Joelle Klaimi 2017TROY0006

Gestion multi-agents des smart grids intégrant un
système de stockage : cas résidentiel

Joelle Klaimi
To cite this version:

Joelle Klaimi. Gestion multi-agents des smart grids intégrant un système de stockage : cas résidentiel.
Energie électrique. Université de Technologie de Troyes; Université Libanaise, 2017. Français. �NNT :
2017TROY0006�. �tel-02418250�
HAL Id: tel-02418250

https://theses.hal.science/tel-02418250
Submitted on 18 Dec 2019
HAL is a multi-disciplinary open access L’archive ouverte pluridisciplinaire HAL, est

archive for the deposit and dissemination of sci- destinée au dépôt et à la diffusion de documents
entific research documents, whether they are pub- scientifiques de niveau recherche, publiés ou non,
lished or not. The documents may come from émanant des établissements d’enseignement et de
teaching and research institutions in France or recherche français ou étrangers, des laboratoires
abroad, or from public or private research centers. publics ou privés.
THESE
pour l’obtention du grade de
DOCTEUR de l’UNIVERSITE
DE TECHNOLOGIE DE TROYES
Spécialité : INGENIERIE SOCIOTECHNIQUE DES CONNAISSANCES,
DES RESEAUX ET DU DEVELOPPEMENT DURABLE
présentée et soutenue par
Joelle KLAIMI
le 16 février 2017
Gestion multi-agents des smart grids intégrant

un système de stockage : cas résidentiel
JURY
M. S. MARTIN PROFESSEUR DES UNIVERSITES Président
Mme H. CHAOUCHI PROFESSEURE TELECOM SUD PARIS Rapporteur
M. M. IBRAHIM ENSEIGNANT CHERCHEUR Examinateur
M. A. JRAD PROFESSEUR Directeur de thèse
M. R. LANGAR PROFESSEUR DES UNIVERSITES Examinateur
Mme L. MERGHEM-BOULAHIA MAITRE DE CONFERENCES - HDR Directrice de thèse
Mme R. RAHIM-AMOUD ENSEIGNANT CHERCHEUR Directrice de thèse
M. S.-M. SENOUCI PROFESSEUR DES UNIVERSITES Rapporteur
Remerciements
”Soyons reconnaissants aux personnes qui nous donnent du bonheur ;

elles sont les charmants jardiniers par qui nos âmes sont fleuries. Marcel
Proust”. Il est difficile de rédiger un seul paragraphe de remerciements sur-
tout lorsque je réalise tout ce que je dois à tant de personnes que j’ai eu le
plaisir de croiser ces trois dernières années.
Mes premiers remerciements vont à mes trois directeurs de thèse pour la
confiance qu’ils m’ont accordée en acceptant d’encadrer ce travail, pour
leurs multiples conseils et pour toutes les heures qu’ils ont consacrées à
diriger cette recherche. Je remercie Leila Merghem-Boulahia qui fut pour
moi une directrice attentive et disponible. Sa compétence, sa rigueur scien-
tifique et sa clairvoyance m’ont beaucoup appris et resteront des moteurs de
mon travail de chercheur. Je remercie également Rana Rahim-Amoud pour
le temps qu’elle a consacré pour m’encadrer et pour ses conseils scientifiques
précieux. Je remercie Akil Jrad pour sa présence encourageante.
Mes vifs remerciements vont à Hakima Chaouchi et Sidi-Mohammed Se-
nouci, d’avoir accepté de rapporter mon travail. Je les remercie pour la lec-
ture approfondie et l’évaluation de cette thèse. Je remercie également Marc
Ibrahim, Rami Langar et Steven Martin qui ont accepté d’évaluer ce travail
en tant qu’examinateurs.
Je remercie également Mohammad Khalil, le directeur du centre Azm de
recherche qui a été la première personne qui a cru en moi et m’a encouragé
pour faire une thèse. Je remercie aussi tous les membres du centre Azm et
tous mes collègues qui ont créé une bonne ambiance de travail durant ces
3 années. Mes remerciements vont aussi aux membres de l’équipe ERA de
l’UTT pour leur accueil chaleureux.
De grands remerciements à mes amis troyens (ils sont nombreux et se re-
connaitront) ou plutôt ma famille Troyenne, qui m’ont apportés le support,
le soutien et la joie. Merci en particulier à Zeinab. Merci à mes amis qui
m’ont toujours encouragée et soutenue et particulièrement Chaza qui a été
toujours présente pour moi.
I
II Remerciements
Les mots les plus simples étant les plus forts, j’adresse toute mon affection
à ma famille. J’adresse de tout mon cœur mes remerciements à ma mère
Georgette et à mon père Elie, qui ont joué un rôle essentiel pendant mon
parcours, sans qui aucune réussite n’aurait été possible. Leur intelligence,
leur confiance, leur tendresse, leur amour m’ont toujours guidée. Je remercie
également mes deux frères Kamil et Rami qui m’ont poussé toujours vers la
réussite.
Enfin, mes remerciements vont à une personne que rien ne pourrait
récompenser, cet acteur principal derrière la réussite de ce travail, la per-
sonne qui a tout sacrifié et qui était toujours de mon côté, à mon merveilleux
fiancé Hanna.
Table des matières
Remerciements I
Table des figures VII
Liste des tableaux XI
Résumé 1
Abstract 3
Introduction générale 5
1 Réseaux électriques intelligents 9

1.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
1.2 Contraintes du système électrique unidirectionnel . . . . . . . 11
1.2.1 Paysage énergétique et environnemental actuel . . . . 11
1.2.2 Problématiques auxquelles doit faire face le secteur
énergétique . . . . . . . . . . . . . . . . . . . . . . . . 13
1.2.3 Besoin d’un réseau plus interactif . . . . . . . . . . . . 14
1.3 Evolution du système électrique : émergence du concept de
smart grids . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
1.3.1 Une plaque énergétique avec plusieurs fonctionnalités . 15
1.3.2 Caractéristiques et fonctionnalités des réseaux intelli-
gents . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
1.4 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
2 Gestion de l’énergie dans les réseaux intelligents : Définitions

et objectifs 23
2.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
2.2 Désagrégation de la demande énergétique . . . . . . . . . . . 24
III
IV TABLE DES MATIÈRES
2.3 Intégration des énergies renouvelables dans les smart grids . . 26

2.3.1 Energies renouvelables utilisées dans les smart grids . 26
2.3.2 Avantages et problèmes des énergies renouvelables . . 27
2.4 Satisfaction des demandes énergétiques . . . . . . . . . . . . . 28
2.4.1 Définition de la gestion de l’énergie dans les smart grids 28
2.4.2 DR : un programme de gestion de l’énergie dans les
smart grids . . . . . . . . . . . . . . . . . . . . . . . . 29
2.5 Systèmes de stockage intelligents . . . . . . . . . . . . . . . . 31
2.5.1 Définition et caractéristiques des systèmes de stockage
intelligents . . . . . . . . . . . . . . . . . . . . . . . . 31
2.5.2 Les différents types de systèmes de stockage . . . . . . 32
2.6 Objectifs de la gestion de l’énergie . . . . . . . . . . . . . . . 34
2.7 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
3 Gestion de l’énergie dans les réseaux intelligents : Solutions

existantes et besoins 37
3.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
3.2 Les outils utilisés pour la gestion de l’énergie . . . . . . . . . 38
3.2.1 Les systèmes multi-agents (SMA) . . . . . . . . . . . . 38
3.2.2 Prédiction de l’énergie et stratégies de contrôle en
temps réel pour la gestion de l’énergie sans SMA . . . 44
3.2.3 Algorithmes d’optimisation utilisés pour la gestion de
l’énergie . . . . . . . . . . . . . . . . . . . . . . . . . . 48
3.3 Limites des algorithmes existants . . . . . . . . . . . . . . . . 50
3.4 Besoin d’une nouvelle solution pour la gestion de l’énergie . . 51
3.5 Solution proposée pour une meilleure intégration des énergies
renouvelables . . . . . . . . . . . . . . . . . . . . . . . . . . . 52
3.6 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53
4 ANEMAS : Gestion de l’énergie à base d’agents dans les

smart grids 55
4.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55
4.2 Motivations . . . . . . . . . . . . . . . . . . . . . . . . . . . . 56
4.3 Scénario mis en œuvre . . . . . . . . . . . . . . . . . . . . . . 57
4.4 Approche décentralisée pour la gestion de l’énergie dans les
smart grids . . . . . . . . . . . . . . . . . . . . . . . . . . . . 58
4.4.1 Proposition de gestion multi-niveaux de l’énergie . . . 59
4.4.2 Système multi-agents utilisé : Scénarios et conditions
à prendre en considération . . . . . . . . . . . . . . . . 61
4.4.3 Description de l’algorithme proposé : ANEMAS . . . . 64
TABLE DES MATIÈRES V
4.5 Evaluation des performances de l’approche proposée . . . . . 70

4.5.1 Paramètres des simulations réalisées . . . . . . . . . . 71
4.5.2 Description et discussion des résultats obtenus . . . . 72
4.6 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . 76
5 BADIS : Maximiser la durée de vie de la batterie avec un

système multi-agents 77
5.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . 77
5.2 Scénario mis en œuvre . . . . . . . . . . . . . . . . . . . . . . 78
5.3 Approche pour minimiser la fréquence de décharge de la batterie 79
5.3.1 Nécessité d’augmenter la durée de vie de la batterie . 80
5.3.2 Description de BADIS . . . . . . . . . . . . . . . . . . 81
5.4 Intégration de l’algorithme d’allocation équitable de l’énergie 84
5.5 Evaluation des performances de BADIS . . . . . . . . . . . . 86
5.5.1 Paramètres des simulations . . . . . . . . . . . . . . . 86
5.5.2 Description et analyse des résultats des simulations . . 88
5.6 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . 96
6 LOMI : Minimiser les pertes d’énergie au sein des smart

grids 97
6.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . 97
6.2 Motivations . . . . . . . . . . . . . . . . . . . . . . . . . . . . 98
6.3 Minimiser les pertes au sein des smart grids . . . . . . . . . . 98
6.3.1 Identification des pertes dans les smart grids . . . . . 99
6.3.2 Description de LOMI . . . . . . . . . . . . . . . . . . 101
6.4 Evaluation des performances de LOMI . . . . . . . . . . . . . 106
6.4.1 Scénarios et paramètres des simulations . . . . . . . . 107
6.4.2 Résultats numériques et analyse . . . . . . . . . . . . 107
6.5 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . 114
7 Intégration d’un algorithme d’optimisation dans la gestion

de l’énergie 115
7.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . 115
7.2 Optimisation de l’achat de l’énergie . . . . . . . . . . . . . . . 116
7.2.1 Algorithmes génétiques . . . . . . . . . . . . . . . . . 116
7.2.2 Définition du modèle d’optimisation . . . . . . . . . . 117
7.2.3 Algorithme d’optimisation génétique modifié (AGM) . 119
7.2.4 Résultats des simulations . . . . . . . . . . . . . . . . 124
7.2.4.1 Paramètres des simulations . . . . . . . . . . 124
7.2.4.2 Résultats numériques . . . . . . . . . . . . . 125
VI TABLE DES MATIÈRES
7.3 Négociation niveau 2 . . . . . . . . . . . . . . . . . . . . . . . 128

7.3.1 Problématique à résoudre . . . . . . . . . . . . . . . . 128
7.3.2 Proposition de gestion de l’énergie au niveau 2 . . . . 129
7.3.3 Résultats . . . . . . . . . . . . . . . . . . . . . . . . . 131
7.4 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . 133
Conclusion générale 135
Perspectives 137
Liste des publications 139
Bibliographie 141
Table des figures
1.1 Evolution de la consommation mondiale en électricité (source

EDF [1]) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
1.2 Utilisation des ressources énergétiques en France durant
l’année 2015 [2] . . . . . . . . . . . . . . . . . . . . . . . . . . 12
1.3 Sous-systèmes du marché électrique (de [3], ENEDIS) . . . . 13
1.4 Configuration électrique unidirectionnelle . . . . . . . . . . . 15
1.5 Caractéristiques d’une batterie . . . . . . . . . . . . . . . . . 18
2.1 Répartition de la consommation mondiale d’électricité (ins-

piré de [4]) . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
2.2 Répartition de la consommation d’électricité en France (ins-
piré de [1]) . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
2.3 Illustration de la production décentralisée . . . . . . . . . . . 27
2.4 Illustration de l’intégration du véhicule électrique dans le
réseau [5] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
3.1 Comportement de base d’un agent . . . . . . . . . . . . . . . 39

3.2 Architecture du système proposé dans Nagata et al. [6] . . . . 43
3.3 Architecture des agents de stockage dans Alberola et al. [7] . 46
3.4 Tâches des agents dans notre proposition . . . . . . . . . . . 53
4.1 Exemple de positionnement de quelques capteurs et agents

(adaptée de [8]) . . . . . . . . . . . . . . . . . . . . . . . . . . 58
4.2 Étapes de la proposition ANEMAS . . . . . . . . . . . . . . . 59
4.3 Architecture multi-niveaux pour la gestion de l’énergie au sein
des smart grids . . . . . . . . . . . . . . . . . . . . . . . . . . 60
4.4 Agents du système proposé . . . . . . . . . . . . . . . . . . . 62
4.5 Algorithme de l’AGgr . . . . . . . . . . . . . . . . . . . . . . 66
4.6 Coût de l’énergie avec le scénario 1 . . . . . . . . . . . . . . . 73
4.7 Utilisation des ressources pour ANEMAS (scénario 1) . . . . 74
VII
VIII TABLE DES FIGURES
4.8 Prix journalier de l’énergie dans le cas où le nombre de pro-

ducteurs augmente de 0 à 10 (5 consommateurs) . . . . . . . 74
ducteurs augmente de 0 à 10 (10 consommateurs) . . . . . . . 75
consommateurs augmente 5-30 . . . . . . . . . . . . . . . . . 75
5.1 Illustration du scénario considéré . . . . . . . . . . . . . . . . 79

5.2 Résumé de l’algorithme long terme de l’agent de stockage . . 83
5.3 Demandes des consommateurs en kWh . . . . . . . . . . . . . 87
5.4 Valeurs de sortie de l’éolienne durant les deux saisons (au-
tomne et été, valeurs météo de [9]) . . . . . . . . . . . . . . . 88
5.5 Valeurs de sortie de la photovoltaı̈que durant les deux saisons
(automne et été, valeurs météo de [9]) . . . . . . . . . . . . . 88
5.6 Variation de la somme des coûts incombés aux consomma-
teurs durant une journée complète en automne (cas où chaque
consommateur est un producteur ; nombre de consomma-
teurs=nombre de producteurs) . . . . . . . . . . . . . . . . . 89
5.7 Variation de la somme des coûts incombés aux consomma-
teurs durant une journée complète en été (cas où chaque
consommateur est un producteur ; nombre de consomma-
teurs=nombre de producteurs) . . . . . . . . . . . . . . . . . 89
5.8 Variation de la somme des coûts des consommateurs durant
une journée complète en automne (scénario 3 : 10 consomma-
teurs, 0 à 10 producteurs) . . . . . . . . . . . . . . . . . . . . 90
5.9 Variation de la somme des coûts des consommateurs durant
une journée complète en été (scénario 3 : 10 consommateurs,
0 à 10 producteurs) . . . . . . . . . . . . . . . . . . . . . . . . 91
5.10 Coût de l’énergie durant chaque période d’une journée
complète pour un scénario de 20 consommateurs et 20 pro-
ducteurs durant l’été . . . . . . . . . . . . . . . . . . . . . . . 91
5.11 Utilisation du stockage et de la grille en automne (Nombre de
consommateurs = Nombre de producteurs) . . . . . . . . . . 92
5.12 Utilisation du stockage et de la grille en été (Nombre de
consommateurs = Nombre de producteurs) . . . . . . . . . . 93
5.13 Pourcentage de minimisation de décharge de la batterie pen-
dant l’été et l’automne en augmentant le nombre des consom-
mateurs (Nombre de consommateurs = Nombre de producteurs) 94
TABLE DES FIGURES IX
5.14 Pourcentage de minimisation de décharge de la batterie pen-

dant l’été et l’automne en augmentant le nombre des produc-
teurs (pour 10 consommateurs) . . . . . . . . . . . . . . . . . 94
5.15 Pourcentage de demandes satisfaites en automne en utili-
sant l’algorithme d’allocation équitable (5 producteurs et 10
consommateurs) . . . . . . . . . . . . . . . . . . . . . . . . . 95
6.1 Distance entre les nœuds . . . . . . . . . . . . . . . . . . . . . 100

6.2 Etapes de l’algorithme en ligne de l’agent producteur . . . . . 102
6.3 Étapes de l’algorithme LOMI . . . . . . . . . . . . . . . . . . 104
6.4 Exemple de recherche de l’agent producteur avec Rmax = R2 105
6.5 Variation du coût total de l’énergie pendant une journée d’au-
tomne (5 consommateurs) . . . . . . . . . . . . . . . . . . . . 109
6.6 Variation du coût total de l’énergie pendant une journée d’été
(5 consommateurs) . . . . . . . . . . . . . . . . . . . . . . . . 109
6.7 Variation quotidienne de la perte d’énergie en été (5 consom-
mateurs) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 109
6.8 Variation quotidienne de la perte d’énergie en automne (5
consommateurs) . . . . . . . . . . . . . . . . . . . . . . . . . 109
6.9 Variation quotidienne des messages échangés durant l’au-
tomne (5 consommateurs) . . . . . . . . . . . . . . . . . . . . 109
6.10 Variation quotidienne des messages échangés durant l’été (5
consommateurs) . . . . . . . . . . . . . . . . . . . . . . . . . 109
6.11 Variation du coût quotidien durant l’automne (100 consom-
mateurs) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 111
6.12 Variation du coût quotidien durant l’été (100 consommateurs) 111
6.13 Variation quotidienne de la perte des producteurs durant l’au-
tomne (100 consommateurs) . . . . . . . . . . . . . . . . . . . 111
6.14 Variation quotidienne de la perte des producteurs durant l’été
(100 consommateurs) . . . . . . . . . . . . . . . . . . . . . . . 111
tomne (100 consommateurs) . . . . . . . . . . . . . . . . . . . 112
6.16 Variation quotidienne des messages échangés durant l’été (100
consommateurs) . . . . . . . . . . . . . . . . . . . . . . . . . 112
6.17 Variation quotidienne du coût durant l’automne (nombre de
consommateurs=nombre de producteurs) . . . . . . . . . . . 112
6.18 Variation quotidienne du coût durant l’été (nombre de
consommateurs=nombre de producteurs) . . . . . . . . . . . 112
6.19 Variation quotidienne des pertes des producteurs durant l’au-
tomne (nombre de consommateurs=nombre de producteurs) . 113
X TABLE DES FIGURES
6.20 Variation quotidienne des pertes des producteurs durant l’été

(nombre de consommateurs=nombre de producteurs) . . . . . 113
tomne (nombre de consommateurs=nombre de producteurs) . 113
6.22 Variation quotidienne des messages échangés durant l’été
(nombre de consommateurs=nombre de producteurs) . . . . . 113
7.1 Interaction des agents en utilisant un algorithme d’optimisation118

7.2 Interactions entre les agents du système . . . . . . . . . . . . 120
7.3 Représentation binaire d’un chromosome . . . . . . . . . . . . 122
7.4 Prix total d’énergie en centimes, nombre de produc-
teurs=nombre de consommateurs (scénarios 2, 4 et 6) . . . . 126
7.5 Prix total d’énergie en centimes, nombre de producteurs=la
moitié du nombre de consommateurs (scénarios 1, 3 et 5) . . 126
7.6 Perte d’énergie en kWh, nombre de producteur=nombre de
consommateurs (scénarios 2, 4 et 6) . . . . . . . . . . . . . . 126
7.7 Perte d’énergie en kWh, nombre de producteurs=la moitié du
nombre de consommateurs (scénarios 1, 3 et 5) . . . . . . . . 126
7.8 Gain de producteurs en centimes, nombre de produc-
7.9 Gain de producteurs en centimes, nombre de producteurs=la
7.10 Nombre d’itérations quand le nombre de produc-
7.11 Nombre d’itérations quand le nombre de producteurs=la
7.12 Prix de l’énergie pour les scénarios 1 et 2 . . . . . . . . . . . 132
7.13 Quantité d’énergie non satisfaite pour les scénarios 1 et 2 . . 132
Liste des tableaux
4.1 Exemple de décomposition des consommations en niveaux de

priorité . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 63
4.2 Périodes de la journée . . . . . . . . . . . . . . . . . . . . . . 64
4.3 Exemple de calcule de ENst . . . . . . . . . . . . . . . . . . . 68
4.4 Scénarios choisis . . . . . . . . . . . . . . . . . . . . . . . . . 71
4.5 Prix durant les périodes de pics . . . . . . . . . . . . . . . . . 72
5.1 Paramètres du système de stockage . . . . . . . . . . . . . . . 82

5.2 Scénarios simulés . . . . . . . . . . . . . . . . . . . . . . . . . 87
5.3 Paramètres des simulations extraits de [1, 10, 9] . . . . . . . . 87
5.4 Entités du scénario considéré . . . . . . . . . . . . . . . . . . 95
6.1 Paramètres de l’agent producteur . . . . . . . . . . . . . . . . 103

6.2 Scénarios implémentés . . . . . . . . . . . . . . . . . . . . . . 107
7.1 Définition des paramètres . . . . . . . . . . . . . . . . . . . . 122

7.2 Scénarios mis en œuvre . . . . . . . . . . . . . . . . . . . . . 125
7.3 Définition des paramètres de l’agent grille . . . . . . . . . . . 130
7.4 Scénarios mis en œuvre . . . . . . . . . . . . . . . . . . . . . 131
XI
XII LISTE DES TABLEAUX
Résumé
Cette thèse s’intéresse à la gestion décentralisée à l’aide des systèmes

multi-agents de l’énergie, notamment de sources renouvelables, dans le
contexte des réseaux électriques intelligents (smart grids). Nos travaux de
recherche visent à minimiser la facture énergétique des consommateurs en
se focalisant sur deux verrous essentiels que nous nous proposons de lever :
(1) résoudre le problème de l’intermittence des énergies renouvelables ; (2)
minimiser les pertes d’énergie. Pour pallier le problème d’intermittence des
énergies renouvelables et dans le but de maintenir un coût énergétique peu
onéreux même lors des pics d’utilisation, nous avons intégré un système de
stockage intelligent. Nous avons, en effet, proposé des algorithmes permet-
tant d’utiliser les systèmes de stockage intelligents et la négociation multi-
agents pour réduire la facture énergétique tout en conservant un taux de
décharge minimal de la batterie et une perte énergétique minimale. La vali-
dation par simulation de nos contributions a montré que celles-ci répondent
aux enjeux identifiés, notamment en réduisant le coût de l’énergie pour les
consommateurs en comparaison aux travaux de l’état de l’art.
Mots-clés : Réseaux électriques intelligents ; Energies renouvelables ; Intel-
ligence artificielle répartie ; Systèmes à paramètres répartis.
1
2 Résumé
Abstract
This thesis focuses on the decentralized management using multi-agent

systems of energy, including renewable energy sources, in the smart grid
context. Our research aims to minimize consumers’ energy bills by answe-
ring two key challenges : (1) handle the problem of intermittency of rene-
wable energy sources ; (2) reduce energy losses. To overcome the problem
of renewable resources intermittency and in order to minimize energy costs
even during peak hours, we integrated an intelligent storage system. To this
end, we propose many algorithms in order to use intelligent storage systems
and multi-agent negotiation algorithm to reduce energy cost while maintai-
ning a minimal discharge rate of the battery and minimal energy loss. The
validation of our contributions has shown that our proposals respond to the
identified challenges, including reducing the cost of energy for consumers, in
comparison to the state of the art.
Keywords : Smart power grids ; Renewable energy sources ; Distributed
artificial intelligence ; Distributed parameter systems.
3
4 Abstract
Introduction générale
Le système électrique connaı̂t de profondes mutations telles que l’aug-

mentation de la consommation d’électricité due aux nouveaux usages et à
l’intégration des énergies renouvelables pour diminuer l’émission de gaz à
effet de serre. La nouvelle génération de réseaux électriques, e.g. le réseau
électrique intelligent ou le smart grid, vise à intégrer de manière efficace
les actions de l’ensemble des utilisateurs (producteurs et consommateurs)
afin de garantir un approvisionnement électrique durable, sûr et au
moindre coût. Un des avantages des smart grids réside dans l’intégration
d’une couche d’information et de communication rendant les différents
composants du réseau communicants, ce qui permet l’interaction entre les
acteurs du système électrique (producteurs, consommateurs, etc.), l’échange
d’informations de manière bidirectionnelle et l’optimisation de l’utilisation
des réseaux électriques. Par ailleurs, ces réseaux intelligents possèdent
plusieurs caractéristiques telles que l’intégration des énergies renouvelables
et des pro-consommateurs. Par comparaison aux énergies fossiles, les
énergies renouvelables sont des énergies naturelles qui se renouvellent à
l’échelle humaine mais qui sont intermittentes et irrégulières.
Le smart grid s’occupe de l’optimisation des réseaux, tout en ayant comme
souci principal le maintien de l’équilibre entre production et consom-
mation. Le besoin de la gestion intelligente de l’énergie est notamment
lié à la problématique d’équilibre de la production renouvelable et de la
consommation sur le réseau électrique. La gestion de l’énergie fournit les
fonctions et les stratégies qui affectent les différentes ressources (production
renouvelable, stockage, etc.) aux consommateurs du système afin d’op-
timiser le coût de l’énergie. Pour assurer une solution intelligente de la
gestion de l’énergie, nous proposons d’intégrer les systèmes multi-agents
dans le système de gestion de l’énergie. Cependant, la gestion de l’énergie
dans les smart grids soulève plusieurs besoins notamment l’équilibre
entre l’offre et la demande, la minimisation de l’utilisation de la grille
surtout durant les périodes de pointe, la minimisation des pertes en ligne
5
6 Introduction générale
de l’énergie, l’augmentation autant que possible de la durée de vie des

systèmes de stockage et la minimisation du nombre de messages échangés
pour de meilleures performances du réseau. Nous visons à travers cette
thèse à assurer au maximum ses besoins et à fournir une solution à ces
problématiques d’actualité qui comblent les limitations des propositions
existantes en adoptant une approche multi-agents.
Afin de réaliser nos objectifs, nous décomposons la gestion de l’énergie
en plusieurs niveaux, à savoir le niveau des consommateurs, le niveau des
stockages, le niveau de la grille. En premier lieu, nous proposons ANEMAS
qui négocie l’achat de l’énergie afin de trouver la combinaison optimale de
sources d’énergie pour chaque consommateur. En second lieu, nous avons
essayé d’augmenter la durée de vie d’une batterie tout en minimisant le
nombre de charges et de décharges de cette dernière et avons proposé dans
ce but un algorithme nommé BADIS. Notre proposition LOMI est présentée
en troisième lieu et a pour but principal de minimiser la perte d’énergie par
effet de Joule. Finalement, nous avons présenté une proposition qui répartit
de manière optimale les énergies renouvelables entre les consommateurs.
Nous avons en effet proposé un algorithme génétique modifié (AGM)
qui a pour but de minimiser le nombre d’itérations que met l’algorithme
génétique à trouver la solution optimale.
Organisation du rapport
Ce manuscrit est divisé en sept chapitres et organisé comme

suit : les trois premiers chapitres introduisent le concept des smart grids
et présentent leurs caractéristiques et fonctionnalités, ainsi que les outils
provenant du domaine des systèmes multi-agents et des systèmes de
stockage dans les smart grids. En outre, ils mettent également l’accent sur
l’état de l’art de la gestion de l’énergie au sein des smart grids. De plus,
nous exposons une architecture de gestion d’un smart grid décentralisée
utilisant une approche multi-agents. Nous préconisons en effet un double
niveau de planification pour la gestion de l’énergie dans un smart grid :
la planification à long terme ou ”offline algorithm” et la planification
à court terme ou ”online algorithm”. D’une part, les agents ont pour
tâche de prédire les données pour une journée complète et de prendre les
décisions adéquates en se basant sur ces données. D’autre part, les systèmes
multi-agents agissent également durant une courte durée pour garantir un
équilibre en temps réel.
Le quatrième chapitre est dédié à notre contribution ANEMAS.

Introduction générale 7
Dans ce chapitre, nous introduisons notre approche de gestion de l’énergie

au sein des smart grids en intégrant des systèmes multi-agents et des
systèmes de stockage afin de réaliser une approche efficace de distribution
de l’énergie. Nous exposons les détails de notre approche et présentons les
résultats de son évaluation qui ont montré qu’ANEMAS réussit à réduire
les factures des consommateurs et l’utilisation de la grille en heures de
pointe.
Le cinquième chapitre présente notre deuxième contribution BADIS

qui s’intéresse à l’augmentation de la durée de vie de la batterie du système
de stockage tout en maintenant une facture minimale pour les consomma-
teurs. Ce chapitre décrit la manière avec laquelle l’agent incorporé dans le
système de stockage se charge d’évaluer les demandes et de choisir parmi
elles. L’agent décide alors en premier lieu la quantité d’énergie à vendre
aux consommateurs durant une période précise en se basant sur les prix de
l’énergie. En second lieu, il choisit parmi les demandes des consommateurs
la combinaison à satisfaire. En outre, cet agent prend la décision de charger
sa batterie ou non durant une période donnée en se basant sur le prix de
l’énergie, sur son état de charge et sur sa durée de vie. Les résultats ont
montré que cette approche a réussi à augmenter la durée de vie de la batterie.
Le sixième chapitre présente notre troisième contribution LOMI

qui s’intéresse à minimiser les pertes en ligne des énergies. En effet, l’agent
incorporé au sein des ressources de production a pour rôle de minimiser
le trajet parcouru par l’énergie afin de minimiser les pertes. Ainsi, les
décisions de l’agent producteur sont basées sur le choix d’une combinaison
qui minimise le trajet parcouru. En cas d’excès d’énergie, cet agent essaie
de le vendre en recherchant un acheteur parmi les entités les plus proches et
il augmente son rayon de recherche petit à petit tant qu’il possède un excès
d’énergie. Les résultats ont montré que cette proposition réussit à minimiser
les pertes énergétiques sans augmenter la facture du consommateur.
Le septième chapitre présente notre dernière contribution qui

propose un algorithme d’optimisation qui peut être utilisé dans le premier
et le second niveau de gestion de l’énergie. Les agents grille, consommateurs
et producteurs utilisent l’algorithme proposé qui est basé sur un algorithme
génétique afin d’optimiser leurs choix. En outre, une négociation au niveau
de la grille est ajoutée en intégrant notre algorithme génétique modifié afin
de réaliser une combinaison optimale des demandes de la grille.
8 Introduction générale
A la fin de ce manuscrit, nous tirons nos conclusions et présentons

les perspectives que nous avons identifiées afin d’enrichir ce travail.
Chapitre 1
Réseaux électriques
intelligents
Sommaire
1.1 Introduction . . . . . . . . . . . . . . . . . . . . . 9
1.2 Contraintes du système électrique unidirectionnel 11
1.2.1 Paysage énergétique et environnemental actuel . . 11
1.2.2 Problématiques auxquelles doit faire face le sec-
teur énergétique . . . . . . . . . . . . . . . . . . . 13
1.2.3 Besoin d’un réseau plus interactif . . . . . . . . . . 14
1.3 Evolution du système électrique : émergence du
concept de smart grids . . . . . . . . . . . . . . . 14
1.3.1 Une plaque énergétique avec plusieurs fonctionna-
lités . . . . . . . . . . . . . . . . . . . . . . . . . . 15
1.3.2 Caractéristiques et fonctionnalités des réseaux in-
telligents . . . . . . . . . . . . . . . . . . . . . . . 16
1.4 Conclusion . . . . . . . . . . . . . . . . . . . . . . 21
1.1 Introduction
Le secteur de l’énergie a connu une croissance impressionnante au cours
des quarante dernières années. Durant 38 ans, la consommation en électricité
a été multipliée par 3,3 (Figure 1.1) [1], et les prochaines décennies devront
connaı̂tre une croissance plus importante si les modes de consommation
n’évoluent pas. Les études prévoient en effet une augmentation de la de-
mande énergétique de 40% d’ici 2040 [11].
9
10 1.1. INTRODUCTION
Figure 1.1 – Evolution de la consommation mondiale en électricité (source

EDF [1])
L’augmentation de la dépendance électrique est liée à l’évolution de la

population (sept milliards d’êtres humains en 2015, neuf en 2050) [12] et au
développement des économies émergentes. Les énergies fossiles constituent
actuellement la principale source d’énergie [13]. Cependant, elles ne cessent
de décroı̂tre et ne pourront plus satisfaire, à elles seules, les futures demandes
en électricité. En plus, le secteur énergétique représente un principal contri-
buteur aux émissions de gaz à effet de serre. Selon des statistiques d’EDF
(Électricité de France), les émissions des gaz toxiques liées à la consomma-
tion d’énergie arrivent en tête et présentent 25% de la totalité des émissions
mondiales [1]. Pour limiter les effets néfastes du réchauffement climatique,
les états se sont fixés pour objectif de favoriser l’émergence des ”ressources
propres” dans leur secteur d’énergie. A titre d’exemple, l’Union Européenne
(UE) a adopté des objectifs dits des ”3x20” visant à augmenter l’efficacité
énergétique de 20%, à réduire les émissions de CO2 de 20% et à faire passer
à 20% la part de production des énergies renouvelables d’ici 2020 [5].
Pour faire face aux mutations du paysage énergétique, le système électrique
a évolué vers ce qu’on appelle le ”smart grid” ou le réseau électrique intel-
ligent. Les réseaux intelligents consistent à fusionner la structure physique
des réseaux actuels avec le réseau de la communication en intégrant les tech-
nologies d’information et de communication (TIC). L’intégration des nou-
velles technologies de l’information et de communication rendra le réseau
plus communicant tout en assurant une livraison d’électricité plus efficace,
économiquement fiable et sûre [5]. Les TIC visent à optimiser toutes les
mailles du réseau électrique en basse, haute et moyenne tension afin d’aug-
menter l’efficacité énergétique de l’ensemble du réseau. Dans l’idéal, ces ou-
CHAPITRE 1. RÉSEAUX ÉLECTRIQUES INTELLIGENTS 11
tils informatiques essaient de lisser les pics de production d’énergie renou-

velable (éoliennes, photovoltaı̈ques, etc.) survenant à des heures précises de
la journée.
Dans ce chapitre nous reviendrons tout d’abord sur l’architecture des réseaux
électriques traditionnels. Ensuite, nous détaillerons les caractéristiques et les
fonctionnalités des smart grids.
1.2 Contraintes du système électrique unidirec-

tionnel
Cette section a pour but de présenter les ressources énergétiques actuelles
et leurs effets sur l’environnement.
1.2.1 Paysage énergétique et environnemental actuel

Actuellement, les énergies fossiles représentent la part la plus importante
de la consommation de l’énergie. En plus des énergies fossiles, certains pays
tels que la France utilisent le nucléaire comme principale source de produc-
tion de l’électricité. Les énergies fossiles (pétrole, gaz et charbon) ainsi que
les énergies nucléaires, ou autrement dit les énergies non renouvelables, sont
des énergies épuisables et ne se renouvellent pas. En effet, les énergies fos-
siles sont issues de roches formées par la fossilisation de végétaux enfouis, et
stockées dans le sous-sol durant plusieurs millions d’années. Par conséquent,
ces énergies sont des énergies épuisables et riches en carbone, libéré sous
forme de CO2 lors de leur combustion. En effet, la production d’énergie à
partir des combustibles fossiles, en plus d’épuiser les réserves disponibles,
déverse des millions de tonnes de gaz à effet de serre dans l’atmosphère.
L’impact de la combustion d’énergie sur les émissions CO2 a grandi au fil
du temps. Quant au nucléaire, il laisse une empreinte profonde sur l’envi-
ronnement et la nature de par les accidents qui peuvent survenir lors de son
utilisation.
Selon le GIEC (Groupe Intergouvernemental d’Etude sur le Climat), le
réchauffement climatique pourrait entraı̂ner des phénomènes climatiques
extrêmes de plus en plus fréquents, la hausse des températures, la fonte des
glaces ou encore l’élévation du niveau des mers [14]. Un changement clima-
tique rapide pourrait être extrêmement préjudiciable pour de nombreuses
espèces végétales et animales qui verront leur milieu naturel évoluer plus
vite que leur capacité d’adaptation ne leur permet. Le bouleversement du
climat aurait bien entendu des conséquences considérables sur la production
1.2. CONTRAINTES DU SYSTÈME ÉLECTRIQUE
12 UNIDIRECTIONNEL
agricole et sur l’économie. La lutte contre le réchauffement climatique est
un des plus importants défis actuels auxquels doit se confronter l’humanité.
Les conséquences du réchauffement climatique sont multiples et ont divers
degrés d’impact et de réversibilité. On pourra citer entre autres que l’on
peut s’attendre à une fonte des glaces aux pôles, à des phénomènes naturels
extrêmes plus fréquents, à une mise en péril d’espèces animales et florales,
etc. La cause principale de ce dérèglement climatique, de la perturbation des
écosystèmes et l’exploitation des ressources naturelles, est très probablement
l’activité humaine.
En se basant sur des études du commissariat général au développement
durable en 2015 [2], les énergies non renouvelables, le pétrole, le gaz et le
charbon représentaient à eux 90% du mix énergétique primaire. Cependant,
la domination incontestable du pétrole s’est peu à peu atténuée au cours des
dernières années, notamment au profit du gaz qui a connu une croissance
soutenue. La part du charbon dans le mix énergétique primaire a, quant
à elle, enregistré une légère augmentation. Enfin, les énergies alternatives
(renouvelables), malgré leur progression, peinent encore à s’imposer comme
de grands acteurs du secteur (Figure 1.2).
Figure 1.2 – Utilisation des ressources énergétiques en France durant

l’année 2015 [2]
Toutefois, ces observations générales concernent des mix énergétiques

et électriques globaux et ne reflètent pas les différences qui peuvent ap-
paraı̂tre à des échelles régionales et nationales. En effet, bien que les pays de
l’OCDE (Organisation de Coopération et de Développement Economique)
tendent à réduire la part des énergies fossiles, l’augmentation de consom-
mation d’énergie fortement carbonée dans les pays à économie émergente
constitue un obstacle à une réduction drastique de l’utilisation de ces res-
sources à une échelle globale.
1.2.2 Problématiques auxquelles doit faire face le secteur

énergétique
Depuis ses débuts dans le 20ème siècle, la structure et l’organisation

du réseau électrique ont subi une évolution très lente [15]. Les états ont
développé leurs systèmes électriques à partir d’un schéma de production
centralisé. Ce système électrique est décomposé en quatre sous-systèmes :
la génération, le transport, la distribution et la consommation [16]. La
génération a toujours été centralisée et réalisée au sein de centrales de grande
capacité de production. Pour répondre à l’énorme demande énergétique, plu-
sieurs moyens de production d’énergie sont utilisés au niveau de la produc-
tion. L’ensemble de ces énergies peut être converti en deux grandes par-
ties : (1) les énergies non renouvelables telles que les combustibles fossiles,
le nucléaire, le charbon, le gaz, et (2) les énergies renouvelables telles que
l’énergie éolienne, photovoltaı̈que, hydraulique, etc. [1, 17]. L’électricité cir-
cule du point de production jusqu’aux consommateurs par l’intermédiaire de
lignes électriques aériennes ou souterraines haute tension (HT). Les lignes
haute tension permettent de limiter les pertes d’énergie pour le transport
de quantités importantes d’électricité sur de longues distances [3].
Une fois sur le réseau de distribution, l’électricité haute tension alimente
directement les clients industriels. Pour les autres clients (particuliers, com-
merçants, artisans, etc.), elle est convertie en basse tension (BT) par des
postes de transformation avant de leur être livrée [3]. La Figure 1.3 montre
une vue globale des sous-systèmes électriques.
Figure 1.3 – Sous-systèmes du marché électrique (de [3], ENEDIS)

1.3. EVOLUTION DU SYSTÈME ÉLECTRIQUE : ÉMERGENCE DU
14 CONCEPT DE SMART GRIDS
1.2.3 Besoin d’un réseau plus interactif
Afin de gérer le réseau électrique, il est nécessaire de procéder à des
changements importants sans en perturber le fonctionnement. Cela se tra-
duit dans le cadre de la grille 1 par la mise en place d’un réseau de capteurs
et compteurs intelligents pour communiquer les données de production et
consommation afin d’assurer l’équilibre entre l’offre et la demande. Le réseau
électrique intelligent sera alors communicant et interactif. En France, ENE-
DIS, principal distributeur d’énergie, a lancé le projet Linky en 2007 afin
d’équiper 35 millions de clients d’ici 2021 de compteurs intelligents [3]. Le
compteur dit intelligent est un ensemble de capteurs qui permettent de four-
nir en temps réel la consommation énergétique d’une zone définie et permet
en plus des actions de gestion en temps réel sur la consommation du foyer.
L’installation du compteur Linky dans les foyers aurait des avantages pour
tous les acteurs du réseau selon ENEDIS. D’une part, Linky réduirait les
coûts de gestion pour les gestionnaires de réseaux. D’autre part, ces comp-
teurs réduiraient les fraudes et les réclamations auprès des fournisseurs, et
autoriseraient une diversification des offres proposées aux clients grâce à la
richesse des informations supplémentaires qui seront récoltées. En ce qui
concerne les producteurs, un tel équipement rendrait possible une meilleure
gestion des pics de consommation et une simplification de l’installation
d’énergies renouvelables. Enfin, pour les clients, les factures seront établies
directement d’après leur consommation réelle. La notion de réseau plus effi-
cace a pris une dimension planétaire et l’expression smart grid recouvre des
dimensions différentes : certains y verront une solution numérique en aval
du compteur et destinée majoritairement aux clients résidentiels alors que
d’autres considèrent qu’il s’agit d’une vision globale, transcendant la struc-
ture actuelle du marché énergétique pour générer des bénéfices économiques,
environnementaux et sociétaux pour tous.
La section suivante a pour but de définir le nouveau réseau interactif com-
munément appelé smart grid.
1.3 Evolution du système électrique : émergence

du concept de smart grids
Les smart grids, littéralement réseaux intelligents, se définissent en tant
que réseaux électriques capables de répondre aux nouvelles exigences du
1. Dans ce manuscrit, les termes smart grid, grille et réseau électrique intelligent seront
utilisés d’une manière interchangeable.
marché électrique.
Bien qu’il n’existe pas de définition unique des smart grids, cette section a
pour vocation de définir les smart grids et leurs caractéristiques pour ensuite
décrire les outils et services de ces réseaux.
1.3.1 Une plaque énergétique avec plusieurs fonctionnalités

Au-delà des défis qui concernent l’ensemble du secteur énergétique, le
secteur électrique est également confronté à de nouvelles contraintes : aug-
mentation de la consommation d’électricité due aux nouveaux usages, multi-
plication des producteurs raccordés aux réseaux en raison de la libéralisation
du marché de l’électricité, intégration des énergies de sources renouvelables
intermittentes due aux nouveaux objectifs en matière d’émission de gaz à ef-
fet de serre. En même temps, le système électrique doit continuer à répondre
aux exigences en termes de qualité de l’alimentation et de service, d’équilibre
offre-demande et de sûreté du système électrique [5, 18]. Afin de répondre
à ces exigences, le système électrique doit donc s’adapter à cette nouvelle
donnée et ce sur tous les niveaux de son architecture.
Le système énergétique actuel a une architecture centralisée et permet aux
flux d’énergie d’être unidirectionnels ; de la production vers la consommation
(Figure 1.4). Le déploiement des smart grids accompagne la modernisation
des réseaux et des infrastructures vers une architecture décentralisée. L’ob-
jectif est d’intégrer une multitude de sources d’énergies renouvelables, de
toutes tailles, et de permettre de nouveaux modes d’utilisation et de sto-
ckage de l’électricité. A l’intérieur de ce réseau électrique évolué, le consom-
mateur final disposera d’outils et de services lui permettant de connaı̂tre sa
consommation et d’interagir en temps réel.
Figure 1.4 – Configuration électrique unidirectionnelle
Dans [15], la commission européenne définit les smart grids comme étant
des réseaux d’électricité qui visent à intégrer de manière efficiente les actions
et les comportements de l’ensemble des utilisateurs qui y sont raccordés (pro-
ducteurs et consommateurs) afin de garantir un système rentable et durable,
présentant de faibles pertes et un niveau élevé de qualité et de sécurité d’ap-
provisionnement.
Le déploiement des smart grids permet plusieurs avantages dus à l’interac-
tion entre les acteurs du système électrique tout en gérant le flux d’infor-
mation et d’énergie de manière bidirectionnelle. Cette interaction optimise
ainsi l’utilisation des réseaux électriques en ayant une connaissance plus fine
des charges. Au sein des smart grids, la circulation de l’information et de
l’électricité entre les différents composants du réseau (consommateurs, com-
pagnies d’électricité, etc.) est bidirectionnelle, ce qui permet d’harmoniser
la gestion. De ce fait, ces réseaux sont en mesure de garantir une exploi-
tation plus efficace du système (à la fois en termes d’énergies et de coûts)
en vue des exigences futures [19, 20]. Les smart grids font appel à l’intelli-
gence énergétique en associant les TIC qui devront être implémentées dans la
production, le transport et la distribution d’électricité mais également chez
les consommateurs [21, 22, 23]. Les systèmes communicants, en parallèle des
réseaux de distribution, ainsi que l’intelligence embarquée doivent permettre
un meilleur ajustement entre production et consommation d’électricité et
l’intégration des énergies renouvelables [24].
Ces réseaux intelligents possèdent plusieurs caractéristiques telles que
l’intégration des énergies renouvelables, des pro-consommateurs, etc. La sec-
tion suivante a pour but de décrire ces caractéristiques.
1.3.2 Caractéristiques et fonctionnalités des réseaux intelli-

gents
Dans cette partie nous exposerons les caractéristiques des smart grids.
Emergence des énergies renouvelables et notion de pro-

consommateur
Par comparaison aux énergies fossiles, les énergies renouvelables sont les
énergies naturelles qui se renouvellent à l’échelle humaine. En plus, elles
diminuent l’émission de gaz toxiques, et par conséquent contribuent à la
diminution de la pollution. Toutefois ces énergies sont intermittentes et
irrégulières [25].
A la fois consommateur et producteur, le pro-consommateur désigne l’in-
terrelation étroite entre le producteur et le consommateur. Les consomma-
teurs installent chez eux les sources de production d’énergie renouvelables

(éoliennes, photovoltaı̈ques, etc.). En outre, dans les smart grids, les pro-
consommateurs peuvent tenir compte des informations en temps réel et
même s’engager dans l’achat et la vente d’énergie en ligne tout en profi-
tant d’un environnement automatiquement ajusté à leur comportement et
leurs objectifs d’économie d’énergie [26].
D’autres composants sont utilisés dans les smart grids et seront détaillés
dans la partie suivante.
Composants utilisés au sein des smart grids

L’évolution recherchée vers un système plus intelligent se caractérise par
une multitude de composants imbriqués de la production à la consommation.
Ces réseaux ne sont plus unidirectionnels et peuvent être assimilés à une
véritable plaque énergétique.
Les compteurs intelligents Les ”smart-meters” ou compteurs intel-

ligents, déjà déployés à large échelle dans certains pays, constituent une im-
portante étape dans la mise en œuvre et le déploiement de ces réseaux intelli-
gents. Cette technologie doit inciter les consommateurs finaux à économiser
l’électricité et encourager la maı̂trise de la production décentralisée. Le
compteur intelligent est un dispositif de comptage avancé et son principal
rôle est le suivi en détail et en temps réel de la consommation électrique d’un
consommateur (un bâtiment, une entreprise, un habitat, etc.). En outre, un
compteur intelligent est communicant et pourra transmettre par différents
canaux (Internet, etc.) les informations recueillies. Le déploiement des smart-
meters devrait permettre de mieux connaı̂tre les postes de consommation
électrique et aider donc à faire réduire les factures électriques. Le suivi en
temps réel aide à la facturation de l’énergie, mais aussi à la facturation dis-
tinguée en fonction de la demande en électricité (pics de consommation)
[27].
On peut conclure que les compteurs intelligents sont donc un des leviers de la
transformation des réseaux de distribution électrique en réseaux intelligents.
Les batteries Le caractère intermittent des énergies renouvelables

rend difficile l’équilibrage de l’offre et de la demande, alors que c’est es-
sentiel pour le bon fonctionnement du réseau électrique. Les dispositifs de
stockage 2 d’énergie représentent une des solutions palliant l’aspect aléatoire
2. Dans ce manuscrit, les termes batterie, dispositifs de stockage et stockage sont uti-
lisés d’une manière interchangeable.
de la production renouvelable. Ils peuvent lisser les variations dans la pro-
duction et la demande et simplifier grandement le fonctionnement de la
grille [28]. Dans un contexte opérationnel, le stockage de l’énergie est utilisé
pour stocker le surplus d’électricité afin de le réinjecter lors des périodes de
faible production et/ou de forte consommation. D’un point de vue finan-
cier, le stockage d’énergie est traité comme un instrument d’arbitrage : il
se charge lorsque les prix d’énergie de la grille sont faibles et se décharge
lorsque ces prix sont élevés [29]. Il existe plusieurs types de dispositifs de sto-
ckage d’énergie : mécanique, thermo-dynamique, électrochimique et électro-
magnétique ; chacun avec ses propres caractéristiques. Les caractéristiques
des batteries sont présentées dans la Figure 1.5 et comprennent la taille de
la batterie, la vitesse limite de charge et de décharge du stockage, la profon-
deur de décharge, la température et l’état de santé de la batterie [29]. Dans
les zones résidentielles, le stockage d’énergie est pratiquement synonyme de
batteries. En raison de la popularité des véhicules hybrides rechargeables
émergents, la batterie d’un PHEV (”Plug-in Hybrid Electric Vehicle”) peut
être traitée comme un stockage d’électricité temporaire pour les consom-
mateurs résidentiels. Dans les futurs systèmes de transport intelligent, les
véhicules seront équipés d’unités spéciales leur donnant la capacité de com-
muniquer en sans-fil. En outre, il est prévu que les véhicules électriques
prennent une partie importante du marché du futur.
Figure 1.5 – Caractéristiques d’une batterie
Un véhicule électrique est un véhicule dont la propulsion est assurée

par un moteur fonctionnant exclusivement à l’énergie électrique. Ce type
de véhicules a pour intérêt de réduire la pollution locale dans les zones ur-
baines, de décroı̂tre les émissions de gaz à effet de serre qui accentuent le
réchauffement de la planète, de diminuer les consommations de carburant

et de diversifier les approvisionnements énergétiques [30]. Il existe plusieurs
types de véhicules électriques : le véhicule tout électrique (ou à batterie), le
véhicule hybride (ou électrique à autonomie prolongée), le véhicule hybride
rechargeable (ou véhicule hybride plug-in) et le véhicule à pile à combus-
tible.
Le déploiement à grande échelle des véhicules électriques pourrait avoir un
effet considérable sur la courbe de charge, particulièrement en période de
pointe, si les recharges des véhicules n’étaient pas correctement réparties
dans le temps. Le développement du véhicule électrique suivant un modèle
de ”Grid-to-Vehicle (G2V)” était dans le but de minimiser les risques d’aug-
mentation des pics de consommation qui est un modèle qui permet à un
véhicule électrique de contrôler sa charge. Le G2V permettrait de pal-
lier les risques d’augmentation des pics de consommation mais mènerait
toutefois à accroı̂tre la consommation totale d’électricité. D’autre part, le
déploiement des véhicules électriques est fortement contraint aujourd’hui
par leur coût d’investissement. A cette première barrière viennent s’ajou-
ter les problématiques d’autonomie et d’acceptabilité. Pour faire face aux
problèmes cités, les infrastructures de recharge doivent être développées en
nombre suffisant pour pouvoir intégrer le véhicule électrique d’où le concept
de ”Vehicle-to-Grid(V2G)”. Le V2G consiste en un échange bidirectionnel
d’énergie entre le véhicule et le réseau [31]. Les véhicules n’étant utilisés en
moyenne que 4% du temps sur une journée, un véhicule électrique, durant
le temps restant, pourrait constituer un moyen de stockage supplémentaire
pour les réseaux électriques.
Les centrales virtuelles de production (VPP) La Centrale Vir-

tuelle de Production ou VPP (”Virtual Power Plant”) est définie par
une agrégation de petites unités de production décentralisées utilisant des
sources d’énergie différentes. La VPP est un concept qui combine la pro-
duction décentralisée et le stockage. Il s’agit donc d’une représentation
plus flexible des unités décentralisées qui peut être utilisée pour réaliser
des contrats sur les marchés de gros. Ainsi, le fonctionnement de chaque
unité de production est optimisé en tenant compte de l’ensemble de la VPP
pour maximiser les opportunités de production et de revenus. Cette mobi-
lisation de production d’énergie décentralisée permet donc aux producteurs
indépendants de s’intégrer dans le marché de l’électricité. Ce concept de cen-
trale virtuelle rend les unités de production décentralisées visibles pour les
opérateurs de réseaux et constitue une structure qui permet aux agrégateurs
d’intégrer la production décentralisée [32, 33]. Ce type d’agrégation de pe-
tites unités de production décentralisée pourrait également, à terme, venir
concurrencer les unités de production centralisée actuelles.
Les microgrids Un microgrid est un système électrique de basse ou

moyenne tension qui intègre les énergies renouvelables comme une ressource
d’énergie primaire, des systèmes de stockage intelligents. Les microgrids
peuvent donc représenter la meilleure façon d’intégrer les ressources renou-
velables et permettre la participation des consommateurs dans le marché
de l’électricité [34]. Les microgrids visent donc à améliorer la production
d’énergie et à l’offrir aux consommateurs locaux tout en maintenant une
infrastructure électrique plus stable [35]. Ils peuvent être utilisés dans deux
modes : (1) connecté au réseau, ou (2) de manière isolée [35].
Après avoir décrit les composants utilisés au sein des smart grids, le para-
graphe suivant a pour but de résumer les architectures de communication
dans ces derniers.
Architectures et technologies de communication dans les smart

grids
Le smart grid est un réseau de réseaux, dans lequel les systèmes et les
sous-systèmes sont connectés pour fournir les services entre les différentes
entités intelligentes du système. Au sein de chaque réseau du smart grid, une
structure composée de différents types de réseaux tels que les HAN (”Home
Area Networks”), les BAN (”Building Area Networks”), les IAN (”Indus-
trial Area Networks”), les NAN (”Neighborhood Area Networks”), les FAN
(”Field Area Networks”) et les WAN (”Wide Area Networks”) est mise en
œuvre [36].
Les WAN sont les réseaux étendus qui fournissent la communication entre
les backbones des réseaux intelligents et couvrent une longue distance à par-
tir du centre de contrôle pour les NAN/FAN. Les réseaux étendus WAN
permettent la communication avec les appareils d’automatisation et de dis-
tribution, en utilisant diverses technologies de communication telles que
les technologies filaires (fibre optique) ou les technologies non filaires qui
peuvent être également utilisées à cause de leur couverture étendue et de
leur haut débit [36, 37].
Les NAN, nommés également FAN, sont des réseaux qui gèrent les informa-
tions entre les réseaux étendus et les réseaux locaux. Ces réseaux utilisent
les communications filaires ou sans fil et collectent puis prennent en charge
les informations des clients appartenant au même quartier ou à une même
entreprise. En outre, la zone de couverture des réseaux NAN/FAN dépend

des applications.
Les HAN, BAN et IAN permettent la communication entre les NAN/FAN
et les appareils électriques. En plus, ces réseaux communiquent avec divers
appareils intelligents (les appareils électroménagers, les stations de gestion
de l’énergie, les sources d’énergie, etc.) et se connectent à un réseau de
services publics via des compteurs intelligents ou d’autres appareils. Ces
réseaux ont pour rôle de prendre en charge divers services énergétiques
comme le contrôle de la charge et la tarification en temps réel. Les exi-
gences en matière de communication principale se caractérisent par une
faible consommation électrique, un faible coût, une structure simple et une
communication sécurisée.
Dans le réseau électrique intelligent, plusieurs protocoles peuvent être utilisés
pour la communication au sein de ces réseaux. Dans certains cas, les com-
munications sans fil ont des avantages par rapport aux technologies filaires,
telles que le faible coût des infrastructures et la facilité de connexion aux
zones difficiles ou inaccessibles. Cependant, la nature de la voie de transmis-
sion peut entraı̂ner l’atténuation du signal. D’autre part, les solutions filaires
n’ont pas de problèmes d’interférences et leurs fonctions ne dépendent pas
de piles, ce qui est souvent le cas des solutions sans fil [15].
1.4 Conclusion
Dans ce chapitre, nous avons brièvement présenté le fonctionnement et
l’architecture du réseau électrique, ainsi que les nouveaux concepts qui y
seront ajoutés pour le faire évoluer vers un réseau intelligent. Nous avons
exposé les caractéristiques de ce réseau et avons passé en revue les outils
qui sont nécessaires à son déploiement tels que les compteurs intelligents,
les batteries, etc. ainsi que diverses technologies de communication. Enfin,
dans le prochain chapitre nous allons détailler le problème rencontré avec
l’intégration des ressources énergétiques renouvelables et les outils tels que
les systèmes de stockage intelligents qui permettent une meilleure intégration
de ces ressources dans le réseau électrique.
22 1.4. CONCLUSION
Chapitre 2
Gestion de l’énergie dans les

réseaux intelligents :
Définitions et objectifs
Sommaire
2.1 Introduction . . . . . . . . . . . . . . . . . . . . . 24
2.2 Désagrégation de la demande énergétique . . . . 24
2.3 Intégration des énergies renouvelables dans les
smart grids . . . . . . . . . . . . . . . . . . . . . . 26
2.3.1 Energies renouvelables utilisées dans les smart grids 26
2.3.2 Avantages et problèmes des énergies renouvelables 27
2.4 Satisfaction des demandes énergétiques . . . . . 28
2.4.1 Définition de la gestion de l’énergie dans les smart
grids . . . . . . . . . . . . . . . . . . . . . . . . . . 28
2.4.2 DR : un programme de gestion de l’énergie dans
les smart grids . . . . . . . . . . . . . . . . . . . . 29
2.5 Systèmes de stockage intelligents . . . . . . . . . 31
2.5.1 Définition et caractéristiques des systèmes de sto-
ckage intelligents . . . . . . . . . . . . . . . . . . . 31
2.5.2 Les différents types de systèmes de stockage . . . . 32
2.6 Objectifs de la gestion de l’énergie . . . . . . . . 34
2.7 Conclusion . . . . . . . . . . . . . . . . . . . . . . 35
23
24 2.1. INTRODUCTION
2.1 Introduction
L’introduction croissante dans les smart grids des énergies renouve-

lables et les changements de mode de vie avec l’apparition, par exemple,
des véhicules électriques, des panneaux solaires, etc. bousculent la chaı̂ne
énergétique et impliquent une évolution progressive du réseau électrique à
tous les niveaux. Vue la diversité des sources de productions et afin d’effec-
tuer un choix pertinent entre ces sources et d’encourager les consommateurs
à adopter une consommation intelligente, les chercheurs se sont intéressés à
la gestion d’énergie dans les smart grids.
Dans le but d’adapter l’offre à la demande, les smart grids vont mettre en
place la gestion de l’énergie qui a pour rôle d’optimiser le coût qu’incombe
aux utilisateurs et de bénéficier de toute la quantité d’énergie renouvelable
produite. La mise en œuvre des programmes de gestion de l’énergie dans
les smart grids devra permettre de diminuer la consommation énergétique
totale et de piloter des composantes spécifiques telles que les compteurs in-
telligents et les pro-consommateurs.
Ce chapitre est consacré à l’analyse du contexte de la gestion de l’énergie
dans les réseaux intelligents afin de mettre en évidence les problématiques
que pose l’intégration des énergies renouvelables.
2.2 Désagrégation de la demande énergétique
Afin de pouvoir représenter au mieux les différents programmes de ges-

tion de l’énergie, la demande électrique a été désagrégée en quatre secteurs :
(1) le secteur industriel, (2) le secteur résidentiel et tertiaire, (3) le secteur
du transport et (4) le quatrième secteur regroupant tout ce qui reste (agri-
cole, etc.). Au niveau mondial (Figure 2.2), la demande électrique est large-
ment dominée par le secteur résidentiel et tertiaire qui représente 40% de la
consommation totale de l’énergie. En outre, ce secteur représente 69% de la
consommation totale de l’énergie en France selon EDF [1] (Figure 2.2). Afin
d’évaluer les apports potentiels de gestion de l’énergie, les différents secteurs
ont été désagrégés suivant les usages qui leur sont propres. D’où, l’intérêt
porté dans cette thèse pour le secteur résidentiel, qui constitue le principal
poste de demande.
CHAPITRE 2. GESTION DE L’ÉNERGIE DANS LES RÉSEAUX
INTELLIGENTS : DÉFINITIONS ET OBJECTIFS 25
Figure 2.1 – Répartition Figure 2.2 – Répartition

de la consommation monde la consommation
diale d’électricité (inspiré d’électricité en France
de [4]) (inspiré de [1])
Secteur résidentiel En France, le secteur résidentiel et tertiaire

représente 69% de la consommation électrique (Figure 2.2). Un bâtiment
peut être à usage tertiaire (commerces, bureaux, écoles, hôpitaux), à usage
résidentiel ou mixte. Le secteur résidentiel peut être défini comme l’ensemble
des locaux à vocation de logement qui n’appartiennent pas au secteur ter-
tiaire, et qui peut ensuite se diviser en trois catégories qui se distinguent par
le type d’occupation du logement : résidence principale, résidence secondaire
et logements vacants, catégories au sein desquelles on distingue usuellement
les maisons individuelles et les immeubles collectifs. Le périmètre du sec-
teur résidentiel ainsi défini, pose ensuite la question des consommations
énergétiques des ménages à lui associer. En effet, l’énergie nécessaire aux
activités des ménages peut être consommée directement au sein des loge-
ments ou en dehors, soit directement par les ménages soit indirectement par
les entités produisant les biens et services consommés par ces ménages. Les
consommations d’énergie sont dites directes quand elles sont consommées
par le ménage et indirectes quand elles le sont en amont de la chaı̂ne de pro-
duction de biens et de services. Par ailleurs, il est important de noter que la
consommation d’électricité peut être rattachée aux consommations directes
et indirectes suivant l’objet d’étude. En effet, celle-ci est principalement issue
de la transformation d’énergies primaires (gaz, pétrole, charbon, Uranium
enrichi et bois) en une énergie transportable et commercialisable. Ainsi,
l’électricité est un vecteur d’énergie pour lequel il est possible de comptabi-
liser soit l’énergie consommée à son origine, auquel cas cette consommation
est en dehors du secteur résidentiel et peut être considérée comme indirecte,
soit l’électricité à son stade final, c’est-à-dire celle mesurée aux compteurs
des particuliers, auquel cas cette consommation est à l’intérieur du secteur
2.3. INTÉGRATION DES ÉNERGIES RENOUVELABLES DANS LES
26 SMART GRIDS
résidentiel et peut donc être considérée comme directe.
L’objet de notre étude étant d’évaluer dans quelle mesure la solution des
smart grids peut contribuer à la gestion de l’énergie, la section suivante a
pour but d’analyser les différentes sources d’énergies renouvelables intégrées
à la nouvelle génération des réseaux électriques.
2.3 Intégration des énergies renouvelables dans les

smart grids
En résumé, cette section a pour but de mettre en évidence les avan-
tages et les inconvénients majeurs du déploiement des énergies renouvelables.
Par comparaison aux énergies fossiles, les énergies renouvelables sont les
énergies naturelles qui se renouvellent à l’échelle humaine et qui diminuent
l’émission des gaz toxiques, d’où la diminution de la pollution. Par contre,
ces énergies sont intermittentes et irrégulières [25]. Dans la première sous-
section, on introduira les différents types d’énergies renouvelables utilisées
dans les réseaux électriques tandis que la seconde sous-section présentera les
avantages et les problèmes rencontrés avec ces énergies renouvelables.
2.3.1 Energies renouvelables utilisées dans les smart grids

Les réseaux électriques actuels ont été conçus pour transporter l’énergie
des grosses centrales productrices aux consommateurs. L’architecture du
système électrique a donc commencé à évoluer avec un nombre croissant
d’installations renouvelables. Dans ce qui suit, sont données les énergies
renouvelables [38] :
L’énergie solaire : l’énergie solaire peut être représentée sous forme
d’énergie thermique ou sous forme d’énergie photovoltaı̈que. Les
énergies thermiques captent le rayonnement solaire pour augmen-
ter la température d’un objet alors que les énergies photovoltaı̈ques
transforment les rayonnements solaires en électricité à l’aide de l’effet
photo-électrique.
L’énergie éolienne : l’énergie éolienne utilise les énergies mécaniques
produites par les mouvements de différentes masses d’air.
L’énergie hydraulique : l’énergie hydraulique transforme les
énergies de l’eau en énergies mécaniques utilisées pour produire de
l’électricité.
La biomasse : la biomasse désigne l’ensemble des matières orga-
niques d’origine végétale, animale ou fongique, qui sont des sources
d’énergies par combustion ou transformation chimique. La biomasse
est une énergie renouvelable à condition que la quantité d’énergie
produite excède la quantité d’énergie utilisée pour la produire.
La géothermie : la terre possède en son centre un noyau d’une
température supérieure à 5000˚C produisant une quantité de cha-
leur importante grâce à une radioactivité naturelle.
Ces énergies renouvelables sont peu polluantes mais possèdent quelques in-
convénients tels que leur disponibilité irrégulière et discontinue.
2.3.2 Avantages et problèmes des énergies renouvelables

Dans la dernière décennie, les innovations technologiques et les évolutions
économiques et environnementales ont suscité un gain d’intérêt pour la
production décentralisée [39, 40]. L’étude de Pepermans et al. [39] met
en exergue plusieurs facteurs qui ont conduit à l’utilisation des énergies
décentralisées tels que la libéralisation du marché d’électricité qui a permis
la création de nouveaux acteurs de production et de commercialisation de
l’énergie. Les ressources distribuées peuvent être installées du côté du client
[41] et comprennent les énergies renouvelables telles que l’énergie éolienne,
l’énergie photovoltaı̈que, etc. [42]. La Figure 2.3 représente un exemple qui
montre l’intégration des énergies renouvelables au sein des ménages. La par-
ticularité des énergies renouvelables réside dans la non diminution de leurs
ressources après utilisation de cette dernière à une échelle humaine [43].
Figure 2.3 – Illustration de la production décentralisée
Cependant, l’intégration importante des énergies renouvelables dans les

réseaux électriques pose plusieurs problèmes d’ordre technique, surtout pour
les gestionnaires de réseaux. Le premier problème se résume dans la locali-
sation des installations de production. En effet, l’insertion de la production
28 2.4. SATISFACTION DES DEMANDES ÉNERGÉTIQUES
décentralisée conduit à un fonctionnement bidirectionnel des réseaux tradi-

tionnellement conçus pour acheminer l’énergie que dans un seul sens. En re-
vanche, lorsque le taux de pénétration des énergies renouvelables augmente,
des déséquilibres peuvent survenir [5], ce qui pose un autre problème concer-
nant la gestion des moyens de production intermittents dans le système
électrique. Ce problème d’intermittence touche de nombreuses sources re-
nouvelables, et se définit dans un système électrique qui utilise les énergies
renouvelables par la différence entre la production et la consommation. L’in-
termittence et le caractère non pilotable et le besoin de gestion de l’équilibre
production/consommation à la maille locale constituent de vrais défis pour
les gestionnaires de réseau de distribution et imposent une évolution de la
gestion du système électrique.
Le but de notre travail est d’utiliser un système qui fournit les besoins en
temps réel aux consommateurs et qui résout le problème d’intermittence de
l’énergie en minimisant les coûts d’achat et les pertes énergétiques. Pour
continuer à favoriser l’implantation de générateurs d’énergies renouvelables
et amorcer ainsi l’ébauche d’une transition énergétique, une gestion plus
intelligente des sources de production et des consommations doit être en-
visagée. La gestion de l’énergie ne vise pas à réduire la consommation
énergétique des consommateurs, mais à ajuster la consommation, le sto-
ckage et l’achat de l’énergie. La section suivante a pour but de surligner les
points importants de la gestion de l’énergie dans les smart grids.
2.4 Satisfaction des demandes énergétiques

Dans cette section, nous revenons sur l’intérêt récent suscité par la ges-
tion de l’énergie (DR : ”Demand Response”) au sein des smart grids pour
l’intégration des énergies renouvelables et décentralisées, et nous décrivons
ensuite les outils de DR destinés aux secteurs résidentiel et tertiaire.
2.4.1 Définition de la gestion de l’énergie dans les smart

grids
La gestion de l’énergie constitue l’un des enjeux clés liés au
développement des réseaux intelligents. On opère ici une différenciation entre
les concepts de maı̂trise de la demande (MDE) et de gestion de l’énergie à
travers des programmes de DR. Tous deux répondent à une notion d’effica-
cité énergétique, mais leurs modalités d’application et impacts respectifs sont
à distinguer. La MDE a pour objectif de diminuer la demande énergétique,
moyennant un certain coût. Il s’agit par exemple de recourir à des tra-
vaux de rénovation et d’isolation du logement, de remplacer les équipements
énergétiques par des équipements moins gourmands, etc.
La DR revêt une dimension résolument orientée vers les usages électriques,
en mesure d’être modifiés en fonction des évolutions du prix de l’énergie ou
des contraintes d’exploitation. La DR est elle-même un terme général sous
lequel on regroupe plusieurs mesures comme les tarifications dynamiques
ou les programmes incitatifs (”incentive-based”) de gestion de l’énergie. Se-
lon [44, 45], un programme de DR se réfère à toute méthode envisageable
pour apporter une incitation économique à un consommateur, qui reflète de
manière plus précise le prix des marchés de gros et dépend de la possibilité
de faire varier le prix de détail sur du court terme. Au-delà de son effet
sur les marchés de gros, l’activation de la demande peut également facili-
ter les activités des gestionnaires de réseaux en participant davantage aux
mécanismes d’ajustement et au marché des services systèmes. En matière
de réglementation, certaines dispositions ont été prises pour favoriser le
développement de DR.
2.4.2 DR : un programme de gestion de l’énergie dans les

smart grids
Afin de continuer à favoriser l’intégration du renouvelable, les réseaux
doivent être gérés de manière plus réactive et respectueuse des contraintes
d’équilibre. Le contrôle des flux d’énergie est au cœur de la gestion des smart
grids. Une gestion des consommations au moyen de charges programmables
ou délectables apparaı̂t comme une solution efficace à la maı̂trise des flux à
travers le DR.
Dans les réseaux électriques actuels, la demande énergétique est de nature
stochastique [28]. Dans les réseaux intelligents du futur, l’intermittence de
production causée par l’utilisation à grande échelle des énergies de nature
renouvelable déplacera le caractère incertain vers le niveau de production [5]
et plusieurs programmes de gestion spécifiques de l’énergie seront adoptés.
La DR permet la participation des consommateurs dans les marchés de
l’électricité et ses programmes changent l’utilisation électrique des utili-
sateurs finaux pour répondre aux variations de prix durant la journée
[46, 47, 48, 49, 50]. En outre, la DR est une solution pour lisser les de-
mandes énergétiques et surtout en heures de pointe ou lorsque la fiabilité du
système est compromise permettant aussi la réduction du coût de l’énergie.
En d’autres termes, les programmes de DR, ont pour but de moduler la
charge énergétique en (1) décalant les charges vers les heures creuses ce
30 2.4. SATISFACTION DES DEMANDES ÉNERGÉTIQUES
qui peut réduire le confort des utilisateurs, (2) écrêtant les pointes ou (3)
remplissant les creux [46, 48]. En effet, les technologies de DR aident à la sur-
veillance active et au contrôle dynamique de la consommation d’électricité.
Ces technologies comprennent les compteurs intelligents qui sont l’un des
exemples les plus connus dont le rôle consiste à mesurer les prix dans un
intervalle de temps précis et d’envoyer ces mesures aux consommateurs afin
de réduire et/ou de modifier l’utilisation durant les périodes de pointe. En
outre, les compteurs intelligents permettent également de délivrer de nou-
velles informations que peuvent utiliser les fournisseurs d’électricité. Cette
information pourra être présentée aux consommateurs par l’intermédiaire
de dispositifs d’affichage à la maison, qui aident les consommateurs à suivre
et comprendre leur consommation d’énergie. Ainsi, le déploiement du DR
et les technologies des réseaux intelligents peuvent conduire à des niveaux
d’efficacité énergétique plus élevés et plus durables.
L’efficacité énergétique se réfère généralement à des dispositifs qui offrent
un niveau important de sorties en utilisant moins d’énergie. L’efficacité
énergétique se concentre habituellement sur la réduction de la consommation
globale d’énergie, pas seulement à certains moments. La DR améliore l’effi-
cacité globale du système d’électricité, mais diffère de l’efficacité énergétique
traditionnelle en ce qu’elle est plus dynamique et contrôlable, ce qui signifie
qu’elle peut être utilisée pour répondre à la demande croissante.
Selon la littérature, certaines préoccupations découragent les consomma-
teurs de participer aux programmes du DR. Ces problèmes peuvent être
résumés par [47] : (1) l’incertitude du prix (2) la viabilité économique de la
participation à un programme de DR.
Dans cette thèse, nous cherchons à augmenter le confort des consomma-
teurs, la gestion de l’énergie en ce qui nous concerne, ne vise pas à réduire
la consommation énergétique. Dans la littérature, nous pouvons trouver de
nombreuses définitions de la gestion de l’énergie mais en se basant sur les
définitions données dans [29, 51, 52, 53], nous avons pu créer notre propre
définition de la gestion de l’énergie qui est la suivante : ”La gestion de
l’énergie est définie comme un ensemble de stratégies et de fonctions qui
peuvent ajuster et optimiser l’utilisation de l’énergie. Ces fonctions aug-
mentent l’efficacité énergétique et permettent de coordonner les sources
d’énergie. En outre, la gestion de l’énergie est le processus d’observation,
de contrôle et de conservation de la consommation d’électricité dans un
bâtiment, un quartier, etc., qui devrait être en mesure d’optimiser les coûts
et de minimiser le risque de perte de l’excès de production”.
Plusieurs outils tels que les systèmes de stockage intelligents jouent un rôle
important dans la gestion de l’énergie. Nous allons présenter, dans la sec-
tion suivante les systèmes de stockage pour surligner leur importance dans
les systèmes de gestion de l’énergie au sein des smart grids.
2.5 Systèmes de stockage intelligents

Cette section est consacrée à la présentation des systèmes de stockage
intelligents et à la description de leur rôle dans la gestion de l’énergie dans
les smart grids.
2.5.1 Définition et caractéristiques des systèmes de stockage

intelligents
Pour augmenter l’efficacité des énergies renouvelables (solaire, éolienne,
photovoltaı̈que, etc.) dans le réseau, il est important de développer des
systèmes de stockage afin de gérer les pics de production des énergies re-
nouvelables. Le stockage de l’énergie est un moyen bien connu d’ajuste-
ment de la consommation en ajoutant un degré de liberté supplémentaire
pour contrôler les profils de puissance en fonction du bilan consomma-
tion/production. Ainsi, le stockage de l’énergie est défini comme étant le
moyen qui aide à placer une quantité d’énergie dans une batterie afin de l’uti-
liser dans un temps futur. L’intégration des systèmes de stockage de l’énergie
est importante afin de valoriser les énergies alternatives, sûres et renouve-
lables, mais par nature intermittentes. Les technologies de stockage sont
nombreuses, chacune d’entre elles a ses propres caractéristiques et peuvent,
en fonction de leurs caractéristiques, aider de différentes manières à la ges-
tion de l’énergie dans les smart grids [54]. Le recours aux systèmes de sto-
ckage est l’une des solutions complémentaires qui visent à réduire l’utilisation
nécessaire d’énergie en moyenne durant les pointes de consommation [55, 56].
En outre, le déploiement du stockage aurait de multiples avantages tels que
[54, 55, 56] : (1) le gain environnemental lié au déploiement à grande échelle
d’énergie verte (2) l’indépendance vis-à-vis des ressources fossiles qui pourra
amener à un avantage économique sur le long terme (3) la disponibilité du
stockage à un coût compétitif et à grande échelle qui pourra donc être un
facteur clé pour répondre à l’augmentation de la pénétration des énergies
renouvelables et à la variabilité de la demande. Au niveau de la consomma-
tion, l’ajout d’un système de stockage favoriserait la possibilité d’effacement
des pics de consommation. De plus, le stockage pourrait notamment contri-
buer à une meilleure intégration de la production renouvelable intermittente
en stockant les surplus d’électricité afin de les réinjecter lors des périodes de
faible production et/ou de forte consommation et également contribuer à
32 2.5. SYSTÈMES DE STOCKAGE INTELLIGENTS
diminuer la dépendance aux énergies fossiles [55, 56].

L’utilité du stockage de l’électricité ne fait plus débat aujourd’hui, plusieurs
problématiques devront être résolues avant que celui-ci ne soit déployé à
grande échelle ; quelles sont les technologies les plus prometteuses ? Quel
sera le modèle économique du stockage d’électricité ? Les réponses à ces
questions seront présentées dans le paragraphe suivant.
2.5.2 Les différents types de systèmes de stockage

La situation actuelle des systèmes de stockage d’énergie électrique est
caractérisée par : a) l’utilisation commune de stockage qu’il s’agisse d’une
grande pompe hydraulique ou de petites batteries et d’autres appareils,
b) les nouvelles technologies disponibles sont au stade de prototype, c)
les outils de planification pour aider à la compréhension des dispositifs
de stockage ne sont pas reconnus et d) l’intégration du système ainsi que
l’électronique de puissance doivent être améliorées [57]. Les dispositifs de
stockage d’énergie devraient notamment résoudre l’aspect aléatoire de la
production de l’énergie. Ils peuvent lisser les variations dans la production
et la demande et peuvent grandement simplifier le fonctionnement de la
grille [28]. Dans un contexte opérationnel, le stockage de l’énergie est uti-
lisé pour stocker le surplus d’électricité. Du point de vue de la finance, le
stockage d’énergie est traité comme un instrument d’arbitrage : il se charge
lorsque les prix d’énergie de la grid sont faibles et se décharge lorsque ces
prix sont élevés [29]. Dans les zones résidentielles, le stockage d’énergie est
pratiquement synonyme de batteries [58].
Aujourd’hui, les recherches sur le sujet du stockage sont légion telles que
les recherches présentées dans Colak et al. [59], Venkataramani et al. [60]
et Déde et al. [61]. En témoignent les nombreux travaux lancés tant à
l’échelle française qu’à l’échelle européenne, plusieurs appels à projets autour
de plusieurs modes de stockage de l’énergie (électrochimique, thermique,
mécanique, magnétique, pneumatique, etc.) sont présentés au niveau eu-
ropéen et introduisent le stockage dans la gestion de l’énergie, aussi bien
au niveau de l’habitat que des sites industriels et des réseaux intelligents
[57]. En France, les entreprises et les particuliers ont le droit de produire de
l’électricité et de la stocker, mais ce uniquement pour leur propre usage. Ils
peuvent l’injecter dans le réseau, en la revendant à EDF mais cette législation
est susceptible d’évoluer dans le cadre de l’émergence des smart grids. Au
niveau français, le stockage est également considéré comme un élément clé
à prendre en compte dans les années à venir et de nouvelles solutions de
stockage sont expérimentées dans les différents démonstrateurs : Millener
[62], Nice Grid [63], Pégase [64], les batteries de véhicules Autolib de Bolloré
[65], etc. Huit acteurs sont unis en 2012 pour réaliser le projet de stockage de
l’énergie nommé Venteea qui a été présenté et retenu dans le cadre de l’appel
à manifestation d’intérêt du programme ”Réseaux Électriques Intelligents”
lancé par l’État et l’ADEME en 2011 [66]. Le premier démonstrateur de ce
projet a vu le jour en 2015 dans l’Aube où une très grande batterie a été
reliée à deux parcs éoliens au Sud de Troyes. En effet, ENEDIS, Schneider
Electric et Saft constituent le consortium à la tête de l’installation de cette
batterie dite intelligente car elle a la capacité de s’adapter aux pics crois-
sants ou décroissants de l’approvisionnement grâce à un système de pilotage
énergétique qui communique avec le réseau électrique. Un autre projet de
stockage d’énergie par batterie (BESS) est réalisé par Saft qui s’est joint à
Alstom en 2013 pour mettre en œuvre une solution de stockage d’énergie
qui inclut également un système de gestion d’énergie intelligente développée
par Alstom, MaxSine TM eStorage, permettant de gérer le flux d’électricité
en fonction des besoins du réseau ou la stocke dans la batterie fournie par
Saft [67]. Finalement, la société américaine Tesla Motors, constructeur de
véhicules électriques, lance une batterie lithium-ion baptisée ”PowerWall”
[68]. Le PowerWall est une batterie qui stocke l’énergie solaire et met à dis-
position cette électricité au moment de manque de production.
En effet, les travaux de recherche et de développement en cours visent à
améliorer les performances techniques et économiques des technologies de
stockage d’énergie. Il s’agit notamment, d’une part, de réduire les pertes
d’autodécharge des volants d’inertie et des super-capacités et, d’autre part,
d’augmenter la durée de vie de la batterie [28, 69, 70].
En raison de la popularité des véhicules hybrides rechargeables, la batte-
rie d’un PHEV peut être considérée comme un stockage d’électricité tem-
poraire pour les consommateurs résidentiels [71]. L’arrivée des véhicules
électriques est un élément clé de la gestion des réseaux électriques intel-
ligents. Le véhicule électrique pourrait donc représenter une capacité ad-
ditionnelle de stockage de l’énergie et il sera donc possible, pendant les
périodes où les véhicules électriques seront branchés au réseau d’utiliser leur
capacité de stockage pour servir les consommateurs et surtout pendant les
heures creuses. Il s’agit du ”Vehicule-to-Grid” ou V2G qui utilise la bat-
terie du véhicule électrique comme un stockage mobile. Par ailleurs, l’état
du système électrique devra être pris en compte lors de la charge ou de
la décharge du véhicule. En effet, la recharge d’un véhicule électrique lors
des pointes de consommation, en hiver à 19 heures, constituerait une diffi-
culté supplémentaire pour l’équilibre du système électrique. La Figure 2.4
représente l’intégration du véhicule électrique dans le réseau.
34 2.6. OBJECTIFS DE LA GESTION DE L’ÉNERGIE
Les véhicules électriques présents dans l’industrie automobile sont : les

véhicules électriques purs (Electric Vehicles-EVs) ; les véhicules électriques
hybrides (Hybrid Electric Vehicle-HEVs) ; les véhicules électriques hybrides
rechargeables (Plug-in Hybrid Electric Vehicles-PHEVs) ; les véhicules
électriques dotés d’une Pile à Combustible (PAC) (Fuel Cell Vehicles-FCVs)
et les véhicules électriques à PAC rechargeables sur les réseaux électriques
(Plug-in Fuel Cell Vehicles-PFCVs) [72].
Figure 2.4 – Illustration de l’intégration du véhicule électrique dans le

réseau [5]
Afin de réaliser une meilleure gestion de l’énergie dans les smart grids
en intégrant les systèmes de stockage intelligents, plusieurs objectifs doivent
être satisfaits. La section suivante a pour but de présenter ces objectifs.
2.6 Objectifs de la gestion de l’énergie

Afin d’intégrer efficacement les énergies renouvelables dans le système
électrique, la gestion de l’énergie offre plusieurs perspectives d’économies sur
des horizons de long et court terme. Par ailleurs, les centrales assurant la
production de l’énergie sont des ressources de production non renouvelables,
plus émettrices de gaz toxiques tel que le CO2 . La gestion de l’énergie devrait
donc contribuer à diminuer les émissions des gaz toxiques. A court terme,
les objectifs de la gestion de l’énergie sont définis comme suit :
— Réduire la facture énergétique des consommateurs : la modulation
de la demande devrait permettre de limiter les variations horaires du
coût marginal de production, et donc du prix de l’électricité.
— Résoudre le problème d’intermittence des énergies renouvelables :
la gestion de l’énergie devrait permettre d’équilibrer production et
consommation sur le réseau électrique qui intègre les producteurs
d’énergie renouvelable intermittente.
— Réduire l’utilisation de la grille en heures de pointe : la gestion de
l’énergie devrait permettre de minimiser l’accès à la grille durant les
heures qui sont prédites comme heures de pointe. Cette minimisation
se fait en utilisant des systèmes de stockage qui agrègent l’énergie
renouvelable en excès et qui stockent l’énergie de la grille durant les
périodes où l’utilisation de la grille est faible.
A plus long terme, le recours à ces centrales de pointe pourrait être réduit
en raison de leur remplacement partiel grâce à la gestion de l’énergie. Ainsi,
certains des investissements nécessaires dans des capacités de pointe, utilisés
uniquement sur des périodes restreintes de l’année, pourront être diminués.
Finalement, les informations récupérées et échangées au sein des entités du
smart grid contribuent à la gestion de l’énergie car ces informations rendent
le réseau suffisamment autonome pour une prise de décision décentralisée.
En outre, l’agrégation de ces données sur un intervalle de temps précis a pour
objectif de prédire l’état de consommation et de production du système pour
pouvoir assurer une meilleure optimisation du coût de l’énergie.
2.7 Conclusion
Dans ce chapitre, nous avons décrit l’ensemble des stratégies de gestion
de l’énergie tel qu’il est implémenté dans les smart grids. En plus, nous avons
décrit les outils qui servent à une meilleure gestion de l’énergie tels que les
systèmes de stockage. En plus, nous avons détaillé les objectifs de cette thèse.
Dans le prochain chapitre, nous détaillons les solutions présentées dans la
littérature pour une meilleure gestion de l’énergie.
36 2.7. CONCLUSION
Chapitre 3
Gestion de l’énergie dans les

réseaux intelligents :
Solutions existantes et
besoins
Sommaire
3.1 Introduction . . . . . . . . . . . . . . . . . . . . . 37
3.2 Les outils utilisés pour la gestion de l’énergie . 38
3.2.1 Les systèmes multi-agents (SMA) . . . . . . . . . . 38
temps réel pour la gestion de l’énergie sans SMA . 44
3.2.3 Algorithmes d’optimisation utilisés pour la gestion
de l’énergie . . . . . . . . . . . . . . . . . . . . . . 48
3.3 Limites des algorithmes existants . . . . . . . . . 50
3.4 Besoin d’une nouvelle solution pour la gestion
de l’énergie . . . . . . . . . . . . . . . . . . . . . . 51
3.5 Solution proposée pour une meilleure intégration
des énergies renouvelables . . . . . . . . . . . . . 52
3.6 Conclusion . . . . . . . . . . . . . . . . . . . . . . 53
3.1 Introduction
Un réseau électrique intelligent collecte des données à partir de différentes
entités afin d’obtenir une utilisation optimale de l’énergie. Le développement
37
38 3.2. LES OUTILS UTILISÉS POUR LA GESTION DE L’ÉNERGIE
des systèmes multi-agents devra jouer un rôle majeur dans la gestion de

l’énergie dans les smart grids. Les travaux qui se sont intéressés à la gestion
de l’énergie peuvent être classés en deux grandes catégories. Dans la première
catégorie, les travaux se sont focalisés sur la résolution de ce problème d’une
manière centralisée en intégrant une entité centrale qui prend la décision
pour la totalité du système. Dans la deuxième catégorie, les travaux uti-
lisent un algorithme décentralisé d’optimisation qui présente plusieurs effets
négatifs sur le système et surtout sur la complexité de l’implémentation, le
temps de réponse et le nombre d’itérations mis en œuvre pour aboutir à la
bonne solution.
Dans ce chapitre, nous présentons en premier lieu les outils qui permettent
une meilleure gestion de l’énergie du smart grid. Nous résumons en second
lieu l’état de l’art de l’optimisation et son utilité pour la gestion de l’énergie.
Ensuite, nous définissons notre contexte de travail, les problématiques
considérées ainsi que l’approche que nous avons adoptée et qui est basée
sur les systèmes multi-agents permettant ainsi de mettre en œuvre une ges-
tion décentralisée de l’énergie.
3.2 Les outils utilisés pour la gestion de l’énergie

Cette section est consacrée à la présentation des outils aidant à la gestion
de l’énergie au sein des smart grids. En outre, elle présente les algorithmes
de la littérature tout en surlignant leurs avantages et limites.
Nous commençons par présenter les systèmes multi-agents et leur impor-
tance pour la gestion de l’énergie dans les smart grids.
3.2.1 Les systèmes multi-agents (SMA)

Les systèmes multi-agents sont un domaine issu de la rencontre de l’in-
telligence artificielle et des systèmes distribués. Cette discipline a vu le jour
pour résoudre certains problèmes qui sont distribués de manière inhérente
et n’acceptent qu’une résolution distribuée (gestion de trafic aérien, gestion
d’un réseau électrique, etc.).
Dans cette sous-section, nous allons décrire les concepts qui découlent du
domaine de recherche que constituent les systèmes multi-agents.
Définition d’un agent

Dans la littérature, on trouve une multitude de définitions des agents.
Elles se ressemblent toutes, mais diffèrent selon le type d’application pour
INTELLIGENTS : SOLUTIONS EXISTANTES ET BESOINS 39
laquelle est conçu l’agent. L’idée consiste à résoudre un problème distribué
en utilisant une entité intelligente nommée agent. En effet, les agents sont des
entités qui ont leur propre intelligence et autonomie et qui interagissent dans
un environnement en suivant leurs perceptions. Chaque agent a sa propre
perception de l’environnement et prend ses décisions sur cette base. En outre,
il perçoit son environnement grâce à des capteurs et agit sur l’environnement
grâce à des actionneurs (Figure 3.1) [73]. L’environnement d’un agent peut
être physique (par exemple, le système d’alimentation) et donc observable
grâce à des capteurs, ou il peut être informatique ou virtuel (par exemple,
les sources de données, ressources informatiques, etc.), observables à travers
les appels système ou les messages [74]. Les agents peuvent avoir différents
niveaux d’intelligence ; certains peuvent être dotés d’une intelligence simple
tandis que d’autres peuvent disposer de mécanismes de pensée beaucoup
plus complexes.
Figure 3.1 – Comportement de base d’un agent
Les capacités d’un agent sont déterminées par les propriétés qu’ils
possèdent. Pour qu’un agent soit intelligent, il doit être capable de réaliser
des actions autonomes flexibles et doit se caractériser par [74] :
La réactivité : un agent intelligent devrait pouvoir percevoir son en-
vironnement et réagir à ses changements, que ce soit la modification
des objectifs de l’utilisateur ou des ressources disponibles.
La proactivité : un agent intelligent est capable, sur sa propre initia-
tive, de se fixer des buts pour atteindre ses objectifs.
La sociabilité : un agent intelligent devrait avoir la capacité d’inter-
agir avec d’autres agents de façon coopérative ou compétitive pour
atteindre ses buts.
Un agent intelligent peut avoir d’autres caractéristiques optionnelles, telles
que la mobilité, la bienveillance et l’apprentissage.
Définition des systèmes multi-agents

Les systèmes multi-agents sont utiles pour une gamme d’applications, y
compris le diagnostic, la restauration du système d’alimentation, la simula-
tion du marché, le contrôle et l’automatisation de réseau [74]. Un système
multi-agents est composé de plusieurs agents qui interagissent entre eux pour
assurer le bon fonctionnement du système dans lequel ils sont intégrés. Les
SMA sont utilisés en général lorsque le problème est trop complexe pour être
résolu par un seul système à cause de limitations logicielles ou matérielles,
en particulier, si les composants entretiennent des relations multiples entre
elles. Les SMA représentent un excellent outil pour assurer un contrôle auto-
nome dans un système largement distribué et dont les caractéristiques sont
largement dynamiques.
En outre, il est généralement préférable de faire coopérer plusieurs entités
du système afin de résoudre le problème par une équipe. Chaque entité a une
perception et des compétences limitées qui ne lui permettent pas individuel-
lement de résoudre le problème, d’où l’utilisation de la coopération et de la
coordination par les agents. L’interaction a lieu d’habitude dans un environ-
nement commun où les agents ont diverses zones d’influence, ou en d’autres
termes diverses parties de l’environnement sur lesquelles ils peuvent agir. En
interagissant dans un environnement partagé, les agents doivent coordonner
leurs actions et utiliser des mécanismes de résolution de conflits, comme
des protocoles de négociation ou d’enchères [6, 75, 76] dont un aperçu sera
présenté dans le paragraphe suivant.
Algorithmes de négociation dans les smart grids

Une des principales propriétés de l’agent est celle d’interagir avec les
autres agents. Ces interactions sont généralement définies comme étant toute
forme d’action exécutée au sein de la société qui a pour effet de modifier le
comportement d’un autre agent [77]. Elles donnent à l’agent la possibilité de
participer à la satisfaction d’un but global et lui permet alors d’évoluer vers
un de ses objectifs. Le présent paragraphe a pour but de présenter l’activité
de négociation en général ainsi que ses composants, son processus, ses types
et ses formes.
Définition de la négociation : La négociation est un mécanisme de

résolution des conflits, par lequel deux ou plusieurs agents dans un SMA in-
teragissent dans le but d’atteindre un arrangement mutuellement acceptable
[77, 78, 79]. Cette solution acceptable peut être conclue sur une répartition
d’un ensemble de ressources financières ou matérielles dont disposent les
agents. Les composants principaux de la négociation sont [80] :
1. Le langage utilisé par les agents participants : le langage de
négociation est composé d’un ensemble de primitives de communi-
cation.
2. Le protocole suivi par les agents dans le processus de négociation :
le protocole de négociation est formé des participants dans la
négociation, des propositions que les participants peuvent faire, des
états de la négociation et d’une règle pour déterminer quand on est
arrivé à un accord ou la condition d’arrêt.
3. L’objet de négociation : c’est un objet abstrait qui comprend les
attributs qu’on veut négocier. Par exemple, dans certains cas il s’agit
de négocier uniquement le prix, mais dans d’autres cas il faut aussi
négocier plusieurs attributs comme le temps nécessaire pour satisfaire
une commande.
4. La procédure de décision que chaque agent utilise pour déterminer ses
positions, concessions, et critères pour l’accord : c’est par définition
le modèle que l’agent utilise pour prendre des décisions durant la
négociation. La partie la plus importante de la prise des décisions
dans ce cas est la stratégie de négociation qui permet de déterminer
quelle primitive de négociation l’agent doit choisir à un certain mo-
ment.
Types et formes de négociation : La négociation peut prendre

différentes formes, de la négociation la plus basique à la plus complexe. Le
niveau le plus faible en termes de négociation est un système dans lequel
cette négociation est réduite à sa plus simple expression. C’est notamment
le cas dans la négociation dite à prendre ou à laisser [81] dans laquelle une
offre est formulée qui sera soit acceptée, soit refusée, mais sans autoriser de
révision. La négociation s’arrête après cette offre. Le ”Contract Net Proto-
col” est une négociation de niveau plus élevé, puisqu’il consiste en un appel
d’offres de la part d’un agent appelé manager [82, 83]. Différentes offres
sont alors proposées au manager par des contractants, mais seulement l’une
d’elles est choisie par le manager sans autre formulation si aucune offre ne
convient. Cette négociation commence à un niveau supérieur, où plusieurs
offres sont échangées, des contre-propositions sont formulées et des conces-
sions sont faites par les différentes parties impliquées. Les enchères [73] font
partie de ces négociations à un niveau certes élémentaire, puisqu’aucune

concession n’est faite par l’une des parties et surtout parce que le résultat
n’est satisfaisant que pour le vendeur et l’acheteur ayant gagné l’enchère, les
autres participants n’ayant rien obtenu. Les systèmes de vote font également
partie des négociations dans une forme élémentaire puisqu’une seule inter-
vention des participants est nécessaire pour réaliser la procédure de vote
[84, 85]. Les négociations combinées, les négociations multi-niveaux [86, 87]
et les négociations par argumentation constituent un niveau supérieur dans
les différentes formes de négociation.
Après avoir brièvement introduit les agents, les SMA et les algorithmes de
négociation, nous allons voir comment ces outils sont utilisés au sein des
smart grids.
Gestion de l’énergie avec les systèmes multi-agents

L’IEEE Power Engineering Society [74] affirme que l’approche multi-
agents peut jouer un rôle important dans le secteur de l’énergie. En effet,
le contrôle distribué des SMA apporte beaucoup d’avantages à la gestion
autonome et décentralisée des smart grids.
Le smart grid a pour but d’ouvrir le marché de l’électricité notamment
en intégrant les pro-consommateurs qui seront en mesure de vendre de
l’électricité au réseau. Ainsi, des techniques de négociation de vente et
d’achat de l’énergie seront utilisées et développées dans les smart grids.
Les travaux de recherche de Vytelingum et al. [88] ont développé plusieurs
stratégies de négociation pour le smart grid, en utilisant l’enchère double
ou ”Continuous Double Auction”. En effet, il y a une adaptation de cette
enchère au marché électrique pour définir la politique d’acceptation des offres
dans le marché électrique et les données nécessaires pour les agents afin
de stimuler la compétition entre eux. Les mécanismes proposés permettent
de faire face aux demandes imprévues et à l’augmentation de la capacité
de production, tout en ayant un taux d’efficacité élevé. Une négociation
entre les entités du système proposé afin de réduire les coûts de l’énergie
est présentée dans [6]. Le prix de vente (SP0) et le prix d’achat (BP0) sont
deux paramètres annoncés par l’exploitant du réseau. L’unité de commande
du réseau intelligent (SGC) dans ce système vise à négocier et à optimiser
les prix d’achat pour les consommateurs (Figure 3.2). En outre, les unités
de production et les unités de consommation appartiennent au réseau intel-
ligent et ajustent SPi et BPi après négociation avec d’autres unités sur la
base du prix de la grille, de leurs coûts d’exploitation et de la demande de
charge. Cependant, cet algorithme est centralisé et n’intègre pas l’utilisation
des systèmes de stockage.
Figure 3.2 – Architecture du système proposé dans Nagata et al. [6]
De même, les auteurs de [52] utilisent trois types d’agents pour assurer la
gestion de l’énergie dans les smart grids : (1) l’agent producteur qui a pour
rôles de surveiller les puissances, de déterminer le coût de la puissance fourni
par le composant et de communiquer des informations à d’autres agents. (2)
L’agent consommateur qui a pour rôles de surveiller la quantité de puis-
sance consommée par le composant, de déterminer la quantité instantanée
de la puissance active et réactive, et de négocier l’achat de l’énergie. (3)
L’agent observateur qui a pour rôles de surveiller des paramètres spécifiques
au sein du réseau, et de communiquer des informations à d’autres agents
en ce qui concerne l’état du nœud. Dans cette proposition, les agents de
consommation négocient le coût pour assurer le choix optimal, en prenant
en considération les priorités des données. Par contre, ce travail de recherche
n’utilise pas les systèmes de stockage pour en profiter en cas de pointe de
consommation. El Nabouch et al. [89] suggèrent de leur part l’utilisation
des enchères de premier prix pour arriver au choix optimal de la source qui
minimise le coût d’achat de l’énergie. Cependant, comme dans [52], cette
proposition ne prend pas en considération le stockage.
La technologie PowerMatcher, qui est un mécanisme de coordination basé
sur les SMA, a été utilisée par Kok et al. [90]. La gestion de l’énergie
dans ce système est basée sur l’utilisation des véhicules électriques dont
la problématique considérée est celle de la coordination de l’offre et de la
demande dans un réseau électrique où la génération devient de plus en plus
distribuée. L’application du PowerMatcher dans le contexte d’un microgrid
a permis de réduire la part de production d’électricité dont la source est un

générateur diesel.
Certains travaux utilisent les SMA sans développer d’algorithmes de
négociation. Parmi ces recherches, nous pouvons citer le travail de Logen-
thiran et al. [91] qui a pour objectif de développer et simuler un système
multi-agents qui permet à un marché de l’énergie de fonctionner dans les
deux modes, connecté et non connecté à la grille, en utilisant les DSM
(DSM : ”Demand Side Management”). En effet, le microgrid maximise son
gain en optimisant l’échange d’énergie avec le réseau principal. Ainsi, pour
le fonctionnement en mode non connecté, le microgrid répond à la demande
d’énergie locale à l’aide de sa production d’énergie locale et minimise les
pertes d’énergie. En mode connecté, le microgrid échange également de
l’énergie avec le réseau principal au prix du marché. Le système multi-agents
dans cet algorithme est donc utilisé afin de planifier en temps réel l’énergie
produite et de contrôler le système de stockage.

temps réel pour la gestion de l’énergie sans SMA
Il est important de prévoir, de manière précise, la demande et la consom-
mation de l’énergie des participants (producteurs et consommateurs) dans
le réseau électrique. Cette connaissance aide à la décision tout en permet-
tant d’optimiser les opérations et le temps [92]. En effet, la plupart des
prédictions sont effectuées sur 24 intervalles de temps, correspondant cha-
cun à une heure de la journée et est souvent appliquée pour prédire les
conditions météorologiques, les niveaux de charge et les prix du marché.
Définition de la prédiction de l’énergie

Dans le contexte des réseaux intelligents, la décision est basée sur
l’échange d’informations entre les entités du système pour gérer l’offre et
la demande, ce qui rend la prédiction un élément clé dans la prise de
la décision dans ce type de réseaux. En effet, chaque région a sa propre
production d’énergie renouvelable et sa propre consommation d’énergie en
fonction de la période de l’année et de l’heure de la journée. Sur la base
des productions d’énergie précédentes, le comportement du réseau peut être
prévu et estimé. Plusieurs facteurs influencent les prédictions dans le réseau
électrique : (1) la situation météorologique (température, climat, etc.), (2)
l’activité économique d’où la nécessité d’énormes modifications de prévisions
de charge pendant les périodes de vacances, (3) les heures normales de tra-
vail, etc. En effet, les méthodes classiques de prévision de demande sont
basées sur les informations météorologiques et les données historiques de
consommation et sont utilisées pour obtenir un système moins complexe. Les
informations prédites sont exactement celles utilisées par le réseau de ges-
tion intelligent pour améliorer l’efficacité du système électrique [20, 93, 94].
Plusieurs chercheurs ont utilisé des algorithmes mathématiques (program-
mation quadratique, théorie des jeux, etc.) afin d’obtenir les prédictions
nécessaires [21].
La prédiction dans le domaine de gestion de l’énergie

Dans la littérature, on trouve un certain nombre d’algorithmes qui pro-
posent l’utilisation des systèmes de stockage dans la gestion de l’énergie des
réseaux intelligents [95]. De même, des efforts de recherche sont portés sur
les prédictions de la consommation d’énergie dans le domaine résidentiel
pour une période de 24 heures [96, 97]. Cependant, une solution complète
de gestion de l’énergie exige une compréhension globale de la précision
des prédictions pour différentes entités, ainsi que pour différents horizons
de temps (heure, jour ou semaine). Subramanian et al. [98] utilisent les
prédictions nommées ”day-ahead” afin de réaliser les plans de tarification
pour gérer des charges de l’énergie résidentielle et d’optimiser les services
d’énergie dans les réseaux intelligents. Ce travail utilise des données histo-
riques à partir des ressources du monde réel pour calibrer le modèle sous-
jacent et mesurer la qualité de précision du modèle. L’algorithme proposé a
pour but principal de réduire les coûts des consommateurs tout en déplaçant
de façon optimale les consommations de l’heure de pointe vers une autre
période, réduisant ainsi la nécessité de l’utilisation énorme de l’énergie du-
rant cette période. En outre, dans [99], il y a une proposition qui vise à
faire un contrôle prédictif nommé ”Model Predictive Control (MDC)” pour
la gestion de l’énergie dans le smart grid afin de minimiser la fonction de
coût. Une programmation de l’utilisation de la batterie est déterminée en
fonction de nombreux paramètres. Néanmoins, cet algorithme n’intègre pas
les avantages des systèmes de stockage intelligents.
Afin de réduire l’intermittence des ressources photovoltaı̈ques, Kanchev et
al. [51] ont développé un algorithme de gestion de l’énergie en se basant
sur les données prédites et ont utilisé deux technologies de stockage au ni-
veau des consommateurs pour permettre la gestion de la demande du réseau
et l’intégration efficace des énergies renouvelables. Les batteries sont les
premières technologies de stockage, qui sont utilisées pour assurer une réserve
d’énergie pour l’exploitant du réseau. En outre, les super-condensateurs sont
considérés comme les deuxièmes technologies de stockage dans cet algo-

rithme et sont utilisés pour équilibrer les variations rapides de puissance
provenant du générateur photovoltaı̈que et de la commande de fréquence pri-
maire. Une stratégie a été présentée afin de contrôler les systèmes de stockage
en fonction des ressources renouvelables (ressources photovoltaı̈ques) et des
exigences de la grille. Dans cette stratégie, une planification de la puissance
opérationnelle déterministe a affecté la puissance horaire des générateurs
conventionnels et photovoltaı̈ques. La stratégie présentée repose sur des
prédictions de centrales photovoltaı̈ques et de la consommation.
La gestion de l’énergie dans les smart grids en utilisant les SMA

et les prédictions
Dans [7], les auteurs ont proposé un algorithme intégrant de nombreux
agents de stockage comme le montre la Figure 3.3, dans lequel ils se sont
servis des prédictions des prix de l’énergie et des consommations des utilisa-
teurs afin de pouvoir stocker l’énergie nécessaire. En outre, chaque agent de
stockage a pour but de choisir l’intervalle de temps optimal pour acheter de
l’énergie à partir de la grille, qui correspond à la période où le prix prédit de
la grille est faible. De plus, tous les consommateurs achètent leurs demandes
des agents de stockage afin qu’ils n’aient pas accès au réseau. Dans cet al-
gorithme, les auteurs visent à minimiser le prix de l’énergie. Néanmoins, cet
algorithme ne prend pas en considération l’utilisation des ressources renouve-
lables et ne considère pas le cas où le consommateur préfère acheter l’énergie
directement à partir de la grille afin de minimiser les pertes énergétiques.
Figure 3.3 – Architecture des agents de stockage dans Alberola et al. [7]
D’autres études ont proposé des mécanismes de contrôle basé sur les SMA
qui visent à intégrer les préférences des consommateurs dans la gestion de la
demande tel que le travail présenté dans [100], qui utilise le contrôle nommé
”homeostatic”. En effet, tous les agents dans cet algorithme représentent
les consommateurs et peuvent communiquer avec le réseau et optimiser la
consommation d’énergie, sur la base des données agrégées et prédites. En
se basant sur les données prédites, le stockage choisit le meilleur moment
pour se charger. Cet algorithme permet de contrôler un système conte-
nant des fournisseurs d’énergie renouvelable opérant dans le réseau et un
certain nombre de maisons individuelles. Cette approche réduit la facture
énergétique mais peut également réduire le confort des utilisateurs et ne
prend pas en considération les pertes d’énergie surtout en utilisant un grand
nombre de systèmes de stockage.
D’autre part, Rose et al. [94] ont développé un nouveau mécanisme d’op-
timisation nommé ”Sum of Others’ plus Max (SOM)” qui est basé sur
l’agrégation des informations prédites par une entité centrale afin de prendre
la décision concernant la vente et l’achat de l’énergie. Ce mécanisme utilise
un agent centralisé qui regroupe toutes les informations prédites sur la base
desquelles il achète et agrège toute l’énergie nécessaire pour le système.
Afin d’encourager les agents à déclarer leurs vraies valeurs à l’agent central,
ce dernier récompense les agents d’un budget qui est égal aux économies
réalisées en utilisant l’information des agents. En utilisant l’algorithme
SOM, l’agent central distribue les gains aux agents d’une manière équilibrée.
Néanmoins, la centralisation peut remettre en cause l’évolutivité de l’algo-
rithme et constitue l’inconvénient majeur de cette proposition.
Wang et al. [93] ont développé leur algorithme de gestion de l’énergie afin
de contrôler le stockage présent dans le système. Le contrôle est réalisé en
adoptant un algorithme qui ajuste les prédictions futures en cas d’une per-
turbation (nouveau consommateur dans le réseau, panne d’une unité de pro-
duction, etc.). Les auteurs ont utilisé un système distribué afin de contrôler
les systèmes de stockage d’énergie en se basant sur les prédictions de la
production photovoltaı̈que. Cet algorithme ajuste à chaque laps de temps
toutes les valeurs des prédictions au cas où une perturbation se produit. Les
valeurs prédites ont servi à développer un algorithme qui permet de planifier
le plan de charge et de décharge des systèmes de stockage. Cependant, cet
algorithme n’a pas pris en considération l’interaction intelligente entre les
consommateurs. D’une façon similaire, un algorithme de gestion de l’énergie
a été proposé dans [101]. Cet algorithme réduit le coût de l’énergie pour
les consommateurs et résout le problème des ressources renouvelables inter-
mittentes dans le contexte du smart grid. L’algorithme proposé utilise les
prédictions afin de déterminer la meilleure façon de maintenir le réseau. En
outre, une opération d’optimisation en temps réel est proposée pour tenir
compte des exigences de fonctionnement qui permet de modifier les valeurs
prévues. Pour résoudre le problème de d’utilisation élevée de données dans
les systèmes de gestion de l’énergie existants, les auteurs utilisent une archi-
tecture d’apprentissage à base de réseaux de neurones entièrement connectés.
De cette façon, il devient possible de réduire le temps de calcul nécessaire
pour prévoir le calendrier optimal de production et de prix des charges sen-
sibles. Cependant, cet algorithme n’utilise pas l’interaction intelligente entre
les consommateurs.
En effet, plusieurs recherches citées ci-dessus ne prennent pas en compte les
effets des perturbations sur l’algorithme de gestion de l’énergie, telles que
[51, 98, 99, 102]. Afin d’avoir un choix optimal pour la gestion de l’énergie,
plusieurs chercheurs ont utilisé des algorithmes mathématiques tels que les
algorithmes génétiques pour optimiser le coût de l’énergie. La section sui-
vante a pour rôle de définir brièvement les algorithmes d’optimisation et de
décrire leur apport dans la gestion de l’énergie dans les smart grids.
3.2.3 Algorithmes d’optimisation utilisés pour la gestion de

l’énergie
Les algorithmes d’optimisation consistent à trouver la combinaison
adéquate des valeurs d’entrée d’une fonction qui minimise ou maximise sa
valeur de sortie sous contraintes. En effet, l’utilisation d’un algorithme d’op-
timisation ne signifie pas nécessairement trouver la solution la mieux adaptée
à un problème spécifique, mais cette solution doit également être faisable et
doit répondre aux caractéristiques du problème.
La théorie des jeux permet une analyse formelle des problèmes posés par une
interaction stratégique d’un groupe d’agents rationnels poursuivant leurs
propres buts. Cette théorie se définit par un ensemble d’outils capables
d’analyser les situations dans lesquelles l’action optimale pour un agent
dépend des anticipations qu’il constitue en se basant sur la décision d’un
autre agent. L’objectif principal de la théorie des jeux est de déterminer une
stratégie optimale pour chacun des agents, de prédire l’équilibre du jeu et
de trouver comment aboutir à une situation optimale. Les travaux sur la
théorie des jeux proposent également une gestion de l’énergie distribuée.
L’un des algorithmes les plus efficaces pour l’optimisation dans les SMA est
l’algorithme génétique (AG). Les algorithmes génétiques sont initiés dans
les années 1970 par John Holland et sont des algorithmes d’optimisation
s’appuyant sur les phénomènes naturels dérivés de la génétique tels que le
croisement, la mutation et la sélection. En effet, ces algorithmes aident à
assurer des solutions aux problèmes n’ayant pas de solutions calculables en
temps raisonnable de façon analytique ou algorithmique. Un grand nombre
de solutions autrement nommées génotypes sera créé et ces solutions seront
ensuite évaluées pour choisir l’optimale.
Un nombre important d’algorithmes dans la littérature utilise l’optimisa-
tion pour une meilleure gestion de l’énergie au niveau des smart grids ou
des microgrids. Plusieurs recherches ont utilisé la théorie des jeux pour la
gestion de la demande [93, 100, 103]. Ainsi, Ibars et al. [104] contrôlent la
demande durant les périodes de pointe en utilisant la tarification dynamique.
En plus, la théorie des jeux est utilisée pour le contrôle de la congestion du
réseau. Les auteurs ont montré que le jeu pouvait converger pour atteindre
un équilibre de Nash en un nombre fini d’étapes. Caron et al. [105] ont
proposé un algorithme qui se base sur la tarification dynamique qui encou-
rage les consommateurs à obtenir, à un niveau agrégé, un meilleur profil de
charge pour les distributeurs, et d’étudier à quel point il est possible d’obte-
nir un profil lissé en fonction de la quantité d’informations qu’ils partagent.
Cet algorithme utilise un jeu coopératif dans lequel les clients ont accès
à la charge totale instantanée sur le réseau et des stratégies stochastiques
sont mises en place pour améliorer le gain global. La recherche dans [106]
a fait valoir le fait que l’utilisation de dispositifs de stockage économise de
l’énergie. Dans ce travail, tous les consommateurs résidentiels sont modélisés
par des agents autonomes (”Smarthome”), chargés de déplacer leur consom-
mation afin de maximiser les revenus résidentiels. Une technique de gestion
des systèmes de stockage à base d’agents a été proposée dont le but est
de permettre d’analyser l’équilibre de Nash d’un réseau électrique et conce-
voir de nouvelles stratégies d’apprentissage de stockage à base d’agents qui
s’adaptent aux conditions du marché. Cependant, cette recherche ne prend
pas en considération le confort des utilisateurs.
En outre, un système de contrôle de la charge basé sur la programmation
linéaire (LP) a été proposé dans [102]. Le principal objectif de cette recherche
est de minimiser la facture des consommateurs, grâce à un système à base
d’optimisation et de contrôle de la charge résidentielle qui utilise la tarifi-
cation en temps réel. En utilisant les prix moyens des périodes précédentes,
un prix unitaire sera estimé pour les futures périodes. Ce système combine
la prédiction des prix et de la consommation afin de planifier la demande
et prendre une décision optimale. Ghosh et al. [107] ont développé un algo-
rithme incitatif optimal pour plusieurs niveaux du réseau qui vise à réduire
de la demande énergétique globale en minimisant le coût total.
Pour la gestion de la demande résidentielle, l’algorithme d’O’Neill et al. [108]
réduit les coûts énergétiques résidentiels et lisse la consommation en utili-
50 3.3. LIMITES DES ALGORITHMES EXISTANTS
sant des techniques d’apprentissage par renforcement estimant l’impact des

prix de l’énergie et des décisions futures de consommation sur les coûts à
long terme et les horaires d’utilisation des appareils. Les prix de l’énergie
et l’utilisation des appareils sont modélisés à l’aide de chaı̂nes de Markov
et ne supposent pas la connaissance de la structure ou les probabilités de
transition de ces chaı̂nes. Ce travail montre qu’il est possible de s’adapter
aux préférences des consommateurs et des modifications de prix.
Par ailleurs, Vandoorn et al. [109] présentent une stratégie de contrôle
dans un micro-grid isolé en privilégiant les énergies renouvelables et en
tenant compte de leur caractère intermittent. La solution proposée as-
sure la flexibilité dans la répartition de l’énergie pour garantir la stabilité
du réseau. Notons qu’il existe d’autres travaux qui proposent l’utilisation
d’algorithmes d’optimisation [110], de heuristiques [111] et d’algorithmes
génétiques [112, 113, 114].
3.3 Limites des algorithmes existants

Les travaux que nous avons présentés dans les sections précédentes ont
d’une part traité de l’usage des SMA pour introduire de l’intelligence aux
différents niveaux d’un smart grid et se sont intéressés, d’autre part, à l’uti-
lisation et l’utilité d’algorithmes de prédiction et d’optimisation dans les
réseaux électriques intelligents afin d’assurer la gestion de l’énergie. Ce-
pendant, malgré le besoin plus que justifié d’une gestion décentralisée de
l’énergie dans le contexte des smart grids, plusieurs auteurs ont suggéré
l’utilisation d’une entité centrale qui agrège les données et prend la décision
pour le système entier [6, 94]. Par ailleurs, les travaux qui ont proposé un al-
gorithme pour la gestion de l’énergie complètement décentralisée n’ont pas
utilisé de stockage intelligent qui permet de stocker l’excès de production
[6, 52, 89, 99]. Plusieurs recherches ont eu recours au décalage de l’utilisation
de l’énergie, ce qui va à l’encontre du confort de l’utilisateur [98, 100, 106].
D’autres ont utilisé les algorithmes d’optimisation de l’énergie pour arriver à
une solution optimale d’achat ou de vente de l’énergie mais ces algorithmes
sont complexes et nécessitent un grand nombre d’itérations pour aboutir
à la configuration optimale [93, 100, 103, 110, 111, 112, 113, 114]. Enfin,
presque tous les algorithmes présentés n’ont pas pris en considération les
pertes d’énergie dans le cas d’utilisation d’algorithmes distribués.
Cependant, malgré le besoin d’une gestion décentralisée de l’énergie au sein
des smart grids, nous remarquons que très peu, voire aucun, de travaux
de recherche se sont intéressés à l’utilisation de l’approche multi-agents
complètement distribuée qui négocie à plusieurs niveaux l’achat et la vente
de l’énergie tout en minimisant les pertes d’énergie. Il y a donc un réel
besoin d’une solution de gestion de l’énergie répondant aux besoins du
réseau électrique en termes de gestion décentralisée proactive et prenant
en considération les contraintes imposées par le réseau.
3.4 Besoin d’une nouvelle solution pour la gestion

de l’énergie
Dans le contexte des smart grids et particulièrement celui du réseau de
consommation, l’équilibre d’énergie constitue une problématique majeure,
identifiée par de nombreux chercheurs. En effet, avec l’intégration des res-
sources énergétiques renouvelables, on se trouve face à un besoin de gestion
et de maı̂trise de l’énergie à cause de l’intermittence de ces ressources. Ce
besoin est notamment lié à la problématique d’équilibre de la production et
de la consommation sur le réseau électrique. Dans cette thèse, nous visons
à intégrer efficacement les énergies renouvelables dans le système électrique
et avons, dans ce sens, développé un ensemble d’algorithmes qui aident dans
la gestion de l’énergie dans le smart grid en minimisant les effets d’intermit-
tence et en maximisant l’intégration de l’énergie dite verte. Les besoins aux-
quelles ce travail vise à répondre peuvent être résumés comme suit [1, 3, 5] :
Besoin 1 : garantir l’équilibre entre l’offre et la demande en intégrant un
système de stockage intelligent.
Besoin 2 : optimiser le coût d’achat de l’énergie et la facture des consom-
mateurs.
Besoin 3 : minimiser l’utilisation de la grille surtout durant les périodes de
pointe.
Besoin 4 : minimiser la perte en ligne de l’énergie.
Besoin 5 : maximiser autant que possible le gain des producteurs.
Besoin 6 : augmenter autant que possible la vie des systèmes de stockage.
Besoin 7 : minimiser le nombre de messages échangés pour de meilleures
performances du réseau.
A notre connaissance, aucun des travaux issus de la littérature n’a fourni
une solution qui pourrait répondre à ces besoins dans le cadre d’un smart
grid. Nous visons à travers cette thèse à répondre à un maximum de ces be-
soins et à fournir une solution à ces problématiques d’actualité qui comble
les limitations des propositions existantes en adoptant une approche multi-
agents, qui est naturellement adaptée aux systèmes distribués et qui leur
apporte l’autonomie qui leur est nécessaire.
3.5. SOLUTION PROPOSÉE POUR UNE MEILLEURE
52 INTÉGRATION DES ÉNERGIES RENOUVELABLES
3.5 Solution proposée pour une meilleure
intégration des énergies renouvelables
Comme nous l’avons vu dans les sections précédentes, les systèmes de

stockage intelligents font partie intégrante des smart grids. Afin de gérer
les flux énergétiques de toutes les entités du système et de décentraliser leur
traitement, nous adoptons une approche multi-agents. En effet, les SMA sont
capables d’apporter l’intelligence et l’autonomie nécessaires à cette gestion.
Selon le contexte dans lequel ils sont déployés, ces entités devront exécuter
certaines tâches plutôt que d’autres. Nous adoptons dans notre solution des
agents intelligents dont chacun est organisé en 3 couches : (1) la couche de
connaissance qui présente les connaissances du monde que manipule l’agent
ainsi que les opérations de cet agent ; c’est la partie code de l’agent ou
la partie programmable. (2) La couche d’interaction et de négociation qui
permet de gérer la communication avec différents agents du SMA. (3) La
couche cognitive qui permet d’adapter le comportement d’un agent, par
exemple par apprentissage. En outre, cette couche récupère les informations
nécessaires à la prise de décision. Dans notre modèle, les agents sont des
entités logicielles embarquées dans la grille, les compteurs intelligents des
maisons connectées, les systèmes de production et le système de stockage.
La communication d’informations entre les agents se fait par un échange
compréhensible de plusieurs messages tels que :
— Inform message : ce message est échangé entre tous les agents du
système afin de communiquer des informations utiles pour atteindre
l’objectif de gestion.
— Request message : ce message est échangé entre tous les agents du
système afin de demander l’énergie aux sources d’énergie.
— Agree request message : ce message est envoyé par un agent qui
accepte la demande provenant d’un autre agent.
— Refuse request message : ce message est envoyé par un agent qui
refuse la demande d’un autre agent.
— Call for proposal message : ce message est utilisé pour lancer un
appel à propositions lors des négociations.
— Propose message : ce message est utilisé pour proposer une solution
de négociation.
— Accept proposal message : ce message est envoyé par un agent
qui accepte la proposition provenant d’un autre agent lors d’une
négociation.
— Refuse proposal message : ce message est envoyé par un agent
qui refuse la proposition provenant d’un autre agent lors d’une
négociation.
La Figure 3.4 résume le fonctionnement et les tâches de nos agents. Notre
SMA prédit les prix de l’énergie, les productions des énergies renouvelables
(RE) et les consommations des utilisateurs pour un jour (prédictions Day-
ahead) en utilisant un algorithme de prédiction défini dans le chapitre sui-
vant et planifie, sur la base de ces informations, les actions et tâches à effec-
tuer. Il est nécessaire que notre SMA agisse durant des intervalles de temps
plus courts durant la journée en prenant en considération les prix en temps
réel (”Real-Time Pricing ou RTP”), les productions et les consommations
en temps réel.
Figure 3.4 – Tâches des agents dans notre proposition
3.6 Conclusion
Ce chapitre a mis l’accent sur les divers outils permettent dans la gestion
de l’énergie dans le contexte des smart grids. Nous avons ainsi présenté les
algorithmes qui permettent d’assurer l’équilibre production-consommation
d’une manière optimale. Après avoir identifié le besoin de la gestion de
l’énergie et l’équilibre offre-demande dans les smart grids, nous nous sommes
attardés sur les travaux existants dans la littérature qui ont traité la ges-
54 3.6. CONCLUSION
tion de l’énergie dans ce contexte. En plus, nous avons mis en évidence les
besoins de gestion d’un smart grid et proposé une architecture de gestion
décentralisée basée sur les systèmes multi-agents. Le chapitre suivant est
consacré à notre contribution associée à la gestion de l’énergie au sein d’un
smart grid en utilisant des systèmes de stockage intelligents et des algo-
rithmes de négociation.
Chapitre 4
ANEMAS : Gestion de
l’énergie à base d’agents
dans les smart grids
Sommaire
4.1 Introduction . . . . . . . . . . . . . . . . . . . . . 55
4.2 Motivations . . . . . . . . . . . . . . . . . . . . . . 56
4.3 Scénario mis en œuvre . . . . . . . . . . . . . . . 57
4.4 Approche décentralisée pour la gestion de l’énergie
dans les smart grids . . . . . . . . . . . . . . . . . 58
4.4.1 Proposition de gestion multi-niveaux de l’énergie . 59
4.4.2 Système multi-agents utilisé : Scénarios et condi-
tions à prendre en considération . . . . . . . . . . 61
4.4.3 Description de l’algorithme proposé : ANEMAS . . 64
4.5 Evaluation des performances de l’approche pro-
posée . . . . . . . . . . . . . . . . . . . . . . . . . . 70
4.5.1 Paramètres des simulations réalisées . . . . . . . . 71
4.5.2 Description et discussion des résultats obtenus . . 72
4.6 Conclusion . . . . . . . . . . . . . . . . . . . . . . 76
4.1 Introduction
Nous avons mis en évidence, dans les chapitres précédents, le rôle et
l’importance des systèmes multi-agents et des algorithmes de négociation
dans les smart grids, en particulier pour la gestion de l’énergie dans un
55
56 4.2. MOTIVATIONS
système qui utilise des ressources d’énergie renouvelables distribuées et in-

termittentes. Nous avons aussi identifié le besoin de gestion efficace et intel-
ligente de l’énergie pour réduire le coût payé par les consommateurs et les
pertes énergétiques et pour augmenter le confort des utilisateurs et l’effica-
cité du système.
Dans ce chapitre, seront présentées les méthodes de gestion de l’énergie,
en utilisant un réseau bidirectionnel intelligent, sur lesquelles s’appuie la
stratégie de contrôle de l’énergie. Dans un premier temps, nous présenterons
nos motivations et les scénarios traités. Ensuite, nous présenterons la
procédure de planification pour une journée (appelée procédure ”offline”
ou proactive) qui minimise la facture énergétique en fonction des prévisions
de consommation/production et des tarifs de l’énergie réalisés chaque jour.
Dans la troisième partie, sera présentée la gestion à court terme (appelée
procédure ”online” ou réactive) qui a pour objectif d’adapter sur un temps
court (typiquement une heure) l’utilisation des ressources énergétiques afin
de l’ajuster au profil optimal prévu par les procédures offline, et ce malgré
les erreurs de prédiction de la production et de la consommation. Les
différentes simulations comparent notre approche à d’autres algorithmes de
la littérature présentés dans le chapitre précédent en termes de prix et d’uti-
lisation des ressources énergétiques.
4.2 Motivations
Les systèmes de gestion de l’énergie visent à organiser et planifier l’uti-
lisation des ressources énergétiques distribuées présentes dans un système
électrique. Il est important de rappeler qu’on ne dispose pas à ce jour d’une
méthode susceptible de résoudre tous les cas d’une façon optimale et dis-
tribuée. Il existe un certain nombre de problèmes génériques que nous avons
identifiés dans le chapitre 3, qui se différencient par les caractéristiques
des travaux à réaliser ou des ressources disponibles pour les réaliser, des
méthodes spécifiques peuvent être alors associées à la résolution de chacun
de ces problèmes. Le travail présenté dans ce chapitre décrit un algorithme
visant à prendre en compte la robustesse et la flexibilité d’une gestion dy-
namique par la définition et la mise en œuvre d’un système d’aide à la
décision. Nous proposons une structure d’agents cognitifs qui exécutent les
fonctions de gestion et permettent de planifier des tâches des ressources et
d’adapter les plans générés en fonction des perturbations ou des aléas de
production. La solution d’aide à la décision a deux objectifs : (1) minimiser
le coût d’achat de l’énergie par les consommateurs et (2) minimiser l’accès
CHAPITRE 4. ANEMAS : GESTION DE L’ÉNERGIE À BASE
D’AGENTS DANS LES SMART GRIDS 57
à la grille surtout durant les heures de pointe.
Pour bien positionner les buts de l’algorithme proposé dans ce chapitre, nous
présenterons le scénario d’application dans la prochaine section.
4.3 Scénario mis en œuvre

Notre contribution consiste en un système multi-agents qui exploite les
données dont il dispose dans le contrôle et l’ordonnancement des tâches
d’utilisation d’énergie pour une gestion intelligente de celle-ci. Cependant,
nous avons choisi d’illustrer l’application de notre SMA en considérant un
cas des consommateurs résidentiels munis ou pas de ressources renouvelables.
Notre choix est justifié par l’importance de ce secteur dans la consommation
énergétique mentionné dans [1, 4, 115, 116, 117] ainsi que par les besoins
et les dépendances croissantes de l’énergie [118] et surtout dans le domaine
résidentiel. Il est crucial que les composants du système choisi soient sur-
veillés et contrôlés, notamment par le biais de capteurs et d’actionneurs.
Nous considérons donc un réseau dans lequel les agents récupèrent les
données récoltées par les capteurs déployés sur différentes entités telles que
des éoliennes, un système de stockage, un lave-linge, etc. (cf. Figure 4.1). Les
capteurs sont installés sur les différents composants et surveillent un certain
nombre de paramètres. Les particularités des agents dans notre système sont
les suivantes : (1) ces agents ne sont pas déployés aléatoirement, leur posi-
tion (x,y) est connue, (2) ces agents sont hétérogènes, (3) chaque agent peut
utiliser des données d’un ou plusieurs capteurs lors de la prise de décision.
Dans ce qui suit, nous allons considérer qu’une activité correspond à la
détection d’une demande énergétique, qui peut être signalée comme priori-
taire ou non selon son importance et son urgence. Tenant compte des besoins
et objectifs que nous avons identifiés au chapitre 3, nous introduisons dans
la section suivante notre algorithme de gestion et de contrôle de l’énergie en
utilisant des informations récoltées par les capteurs déployées sur les entités
et analysées par les agents afin de prendre une décision optimale.
4.4. APPROCHE DÉCENTRALISÉE POUR LA GESTION DE
58 L’ÉNERGIE DANS LES SMART GRIDS
Figure 4.1 – Exemple de positionnement de quelques capteurs et agents

(adaptée de [8])
4.4 Approche décentralisée pour la gestion de

l’énergie dans les smart grids
Le comportement d’ordonnancement et de contrôle de nos agents est
régi par l’algorithme ANEMAS (”Agent-based eNErgy MAnagement in
Smart grids”) qui est un algorithme de gestion de l’énergie dans un système
hybride formé de différents types d’entités. Cette proposition a plusieurs
avantages à savoir : (1) l’utilisation de systèmes de stockage intelligents,
(2) la détermination de l’importance des données captées, (3) une prise de
décisions en fonction des données captées, (4) une minimisation importante
du coût de l’énergie, (5) une minimisation de l’utilisation de la grille surtout
durant les pics de consommation.
Pour cela, nous divisons notre algorithme ANEMAS en deux étapes (cf.
Figure 4.2) : (1) l’étape proactive qui est responsable de la prédiction des
données, leur analyse et la planification qui se base sur ces données, (2)
l’étape réactive qui pour chaque intervalle de temps d’une heure, ajuste les
prédictions et prend toutes les décisions concernant l’achat et la vente de
l’énergie.
Figure 4.2 – Étapes de la proposition ANEMAS
On choisit une période de ∆t=24 heures (un jour) pour évaluer notre
système (durée de l’étape proactive). En outre, on divise la journée en des
intervalles de temps d’une durée égale à 1 heure tels que t∈T, alors on
définit T={0, 1, ..., 23} et la période de l’étape réactive est ∆t´ =1 heure.
En plus, nous utilisons l’algorithme de prédiction défini dans [100], dans
lequel à chaque ∆t, l’agent producteur (l’agent consommateur respective-
ment) prévoit toute sa production (consommation respectivement) pour la
journée en cours (jour i) en fonction de ses données historiques. Les données
pour chaque t∈T (t = 1 heure) sont calculées selon les équations (4.1, 4.2),
et représentent la moyenne sur les k jours précédents pour une période t
(nous choisissons k = 3).
j=i−1
1 X
P roductiont = ∗ P roductionjt (4.1)
k
j=i−k
j=i−1
1 X
Consommationt = ∗ Consommationjt (4.2)
k
j=i−k
Dans ce qui suit, nous commençons par présenter la proposition de la
décomposition de la gestion de l’énergie en plusieurs niveaux, qui sera
adoptée tout le long de ce manuscrit, pour passer ensuite à la présentation
de notre algorithme ANEMAS.
4.4.1 Proposition de gestion multi-niveaux de l’énergie

Afin de parvenir à une meilleure coordination entre les éléments du smart
grid (consommateurs, producteurs, systèmes de stockage, etc.), nous propo-
sons un nouveau mécanisme multi-niveaux pour la gestion de l’énergie (des
études telle que [119] ont présenté une idée sur le mécanisme multi-niveaux).
Cette nouvelle architecture est conçue pour minimiser la facture des consom-
mateurs en minimisant les coûts de l’énergie à plusieurs niveaux. Notre pro-
position considère quatre niveaux distincts de gestion de l’énergie présentés
dans la Figure 4.3. En effet, la performance et la latence du système changent
avec le nombre de niveaux choisi.
Premier niveau de gestion de l’énergie Dans ce niveau, le sous-

système est composé des producteurs, des consommateurs et des systèmes de
stockage. Ce niveau est caractérisé par une gestion de l’énergie interne entre
tous les composants du sous-système en tenant compte de la consommation
prévue ainsi que de la production de tous les producteurs et de la grille. Dans
ce niveau, l’objectif principal de l’ensemble du sous-système est de minimiser
le coût de l’énergie. En se basant sur les données prédites, les consommateurs
choisissent intelligemment entre les producteurs, les systèmes de stockage et
la grille pour satisfaire leurs besoins. En outre, un producteur a pour but
de maximiser ses gains, en choisissant la meilleure façon pour vendre sa
production. Dans ce chapitre et les chapitres 5, 6 et la première partie du
chapitre 7, nous proposons des algorithmes pour la gestion de l’énergie dans
le premier niveau de notre architecture.
Figure 4.3 – Architecture multi-niveaux pour la gestion de l’énergie au sein

des smart grids
Deuxième niveau de gestion de l’énergie En effet, un réseau

régional a un certain nombre de sous-systèmes qui appartiennent à son
propre réseau. Par conséquent, il est responsable de satisfaire les besoins de
tous ses sous-systèmes. Dans le deuxième niveau, le réseau régional recueille
tous les besoins de son réseau et applique sa proposition en considérant
toutes les exigences. Dans le chapitre 7, on propose des algorithmes pour la
gestion de l’énergie dans le deuxième niveau de notre architecture.
Troisième niveau de gestion de l’énergie Le troisième niveau vise

à mettre en œuvre la coopération entre de nombreux réseaux régionaux. Cela
permet à un réseau régional de coopérer et de négocier avec le réseau voisin
afin de satisfaire ses exigences sans demander de l’énergie à la macro-grille.
De cette façon, cette architecture permet d’obtenir les profits les plus élevés
possibles.
Quatrième niveau de gestion de l’énergie Une macro-grille a

un certain nombre de réseaux régionaux qui appartiennent à son propre
réseau. Par conséquent, elle est responsable de satisfaire les besoins de tous
ces réseaux (ou autrement dit sous-réseaux). Dans ce niveau, la macro-
grille recueille tous les besoins de son réseau et applique sa proposition en
considérant toutes les exigences.
En effet, ANEMAS est un algorithme de gestion de l’énergie se trouvant en
premier niveau de l’architecture présentée en haut. Dans la sous-section sui-
vante nous présentons les conditions à prendre en considération en utilisant
ANEMAS (et les propositions qui suivront dans les chapitres suivants) ainsi
que les étapes le définissant.
4.4.2 Système multi-agents utilisé : Scénarios et conditions

à prendre en considération
Notre proposition de gestion de l’énergie se caractérise par la coopération
interne entre chaque élément du sous-système et la grille afin de réduire la
facture des consommateurs.
Dans les paragraphes suivants, nous allons détailler notre système multi-
agents.
Choix du système multi-agents

Dans un sous-système qui appartient au premier niveau de gestion de
l’énergie (cf. sous-section 4.4.1), les agents sont des entités logicielles em-
barquées dans la grille, les compteurs intelligents des utilisateurs à domicile,
les systèmes de production et le système de stockage. Dans notre modèle,
on propose d’implémenter 4 types d’agents présentés dans la Figure 4.4 :
(1) l’agent grille implémenté dans la grille (2) l’agent stockage implémenté
dans un système de stockage 1 (3) l’agent consommateur implémenté dans les
compteurs intelligents dont sont dotés les immeubles résidentiels (4) l’agent
producteur implémenté dans les ressources d’énergie renouvelables.
En effet, la grille représente les grandes compagnies de générateurs qui sont
les principales sources d’énergie. Par conséquent, elle a pour objectif de
vendre de l’énergie aux consommateurs et/ou au système de stockage en
réponse à une demande de leur part. En outre, elle achète l’énergie en excès
des producteurs quand elle reçoit une proposition d’acheter cette énergie.
L’agent producteur vise à contrôler la vente de l’énergie qu’il produit, alors
que l’agent consommateur est chargé de négocier l’achat d’énergie avec
d’autres consommateurs et producteurs. Enfin, l’agent de stockage est chargé
de contrôler l’achat de l’énergie stockée dans le système de stockage et la
vente d’énergie aux consommateurs quand il y a un manque de production.
Figure 4.4 – Agents du système proposé
Nous proposons plusieurs conditions qui doivent être prises en

considération pour fournir une gestion autonome et décentralisée de l’énergie
dans le contexte du smart grid. On propose de décomposer les données des
consommateurs en plusieurs priorités afin de minimiser les consommations
en heures de pics. La sous-section suivante a pour rôle de définir les priorités
utilisées et de les expliquer.
1. Dans cet algorithme, nous proposons un système de stockage composé de batteries.

Quelques exemples de ces batteries sont présentés dans [120, 121, 122].
Communication à base des priorités
Dans notre proposition et tout au long de cette thèse, on décompose
les consommations en plusieurs niveaux de priorité selon leur urgence. On
définit trois niveaux de priorité {P r1 , P r2 , P r3 } dont les activités ayant
comme priorité ”P r1 ” sont les activités les plus prioritaires et celles ayant
comme priorité ”P r3 ” sont les moins prioritaires. Chaque consommateur a
plusieurs entités qui consomment de l’énergie (e.g. lave-linge, ordinateurs,
télévisions) et afin de minimiser sa facture, il divise ses consommations
en plusieurs niveaux de priorité selon ses préférences. Notons que chaque
consommateur a sa propre décomposition de niveaux de priorité qui diffère
des autres consommateurs du système. Le Tableau 4.1 présente un exemple
de décomposition des consommations en niveaux de priorité pour un utili-
sateur quelconque.
Tableau 4.1 – Exemple de décomposition des consommations en niveaux de

priorité
Niveaux de priorité P r1 P r2 P r3
Consommations Chauffage Lave-linge Ordinateur

Réfrigérateur Four Télévision
Enfin, nous considérons que chaque activité a un niveau de priorité qui

sera évalué par le consommateur et les décisions seront prises en fonction
de ces priorités. Nous surlignons les effets et l’importance de ces niveaux de
priorité dans le chapitre 7 lors de la description d’un algorithme qui optimise
les coûts en utilisant les niveaux de priorité.
En plus de la prise en compte des priorités des activités de consommation
d’énergie, la période à laquelle cette activité doit avoir lieu est d’une grande
importance.
Division de la journée en plusieurs périodes

Une pointe de consommation électrique est la consommation la plus
élevée d’un réseau électrique pendant une période définie (jour, mois, sai-
son, etc.). Elle dépend de la localisation et de la période étudiée et de la
difficulté de stockage de l’électricité qui pose des problèmes particuliers aux
gestionnaires de réseaux et aux producteurs d’électricité.
Par ailleurs, la demande globale d’électricité suit des cycles journaliers,
hebdomadaires et saisonniers, basés notamment sur une combinaison de
facteurs, dont la succession du jour et de la nuit, le climat, l’activité
économique. On distingue trois principaux types de périodes de pointe :
(1) les pointes journalières qui se produisent souvent en fin de journée,
lorsque les utilisateurs rentrent du travail. La pointe sera plus accentuée
dans les réseaux où le chauffage de l’eau et les appareils électroménagers
utilisent l’électricité plutôt que le gaz (2) les pointes hebdomadaires qui se
produisent durant le week-end et (3) les pointes saisonnières qui peuvent
survenir et être produites selon les saisons.
Dans ce manuscrit, on s’intéresse aux pics journaliers. Le Tableau 4.2 est
un exemple de la décomposition d’une journée en 3 différentes période :
(1) la période creuse (”Off-Peak” ou OP), (2) la période de faible charge
(”Low-Peak” ou LP) et la période de pointe (”High-Peak” ou HP).
Tableau 4.2 – Périodes de la journée
OP LP HP
Heure 00 :00 to 12 :59 13 :00 to 19 :59 20 :00 to 23 :59
Consommation
Faible Consommation énergétique
consommation énergétique atteint son maximum
Caractéristiques d’énergie et commence à et les prix
faible prix augmenter ainsi de l’achat de l’énergie
que les coûts deviennent élevés
Durant l’OP, les demandes en énergie sont très faibles et il en est de même
pour le coût. Cependant, durant le LP, les demandes énergétiques et les coûts
commencent à augmenter. Enfin, durant le HP, les demandes énergétiques
sont importantes et les coûts deviennent très importants. En utilisant ces
3 périodes, nous proposons ANEMAS qui sera présenté et détaillé dans les
sous-sections suivantes.
4.4.3 Description de l’algorithme proposé : ANEMAS

Comme nous l’avons justifié dans les parties précédentes, pour atteindre
nos objectifs de gestion, nous utilisons une architecture multi-agents. Tous
les agents de notre modèle sont en concurrence les uns avec les autres afin de
maximiser leurs profits. En outre, les consommateurs coopèrent ensemble et
avec toutes les ressources d’énergie (producteurs et grille) et avec le système
de stockage d’énergie dans leur réseau afin d’établir un accord qui réponde
à leurs objectifs de coût minimal.
Algorithme de l’agent grille
La grille représente la principale source d’énergie, avec de grands

générateurs électriques appartenant aux grandes compagnies générant des
énergies non renouvelables. En effet, un réseau électrique est composé de
fournisseurs d’électricité et des consommateurs qui sont reliés par des lignes
de transport et de distribution. Quand la plupart des gens parlent de
l’énergie de la ”grille”, ils font référence au système de transport d’électricité.
Dans notre proposition, l’agent grille (AGgr) a un rôle précis, qui consiste à
vendre de l’énergie aux consommateurs résidentiels et/ou aux systèmes de
stockage en cas de besoin. Cette grille achète aussi la production d’énergie re-
nouvelable en excès à partir des sources de production renouvelables. Dans
ce contexte, l’AGgr peut recevoir deux types de messages : (1) les mes-
sages d’achat et (2) les messages de vente. Les messages d’achat ont pour
rôle de demander de l’énergie à partir de la grille et sont envoyés par les
consommateurs et les systèmes de stockage. Quant aux messages de vente,
ils contiennent la demande de vente d’énergie renouvelable en excès.
L’algorithme de l’AGgr est décrit dans la Figure 4.5 et ses paramètres sont :
— MaxGridEnergy(t) : capacité maximale de la grille (en kWh).
— RequestedEnergy(t) : quantité d’énergie demandée par un consom-
mateur (en kWh).
— GridEnergy(t) : énergie instantanée de la grille (en kWh).
— EnergyToSell(t) : énergie à vendre à la grille par un producteur (en
kWh).
Comme le montre le travail de recherche résumé dans [91], la grille peut
contrôler la quantité maximale d’énergie qu’elle vend afin de gérer la
consommation d’énergie. En effet, l’AGgr peut recevoir une demande des
consommateurs pour leur vendre de l’énergie quand il y a un manque
dans la production d’énergie renouvelable (cf. Figure 4.5). Au cas où
l’énergie de la grid est suffisante, elle satisfait les demandes des consom-
mateurs (GridEnergy(t) ≥ RequestedEnergy(t)) et au cas échéant
(GridEnergy(t) < RequestedEnergy(t)) elle refuse la demande du consom-
mateur ou la satisfait partiellement. Au cas où l’agent AGgr reçoit un mes-
sage de la part d’un producteur qui souhaite lui vendre l’énergie et si la
grille peut supporter cette énergie (M axGridEnergy(t) − GridEnergy(t) ≥
EnergyT oSell(t)), alors l’agent grille accepte la demande.
Figure 4.5 – Algorithme de l’AGgr
Algorithme de l’agent de stockage
L’agent de stockage (AGst) est chargé de fournir de l’énergie aux consom-

mateurs pendant les heures de pointe ou en cas de manque d’énergie. En cas
d’excès de production, cet agent stocke l’énergie en excès qui peut être uti-
lisée plus tard afin de réduire les coûts de l’énergie. L’agent de stockage doit
respecter plusieurs paramètres, présentés ci-après, concernant la quantité
d’énergie à stocker afin de répondre aux besoins des utilisateurs :
— SOCmin : état de charge minimal de la batterie (en kWh).
— SOCmax : état de charge maximal de la batterie (en kWh).
— P R : prix de l’énergie achetée de la grille (en centimes/kWh).
— P R(t) : prix de l’énergie achetée de la grille durant la période t (en
centimes/kWh).
— P Rmin : prix minimal de l’énergie achetée de la grille (en cen-
times/kWh).
— P eak : somme des pics de consommation prédits (en kWh).
— SOC(t) : état de charge instantané de la batterie (en kWh).
— D(j) : énergie demandée durant la période j (en kWh).
— RE(j) : énergie produite durant la période j (en kWh).
— ENst : énergie à stocker (en kWh).
— tpeak : temps correspondant à la consommation maximale au cours
d’une journée.
Les étapes de l’agent de stockage sont présentées dans l’algorithme 1.
Dans le Tableau 4.3, nous montrons un exemple pour expliquer le calcu-
Algorithm 1 Algorithme de l’agent de stockage

ENst ← max(P eak − SOC(tpeak) − RE(tpeak), 23
P P23
j=i D(j) − j=i (RE(j)) − SOC(t)) ; //
Montant de l’énergie à stocker afin de satisfaire toutes les demandes (de la période actuelle (t)
à la période 23)
si P R = P Rmin alors
si ENst ≤ SOCmax alors
RequestCharge(ENst ) ; //L’agent de stockage demande une quantité d’énergie égale à
ENst de la grille
sinon
RequestCharge(SOCmax ) ; //L’agent de stockage demande une quantité d’énergie égale
à SOCmax de la grille
fin si
sinon //P R n’est pas égal à P Rmin
si SOC(t) < ENst et P R(t) < P R(t + 1) alors //Si le stockage ne peut pas répondre à
toutes les demandes et en plus le prix de l’énergie à la période t + 1 est supérieur au prix
de l’énergie à la période t
si RE(t + 1) < D(t + 1) et D(t + 1) − RE(t + 1) ≥ SOCmax − SOC(t) alors
RequestCharge(D(t + 1) − RE(t + 1)) ; //S’il y a un espace dans le système de stockage
(SOCmax − SOC(t)) pour charger l’énergie nécessaire (D(t + 1) − RE(t + 1)), alors
l’agent de stockage demande une quantité d’énergie égale à D(t + 1) − RE(t + 1) de la
grille
fin si
fin si
GoToNextPeriod() ;
fin si
ler d’ENst . On suppose que P eak − SOC(tpeak) − RE(tpeak) = P eak −

Ptpeak−1
j=0 (RE(j) − D(j)) − RE(tpeak) et nous considérons que durant la
période 0 le prix de l’énergie est minimal, de sorte que l’agent de stockage
calcule l’énergie à stocker. Pour simplifier l’exemple, nous considérons seule-
ment 3 périodes. Comme montré dans l’exemple, la période de pic correspond
à la période 1. Normalement, la batterie doit stocker le manque d’énergie
qui pourrait se produire (=3 dans cet exemple, ligne 4 du tableau 4.3) mais
dans la période de pointe le consommateur peut avoir un manque d’énergie
que le stockage ne peut pas satisfaire. Dans la période HP, la demande peut
être supérieure à P eak − SOC(tpeak) − RE(tpeak) (=5 dans cet exemple,
ligne 5 du tableau 4.3) et elle est supérieure à 3, alors le système de stockage
doit stocker 5 kWh (qui correspond au max (5,3)) à la période 0.
Après avoir calculé ENst , l’agent de stockage demande une quantité
d’énergie égale à ENst de la grille quand P R = P Rmin . Au moment où
P R n’est pas égal à P Rmin et si le stockage ne peut pas répondre à toutes
les demandes et en plus le prix de l’énergie à la période t + 1 est supérieur
au prix de l’énergie à la période t (P R(t) < P R(t + 1)) alors, l’agent de
stockage demande une quantité d’énergie égale à D(t + 1) − RE(t + 1) de la
grille.
Tableau 4.3 – Exemple de calcule de ENst
Période (t) 0 1 2
D(t)(kW h) 3 12 8
RE(t)(kW h) 2 8 10
P2 P2
j=0 D(j) − j=0 (RE(j)) − SOC(t) (3+12+8)-(2+8+10)-0 = 3 - -
P eak − SOC(tpeak) − RE(tpeak) 12-(2-3)-(8)=5 - -
Algorithme de l’agent consommateur

Dans notre proposition, nous considérons que les agents consommateurs
(AGco) sont déployés dans les maisons connectées. A chaque période, l’agent
consommateur divise ses demandes en trois niveaux de priorité : (1) la prio-
rité 1 est la plus grande priorité et ses demandes ne devraient pas être
retardées ou abandonnées, (2) la priorité 2 est la priorité moyenne et ses de-
mandes peuvent être retardées pour un court laps de temps (1 heure) (3) et,
enfin, la priorité 3 est la plus basse et ses demandes peuvent être retardées
pour un temps supérieur au temps de retard pour la priorité 2. En effet,
toutes les activités avec priorités 2 et 3 peuvent être retardées respective-
ment avec un retard moyen (MD) et un faible retard (LD). MD et LD seront
choisis afin de maintenir le confort des consommateurs. En d’autres termes,
MD et LD ont chacun une valeur maximale, fixée par l’administrateur du
système, qui sera choisie de telle sorte que l’activité sera satisfaite.
Cas 1 : Décision pour les données les plus prioritaires. Afin de main-
tenir le confort des utilisateurs, les données avec priorité 1 sont satisfaites
au premier lieu. Chaque consommateur vise à satisfaire ses demandes avec
un coût minimal. Afin de minimiser les coûts des utilisateurs, nous avons
utilisé un algorithme de négociation dont le rôle est de choisir la meilleure
combinaison des consommateurs et des ressources renouvelables qui réduit
les factures énergétiques. La stratégie de négociation proposée est expliquée
ci-dessous :
1. L’agent consommateur reçoit à chaque période la production et les
données de consommation des agents présents dans le système.
2. L’agent consommateur j calcule la fonction d’utilité f(j) qui est initia-
lisée à 0 au début de calcul s’il n’est pas un pro-consommateur ou s’il
l’est mais l’énergie produite par sa propre production renouvelable ne
satisfait pas ses demandes propres (REj < Dj ). Les étapes de calcul
de f(j) sont définies comme suit :
(a) Tant que la demande de l’agent j n’est pas satisfaite (Dj > 0),
le consommateur ou pro-consommateur j choisit d’acheter ses de-
mandes auprès des sources les plus proches (Pji est minimale)
qui proposent le prix le moins cher (Cji est minimale où i est le
nombre du pro-consommateur et 0 < i ≤ N bP rosumers et i 6= j).
Le consommateur j pourrait donc faire plusieurs tours pour cal-
culer sa fonction d’utilité et faire la combinaison des ressources
renouvelables en choisissant à chaque tour le pro-consommateur
i qui vérifie la contrainte (min(Cji ∗ Pji ∗ Dji ))) et après, il aug-
Pji Pji
mente sa fonction d’utilité de Cji ∗Dji d’où f (j)+ = Cji ∗Dji .
1+ Dji
1+ Dji
Après le changement de la fonction d’utilité, cet agent diminue
l’énergie demandée de Dji (Dj = Dj − Dji ).
(b) Après avoir satisfait ses propres demandes, un consommateur es-
saie de combiner les productions et les consommations de façon à
répondre aux demandes des autres consommateurs avec un prix
minimal.
Où :
— f(j) : fonction d’utilité de l’agent j.
— NbProsumers : nombre total de pro-consommateurs (prosumers).
— NbConsumers : nombre total de consommateurs.
— Pji : priorité qui augmente si la ressource est plus proche du
consommateur, nous considérons Pii = 1 et Pij = Pji .
— Dji : énergie maximale qui peut être achetée par le consommateur
j du pro-consommateur i.
— Cji : coût de l’énergie renouvelable. Nous considérons Cii = 0.
3. L’agent consommateur envoie sa proposition à tous les autres agents
consommateurs dans son réseau.
4. Lorsque l’agent consommateur reçoit toutes les propositions, il choisit
celle avec la plus grande fonction d’utilité et effectue les achats en
fonction de cette proposition.
Lorsque la négociation se termine, et après l’achat d’énergie à partir des
ressources renouvelables, l’agent consommateur suit les étapes définies ci-
après afin de satisfaire tous ses besoins en énergie au prix le plus bas :
— Quand il y a un manque dans la production renouvelable, l’agent
consommateur envisage d’acheter l’énergie avec le coût minimal. Pour
atteindre cet objectif, il compare les coûts de stockage et de la grille
et choisit le moins élevé des deux.
— Dans cet algorithme, si le prix de la grille est inférieur au prix de sto-
ckage, l’agent consommateur envoie une demande d’achat d’énergie
4.5. EVALUATION DES PERFORMANCES DE L’APPROCHE
70 PROPOSÉE
à partir de la grille.
— Lorsque les coûts de stockage sont inférieurs au coût de la grille
et l’énergie de stockage disponible peut répondre aux demandes
des consommateurs, l’agent consommateur envoie une demande au
système de stockage pour satisfaire ses besoins.
— Lorsque la grille et le stockage ne peuvent pas satisfaire les demandes
des utilisateurs l’activité sera alors abandonnée. En effet, cette situa-
tion est très rare et doit être évitée.
Cas 2 : Décision pour les données de priorité faible ou moyenne.
Les données de priorité 2 ou 3 sont satisfaites après les données de priorité
1. Dans ce cas, si la grille et le système de stockage ne peuvent pas satisfaire
la demande, l’activité sera retardée de MD pour les demandes de priorité
2 et de LD pour les demandes de priorité 3. Cette activité sera supprimée
si le délai maximum égal à 1 heure pour la priorité 2 et à 2 heures pour la
priorité 3 est atteint.
Algorithme de l’agent producteur
Les agents producteurs (AGpr) sont introduits dans les unités de pro-
duction renouvelables (photovoltaı̈que, éoliennes). Pour chaque période t,
l’agent producteur vise à satisfaire les demandes des consommateurs. Par
conséquent, si le producteur est un agent pro-consommateur (prosumer), il
satisfait ses propres demandes (MeetSelfDemands()), avant de pouvoir aider
les autres consommateurs (MeetDemands()). S’il ne s’agit pas d’un prosu-
mer, cet agent va essayer en premier lieu de satisfaire les demandes des
consommateurs (MeetDemands()) et si l’énergie produite dépasse les be-
soins de ces consommateurs (EnergyP roduced > U sersDemands), il vend
l’énergie à la grille ou au système de stockage (ChargeGrid() et ChargeSto-
rage()). Les étapes régissant le fonctionnement de l’agent producteur sont
présentées dans l’algorithme 2.
4.5 Evaluation des performances de l’approche

proposée
Afin d’évaluer les performances de notre proposition, nous avons réalisé

des simulations avec JADE (Java Agent Development Framework) [123].
Algorithm 2 Algorithme de l’agent producteur
si IsProsumer=true alors //Si c’est un prosumer
MeetSelfDemands() ; //Répond à ses propres demandes
fin si
si EnergyP roduced > 0 alors //Production est supérieure à zéro
MeetDemands() ; //Satisfaire les demandes des consommateurs
si EnergyP roduced > U sersDemands alors //S’il y a un excès de l’énergie produite
si StorageNeedsEnergy alors //Si le système de stockage peut stocker de l’énergie
ChargeStorage() ;//Vendre la production au système de stockage
sinon
si GridNeedsEnergy alors //Si la capacité de la grille n’est pas maximale
ChargeGrid() ;//Vendre la production à la grille
sinon
GoNextPeriod() ;
fin si
fin si
sinon
GoNextPeriod() ;
fin si
fin si
4.5.1 Paramètres des simulations réalisées

Dans cette proposition, nous avons choisi de mettre en œuvre un système
formé d’un agent grille, d’un agent pour chaque consommateur, d’un agent
pour le système de stockage et d’un agent pour chaque pro-consommateur
ou producteur. Pour nos simulations, nous considérons sept scénarios. Le
Tableau 4.4 présente les scénarios choisis.
Tableau 4.4 – Scénarios choisis

Scenario 1 2 3 4 5 6 7
Consommateurs 5 5 10 15 20 25 30
Producteurs 3 prosumers [0-10] [0-10] 15 20 25 30
Stockage 1 1 1 1 1 1 1
Grille 1 1 1 1 1 1 1
Le scénario 1 est simple avec 1 agent grille, 5 agents consommateurs, 3

agents producteurs et 1 agent de stockage. Dans les scénarios 2 et 3, nous
faisons varier le nombre de producteurs de 0 à dix, pour respectivement cinq
consommateurs et dix consommateurs. Enfin, nous augmentons le nombre
de consommateurs de 15 à 30 dans les scénarios 4, 5, 6 et 7 et considérons
que chaque consommateur est un pro-consommateur c’est à-dire, chaque
consommateur a au moins une source d’énergie renouvelable.
Les périodes de consommation au cours de la journée sont scindées en : la
période OP, la période LP et la période HP. En outre, la journée est divisée
72 PROPOSÉE
en 24 périodes et les prix de la grille varient entre 10 centimes/kWh et
22 centimes/kWh et l’énergie éolienne (notre énergie renouvelable utilisée
dans ces simulations) a des prix qui varient entre 7 centimes/kWh et 14
centimes/kWh [1]. Les heures de pointe sont représentées dans le Tableau
4.5.
Tableau 4.5 – Prix durant les périodes de pics
Période OP LP HP
Heure 00 :00 à 12 :59 13 :00 à 19 :59 20 :00 à 23 :59
Prix de la grille (centimes/kWh) 10 à 17 17 à 21 10 à 22
Prix de l’éolienne (centimes/kWh) 7 à 14 8 à 10 7 à 8
4.5.2 Description et discussion des résultats obtenus

Après avoir montré les différents scénarios considérés, l’efficacité d’ANE-
MAS sera montrée en le comparant à un système de facturation classique
utilisé dans la plupart des systèmes d’alimentation électrique où tous les
consommateurs ou une partie d’entre eux paient un prix fixe par unité
d’électricité indépendamment du coût de production au moment de la
consommation. Ce système est appelé ”cas conventionnel” dans ce qui suit.
De plus, nous comparons notre algorithme avec une approche qui utilise les
ressources renouvelables uniquement sans utiliser les systèmes de stockage
et que l’on appelle ”cas RE”.
Tout d’abord, nous illustrons les résultats des simulations pour une journée.
Les premières simulations sont effectuées en utilisant le scénario 1 et les
résultats sont donnés dans les Figures 4.6 et 4.7. La Figure 4.6 montre les
prix des consommations durant une journée complète avec les trois algo-
rithmes définis. Pendant la journée, la facture des consommateurs est réduite
grâce à l’utilisation des énergies renouvelables ou du système de stockage.
Pendant les heures de l’OP, la réduction du coût est très élevée ; elle atteint
90% en utilisant ANEMAS et 60% en utilisant le cas RE en comparaison
avec le cas conventionnel. Cette réduction diminue et atteint 75% en uti-
lisant ANEMAS dans la période HP (période 21), alors que pendant cette
même période, la diminution du coût en utilisant le cas RE est de 16%. Avec
les deux algorithmes (ANEMAS et cas RE), il n’y a plus de réduction des
coûts aux périodes 22 et 23. La diminution des factures est due à l’utilisation
des ressources renouvelables pour le cas RE. L’augmentation de la demande
et la diminution de la production entraı̂nent une diminution du pourcentage
de réduction des prix dans les périodes LP et HP. Par conséquent, en pas-
sant de LP à HP, la facture des consommateurs augmente pour atteindre
les coûts de réseau. De plus, nous constatons qu’en utilisant ANEMAS les
coûts sont inférieurs aux coûts dans le cas RE. Cette réduction est due à
l’utilisation de systèmes de stockage en plus des ressources renouvelables et
à l’achat d’énergie stockée lorsque les coûts sont faibles, ce qui réduit l’accès
à la grille et les coûts des utilisateurs deviennent en conséquence minimaux,
même pendant les périodes HP (période 21, par exemple).
Figure 4.6 – Coût de l’énergie avec le scénario 1
La Figure 4.7 montre l’utilisation de toutes les ressources pendant la

journée avec ANEMAS. Notre algorithme n’utilise pas la grille pendant l’OP
et le LP (utilisation du réseau est égale à zéro) mais favorise les ressources
renouvelables et si ces ressources ne répondent pas à toutes les exigences, il
utilise le stockage. L’utilisation de stockage commence à augmenter durant
la période 15, suite à l’augmentation de la consommation et la diminution
de la production pendant ces périodes. En outre, l’utilisation de la grille
augmente en heures de pointe et après la période 21 l’utilisation de stockage
est nulle alors que l’utilisation de la grille augmente. Ce changement est dû
au fait que la quantité d’énergie stockée atteint sa valeur minimale pendant
les heures de HP.
74 PROPOSÉE
Figure 4.7 – Utilisation des ressources pour ANEMAS (scénario 1)
Pour montrer l’importance de l’utilisation d’un système de stockage in-

telligent, nous augmentons le nombre de producteurs de zéro à dix dans un
système composé de cinq consommateurs. La Figure 4.8 représente les coûts
de l’énergie dans le cas étudié. La minimisation des coûts varie entre 0%
et 70% (Figure 4.8) pour le cas RE. En outre, en utilisant ANEMAS, la
minimisation des coûts varie entre 73% et 85% (Figure 4.8). En effet, ces
chiffres montrent qu’en augmentant le nombre de producteurs, nous pouvons
minimiser le prix payé par les consommateurs.
Figure 4.8 – Prix journalier de l’énergie dans le cas où le nombre de pro-
ducteurs augmente de 0 à 10 (5 consommateurs)
ducteurs augmente de 0 à 10 (10 consommateurs)
Pour tester l’efficacité de notre approche, nous augmentons le nombre

de consommateurs 5-30 (scénarios 2 à 7). Nous considérons que chaque
consommateur est un pro-consommateur. La Figure 4.10 montre que lors
de l’augmentation à la fois du nombre des consommateurs et des produc-
teurs ensemble, le coût d’achat d’énergie diminue à environ 56% pour le cas
RE et de 86% avec ANEMAS. Ces résultats montrent que notre approche
reste efficace même en augmentant le nombre d’acteurs.
consommateurs augmente 5-30
Ces résultats montrent que, lorsque le nombre de consommateurs aug-

mente, la réduction des coûts et l’utilisation de la grille restent les mêmes.
76 4.6. CONCLUSION
4.6 Conclusion
Ce chapitre a exposé un premier comportement des agents cognitifs défini
dans le chapitre 3 en ce qui concerne la gestion de l’énergie au niveau des
consommateurs dans un smart grid. En particulier, nous avons considéré
un premier scénario d’application qui est celui des utilisateurs résidentiels
qui jouent un rôle primordial dans la consommation énergétique. Dans ce
contexte, le comportement de nos agents est régi par l’algorithme ANEMAS
grâce auquel les agents évaluent les données captées au niveau des consom-
mateurs, des producteurs, du stockage et de la grille. Selon ces données
captées, les agents planifient et décident leur schéma d’actions à entre-
prendre. Ce chapitre a ensuite présenté l’étude des performances de notre
proposition ANEMAS à travers des simulations. Nous avons considéré plu-
sieurs scénarios et avons fait varier le nombre d’agents de tous types confon-
dus. Les résultats ont montré que notre proposition a nettement réduit le
coût de l’énergie durant la journée pour les consommateurs ainsi que l’uti-
lisation de la grille en heures de pointe.
Dans le chapitre suivant, nous nous intéressons à l’amélioration de notre
proposition en considérant les effets de charge et de décharge sur la durée
de vie de la batterie.
Chapitre 5
BADIS : Maximiser la durée

de vie de la batterie avec un
système multi-agents
Sommaire
5.1 Introduction . . . . . . . . . . . . . . . . . . . . . 77
5.2 Scénario mis en œuvre . . . . . . . . . . . . . . . 78
5.3 Approche pour minimiser la fréquence de décharge
de la batterie . . . . . . . . . . . . . . . . . . . . . 79
5.3.1 Nécessité d’augmenter la durée de vie de la batterie 80
5.3.2 Description de BADIS . . . . . . . . . . . . . . . . 81
5.4 Intégration de l’algorithme d’allocation équitable
de l’énergie . . . . . . . . . . . . . . . . . . . . . . 84
5.5 Evaluation des performances de BADIS . . . . . 86
5.5.1 Paramètres des simulations . . . . . . . . . . . . . 86
5.5.2 Description et analyse des résultats des simulations 88
5.6 Conclusion . . . . . . . . . . . . . . . . . . . . . . 96
5.1 Introduction
Avec la loi sur la transition énergétique et la croissance verte adoptée par
plusieurs pays et surtout par les pays de l’union européen, le mix énergétique
va se verdir afin d’atteindre des objectifs tels que la réduction de la part des
énergies non vertes (nucléaire, fossiles) et la réduction des émissions de gaz à
77
78 5.2. SCÉNARIO MIS EN ŒUVRE
effet de serre [124, 125]. Dans ce contexte, plusieurs ressources de production

décentralisée sont utilisées dans le réseau électrique telles que les éoliennes,
les photovoltaı̈ques, etc. En effet, si les énergies renouvelables et les smart
grids sont sous le feu des projecteurs, le stockage reste un sujet méconnu bien
qu’il soit un élément clé du verdissement de l’électricité et présente plusieurs
avantages pour un réseau électrique. Bref, le stockage de l’électricité est une
des réponses à la diminution des énergies fossiles et à l’intermittence des
énergies renouvelables et il a un rôle important pour assurer la continuité de
l’approvisionnement en énergie [126]. En effet, l’électricité ne se stocke pas
ou peu, ce qui pose des limites au développement des énergies renouvelables
et jusqu’aux années 1980, les moyens de conversion permettant le stockage
du courant alternatif étaient excessivement coûteux, voire très peu fiables
ou inexistants [5].
Afin d’assurer une meilleure gestion de l’énergie dans un réseau intelligent
tout en intégrant les ressources renouvelables, nous développons dans ce cha-
pitre, un système de stockage qui combine une batterie de stockage d’énergie
et un logiciel informatisé. Dans le but d’augmenter la durée de vie de la
batterie tout en conservant les prix minimaux pour les consommateurs, on
utilise un agent intelligent implémenté dans le système de stockage afin de :
(1) minimiser le coût d’achat de l’énergie par les consommateurs, (2) aug-
menter autant que possible la durée de vie de la batterie, (3) distribuer
l’énergie stockée dans le système de stockage d’une façon équitable entre
les consommateurs afin d’encourager tous les consommateurs à participer à
l’algorithme défini.
Dans le reste de ce chapitre, nous allons d’abord exposer notre scénario
d’application, pour ensuite détailler l’approche proposée et enfin évaluer ses
performances.
5.2 Scénario mis en œuvre

La Figure 5.1 présente le scénario de communication avec le système de
stockage que nous avons considéré pour illustrer notre algorithme. En pre-
mier lieu, nous supposons la présence d’un réseau domestique ou Home Area
Network (HAN) dans lequel les appareils électriques utilisés communiquent
avec le compteur intelligent et lui envoient leurs données d’utilisation. En
second lieu, les compteurs dans une zone résidentielle précise connectés à un
réseau de voisinage ou Neighborhood Area Network (NAN) envoient, chacun
à part, leurs demandes en énergie au système de stockage. Dans ce scénario,
on s’intéresse aux données relatives aux demandes d’énergies et on considère
CHAPITRE 5. BADIS : MAXIMISER LA DURÉE DE VIE DE LA
BATTERIE AVEC UN SYSTÈME MULTI-AGENTS 79
qu’un agent consommateur est implémenté dans chaque maison connectée
au niveau de son compteur intelligent. L’agent consommateur a pour rôle de
collecter les données et de prendre les décisions intelligentes concernant l’en-
tité vers laquelle adresser la demande d’énergie en premier lieu (système de
stockage ou grille). Les agents consommateurs dans un NAN communiquent
ensemble afin de négocier l’achat de l’énergie. En outre, l’agent du système
de stockage récupère les données de la zone résidentielle et de la grille afin
de choisir la quantité d’énergie à décharger sur une période précise pour
garantir aux consommateurs un prix d’achat minimal et pour minimiser la
fréquence de charge et de décharge de sa batterie. L’agent de stockage uti-
lise les données de la grille telles que le prix de l’énergie et les prédictions
des prix durant une journée complète. En plus, plusieurs données des agents
consommateurs telles que les demandes réelles, les demandes prédites, etc.
sont prises en considération dans la décision prise par l’agent de stockage.
Figure 5.1 – Illustration du scénario considéré
La section suivante a pour but de présenter et détailler notre proposition

pour augmenter la durée de vie d’un système de stockage.
5.3 Approche pour minimiser la fréquence de

décharge de la batterie
Le comportement de l’agent de stockage est régi par BADIS (”BAttery
DIScharging algorithm”) qui a pour but de minimiser la fréquence de
5.3. APPROCHE POUR MINIMISER LA FRÉQUENCE DE
80 DÉCHARGE DE LA BATTERIE
charge/décharge d’une batterie afin d’augmenter sa durée de vie tout en
maintenant une facture minimale des consommateurs.
Dans cette section, nous commençons en premier lieu par exposer les ca-
ractéristiques et les besoins d’une batterie pour augmenter sa durée de vie,
pour présenter ensuite le fonctionnement de l’algorithme BADIS.
5.3.1 Nécessité d’augmenter la durée de vie de la batterie

L’utilisation des systèmes de stockage est d’une importance capitale dans
les systèmes électriques d’aujourd’hui qui intègrent les énergies renouvelables
d’une manière croissante. Un système de stockage est formé de batteries dont
il existe une large variété avec des types et des capacités assez différents.
L’utilisation des systèmes de stockages est de plus en plus croissante dans
le domaine résidentiel. Les batteries des systèmes de stockage doivent res-
pecter plusieurs paramètres tels que le DoD, la température, l’efficacité, etc.
Pour une batterie, il semble très difficile de calculer la durée de vie de son
cycle de charge et de décharge et cela dépend de nombreux paramètres tels
que : l’entretien de la batterie, la profondeur de décharge de la batterie, la
température de la batterie, etc. L’un des facteurs les plus importants est la
profondeur de décharge (DoD : ”Depth of Discharge”) de la batterie. Par
définition, la DoD de la batterie (en pourcentage) est l’inverse de l’état de
charge de la batterie. En d’autre termes, lorsqu’une batterie est à 60% d’état
de charge, la profondeur de décharge est de 40% (la somme de l’état de charge
et de la DoD est égale à 100%). Les performances d’une batterie s’évaluent
aussi en nombre de cycles que celle-ci peut fournir à une profondeur de
décharge déterminée. Pour optimiser les performances d’une batterie, il est
donc conseillé de minimiser le niveau de décharge. En considérant que toutes
les valeurs influençant la durée de vie de la batterie sont constantes, la durée
de vie totale de la batterie est inversement proportionnelle à la quantité de
DoD par cycle [127]. Par exemple, une batterie qui se décharge constamment
à 90% de DoD, a une durée de vie beaucoup moins élevée que celle d’une
batterie déchargée à seulement 50%.
La minimisation de la décharge de la batterie permet d’augmenter sa durée
de vie et de minimiser la facture énergétique des consommateurs dans un
système électrique. En effet, les consommateurs ont pour premier but de
minimiser leur facture et d’être satisfaits de la quantité d’énergie demandée,
d’où l’intérêt de notre proposition (BADIS) qui vise à intégrer un agent in-
telligent au niveau du système de stockage afin de minimiser la fréquence
de décharge de la batterie sans affecter, pour autant, la facture des consom-
mateurs, ce qui minimise à long terme le prix payé pour le remplacement
des batteries. la facture des consommateurs. Pour réaliser son but, cet agent
récupère plusieurs données de son entourage qui lui sont nécessaires pour
prendre la bonne décision. BADIS est expliqué en détail dans la section
suivante et ses performances sont analysées dans la section 5.5.
5.3.2 Description de BADIS

Dans un système électrique formé de consommateurs, de producteurs,
d’un système de stockage et d’une grille, nous implémentons des agents cog-
nitifs dans chaque entité du système afin de rendre le réseau plus coopératif.
Avec BADIS, un algorithme qui fonctionne sur l’agent de stockage est
implémenté, les algorithmes des autres types d’agent (agents consomma-
teurs, agents producteurs et agent de la grille) restent intactes et sont les
mêmes que ceux décrits dans le chapitre précédent. Le système de stockage
est censé répondre aux besoins des consommateurs lorsque la production
d’énergie renouvelable n’est pas suffisante. En se basant sur les données
prédites (consommations, productions, coûts, etc.), l’agent de stockage choi-
sit la meilleure période pour recharger sa batterie à partir de la grille. En
outre, en cas d’excès de production, cet agent stocke l’énergie en excès pour
l’utiliser plus tard dans le but de réduire la facture des consommateurs et
la quantité d’énergie demandée à la grille. Nous avons développé deux types
d’algorithmes pour l’agent de stockage : (1) le premier est un algorithme de
long terme dit ”offline” et (2) le second est de court terme dit ”online”. En
effet, l’agent de stockage doit prendre en compte de nombreux paramètres,
présentés et définis dans le Tableau 5.1.
L’algorithme offline de l’agent de stockage qui a déjà été présenté dans le
chapitre précédent suit les étapes identifiées dans la Figure 5.2. En premier
lieu, au début de chaque période de 24 heures, l’agent de stockage recueille
toutes les données prédites de tous les agents (agents consommateurs, agents
producteurs et agent grille) (1) 1 . (2) En second lieu, l’agent de stockage uti-
lise ces données prédites pour choisir la période optimale (tmin ) pour charger
sa batterie (tmin correspond à l’heure où on prévoit le prix le moins élevé).
(3) En troisième lieu, l’agent de stockage calcule la quantité d’énergie à sto-
cker et cette quantité est définie par l’équation ENst = SOCmax − SOC(t).
En effet, dans ce chapitre nous simplifions le calcul de ENst et supposons
que toute la quantité qui manque sera chargée dans le système de stockage
au moment où ce dernier décide de demander de l’énergie.
Après avoir chargé ENst , l’agent de stockage met à jour son prix par kWh
1. Ces chiffres correspondent à ceux utilisés dans la Figure 5.2.

5.3. APPROCHE POUR MINIMISER LA FRÉQUENCE DE
82 DÉCHARGE DE LA BATTERIE
Tableau 5.1 – Paramètres du système de stockage

Paramètre Définition
SOCmin valeur minimale du stockage (en kWh)
SOCmax valeur maximale du stockage (en kWh)
P r(t)G prix de l’énergie de la grille à l’instant t (en centimes/kWh)
P rmin prix minimal de l’énergie de la grille (en centimes/kWh)
prix de l’énergie achetée du système de stockage au moment t
P r(t)E
(en centimes/kWh)
P r(t)S prix de l’énergie stockée (en centimes/kWh)
M axCpeak prix de l’énergie à l’instant du pic (en centimes)
somme de l’énergie demandée par tous les consommateurs à l’instant du pic
P eak
(en kWh)
SOC(t) valeur de charge instantanée de la batterie (en kWh)
D(t) demande en énergie des consommateurs à l’instant t (en kWh)
RE(t) énergie renouvelable produite au moment t(en kWh)
ENst énergie à stocker (en kWh)
tpeak heure où le prix de la grille est maximal durant la journée
tmin heure où le prix de la grille est minimal durant la journée
D(t)st demandes énergétiques reçues par le stockage durant une période t (en kWh)
R(t)x pourcentage des demandes non satisfaites par le stockage pour le
consommateur x
P (t)x pourcentage d’énergie que le consommateur x stocke dans la batterie
à l’instant t
QR(t)x demandes en kWh refusées pour le consommateur x à l’instant t
QD(t)x toutes les demandes du consommateur x (en kWh) à l’instant t
Q(t)x quantité d’énergie que le consommateur x stocke à l’instant t
Qt(t)x quantité totale d’énergie stockée dans le système de stockage (en kWh)
à l’instant t
(P r(t)S ) selon l’équation (5.1).
P r(t)S ∗ SOC(t) + ENst ∗ P r(t)E

P r(t)S = (5.1)
SOC(t) + ENst
Dans notre proposition, nous considérons que le prix de l’énergie stockée

dans le système de stockage varie en fonction du prix de l’énergie chargée.
En effet, le système de stockage a un prix au moment t par kWh défini
par P r(t)S de sorte que le prix total de l’énergie dans le système de sto-
ckage est P r(t)S ∗ SOC(t). Ainsi, lors du stockage d’une quantité d’énergie
égale à ENst qui a un prix au moment t égal à P r(t)E , le prix de
l’énergie totale dans le système de stockage au moment t (en centimes)
est P r(t)S ∗ SOC(t) + ENst ∗ P r(t)E et l’énergie totale dans le système de
stockage au moment t est égale à SOC(t) + ENst . Par conséquent, nous
pouvons calculer le prix par kWh dans le système de stockage comme étant
le rapport entre le prix total de l’énergie stockée et la quantité totale de
l’énergie présente dans le système de stockage (équation (5.1)).
L’agent de stockage vise à minimiser la fréquence de charge et de décharge de
la batterie afin de maximiser sa durée de vie [128]. Dans ce but, nous avons
Figure 5.2 – Résumé de l’algorithme long terme de l’agent de stockage
proposé l’algorithme de décharge BADIS qui vise à minimiser le nombre de

décharge de la batterie à chaque période en fonction des besoins en énergie
et en fonction des prix de la grille afin de maintenir une facture minimale
des consommateurs. En outre, BADIS minimise le prix de l’énergie en par-
ticulier aux heures de pointe tout en conservant l’énergie avec des prix bas
pour l’utiliser dans les heures de pointe. (4) 2 Nous définissons la fréquence
de décharge de la batterie au moment t par Discharging(t) qui est cal-
culé selon l’équation (5.2). Dans cette proposition, nous considérons qu’à
chaque période t, le système de stockage peut satisfaire les demandes des
consommateurs jusqu’à Discharging(t) ∗ SOCmax .
1
Discharging(t) = 1 (5.2)
1 + exp(− τ (t) )
Où :
M axCpeak − (D(t) − RE(t)) ∗ P r(t)G
τ (t) = (5.3)
M axCpeak
M axCpeak = (P eak − RE(tpeak )) ∗ P r(tpeak )G (5.4)

Où : P eak − RE(tpeak ) > 0 et P r(tpeak )G > 0
La décharge de la batterie du système de stockage doit être minimisée en
particulier lorsque le prix de la grille est faible, ce qui permet d’accéder
à la grille même si le stockage est plein lorsque les coûts du réseau sont
faibles. Afin de planifier la décharge de la batterie, nous calculons une va-
riable τ (équation (5.3)), qui représente la différence entre le coût de l’énergie
qui ne peut pas être satisfaite par les ressources renouvelables pendant la
2. Ces chiffres correspondent à ceux utilisés dans la Figure 5.2.
5.4. INTÉGRATION DE L’ALGORITHME D’ALLOCATION
84 ÉQUITABLE DE L’ÉNERGIE
période de pointe (M axCpeak ) et le coût de l’énergie qui ne peut pas être
satisfait par des ressources renouvelables au temps t. En d’autres termes,
cette variable (τ ) représente le rapport entre le coût durant la période t
((D(t)−RE(t))∗P r(t)G ) et le coût maximal de l’énergie (M axCpeak ). Cette
variable permet à l’agent de stockage de prédire le pourcentage de décharge
d’énergie durant une période t (équation (5.2)). Nous avons choisi l’équation
sigmoı̈de 3 pour planifier la décharge de la batterie durant toutes les périodes
de la journée. Par conséquent, le résultat de cette équation est compris entre
0 et 1 et augmente lorsque les coûts augmentent.
L’algorithme en ligne de l’agent de stockage reste quant à lui intact (voir
section 4.4.3). Au début de chaque période t, l’agent de stockage adopte
un algorithme en ligne pour minimiser la facture énergétique de tous les
consommateurs en temps réel et répartir équitablement sa capacité de sto-
ckage entre les consommateurs. L’algorithme de charge ou algorithme en
ligne de l’agent de stockage a pour but de charger sa batterie lorsque le prix
de l’énergie est prévu d’être minimal (P r(t)G = P rmin ). En plus, cet agent
demande l’énergie de la grille pour charger le système de stockage quand
le coût de la grille est acceptable et que le stockage n’a pas suffisamment
d’énergie pour satisfaire les demandes prévues.
5.4 Intégration de l’algorithme d’allocation

équitable de l’énergie
Le smart grid offre aux consommateurs la possibilité de produire leur
propre électricité sur place à partir des systèmes d’énergie renouvelables et
de consommer ainsi moins d’électricité fournie par le réseau. En plus, l’excès
de production peut être stocké dans une batterie afin de servir ces consom-
mateurs ultérieurement dans le but de minimiser la facture des consomma-
teurs ainsi que la pollution causée par les énergies non renouvelables. Durant
les périodes de forte demande d’énergie, le système de stockage ne peut pas
répondre à toutes les demandes des consommateurs et il devient nécessaire de
décider quelles demandes seront satisfaites par le stockage. Le plus simple est
de répondre aux demandes en mode FIFO (”First-In First-Out”) qui consiste
à traiter les demandes selon leur ordre d’arrivée. Cela aura une influence sur
les modalités de calcul des tarifs des réseaux, qui doivent être équitables,
refléter les coûts, encourager l’efficacité énergétique, soutenir les objectifs en
matière d’énergies renouvelables tout en étant simples et transparents pour
les consommateurs. Conscients des répercussions des tarifs pratiqués sur le
3. L’équation sigmoı̈de est une fonction avec une condition limite entre 0 et 1.
comportement des consommateurs, nous avons développé une fonction qui
vise à distribuer l’énergie stockée dans le système de stockage d’une façon
équitable. Cette fonction est réalisée par l’agent de stockage intelligent qui
prend la décision de la vente de l’énergie stockée et dont l’algorithme est
détaillé dans ce qui suit.
Algorithm 3 Algorithme pour la distribution équitable de l’énergie stockée

CollectAllConsumersRequest() ; //Collecter les demandes des consommateurs durant une
période précise.
si SOC(t) > SOCmax ∗ (1 − Discharging(t)) alors
//La batterie n’est pas vide.
si D(t)st ≤ SOC(t) − SOCmax ∗ (1 − Discharging(t)) alors
//La demande est plus petite que la quantité d’énergie que le stockage peut vendre.
SatisfyAllRequests() ; //Satisfaire toutes les demandes.
sinon
//La demande est plus grande que la quantité d’énergie que le stockage peut vendre.
SatisfyRequestsFollowingTheirPriority() ; //Les demandes seront classifiées selon la fonc-
tion d’utilité définie dans l’équation 6.7.
fin si
sinon
RefuseAllRequests() ; //Le stockage ne peut pas vendre d’énergie.
fin si
En premier lieu, chaque agent de stockage met dans la file d’attente

toutes les demandes des consommateurs durant une période (utilisation de
la fonction CollectAllConsumersRequest()). Si l’agent possède de l’énergie
nécessaire pour répondre aux besoins de tous les consommateurs, il le fait
en respectant l’ordre d’arrivée des demandes. Par contre, s’il trouve que
la quantité d’énergie demandée est plus grande que l’énergie que peut
vendre le stockage durant la période t (D(t)st > SOC(t) − SOCmax ∗ (1 −
Discharging(t))), il trie à nouveau les demandes dans la file d’attente par
ordre d’utilité croissant (utilisation de la fonction SatisfyRequestsFollowing-
TheirPriority()). Cette utilité est calculée selon l’équation (6.7) et a pour
but de donner une priorité élevée à la demande qui satisfait le plus possible
les contraintes de l’agent de stockage. Dans notre cas, l’agent de stockage
prend en considération deux obligations : (1) la première se définit par la
participation du consommateur (P (t)x ) dans la charge de la batterie (au cas
où il s’agit d’un pro-consommateur), car dans le cas où le pro-consommateur
a un excès d’énergie qui a été stocké, il est plus prioritaire que les autres
consommateurs (2) la seconde contrainte se définit par le nombre de fois où
l’agent de stockage a refusé la demande du consommateur x (R(t)x ) afin que
le consommateur x bénéficie du stockage dans son propre système.
U (t)x = (1 + R(t)x )(1 + P (t)x ) (5.5)

86 5.5. EVALUATION DES PERFORMANCES DE BADIS
QR(t)x
R(t)x = (5.6)
QD(t)x
Q(t)x
P (t)x = (5.7)
Qt(t)x
La fonction d’utilité augmente quand la participation du pro-consommateur
dans la charge de la batterie augmente (P (t)x ). En outre, le stockage a pour
but principal de satisfaire les demandes de tous les consommateurs identifiés
dans le système auquel il appartient, d’où le fait que la fonction d’utilité est
proportionnelle au nombre de refus des demandes d’un consommateur x
(R(t)x ).
Pour conclure, dans cet algorithme, nous cherchons à récompenser tous les
consommateurs qui contribuent à recharger la batterie et éviter la famine
de ceux qui ne participent pas à la charge de la batterie. Les paramètres des
simulations et les résultats seront présentés dans la section suivante.
5.5 Evaluation des performances de BADIS

Cette section est consacrée à l’évaluation des performances de notre pro-
position simulée avec JADE et à la présentation des résultats obtenus.
5.5.1 Paramètres des simulations

Dans les simulations réalisées pour évaluer les performances de BADIS,
nous adoptons la même répartition des agents que celle présentée dans le
chapitre 4, à savoir 1 agent par grille, 1 agent pour chaque consomma-
teur, 1 agent pour chaque producteur et 1 agent pour le système de sto-
ckage. En outre, dans tous les scénarios énumérés dans cette section, nous
considérons que chaque producteur est un pro-consommateur ; il s’agit donc
d’un consommateur qui possède une ressource renouvelable. Le Tableau 5.2
présente les scénarios pris en considération pour évaluer BADIS. Nous aug-
mentons le nombre de consommateurs et de producteurs de 5 dans le scénario
1. Dans le scénario 2, nous considérons que nous avons 50 consommateurs
et 50 producteurs alors que dans le scénario 3, nous choisissons de varier
le nombre de producteurs de 0 à 10 (10 consommateurs). Le Tableau 5.3
présente quelques paramètres de simulation sachant que dans nos scénarios,
nous considérons un pic le matin (à 8 heures) et un autre durant la nuit (à
21 heures), comme illustré sur la Figure 5.3.
Tableau 5.2 – Scénarios simulés

Scénario Consommateurs Producteurs Système de stockage Grille
1 [5-20] [5-20] 1 1
2 50 50 1 1
3 10 [0-10] 1 1
Figure 5.3 – Demandes des consommateurs en kWh
Afin de mettre en évidence l’efficacité de notre proposition, nous compa-

rons les valeurs des simulations durant deux saisons différentes (automne
et été) lorsque les sorties des photovoltaı̈ques et des éoliennes varient
considérablement. Dans notre modèle, nous utilisons deux types d’énergie
renouvelable : le photovoltaı̈que (PV) qui a une puissance maximale pen-
dant l’été et l’éolienne qui a une puissance maximale pendant l’automne [9].
Les deux Figures 5.4 et 5.5 présentent les valeurs de sortie des ressources
éoliennes et photovoltaı̈ques durant les deux saisons mises en œuvre [9]. En
plus, les données de nos simulations (demandes des consommateurs, prix
des énergies, sorties des énergies renouvelables, etc.) sont les moyennes des
données collectées durant les deux saisons simulées. Ces données sont ex-
traites durant l’année 2014 [1, 10, 9]. Les résultats des simulations sont
Tableau 5.3 – Paramètres des simulations extraits de [1, 10, 9]
Consommateurs demandes entre 0.2 kWh et 4.8 kWh

Eolienne coûts entre 7 centimes/kWh et 10 centimes/kWh
Photovoltaı̈que coûts entre 7 centimes/kWh et 10 centimes/kWh
Système de stockage 2.8 kWh pour chaque consommateur
Grille coûts entre 10 centimes/kWh et 22 centimes/kWh
Figure 5.4 – Valeurs de sortie de Figure 5.5 – Valeurs de sortie de

l’éolienne durant les deux saisons la photovoltaı̈que durant les deux
(automne et été, valeurs météo de saisons (automne et été, valeurs
[9]) météo de [9])
données pour une journée complète choisie aléatoirement et répartie en 24

intervalles de temps t ∈ {0, ...23}.
5.5.2 Description et analyse des résultats des simulations

Afin d’évaluer les performances de BADIS, nous le comparons à notre
algorithme ANEMAS et à deux autres algorithmes de la littérature. Les al-
gorithmes suivants font donc l’objet de comparaison :
ANEMAS : Nous comparons BADIS à ANEMAS afin de prouver que
BADIS n’affecte pas la facture des consommateurs.
Cas conventionnel : Nous comparons BADIS au cas conventionnel qui
est adopté par la plupart des pays où les consommateurs achètent leurs
demandes de la grille avec un coût fixe. On compare BADIS avec le cas
conventionnel afin de surligner l’importance de l’utilisation des ressources
renouvelables et du système de stockage pour la minimisation de la facture
des consommateurs.
Algorithme de Colson et al. [52] : BADIS est comparé à cet algorithme
qui vise à gérer l’énergie dans les smart grids sans intégrer des agents de sto-
ckage. Cette comparaison est importante pour montrer le rôle des systèmes
de stockage dans la gestion de l’énergie au niveau des smart grids.
Algorithme homeostatic [100] : Nous comparons BADIS avec cet algo-
rithme qui vise à gérer l’énergie dans les smart grids en utilisant des agents
de stockage, afin de surligner l’efficacité de notre proposition en la compa-
rant avec une proposition récente qui utilise les systèmes de stockage.
En premier lieu, nous comparons les factures des consommateurs pour
vérifier qu’avec notre algorithme la facture des consommateurs reste mi-
nimale. Les résultats de tous les scénarios simulés sont présentés dans les
Figures 5.6, 5.7, 5.8, 5.9. On simule en premier les deux scénarios 1 et 2
dont les résultats sont présentés dans les Figures 5.6 et 5.7, qui donnent une
comparaison du prix total de toutes les périodes de la journée obtenus avec
les 5 algorithmes durant les 2 saisons simulées.
Figure 5.6 – Variation de la somme des coûts incombés aux consommateurs

durant une journée complète en automne (cas où chaque consommateur est
un producteur ; nombre de consommateurs=nombre de producteurs)
Figure 5.7 – Variation de la somme des coûts incombés aux consommateurs

durant une journée complète en été (cas où chaque consommateur est un
producteur ; nombre de consommateurs=nombre de producteurs)
On peut distinguer une minimisation qui atteint 43%, 48% et 52% par
rapport au cas conventionnel (scénario 2) en implémentant Colson et al., ho-
meostatic, ANEMAS et BADIS respectivement. De plus, ANEMAS et BA-
DIS présentent une minimisation qui atteint 6% par rapport à homeostatic et
14% par rapport à l’algorithme de Colson et al. La minimisation du coût en
utilisant l’algorithme de Colson et al. est due à l’utilisation de l’algorithme

de négociation qui vise à distribuer l’énergie renouvelable produite d’une
façon optimale. En outre, cette minimisation augmente en utilisant l’algo-
rithme homeostatic grâce à l’intégration des systèmes de stockage. ANEMAS
de son côté diminue les coûts grâce à l’utilisation du système de stockage et
de l’algorithme de négociation qui vise à distribuer d’une manière optimale
l’énergie renouvelable produite. Les résultats montrent en effet qu’ANEMAS
et BADIS ont une minimisation de coût élevée par rapport aux deux autres
algorithmes, car ils intègrent tous les deux un algorithme de négociation
et un système de stockage. En outre, ANEMAS a utilisé un système de
stockage pour partager toute l’énergie stockée avec l’ensemble du système.
Cette minimisation est plus importante au cours de l’été en raison de la
forte pénétration de l’énergie photovoltaı̈que. En utilisant BADIS, la fac-
ture des consommateurs n’a pas augmenté même si on a diminué la capacité
de décharge de la batterie, grâce à l’algorithme de décharge qui a pu conser-
ver une quantité non négligeable de l’énergie stockée pour l’utiliser durant
les périodes où le prix de la grille est élevé.
Les Figures 5.8 et 5.9 présentent les factures des consommateurs pour une
journée en simulant le scénario 3 (pour 10 consommateurs, on fait varier le
nombre de producteurs de 0 à 10) en implémentant les algorithmes présentés
au début de cette section. D’après les résultats, on peut distinguer une mi-
nimisation de 4% par rapport au cas conventionnel pour 0 producteur (en
automne et en été), due à la présence d’un stockage intelligent qui se re-
charge avec un coût minimal et revend l’énergie stockée lorsque le coût de
la grille est maximal.
Figure 5.8 – Variation de la somme des coûts des consommateurs durant

une journée complète en automne (scénario 3 : 10 consommateurs, 0 à 10
producteurs)
Figure 5.9 – Variation de la somme des coûts des consommateurs durant

une journée complète en été (scénario 3 : 10 consommateurs, 0 à 10 produc-
teurs)
Comme l’indique les Figures 5.8 et 5.9, les coûts baissent avec l’augmen-
tation du nombre de producteurs à cause de l’augmentation de la production
d’énergie renouvelable et nos propositions (ANEMAS et BADIS) donnent
des performances nettement meilleures que les autres algorithmes (Colson
et al. et homeostatic).
Pour montrer l’importance et l’influence de BADIS et d’ANEMAS, on a
mis en évidence la variation du coût pendant chaque période d’une journée
complète pour un scénario composé de 20 consommateurs et 20 producteurs
durant l’été. Sur la Figure 5.10 on peut voir les coûts des consommateurs
pour chaque heure de la journée en implémentant les algorithmes définis
ci-dessus.
Figure 5.10 – Coût de l’énergie durant chaque période d’une journée

complète pour un scénario de 20 consommateurs et 20 producteurs durant
l’été
Pendant la journée, la réduction de la facture des consommateurs est due

à l’utilisation des énergies renouvelables ou du système de stockage. Pendant
les heures de faible consommation (LP), la réduction du coût est très élevée
(elle est égale à 100% en utilisant BADIS) car la production d’énergie renou-
velable est beaucoup plus élevée que la demande. En utilisant Colson et al.,
cette minimisation atteint 80%. En outre, la diminution des coûts atteint
presque 100% seulement pour les périodes 12 et 14 en utilisant l’algorithme
homeostatic, car durant ces périodes le stockage a pu satisfaire les demandes
avec un coût minimal. En effet, la diminution du coût est plus importante
à l’aide de BADIS en raison du stockage et de l’utilisation de l’algorithme
de négociation. Par conséquent, en passant à la période du HP, la facture
des consommateurs augmente pour atteindre les coûts conventionnels. De
plus, nous constatons qu’en utilisant BADIS, la réduction du coût d’achat
de l’énergie est due à l’utilisation de systèmes de stockage avec des ressources
renouvelables et l’achat d’énergie stockée lorsque les coûts sont faibles, ce
qui réduit l’accès à la grille même pendant les périodes HP (période 21 par
exemple).
Les deux Figures 5.11 et 5.12 illustrent l’utilisation de la grille et du sto-
ckage en implémentant ANEMAS et BADIS durant les deux saisons simulées
(automne et été respectivement). Nous pouvons voir que l’utilisation de la
grille avec ANEMAS est inférieure à celle avec BADIS dans les deux saisons.
Ces résultats sont dus au régime de décharge adopté qui limite l’accès au
stockage afin de maximiser la durée de vie de la batterie et augmente donc
l’utilisation de la grille en comparaison avec ANEMAS.
Figure 5.11 – Utilisation du stockage et de la grille en automne (Nombre

de consommateurs = Nombre de producteurs)
Figure 5.12 – Utilisation du stockage et de la grille en été (Nombre de

consommateurs = Nombre de producteurs)
En utilisant l’algorithme de décharge, on ne voit aucun effet sur les coûts

pendant la journée parce que l’utilisation du stockage d’énergie est propor-
tionnelle au prix de la grille de telle sorte que le coût total de l’énergie
pendant la journée ne soit pas affecté.
Afin d’évaluer l’importance de l’algorithme de décharge, nous avons étudié le
pourcentage de réduction de la charge de la batterie au cours d’une journée.
La Figure 5.13 présente la minimisation du taux de décharge en simulant
les scénarios 1 et 2 au cours des deux saisons considérées et en comparant
les résultats de BADIS à ceux d’ANEMAS. On peut remarquer que ce taux
est égal à 40% pour le scénario 1 au cours de l’été et à 50% au cours de
l’automne (Figure 5.13). A cause de la faible production d’énergie renouve-
lable durant l’automne et de la forte demande d’énergie émanant du système
de stockage, la diminution de la décharge est plus faible en automne qu’en
été. La Figure 5.14 indique le pourcentage de la réduction de la fréquence
de décharge pour le scénario 3. En augmentant le nombre de producteurs
de 0 à 10, la diminution de la fréquence de décharge varie de 40% à 60%
(Figure 5.14, cette diminution est due au choix aléatoire fait entre les pho-
tovoltaı̈ques et les éoliennes dans le système). En effet, cette diminution de
la fréquence de décharge de la batterie permet d’augmenter la durée de vie
de la batterie [128].
Afin d’évaluer les performances de l’algorithme d’allocation équitable, nous
simulons un scénario composé de 10 consommateurs et 5 producteurs. Les
caractéristiques de ces consommateurs sont présentées dans le Tableau 5.4.
Figure 5.13 – Pourcentage de minimisation de décharge de la batterie

pendant l’été et l’automne en augmentant le nombre des consommateurs
(Nombre de consommateurs = Nombre de producteurs)
Figure 5.14 – Pourcentage de minimisation de décharge de la batterie pen-

dant l’été et l’automne en augmentant le nombre des producteurs (pour 10
consommateurs)
La Figure 5.15 présente le pourcentage de demandes satisfaites par le

système de stockage, pour chaque consommateur, sachant que le pourcen-
tage des demandes satisfaites est le rapport entre les demandes satisfaites
par le système de stockage et le nombre de demandes que le système de
stockage a reçu de ce consommateur en question. Nous pouvons remar-
quer qu’en utilisant FIFO (ANEMAS), les demandes sont satisfaites se-
lon leur ordre d’arrivée. Les résultats montrent que l’algorithme d’alloca-
tion équitable améliore fortement la gestion du système de stockage. Ainsi,
l’énergie stockée est répartie d’une façon équitable entre tous les consomma-
Tableau 5.4 – Entités du scénario considéré

ID du consommateur Pro-consommateur ? photovoltaı̈que Eolienne
√ √
1 x
√ √
2 x
√ √
3 x
√ √
4 x
√ √
5 x
6 x x x
7 x x x
8 x x x
9 x x x
10 x x x
Figure 5.15 – Pourcentage de demandes satisfaites en automne en utilisant

l’algorithme d’allocation équitable (5 producteurs et 10 consommateurs)
teurs et si un consommateur participe à la recharge de la batterie (cas des

consommateurs 1, 2, 3, 4 et 5), il a le droit d’utiliser plus d’énergie stockée
que les autres consommateurs. En outre, si un consommateur ne participe
pas à la charge de la batterie, il a moins de chances d’être satisfait. Les
résultats de cet algorithme montrent que les consommateurs 1 et 2 ont le
pourcentage de satisfaction le plus élevé (40%) parce qu’ils possèdent une
éolienne et contribuent donc plus activement à la charge du système de sto-
ckage. Les consommateurs 3, 4 et 5 participent à la charge de la batterie,
mais leur participation est inférieure à celle des consommateurs 1 et 2 parce
qu’ils possèdent une photovoltaı̈que dont la sortie n’est pas très importante
à l’automne. Par conséquent, le pourcentage pour les propriétaires de pho-
tovoltaı̈ques est de 35% (moins de 40%). Enfin, les consommateurs 6, 7, 8,
9 et 10 ne participent pas à la charge de la batterie, mais 30% environ de
96 5.6. CONCLUSION
leurs demandes sont satisfaites.
5.6 Conclusion
Les systèmes de stockage intelligents constituent l’un des piliers du nou-
veau réseau électrique intégrant les énergies renouvelables intermittentes. Il
est en effet important de stocker l’excès de productions renouvelables durant
les heures creuses et de les utiliser durant les heures de pointe. En plus, il
est nécessaire de stocker l’énergie et de l’utiliser d’une manière efficace afin
d’augmenter la durée de vie de la batterie.
Ce chapitre a abordé la question de l’augmentation de la durée de vie d’une
batterie en minimisant la fréquence de charges et de décharges de cette
dernière. Cela est fait tout en conservant un prix minimal pour les consom-
mateurs en utilisant un agent de stockage qui analyse les données et les de-
mandes et planifie sa fréquence de décharge par rapport au prix du marché
électrique. Les décisions de l’agent de stockage sont alors basées sur des
données récupérées des autres agents dans le système. Nous avons iden-
tifié une relation entre la fréquence de décharge de la batterie, le prix de
l’énergie et la demande énergétique dans une période précise afin de choisir
la quantité d’énergie que le stockage peut utiliser dans une période précise.
En outre, ce chapitre a présenté un algorithme de l’agent de stockage per-
mettant de distribuer d’une manière équitable la quantité d’énergie sur les
consommateurs. Cependant, il y a plusieurs facteurs qui influencent le coût
de l’énergie, tels que les pertes énergétiques qui augmentent avec la distance
parcourue par l’énergie. Un coût supplémentaire de l’énergie en termes de
nombre de messages échangés et de latence s’ajoute au système. Ce coût doit
être pris en considération surtout qu’on utilise des systèmes multi-agents et
des algorithmes de négociation dans un système composé d’entités de types
différents, ce qui risque d’engendrer un nombre non négligeable de mes-
sages. Le chapitre suivant vise à proposer un algorithme qui minimise les
pertes énergétiques et le nombre de messages échangés entre les agents. En
se basant sur un nombre réduit d’informations et en utilisant un algorithme
génétique modifié, chaque agent optimise ses propres coûts.
Chapitre 6
LOMI : Minimiser les pertes

d’énergie au sein des smart
grids
Sommaire
6.1 Introduction . . . . . . . . . . . . . . . . . . . . . 97
6.2 Motivations . . . . . . . . . . . . . . . . . . . . . . 98
6.3 Minimiser les pertes au sein des smart grids . . 98
6.3.1 Identification des pertes dans les smart grids . . . 99
6.3.2 Description de LOMI . . . . . . . . . . . . . . . . 101
6.4 Evaluation des performances de LOMI . . . . . 106
6.4.1 Scénarios et paramètres des simulations . . . . . . 107
6.4.2 Résultats numériques et analyse . . . . . . . . . . 107
6.5 Conclusion . . . . . . . . . . . . . . . . . . . . . . 114
6.1 Introduction
Les chapitres précédents ont proposé des solutions visant à résoudre
le problème d’intermittence des énergies renouvelables en intégrant des
systèmes de stockage. Une approche de gestion de l’énergie a été proposée en
utilisant les SMA afin d’introduire une intelligence dans la prise de décision
notamment concernant la charge et la décharge du système de stockage pour
augmenter sa durée de vie. Ce chapitre présente une proposition qui vise à
augmenter l’efficacité énergétique définie par le rapport entre l’énergie di-
rectement utilisée (dite énergie utile) et l’énergie consommée (en général,
97
98 6.2. MOTIVATIONS
supérieure à l’énergie utile, du fait des pertes). Notre but principal est de
réduire les pertes énergétiques dans les smart grids tout en minimisant le
chemin parcouru par l’énergie pour arriver à sa destination finale (consom-
mateurs, système de stockage, etc.).
Dans ce chapitre, nous exposerons en premier lieu l’intérêt de minimiser les
pertes énergétiques et le scénario utilisé. Par la suite, nous présentons LOMI
(”LOss MInimization algorithm”), notre nouvelle proposition qui vise à mi-
nimiser les pertes pour augmenter l’efficacité énergétique, et pour finir nous
décrivons et analysons les résultats des simulations.
6.2 Motivations
L’électricité subit des pertes, lors de son transport du point de produc-
tion vers le point de livraison, qui sont impossibles à éviter et qui dépendent
de la valeur du courant, de la distance de transport et des caractéristiques
du réseau. On parle alors des pertes en ligne qu’il est primordial à op-
timiser. Selon les travaux de recherche [129, 130, 131, 132], les pertes en
électricité ont plusieurs origines : (1) les pertes provenant de l’affaiblisse-
ment de l’énergie lorsqu’un courant électrique circule dans les matériaux de
liaison (2) les pertes provenant du transport d’électricité qui font chauffer les
câbles, nommées ”pertes à effet joules” (3) les pertes causées par les condi-
tions climatiques (4) les pertes provenant des postes de transformation.
Plusieurs facteurs influencent la quantité d’énergie perdue en ligne, ren-
dant l’optimisation du chemin parcouru par l’électricité d’une grande impor-
tance. Afin de minimiser le chemin parcouru par l’électricité et de réduire
par voie de conséquence les pertes, nous proposons d’utiliser un mécanisme
permettant de trouver un tel chemin. Pour réaliser notre but, nous utili-
sons un scénario composé des quatre types d’agents utilisés dans les cha-
pitres précédents : l’agent grille, l’agent consommateur, l’agent producteur
et l’agent stockage. L’algorithme proposé sera mis en œuvre par les agents
producteurs dont la position est connue et est utilisée lors du choix du che-
min.
Dans la partie suivante, nous détaillerons la problématique de perte
d’électricité et notre proposition qui a pour objectif de minimiser ces pertes.
6.3 Minimiser les pertes au sein des smart grids

Dans cette section nous présentons l’intérêt de la minimisation des pertes
énergétiques ainsi que notre proposition dont le but principal est de mini-
CHAPITRE 6. LOMI : MINIMISER LES PERTES D’ÉNERGIE AU
SEIN DES SMART GRIDS 99
miser ces pertes.
6.3.1 Identification des pertes dans les smart grids

Une fois que l’énergie électrique est générée, elle doit être déplacée chez
les consommateurs par qui elle sera utilisée. Ceci est connu sous le nom de
la transmission et distribution de l’électricité [133]. En réalité, l’électricité
ne peut pas être acheminée jusqu’au consommateur final sans pertes. La
distribution est généralement le phénomène englobant les sous-stations et
les lignes d’alimentation qui acheminent l’électricité du réseau de haute ten-
sion. Le long du chemin, une partie de l’énergie fournie par le générateur
est perdue en raison de la résistance des fils et de l’équipement à travers
desquels l’électricité passe et la majeure partie de cette énergie est convertie
en chaleur. Selon ENEDIS [3] et RTE [134], le réseau de transport et de dis-
tribution de l’électricité affiche une perte qui pourra atteindre environ 8 à
9% de l’électricité acheminée. En incluant l’autoconsommation des postes de
transformation et les pertes non techniques, les pertes d’électricité en France
entre le lieu de production et de consommation avoisinent 10% en moyenne.
La perte d’énergie est un problème important au sein du réseau intelligent
et entre les consommateurs individuels, les producteurs et les systèmes de
stockage [135]. Par conséquent, un algorithme efficace est nécessaire pour
réduire les pertes d’énergie causées par des lignes de transmission. Pour
commencer, on considère que la perte d’énergie entre deux nœuds i et j
(par exemple le consommateur et le producteur) est proportionnelle à la
distance d’où l’équation (6.1). En se basant sur les recherches définies dans
[136, 137, 138], l’équation 6.2 est adoptée pour définir les pertes en ligne. En
effet, les pertes (Wij ) sont proportionnelles à la résistivité (r) au carré du
courant (I 2 ) au temps (T ) et à la distance parcourue (dij ). Pour simplifier
le calcul et pour mettre l’accent sur l’importance de la minimisation de la
distance parcourue par l’énergie, on considère que le produit r ∗ I 2 ∗ T est
équivalent à une constante qu’on nomme Kl (équation 6.3) d’où l’équation
6.2.
Wij = Kl ∗ dij (6.1)
Wij = r ∗ I 2 ∗ T ∗ dij (6.2)
Kl = r ∗ I 2 ∗ T (6.3)
Où :
100 6.3. MINIMISER LES PERTES AU SEIN DES SMART GRIDS
— r : la résistance par unité de longueur de la ligne de distribution (en

Ω.m).
— I : le courant de la ligne (en Ampère).
— T : le temps en heures.
— Wij : la perte d’énergie entre deux nœuds i et j (en kWh).
— Kl : la perte d’énergie dans les lignes de transmission (en
kWh/mètres), calculée en fonction de la distance et selon les re-
cherches [136, 137, 138].
— dij : la distance entre les 2 nœuds i et j (en mètres).
Dans l’équation (6.1), on peut voir que la perte augmente lorsque la distance
entre les deux nœuds augmente. On suppose également que chaque ligne de
transmission a un taux de perte lié à sa résistance interne. En outre, on
considère que la distance entre deux nœuds i et j (dij ) est présentée par une
ligne directe entre ces deux nœuds comme indiqué dans la Figure 6.1 et nous
pouvons noter que dij = dji .
Figure 6.1 – Distance entre les nœuds
Nous considérons que chaque nœud a deux coordonnées définies par (Xi , Yi )
et la distance entre deux nœuds i et j est calculée selon l’équation (6.4).
q
dij = (Xi − Xj )2 + (Yi − Yj )2 (6.4)
Pour résoudre le problème de perte d’énergie, notre objectif est de réduire

la distance parcourue par l’énergie.
6.3.2 Description de LOMI
Notre proposition de gestion d’énergie se caractérise par la coopération
entre chaque élément du sous-système et la grille. Cette section met en
évidence notre proposition de gestion de l’énergie qui aide à minimiser les
pertes énergétiques. En effet, les algorithmes de l’agent grille et des agents
consommateurs restent intactes (voir chapitres 4 et 5). L’agent grille a un
rôle précis, qui se définit par la vente et l’achat de l’énergie alors que l’agent
consommateur a pour rôle de choisir la meilleure combinaison de ressources
énergétiques qui satisfait ses besoins avec un coût minimal et négocie son
choix avec les autres agents consommateurs du système. L’agent producteur
dans cette nouvelle proposition intègre de nouvelles fonctionnalités afin de
minimiser ses pertes énergétiques et dont l’algorithme est détaillé dans la
sous-section suivante.
Algorithme de l’agent producteur

Tout au long de ce manuscrit, nous avons considéré que nos produc-
teurs sont des sources d’énergie renouvelables et spécialement des photo-
voltaı̈ques (PV) ou des éoliennes. En outre, les petites sources d’énergie dis-
tribuées à proximité des consommateurs font d’eux des pro-consommateurs.
À chaque ∆t, l’agent producteur prédit sa production sur une journée
complète (journée i) selon l’équation 4.1. Ensuite, ces prédictions seront
envoyées à l’agent de stockage afin qu’il puisse prendre les décisions à pro-
pos de la charge de sa batterie en fonction de ces données. Afin de prendre
une décision efficace, l’agent producteur suit les étapes de son algorithme en
ligne, défini dans la Figure 6.2, qui consistent à :
(1) 1 Satisfaire les demandes de son agent consommateur s’il s’agit d’un pro-
consommateur.
(2) Satisfaire les consommateurs et/ou le système de stockage les plus
proches en appliquant LOMI, en cas d’excès de production d’énergie, si
les consommateurs du système ont besoin d’énergie.
(3) Vendre l’énergie en excès au système de stockage ou à la grille au cas où
les consommateurs sont tous satisfaits.
Tout d’abord, l’agent producteur répond à ses propres demandes s’il est
pro-consommateur. En général, l’agent producteur cherche à maximiser ses
bénéfices (P rof it(t)pi ) en réduisant ses pertes (Wpi (t)) selon les équations
6.5 et 6.6. L’équation 6.5 montre que le gain est proportionnel au prix de
vente de l’énergie (P r(t)pi ) et à la somme de l’énergie vendue aux consom-
1. Ces chiffres sont ceux présentés dans la Figure 6.2

mateurs, au système de stockage et à la grille ( nj=1 (ηij ∗Ecj )+ηiS ∗ES +ηiG ∗
P
EG )). En effet, ηij ∗ Ecj est égale à 0 si le producteur n’a pas vendu d’énergie
au consommateur j et à Ecj s’il lui a vendu. La même explication s’applique
pour le stockage (ηiS ∗ ES ) et la grille (ηiG ∗ EG ). De même pour l’équation
6.6, la perte est proportionnelle à la perte d’énergie dans les lignes de trans-
mission (Kl ) et à la distance parcourue P par l’énergie vers les consommateurs,
le système de stockage et la grille ( nj=1 (ηij ∗dpi ,cj )+ηiS ∗dpi ,S +ηiG ∗dpi ,G ).
En effet, ηij ∗ dpi ,cj est égale à 0 si le producteur n’a pas vendu d’énergie au
consommateur j et à dpi ,cj s’il lui a vendu. La même explication s’applique
pour le stockage (ηiS ∗ dpi ,S ) et la grille (ηiG ∗ dpi ,G ). Quand un producteur
pi n’a pas besoin d’utiliser sa propre production, il choisit le système de
consommation et/ou de stockage le plus proche afin de vendre son surplus
d’énergie et de minimiser ses pertes en appliquant LOMI. Si un producteur
a un surplus de production d’énergie et tous les consommateurs du système
aussi que le système de stockage sont satisfaits, il choisit de vendre cette
énergie à la grille.
Figure 6.2 – Etapes de l’algorithme en ligne de l’agent producteur
Le Tableau 6.1 montre tous les paramètres utilisés par l’agent producteur
dans sa prise de décision.
n
X
P rof it(t)pi = P r(t)pi ∗ ( (ηij ∗ Ecj ) + ηiS ∗ ES + ηiG ∗ EG ) (6.5)
j=1
n
X
Wpi (t) = Kl ∗ ( (ηij ∗ dpi ,cj ) + ηiS ∗ dpi ,S + ηiG ∗ dpi ,G ) (6.6)
j=1
Afin de minimiser ses pertes, l’agent producteur pi cherche à vendre son

excès de production aux consommateurs et/ou au système de stockage les
plus proches et suit donc les étapes de l’algorithme LOMI présenté dans
Tableau 6.1 – Paramètres de l’agent producteur

n nombre total de consommateurs
ηij une variable booléenne définie à 0 si le consommateur j n’achète pas
l’énergie du producteur i et 1 dans le cas contraire
ηiS une variable booléenne définie à 0 si le système de stockage n’achète pas
ηiG une variable booléenne définie à 0 si la grille i n’achète pas
P rof it(t)pi gain du producteur pi à une période t (en centimes)
Ecj énergie que le producteur pi vend au consommateur cj (en kWh)
ES énergie que le producteur pi vend au système de stockage (en kWh)
EG énergie que le producteur pi vend à la grille (en kWh)
prix de l’énergie produite par le producteur pi
P r(t)pi
durant la période t (en centimes/kWh)
Wpi (t) perte d’énergie du producteur pi durant la période t (en kWh)
dpi ,cj distance entre le producteur pi et le consommateur cj (en mètres)
dpi ,S distance entre le producteur pi et le système de stockage (en mètres)
dpi ,G distance entre le producteur pi et la grille (en mètres)
R rayon de recherche du producteur durant une itération
R1 rayon de recherche maximal du producteur durant une itération
Rmin rayon de recherche minimal du producteur
Rmax rayon de recherche maximal du producteur
la Figure 6.3. L’agent producteur fixe d’abord son rayon de recherche R

à Rmin et R1 à 0 (1) 2 et s’il y a un excès de production d’énergie (2),
il envoie un message de ”call for proposal” (3) aux consommateurs et au
système de stockage qui se trouvent dans un rayon R. Ce message contient
l’énergie disponible du producteur et le prix qu’il propose 3 . Ensuite, l’agent
producteur attend des messages de réponse (des messages ”propose”) de la
part des consommateurs et/ou du système de stockage (4), à la réception
desquels (5), l’agent producteur choisit le consommateur ou système de sto-
ckage le plus proche permettant de minimiser ses pertes (équation (6.6))
et lui envoie un message d’accord (”accept proposal”), (6). De leur part,
les consommateurs envoient une requête de demande d’énergie (”Request
message”) aux producteurs de sorte que leur coût d’achat soit minimal. Si
l’excès de production est supérieur à l’énergie demandée, par les consomma-
teurs et le système de stockage, dans le rayon R ou si cet agent n’a pas reçu
de message de demandes de la part des consommateurs, le producteur aug-
mente son rayon de recherche R (7) et envoie à nouveau le message ”call for
proposal” à tous les consommateurs et les systèmes de stockage qui existent
2. Ces chiffres sont ceux présentés dans la Figure 6.3 et définis dans le Tableau 6.1.
3. Ces prix dépendent des heures de la journée, de la quantité d’énergie produite et de
la demande d’énergie.
Figure 6.3 – Étapes de l’algorithme LOMI
entre R et R1 et exécute à nouveau le même algorithme (LOMI) 4 . L’agent

producteur continue ses recherches afin de vendre l’énergie en excès jusqu’à
ce qu’il atteigne le rayon maximal du système Rmax 5 ou que l’énergie en
excès soit vendue, auquel cas LOMI s’arrête (8). Si LOMI s’arrête alors que
le producteur possède encore de l’énergie en excès, il choisit de vendre cet
excès à la grille.
Pour plus de précisions, la Figure 6.4 présente un exemple de la recherche
de l’agent producteur, dans lequel Rmax = R2 6 .
En premier lieu, l’agent producteur envoie son call for proposal aux agents
dans un rayon plus petit que R1 ; il s’agit des agents consommateurs 1 et
2 dans ce cas. En second lieu, après avoir reçu les réponses de ces agents
Rmax
4. R est augmenté à chaque itération de N ombreM aximalIteration où NombreMaximalI-
teration est le nombre maximal d’itérations que fait un producteur pour atteindre Rmax
et ce nombre est fixé par l’agent.
5. Rmax est le rayon maximal du système ou la distance entre le producteur et l’entité
la plus éloignée du système duquel il fait partie. En effet, les bordures de chaque sous-
système sont précisées par l’administrateur.
6. R2 est un rayon utilisé dans cette exemple pour expliquer comment se fait la re-
cherche et la sélection des agents.
(”Request messages”), et si le producteur a toujours un excès, il envoie son
call for proposal à tous les agents avec un rayon inférieur à R2 et supérieur
à que R1 , c’est-à-dire aux agents consommateurs 3, 4, 5, 6, 7, 8 et l’agent
de stockage.
Figure 6.4 – Exemple de recherche de l’agent producteur avec Rmax = R2
En raison de la capacité de production limitée de chaque producteur,

et compte tenu de la nature stochastique de la plupart des demandes,
les producteurs ne peuvent pas traiter les demandes d’énergies entrantes
immédiatement après leur arrivée. Par conséquent, toutes les demandes
d’énergie sont placées dans une file d’attente jusqu’à ce qu’elles puissent
être traitées.
Après avoir décrit l’algorithme de l’agent producteur, nous présentons dans
la sous-section suivante la nouvelle fonction ajoutée à l’agent de stockage
qui permet de minimiser les pertes énergétique lors de l’approvisionnement
des consommateurs qui lui ont demandé de l’énergie.
Algorithme de l’agent de stockage

L’agent de stockage joue un grand rôle dans le réseau intelligent en four-
nissant l’énergie demandée par les consommateurs lorsque la production
d’énergie renouvelable est insuffisante. Dans ce contexte et en se basant sur
les données prédites, l’agent de stockage choisit le meilleur moment pour
recharger sa batterie à partir de la grille. En outre, en cas d’excès de pro-
duction, cet agent stocke l’énergie pour pouvoir l’utiliser plus tard. Nous
avons développé dans les chapitres précédents (chapitres 4 et 5) un algo-
rithme en ligne et un autre hors ligne régissant le fonctionnement de l’agent
de stockage. Dans cette sous-section, nous allons expliquer une nouvelle fonc-
106 6.4. EVALUATION DES PERFORMANCES DE LOMI
tion de l’agent de stockage qui prend en considération la minimisation du

trajet de l’énergie stockée afin de minimiser les pertes. Pour minimiser ces
pertes, l’agent de stockage met en file d’attente toutes les demandes des
consommateurs. Dans le cas où les demandes sont plus grandes que la quan-
tité d’énergie que le système de stockage peut vendre durant la période t,
l’agent de stockage classifie les demandes selon leur priorité pour satisfaire en
premier lieu la demande avec la plus grande priorité. La priorité est donnée
sous forme d’une fonction d’utilité définie dans l’équation 6.7.
U (t)x = DR(t)x ∗ CR(t)x (6.7)
1
DR(t)x = DCx (t)
(6.8)
DC(t)t
P rx (t)
CR(t)x = (6.9)
P rmax
Où :
— DR(t)x : le rapport entre l’énergie demandée par un consommateur
x et l’énergie totale demandée durant une période t.
— CR(t)x : le rapport entre le coût de l’énergie du consommateur x et
le prix maximal de l’énergie.
— DCx (t) : les demandes en kWh du consommateur x durant la période
t.
— DC(t)t : toutes les demandes durant la période t (en kWh).
— P rx (t) : le coût de l’énergie en centimes/kWh pour le consommateur
x durant la période t.
— P rmax : le prix maximal de l’énergie en centimes/kWh.
La fonction d’utilité est proportionnelle aux coûts incombés aux consomma-
teurs. Afin de minimiser les pertes d’énergie entre le système de stockage
et les consommateurs, cette fonction d’utilité augmente lorsque la distance
entre le système de stockage et le consommateur x diminue.
La section suivante a pour but d’évaluer les performances de nos propositions
par simulations.
6.4 Evaluation des performances de LOMI

Cette section est consacrée à l’évaluation des performances de notre pro-
position qui a été simulée sous JADE. Dans la sous-section suivante, nous
présentons les scénarios et les paramètres des simulations.
6.4.1 Scénarios et paramètres des simulations
Dans les simulations réalisées pour évaluer les performances de LOMI,
nous adoptons la même répartition des agents que celle présentée dans les
chapitres précédents. Pour rappel, nous implémentons 1 agent par grille, 1
agent par consommateur, 1 agent par producteur et 1 agent pour le système
de stockage. En outre, dans tous les scénarios énumérés dans cette section,
nous considérons que chaque producteur est un pro-consommateur ; c’est
donc une ressource renouvelable détenue par un consommateur. Le Tableau
6.2 présente les scénarios pris en considération pour évaluer LOMI. Nous
augmentons le nombre de producteurs de 0 à 5 pour 5 consommateurs dans
le scénario 1. Dans les scénarios 2, 3, 4, 5 et 6 nous implémentons 10, 15, 30,
50, et 100 consommateurs respectivement et nous considérons que le nombre
de consommateurs est égal au nombre de producteurs. Dans les scénarios 7
et 8 nous choisissons de réduire le nombre de producteurs (100 puis 50 puis
3 producteurs dans le scénario) afin d’évaluer les performances de notre al-
gorithme.
Les paramètres des simulations sont ceux présentés dans le chapitre 5 (sec-
tion 5.5.1).
Tableau 6.2 – Scénarios implémentés

Scénario Consommateurs Producteurs Stockage Grille
1 5 [0-5] 1 1
2 10 10 1 1
3 15 15 1 1
4 30 30 1 1
5 50 50 1 1
6 100 100 1 1
7 100 50 1 1
8 100 3 1 1
6.4.2 Résultats numériques et analyse

Afin d’évaluer les performances de LOMI, nous le comparons à notre
algorithme ANEMAS et à un autre algorithme de la littérature.
ANEMAS : Nous comparons LOMI à ANEMAS afin de montrer que LOMI
minimise les pertes énergétiques et la facture des consommateurs.
Cas conventionnel : Nous comparons LOMI au cas conventionnel qui est
adopté par la plupart des pays où les consommateurs achètent leurs de-
mandes de la grille avec un coût fixe. Nous comparons LOMI avec le cas
conventionnel afin de surligner l’importance de la minimisation des pertes
énergétiques.
Algorithme de Colson et al. [52] : LOMI est comparé à cet algorithme
qui vise à gérer l’énergie dans les smart grids sans intégrer des agents de
stockage et sans prendre en considération les pertes. Cette comparaison est
importante pour montrer le rôle des systèmes de stockage dans la gestion de
l’énergie au niveau des smart grids et dans la minimisation des pertes.
Pour évaluer l’efficacité de notre proposition, on compare tous les algo-
rithmes cités ci-dessus durant les deux saisons (automne et été) où les sor-
ties des ressources renouvelables utilisées varient d’une manière significative.
Tout d’abord, nous illustrons les résultats des simulations pour une journée
de fonctionnement. La première série de simulations est effectuée à l’aide
du scénario 1. Les Figures 6.5 et 6.6 montrent la minimisation des coûts en
utilisant tous les algorithmes cités ci-dessus durant les deux saisons simulées
(automne et été, respectivement) et en les comparant avec le cas conven-
tionnel. En automne, nous pouvons remarquer une minimisation des coûts
qui atteint 63% en implémentant LOMI, 60% en implémentant ANEMAS et
40% en implémentant Colson et al. (scénario 1). En outre, cette réduction
augmente à 93% en été en utilisant LOMI, 73% en utilisant ANEMAS et
52% avec l’algorithme de Colson et al. En effet, le coût s’améliore pendant
l’été car il y a une augmentation de la production d’énergie renouvelable ce
qui minimise en conséquence le coût d’achat d’énergie à partir de la grille.
Les Figures 6.7 et 6.8 présentent les pertes d’énergie durant les deux sai-
sons et pour tous les algorithmes mis en œuvre. Selon ces deux figures,
nous pouvons constater que les pertes des producteurs augmentent lorsque
le nombre de producteurs augmente pour tous les algorithmes et durant
les deux saisons. Toutefois, en utilisant LOMI, nous pouvons remarquer
que cette augmentation reste faible parce que la distribution d’énergie dans
LOMI dépend de la distance et prend en compte la minimisation de la perte
de chaque source d’énergie. Les pertes de production augmentent de 0 à 5
kWh durant l’automne et de 0 à 8 kWh durant l’été en utilisant LOMI alors
que cette valeur augmente de 0 à 28 kWh durant l’automne et de 0 à 147
kWh durant l’été avec ANEMAS et de 0 à 39 kWh durant l’automne et de
0 à 161 kWh durant l’été avec l’algorithme de Colson et al. En effet, parmi
tous les algorithmes présentés ci-dessus, seul LOMI prend en considération
la minimisation de la distance parcourue et permet donc une minimisation
remarquable des pertes d’énergies. Pour les deux autres algorithmes (ANE-
MAS et Colson et al.), le choix du consommateur à qui l’excès d’énergie
sera vendu dépend d’autres paramètres (e.g. prix) que les pertes d’énergie,
ce qui explique les résultats obtenus. Les Figures 6.9 et 6.10 présentent le
nombre de messages échangés entre les agents du système en utilisant tous
Figure 6.5 – Variation du coût

Figure 6.6 – Variation du coût
total de l’énergie pendant une
total de l’énergie pendant une
journée d’automne (5 consomma-
journée d’été (5 consommateurs)
teurs)
Figure 6.7 – Variation quoti- Figure 6.8 – Variation quoti-

dienne de la perte d’énergie en été dienne de la perte d’énergie en au-
(5 consommateurs) tomne (5 consommateurs)
Figure 6.9 – Variation quo-

Figure 6.10 – Variation quoti-
tidienne des messages échangés
dienne des messages échangés du-
durant l’automne (5 consomma-
rant l’été (5 consommateurs)
teurs)
les algorithmes définis au début de cette sous-section durant l’automne et

l’été, respectivement. Ces résultats montrent une grande différence entre le
nombre de messages/seconde 7 en implémentant les algorithmes évalués. Ce
paramètre permet d’évaluer la minimisation de l’utilisation de la bande pas-
sante en implémentant LOMI. Les résultats montrent que LOMI a les valeurs
les plus petites de messages échangés (0,29 à 0,39 messages/seconde durant
l’automne et l’été) alors que les deux autres algorithmes ont des valeurs
de messages échangés qui varient entre 0,5 et 1,5 messages/seconde durant
les deux saisons. Avec ANEMAS et Colson et al., les messages de l’agent
producteur et de la négociation des consommateurs sont envoyés à tous
les agents consommateurs du réseau. Le nombre de messages/seconde pour
ANEMAS peut dépasser des fois celui de Colson et al. et ce dépassement n’a
pas une règle précise car il dépend en effet de la combinaison des consom-
mateurs choisis par chaque algorithme et de l’énergie disponible de chaque
producteur. Ces paramètres sont aléatoires et diffèrent d’un algorithme à un
autre durant la même période d’où l’explication de la variation du nombre
de messages/seconde pour ANEMAS et Colson et al. et l’augmentation de
ce paramètre dans un des algorithmes par rapport à l’autre aléatoirement
(des fois le nombre de messages/seconde pour ANEMAS < nombre de mes-
sages/seconde pour l’algorithme de Colson et al. alors que des fois c’est l’in-
verse qui se produit). Avec LOMI, les messages de l’agent producteur et de
la négociation des consommateurs sont envoyés à un nombre limité d’entités
d’où la minimisation du nombre de messages échangés. Avec l’augmentation
du nombre de producteurs, nous pouvons remarquer que les résultats sont
de plus en plus efficaces et ceci est dû au fait que la production d’énergie
renouvelable augmente quand il y a plus de producteurs.
En second lieu et pour évaluer l’efficacité de notre proposition, nous mo-
difions le nombre de producteurs (100, 50 et 3) pour 100 consommateurs.
La deuxième série de simulations est réalisée à l’aide de scénarios 6, 7 et 8
dont les résultats sont donnés dans les Figures 6.11, 6.13 et 6.15 (automne)
et les Figures 6.12, 6.14 et 6.16 (été). Les Figures 6.11 et 6.12 montrent la
minimisation des coûts en utilisant les algorithmes cités ci-dessus durant les
deux saisons (automne et été respectivement). En automne, nous pouvons
remarquer une minimisation des coûts atteignant 65% avec LOMI, 61% avec
ANEMAS et 34% avec l’algorithme de Colson et al. De plus, en été cette
minimisation augmente à 89% en utilisant LOMI, 69% avec ANEMAS et
36% avec l’algorithme de Colson et al. Les Figures 6.13 et 6.14 montrent les
pertes des producteurs dans les deux saisons et pour tous les algorithmes
7. C’est le nombre de messages global par seconde

Figure 6.11 – Variation du coût Figure 6.12 – Variation du

quotidien durant l’automne (100 coût quotidien durant l’été (100
consommateurs) consommateurs)

dienne de la perte des producteurs
dienne de la perte des producteurs
durant l’automne (100 consomma-
durant l’été (100 consommateurs)
teurs)
mis en œuvre. En se basant sur les résultats, nous pouvons constater que
les pertes de tous les producteurs augmentent lorsque le nombre de pro-
ducteurs augmente pour tous les algorithmes et durant les deux saisons. La
perte augmente de 13 à 80 kWh durant l’automne et de 9 à 357 kWh durant
l’été en utilisant LOMI alors que cette valeur augmente de 14 à 629 kWh en
automne et de 7 à 2648 kWh en été en utilisant ANEMAS et de 18 à 690
kWh en automne et de 31 à 2506 kWh en été avec l’algorithme de Colson et
al. Cette perte est plus importante en été à cause de la quantité de produc-
tion renouvelable qui augmente en été et fait augmenter avec elle les pertes
de transport. Les deux Figures 6.15 et 6.16 présentent le nombre de mes-
sages échangés entre les agents utilisant les trois algorithmes simulés en au-
tomne et en été. En se basant sur les résultats on peut constater que LOMI
a les valeurs minimales de messages échangés (17 à 47 messages/seconde
en automne et en été) et les deux autres algorithmes ont des valeurs de
messages échangés qui varient entre 239 et 540 messages/seconde dans les

dienne des messages échangés du- Figure 6.16 – Variation quoti-
rant l’automne (100 consomma- dienne des messages échangés du-
teurs) rant l’été (100 consommateurs)
Figure 6.17 – Variation quo- Figure 6.18 – Variation

tidienne du coût durant l’au- quotidienne du coût durant
tomne (nombre de consomma- l’été (nombre de consomma-
teurs=nombre de producteurs) teurs=nombre de producteurs)
deux saisons. Les résultats deviennent de plus en plus efficaces à cause de

l’augmentation du nombre de producteurs, qui entraine une augmentation
de production des énergies renouvelable. Enfin, pour évaluer l’efficacité de
notre proposition, nous augmentons le nombre de consommateurs de 10 à
100. La troisième série de simulations est réalisée à l’aide des scénarios 1 à 6
et les résultats sont donnés dans les figures 6.17, 6.19 et 6.21 (automne) et
les figures 6.18, 6.20 et 6.22 (été). Les Figures 6.17 et 6.18 montrent la mini-
misation des coûts en utilisant tous les algorithmes cités ci-dessus durant les
deux saisons (automne et été respectivement). En automne, une réduction
des coûts atteint 75% avec LOMI, 59% avec ANEMAS et 40% avec Colson
et al. De plus, en été cette minimisation augmente jusqu’à 96% avec LOMI,
75% avec ANEMAS et 50% avec l’algorithme de Colson et al.
Les Figures 6.19 et 6.20 montrent que les pertes d’énergies augmentent
lorsque le nombre de producteurs augmente pour les algorithmes et dans

dienne des pertes des producteurs
dienne des pertes des producteurs
durant l’automne (nombre de
durant l’été (nombre de consom-
consommateurs=nombre de pro-
mateurs=nombre de producteurs)
ducteurs)
Figure 6.21 – Variation quo-

tidienne des messages échangés
dienne des messages échangés du-
durant l’automne (nombre de
rant l’été (nombre de consomma-
consommateurs=nombre de pro-
teurs=nombre de producteurs)
ducteurs)
114 6.5. CONCLUSION
les deux saisons. Avec LOMI, ces augmentations vont de 5 à 80 kWh en

automne et de 8 à 357 kWh en été tandis qu’avec ANEMAS le changement
est de 28 à 629 kWh en automne et de 647 à 2648 kWh en été et avec l’al-
gorithme de Colson et al. 39 à 690 kWh en automne et de 141 à 2506 kWh
en été.
Finalement, les deux figures 6.21 et 6.22 présentent le nombre de messages
échangés entre les agents du système en utilisant tous les algorithmes évalués
pour l’automne et l’été, respectivement. Ces résultats montrent une grande
différence entre le nombre de messages/seconde pour tous les algorithmes
utilisés. Nous pouvons constater que LOMI a les valeurs minimales en termes
de messages échangés (0,3 à 47 messages/seconde en automne et en été) et
les deux autres algorithmes ont des valeurs de messages échangés qui va-
rient entre 1,2 et 540 messages/seconde dans les deux saisons. Un nombre
croissant de producteurs donne des résultats plus efficaces car la production
renouvelable augmente. Ces résultats sont dus à la production d’énergie re-
nouvelable qui augmente en augmentant le nombre de producteurs dans le
système.
En effet, l’utilisation du système de stockage joue un rôle majeur dans la
réduction des prix, surtout en été où la production renouvelable est élevée
(les Figures 6.5, 6.6, 6.11, 6.12, 6.17 et 6.18). En outre, LOMI permet de
minimiser le chemin de l’énergie, de réduire les pertes d’énergie (les Figures
6.8, 6.7, 6.13, 6.14, 6.19 et 6.20) en gérant la vente d’électricité produite
en fonction de la distance entre le producteur et le consommateur, et d’une
manière aléatoire.
6.5 Conclusion
Tout au long de ce chapitre, nous avons présenté notre proposition LOMI
qui permet la minimisation de la perte en détaillant les pertes d’énergie
et leurs effets sur le prix de l’énergie. Ensuite, nous avons évalué par si-
mulation les performances de notre proposition notamment en la compa-
rant à une approche coopérative qui n’intègre ni la négociation ni la prise
en considération de la perte énergétique. Les résultats des simulations ont
montré que LOMI permet d’améliorer l’utilisation globale de l’énergie en
réduisant de manière considérable les pertes d’énergie. Ces résultats ont
également prouvé que notre approche permet d’améliorer les performances
en minimisant le nombre de messages échangés entre les entités du système.
Dans le chapitre suivant, nous proposons une deuxième solution pour la
gestion de l’énergie en intégrant les algorithmes génétiques.
Chapitre 7
Intégration d’un algorithme

d’optimisation dans la
gestion de l’énergie
Sommaire
7.1 Introduction . . . . . . . . . . . . . . . . . . . . . 115
7.2 Optimisation de l’achat de l’énergie . . . . . . . 116
7.2.1 Algorithmes génétiques . . . . . . . . . . . . . . . 116
7.2.2 Définition du modèle d’optimisation . . . . . . . . 117
7.2.3 Algorithme d’optimisation génétique modifié (AGM)119
7.2.4 Résultats des simulations . . . . . . . . . . . . . . 124
7.3 Négociation niveau 2 . . . . . . . . . . . . . . . . 128
7.3.1 Problématique à résoudre . . . . . . . . . . . . . . 128
7.3.2 Proposition de gestion de l’énergie au niveau 2 . . 129
7.3.3 Résultats . . . . . . . . . . . . . . . . . . . . . . . 131
7.4 Conclusion . . . . . . . . . . . . . . . . . . . . . . 133
7.1 Introduction
Dans les chapitres précédents, nous avons proposé un ensemble d’algo-
rithmes permettant d’intégrer efficacement les ressources énergétiques dis-
tribuées et des systèmes de stockage d’énergie dans un smart grid. Le fonc-
tionnement simultané de la grille, des producteurs et des consommateurs
dont les besoins sont variables, est contrôlé par les algorithmes de gestion de
115
116 7.2. OPTIMISATION DE L’ACHAT DE L’ÉNERGIE
l’énergie dont le rôle principal est de déterminer de manière autonome, heure

par heure, la quantité d’énergie optimale qui sera fournie par la grille pour
satisfaire les besoins énergétiques des consommateurs. Dans ce chapitre, nous
proposons un modèle de gestion destiné à déterminer les stratégies optimales
de fonctionnement qui minimisent les coûts de l’énergie et garantissent une
meilleure utilisation des ressources renouvelables telles que l’éolienne et la
photovoltaı̈que. Après avoir optimisé la gestion de l’énergie au niveau des
consommateurs (au niveau 1), nous montrerons l’intérêt d’optimiser l’énergie
au niveau 2 (niveau de la grille).
Ce chapitre est décomposé en deux parties. La première a pour rôle de décrire
l’algorithme d’optimisation proposé afin d’assurer une meilleure répartition
de l’énergie renouvelable et la seconde présente une négociation multi-agents
au sein de l’agent grille en utilisant la méthode d’optimisation définie dans
la première partie.
7.2 Optimisation de l’achat de l’énergie

Dans cette section, nous proposons une architecture multi-agents pour
une gestion optimale en utilisant un algorithme génétique modifié (AGM).
7.2.1 Algorithmes génétiques

Un algorithme d’optimisation consiste à trouver les entrées adéquates
d’une fonction qui minimisent ou maximisent sa valeur sous contraintes, ce
qui signifie de trouver la solution la mieux adaptée à un problème spécifique
et qui permet de répondre aux exigences du problème. Dans la plupart des
cas, un problème d’optimisation se divise naturellement en deux phases :
une phase de recherche des solutions admissibles suivie d’une phase de re-
cherche de la solution à coût optimal parmi ces dernières. Au niveau des
smart grids, il existe de nombreux travaux de recherche qui intègrent l’op-
timisation comme déjà vu dans le chapitre 3. La complexité en taille ou en
structure, de l’espace de recherche et de la fonction à optimiser, conduit à
utiliser plusieurs méthodes de résolution.
Notre objectif est de construire un modèle distribué autonome pour la ges-
tion de l’énergie en utilisant un algorithme génétique. L’usage d’un algo-
rithme génétique est adapté à une exploration rapide et globale d’un espace
de recherche de taille importante et permet de fournir plusieurs solutions.
Les algorithmes génétiques utilisent un vocabulaire similaire à celui de la
génétique naturelle, même si les processus naturels auxquels ils font référence
CHAPITRE 7. INTÉGRATION D’UN ALGORITHME
D’OPTIMISATION DANS LA GESTION DE L’ÉNERGIE 117
sont beaucoup plus complexes. On parlera ainsi d’individu dans une popu-
lation, représenté par un chromosome constitué de gènes qui contiennent les
caractères héréditaires de cet individu. Les principes de sélection, de croise-
ment et de mutation s’inspirent des processus naturels de même nom.
Pour un problème d’optimisation donné, un individu représente un point de
l’espace à qui on associe la valeur du critère à optimiser. Ensuite, on génère
de façon itérative des individus sur lesquels on applique des processus de
sélection, de croisement et de mutation. La sélection a pour but de favoriser
l’élément le plus adapté de la population par rapport à un critère donné
alors que, le croisement et la mutation assurent l’exploration de l’espace
d’états. On commence par générer une population aléatoire d’individus et
pour passer d’une génération K à la génération K + 1, les opérations sui-
vantes sont effectuées. Dans un premier temps, la population est reproduite
par sélection. Ensuite, on applique un croisement à une paire d’individus.
Un opérateur de mutation est également appliqué à une certaine proportion
de la population. Enfin, les nouveaux individus sont évalués et intégrés à
la population de la génération suivante. En effet, plusieurs critères d’arrêt
de l’algorithme sont possibles : le nombre de générations peut être fixé a
priori ou l’algorithme peut être arrêté lorsque la population n’évolue plus
suffisamment. Pour utiliser un algorithme génétique sur un problème d’op-
timisation, on doit donc disposer d’un principe de codage des individus,
d’un mécanisme de génération de la population initiale et d’opérateurs per-
mettant de diversifier la population au cours des générations et d’explorer
l’espace de recherche [139].
Dans la suite, nous exposons notre proposition d’optimisation basée sur les
algorithmes génétiques.
7.2.2 Définition du modèle d’optimisation

Dans cette section, on décrit le modèle d’optimisation du système de
gestion d’énergie pour un smart grid, présenté dans la Figure 7.1. En pre-
mier lieu, les prédictions pour une journée complète sont obtenues permet-
tant de prendre des décisions pour chaque heure de la journée en question.
Les données en temps réel et les décisions prises pour la journée complète
sont utilisées pour décider les actions que devra réaliser le système. Sur une
période d’une heure, tous les agents de notre système multi-agents (agents
consommateurs, agents producteurs, agent stockage et agent grille) inter-
agissent et coopèrent pour assurer une gestion de l’énergie, en considérant
les contraintes techniques telles que les pertes d’énergie qui peuvent se pro-
duire en transmettant l’énergie entre un point de départ et un point d’ar-
Figure 7.1 – Interaction des agents en utilisant un algorithme d’optimisa-

tion
rivée [135]. D’où, la nécessité de concevoir un algorithme qui optimise les

pertes d’énergie causées par les lignes de transmission. La fonction d’utilité
de l’algorithme d’optimisation peut représenter la perte, le gain ou le coût
d’une entité du système (consommateur, producteur, etc.). Dans ce contexte,
nous avons choisi l’algorithme génétique pour assurer la gestion optimale de
l’énergie pour sa simplicité d’implémentation. Cependant, cet algorithme
nécessite un grand nombre d’itérations pour atteindre la solution optimale,
pour cela nous avons adapté l’algorithme génétique qui devient un AGM
(Algorithme Génétique Modifié) afin de minimiser le nombre d’itérations
et d’obtenir rapidement la solution.
Fonctions de coût et d’émissions proposées En premier lieu, chaque

consommateur a pour but d’optimiser son coût d’achat de l’énergie défini
dans l’équation 7.1 (Cost(t)i ) dans laquelle le coût total d’exploitation des
ressources énergétiques distribuées et le coût d’achat de l’énergie fournie par
le réseau et le stockage sont considérés.
Cost(t)i = CostR(t)i + CostG(t)i + CostS(t)i (7.1)
Les paramètres de l’équation 7.1 sont définis comme suit :

— CostR(t)i : le coût de l’énergie achetée auprès des ressources renou-
velables par le consommateur i durant la période t (en centimes).
— CostG(t)i : le coût de l’énergie achetée auprès de la grille par le
consommateur i durant la période t (en centimes).
— CostS(t)i : le coût de l’énergie achetée auprès du système de stockage
par le consommateur i durant la période t (en centimes).
Comme déjà défini dans les chapitres précédents, les pertes d’un producteur
sont la somme de ses pertes de transmission. En effet, la perte entre un
producteur m et un consommateur n augmente lorsque la distance physique
entre eux augmente. Par ailleurs, le gain d’un producteur m est égal à la
somme de tous ses gains. Le but d’un producteur m est donc d’augmenter
son gain et de minimiser ses pertes, ce qui fait appel à une optimisation
multi-objectifs (équations 7.2 et 7.3). Dans ce cas, on a plusieurs solutions
possibles nommées frontière de pareto, parmi lesquelles il faut choisir la
meilleure.
qX
max
lossm (t) = lossmn (t) (7.2)

q=0
qX
max
P rof itm (t) = P rmn (t) (7.3)

q=0
Les paramètres des équations 7.2 et 7.3 sont définis comme suit :
— lossm (t) : la perte d’énergie pour un producteur m durant un laps de
temps t.
— lossmn (t) : la perte d’énergie durant la transmission d’un producteur
m à un consommateur n pendant un laps de temps t.
— qmax : nombre total des consommateurs.
— P rof itm (t) : le gain d’énergie pour un producteur m durant un laps
de temps t.
— P rmn (t) : le gain d’énergie durant la transmission d’un producteur
m à un consommateur n pendant un laps de temps t.
Dans le reste de cette section, nous allons décrire l’algorithme d’optimisation
qui vise à résoudre les équations ci-dessus.
7.2.3 Algorithme d’optimisation génétique modifié (AGM)

Au début, les agents prédisent les données de productions et de consom-
mations ainsi que les prix (Figure 7.2, étape 1). Ensuite, l’agent de stockage
récupère les données (Figure 7.2, étape 2) et choisit la meilleure période
pour se charger (Figure 7.2, étape 3). Si un agent consommateur a sa propre
unité de production d’énergie renouvelable, il envoie un message de de-
mande à son agent producteur pour satisfaire ses besoins Dn (t) (Figure
Figure 7.2 – Interactions entre les agents du système
7.2, étape 4). Après réception du message d’accord (Figure 7.2, étape 5),
l’agent consommateur peut encore avoir des demandes d’énergie à satis-
faire (Dn (t) − E(t) > 0)(Figure 7.2, étapes 6 et 9). Afin de satisfaire ses
demandes sans trop augmenter sa facture, l’agent consommateur négocie
l’achat d’énergie avec d’autres consommateurs dans son propre réseau (Fi-
gure 7.2, étape 10). Les étapes de l’algorithme de négociation de l’agent
consommateur sont présentées dans l’algorithme 4. Ainsi, un agent consom-
Algorithm 4 Algorithme de négociation de l’agent consommateur

SendCFP() //Envoyer le ”call for proposal message” à tous les consommateurs et les produc-
teurs du réseau considéré.
Wait(τ ) //Attendre un temps de réponse τ .
ReceiveInform() //Recevoir les ”inform messages”.
si TimeOut alors
//Quand le temps τ prend fin.
AGM() ; //Combiner les consommateurs et les producteurs afin de minimiser le coût du
consommateur en question.
fin si
SendProposition() ; //Envoyer ”propose message” à tous les consommateurs du système.
ReceivePropositions() ; //Recevoir les ”propose message” des consommateurs.
ChooseTheBestSolution() ; //Choisir la solution avec la plus grande fonction d’utilité.
mateur reçoit dans une période τ des messages de réponse des autres consom-
mateurs et des producteurs et les met dans une file d’attente. Ces mes-
sages contiennent les demandes des consommateurs ainsi que la production
d’énergie en excès des producteurs. L’agent consommateur choisit ensuite
la meilleure combinaison entre les ressources de production qui permet de
satisfaire ses demandes (la combinaison qui minimise ses propres frais, se-
lon l’équation 7.1 et qui tienne compte de ses préférences et contraintes) et
envoie sa fonction d’utilité à tous les consommateurs qui participent à la
négociation. En outre, l’agent consommateur reçoit la fonction d’utilité des
autres consommateurs. Tous les consommateurs se mettent d’accord sur la
meilleure solution, qui possède la plus grande fonction d’utilité et l’adoptent.
Après avoir choisi la meilleure combinaison des producteurs et des consom-
mateurs, l’agent consommateur peut recevoir des messages de proposition
d’un ou de plusieurs producteurs. Ensuite, il choisit le meilleur prix entre
les propositions des producteurs et le résultat de la négociation. L’agent
consommateur choisit entre le système de stockage et la grille pour satis-
faire les besoins que les ressources renouvelables n’ont pas pu prendre en
charge.
Si l’agent producteur, après avoir satisfait les demandes de son propre
consommateur, a un excès de production (ERm (t) > 0) il peut suivre les
étapes de l’algorithme 5. L’agent producteur envoie une requête à tous les
Algorithm 5 Négociation de l’agent producteur

SendQuery() //Envoyer une requête à tous les consommateurs de son réseau.
Wait(τ ) //Attendre un temps τ pour récupérer les messages de réponse.
ReceiveInform() //Recevoir les ”inform messages” des consommateurs.
si TimeOut alors
//Le temps τ prend fin.
AGM() ; //Choisir la combinaison des consommateurs qui minimise ses pertes et maximise
son gain.
fin si
SendProposition() ; //Envoyer la proposition aux consommateurs.
consommateurs dans son réseau. Après avoir reçu les messages de réponse
des consommateurs, il met ces réponses dans une file d’attente afin de choi-
sir la meilleure combinaison des consommateurs qui minimise ses propres
pertes (équation 7.2) et maximise ses propres gains (équation 7.3). Ensuite,
il envoie une proposition aux consommateurs choisis et attend une réponse.
Lorsque les demandes de tous les consommateurs sont satisfaites, chaque
agent producteur choisit entre le système de stockage et la grille de telle
sorte qu’il puisse maximiser son gain (max(P rmSt (t), P rmGr) (t)) et minimi-
ser les pertes d’énergie (min(lossmSt (t), lossmGr (t))) lors de la vente de son
excès. Le Tableau 7.1 présente les paramètres du système.
Tableau 7.1 – Définition des paramètres

tmin le temps où le coût est minimal (en centimes)
P r(t)S prix de l’énergie stockée (en centimes/kWh)
ENst énergie à stocker (en kWh)
E(t) énergie envoyée d’un producteur à un consommateur (en kWh)
D(t)n demandes du consommateur n (en kWh)
ERm (t) productions du producteur m (en kWh)
perte d’énergie durant la transmission d’un producteur m
lossmSt (t)
au système de stockage durant un laps de temps t (en kWh)
perte d’énergie durant la transmission d’un producteur m
lossmGr (t)
à la grille durant un laps de temps t (en kWh)
Afin de choisir la solution optimale, les agents consommateurs et pro-

ducteurs utilisent l’optimisation génétique modifiée présentée dans le para-
graphe suivant.
Optimisation génétique modifiée Afin d’atteindre la solution optimale

tout en réduisant le nombre d’itérations utilisées, nous développons un al-
gorithme génétique modifié (AGM) décrit dans l’algorithme 6. En premier,
Algorithm 6 AGM
GeneratePopulation() ; //Générer la population.
Croisement() ;
Mutation() ;
n est un pourcentage (exemple 15%) pour préciser qu’une solution est optimale si elle est
optimale pour les n% itérations qui suivent.
ChooseTheOptimalSolution() ; //Choisir la solution qui est optimale pour n∗M axIteration
100
itérations
notre proposition vise à utiliser la simplicité de l’algorithme génétique tout

en minimisant le nombre d’itérations utilisées pour arriver à une solution
optimale. On adopte une représentation binaire pour la population mise en
œuvre (Figure 7.3) dans laquelle le bit 0 est le bit de poids faible et le 1
représente le bit de poids fort. Un agent consommateur (producteur res-
Figure 7.3 – Représentation binaire d’un chromosome
pectivement) reçoit la quantité de productions (les consommations respec-

tivement) pour choisir la meilleure combinaison qui satisfait ses demandes
et crée sa population (GeneratePopulation()). On adopte la représentation
binaire de la population (présentée ci-dessus), par exemple si un consom-
mateur reçoit un message de 2 producteurs (P1,P2) pour en choisir la com-
binaison qui lui est convenable, sa population est dans ce cas : (00), (01),
(10) et (11). Après création de la population, l’agent consommateur (res-
pectivement producteur) fera le croisement (Croisement()) et la mutation
(Mutation()) pour sélectionner un choix parmi la population afin de calculer
la valeur de sa fonction d’utilité. Le croisement et la mutation sont définis
ci-dessous.
Croisement Afin de minimiser le nombre d’itérations, la fonction de

croisement est basée sur un processus d’apprentissage. Le filtre proposé
présente un poids pour chaque bit dans le chromosome. Ce poids est le
nombre de propositions acceptées par le producteur ou le consommateur à
l’agent qui est en liaison avec ce bit. Par exemple, si un consommateur reçoit
un message de 2 producteurs (P1,P2) et a accepté d’acheter de l’énergie
du producteur P1 4 fois et du P2 1 fois alors les poids seront (4,1). Par
conséquent, les gènes du chromosome sont choisis en fonction du nombre de
propositions acceptées afin de faire un apprentissage et de sélectionner la
proposition optimale en un temps minimal.
Mutation Durant cette étape, nous choisissons de changer un bit 0 en

1 si nécessaire. Nous considérons que chaque bit représente un producteur
ou un consommateur. Dans notre mutation, nous calculons la distance mini-
male entre le consommateur (producteur respectivement) et les producteurs
(consommateurs respectivement) qui occupent les bits de la solution choisie.
Quand on trouve la distance minimale, nous inversons le bit 0 en 1.
Après sélection de l’individu et calcul de la fonction d’utilité, il faut voir
si cet individu présente la solution optimale pour arrêter le calcul (Choo-
seTheOptimalSolution()). En effet, une solution est optimale si elle reste
optimale pour les n% itérations qui suivent.
Pour l’agent producteur, on rencontre le problème d’optimisation multi-
objectif [140] dont la solution est présentée dans le paragraphe suivant.
La solution de la frontière de pareto On adopte la méthode basée

sur la logique floue ”Fuzzy set theory” définie dans [141] qui a été mise
en œuvre pour obtenir efficacement une solution Pareto-optimale. Lors de
la mise en œuvre, l’algorithme proposé présente un mécanisme flou pour
extraire une solution optimale. En raison de l’imprécision de la décision,
une fonction d’appartenance (µi ) pour chaque objectif o est définie où :

1, max

 si Fi ≤ Fimin
Fi −Fi
µi = F max −F min , si Fimin < Fi < Fimax (7.4)
 i i

0, si F ≥ F max
i i
Fimin et Fimax sont les valeurs minimales et maximales de la i-ième fonction

objectif. Pour choisir la meilleure solution, une fonction d’appartenance nor-
malisée est calculée selon l’équation 7.5.
PNobj
µi
µk = P i=1 (7.5)
M PNobj
j=1 i=1 µji
Nobj est le nombre de fonctions objectif à optimiser (maximiser ou mini-

miser), et est égal à 2 dans notre cas (maximiser le gain et minimiser les
pertes) et M est le nombre de solutions non dominées 1 . La meilleure solution
de compromis est celle maximisant µk .
Nous avons simulé plusieurs scénarios afin de démontrer l’efficacité de notre
proposition. La sous-section suivante présente les paramètres et les résultats
des simulations réalisées.
7.2.4 Résultats des simulations

Comme dans les chapitres précédents, JADE a été utilisé pour évaluer
les performances de l’algorithme proposé en termes de nombre de messages
échangés, des perturbations causées, des pertes et des gains énergétiques.
7.2.4.1 Paramètres des simulations

Dans les simulations réalisées pour évaluer les performances d’AGM,
nous adoptons la même répartition des agents que celle présentée dans les
chapitres précédents. Pour rappel, nous implémentons 1 agent par grille, 1
agent par consommateur, 1 agent par producteur et 1 agent pour le système
de stockage. En outre, dans tous les scénarios énumérés dans cette sec-
tion, nous considérons que chaque producteur est un pro-consommateur
qui détient donc une ressource renouvelable. Le Tableau 7.2 présente les
scénarios pris en considération pour évaluer AGM. Dans les scénarios 1, 3
et 5, nous considérons que 50% des agents sont des producteurs alors que
1. Soit X et Y deux solutions. On dira que X domine Y si, pour tout objectif j, on a
z j (X) ≤ z j (Y ), avec au moins une inégalité stricte.
dans les autres scénarios, ce pourcentage est égal à 100%. Le pourcentage
de producteurs d’énergie éolienne et les producteurs de PV sont choisis de
manière aléatoire. Les paramètres des simulations sont ceux présentés dans
Tableau 7.2 – Scénarios mis en œuvre

Scénario Consommateurs Producteurs Stockage Grille
1 10 5 1 1
2 10 10 1 1
3 50 25 1 1
4 50 50 1 1
5 100 50 1 1
6 100 100 1 1
le chapitre 5 (section 5.5.1).
7.2.4.2 Résultats numériques

Afin de prouver l’efficacité de notre algorithme, nous comparons notre
proposition à l’algorithme de Colson et al. [52] ainsi qu’à l’algorithme
ANEMAS présenté dans le chapitre 4. Nous comparons également le
nombre d’itérations de l’algorithme génétique modifié AGM à un algorithme
génétique de la littérature AG.
Tout d’abord, nous illustrons les résultats des simulations pour une journée
complète. Les Figures 7.4 et 7.5 montrent les coûts de l’énergie avec les
scénarios 2, 4 et 6 pendant les deux saisons simulées (automne et d’été).
Nous pouvons remarquer une minimisation des coûts qui a pu atteindre
20% en implémentant AGM en automne et 40% en été en le comparant
à ANEMAS. En effet, cette réduction des coûts est due à la combinaison
optimale de sources de production qui choisit les sources adéquates qui ont
un prix minimal et proches du consommateur en question. En outre, cette
minimisation est plus importante au cours de l’été en raison de la forte
pénétration des énergies photovoltaı̈ques (voir la Figure 5.5). Les Figures
7.6 et 7.7 montrent les pertes d’énergie en utilisant les trois algorithmes pen-
dant les deux saisons simulées (automne et d’été). Les résultats montrent
une minimisation des pertes qui atteint 45% en utilisant AGM en automne
et 75% en été en le comparant avec ANEMAS. En effet, cette minimisa-
tion est due à la combinaison réalisée par chaque producteur qui choisit les
consommateurs les plus proches et qui minimisent la totalité des pertes et
accepte leurs demandes d’énergie.
Les Figures 7.8 et 7.9 montrent les gains des producteurs en implémentant
Figure 7.5 – Prix total d’énergie

Figure 7.4 – Prix total d’énergie
en centimes, nombre de produc-
teurs=la moitié du nombre de
teurs=nombre de consommateurs
consommateurs (scénarios 1, 3 et
(scénarios 2, 4 et 6)
5)
Figure 7.6 – Perte d’énergie Figure 7.7 – Perte d’énergie en

en kWh, nombre de produc- kWh, nombre de producteurs=la
teur=nombre de consommateurs moitié du nombre de consomma-
(scénarios 2, 4 et 6) teurs (scénarios 1, 3 et 5)
Figure 7.9 – Gain de produc-

Figure 7.8 – Gain de producteurs
teurs en centimes, nombre de pro-
ducteurs=la moitié du nombre de
teurs=nombre de consommateurs
consommateurs (scénarios 1, 3 et
(scénarios 2, 4 et 6)
5)
les trois algorithmes durant les deux saisons simulées (automne et été). Les
résultats montrent en effet une minimisation des pertes qui atteint 86%
en implémentant AGM en automne et en été en le comparant à l’algo-
rithme ANEMAS. Enfin, les deux figures 7.10 et 7.11 représentent le nombre
d’itérations en utilisant AG et AGM durant deux saisons (automne et d’été).
Ces résultats montrent que la minimisation du nombre d’itérations a pu at-
teindre 85% en utilisant AGM en automne et en été en le comparant avec
AG. Cette minimisation est due à l’apprentissage qu’adopte AGM.
Figure 7.10 – Nombre d’itérations quand le nombre de produc-

teurs=nombre de consommateurs (scénarios 2, 4 et 6)
128 7.3. NÉGOCIATION NIVEAU 2
Figure 7.11 – Nombre d’itérations quand le nombre de producteurs=la

moitié du nombre de consommateurs (scénarios 1, 3 et 5)
7.3 Négociation niveau 2

Cette section présente un algorithme de gestion de l’énergie au second
niveau présenté dans la section 4.4.1. La solution proposée est basée sur
AGM.
En premier lieu, nous présentons la problématique puis nous exposons notre
modèle et les résultats des simulations réalisées.
7.3.1 Problématique à résoudre

L’augmentation du nombre de systèmes de stockage aura des
répercussions sur la demande en énergie et par conséquence sur la produc-
tion d’électricité. Ainsi, il est nécessaire d’installer une infrastructure com-
municante et intelligente avec les systèmes de stockage afin d’améliorer leur
rentabilité. Il est important de prendre en considération les fonctionnalités
offertes par le smart grid en termes de gestion de l’énergie et d’optimisation
de la consommation d’énergie entre la grille et toute autre entité électrique
suivant différentes politiques de prix.
Plusieurs recherches ont recours à l’intégration des systèmes de stockages
sous forme de véhicules électriques tels que les travaux détaillés dans
[93, 142, 143, 144, 145, 146], qui visent à assurer une meilleure gestion
de l’énergie en utilisant la communication VE/grille, ces communications
peuvent engendrer des pertes et un grand nombre de messages échangés.
Dans ce qui suit, nous allons présenter la proposition de la communication
basée sur les files d’attente et proposons ensuite une négociation qui ai-
dera à choisir l’entité à satisfaire par la grille durant une période t et nous
présenterons enfin les résultats des simulations.
7.3.2 Proposition de gestion de l’énergie au niveau 2
Le smart grid offre l’opportunité de gérer l’équilibre du réseau que ce

soit par la sollicitation permanente des sources d’énergie renouvelables et de
stockage ou en agissant en priorité sur la consommation.
Notre proposition vise à limiter la quantité d’énergie utilisée par la grille
durant une période t. Pour minimiser les effets de cette limitation, on divise
les données des consommateurs en 3 priorités expliquées dans le chapitre
4. Les données de priorité 1 sont les données les plus prioritaires, celles de
priorité 2 sont moins prioritaires et peuvent être décalées d’une période et
les données de priorité 3 sont les moins prioritaires et peuvent être décalées
de 2 périodes. Après leur décalage, les données de priorité 2 deviennent des
données de priorité 1 et les données de priorité 3 deviennent de priorité 2.
L’agent de consommation satisfait en premier lieu les données de priorité 1,
suivies des données de priorité 2 et finalement celles de priorité 3.
Dans cette partie, on s’intéresse à l’agent grille, qui n’a désormais plus un
rôle simplifié mais est de plus en plus cognitif et gère les communications et
les demandes. Selon plusieurs recherches, la grille pourrait limiter l’énergie
délivrée aux consommateurs afin de minimiser l’accès à la grille durant les
heures de pics. Les données non prioritaires seront de ce fait décalées pour
être satisfaites pendant la période où le prix est acceptable. L’algorithme de
négociation de l’agent grille est défini par l’algorithme 7.
Algorithm 7 Algorithme de négociation de l’agent grille

ReceiveRequests() //Reçoit les demandes des consommateurs et des systèmes de stockage de
son réseau.
Wait(τ ) //Mettre en file d’attente les demandes durant τ .
si TimeOut alors
//Quand le temps τ prend fin.
AGM() ; //Combiner les consommateurs et les systèmes de stockage de façon à optimiser
les pertes de la grille et à distribuer l’énergie d’une façon équitable.
fin si
SendAcceptRequests() ; //Envoyer les messages d’accord aux consommateurs et aux systèmes
de stockage.
Le Tableau 7.3 présente les paramètres de l’agent grille.

Tableau 7.3 – Définition des paramètres de l’agent grille

q le numéro de la zone (ou du sous-système)
i le numéro du consommateur de la zone
lossgrille (t) perte totale de la grille (en kWh)
emax nombre d’entités maximal (consommateurs et stockages)
lossgrille−>n perte entre la grille et l’entité n (en kWh)
Ui,q utilité de l’entité i dans la zone q
Qi,q énergie demandée par l’entité i de la zone q (en kWh)
P rq priorité de la zone q
Ti,q temps de décalage de la demande de l’entité i
P Rist,cons
i
priorité de l’entité 1
Tini temps initial de la demande
Td temps actuel de la demande
En premier lieu, l’agent grille fixe la quantité d’énergie à vendre aux

entités de son système. En effet, cet agent pourrait recevoir des demandes
de plusieurs sous-systèmes alors on décompose les sous-systèmes en 3 prio-
rités qu’on nomme priorités de la zone de données (P r1,P r2,P r3)=(3,2,1).
L’agent grille reçoit les demandes des consommateurs et des systèmes de
stockage et les met dans une file d’attente. Normalement, les données sont
satisfaites en adoptant le FIFO (”First In First Out”) mais tout au long de
cette étude on vise à optimiser 7.6 et donc à minimiser les pertes de la grille.
eX
max
lossgrille (t) = lossgrille−>j (t) (7.6)

j=0
En second lieu, afin de distribuer l’énergie de la grille d’une façon équitable

il est nécessaire de maximiser la fonction d’utilité définie dans l’équation 7.7.
Ui,q = Qi,q ∗ P rq ∗ Ti,q ∗ P Rist,cons

i (7.7)
Le problème d’optimisation dans ce cas est un problème d’optimisation
multi-objectif défini dans la section précédente. On adopte la logique
floue pour choisir la meilleure combinaison entre les consommateurs et les
systèmes de stockage à satisfaire (section 7.2.3). La grille a pour premier
but de minimiser ses propres pertes énergétiques qui sont causées par la
transmission de l’énergie de la grille à l’entité de consommation (stockage
ou consommateur). Le second but de l’agent grille est de négocier la vente
de l’énergie afin de fournir une distribution équitable aux consommateurs.
De ce fait, la fonction d’utilité est proportionnelle à la quantité d’énergie
demandée (Qi,q ), à la priorité de la zone d’où provient la demande (P rq ),
1. Un consommateur est plus prioritaire qu’un système de stockage.
à la priorité de l’entité (P Rist,cons
i ). Dans notre modèle, cette priorité est
égale à 1 si l’entité qui demande l’énergie est un système de stockage et
à 2 s’il s’agit d’un consommateur car les données des consommateurs sont
plus urgentes que celles du stockage. Ci-dessous une définition de quelques
paramètres.
— q est la zone de données
— Priorités de la zone de données (Pr1,Pr2,Pr3)=(3,2,1)
— Temps de décalage Ti,q = 1 + (Tini − Td )
7.3.3 Résultats
Afin d’évaluer les performances de notre proposition, nous simulons notre
proposition sous JADE et nous utilisons les mêmes paramètres que ceux du
chapitre 5. Le Tableau 7.4 présente les scénarios pris en considération pour
évaluer cet algorithme. Dans tous les scénarios on a 3 sous-systèmes et 3
systèmes de stockage, on utilise les priorités 1 et 2 pour les zones. Dans
les scénarios 1 et 2 on a dans chaque sous-système 10 consommateurs et
5 producteurs et les priorités des sous-systèmes sont 111 2 et 121 3 respec-
tivement. Afin de prouver l’efficacité de notre algorithme, nous comparons
Tableau 7.4 – Scénarios mis en œuvre
Scénario Consommateurs Producteurs Stockage Grille Zones Priorités

1 30 15 3 1 3 111
2 30 15 3 1 3 211
notre proposition à un traitement en FIFO (ANEMAS et traitement FIFO).

Nous comparons également le nombre d’itérations de l’algorithme génétique
modifié AGM à l’algorithme génétique de la littérature AG.
Tout d’abord, nous illustrons les résultats de la simulation pour une journée
complète. La Figure 7.12 présente le prix de l’énergie pour une journée
complète pour les scénarios 1 et 2. Ce prix est en centimes et il est exprimé
pour la totalité de la quantité d’énergie satisfaite. On peut remarquer que le
prix en utilisant FIFO correspond toujours à la valeur la plus élevée car la
satisfaction des demandes est aléatoire et donne beaucoup de pertes. Pour
les autres algorithmes, on pourra distinguer qu’il y a une différence de prix
pour le scénario 211 entre les zones car elles sont satisfaites en se basant sur
2. Les 3 sous-systèmes ont une priorité égale à 1.
3. Le sous-système 1 a la priorité 1, le 2 a la priorité 2 et le 3 a la priorité 1.
les priorités et dans l’autre scénario (111) les zones sont satisfaites presque
de la même manière car elles sont de même priorité. La Figure 7.13 présente
Figure 7.12 – Prix de l’énergie pour les scénarios 1 et 2
la quantité d’énergie non satisfaite à cause de la limitation de l’énergie de la

grille. Cette quantité est maximale en utilisant FIFO car la satisfaction est
aléatoire tandis que dans les autres scénarios, la satisfaction est basée sur
la priorité, la minimisation des pertes et le temps de décalage. Pour toutes
ces conditions, on peut distinguer une perte égale à zéro pour la zone 1 en
utilisant le scénario 2 mais cette perte augmente en utilisant le scénario 1
car cette zone est de même priorité que les autres zones du système (priorité
1).
Figure 7.13 – Quantité d’énergie non satisfaite pour les scénarios 1 et 2

7.4 Conclusion
Ce chapitre a présenté un modèle d’optimisation pour une répartition
optimale des énergies sur les différentes sources renouvelables, à savoir le
système de stockage et le réseau principal, qui tient compte simultanément
du coût, de gain et pertes des énergies renouvelables comme objectifs concur-
rentiels. Le modèle d’optimisation proposé pour la gestion de l’énergie dans
les smart grids est analysé puis résolu en utilisant un algorithme génétique.
L’exécution efficace de la méthodologie proposée et son comportement sont
formulés en détails pour une variation quotidienne de la demande et compte
tenu de l’effet de conditions météorologiques saisonnières sur le profil des
besoins de la charge. En outre, la seconde partie a présenté un algorithme
de négociation de la vente de l’énergie au niveau de la grille, qui vise à
minimiser l’utilisation de l’énergie durant les heures de pointe.
134 7.4. CONCLUSION
Conclusion générale
Ce manuscrit a présenté les travaux effectués dans le cadre de ma thèse

portant sur la gestion décentralisée de l’énergie en utilisant des systèmes
multi-agents et des systèmes de stockage intelligents dans le contexte des
smart grids. Tout au long de cette thèse, nous avons intégré efficacement
les énergies renouvelables dans le système électrique. Nous avons aussi iden-
tifié le besoin de la gestion intelligente de l’énergie qui est en effet lié à la
problématique d’équilibre de la production renouvelable et de la consom-
mation sur le réseau électrique. D’où, les trois premiers chapitres de ce
manuscrit qui ont introduit le concept de smart grid et détaillé le rôle des
systèmes multi-agents et des systèmes de stockage intelligents dans les smart
grids. Ainsi, nous avons exposé les caractéristiques et fonctions du smart
grid et avons passé en revue les différents outils du domaine des technolo-
gies de l’information et de la communication nécessaires à son déploiement.
Nous avons ainsi mis l’accent sur l’importance des algorithmes de gestion de
l’énergie dans un smart grid et les problèmes rencontrés et non traités dans
la littérature.
Dans le chapitre 4, nous avons identifié les défis et les problématiques liés
au déploiement des énergies renouvelables dans le système électrique et
avons, par conséquent, introduit une architecture décentralisée basée sur
les systèmes multi-agents et les systèmes de stockage pour la gestion de
l’énergie. Nous avons présenté une première contribution appelée ANEMAS
qui est basée sur la négociation entre les consommateurs du système en uti-
lisant des agents cognitifs déployés au sein de toutes les entités présentes
dans le système. En utilisant ANEMAS, les agents ont pour rôle d’évaluer
les données captées par les entités afin de planifier et décider les actions à
entreprendre. Les simulations ont montré l’efficacité d’ANEMAS qui a pu
atteindre ses buts en termes de minimisation des coûts des consommateurs
et de minimisation de l’accès à la grille en heures de pointe.
Nous nous sommes intéressés dans le chapitre 5 à la gestion de l’énergie
afin de conserver une plus grande durée de vie du système de stockage uti-
135
136 Conclusion générale
lisé. Dans ce but, nous avons proposé l’algorithme BADIS qui permet de
minimiser le nombre de charges et de décharges du système de stockage.
L’augmentation de la durée de vie de la batterie a été réalisée en conservant
un prix minimal aux consommateurs tout en utilisant un agent de stockage
qui analyse les données et les demandes et planifie son taux de décharge par
rapport au prix du marché. Notre proposition a réussi à faire une relation
entre le taux de décharge de la batterie, le prix de l’énergie et la demande
énergétique dans une période précise. La quantité d’énergie disponible sur
une période précise étant limitée, nous avons doté l’agent de stockage d’un
algorithme qui lui permet de distribuer d’une façon équitable cette énergie
aux consommateurs. Avec cette contribution, nous avons pu augmenter de
plus que 50% la durée de vie de la batterie.
Le chapitre 6 a été consacré à la présentation de l’algorithme LOMI, que
nous avons proposé dans le but de minimiser les pertes, qui a permis de mini-
miser d’une façon intelligente le trajet parcouru par l’énergie pour atteindre
le point de destination. En outre, les simulations ont montré que LOMI
permet d’améliorer l’utilisation globale de l’énergie et également les perfor-
mances en minimisant également le nombre de messages échangés entre les
entités du système.
Par ailleurs, nous nous sommes intéressés dans le chapitre 7 à l’optimisation
du coût, du gain et des pertes des énergies. Nous avons présenté dans ce
chapitre, une proposition pour une répartition optimale des énergies renou-
velables et avons proposé ainsi d’utiliser un algorithme génétique modifié
afin de minimiser le nombre d’itérations nécessaires pour trouver la solution
optimale. Ce modèle utilise un simple apprentissage pour atteindre une so-
lution optimale en un temps très court. En outre, nous avons présenté un
algorithme de négociation de la vente de l’énergie au niveau de la grille,
qui tient en compte la minimisation de l’utilisation de l’énergie durant les
heures de pointe. Les résultats de simulations montrent l’efficacité de ces
deux propositions en termes de minimisation du nombre d’itérations de l’al-
gorithme génétique, d’optimisation du coût incombés aux consommateurs
et de minimisation de l’accès à la grille.
Pour la suite, nous avons identifié plusieurs perspectives qui visent à
améliorer et à enrichir ce travail et qui sont détaillées dans la section sui-
vante.
Perspectives
Suite aux travaux réalisés dans le cadre de cette thèse, plusieurs pers-
pectives à court et à long termes sont envisagées.
Deux axes majeurs peuvent être distingués pour guider les extensions des
travaux présentés dans cette thèse : (1) L’axe contrôle et gestion de réseaux
électriques qui vise à exploiter le potentiel des systèmes multi-agents afin
de résoudre les problèmes liés à l’intermittence des énergies renouvelables
et d’assurer un coût minimal de l’énergie. Nous avons en effet défini, dans
cette thèse, la formulation du problème d’équilibre offre-demande et pro-
posé quelques solutions qui peuvent être améliorées. (2) L’axe de gestion
des données électriques qui vise à optimiser les données échangées au sein
des smart grids afin de minimiser les usages des TIC qui représentent 2% des
émissions mondiales des gaz à effet de serre et plus de 13% de la consomma-
tion électrique française. Plusieurs perspectives à ce sujet seront présentées
ci-dessous.
En premier lieu, durant cette thèse nous avons présenté un modèle pour
l’optimisation du coût de l’énergie qui est réalisé en plusieurs niveaux (ni-
veau consommateur, niveau stockage, niveau grille, etc.). Au niveau de la
grille, il y a une pénétration massive des consommateurs, des systèmes de
stockage et des véhicules électriques sur le marché. On peut remarquer aussi
une augmentation notamment importante des interactions avec la grille, les
interactions stockage/grille et consommateurs/grille. Comme perspectives à
court terme, nous nous intéressons à l’optimisation du temps de réponse afin
d’augmenter l’efficacité du système. En effet, les systèmes de stockage et les
VE peuvent avoir un fort impact sur la grille intelligente par la puissance
demandée pour leur rechargement. L’idée est basée sur la recherche et la
conception d’un nouveau modèle d’interaction pour gérer les demandes, qui
puisse répondre aux différentes demandes possibles d’énergie avec une satis-
faction acceptable voire même plus fine du point de vue temps et prix de
recharge. De ce fait, notre vision pour gérer les demandes au niveau de la
grille est d’utiliser les files d’attente et de minimiser le temps d’attente dans
137
138 Perspectives
ces files en utilisant les priorités des demandes. En effet, il faut trouver une
décomposition temporelle optimale à chaque période et cette décomposition
doit satisfaire les demandes avec un temps d’attente minimal.
En outre, à court terme, nous visons définir une architecture convenable
de fog computing afin de permettre la gestion des données au niveau des
consommateurs ; cette architecture utilisera les systèmes de stockage vir-
tuels pour stocker les données. Après la définition de l’architecture, il faut
définir en premier lieu un algorithme d’apprentissage afin de minimiser le
nombre de messages échangés entre les entités du système ce qui minimi-
sera l’utilisation du réseau. En second lieu, il sera nécessaire de proposer un
modèle de minimisation de la taille des données conservées dans le système
de stockage virtuel ainsi que celle des données échangées entre les entités.
Ce modèle permettra d’optimiser l’utilisation de la mémoire du système de
stockage virtuel.
A long terme, nous pourrons proposer un modèle d’apprentissage qui se base
sur les prédictions, les solutions historiques et les résultats précédents des
négociations et adopter ce modèle selon les contraintes de chaque niveau de
gestion de l’énergie afin de minimiser le temps de réponse, le coût du réseau
(en termes de messages échangés) et d’augmenter l’efficacité énergétique et
cela peut être réalisé en utilisant des architectures telles que le fog et le cloud
computing.
Ajoutons, à long terme, un modèle et une architecture plus généralisés pour
tous les niveaux du système électrique pourront être proposés. En plus, plu-
sieurs méthodes de compression, d’apprentissage et de négociation peuvent
être proposées selon les contraintes de chaque niveau et selon les algorithmes
utilisés dans chaque niveau. En effet, ces modèles aident à minimiser au-
tant que possible le taux des messages échangés et l’utilisation du réseau.
En outre, ils minimisent les émissions des gaz à effet de serre causées par
l’échange des messages à chaque niveau et surtout que le nombre d’entités
qui s’intègrent au réseau électrique augmente et que chaque entité possède
son propre adresse IP et communique avec les autres entités du réseau
séparément.
Ce paragraphe conclut notre manuscrit qui a présenté les travaux avec les-
quels nous avons tenté de répondre aux enjeux identifiés mais c’est surtout
un tremplin pour un domaine en plein essor et dont les recherches sont très
actives.
Liste des publications
Publication dans des journaux internationaux référencés

1. J. Klaimi, R. Rahim-Amoud, L. Merghem-Boulahia, A. Jrad, ”Energy
Management Algorithms in Smart Grids : State of the art and emer-
ging trends”, International journal of artificial intelligence & applications
(IJAIA), volume 7, number 4, july 2016
2. J. Klaimi, R. Rahim-Amoud, L. Merghem-Boulahia, A. Jrad, ”A Novel
Loss-based energy management approach for Smart Grids using Multi-agent
Systems and Intelligent Storage Systems”, Knowledge and Information Sys-
tems (KAIS), soumis
3. J. Klaimi, R. Rahim-Amoud, L. Merghem-Boulahia, ”A storage-based
scheme for distributed energy management in the smart grids”, Journal of
Computer Science and Technology, soumis
Publication dans des journaux nationaux référencés
4. J. Klaimi, R. Rahim-Amoud, L. Merghem-Boulahia, ”Contribution des
systèmes multi-agents pour une meilleure gestion de l’énergie dans les smart
grids”, accepté dans le journal national Gestion et contrôle intelligents des
réseaux
Publications dans des congrès internationaux avec articles étendus
5. J. Klaimi, R. Rahim-Amoud, L. Merghem-Boulahia, A. Jrad, M. Esse-
ghir, ”An intelligent storage-based energy management approach for smart
grids”, The 12th IEEE International Conference on Wireless and Mobile
Computing, Networking and Communications, (Wimob 2016), New york,
USA
6. J. Klaimi, R. Rahim-Amoud, L. Merghem-Boulahia, A. Jrad, ”An
Agent-based approach for energy management in smart-grids”. Workshop
on Multi-agent Based Applications for Smart Grids and Sustainable Energy
Systems (MASGES) at PAAMS’2015 (13th International Conference on
Practical Applications of Agents and Multi-Agent Systems), Springer, pp.
225-236, Salamanca, Espagne, juin 2015 (version étendue sélectionnée dans
un chapitre de livre international)
139
140 Liste des publications
7. J. Klaimi, R. Rahim-Amoud, L. Merghem-Boulahia, A. Jrad, ”An

energy management approach for smart-grids using intelligent storage sys-
tems”, the Fifth International Conference on Digital Information and Com-
munication Technology and its Applications (DICTAP2015), Beyrouth, Li-
ban, IEEE, pp 26 – 31. 29-31 mai 2015
Publications dans des congrès nationaux avec articles résumés
8. J. Klaimi, R. Rahim-Amoud, L. Merghem-Boulahia, ”Contribution des
systèmes multi-agents pour une meilleure gestion de l’énergie dans les smart
grids”, congrès des nouvelles architectures pour les communications (DNAC
2016), Paris, France, Décembre 2016
9. J. Klaimi, R. Rahim-Amoud, L. Merghem-Boulahia, A. Jrad, ”Stratégie
à base d’agents pour une meilleure gestion de l’énergie dans les réseaux in-
telligents du futur”. Troisièmes journées franco-libanaises 2015, Beyrouth,
Liban, octobre 2015
Autres produits scientifiques : chapitre de livre international
10. J. Klaimi, R. Rahim-Amoud, L. Merghem-Boulahia, ”Energy manage-
ment in the smart grids via intelligent storage systems”, Dans ”Agent-Based
Modeling of Sustainable Behaviors”, ABM-SB2016, accepté
Bibliographie
[1] EDF. http ://france.edf.com/france-45634.html, 2015.

[2] Chiffres clés de l’énergie Édition 2015. Technical report, Commissariat
général au développement durable, 2016.
[3] ENEDIS. http ://www.enedis.fr/, 2017.
[4] potentielsolaire. http ://potentielsolaire.com/, 2015.
[5] CRE. http ://www.smartgrids-cre.fr/, 2015.
[6] T. Nagata, Y. Ueda, and M. Utatani. A multi-agent approach to
smart grid energy management. In IPEC, 2012 Conference on Power
Energy, pages 327–331, Dec 2012.
[7] J. M. Alberola, V. Julián, and A. Garcı́a-Fornes. A self-configurable
agent-based system for intelligent storage in smart grid. volume 365
of Communications in Computer and Information Science, pages 240–
250. 2013.
[8] digikey. http ://www.digikey.com/en/articles/techzone/2012/apr/modular-
choices-simplify-and-futureproof-m2m-wifi-and-zigbee-connectivity,
2012.
[9] A. Ben Jemaa, N. Essounbouli, and A. Hamzaoui. Optimum sizing
of hybrid pv/wind/battery installation using a fuzzy pso. In Environ-
mental Friendly Energies and Applications (EFEA), 2014 3rd Inter-
national Symposium on, pages 1–6, 2014.
[10] Pedro Crespo Del Granado, Stein W Wallace, and Zhan Pang. The va-
lue of electricity storage in domestic homes : a smart grid perspective.
Energy Systems, 5(2) :211–232, 2014.
[11] International Energy Agency (IEA). https ://www.iea.org, 2015.
[12] http ://www.statistiques-mondiales.com, 2016.
[13] V. Prema and K.U. Rao. Predictive models for power management of
a hybrid microgrid 2014 ; a review. In Advances in Energy Conversion
141
142 BIBLIOGRAPHIE
Technologies (ICAECT), 2014 International Conference on, pages 7–

12, Jan 2014.
[14] RFI. http ://www.rfi.fr/, 2015.
[15] V.C. Gungor, D. Sahin, T. Kocak, S. Ergut, C. Buccella, C. Cecati,
and G.P. Hancke. Smart grid technologies : Communication techno-
logies and standards. Industrial Informatics, IEEE Transactions on,
7(4) :529–539, Nov 2011.
[16] D. Boroyevich, I. Cvetkovic, R. Burgos, and Dong Dong. Intergrid :
A future electronic energy network ? Emerging and Selected Topics in
Power Electronics, IEEE Journal of, 1(3) :127–138, Sept 2013.
[17] La production d’électricité d’origine renouvelable dans le monde. Tech-
nical report, Observ’ER et la fondation énergie pour le monde avec le
soutien financier d’EDF, 2013.
[18] M. Attia, H. Sedjelmaci, S. Senouci, and E. Aglzim. Game model to
optimally combine electric vehicles with green and non-green sources
into an end-to-end smart grid architecture. Journal of Network and
Computer Applications, 72 :1–13, 2016.
[19] F. Ye, Y. Qian, and R.Q. H. Energy efficient self-sustaining wireless
neighborhood area network design for smart grid. Smart Grid, IEEE
Transactions on, 6(1) :220–229, Jan 2015.
[20] C.W. Potter, A. Archambault, and K. Westrick. Building a smar-
ter smart grid through better renewable energy information. In Po-
wer Systems Conference and Exposition, 2009. PSCE ’09. IEEE/PES,
pages 1–5, March 2009.
[21] K. Mets, M. Strobbe, T. Verschueren, T. Roelens, F. De Turck, and
C. Develder. Distributed multi-agent algorithm for residential energy
management in smart grids. In Network Operations and Management
Symposium (NOMS), 2012 IEEE, pages 435–443, April 2012.
[22] J.O. Petinrin and M. Shaaban. Smart power grid : Technologies and
applications. In Power and Energy (PECon), 2012 IEEE International
Conference on, pages 892–897, Dec 2012.
[23] A. Laube, S. Martin, D. Quadri, and K. Alagha. Optimal Flow Ag-
gregation for Global Energy Savings in Multi-hop Wireless Networks,
pages 124–137. 2016.
[24] High-Level Advisory Group on ICT for Smart Electricity Distribution
Networks. ICT for a low carbon economy, smart electrcity distribution
networks. Technical report, European Commission, 2009.
BIBLIOGRAPHIE 143
[25] J. Klaimi, L. Merghem-Boulahia, R. Rahim-Amoud, and A. Jrad. An

energy management approach for smart-grids using intelligent storage
systems. In Digital Information and Communication Technology and
its Applications (DICTAP), 2015 Fifth International Conference on,
pages 26–31, April 2015.
[26] S. Karnouskos. Future smart grid prosumer services. In Innovative
Smart Grid Technologies (ISGT Europe), 2011 2nd IEEE PES Inter-
national Conference and Exhibition on, pages 1–2, Dec 2011.
[27] S. Depuru, L. Wang, V. Devabhaktuni, and N. Gudi. Smart meters
for power grid : Challenges, issues, advantages and status. In Power
Systems Conference and Exposition (PSCE), 2011 IEEE/PES, pages
1–7, March 2011.
[28] Y. Ghiassi-Farrokhfal, S. Keshav, and C. Rosenberg. Toward a realistic
performance analysis of storage systems in smart grids. Smart Grid,
IEEE Transactions on, 6(1) :402–410, Jan 2015.
[29] Y. Guo, M. Pan, and Y. Fang. Optimal power management of resi-
dential customers in the smart grid. Parallel and Distributed Systems,
IEEE Transactions on, 23(9) :1593–1606, Sept 2012.
[30] Y. Zhou, N. M., X. Qian, and Y. M. A weighted fair queuing algorithm
for charging electric vehicles on a smart grid. In Online Conference
on Green Communications (GreenCom), 2013 IEEE, pages 132–136,
Oct 2013.
[31] J. Garcia-Villalobos, I. Zamora, J.I. San Martin, F.J. Asensio, and
V. Aperribay. Plug-in electric vehicles in electric distribution net-
works : A review of smart charging approaches. Renewable and Sus-
tainable Energy Reviews, 38 :717 – 731, 2014.
[32] O. Palizban, K. Kauhaniemi, and J. M. Guerrero. Microgrids in ac-
tive network management—part i : Hierarchical control, energy sto-
rage, virtual power plants, and market participation. Renewable and
Sustainable Energy Reviews, 36 :428 – 439, 2014.
[33] M. Vasirani, R. Kota, R.L.G. Cavalcante, S. Ossowski, and N.R. Jen-
nings. An agent-based approach to virtual power plants of wind power
generators and electric vehicles. Smart Grid, IEEE Transactions on,
4(3) :1314–1322, Sept 2013.
[34] P. Toma, P. Dorin, E. Radu, and M. Daniel. Sizing photovoltaic-
wind smart microgrid with battery storage and grid connection. In
Automation, Quality and Testing, Robotics, 2014 IEEE International
Conference on, pages 1–5, May 2014.
144 BIBLIOGRAPHIE
[35] D.Jia, Q. Wei, L. Song, and G. Huo. Brittleness analysis of microgrid.

In Strategic Technology (IFOST), 2011 6th International Forum on,
volume 1, pages 473–475, Aug 2011.
[36] M. Kuzlu and M. Pipattanasomporn. Assessment of communication
technologies and network requirements for different smart grid appli-
cations. In Innovative Smart Grid Technologies (ISGT), 2013 IEEE
PES, pages 1–6, Feb 2013.
[37] K. Khawam, M. Ibrahim, J. Cohen, S. Lahoud, and S. Tohme. Indi-
vidual vs. global radio resource management in a hybrid broadband
network. In 2011 IEEE International Conference on Communications
(ICC), pages 1–6, June 2011.
[38] G.DE OLIVEIRA. Approche hybride d’optimisation pour la gestion
d’énergie dans le bâtiment, 2013.
[39] G. Pepermans, J. Driesen, D. Haeseldonckx, R. Belmans, and
W. D’haeseleer. Distributed generation : definition, benefits and is-
sues. Energy Policy, 33(6) :787 – 798, 2005.
[40] K. Alanne and A. Saari. Distributed energy generation and sustainable
development. Renewable and Sustainable Energy Reviews, 10(6) :539
– 558, 2006.
[41] T. Ackermann, G. Andersson, and L. Söder. Distributed generation : a
definition1. Electric Power Systems Research, 57(3) :195 – 204, 2001.
[42] H. Jiayi, J. Chuanwen, and X. Rong. A review on distributed energy
resources and microgrid. Renewable and Sustainable Energy Reviews,
12(9) :2472 – 2483, 2008.
[43] C. Alvial-Palavicino, N. Garrido-Echeverrı́a, G. Jiménez-Estévez,
L. Reyes, and R. Palma-Behnke. A methodology for community en-
gagement in the introduction of renewable based smart microgrid.
Energy for Sustainable Development, 15(3) :314 – 323, 2011.
[44] H.A. Aalami, M. Parsa Moghaddam, and G.R. Yousefi. Evaluation
of nonlinear models for time-based rates demand response programs.
International Journal of Electrical Power & Energy Systems, 65 :282
– 290, 2015.
[45] R. Deng, Z. Yang, M. Y. Chow, and J. Chen. A survey on demand
response in smart grids : Mathematical models and approaches. IEEE
Transactions on Industrial Informatics, 11(3) :570–582, 2015.
[46] P. Siano. Demand response and smart grids—a survey. Renewable and
Sustainable Energy Reviews, 30(0) :461 – 478, 2014.
BIBLIOGRAPHIE 145
[47] M.C. Falvo, G. Graditi, and P. Siano. Electric vehicles integration in

demand response programs. In Power Electronics, Electrical Drives,
Automation and Motion (SPEEDAM), 2014 International Symposium
on, pages 548–553, June 2014.
[48] M.H. Albadi and E.F. El-Saadany. A summary of demand response
in electricity markets. Electric Power Systems Research, 78(11) :1989
– 1996, 2008.
[49] J. S. Vardakas, N. Zorba, and C. V. Verikoukis. A survey on demand
response programs in smart grids : Pricing methods and optimization
algorithms. IEEE Communications Surveys Tutorials, 17(1) :152–178,
2015.
[50] S. Sofana Reka and V. Ramesh. A smart survey on demand response
potential in global energy market. Indian Journal of Science and Tech-
nology, 8(S9), 2015.
[51] H. Kanchev, Di Lu, F. Colas, V. Lazarov, and B. Francois. Energy
management and operational planning of a microgrid with a pv-based
active generator for smart grid applications. Industrial Electronics,
IEEE Transactions on, 58(10) :4583–4592, Oct 2011.
[52] C.M. Colson and M.H. Nehrir. Algorithms for distributed decision-
making for multi-agent microgrid power management. In Power and
Energy Society General Meeting, 2011 IEEE, pages 1–8, July 2011.
[53] N. Javaid, I. Khan, M.N. Ullah, A. Mahmood, and M.U. Farooq. A
survey of home energy management systems in future smart grid com-
munications. In Broadband and Wireless Computing, Communication
and Applications (BWCCA), 2013 Eighth International Conference
on, pages 459–464, Oct 2013.
[54] N.S. Wade, P.C. Taylor, P.D. Lang, and P.R. Jones. Evaluating the
benefits of an electrical energy storage system in a future smart grid.
Energy Policy, 38(11) :7180 – 7188, 2010.
[55] Battery energy storage for smart grid applications. Technical report,
EUROBAT, 2013.
[56] The future role and challenges of energy storage. Technical
report, EUROPEAN COMMISSION DIRECTORATE-GENERAL
FOR ENERGY.
[57] A. Mohd, E. Ortjohann, A. Schmelter, N. Hamsic, and D. Morton.
Challenges in integrating distributed energy storage systems into fu-
ture smart grid. In Industrial Electronics, 2008. ISIE 2008. IEEE
International Symposium on, pages 1627–1632, June 2008.
146 BIBLIOGRAPHIE
[58] A. Kawashima, R. Sasaki, T. Yamaguchi, S. Inagaki, A. Ito, and T. Su-

zuki. Energy management systems based on real data and devices for
apartment buildings. In Industrial Electronics Society, IECON 2015
- 41st Annual Conference of the IEEE, pages 003212–003217, 2015.
[59] I. Colak, Se. Sagiroglu, G. Fulli, M. Yesilbudak, and C. Covrig. A
survey on the critical issues in smart grid technologies. Renewable and
[60] G. Venkataramani, P. Parankusam, V. Ramalingam, and J. Wang.
A review on compressed air energy storage – a pathway for smart
grid and polygeneration. Renewable and Sustainable Energy Reviews,
62 :895 – 907, 2016.
[61] A. Dedé, D. D. Giustina, G. Massa, M. Pasetti, and S. Rinaldi. A
smart pv module with integrated electrical storage for smart grid ap-
plications. In 2016 International Symposium on Power Electronics,
Electrical Drives, Automation and Motion (SPEEDAM), pages 895–
900, June 2016.
[62] Millenaire. http ://www.corse-energia.fr, 2016.
[63] Nice Grid. http ://www.nicegrid.fr/, 2016.
[64] Pegase. http ://www.fp7-pegase.com/, 2016.
[65] AUTOLIB. http ://www.autolib.eu/, 2017.
[66] Venteea. http ://www.venteea.fr, 2016.
[67] SAFT. http ://www.saftbatteries.com/, 2016.
[68] TESLA. http ://www.tesla.com/, 2017.
[69] B. Zakeri and S. Syri. Electrical energy storage systems : A com-
parative life cycle cost analysis. Renewable and Sustainable Energy
Reviews, 42 :569 – 596, 2015.
[70] B. Cui, D. Gao, S. Wang, and X. Xue. Effectiveness and life-cycle
cost-benefit analysis of active cold storages for building demand ma-
nagement for smart grid applications. Applied Energy, 147 :523 – 535,
2015.
[71] Y. Zhang, M. E. Haque, and M. A. Mahmud. Control and charge
management of a grid-connected photovoltaic system with plug-in hy-
brid vehicle as energy storage. In 2015 IEEE Power Energy Society
General Meeting, pages 1–5, 2015.
[72] Sustainable options for electric vehicle technologies. Renewable and
BIBLIOGRAPHIE 147
[73] M.H. Cintuglu, H. Martin, and O.A. Mohammed. Real-time imple-

mentation of multiagent-based game theory reverse auction model
for microgrid market operation. Smart Grid, IEEE Transactions on,
6(2) :1064–1072, March 2015.
[74] S.D.J. McArthur, E.M. Davidson, V.M. Catterson, A.L. Dimeas, N.D.
Hatziargyriou, F. Ponci, and T. Funabashi. Multi-agent systems
for power engineering applications part i : Concepts, approaches,
and technical challenges. Power Systems, IEEE Transactions on,
22(4) :1743–1752, Nov 2007.
[75] G.H. Merabet, M. Essaaidi, H. Talei, M.R. Abid, N. Khalil, M. Mad-
kour, and D. Benhaddou. Applications of multi-agent systems in smart
grids : A survey. In Multimedia Computing and Systems (ICMCS),
2014 International Conference on, pages 1088–1094, April 2014.
[76] A. Sharma, S. C. Srivastava, and S. Chakrabarti. A multi-agent-based
power system hybrid dynamic state estimator. Intelligent Systems,
IEEE, 30(3) :52–59, May 2015.
[77] J. Ferber. Les systèmes multi-agents. Vers une intelligence collective.
InterEditions, 1995.
[78] M. Wooldridge. An Introduction to MultiAgent Systems. Wiley Pu-
blishing, 2nd edition, 2009.
[79] G. Lo Nigro, M. Bruccoleri, and U. La Commare. Designing and
Evaluating Value Added Services in Manufacturing E-Market Places,
chapter Negotiation Models in Manufacturing E-Marketplaces, pages
97–117. 2005.
[80] S. S. Fatima, M. Wooldridge, and N. R. Jennings. An agenda-based
framework for multi-issue negotiation. Artificial Intelligence, 152(1) :1
– 45, 2004.
[81] F. Alsrheed, A. El Rhalibi, M. Randles, and M. Merabti. Intelligent
agents for automated cloud computing negotiation. In Multimedia
Computing and Systems (ICMCS), 2014 International Conference on,
pages 1169–1174, April 2014.
[82] T. Knabe, M. Schillo, and K. Fischer. Improvements to the fipa
contract net protocol for performance increase and cascading applica-
tions. In In International Workshop for Multi-Agent Interoperability
at the German Conference on AI (KI-2002, 2002.
[83] J. Kodama, T. Hamagami, H. Shinji, T. Tanabe, T. Funabashi, and
H. Hirata. Multi-agent-based autonomous power distribution network
148 BIBLIOGRAPHIE
restoration using contract net protocol. Electrical Engineering in Ja-

pan, 166(4) :56–63, 2009.
[84] J. Pitt, L. Kamara, M. Sergot, and A. Artikis. Voting in multi-agent
systems. The Computer Journal, 49(2) :156–170, 2006.
[85] J. Pitt and A. Diaconescu. Structure and governance of communities
for the digital society. In Autonomic Computing (ICAC), 2015 IEEE
International Conference on, pages 279–284, July 2015.
[86] J. E. Hernández, J. Mula, R. Poler, and A. C. Lyons. Collaborative
planning in multi-tier supply chains supported by a negotiation-based
mechanism and multi-agent system. Group Decision and Negotiation,
23(2) :235–269, 2013.
[87] A. Omezzine, S. Tazi, N. Bellamine, B. Saoud, K. Drira, and G. Co-
operman. Towards a dynamic multi-level negotiation framework in
cloud computing. In Cloud Technologies and Applications (Cloud-
Tech), 2015 International Conference on, pages 1–8, June 2015.
[88] P. Vytelingum, S. D. Ramchurn, T. D. Voice, A. Rogers, and N. R.
Jennings. Trading agents for the smart electricity grid. In Proceedings
of the 9th International Conference on Autonomous Agents and Mul-
tiagent Systems : Volume 1 - Volume 1, AAMAS ’10, pages 897–904,
2010.
[89] D. El Nabouch, N. Matta, R. Rahim-Amoud, and L. Merghem-
Boulahia. An agent-based approach for efficient energy management
in the context of smart houses. In Highlights on Practical Applica-
tions of Agents and Multi-Agent Systems, volume 365, pages 375–386.
Springer Berlin Heidelberg, 2013.
[90] K. Kok, B. Roossien, P. MacDougall, O. van Pruissen, G. Venekamp,
R. Kamphuis, J. Laarakkers, and C. Warmer. Intelligent energy ma-
nagement using powermatcher : Recent results from field deployments
and simulation studies. In Electricity Distribution (CIRED 2013),
22nd International Conference and Exhibition on, pages 1–4, June
2013.
[91] T. Logenthiran and D. Srinivasan. Multi-agent system for market
based microgrid operation in smart grid environment. Dept. of Elec.
& Comp. Science, National University of Singapore, 2011.
[92] C. Changsong, D. Shanxu, C. Tao, L. Bangyin, and Y. Jinjun. Energy
trading model for optimal microgrid scheduling based on genetic al-
gorithm. In Power Electronics and Motion Control Conference, 2009.
IPEMC ’09. IEEE 6th International, pages 2136–2139, 2009.
BIBLIOGRAPHIE 149
[93] W. Yanzhi, L. Xue, and M. Pedram. Adaptive control for energy

storage systems in households with photovoltaic modules. Smart Grid,
IEEE Transactions on, 5(2) :992–1001, March 2014.
[94] H. Rose, A. Rogers, and E. H. Gerding. A scoring rule-based mecha-
nism for aggregate demand prediction in the smart grid. In Proceedings
of the 11th International Conference on Autonomous Agents and Mul-
tiagent Systems - Volume 2, AAMAS ’12, pages 661–668, 2012.
[95] P. Vytelingum, T. D. Voice, S. D. Ramchurn, A. Rogers, and N. R.
Jennings. Theoretical and practical foundations of large-scale agent-
based micro-storage in the smart grid. J. Artif. Int. Res., 42 :765–813,
2011.
[96] N. Cuong Truong, L. Tran-Thanh, E. Costanza, and S. D. Ramchurn.
Towards appliance usage prediction for home energy management. In
Proceedings of the Fourth International Conference on Future Energy
Systems, e-Energy ’13, pages 287–288, 2013.
[97] N. C. Truong, J. McInerney, L. Tran-Thanh, E. Costanza, and S. D.
Ramchurn. Forecasting multi-appliance usage for smart home energy
management. In 23rd International Joint Conference on Artificial
Intelligence (IJCAI 2013), April 2013.
[98] S. Subramanian, S. Ghosh, J.R.M. Hosking, R. Natarajan, and
Xiaoxuan Zhang. Dynamic price optimization models for managing
time-of-day electricity usage. In Smart Grid Communications (Smart-
GridComm), 2013 IEEE International Conference on, pages 163–168,
Oct 2013.
[99] P. Ionela and Z. Enrico. A model predictive control framework for
reliable microgrid energy management. International Journal of Elec-
trical Power & Energy Systems, 61(0) :399 – 409, 2014.
[100] S. Ramchurn, P. Vytelingum, A. Rogers, and N. Jennings. Agent-
based homeostatic control for green energy in the smart grid. ACM
Transactions on Intelligent Systems and Technology, 2(4) :35 :1–35 :28,
July 2011.
[101] C. Cecati, C. Buccella, P. Siano, and A. Piccolo. Optimal operation of
smart grids with demand side management. In Industrial Technology
(ICIT), 2013 IEEE International Conference on, pages 2010–2015,
Feb 2013.
[102] A.-H. Mohsenian-Rad and A. Leon-Garcia. Optimal residential load
control with price prediction in real-time electricity pricing environ-
ments. Smart Grid, IEEE Transactions on, 1(2) :120–133, Sept 2010.
150 BIBLIOGRAPHIE
[103] A. H. Mohsenian-Rad, V. W. S. Wong, J. Jatskevich, R. Schober,

and A. Leon-Garcia. Autonomous demand-side management based on
game-theoretic energy consumption scheduling for the future smart
grid. IEEE Transactions on Smart Grid, 1(3) :320–331, Dec 2010.
[104] C. Ibars, M. Navarro, and L. Giupponi. Distributed demand manage-
ment in smart grid with a congestion game. In Smart Grid Commu-
nications (SmartGridComm), 2010 First IEEE International Confe-
rence on, pages 495–500, Oct 2010.
[105] S. Caron and G. Kesidis. Incentive-based energy consumption sche-
duling algorithms for the smart grid. In Smart Grid Communica-
tions (SmartGridComm), 2010 First IEEE International Conference
on, pages 391–396, Oct 2010.
[106] P. Vytelingum, T. D. Voice, S. D. Ramchurn, A. Rogers, and N. R.
Jennings. Agent-based micro-storage management for the smart grid.
May 2010.
[107] S. Ghosh, J. Kalagnanam, D. Katz, M. Squillante, X. Zhang, and
E. Feinberg. Incentive design for lowest cost aggregate energy demand
reduction. In Smart Grid Communications (SmartGridComm), 2010
First IEEE International Conference on, pages 519–524, Oct 2010.
[108] D. O’Neill, M. Levorato, A. Goldsmith, and U. Mitra. Residential de-
mand response using reinforcement learning. In Smart Grid Commu-
nications (SmartGridComm), 2010 First IEEE International Confe-
rence on, pages 409–414, Oct 2010.
[109] T. L. Vandoorn, B. Renders, L. Degroote, B. Meersman, and L. Van-
develde. Active load control in islanded microgrids based on the grid
voltage. IEEE Transactions on Smart Grid, 2(1) :139–151, March
2011.
[110] I. Mauser, J. Müller, F. Allerding, and H. Schmeck. Adaptive building
energy management with multiple commodities and flexible evolutio-
nary optimization. Renewable Energy, 87, Part 2 :911 – 921, 2016.
[111] G. Graditi, M. L. Di Silvestre, R. Gallea, and E. Riva Sanseverino.
Heuristic-based shiftable loads optimal management in smart micro-
grids. IEEE Transactions on Industrial Informatics, 11(1) :271–280,
2015.
[112] N. Shaheen, N. Javaid, Z. Iqbal, K. Muhammad, K. Azad, and F. A.
Chaudhry. A hybrid algorithm for energy management in smart grid.
In Network-Based Information Systems (NBiS), 2015 18th Internatio-
nal Conference on, pages 58–63, 2015.
BIBLIOGRAPHIE 151
[113] B. Yuce, Y. Rezgui, and M. Mourshed. Ann–ga smart appliance

scheduling for optimised energy management in the domestic sector.
Energy and Buildings, 111 :311 – 325, 2016.
[114] S. K. Polaki, M. Reza, and D. S. Roy. A genetic algorithm for optimal
power scheduling for residential energy management. In Environment
and Electrical Engineering (EEEIC), 2015 IEEE 15th International
Conference on, pages 2061–2065, June 2015.
[115] M. A. A. Pedrasa, T. D. Spooner, and I. F. MacGill. Coordinated sche-
duling of residential distributed energy resources to optimize smart
home energy services. IEEE Transactions on Smart Grid, 1(2) :134–
143, 2010.
[116] J. Stragier, L. Hauttekeete, and L. De Marez. Introducing smart grids
in residential contexts : Consumers’ perception of smart household
appliances. In Innovative Technologies for an Efficient and Reliable
Electricity Supply (CITRES), 2010 IEEE Conference on, pages 135–
142, 2010.
[117] O. A. Sianaki, O. Hussain, T. Dillon, and A. R. Tabesh. Intelligent de-
cision support system for including consumers’ preferences in residen-
tial energy consumption in smart grid. In 2010 Second International
Conference on Computational Intelligence, Modelling and Simulation,
pages 154–159, 2010.
[118] C. Gao and M. A. Redfern. A review of voltage control in smart
grid and smart metering technologies on distribution networks. In
Universities’ Power Engineering Conference (UPEC), Proceedings of
2011 46th International, pages 1–5, Sept 2011.
[119] H. Morais, T. Pinto, Z. Vale, and I. Praca. Multilevel negotiation in
smart grids for vpp management of distributed resources. Intelligent
Systems, IEEE, 27(6) :8–16, Nov 2012.
[120] sma. http ://www.sma.de/fr/solutions-de-stockage.html, 2016.
[121] aegps. http ://www.aegps.fr/smart-grids/stockage-energie-batterie/,
2016.
[122] tritec. http ://www.tritec-energy.com/fr, 2016.
[123] JADE. http ://jade.tilab.com/, 2015.
[124] A.J.D. Rathnayaka, V.M. Potdar, O. Hussain, and T. Dillon. Iden-
tifying prosumer’s energy sharing behaviours for forming optimal
prosumer-communities. In Cloud and Service Computing (CSC), 2011
International Conference on, pages 199–206, Dec 2011.
152 BIBLIOGRAPHIE
[125] D. Connolly, H. Lund, and B.V. Mathiesen. Smart energy europe :

The technical and economic impact of one potential 100 Renewable
and Sustainable Energy Reviews, 60 :1634 – 1653, 2016.
[126] M.S. Hossain, N.A. Madlool, N.A. Rahim, J. Selvaraj, A.K. Pandey,
and Abdul Faheem Khan. Role of smart grid in renewable energy :
An overview. Renewable and Sustainable Energy Reviews, 60 :1168 –
1184, 2016.
[127] H. H. Abdeltawab and Y. A. R. I. Mohamed. Market-oriented energy
management of a hybrid wind-battery energy storage system via model
predictive control with constraint optimizer. IEEE Transactions on
Industrial Electronics, 62(11) :6658–6670, 2015.
[128] H. Liang, B. Jun Choi, W. Zhuang, and X. Shen. Optimizing the
energy delivery via v2g systems based on stochastic inventory theory.
Smart Grid, IEEE Transactions on, 4(4) :2230–2243, 2013.
[129] B. Amanulla, S. Chakrabarti, and S. N. Singh. Reconfiguration of po-
wer distribution systems considering reliability and power loss. IEEE
Transactions on Power Delivery, 27(2) :918–926, 2012.
[130] R. S. Rao, K. Ravindra, K. Satish, and S. V. L. Narasimham. Power
loss minimization in distribution system using network reconfiguration
in the presence of distributed generation. IEEE Transactions on Power
Systems, 28(1) :317–325, 2013.
[131] D. Q. Hung and N. Mithulananthan. Multiple distributed generator
placement in primary distribution networks for loss reduction. IEEE
Transactions on Industrial Electronics, 60(4) :1700–1708, 2013.
[132] E. Dall’Anese, H. Zhu, and G. B. Giannakis. Distributed optimal
power flow for smart microgrids. IEEE Transactions on Smart Grid,
4(3) :1464–1475, 2013.
[133] N. Radzi, R. Bansal, Z. Dong, and M. Hassan. Integrating the trans-
mission loss component with the distribution factors enhanced trans-
mission pricing method for efficient transmission use of system charges.
Electric Power Components and Systems, 43(1) :10–21, 2015.
[134] RTE. http ://www.rte-france.com/, 2015.
[135] C. Wei, Z.M. Fadlullah, N. Kato, and I. Stojmenovic. On optimally
reducing power loss in micro-grids with power storage devices. Selected
Areas in Communications, IEEE Journal on, 32(7) :1361–1370, 2014.
[136] W. Anguan and N. Baoshan. Line Loss Analysis and Calculation of
Electric Power Systems, chapter Calculation of Line Loss by Current
Load Curve. John Wiley & Sons Singapore Pte Ltd, 2016.
BIBLIOGRAPHIE 153
[137] W. Anguan and N. Baoshan. Change Law for the Electric Energy
Losses of Power Grids, chapter Calculation of Line Loss by Power
Load Curve. John Wiley & Sons Singapore Pte Ltd, 2016.
[138] W. Anguan and N. Baoshan. Calculation of High-voltage Power Grid
Losses, chapter Calculation of Line Loss by Power Load Curve. John
Wiley & Sons Singapore Pte Ltd, 2016.
[139] O. Botero and H. Chaouchi. Rfid network topology design based on
genetic algorithms. In 2011 IEEE International Conference on RFID-
Technologies and Applications, pages 300–305, Sept 2011.
[140] N. Mejri, M. Ayari, R. Langar, and L. Saidane. Reservation-based
multi-objective smart parking approach for smart cities. In 2016 IEEE
International Smart Cities Conference (ISC2), pages 1–6, Sept 2016.
[141] M. A. Abido. Multiobjective evolutionary algorithms for electric power
dispatch problem. IEEE Transactions on Evolutionary Computation,
10(3) :315–329, June 2006.
[142] B. Asare-Bediako, W. L. Kling, and P. F. Ribeiro. Integrated agent-
based home energy management system for smart grids applications.
In IEEE PES ISGT Europe 2013, pages 1–5, Oct 2013.
[143] F. Berthold, A. Ravey, B. Blunier, D. Bouquain, S. Williamson, and
A. Miraoui. Design and development of a smart control strategy for
plug-in hybrid vehicles including vehicle-to-home functionality. IEEE
Transactions on Transportation Electrification, 1(2) :168–177, 2015.
[144] Z. Wang, L. Wang, A. I. Dounis, and R. Yang. Integration of plug-in
hybrid electric vehicles into building energy management system. In
2011 IEEE Power and Energy Society General Meeting, pages 1–8,
2011.
[145] C. Pang, P. Dutta, and M. Kezunovic. Bevs/phevs as dispersed energy
storage for v2b uses in the smart grid. IEEE Transactions on Smart
Grid, 3(1) :473–482, 2012.
[146] M. M. A. Abdelaziz, M. F. Shaaban, H. E. Farag, and E. F. El-
Saadany. A multistage centralized control scheme for islanded micro-
grids with pevs. IEEE Transactions on Sustainable Energy, 5(3) :927–
937, 2014.

Joelle Klaimi 2017TROY0006

Transféré par

Droits d'auteur :

Formats disponibles

Joelle Klaimi 2017TROY0006

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Joelle Klaimi 2017TROY0006

Transféré par

Droits d'auteur :

Formats disponibles

Gestion multi-agents des smart grids intégrant un

système de stockage : cas résidentiel

To cite this version:

HAL Id: tel-02418250

HAL is a multi-disciplinary open access L’archive ouverte pluridisciplinaire HAL, est

Gestion multi-agents des smart grids intégrant

”Soyons reconnaissants aux personnes qui nous donnent du bonheur ;

Table des figures VII

Liste des tableaux XI

1 Réseaux électriques intelligents 9

2 Gestion de l’énergie dans les réseaux intelligents : Définitions

2.3 Intégration des énergies renouvelables dans les smart grids . . 26

3 Gestion de l’énergie dans les réseaux intelligents : Solutions

4 ANEMAS : Gestion de l’énergie à base d’agents dans les

4.5 Evaluation des performances de l’approche proposée . . . . . 70

5 BADIS : Maximiser la durée de vie de la batterie avec un

6 LOMI : Minimiser les pertes d’énergie au sein des smart

7 Intégration d’un algorithme d’optimisation dans la gestion

7.3 Négociation niveau 2 . . . . . . . . . . . . . . . . . . . . . . . 128

Conclusion générale 135

Liste des publications 139

1.1 Evolution de la consommation mondiale en électricité (source

2.1 Répartition de la consommation mondiale d’électricité (ins-

3.1 Comportement de base d’un agent . . . . . . . . . . . . . . . 39

4.1 Exemple de positionnement de quelques capteurs et agents

4.8 Prix journalier de l’énergie dans le cas où le nombre de pro-

5.1 Illustration du scénario considéré . . . . . . . . . . . . . . . . 79

5.14 Pourcentage de minimisation de décharge de la batterie pen-

6.1 Distance entre les nœuds . . . . . . . . . . . . . . . . . . . . . 100

6.20 Variation quotidienne des pertes des producteurs durant l’été

7.1 Interaction des agents en utilisant un algorithme d’optimisation118

4.1 Exemple de décomposition des consommations en niveaux de

5.1 Paramètres du système de stockage . . . . . . . . . . . . . . . 82

6.1 Paramètres de l’agent producteur . . . . . . . . . . . . . . . . 103

7.1 Définition des paramètres . . . . . . . . . . . . . . . . . . . . 122

Cette thèse s’intéresse à la gestion décentralisée à l’aide des systèmes

This thesis focuses on the decentralized management using multi-agent

Le système électrique connaı̂t de profondes mutations telles que l’aug-

de l’énergie, l’augmentation autant que possible de la durée de vie des

Ce manuscrit est divisé en sept chapitres et organisé comme

Le quatrième chapitre est dédié à notre contribution ANEMAS.

Dans ce chapitre, nous introduisons notre approche de gestion de l’énergie

Le cinquième chapitre présente notre deuxième contribution BADIS

Le sixième chapitre présente notre troisième contribution LOMI

Le septième chapitre présente notre dernière contribution qui

A la fin de ce manuscrit, nous tirons nos conclusions et présentons

Figure 1.1 – Evolution de la consommation mondiale en électricité (source

L’augmentation de la dépendance électrique est liée à l’évolution de la

tils informatiques essaient de lisser les pics de production d’énergie renou-

1.2 Contraintes du système électrique unidirec-

1.2.1 Paysage énergétique et environnemental actuel

Figure 1.2 – Utilisation des ressources énergétiques en France durant

Toutefois, ces observations générales concernent des mix énergétiques

1.2.2 Problématiques auxquelles doit faire face le secteur

Depuis ses débuts dans le 20ème siècle, la structure et l’organisation

Figure 1.3 – Sous-systèmes du marché électrique (de [3], ENEDIS)

1.3 Evolution du système électrique : émergence

1.3.1 Une plaque énergétique avec plusieurs fonctionnalités

Figure 1.4 – Configuration électrique unidirectionnelle