Content uploaded by Yassine Gangat
Author content
All content in this area was uploaded by Yassine Gangat on Jan 30, 2017
Content may be subject to copyright.
Simulation de microgrids à l’aide d’un système
multi-agents et de mesures de gisements solaires sur
l’ile de La Réunion
Y. Gangata,b
yassine.gangat@univ-reunion.fr
A. Duizaboa
aymeric.duizabo@gmail.com
M. Bessafia
miloud.bessafi@univ-reunion.fr
D. Payetb
denis.payet@univ-reunion.fr
R. Courdierb
remy.courdier@univ-reunion.fr
JP. Chabriata
jean-pierre.chabriat@univ-reunion.fr
aLaboratoire d’Énergétique, d’Électronique et Procédés, Université de La Réunion, France
bLaboratoire d’Informatique et de Mathématique, Université de La Réunion, France
1 Introduction
1.1 Contexte énergétique de La Réunion
La démographie de l’ile de La Réunion est en
forte augmentation, elle a doublé entre les an-
nées 1970 et 2010 et pourrait atteindre le million
d’habitants entre 2025 et 2030.
La Réunion s’est engagée à atteindre l’autono-
mie énergétique à l’horizon 2030[3]. C’est un
projet ambitieux qui passera par la maitrise de
la demande en énergie en se basant sur la bio-
masse, l’hydroélectricité, le photovoltaïque et
l’éolien.
En plus de ce challenge, EDF ajoute une
contrainte supplémentaire : la production
d’électricité issue de panneaux photovoltaïques
ne doit pas représenter plus de 30% de la
production d’électricité totale. Si cette limite est
dépassée, EDF estime qu’elle n’est pas capable
de supporter la charge représentée par l’arrêt
de fonctionnement de la totalité des panneaux
solaires (causé par des nuages par exemple).
1.2 GEOSUN
C’est dans ce contexte qu’interviennent une sé-
rie de projets initiés par l’Université de La
Réunion, visant à améliorer la gestion de l’éner-
gie sur l’ile. Parmi ces projets, le projet GEO-
SUN 1a pour ambition d’étendre le réseau de
capteurs de gisement solaire à d’autres pays de
la zone Ouest Océan Indien, en se basant sur
une coopération avec des équipes de recherche
universitaires de Maurice et du KwaZulu-Natal
(Afrique du Sud)[1]. L’exploitation de la base
de données ainsi constituée doit permettre, après
des opérations de data mining, d’obtenir des
prévisions plus précises à court terme de pro-
duction photovoltaïque. Ainsi, parmi les princi-
paux objectifs de GEOSUN, l’implémentation
1. GisEment sOlaire : meSures, évalUation et coopératioN
d’un entrepôt de données capable de gérer dy-
namiquement de gros volumes de données nous
a permis d’obtenir un DataWarehouse contenant
toutes les données relatifs aux capteur du réseau
GEOSUN.
1.3 GRIDMAS
C’est dans l’objectif d’exploiter les données de
ce DataWarehouse que nous avons conçus l’ou-
til que nous présentons dans cet article : GRID-
MAS. Il s’agit d’un simulateur multi-agent dé-
diée à la prédiction et l’ordonnancement prévi-
sionnel de la ressource solaire.
L’originalité de notre approche consiste à initia-
liser automatiquement l’environnement de la si-
mulation à partir d’éléments extraits de ce Data-
Warehouse pour permettre par la suite de créer
des agents qui pourront, à partir de ces don-
nées, gérer l’énergie potentiellement créée, sui-
vant une ligne temporelle définie à la minute.
Nous allons dans un premier temps présenter
succinctement le DataWarehouse, puis nous al-
lons aborder GRIDMAS, notre prototype.
2 Présentation du DataWarehouse
Pour répondre aux besoins du projet, l’équipe
a mis en place le DataWarehouse, un outil ca-
pable de stocker l’ensemble des données pro-
duites par le laboratoire, aussi bien dans le pro-
jet GEOSUN que dans les projets à venir. Cet
outil devant supporter la montée en charge de
la collecte des données issues des installations
de mesures, la technologie NoSQL (Not Only
SQL) suivante a été adoptée : le modèle orienté
colonne Cassandra (projet Apache qui respecte
l’architecture distribuée de Dynamo d’Amazon
et le modèle BigTable de Google).
Ce SGBD Cassandra constitue l’élément central
de la partie informatique de notre programme
de recherche. Pour l’exploiter de façon op-
timale nous lui avons adjoint plusieurs outils
connexes dont l’ensemble forme l’architecture
que nous nommons "WormHole".
Nous avons utilisé la méthodologie proposée
dans [2] pour la modélisation et la conception
du prototype.
3 GRIDMAS
3.1 Modélisation des agents
Les agents Buildings sont créés à partir de fi-
chiers shapefile. Ils sont répartis dans quatre
catégories : les bâtiments indifférenciés (ma-
joritairement résidentiels), les bâtiments indus-
triels, les bâtiments liés au sport et les bâti-
ments "remarquables" (bâtiments officiels, re-
ligieux...). Afin d’approximer la consomma-
tion des bâtiments, nous avons utilisé un pro-
fil de charges obtenu à la suite d’une étude vi-
sant à étudier la consommation des ménages
Réunionnais[3]. La production d’énergie est,
quand à elle, calculée en fonction de l’enso-
leillement du bâtiment.
Des agents Microgrids sont créés à l’initiali-
sation de la simulation. Ces agents supervi-
sent un certain nombre de bâtiments en
regroupant leurs données (consommation/pro-
duction) pour ensuite transmettre les deman-
des d’énergie à l’agent EnergyManager.
Les agents Producer produisent l’énergie qui
leur a été demandée par l’EnergyManager. Les
données relatives aux producteurs d’électricité
(position géographique, puissance maximale...)
proviennent également du BER Technique.
L’agent Meteo permet de récupérer les données
des gisements solaires stockés dans la base de
données Cassandra. Son but est ensuite de re-
layer ces informations aux Buildings.
L’agent EnergyManager reçoit et traite les de-
mandes d’allocations d’énergie des Microgrids.
3.2 Présentation de la base de données
La base de données utilisée par la simula-
tion stocke des données relatives aux gisements
solaires de La Réunion. Elle est directement
alimentée par une série de capteurs répartis
sur l’ile qui effectue leurs mesures toutes les
minutes. Cette base de données permet donc
de connaître en temps réel l’ensoleillement de
n’importe quel bâtiment de l’ile. Pour la si-
mulation, nous allons coupler cette information
avec celle de cartes de prévision d’ensoleille-
ment couvrant l’ensemble du territoire.
3.3 Implémentation
Pour l’implémentation du modèle, nous nous
sommes basés sur les outils Repast Simphony
et QGIS.
FIGURE 1 – Consommation électrique de La
Réunion et nombre de microgrids non alimentée
sur une journée, en arrêtant la centrale du Port
4 Premiers résultats et perspectives
Repast Simphony intègre des outils d’extraction
de données, nous nous en sommes servi pour
réaliser quelques graphiques comme celui de la
figure 1. Il représente un scénario où la centrale
du Port, le plus gros producteur d’électricité de
l’ile, cesse de fonctionner.
Grâce à GRIDMAS nous avons pu montrer qu’il
est possible de gérer des smartgrid sur le terri-
toire de La Réunion à l’aide d’un SMA. Cepen-
dant, pour finaliser ce prototype il nous faut en-
core :
– Améliorer la création des microgrids
– Diversifier les profils de charge
– Prendre en compte le stockage de l’énergie
– Améliorer l’algorithme des agents
Références
[1] M. BESSAFI, O. DELAGE, P. JEANTY,
A. HEINTZ, J.-D. CAZAL, M. DELSAUT,
Y. GANGAT, L. PARTAL, J.-D. LAN-
SUN-LUK, J.-P. CHABRIAT, M. BROOKS,
A. MATTHEWS, J.-F. PITOT et P. GOVEN-
DER : Research collaboration in solar radio-
metry between the university of Reunion is-
land and the university of Kwazulu-natal. In
Third Southern African Solar Energy Confe-
rence (SASEC2015), Kruger National Park,
South Africa, 2015.
[2] Y. GANGAT, D. PAYET et R. COURDIER :
Methodology for a New Agent Architec-
ture Based on the MVC Pattern. Lecture
Notes in Computer Science - Artificial In-
telligence : Methodology, Systems, and Ap-
plications, 755:230–239, sep 2012.
[3] OBSERVATOIRE ENERGIE RÉUNION :
Bilan énergétique - 2014 http:
//energies-reunion.com/
wp-content/uploads/2015/07/
BER-Technique-2014-TOTAL.pdf.
Rap. tech.
