Microgrid agent-based modelling and optimization under uncertainty

par Elizaveta Kusnetsova

Thèse de doctorat en Eco-innovation

Sous la direction de Enrico Zio.

Soutenue en 2014

à Versailles-St Quentin en Yvelines .

  • Titre traduit

    Modélisation et optimisation de micro réseaux sous incertitude avec une approche orientée agent


  • Résumé

    This thesis concerns the energy management of electricity microgrids. The scientific contribution follows two directions: (i) modelling individual intelligence in energy management under uncertainty and (ii) microgrid energy management integrating diverse actors with conflicting objectives. Agent-Based Modelling (ABM) is used to describe the dynamics of microgrid actors operating under limited access to information, and operational and environmental uncertainties. The approaches considered to model individual intelligence in this thesis, Reinforcement Learning and Robust Optimization, provide each agent with the capability of making decision, adapting to the stochastic environment and interacting with other agents. The modelling frameworks developed have been tested on urban microgrids integrating different energy consumers, sources of renewable energy and storage facilities, for optimal energy management in terms of reliability and economic indicators under operational and environmental uncertainty, and components failures.


  • Résumé

    Le travail de recherche est axé sur la gestion de l'énergie dans les micro réseaux électriques. La contribution scientifique est ici basée sur: (i) des approches de modélisation d'intelligence individuelle pour la gestion d'énergie sous incertitudes et (ii) la gestion de l'énergie dans un micro réseau intégrant différents acteurs avec des objectifs conflictuels. Les acteurs de micro réseaux, opérant sous un accès limité aux informations et en présence d'incertitudes opérationnelles et environnementales, sont modélisés par une approche orientée agent (Agent-Based Modelling). Les approches considérées pour la modélisation de l'intelligence individuelle dans cette thèse, i. E. L'apprentissage par renforcement (Reinforcement Learning) et l'optimisation robuste (Robust Optimization), attribuent à chaque agent des capacités de prise de décision,d'adaptation à leur environnement stochastique et d'interactions avec d'autres agents. Les méthodes de modélisation développées ont été testées sur des micro réseaux urbains impliquant différents consommateurs d'énergie, des sources d'énergie renouvelable et des moyens de stockage, afin d'optimiser la gestion de l'énergie en termes de fiabilité et des aspects économiques, sous incertitudes opérationnelle, environnementale et de défaillances des composants.

Consulter en bibliothèque

La version de soutenance existe sous forme papier

Informations

  • Détails : 1 vol.(pagination multiple)
  • Annexes : Bibliogr.p.[73]-80. Notes bibliogr.

Où se trouve cette thèse\u00a0?

  • Bibliothèque : Université de Versailles-Saint-Quentin-en-Yvelines. Service Commun de la Documentation. Bibliothèque universitaire pluridisciplinaire de Saint-Quentin-en-Yvelines.
  • Disponible pour le PEB

Cette version existe également sous forme de microfiche :

  • Bibliothèque : Université de Lille. Service commun de la documentation. Bibliothèque universitaire de Sciences Humaines et Sociales.
  • Non disponible pour le PEB
  • Cote : 2014VERS005S
  • Bibliothèque : Université Paris-Est Créteil Val de Marne. Service commun de la documentation. Section multidisciplinaire.
  • PEB soumis à condition
Voir dans le Sudoc, catalogue collectif des bibliothèques de l'enseignement supérieur et de la recherche.