Approches hybrides pour la surveillance et la prédiction del'autosuffisance énergétique des systèmes à énergiesrenouvelables

Hybrid approaches for monitoring and predictingthe energy self-sufficiency of energy systemsrenewable

• Auteur / Autrice : Ali Brahimi
• Direction : Mohand Djeziri, Maamar El Amine Hamri
• Type : Projet de thèse
• Discipline(s) : Automatique
• Date : Inscription en doctorat le 07/10/2022
• Etablissement(s) : Aix-Marseille
• Ecole(s) doctorale(s) : Ecole Doctorale Mathématiques et Informatique de Marseille
• Partenaire(s) de recherche : Laboratoire : LIS Laboratoire d'Informatique et Systèmes

Mots clés

Mots clés libres

Modélisation

Diagnostic

Pronostic

Systèmes Energie Renouvelable

Méthode guidée par les données

Méthode hybride

Modelization

Diagnostic

Prognosis

Renewable Energy Systems

Data-Driven Method

Hybrid method

Résumé

Ce projet de thèse a pour objectif le développement de méthodes de diagnostic-pronostic de défaillance des systèmes AR et des algorithmes de prédiction de l'autosuffisance énergétique de ces systèmes, en tenant compte de leur état de fonctionnement et de l'environnement (prévisions météo annuelles). Ce projet de thèse apportera à terme des solutions aux problèmes de défaillances, de maintenance, et de dimensionnement des mix énergétiques. Ce projet de thèse va explorer le potentiel des approches hybrides, combinant la connaissance physique et l'analyse et modélisation guidées par les données. Le modèle physique sera utilisé pour la simulation des fonctionnements normaux, dégradés et défaillants, pour d'un côté générer des bases de données pour l'analyse guidée par les données, et d'un autre côté, simuler la production d'énergie dans différentes situations de fonctionnement et d'environnement. Les méthodes guidées par les données, en particulier les approches probabilistes, seront explorées pour le développement d'algorithmes de diagnostic et de pronostic, robustes aux incertitudes structurées et non structurées. Une attention particulière sera donnée à l'implémentation et la mise à jour en ligne des modèles et leur influence sur le processus de prise de décision. Pour atteindre ces objectifs, le thésard s'appuiera sur les travaux déjà entamés dans la modélisation multi-physiques des systèmes ER développés au LIS en partenariat avec l'université d'Annaba et l'université de Mexico, ainsi que les algorithmes développés au LIS ces dernières années pour le diagnostic et le pronostic de défaillance. La validation des algorithmes se fera avec des données enregistrées déjà disponible fourni par l'université de Mexico. En fonction de l'état d'avancement des travaux de thèse, une validation expérimentale en ligne sur la plateforme à ER du département GEII de Salon de Provence sera envisagée.

This thesis project aims to develop methods for diagnosis-prognosis of failure of AR systems and algorithms for predicting the energy self-sufficiency of these systems, taking into account their operating status and the environment (weather forecasts annuals). This thesis project will eventually provide solutions to the problems of failures, maintenance, and the sizing of energy mixes. This thesis project will explore the potential of hybrid approaches, combining physical knowledge and data-driven analysis and modelling. The physical model will be used for the simulation of normal, degraded and faulty operations, on the one hand to generate databases for data-driven analysis, and on the other hand to simulate the energy production in different operating and environmental situations. Data-driven methods, in particular probabilistic approaches, will be explored for the development of diagnostic and prognostic algorithms, robust to structured and unstructured uncertainties. Particular attention will be given to the implementation and online updating of models and their influence on the decision-making process. To achieve these objectives, the doctoral student will rely on the work already started in the multi-physical modeling of ER systems developed at LIS in partnership with the University of Annaba and the University of Mexico, as well as the algorithms developed at LIS. in recent years for failure diagnosis and prognosis. The validation of the algorithms will be done with recorded data already available provided by the University of Mexico. Depending on the progress of the thesis work, an experimental validation online on the RE platform of the GEII department of Salon de Provence will be considered.