Thèse ou mémoire avec insertion d'articles / L'intégration à grande échelle d'actionneurs électroniques dispersés a rendu le système d'alimentation plus difficile à observer, à identifier et contrôler. Cette thèse introduit une nouvelle méthodologie axée sur les données pour les le contrôle des systèmes d'alimentation enrichis en ressources énergétiques distribuées (RED) afin d'améliorer le potentiel du système à héberger un grand nombre de RED tout en préservant le comportement dynamique du réseau. Notre approche incorpore des données historiquement enregistrées pour obtenir des modèles de prédiction distribués qui manifestent le comportement dynamique réel. La méthode proposée est décentralisée dans les phases d'apprentissage et de contrôle. Le schéma de conception n'utilise que les mesures locales de l'actionneur d'intérêt dans la phase d'apprentissage et reçoit les signaux de retour localement dans la phase de contrôle sans hébergement d'états supplémentaires provenant du reste du réseau, donc aucun problème d'extensibilité n'est posé. Dans la première étape, les modèles obtenus sont utilisés pour construire un module de contrôle par modèle prédictif (MPC) distribué et centré sur les données qui génère des signaux auxiliaires pour l'amortissement des oscillations et par les RED. La conception proposée module les injections de puissance active et réactive des onduleurs RED afin de réduire les oscillations pendant les conditions de perturbation. Le processus d'apprentissage est basé sur la théorie des opérateurs de Koopman où le sous-système inconnu est reconstruit projetant sa dynamique dans un espace linéaire de grande dimension, afin d'approximer le système non linéaire avec une trajectoire d'état approximativement linéaire. Dans la deuxième étape, nous considérons une contribution collective de grands groupes de charges contrôlables qui modulent leur puissance agrégée de manière à réguler la fréquence primaire. Le modèle de Koopman est à nouveau développé de la même manière pour traiter les variations locales de fréquence causées par diverses perturbations à chaque bus de charge, en considérant des modèles de charges incertains. Le schéma de contrôle est adapté à un grand nombre de charges contrôlables, sans ajustement manuel du modèle. Les tests montrent une amélioration des performances de régulation de la fréquence par rapport au contrôle par la génération ou à gain proportionnel, ainsi qu'une diminution de la dépendance au déploiement de la génération de réserve de secours lorsque le contrôle par la demande est activé. L'approche permet d'améliorer les performances avec un nombre minimal de charges contrôlables. En outre, un plus grand nombre de charges non sensibles à la fréquence peuvent être en réserve pour des scénarios inattendus, ce qui ne compromet pas la qualité des services. Dans la dernière étape, nous utilisons des réseaux de distribution actifs (ADN) pour la régulation de fréquence primaire, en considérant ensemble plusieurs petites unités contrôlables (charges intelligentes et RED) de sorte que leur impact (collectivement) soit significatif. Notre approche consiste à traiter chaque unité contrôlable comme un petit contributeur à la fréquence primaire. La commande prédictive par modèle de Koopman est conçue pour traiter les variations locales de fréquence au point de couplage commun (PCC), en supposant un modèle incertain du système associé à chaque unité. Le schéma est entièrement décentralisé et adapté à un grand nombre de charges flexibles et de REDs, sans ajustement manuel du modèle. Il est démontré que l'activation de la fonctionnalité de contrôle du côté de la demande fournit une meilleure performance de fréquence avec les REDs, avec une utilisation moindre de la réserve de puissance disponible dans celles-ci. / Large scale integration of dispersed generation units has made the power system more difficult to observe, identify and control. This dissertation provides a novel data-driven methodology for power systems enriched with distributed energy resources (DERs) to enhance the system's potential to host huge number of DERs while preserving network dynamic behavior. Our approach incorporates historically recorded data to obtain distributed prediction models that manifest the actual dynamic behavior. The proposed method is decentralized in both learning and control phases. The design scheme utilizes only the local measurements of the controllable unit of interest in the learning phase and receives the feedback signals locally in the control phase with no extra states hosted from the rest of the grid, thus no scalability issues are posed. In the first stage, the obtained models are used to construct a distributed data-centric model predictive control (MPC) modules that generate auxiliary signals for oscillation damping and the DERs. The proposed design controls the active and reactive power injections of the DER inverters to reduce the oscillations during disturbance conditions. The learning process is based on Koopman operator theory where the unknown subsystem is reconstructed by lifting its dynamics to a linear space with an approximate linear state evolution. In the second stage, we consider a collective contribution of large clusters of controllable loads which modulate their aggregate demand power to regulate the primary frequency. Koopman model is again developed by the same manner to handle local frequency variations caused by various disturbances at each load bus, considering uncertain loads models. The control scheme is suited for a large-scale number of controllable loads, with no manual model adjustments. The tests show an improved frequency regulation performance compared to generation-side and a decreased reliance on standby reserve generation deployment when demand-side control is enabled. The approach can raise the performance with the minimum number of loads. Furthermore, more non-spinning frequency-responsive loads can be on standby for unexpected scenarios, thus no jeopardy to the quality of the services might occur. In the last stage, we utilize active distribution networks (ADNs) for primary frequency regulation, considering several small controllable units (smart loads and DERs) such that their impact (collectively) is significant. Our approach focuses on treating each controllable unit as a small contributor to the primary frequency. Koopman model predictive control is designed to handle local frequency variations at the point of common coupling (PCC), assuming an uncertain system model associated with each unit. The scheme is fully decentralized and suited for a large-scale number of flexible loads and DERs, with no manual model adjustments. It is shown that enabling the demand-side control functionality provides a better performance along with the DER, whilst keeping less usage of the DER surplus power reserve.
| Identifer | oai:union.ndltd.org:LAVAL/oai:corpus.ulaval.ca:20.500.11794/121724 |
| Date | 28 July 2023 |
| Creators | Husham, Ahmed |
| Contributors | Kamwa, Innocent |
| Source Sets | Université Laval |
| Language | English |
| Detected Language | French |
| Type | COAR1_1::Texte::Thèse::Thèse de doctorat |
| Format | 1 ressource en ligne (xix, 133 pages), application/pdf |
| Rights | http://purl.org/coar/access_right/c_abf2 |
Page generated in 0.0032 seconds