Méthodes de partage de données en respectant les contraintes de confidentialité et de vie privé pour l'optimisation dessystèmes énergétiques multi-acteurs

Privacy and confidentiality preserving data sharing methods for the optimisation of multi-actor energy systems

• Auteur / Autrice : Lukas Stippel
• Direction : Georges Kariniotakis, Simon Camal
• Type : Projet de thèse
• Discipline(s) : Energétique et génie des procédés
• Date : Inscription en doctorat le 01/09/2022
• Etablissement(s) : Université Paris sciences et lettres
• Ecole(s) doctorale(s) : Ecole doctorale Ingénierie des Systèmes, Matériaux, Mécanique, Énergétique (Paris)
• Partenaire(s) de recherche : Laboratoire : Energétique et Procédés
• Partenaire(s) de recherche : Equipe de recherche : PERSEE - Centre Procédés, Energies Renouvelables, Systèmes Energétiques
• Partenaire(s) de recherche : établissement opérateur d'inscription : Mines Paris-PSL

Mots clés

Mots clés libres

Intelligence artificielle

Optimisation

Énergies renouvelables

Science de données

Partage de données

Apprentissage fédéré

Artificial intelligence

Optimisation

Renewable energies

Data science

Data sharing

Federated learning

Résumé

Les systèmes d'alimentation électrique vont changer radicalement au cours des prochaines décennies, les sources d'énergie propres et la sensibilisation à l'environnement gagnant en impact et en importance. La principale raison en est le changement climatique, qui stimule les politiques de transition énergétique. En outre, avec l'évolution des systèmes électriques tels que les micro-réseaux, les communautés énergétiques et les systèmes de charge des voitures électriques, les systèmes optimisés deviennent de plus en plus importants. En plus, la quantité de données disponibles a considérablement augmenté grâce aux compteurs intelligents et la numérisation croissante nous offre des opportunités telles que l'utilisation des réseaux neuronaux récurrents pour la prévision des séries chronologiques de données de production d'énergie. La richesse des données disponibles peut contribuer à améliorer les prévisions et à optimiser les différents processus et tâches du système électrique (par exemple, la prévision de la production des sources d'énergie renouvelables , la demande d'électricité, l'optimisation de la programmation des systèmes électriques, etc.) Dans le nouveau paradigme, cependant, les données sont la propriété des différents acteurs (c'est-à-dire les sources d'énergie renouvelables, les opérateurs, les gestionnaires de bornes de recharge, etc.) et ne sont pas nécessairement partagées pour pouvoir être facilement prises en compte dans les différents modèles de prévision et d'échange. Pour rendre ces données privées et non-cryptées partageables, de nouveaux algorithmes et protocoles sont nécessaires pour assurer le cryptage sans perte d'information pour les problèmes d'optimisation. Ce sujet nécessite une approche interdisciplinaire et intersectorielle. Au cours de mon projet de doctorat, j'ai pour objectif de développer de nouveaux algorithmes supportés par l'IA et respectant la protection de données privées, ainsi que de nouvelles méthodes d'optimisation utilisant l'apprentissage accumulé. Une application consiste à utiliser la programmation stochastique, par exemple pour concevoir des programmes de chargement des voitures électriques de manière optimale afin d'éviter la surcharge du réseau électrique due à des chargements simultanés, tout en partageant des informations significatives sur l'utilisation de la voiture. Ces informations pourraient être soumises à des contraintes de confidentialité. Les données seraient collectées par le biais de compteurs intelligents et, moyennant un cryptage approprié, utilisées pour former des modèles et prédire la demande d'électricité pour la charge ainsi que la durée de celle-ci. Pour comprendre ces mécanismes et les développer, il faut résoudre les problèmes mathématiques, notamment montrer la convergence et la stabilité des algorithmes respectifs ainsi que leur efficacité, et s'assurer que le système respecte la vie privée. Pour cette dernière partie, des méthodes comme les matrices éparses se sont avérées bien adaptées en raison de leur stockage efficace de données. Par ailleurs, les méthodes de conditionnement qui réduisent les matrices, par exemple en matrices triangulaires inférieures, promettent d'être encore plus efficacies dans le but de la thèse de doctorat.

The electric power systems will drastically change in the next decades, with clean energy sources and environmental awareness gaining more impact and importance. The main reason for this is climate change, which stimulates policies for an energy transition. Furthermore, with the change in electrical systems such as microgrids, energy communities and charging systems for electrical cars for example, optimised systems become even more important. Additionally, the amount of data available has increased significantly due to smart-meters and the ever-increasing digitalisation gives us opportunities such as the usage of Recurrent Neural Networks for time series forecasting of energy production data for example. The wealth of available data can contribute to better forecasts and optimise the different power system processes and tasks (e.g. forecasting renewable energy sources production, electricity demand, optimise scheduling of power systems etc.). In the new paradigm however, the data are owned by the different actors (i.e. renewable energy sources, operators, charging station managers etc.) and are not necessarily shared so that they can be easily considered in the various forecasting and trading models. To make such private, unencrypted data sharable, new algorithms and protocols are required to ensure encryption without loss of information for optimisation problems. This topic requires an interdisciplinary and intersectoral approach. During my PhD project I aim to develop new AI-supported, privacy-respecting algorithms, as well as new optimisation methods employing federated learning. One application is to use stochastic scheduling for example to devise schedules to charge electrical cars in an optimal way to avoid overloading of the electricity grid from simultaneous charging, while sharing meaningful information about the usage of the car. Such information could be under privacy constraints. The data would be collected via smart meters and with the right encryption used to train models and predict the charging electricity demand as well as the duration of the charging correctly. To gain insight in such mechanisms and develop them, the mathematical problems need to be solved, such as showing the convergence and stability of the respective algorithms as well as their efficiency and that a system respects privacy. For the latter part, methods like sparse matrices have proven to be well-adapted because of their effective data storing. Alternatively, conditioning methods which reduce matrices for example to lower triangular matrices promise to be even more effective.