Étude d’ordonnancement optimal des micro-réseaux basée sur un algorithme sardine amélioré multi‑stratégies

Pourquoi des petits réseaux électriques plus intelligents comptent

Partout dans le monde, des villes et des campus déploient de petits systèmes électriques locaux composés de panneaux solaires, d’éoliennes, de batteries et de petits générateurs. Ces « micro‑réseaux » peuvent maintenir l’alimentation pendant les coupures et mieux exploiter l’énergie propre. Mais décider quand utiliser le soleil, le vent, une batterie ou un générateur thermique est un casse‑tête qui change d’heure en heure. Cette étude présente une nouvelle méthode pour planifier ces choix afin que les micro‑réseaux réduisent à la fois les coûts et la pollution.

Comment fonctionnent les systèmes d’énergie locaux

Un micro‑réseau ressemble à une version réduite et intelligente du réseau électrique principal. Il peut se connecter au réseau central lorsque cela est utile, ou fonctionner en mode îlot en cas de panne extérieure. À l’intérieur du micro‑réseau, plusieurs dispositifs se partagent la tâche : les panneaux solaires et les éoliennes apportent une énergie propre mais variable, les batteries stockent l’électricité excédentaire pour plus tard, et des unités alimentées par des carburants, comme des groupes diesel et des micro‑turbines à gaz, fournissent une alimentation de secours et une réponse rapide. L’objectif principal est d’ajuster cette offre variable à la demande locale sans gaspiller d’énergie ni d’argent.

Le défi des décisions quotidiennes

Faire fonctionner un micro‑réseau efficacement implique de prendre de nombreuses décisions liées : quand charger ou décharger les batteries, combien d’énergie acheter au réseau ou vendre au réseau, et à quelle intensité faire fonctionner les unités thermiques. Ces décisions doivent respecter de nombreuses limites, telles que les puissances maximales, les niveaux sûrs de batterie et la rapidité à laquelle les dispositifs peuvent augmenter ou diminuer leur production. À cela s’ajoute un compromis entre factures basses et qualité de l’air. Les générateurs et l’électricité du réseau peuvent être bon marché mais polluants, tandis que le solaire et l’éolien sont propres mais incertains. Les méthodes de planification simples se retrouvent souvent bloquées dans des solutions « assez bonnes » qui ne sont pas optimales et peuvent passer à côté d’options moins coûteuses et plus propres cachées dans ce paysage complexe.

Une nouvelle méthode de recherche inspirée des bancs de poissons

Pour relever ce défi, les auteurs construisent un modèle mathématique détaillé d’un micro‑réseau comprenant des éoliennes, des panneaux solaires, une micro‑turbine à gaz, un groupe diesel et une batterie. Ils conçoivent ensuite une nouvelle méthode de recherche pour explorer les nombreuses planifications possibles. La méthode mêle deux idées d’origine naturelle : un algorithme « sardine » récent fondé sur le comportement des bancs de poissons et une méthode bien connue de type « essaim de particules » qui guide des particules virtuelles vers de meilleures solutions. L’approche améliorée utilise plusieurs astuces : elle démarre avec un ensemble d’essais plus diversifié, ajuste l’audace de la recherche au fur et à mesure de l’apprentissage et ajoute des « sauts » aléatoires qui aident à échapper aux impasses locales. Une structure à deux couches permet à un groupe d’explorer largement tandis qu’un autre affine les options prometteuses, en partageant les meilleures découvertes entre eux.

Tester la méthode sur des problèmes standards

Avant d’appliquer la méthode aux problèmes réels de micro‑réseaux, l’équipe la teste sur douze fonctions mathématiques standard largement utilisées pour évaluer les algorithmes de recherche. Ces cas d’essai incluent des collines lisses, des crêtes aiguës et des paysages avec de nombreuses petites vallées. Dans des confrontations directes avec sept autres méthodes, y compris l’algorithme sardine original, l’optimisation par essaim de particules, les algorithmes génétiques et plusieurs hybrides, l’approche sardine améliorée trouve de meilleures solutions plus rapidement et plus systématiquement. Elle montre une forte capacité à explorer largement au départ puis à se concentrer précisément autour de la meilleure solution, sans se piéger dans de mauvais minima.

Que se passe‑t‑il dans un micro‑réseau modèle

Ensuite, les auteurs appliquent leur méthode à un micro‑réseau d’exemple qui opère sur une journée type avec un ensoleillement, un vent et une demande variables. Le modèle inclut les coûts de carburant, d’exploitation et de pollution pour chaque appareil, ainsi que les prix d’achat et de vente avec le réseau principal. Le nouveau schéma d’ordonnancement utilise les batteries comme tampon intelligent, les chargeant lorsque l’énergie est bon marché et propre et les déchargeant lorsque les prix et la pollution seraient autrement élevés. Le solaire et l’éolien sont exploités autant que possible, tandis que la micro‑turbine à gaz et le groupe diesel ne tournent que lorsque leurs bénéfices économiques et environnementaux combinés dépassent les importations du réseau. Par rapport aux méthodes de planification antérieures, la nouvelle approche produit des courbes de production plus lisses et un meilleur équilibre entre production locale, stockage et énergie d’origine réseau.

Pourquoi cette nouvelle approche est importante

Dans les mêmes conditions et avec le même équipement, la méthode améliorée basée sur l’algorithme sardine réduit d’environ un quart le coût journalier total d’exploitation du micro‑réseau d’exemple par rapport à l’algorithme sardine original, tout en diminuant également la pollution. Elle atteint de bonnes solutions plus rapidement et avec moins de risque de rester bloquée dans une mauvaise solution. Bien que le travail repose encore sur des modèles informatiques et néglige certains détails du monde réel, il suggère que des méthodes de recherche soigneusement conçues peuvent rendre les micro‑réseaux futurs à la fois moins coûteux et plus propres à exploiter. À mesure que davantage de communautés adoptent des systèmes énergétiques locaux, de tels outils d’ordonnancement intelligents pourraient jouer un rôle clé pour bâtir un approvisionnement électrique plus fiable et durable.

Citation: Wei, L., Zhong, H. Optimal scheduling study of microgrids based on multistrategy improved sardine algorithm. Sci Rep 16, 15782 (2026). https://doi.org/10.1038/s41598-026-46654-z

Mots-clés: microgrid, énergie renouvelable, stockage d’énergie, algorithme d’optimisation, répartition économique