Analysis and Optimization of Power Distribution Networks with High Penetration of Grid-Edge Technologies Under Uncertainty

RÉSUMÉ: Les diverses technologies en périphérie du réseau (TPR), telles que les véhicules électriques (VÉ), les systèmes photovoltaïques (PV), les programmes de gestion de la demande de puissance (GDP), etc., sont installées sur les sites des clients (périphérie du réseau) et connectées aux réseaux électriques de distribution. Avec la transition énergétique en cours, le nombre de TPR augmente rapidement. Il est essentiel pour les fournisseurs d’électricité d’évaluer leur influence sur le réseau de distribution afin de maintenir la fiabilité du système et la qualité de l’alimentation, et d’éviter les interruptions de service. Étant donné que la demande d’électricité des clients due à l’utilisation de TPR se produit derrière le compteur et est aléatoire en termes de comportements d’utilisation, il est difficile de modéliser ces technologies sur les réseaux et d’évaluer leurs impacts, en particulier à des taux de pénétration élevés. Un outil d’analyse est donc nécessaire pour évaluer les impacts des TPR sur les réseaux électriques tout en tenant compte des incertitudes associées à l’utilisation de ces technologies. Cette thèse vise également à relever des défis posés par la pénétration croissante de ces technologies. Des plans d’atténuation pour minimiser des conditions anormales du réseau causées par l’utilisation de ces TPR sont proposés afin de maintenir un fonctionnement sécuritaire et optimal du système. Nous introduisons une méthode d’estimation rapide (MER) pour analyser les impacts stochastiques des TPR sur le réseau de distribution. Cette méthode utilise l’équation de Fokker- Planck pour modéliser les fonctions de densité de probabilité des états du réseau, tels que les niveaux de charge des équipements et les niveaux de tension, sous divers taux de pénétration des TPR. Pour améliorer l’exactitude de la MER, une étape de calibration optionnelle est proposée. Afin d’appliquer la MER aux études d’impact des VÉ, les profils de recharge des propriétaires de VÉ en termes de distributions de probabilité sont requis comme intrants. En l’absence de telles informations, nous proposons une méthode pour détecter les événements de recharge des VÉ à partir des données de compteurs intelligents, qui sont plus accessibles aux fournisseurs d’électricité. Cette méthode permet de déduire les habitudes de recharge des clients et construit des distributions de probabilité des profils de recharge, qui sont ensuite utilisées dans la MER pour les analyses d’impact des VÉ. ABSTRACT: As grid-edge technologies (GETs), such as electric vehicles (EVs) and photovoltaic systems (PVs) are becoming popular on power distribution networks, their impacts need to be studied. This dissertation aims to address the challenges posed by the increasing penetration of these technologies, and mitigation plans to abnormal network conditions caused by the use of these GETs are proposed to maintain safe and optimal operation of the system. We introduce a rapid estimation method (REM) to perform stochastic impact analyses of GETs on distribution networks. This method leverages the Fokker-Planck equation to model the probability density functions (PDFs) of network states, such as equipment loading levels and voltage levels, under various penetration rates of GETs. An optional calibration step is proposed to enhance the accuracy of the REM. To apply the REM for EV impact studies, EV owners charging habits in terms of probabilities are needed as input data. In absence of such information, we propose a non-intrusive and training-free method to detect EV charging events from smart meter data, which are more accessible to utilities. This method infers customers’ charging habits and constructs probability distributions of charging profiles, which are then used in the REM for EV impact analyses.

Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.