Gestion d'un micro-réseau électrique par des outils d’intelligence artificielle

Management of an electrical micro-grid by artificial intelligence

• Auteur / Autrice : Mohamed Kermia
• Direction : Jérôme Bosche, Dhaker Abbes
• Type : Projet de thèse
• Discipline(s) : Sciences pour l'Ingénieur Génie Electrique
• Date : Inscription en doctorat le ; Soutenance le 28/06/2023
• Etablissement(s) : Amiens
• Ecole(s) doctorale(s) : École doctorale Sciences, technologie et santé (Amiens)
• Partenaire(s) de recherche : Laboratoire : Modélisation, Information et Systèmes (Amiens ; 2008-....)
• Jury : Président / Présidente : Fabrice Locment
• Jury : Examinateurs / Examinatrices : Jérome Bosche, Sébastien Cauet, Dimitri Lefebvre, Christophe Saudemont, Dhaker Abbes
• Jury : Rapporteurs / Rapporteuses : Sébastien Cauet, Dimitri Lefebvre

Mots clés

Mots clés libres

Intelligence artificielle.

Micro-réseaux

Énergie renouvelable

Véhicules électriques

Gestion de l’énergie

Énergie solaire photovoltaïque

Artificial intelligence

Microgrids

Renewable energy

Electric vehicle

Energy management

Energy management

Résumé

Cette thèse se concentre sur l’utilisation de l’intelligence artificielle pour optimiser la gestion des micro-réseaux alimentés par des énergies renouvelables, en particulier pour la recharge des véhicules électriques. L’étude souligne l’importance de l’énergie solaire photovoltaïque pour réduire les émissions de gaz à effet de serre et optimiser l’utilisation des énergies renouvelables. Un algorithme de gestion de l’énergie électrique en temps réel a été développé pour améliorer la recharge des véhicules électriques en anticipant les périodes de faible production d’énergie. Le démonstrateur micro-réseau de l’Université Catholique de Lille nous a offert une opportunité unique d’utiliser ces données pour valider l’algorithme de gestion. En explorant les modes de recharge intelligents, cette recherche vise à contribuer à une meilleure compréhension des enjeux liés à la recharge des véhicules électriques et influencer les politiques et réglementations pour promouvoir leur utilisation.

This thesis focuses on the use of artificial intelligence to optimize the management of microgrids powered by renewable energy sources, particularly for the charging of electric vehicles. The study highlights the importance of photovoltaic solar energy for reducing greenhouse gas emissions and optimizing the use of renewable energy. A real-time electric energy management algorithm has been developed to improve electric vehicle charging by anticipating periods of low energy production. The microgrid demonstrator at the Catholic University of Lille provided us with a unique opportunity to use this data to validate the management algorithm. By exploring intelligent charging modes, this research aims to contribute to a better understanding of the challenges related to electric vehicle charging and influence policies and regulations to promote their use.