Contribution of Vehicle-to-Grid (V2G) to the energy management of the Electric Vehicles fleet on the distribution network. Contribution du Vehicle-to-Grid (V2G) à la gestion énergétique d’un parc de Véhicules Électriques sur le réseau de distribution

Archive ouverte : Thèse

Sarabi, Siyamak

Edité par HAL CCSD

The power and energy density increment of the electrical storage system (ESS) of electric vehicles/Plug-in hybrid electric vehicles (EVs/PHEVs), while maintaining reasonable costs for the user, and the development of converters of electrical energy to high power density and more and more powerful, will encourage the mass production of electrified vehicles. Beyond, electric vehicles (EVs/PHEVs) require a connection to the grid for the charging of the batteries. The insertion of these new loads in the grid will then present several issues and significant impacts for electrical networks since they must respond locally to non-negligible power requests. This PhD thesis aims to study and reduce the impacts of the EVs/PHEVs on the distribution grid thanks to the vehicle-to-Grid (V2G) technology. The electric vehicle supplies the grid depending on the needs of the electrical system (bi-directional model) and offers a flexible service. These works of research have aimed to deepen the concepts in which the supply of electric vehicles (EV) and/or hybrids of type PHEV is integrated with the management of the distribution network and the future "energy hubs". The objective of the thesis is at first to examine the possible ancillary services provided by V2G, then to design a system of supervision which will ensure an energy management of these new loads by choosing the adequate mode of charge/discharge and also taking into consideration the request of local consumption and the presence of renewable production of type photovoltaic and wind in the distribution grid. This supervision will be in a first step "offline" and subsequently "online". The methods which are used in this thesis are as follows; artificial intelligence such as machine learning and fuzzy logic, the predictive control as well as the methods of hybrids optimization (stochastic and deterministic). . L'augmentation des densités de puissance et d'énergie des SSE (système de stockage électrique) des véhicules électriques/véhicules hybrides rechargeable (VEs/VHRs), tout en conservant des coûts raisonnables pour l'utilisateur, et le développement de convertisseurs d'énergie électrique à haute densité de puissance volumique, et de plus en plus performant vont favoriser la production en masse de véhicules électrifiés. Une partie de ces véhicules électriques (VEs/VHRs) nécessitent une connexion au réseau pour la recharge des batteries. L’insertion de ces nouvelles charges dans le réseau présentera alors plusieurs enjeux et impacts significatifs pour les réseaux électriques puisqu’ils doivent répondre localement à des demandes de puissance non négligeables. Ce projet de thèse vise à étudier et réduire les impacts des VEs/VHRs sur les réseaux de distribution grâce à la technologie Vehicle-to-Grid (V2G). Le véhicule électrique alimente le réseau en fonction des besoins du système électrique (modèle bidirectionnel) et lui offre un service de flexibilité. Ces travaux de recherche ont pour but d'approfondir les concepts dans lequel l’alimentation des véhicules électriques (VE) et/ou hybrides de type P-VEH est intégrée à la gestion du réseau de distribution et des « hubs énergétiques » du futur. L’objectif de la thèse est d’abord étudier les service systèmes possible à fournir grâce à V2G, ensuite de concevoir un système de supervision qui assurera une gestion énergétique de ces nouvelles charges en choisissant le mode de recharge et/ou décharge adéquat et en prenant également en considération la demande de consommation locale et la présence de production de type renouvelable (photovoltaïque, éolien) dans le réseau de distribution. Cette supervision se fera dans un premier temps « en hors ligne » et par la suite « en ligne ». On aura recours à l’utilisation de méthodes d’intelligence artificielle comme l’apprentissage automatique (Machine Learning) et la logique floue, la commande prédictive ainsi que des méthodes d’optimisation hybrides (stochastiques et déterministes).

• Contient
• Sujet
• Description
• Oeuvre