Le dispatching économique

Abstract

Ce memoire traite de l foptimisation du dispatching economique dans les reseaux electriques, en particulier a travers l fintegration des pertes techniques et l futilisation des algorithmes genetiques (AG). Face aux enjeux croissants lies a la gestion efficace de l fenergie electrique, le travail propose une approche innovante basee sur les metaheuristiques, mise en oeuvre a l faide du langage Python et de la bibliotheque Pymoo. Deux reseaux standards ont ete etudies : IEEE 30 noeuds et IEEE 59 noeuds. Pour chacun, plusieurs simulations ont ete realisees afin de comparer les couts totaux avec et sans prise en compte des pertes, en fonction d fun facteur de ponderation ƒ¿. Les resultats ont mis en evidence l fimportance strategique d fintegrer les pertes dans les modeles economiques, notamment dans les regimes intermediaires ou leur impact est maximal. Le modele developpe demontre egalement la performance des AG dans la resolution de problemes multi-objectifs complexes, avec des resultats precis, fiables et adaptes aux contraintes des reseaux modernes. Ce travail ouvre la voie a de futures extensions vers des reseaux plus vastes et integrants des energies renouvelables ou des contraintes en temps reel. This thesis addresses the optimization of economic dispatch in electrical networks, particularly through the integration of technical losses and the use of genetic algorithms (GA). In response to the growing challenges related to efficient energy management, the work proposes an innovative approach based on metaheuristics, implemented using the Python language and the Pymoo library. Two standard networks were studied: IEEE 30-bus and IEEE 59-bus. For each, several simulations were conducted to compare total costs with and without considering losses, depending on a weighting factor á. The results highlighted the strategic importance of integrating losses into economic models, especially in intermediate regimes where their impact is greatest. The developed model also demonstrates the performance of GAs in solving complex multi-objective problems, delivering accurate, reliable results adapted to the constraints of modern networks. This work paves the way for future extensions to larger networks incorporating renewable energy or real-time constraints