Méthodologie pour la planification des réseaux de distribution à long terme

La transition énergétique oblige les gestionnaires de réseaux de distribution (GRD) à repenser leurs méthodes de planification des réseaux électriques à long terme. Pendant des décennies, la planification reposait sur une logique empirique et conservative. Cette dernière entraînait un surdimensionnement des câbles et des transformateurs sans pour autant intégrer systématiquement l’ensemble des contraintes opérationnelles et techniques du réseau. Cette approche est aujourd’hui dépassée. En effet, les réseaux ne font plus face à des consommateurs passifs et prévisibles, mais à des systèmes actifs, variables et bidirectionnels. Cette évolution est principalement alimentée par le déploiement de la production photovoltaïque décentralisée, la multiplication du nombre de bornes de recharge pour véhicules électriques et l’électrification des systèmes de chauffage via les pompes à chaleur.

De leur côté, les approches académiques classiques utilisées pour la planification des réseaux électriques proposent des formulations sophistiquées basées sur des modèles d’optimisation multiniveaux et la gestion des incertitudes. Néanmoins, celles-ci sont rarement testées sur des réseaux de distribution réels et leur applicabilité pratique demeure limitée.

Le projet Dig-A-Plan, financé par l’Office fédéral de l’énergie (OFEN), répond directement à ce décalage. Il propose une méthodologie intégrée de planification à long terme, ancrée dans une approche de numérisation commune et articulée autour de trois axes: la modélisation des consommateurs, la flexibilité de la consommation et son impact sur le réseau physique, et l’optimisation des investissements. La structure globale de la méthodologie, découpée en axes et modules spécifiques, est illustrée dans la figure 1. Chacun de ces modules sera détaillé dans la suite de l’article.

Numérisation et défis de la modélisation

Une planification moderne repose avant tout sur une infrastructure numérique consistante. En effet, les données issues des systèmes d’information géographique (GIS), des systèmes de supervision (Scada) et des compteurs intelligents forment la matière première de toute analyse fine des flux de puissance. Cependant, ces sources restent souvent cloisonnées dans des systèmes hétérogènes. Leur exploitation conjointe reste difficile en raison d’obstacles techniques et réglementaires, notamment la loi sur la protection des données (LPD), qui restreint l’accès aux données de consommation et leur croisement. Afin de répondre à cette problématique, des techniques d’anonymisation et d’agrégation ont été utilisées. Elles permettent, entre autres, de concilier une modélisation détaillée avec les exigences légales.

Le choix de la résolution temporelle et spatiale constitue également un enjeu central. Les approches classiques s’appuient généralement sur des profils de consommation types. Or, pour bien capter les effets de simultanéité entre les consommateurs et les installations de production distribuées, une résolution temporelle de 15 min sur l’ensemble de l’année et pour chaque nœud du réseau est nécessaire.

Construction des profils de consommation

Sur la base des données récoltées à l’échelle du bâtiment, le premier axe consiste à reconstruire les profils de consommation au quart d’heure. Pour ce faire, cette approche doit prendre en compte l’intégralité des systèmes électrifiés (panneaux photovoltaïques, pompes à chaleur, véhicules électriques et appareils électroménagers).

Le potentiel de production photovoltaïque est calculé à partir de l’irradiation solaire, en tenant compte de la surface de toiture disponible, inclinaison et orientation comprises. La consommation des pompes à chaleur est estimée à partir de données météorologiques, de courbes de chauffe linéarisées et de coefficients de performance. Les profils de recharge des véhicules électriques sont dérivés d’enquêtes nationales sur la mobilité [1], et distribués spatialement selon les données suisses d’immatriculation. La part des appareils électroménagers est obtenue en soustrayant des courbes de charge de consommation normale les contributions connues des pompes à chaleur et des véhicules électriques pour différents profils de consommateurs.

Pour donner suite à cette première caractérisation, un profil individuel de consommation doit être attribué à chaque bâtiment. À cet effet, un modèle d’optimisation en deux étapes est utilisé. Lors de la première étape, le profil le plus représentatif de chaque bâtiment est sélectionné au sein d’une base de données de plusieurs milliers de courbes anonymisées. Cette sélection s’appuie sur des données publiques issues du Registre fédéral des bâtiments et logements (RegBL). La seconde étape consiste à ajuster les profils pour qu’une fois agrégés, ils correspondent aux mesures réelles enregistrées par le GRD au niveau des transformateurs.

Les projections à l’horizon 2050 sur un réseau urbain dense révèlent une transformation structurelle des flux de puissance (figure 2). En période hivernale, la demande sera dominée par les pompes à chaleur, dont la contribution énergétique annuelle dépasse largement celle des véhicules électriques dans les zones urbaines denses. En période estivale, le pic de production photovoltaïque pourra être jusqu’à deux fois supérieur à la consommation locale. Ce phénomène générera des flux de puissance inversés – des consommateurs vers le réseau de moyenne tension – et entraînera des risques de surtension sur le réseau basse tension.

Flexibilité de la consommation et impact des structures tarifaires

Le deuxième axe analyse la manière dont les consommateurs activent leur flexibilité face aux signaux tarifaires, ainsi que l’impact de ces comportements sur le réseau de distribution. Afin de minimaliser la dépense totale de chaque bâtiment (investissements annualisés et coûts d’exploitation compris sur une période de 25 ans), une optimisation économique est réalisée pour chacun d’entre eux. Les variables de décision portent sur la taille des futurs panneaux solaires et des batteries installées, ainsi que sur la stratégie de recharge des batteries et des véhicules électriques (VE). Trois trajectoires de développement sont considérées comme scénarios probables:

• un scénario de référence: niveaux actuels de charge avec intégration limitée des ressources décentralisées;
• un scénario de transition durable: croissance modérée de la demande et déploiement partiel du photovoltaïque (PV), des bornes de recharge pour véhicules électriques et des pompes à chaleur;
• et un scénario de forte électrification: électrification à grande échelle et forte intégration des énergies renouvelables, avec des comportements variés des prosommateurs.

Finalement, pour chaque scénario, trois structures tarifaires suisses actuelles ont été comparées: «un tarif unique», «un tarif double» (heures pleines et heures creuses) et «un tarif combiné» incluant une composante de puissance mensuelle.

Les résultats indiquent que le choix tarifaire exerce une influence négligeable sur l’autoconsommation annuelle des bâtiments. En revanche, il impacte significativement les pics de puissance. En effet, le tarif double produit un effet indésirable bien documenté (figure 3). En incitant les consommateurs à charger leurs batteries pendant les heures creuses, il provoque une réponse synchronisée qui amplifie considérablement la demande simultanée au niveau du réseau. Ce phénomène, déjà observé dans des réseaux allemands [2] et suédois [3], se traduit par une demande par bâtiment nettement plus élevée que celle observée avec un tarif unique. L’introduction d’une composante de puissance dans le tarif réduit cet effet grâce à la facturation mensuelle de la puissance maximale soutirée, sans l’éliminer totalement.

Planification stochastique et optimisation des investissements pour le réseau de distribution

Le troisième axe porte sur la planification à long terme du réseau physique en tenant compte des incertitudes sur les scénarios des développements mentionnés au paragraphe précédent. L’incertitude réside dans le fait que la taille et l’emplacement des technologies installées par les consommateurs privés ne suivront pas nécessairement les trajectoires définies par ces scénarios.

Concrètement, une architecture d’optimisation à deux niveaux a été développée. Le premier niveau optimise les décisions de renforcement du réseau en gérant des incertitudes à long terme relatives au rythme d’adoption des nouvelles technologies. Pour ce faire, un modèle d’optimisation basé sur la technique SDPP (Stochastic Dual Dynamic Programming) [4] a été développé. Celui-ci permet d’optimiser les prises de décision sur plusieurs périodes (tous les cinq ans, par exemple) et pour divers scénarios. Le deuxième niveau gère les incertitudes à court terme, liées notamment à la météo, aux variations saisonnières et aux comportements des consommateurs. Ce dernier optimise la flexibilité opérationnelle du réseau à court et moyen terme en jouant sur la topologie de réseaux (les états des interrupteurs, ouverts ou fermés) ainsi que sur la position des gradins des transformateurs réglables. Il doit également garantir le respect des contraintes physiques du réseau, notamment les limites de tension et de courant [5].

Les résultats montrent que les changements de topologie apportent des gains substantiels dans les réseaux fortement maillés – par exemple dans les zones urbaines –, mais restent sans effet dans les réseaux à topologie essentiellement radiale. La figure 4 présente un changement optimal de la topologie de réseaux, avec les résultats d’analyse des flux de puissance (tension des nœuds et charge des câbles et des transformateurs): cet exemple illustre la réduction du niveau de charge et des pertes du réseau dans un contexte urbain.

L’ensemble des modèles d’optimisation et des algorithmes de solution est disponible en libre accès ici.

Validations et perspectives

Entre autres cas d’études, la méthodologie du projet Dig-A-Plan a été appliquée à un réseau urbain dense de la région lémanique, comprenant plus d’un millier de nœuds de moyenne et basse tension, plusieurs centaines de charges et une trentaine de transformateurs de distribution. L’analyse de ce réseau démontre qu’une planification prévisionnelle basée sur la SDDP réduit les besoins d’investissement de 10% à 50% selon les scénarios. Cette approche s’avère bien plus avantageuse qu’une stratégie réactive, qui déploie les renforcements uniquement après l’apparition de congestions ou de violations des contraintes d’exploitation. Les résultats indiquent également que la production solaire et l’électrification des systèmes de chauffage constituent, à l’horizon 2050, le principal facteur de contraintes sur les réseaux urbains denses, devant l’électromobilité.

En conclusion, pour une planification efficace des réseaux de distribution à long terme, il est essentiel d’intégrer l’évolution des profils des consommateurs, mais également tous les potentiels de flexibilité disponibles. Cette approche permet de gérer efficacement toutes les contraintes d’exploitation, tout en constituant une solution plus économique que les approches classiques et conservatrices. Ces résultats sont rendus possibles grâce à une méthodologie fondée sur des données réalistes et cohérentes, ainsi que sur une modélisation explicite des incertitudes et contraintes physiques du réseau.