaux de distribution électrique : un système de référence largement utilisé à 33 points de connexion, et un réseau réel beaucoup plus grand simplifié à 143 points. Dans les deux cas, l’outil a exploré différentes conditions d’exploitation pour les générateurs distribués et a étudié des objectifs uniques (réduction des pertes uniquement ou amélioration de la tension uniquement) ainsi que des objectifs combinés (équilibrer les deux simultanément). La méthode a non seulement trouvé des implantations qui ont fortement réduit les pertes et stabilisé les tensions, mais elle a aussi tracé des courbes de compromis montrant combien d’un bénéfice doit être sacrifié pour en obtenir davantage d’un autre.

Fortes réductions des gaspillages et des coûts

Les gains rapportés sont frappants. Dans le système de test à 33 points, les meilleures solutions ont réduit les pertes de puissance jusqu’à environ 94 % et amélioré la qualité de la tension de près de 100 % par rapport au réseau d’origine sans générateurs ajoutés. En termes financiers pratiques, les pertes économiques annuelles dans ce système sont passées d’environ 92 000 dollars à environ 14 000 dollars — une économie de plus de 78 000 dollars par an. Dans le réseau réel plus vaste à 143 bus, les pertes ont chuté de près de 94 % et les problèmes de tension ont été réduits de presque 100 %, transformant une perte annuelle d’environ 178 000 dollars en un peu plus de 32 000 dollars, soit des économies supérieures à 145 000 dollars. L’analyse a également révélé quelles parties spécifiques des réseaux étaient les plus sensibles, fournissant aux planificateurs des cibles concrètes pour des améliorations.

Ce que cela signifie pour le réseau de demain

Pour les non-spécialistes, le message principal est que des outils de planification plus intelligents peuvent libérer beaucoup plus de valeur à partir de sources d’énergie locales déjà répandues, telles que le solaire en toiture, les batteries à l’échelle communautaire et les petits générateurs. Plutôt que d’implanter ces unités par tâtonnements ou selon des règles simples, l’approche hybride décrite ici parcourt d’innombrables possibilités pour trouver des configurations qui gaspillent beaucoup moins d’énergie, stabilisent les tensions et réduisent sensiblement les coûts d’exploitation. À mesure que les réseaux électriques intègrent davantage de renouvelables et desservent une demande croissante, une planification intelligente et automatisée pourrait rendre les réseaux locaux plus efficaces, plus fiables et mieux préparés à un avenir énergétique plus propre.

Citation: Gacem, A., Romdhane, M., Kechida, R. et al. Multi-objective sizing and location of DG in distribution network by hybrid gorilla troops optimization-genetic algorithm: a real case study. Sci Rep 16, 11334 (2026). https://doi.org/10.1038/s41598-026-41868-7

Mots-clés: production distribuée, réseaux de distribution électrique, algorithmes d’optimisation, stabilité de la tension, réduction des pertes d’énergie