IRPopt (Planification et optimisation des ressources intégrées)

Le cadre de modélisation IRPopt (Integrated Resource Planning and optimization), principalement développé par Scheller(Fabian Scheller, 2018) à l'Institut de gestion des infrastructures et des ressources de l'Université de Leipzig, est un cadre de modélisation de programmation linéaire en nombres entiers mixtes pour la répartition économique avec la maximisation du profit comme objectif principal. IRPopt est implémenté sur la plateforme d'infrastructure de modélisation IRPsim(Reichelt, Kühne, Scheller, Abitz, & Johanning, 2021) et les deux sont des sources ouvertes sous licence GPLv3(Fabian ; Scheller & Reichelt, 2022).

IRPopt est un modèle de système énergétique municipal dynamique, déterministe et discret avec une granularité temporelle ajustable et un horizon d'optimisation glissant. Son modèle mathématique est écrit en GAMS et il utilise le solveur CPLEX d'IBM.
Avec ce cadre, les modèles de systèmes énergétiques peuvent être construits à partir d'un large portefeuille de composants technologiques de consommation, de stockage, de production et de distribution et de vecteurs énergétiques tels que l'électricité, la chaleur, l'hydrogène et plusieurs combustibles fossiles. Outre le flux d'énergie entre les composants, le flux monétaire entre les agents tels que les différents fournisseurs, distributeurs, consommateurs ou régulateurs peut être modélisé. La fonction objective maximise le profit. Une contrainte majeure est que la demande (par exemple, l'électricité) doit être couverte à chaque étape du temps si aucun transfert de charge côté consommateur n'est autorisé. Si le report de charge côté consommateur est autorisé, la demande doit être couverte sur des périodes de report de charge temporelles réglables. Les paramètres de transfert de charge permettent de transférer 0 à 100% de la charge dans la période de transfert de charge spécifiée et sont ajustables.
IRPopt a déjà été appliqué dans le passé pour répondre à un plus large éventail de questions de recherche, par exemple, le potentiel de la réponse à la demande résidentielle par le biais de tarifs d'électricité variables(Fabian Scheller, Krone, Kühne, & Bruckner, 2018) ou la concurrence entre les options de flexibilité simultanées du côté de la demande dans le cas de systèmes de stockage d'électricité communautaires(Fabian Scheller, Burkhardt, Schwarzeit, McKenna, & Bruckner, 2020), voir également le chapitre suivant avec les cas d'utilisation d'IRPopt.

Les principaux avantages d'IRPopt par rapport à de nombreux autres modèles sont la modularité, la granularité temporelle et l'horizon d'optimisation glissant. La modularité permet de construire efficacement des modèles à partir d'un large portefeuille de composants technologiques sur des chaînes de valeur entières. La granularité temporelle peut être librement ajustée, par exemple à une résolution ¼ d'heure. L'horizon d'optimisation d'un an, incluant un horizon glissant ajustable, couvre les effets saisonniers tout en gardant une prévision parfaite limitée. Une description plus détaillée du modèle peut être trouvée dans le matériel supplémentaire de cet article et dans(Fabian Scheller, 2018).

La figure 1 visualise conceptuellement l'intégration du modèle et le flux de données d'entrée/sortie d'IRPopt, y compris le flux de données d'entrée d'un autre modèle MICOES-Europe. La spécification des données d'entrée pour différents scénarios et pour l'analyse de sensibilité est présentée dans une section suivante. MICOES-Europe utilise les principaux paramètres d'entrée - demande d'électricité spécifique au pays, parc de centrales électriques, prix des combustibles et du CO2 et production d'électricité renouvelable - pour modéliser les prix spot de l'électricité et les intensités d'émission de CO2 à un jour près. Ces données sont introduites dans IRPopt. D'autres données proviennent d'une base de données technico-économiques créée qui comprend des données empiriques et documentaires, par exemple le profil de la demande en chlore ou les spécifications de l'électrolyseur du CAE. Les données d'entrée sont alimentées par un front-end basé sur le web vers le back-end où les données sont prétraitées avant d'être envoyées au modèle GAMS qui utilise le solveur CPLEX d'IBM. Les données de sortie brutes qui en résultent au format GDX contiennent plus de 100 variables et plus de 1000 paramètres, la plupart d'entre eux étant distribués sur des ensembles dépendant de la granularité temporelle, dans ce travail, soit horaire ou quart d'heure (8760 ou 35040 pas). Un outil d'exportation de données amélioré est utilisé en amont et en aval pour exporter les éléments de données de sortie pertinents à partir des fichiers GDX bruts. Les données de sortie pertinentes sont ensuite évaluées, par exemple, en calculant les différences relatives entre les scénarios ou la sensibilité des résultats. Les principaux indicateurs de performance dans ce travail sont les coûts de l'électricité et les émissions de CO2, qui sont comparés sur différents scénarios ou cas de sensibilité et donnent lieu à des économies potentielles grâce au déplacement de la charge.

Le processus de modélisation des différents portefeuilles est accéléré dans IRPopt par une fonctionnalité d'attraction en ce qui concerne les configurations de base des options technologiques. Ainsi, l'unité de stratégie obtient un accès efficace aux spécifications techniques des installations de production existantes ou prévues de la compagnie d'électricité, fréquemment mises à jour par l'unité d'ingénierie. Dans un cas d'utilisation exemplaire, la marge brute de la vente de chaleur et d'électricité au client est l'un des principaux indicateurs de performance. En conséquence, les portefeuilles sont tracés par rapport à l'impact économique et environnemental. Ainsi, le décideur est en mesure de trouver un compromis entre les deux facteurs. Les dépenses en capital des portefeuilles peuvent être évaluées comme une dimension supplémentaire. En ce qui concerne la grande complexité de la prise de décision stratégique, le cas d'utilisation montre que IRPopt permet l'évaluation quantitative d'une large gamme d'incertitudes combinée à une représentation significative des résultats.