Planification d'évolution des systèmes énergétiques renouvelables décentralisés par apprentissage automatique

Planning of distributed renewable energy systems with machine learning

• Auteur / Autrice : Eliot Southon
• Direction : Jean-Louis Dirion, Hossam Afifi
• Type : Projet de thèse
• Discipline(s) : Energétique et transferts
• Date : Inscription en doctorat le 07/10/2024
• Etablissement(s) : Ecole nationale des Mines d'Albi-Carmaux
• Ecole(s) doctorale(s) : École doctorale Mécanique, énergétique, génie civil et procédés
• Partenaire(s) de recherche : Laboratoire : RAPSODEE - Centre de Recherche d'Albi en Génie des Procédés, des Solides Divisés, de l'Energie et de l'Environnement
• Partenaire(s) de recherche : Equipe de recherche : Groupe Energique et Environnement

Mots clés

Mots clés libres

Micro-réseau

Système énergétique

Machine learning

Optimisation

Résilience

Prédiction

Microgrid

Energy system

Machine learning

Optimization

Resilience

Prediction

Résumé

Objectifs de la thèse et approche méthodologique Le.la doctorant.e aura pour objectif principal de développer une méthodologie générale de planification de l'évolution de systèmes énergétiques locaux (micro-réseaux) sur un horizon temporel de plusieurs années avec des techniques d'apprentissage automatique et d'optimisation numérique. Une attention particulière sera portée sur la prise en compte du caractère aléatoire de certaines variables dans la conception des scénarios prédictifs. C'est la raison pour laquelle il est attendu d'associer des techniques d'optimisation stochastique à l'apprentissage automatique. D'autre part, le projet ORION fournira deux cas d'usage réels sur lesquels sera appliquée la méthodologie développée. Ces cas d'usage correspondent aux réseaux énergétiques isolés de ports maritimes, avec des activités soutenues de pêches et de tourisme (navires de croisière). Les spécificités de ces applications seront naturellement à intégrer dans les approches proposées. Il sera donc nécessaire de considérer des algorithmes de classification et d'agrégation de données à large échelle. En pratique, les principales étapes identifiées du travail de recherche consisteront en : • un recensement des données nécessaires pour la mise en place de la méthodologie, • une mise en place d'architecture distribuée pour le traitement des données, avec des méthodes d'apprentissage fédéré, ne nécessitant pas le partage des données ni leur transport • l'analyse, la classification et la modélisation des séries chronologiques, comme les profils de consommation et de production, afin de les intégrer dans l'outil d'aide à la décision, • le développement d'une procédure d'élaboration des scenarios futurs d'évolution des productions et consommations à partir des données recensées, • le développement proprement de l'outil numérique pour proposer les planifications du système énergétique local, selon les scénarios prédictifs. Une modélisation modulaire des différentes infrastructures présentes dans le système énergétique local sera employée afin de permettre d'avoir un outil généralisable à de nombreuses situations.

The PhD student's main objective will be to develop algorithms for predicting and planning the evolution of local energy systems (microgrids) over a time horizon of several years, using machine learning and numerical optimization techniques. Particular attention will be paid to taking account of the random nature of certain variables in the design of predictive scenarios. For this reason, stochastic optimization techniques are expected to be combined with machine learning. On the other hand, the ORION project will provide two use cases on which to apply the methodology developed. These use cases correspond to the isolated energy networks of seaports, with sustained fishing and tourism activities (cruise ships). The specificities of these applications will naturally have to be integrated into the proposed approaches. It will therefore be necessary to consider large-scale data classification and aggregation algorithms. In practical terms, the main stages of the research work will consist of : • the inventory of available data needed to implement the methodology, • the setting up a distributed architecture for data processing, using federated learning methods that do not require data to be shared or transported. • the analysis, classification, aggregation and modeling of time series, such as consumption and production profiles, in order to integrate them into the decision support tool, • the development of a procedure for drawing up future production and consumption scenarios based on the data collected, • the actual development of the digital tool for proposing the planning of the local energy system, according to the predictive scenarios. Modular modeling of the various infrastructures in the local energy system will be employed to provide a tool that can be generalized to a wide range of situations.