PhD#1 à Mines Paris en Data Science & Energy : “Analyse prescriptive basée sur l’intelligence artificielle pour les systèmes énergétiques”

Titre :   “Développement d’analyses prescriptives pour les systèmes énergétiques”

Contexte et contexte :

La gestion opérationnelle des systèmes énergétiques sur des échelles de temps allant de quelques minutes à quelques jours implique une prise de décision qui résulte de deux étapes principales : (1) exploiter des informations contextuelles pour prévoir des quantités d’intrants incertaines telles que la demande d’électricité, la production renouvelable dépendante des conditions météorologiques (éolienne, solaire, hydro…), les quantités du marché de l’électricité (prix, déséquilibres…) et (2) l’optimisation, où les prévisions sont utilisées comme contribution aux outils d’optimisation pour la gestion de la congestion, la répartition économique, l’engagement unitaire, le commerce de l’électricité, l’estimation des réserves et d’autres applications. L’approche classique « Prévoir puis optimiser » peut impliquer une chaîne de modèles complexe de plusieurs modèles qu’il faut ajuster et maintenir. Par exemple, pour négocier la production d’une centrale électrique virtuelle (VPP) sur les marchés des services journaliers et auxiliaires, on peut avoir besoin de jusqu’à 11 modèles (prévision de l’énergie et des quantités du marché et optimisation stochastique). De plus, la précision des prévisions peut ne pas correspondre à l’optimalité des performances. Au cours des dernières années, le nouveau paradigme de « l’analyse prescriptive » a émergé, où les approches basées sur les données intègrent les deux étapes. Par exemple, des modèles d’apprentissage automatique (ML) de bout en bout peuvent être entraînés pour minimiser les regrets liés aux décisions en aval ou même apprendre directement une cartographie des données aux décisions. Les premiers travaux portant sur la chaîne du modèle d’échange d’énergie ont montré que des résultats équivalents peuvent être obtenus avec l’approche analytique. Il s’agit d’un domaine nouveau et très prometteur qui doit être exploré davantage dans différents cas d’utilisation et contextes.

Objectifs scientifiques :

L’objectif primordial de cette thèse est de développer et de valider l’approche d’analyse prescriptive dans différents cas d’utilisation du secteur de l’énergie. L’objectif est de développer des méthodes basées sur l’optimisation basée sur les données et le ML qui améliorent la qualité des décisions et simplifient les chaînes de modèles complexes. Les cas d’usage considérés peuvent être les cas classiques de gestion prédictive des systèmes électriques mais aussi des applications pouvant être liées à l’edge computing ou encore aux processus industriels. L’application de l’analyse prescriptive au « edge », et notamment au niveau des consommateurs (VE, maisons intelligentes, bâtiments intelligents…), est prometteuse car elle permet de simplifier la chaîne de modèles à ce niveau et ainsi de robuster et d’automatiser « l’intelligence ». » couche d’applications à ce niveau. Dans ce contexte, il est également important de considérer des aspects tels que l’interprétabilité et l’explicabilité des décisions compte tenu du contexte, ainsi que de s’assurer que la conception algorithmique permet la mise en œuvre dans des micro-ordinateurs.

Méthodologie et résultats attendus :

L’accent méthodologique se situe à la limite de l’apprentissage automatique et de la programmation mathématique. La première étape consistera à effectuer une recherche bibliographique et à se familiariser avec les développements antérieurs dans ce domaine dans notre Centre. Ces développements concernent les méthodes de prévision probabilistes existantes pour la prévision énergétique (demande, demande de véhicules électriques, prix, production renouvelable), ainsi que les algorithmes d’optimisation pour l’échange de VPP, le flux d’énergie optimal, la gestion de la congestion, la planification des micro-réseaux et d’autres applications. PERSEE a développé les premières approches d’analyse prescriptive basées sur des réseaux de neurones artificiels et des arbres de décision prescriptifs axés sur l’application du commerce de l’énergie. L’objectif est de proposer des solutions génériques pour un grand nombre de cas d’utilisation typiques et de répondre aux exigences d’adaptabilité/réplicabilité, d’interprétabilité, de faisabilité des décisions, ainsi que de préservation de la vie privée/confidentialité lors du partage d’informations/données, d’automatisation du processus, de résilience. sur les événements perturbateurs, etc. Une mise en œuvre expérimentale pour un tel cas d’utilisation typique (c’est-à-dire une communauté énergétique avec des maisons intelligentes ou une gestion de micro-réseau) peut être envisagée pour démontrer des solutions prescriptives basées sur l’IA en périphérie.  

Catégorie de financement : Autre financement public
Projet PEPR TASE « AI.NRGY – Architecture distribuée basée sur l’IA des systèmes énergétiques du futur intégrant de très grandes quantités de sources distribuées »
Titre de la thèse : Doctorat en Énergétique et Procédés
Pays de la thèse : France