⚡ electrical engineering

BOOST: Microgrid Sizing using Ordinal Optimization

Ce papier présente BOOST, une technique de dimensionnement de micro-réseaux résidentiels qui combine l'optimisation ordinaire et la programmation linéaire mixte en nombres entiers pour sélectionner efficacement les capacités de batteries et de panneaux photovoltaïques, réduisant ainsi le temps de calcul de 51,8 % tout en garantissant l'optimalité par rapport à une évaluation exhaustive.

Auteurs originaux : Mohamad Chehade, Sami Karaki

Publié 2026-04-09

📖 4 min de lecture☕ Lecture pause café

CC BY 4.0

Auteurs originaux : Mohamad Chehade, Sami Karaki

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

🏠 Le Problème : Trouver la taille idéale de la "boîte à énergie"

Imaginez que vous voulez construire une maison autonome (un micro-réseau) qui utilise :

Des panneaux solaires (pour capter le soleil).
Une grosse batterie (pour stocker l'énergie).
Un groupe électrogène diesel (une solution de secours).
Le réseau électrique classique (en dernier recours).

Le défi, c'est de trouver la taille parfaite de la batterie et des panneaux solaires.

Si la batterie est trop petite, vous manquerez d'énergie quand il fait nuit.
Si elle est trop grande, vous aurez gaspillé des milliers d'euros pour rien.
Si les panneaux sont mal dimensionnés, vous devrez trop souvent acheter de l'électricité ou faire tourner le groupe électrogène (qui est cher et polluant).

C'est comme essayer de trouver la taille de chaussure parfaite sans pouvoir les essayer toutes. Il y a des milliers de combinaisons possibles !

🧠 La Solution : La méthode "BOOST"

Les chercheurs ont créé une technique appelée BOOST (Battery-solar Ordinal Optimization Sizing Technique). Pour comprendre comment ça marche, utilisons une analogie simple.

L'Analogie du "Sélecteur de Talents" 🎤

Imaginez que vous cherchez le meilleur chanteur parmi 10 000 candidats pour un grand concert.

La méthode traditionnelle (l'approche "Exhaustive") : Vous faites chanter tous les 10 000 candidats avec un orchestre complet, des micros de luxe et un public réel. C'est la méthode la plus précise, mais c'est long, cher et épuisant. Vous passerez des mois à faire ça.
La méthode BOOST : Vous utilisez une approche en deux temps :
1. Le "Casting Rapide" (Le modèle simple) : Vous faites chanter les 10 000 candidats dans un petit studio avec un simple enregistreur. Ce n'est pas parfait, mais ça vous donne une idée de qui a une bonne voix. Vous ne cherchez pas la note parfaite, juste le classement (qui est meilleur que qui).
2. Le "Grand Concert" (Le modèle précis) : Vous ne gardez que les 20 meilleurs du classement rapide. Vous les faites chanter ensuite avec l'orchestre complet et le public pour confirmer qui est vraiment le gagnant.

Le secret de BOOST : Il est très difficile de se tromper sur le classement général, même avec un test rapide. Si quelqu'un est dans le top 20 du test rapide, il a de très fortes chances d'être dans le top 20 du test final.

⚙️ Comment ça marche techniquement (en langage simple)

Dans le papier, les chercheurs utilisent deux outils mathématiques :

Le Modèle "Rapide" (LP) : C'est comme le "Casting Rapide". Il calcule le coût de l'énergie avec une formule simple. C'est très rapide à calculer par ordinateur, mais un peu approximatif (il ignore certaines règles complexes du groupe électrogène).
Le Modèle "Précis" (MILP) : C'est le "Grand Concert". Il prend en compte toutes les règles complexes (comme le fait que le groupe électrogène ne peut pas tourner à moitié, il faut qu'il soit allumé ou éteint). C'est très précis, mais très lent à calculer.

La magie de BOOST :
Au lieu de faire le calcul lent et précis pour toutes les combinaisons de batteries et de panneaux, BOOST :

Fait le calcul rapide pour 90 combinaisons.
Sélectionne les 18 meilleures.
Fait le calcul lent et précis uniquement pour ces 18-là.

📊 Les Résultats : Gagner du temps sans perdre en qualité

Sur les données de test (des années de données météo et de prix d'électricité simulées), voici ce qu'ils ont découvert :

Précision : Le classement obtenu par la méthode rapide était identique (à 100 %) au classement obtenu par la méthode lente. C'est comme si le "Casting Rapide" avait parfaitement prédit les gagnants du "Grand Concert".
Vitesse : La méthode BOOST a été 52 % plus rapide que de tout calculer lentement. Ils ont économisé près de la moitié du temps de calcul.
Le meilleur design trouvé : Pour leur cas de base, la solution idéale est une batterie de 500 kWh couplée à des panneaux solaires de 1833 kW. Cela coûte environ 13,17 centimes d'euro par kWh.

💡 Pourquoi c'est important ?

Cette méthode permet aux ingénieurs et aux propriétaires de micro-réseaux de prendre de meilleures décisions beaucoup plus vite. Au lieu de passer des jours à simuler des milliers de scénarios, ils peuvent trouver la solution optimale en quelques minutes, tout en s'assurant qu'ils n'ont pas raté la meilleure option.

En résumé : BOOST, c'est l'art de trier intelligemment les options avec un test rapide, pour ne garder que les meilleures et les vérifier en détail. C'est une façon de travailler plus malin, pas plus dur ! 🚀

1. Problématique

Le dimensionnement efficace d'un micro-réseau résidentiel (combinant panneaux photovoltaïques (PV), stockage par batterie, générateur diesel et connexion au réseau) pose un défi majeur : le problème de dimensionnement et d'exploitation est fortement couplé.

La capacité des batteries et des panneaux PV ne peut être choisie de manière optimale sans tenir compte de la façon dont le système sera réellement dispatché (géré) dans le temps.
Une approche exacte utilisant la programmation linéaire en nombres entiers mixtes (MILP) permet de modéliser cette complexité (y compris la logique d'engagement du générateur diesel), mais son évaluation répétée sur un vaste espace de conception est extrêmement coûteuse en temps de calcul.
Les méthodes heuristiques ou méta-heuristiques sont plus évolutives mais manquent souvent de garanties théoriques ou nécessitent un grand nombre d'évaluations.
Les approches existantes basées sur l'optimisation ordinale (OO) utilisent souvent des modèles internes simplifiés (comme la programmation dynamique ou des stratégies gloutonnes) qui peuvent dégrader la qualité de la dispatch en raison de la discrétisation de l'état de charge ou de l'absence de logique diesel précise.

2. Méthodologie : La technique BOOST

L'article propose BOOST (Battery-solar Ordinal Optimization Sizing Technique), une méthode hybride combinant l'Optimisation Ordinale (OO) et la Programmation Linéaire en Nombres Entiers Mixtes (MILP). L'objectif est de trouver une solution « bonne enough » (suffisamment bonne) sans évaluer exhaustivement toutes les combinaisons possibles avec le modèle le plus coûteux.

Le processus se déroule en deux phases :

Phase 1 : Screening par Modèle Simple (LP)

Principe : Au lieu d'utiliser le modèle MILP précis pour chaque candidat, BOOST utilise un modèle linéaire (LP) simplifié pour évaluer un grand nombre de conceptions candidates ( $N$ ).
Hypothèse clé (Proposition 1) : L'information sur l'ordre (le classement) des conceptions est robuste face au bruit d'estimation. Bien que le modèle LP soit moins précis pour calculer le coût exact, il préserve le classement relatif des meilleures conceptions par rapport au modèle MILP.
Action : On résout le problème LP pour $N$ conceptions (somme du coût opérationnel et du coût d'investissement annualisé), puis on les classe par coût total.

Phase 2 : Réévaluation par Modèle Précis (MILP)

Sélection : On ne conserve que les $s$ meilleures conceptions issues du classement LP (où $s \ll N$ ).
Calcul de $s$ : Le nombre $s$ est déterminé théoriquement pour garantir une probabilité $P$ que la solution optimale globale se trouve parmi ces $s$ candidats (en utilisant la probabilité d'alignement).
Optimisation : Les $s$ conceptions sélectionnées sont réévaluées avec le modèle MILP précis, qui inclut la logique binaire d'engagement du générateur diesel (seuil de puissance minimale).
Résultat : La conception avec le coût total le plus bas parmi ces $s$ candidats est retenue comme la solution optimale approchée.

3. Contributions Clés

Nouvelle technique de dimensionnement : Introduction de BOOST, qui intègre l'OO avec un solveur MILP interne pour gérer la complexité opérationnelle (diesel, PV, batterie) de manière plus rigoureuse que les méthodes précédentes.
Validation sur une nouvelle suite de benchmarks : L'article met à jour l'analyse quantitative avec une suite de 5 jeux de données synthétiques annuels générés à partir d'une réimplémentation propre :
- Base (cas standard).
- Batterie bon marché.
- PV bon marché.
- Diesel cher.
- Tarif de pointe élevé.
Preuve de robustesse du classement : Démonstration que le filtrage par LP préserve parfaitement le classement des modèles MILP (corrélation de Spearman $\rho = 1.000$ ).
Gain de performance : Preuve numérique que le solveur interne MILP surpasse les approches par programmation dynamique (DP) et gloutonnes, tout en réduisant considérablement le temps de calcul par rapport à une recherche exhaustive.

4. Résultats Quantitatifs (Sur le jeu de données "Base")

Les résultats présentés dans le papier mis à jour sont les suivants :

Conception optimale : Une batterie de 500 kWh couplée à 1833,3 kW de PV.
Coût actualisé de l'énergie (LCOE) : 13,169 ¢/kWh.
Fidélité du screening :
- La corrélation de rang entre le modèle LP et le modèle MILP est parfaite ( $\rho = 1.000$ ).
- Avec $s=18$ candidats réévalués, le système retrouve 100 % du top-10 global et la solution optimale globale.
Efficacité temporelle :
- Évaluation exhaustive (MILP sur 100 designs) : 169,9 s.
- Workflow BOOST (90 LP + 18 MILP) : 82,0 s.
- Réduction du temps de calcul : 51,8 %.
Comparaison des méthodes opérationnelles :
- BOOST (MILP) : 13,169 ¢/kWh.
- Programmation Dynamique (DP) : 13,178 ¢/kWh (écart de +0,009).
- Stratégie Gloutonne : 13,251 ¢/kWh (écart de +0,082, nettement moins performant).

5. Signification et Conclusion

Ce travail démontre que l'Optimisation Ordinale est une approche puissante pour résoudre des problèmes de dimensionnement de micro-réseaux complexes.

Efficacité : Elle permet de réduire drastiquement le temps de calcul (de moitié dans ce cas) sans sacrifier la qualité de la solution finale.
Précision opérationnelle : Contrairement aux méthodes OO précédentes utilisant des approximations internes, l'utilisation d'un MILP interne garantit une gestion optimale de la logique diesel et du stockage.
Robustesse : Les tests sur les 5 scénarios synthétiques montrent que la méthode s'adapte bien aux variations des coûts des actifs (batterie, PV) et des structures tarifaires, tout en maintenant la fiabilité du classement initial par LP.

En conclusion, BOOST offre un cadre méthodologique robuste pour le dimensionnement de micro-réseaux, validant l'idée que l'on peut trier efficacement des milliers de conceptions avec un modèle simple avant de n'appliquer un modèle complexe coûteux qu'à un sous-ensemble très restreint de candidats prometteurs.