Gestion opérationnelle probabiliste d’une microréseau à base d’énergies renouvelables en tenant compte des incertitudes via l’algorithme de recherche gravitationnelle auto-adaptatif

Maintenir l’éclairage lorsque l’avenir est incertain

À mesure que de plus en plus de maisons et d’entreprises tirent leur électricité de panneaux solaires de toiture, d’éoliennes locales et de batteries, maintenir l’alimentation à un prix équitable devient un exercice d’équilibre délicat. L’ensoleillement, le vent et les prix de l’électricité varient d’une heure à l’autre, et les petits réseaux de puissance de taille quartier, appelés microréseaux, doivent réagir en temps réel. Cet article explore une nouvelle façon d’exploiter ces microréseaux afin qu’ils restent fiables, maximisent l’usage d’énergie propre et limitent les coûts même lorsque l’avenir est incertain.

Petits réseaux électriques proches de chez vous

Un microréseau est essentiellement un mini réseau électrique desservant un campus, un quartier ou une petite ville. Plutôt que de dépendre uniquement d’une centrale électrique éloignée, il peut puiser dans des sources locales telles qu’une microturbine, une pile à combustible, des panneaux solaires, une éolienne et une batterie, tout en restant connecté au réseau principal si nécessaire. Un contrôleur central décide, heure par heure, combien d’énergie chaque dispositif doit produire ou stocker. Le défi est que ce contrôleur doit prendre des décisions fondées sur des prévisions de consommation, de vitesse du vent, d’ensoleillement et du prix du marché. Si ces estimations sont erronées, le microréseau peut finir par payer trop cher ou risquer des pénuries.

Formuler des prévisions intelligentes pour un avenir incertain

Beaucoup de méthodes de contrôle existantes ignorent soit l’incertitude, soit la traitent avec des outils statistiques lourds trop lents pour une exploitation en conditions réelles. Les auteurs recourent à une technique plus légère appelée méthode des 2m points d’estimation. Plutôt que de lancer des milliers de simulations aléatoires, cette méthode choisit un petit nombre de points « et si » soigneusement sélectionnés autour des valeurs attendues des entrées clés, comme la demande, la production renouvelable et le prix du marché. En résolvant le problème de planification du microréseau en ces points, on peut estimer comment le coût total et les flux d’énergie se comporteront dans une large gamme de conditions. Cela donne au contrôleur une image pratique des risques et de la variabilité sans surcharger les ressources informatiques.

Une recherche inspirée de la gravité pour de meilleurs plannings

Pour déterminer le meilleur planning pour tous les générateurs, la batterie et la connexion au réseau, l’étude utilise une méthode de recherche inspirée de la gravité. Dans ce schéma, chaque planning possible est comme une particule avec une masse liée à la qualité de ce planning : coût plus faible et meilleure utilisation des renouvelables signifient une masse plus élevée. Ces particules « s’attirent », dérivant vers de meilleures régions de l’espace des solutions. Les auteurs améliorent cette idée par une variante auto-adaptative. Ils introduisent deux types de nudges aléatoires, ou mouvements de mutation, qui aident les particules à s’extraire de mauvais minima locaux et à explorer plus largement. L’algorithme suit lequel de ces mouvements performe le mieux au fil du temps et ajuste automatiquement son comportement, en donnant plus de poids à la stratégie la plus efficace. Cette approche d’auto-réglage, appelée algorithme de recherche gravitationnelle auto-adaptatif, permet de trouver des plannings de haute qualité plus rapidement et de manière plus fiable.

Tester les batteries et un contrôle plus intelligent

L’équipe teste leur cadre combiné—utilisant l’estimation par points pour l’incertitude et la recherche améliorée basée sur la gravité—sur un microréseau basse tension modélisé avec solaire, éolien, une microturbine, une pile à combustible et une batterie nickel–métal hydrure. Ils comparent deux cas principaux : l’un sans batterie et l’autre avec une batterie sous leur nouvelle méthode de contrôle. Lorsque la batterie est incluse, le contrôleur peut décaler l’énergie dans le temps, en la chargeant quand l’électricité est bon marché ou abondante et en la déchargeant lorsque la demande ou les prix augmentent. Dans les simulations, cela réduit presque de moitié le coût quotidien total de production et augmente la part d’énergie renouvelable d’environ 10 points de pourcentage durant les heures de pointe. L’algorithme amélioré converge également environ un quart plus vite et donne des coûts d’exploitation plus bas que les méthodes gravitationnelles standard et une approche par essaim de particules largement utilisée.

Performance robuste dans un monde en changement

Pour évaluer la robustesse de la méthode, les auteurs font varier la demande et les prix du marché à la hausse et à la baisse de 10 et 20 pour cent. Même dans le pire scénario, lorsque les deux sont 20 % supérieurs aux attentes, les coûts totaux n’augmentent que modestement et la baisse d’utilisation des renouvelables reste limitée. Les méthodes concurrentes montrent des variations de coût plus importantes et sont plus facilement perturbées. L’étude explore également des scénarios futurs où la baisse des prix du solaire, de l’éolien et des batteries avancées renforcerait encore les économies et l’usage d’énergie propre. Dans l’ensemble, le travail suggère qu’associer une modélisation intelligente des incertitudes à un algorithme de recherche auto-ajustable peut aider les microréseaux à fournir une énergie moins chère, plus propre et plus fiable, même lorsque la météo et les prix de demain restent imprévisibles.

Citation: Ahmed, E.M., Zaki, Z.A., Kamarposhti, M.A. et al. Probabilistic operational management of a renewable-based microgrid considering uncertainties using the self-adaptive gravitational search algorithm. Sci Rep 16, 12313 (2026). https://doi.org/10.1038/s41598-026-42839-8

Mots-clés: microréseau, énergie renouvelable, stockage par batterie, algorithme d’optimisation, gestion de l’énergie