Résumé technique : Renforcement de la résilience du réseau face à des aléas multiples

1. Énoncé du problème

La fréquence et l'intensité croissantes des événements météorologiques extrêmes, induites par le changement climatique, posent de graves menaces pour la résilience des systèmes électriques. Les dommages aux infrastructures causés par des aléas tels que les vents violents, les séismes et les incidents liés à la végétation entraînent des pannes prolongées et des pertes économiques importantes. Un défi critique dans la planification du réseau est que les stratégies de renforcement traditionnelles se concentrent souvent sur un seul aléa ou une seule mesure d'atténuation. Par exemple, l'enfouissement (UG) des lignes protège contre le vent et la végétation, mais peut accroître la vulnérabilité à l'activité sismique ou engendrer des coûts de réparation élevés en cas de séisme. Inversement, la gestion de la végétation (VM) est efficace pour les lignes aériennes, mais ne traite pas les risques sismiques.

De plus, les modèles d'optimisation existants reposent souvent sur une programmation stochastique statique à deux étapes où les décisions de renforcement initiales sont fixées pour toute la période de planification. Cette rigidité ne tient pas compte de l'évolution des conditions climatiques et des incertitudes, ce qui peut conduire à des résultats sous-optimaux et coûteux. L'article répond au besoin d'un cadre de prise de décision qui :

1. Considère simultanément plusieurs aléas (spécifiquement les vents violents et les séismes).
2. Intègre des stratégies de renforcement complémentaires (enfouissement à long terme et gestion de la végétation à court terme).
3. Permet une prise de décision adaptative pour réviser les plans initiaux en fonction des scénarios futurs réalisés.

2. Méthodologie

Les auteurs proposent un cadre d'Optimisation Stochastique Adaptative à Deux Étapes (ATS) conçu pour les réseaux de distribution radiaux dotés de ressources énergétiques distribuées.

2.1. Arbre de scénarios et modélisation de l'incertitude

Le problème est modélisé à l'aide d'un arbre de scénarios où les nœuds représentent les réalisations possibles des incertitudes (événements de vent, séismes, défaillances de la végétation) sur un horizon de planification $T$.

• Paramètres d'incertitude : Le modèle incorpore des variables aléatoires pour la durée des pannes ($\xi$), le nombre d'événements ($N$) et les probabilités de défaillance ($\varrho$) pour chaque type d'aléa.
• Élagage de l'arbre : Pour garantir la tractabilité computationnelle à mesure que l'horizon s'étend, les auteurs utilisent une méthode de réduction par l'arrière (backward reduction) pour élaguer l'arbre de scénarios, conservant un ensemble représentatif de scénarios qui approximent la distribution de probabilité originale.

2.2. Structure adaptative à deux étapes

Contra-rément aux modèles standards à deux étapes où les décisions de première étape sont fixes, le cadre ATS introduit un mécanisme de révision :

• Décisions de première étape : Les décisions initiales concernant l'enfouissement des lignes ($\alpha_{ln}$) sont prises au début.
• Point de révision : À un instant $T$ désigné, le modèle permet une révision unique de ces décisions initiales en fonction de l'incertitude observée et des prévisions actualisées.
• Décisions de seconde étape : Les niveaux de gestion de la végétation ($\beta_{ln}$) sont déterminés annuellement (court terme) et restent dépendants des scénarios tout au long de l'horizon.

2.3. Fonction objectif et contraintes

L'objectif est de minimiser le coût total attendu sur un horizon de 30 ans, comprenant :

• Coûts d'investissement : Coûts en capital pour l'enfouissement ($IC^{UG}$) et la gestion annuelle de la végétation ($IC^{VM}$).
• Coûts opérationnels : Coûts de délestage de charge et coûts de réparation associés aux défaillances dues au vent, aux séismes et à la végétation.
• Actualisation : Les coûts futurs sont actualisés à l'aide d'un facteur $\gamma$ dérivé de l'inflation et des taux d'actualisation.

Contraintes clés :

• Limites budgétaires : Plafonds à l'échelle du système pour l'enfouissement ($B^{UG}$) et la gestion de la végétation ($B^{VM}$).
• Irréversibilité : Une fois qu'une ligne est enfouie, la décision ne peut être inversée.
• Exclusivité mutuelle : La gestion de la végétation ne s'applique qu'aux lignes aériennes ; les lignes enfouies ne nécessitent pas de gestion de la végétation.
• Logique de révision : Les contraintes garantissent que chaque ligne subit au plus une décision de révision, et que les décisions restent cohérentes entre les scénarios jusqu'au point de révision.

2.4. Calcul du délestage de charge

Pour quantifier les coûts de panne, le modèle résout un problème d'optimisation hors ligne distinct pour chaque panne de ligne potentielle. Celui-ci utilise le modèle DistFlow pour calculer le coût quotidien du délestage de charge ($C^{LS}$) basé sur les contraintes de flux de puissance, les limites de tension nodale et les capacités de rampe des microturbines.

3. Principales contributions

L'article présente trois contributions majeures :

1. Modèle multi-aléas intégré : Un modèle d'optimisation complet qui considère conjointement les vents violents et les séismes. Il rend explicitement compte des compromis où l'enfouissement atténue les risques liés au vent/végétation mais peut exposer les infrastructures à des risques sismiques, et vice versa.
2. Cadre de décision adaptatif : L'introduction d'une approche stochastique adaptative à deux étapes qui permet une révision unique des décisions d'enfouissement à long terme. Cela équilibre la flexibilité des modèles multi-étapes avec la praticité des approches à deux étapes, en s'adaptant aux évolutions des conditions de risque sans réversions fréquentes et coûteuses.
3. Optimisation des stratégies synergiques : L'intégration des stratégies à long terme (UG) et à court terme (VM). Le modèle démontre comment ces stratégies interagissent ; par exemple, l'enfouissement d'un segment élimine le besoin de gestion de la végétation sur ce segment, créant des synergies de coûts.

4. Résultats de simulation

Le cadre a été testé sur un système de distribution IEEE 22-bus à l'aide de MATLAB et Gurobi.

4.1. Décisions de renforcement optimales

• Sensibilité au budget : À mesure que le budget d'enfouissement augmente, le modèle sélectionne davantage de lignes, privilégiant celles ayant un impact élevé sur le délestage de charge et une forte vulnérabilité au vent, mais un faible risque sismique.
• Réduction des coûts : L'augmentation du budget d'enfouissement réduit considérablement les coûts totaux du système (valeur de l'objectif), car elle diminue les coûts de délestage et de réparation.
• Interaction des stratégies : À mesure que davantage de lignes sont enfouies, le budget requis pour la gestion de la végétation diminue, confirmant les économies de coûts synergiques.

4.2. Adaptatif vs Statique (ATS vs TS)

• Performance : L'approche adaptative à deux étapes (ATS) surpasse systématiquement le modèle standard à deux étapes (TS).
• Ampleur du gain : Les économies de coûts relatives ($G_{rel}$) de l'ATS par rapport au TS varient de 11,85 % à 17,83 %, selon le budget et la taille de l'arbre de scénarios.
• Conditions de valeur : L'avantage de l'ATS est plus marqué sous des budgets plus élevés et des arbres de scénarios plus larges (incertitude plus élevée). Dans des horizons de planification plus courts ou des scénarios de faible incertitude, la valeur de l'adaptation diminue.
• Pannes multiples : Dans les scénarios impliquant des pannes simultanées de plusieurs lignes, la flexibilité de l'ATS offre des bénéfices relatifs encore plus grands (amélioration allant jusqu'à 19,43 %), soulignant sa robustesse dans les scénarios de défaillance à fort impact.

4.3. Bénéfices multi-aléas et multi-stratégies

• Planification multi-aléas : La prise en compte des risques de vent et de séisme conduit à des sélections de lignes différentes et plus rentables que les modèles à aléa unique. Par exemple, les lignes présentant une forte vulnérabilité sismique sont évitées pour l'enfouissement, même si elles présentent des risques de vent élevés, évitant ainsi d'augmenter les coûts du cycle de vie. Cette approche a généré des économies de 53 à 59 % par rapport à une planification à aléa unique.
• Planification multi-stratégies : L'optimisation conjointe de l'UG et de la VM a permis des économies totales d'environ 9 millions de dollars (3,97 à 5,52 % par rapport aux stratégies de type UG uniquement) en atténuant les risques qu'une stratégie unique ne pouvait traiter.

4.4. Évolutivité et sensibilité

• Taille de l'arbre de scénarios : Augmenter le nombre de scénarios améliore la qualité de la solution mais augmente le temps de calcul de manière exponentielle. Les auteurs notent un point de rendement décroissant où les réductions marginales de coûts ne justifient plus l'augmentation massive du temps de calcul.
• Méthodes d'élagage : Les méthodes de réduction par l'arrière et de sélection par l'avant ont produit des stratégies optimales presque identiques, validant la robustesse de l'approche d'élagage.
• Taille du système : Le modèle reste calculable lorsqu'il est appliqué au système IEEE 69-bus, bien que le temps de calcul augmente avec la taille du système et l'hétérogénéité des lignes.

5. Signification et affirmations

L'article affirme que son cadre proposé offre une approche robuste et rentable pour la planification de la résilience du réseau à long terme. En dépassant les modèles statiques à aléa unique, le cadre permet aux services publics de :

• Prendre des décisions d'investissement éclairées tenant compte de l'interaction complexe d'aléas conflictuels (ex: vent vs séisme).
• Optimiser l'allocation du capital en tirant parti des synergies entre différentes stratégies de renforcement (enfouissement et gestion de la végétation).
• Renforcer l'adaptabilité en permettant aux décideurs de réviser leurs plans initiaux une fois, réduisant ainsi le risque d'investissements sous-optimaux face à l'évolution des incertitudes climatiques.

Les auteurs concluent que, bien que l'approche adaptative impose une charge de calcul plus élevée, les bénéfices financiers substantiels et l'amélioration de la résilience justifient l'effort, particulièrement pour la planification d'infrastructures à long terme où la flexibilité est cruciale. Ils notent également que le cadre est agnostique quant à la topologie pour la décision de renforcement, bien que le calcul du délestage suppose une structure radiale (avec des extensions possibles pour les réseaux maillés). Des travaux futurs sont suggérés pour explorer plus en profondeur l'interaction entre les attitudes face au risque et les vulnérabilités des actifs.