Content uploaded by Yassine Gangat
Author content
All content in this area was uploaded by Yassine Gangat on Sep 12, 2019
Content may be subject to copyright.
Gestion dynamique supervision et optimisation de
microréseaux urbains pour l’autonomie (GYSOMATE)
Y. Gangat a,b
T. Issoufaly a
D. Grondin a
N. Coquillas a
yassine.gangat@univ-
reunion.fr
taher.issoufaly@univ-
reunion.fr
dominique.grondin@univ-
reunion.fr
nicolas.coquillas@univ-
reunion.fr
M. Benne a
D. Payet b
J-P. Chabriat a
michel.benne@univ-
reunion.fr
denis.payet@univ-
reunion.fr
jean-pierre.chabriat@univ-
reunion.fr
a Laboratoire d'Energétique, d'Electronique et Procédés (LE²P), b Laboratoire d'Informatique et de Mathématiques
(LIM), Université de La Réunion, Saint Denis, Réunion, France
1 Introduction
Le concept de système de gestion de l’énergie
(SGE) répond aux défis énergétiques relatifs
aux sources d’énergie renouvelables (ENR) et
à la protection de l’environnement.
L’expansion des ressources énergétiques dis-
tribuées représente un changement de para-
digme dans les réseaux électriques, rendant
les micro-unités de production et de stockage
pertinentes, à la fois en termes de développe-
ment durable et d’énergie à la demande. La
fiabilité des réseaux interconnectés de petite
taille et isolés à grande échelle dépend d'un
SGE efficace. [1]
La Réunion, située dans une zone tropicale,
constitue un terrain fertile pour la recherche
dans ce domaine, notamment avec
l’objectif 2030 d’atteindre 100 % d’ENR. Ce-
pendant, le développement des réseaux intel-
ligents à la Réunion nécessitera des travaux
de R&D adaptés aux caractéristiques de l’ile.
Cela ne peut pas être réalisé uniquement avec
des théories et des pratiques de simulation,
excluant ainsi certaines situations dépendant
de la réalité.
Nous proposons une plateforme de test pour
simuler et émuler un réseau intelligent entiè-
rement personnalisable.
2 La plateforme
Notre objectif n'est pas de fournir la meilleure
méthode de prévision ou de SGE, mais plutôt
de permettre la comparaison entre différentes
configurations. Cette plateforme a été cons-
truite à partir des 5 modules suivants : un si-
mulateur temps réel (RTS), un nanogrid, une
interface homme-machine (IHM), une base de
données (BDD), et un SMA.
2.1 RTS, Nanogrid, IHM & BDD
RTS : De nombreux travaux dans le domaine
du model-based design font appel à des simu-
lations Hardware-In-the-Loop, il s’agit d’un
RTS mettant en œuvre la modélisation de
l'environnement étudié et des équipements
physiques en boucle fermée : les entrées et les
sorties du système testé sont connectées à un
ordinateur qui reproduit le fonctionnement de
l'environnement. Le RTS est réalisée avec la
plateforme RT-LAB qui convertit des mo-
dèles Matlab-Simulink pour les implémenter
dans un environnement en temps réel sur le
simulateur OP4510, puis les exécute.
Nanogrid : Comme il est complexe de con-
necter des unités de production, de stockage
et de consommation (dû à des aspects juri-
diques et techniques) nous avons mis en place
un nanogrid (12V), construit à partir
d’émulateurs pour les sources ENR et pour les
appareils consommant de l'énergie, de dispo-
sitifs de stockage d'énergie, des capteurs et
actionneurs, et de quelques appareils élec-
triques contrôlables au sein du laboratoire
(climatisation, chauffe-eau).
Gestion dYnamique Supervision et Optimisation de Microréseaux urbains pour l’Autonomie
JFSMA@PFIA 2019 170
L'architecture déployée
est similaire à celle des
cas réels étudiés. Les
émulateurs, capteurs et
actionneurs seront dé-
ployés à l'aide de mi-
crocontrôleurs Arduino
et Raspberry Pi. Peu
coûteux et ouverts, ils
offrent une grande li-
berté de développe-
ment. La liaison avec
d'autres équipements
électriques se fait via le
SGE et plus particulièrement le SMA. Ce na-
nogrid peut être connecté à un autre nanogrid
virtuel simulé sur le RTS. L'introduction de ce
nanogrid nous apporte plusieurs avantages.
Cela nous permet de visualiser les effets en
direct du SGE et d'interagir de manière réelle
avec le système.
IHM : est initialisée par un fichier XML con-
tenant la configuration du scénario (ID, na-
ture, informations de chaque agent et de
chaque élément) et est alimentée par les don-
nées et les journaux des agents. Elle peut éga-
lement envoyer des commandes ou des de-
mandes à certains agents.
BDD : Nous avons utilisé InfluxDB pour
stocker nos données provenant de nos parte-
naires, de nos simulations et émulations et de
notre laboratoire (capteurs, prévisions, etc.).
2.2 Le système multiagent
FIG. 1 – Outils de prédiction
La puissance de notre architecture SMA ré-
side dans le fait qu’il n’est pas uniquement
responsable du SGE, comme dans la plupart
des SMA tels que Powermatcher et Volt-
tron[2]. Nous avons choisi une architecture
qui permet au SMA d’être au centre de notre
plateforme. En effet, il sert d’outils de prédic-
tions (Fig1), mais il est aussi le moyen de
communication entre chaque module. Les
agents interagissent avec les capteurs du
monde réel, les objets simulés/émulés,
l’utilisateur et les données (Fig2). Nous avons
utilisé deux frameworks JADE[3] et SKUAD
(Software Kit for Ubiquitous Agent Develop-
ment), ce dernier est développé au LIM.
3 Perspectives
Cette plateforme permet le développement de
SGE pour des systèmes distribués. Des algo-
rithmes de prise de décisions dans des envi-
ronnements incertains et multiacteurs peuvent
être développés notamment pour l’étude de
l’autoconsommation collective d’énergie pho-
tovoltaïque[4].
Remerciements
Ces travaux ont été réalisés dans le cadre du
projet GYSOMATE, financé par le FEDER,
l’État et la Région Réunion.
Références
[1]Carrasco, J. M., et al. (2006). Powerelectronic
systems for the grid integration of ENR:A survey.
IEEE Transactions on industrial electronics.
[2]Zandi, H., et al. (2018). Home Energy
Management Systems: An Overview. Oak Ridge
National Lab.(ORNL), United States.
[3]Bellifemine, F., et al. (2002). Jade programmer’s
guide. Jade version, 3, 13-39.
[4]Y. Gangat,et al.(2018)Simulation&Emulation plat
form for smartgrid technologies.IEEE,ICCEREC
FIG. 2 – Illustration du fonctionnement
Y. Gangat, D. Grondin, T. Issoufaly, N. Coquillas, M. Benne, J.P. Chabriat and D. Payet
171 JFSMA@PFIA 2019
