PhD#2 à Mines Paris en Data Science & Energy : « Optimisation haute dimension des actifs distribués dans les réseaux intelligents »

Titre :   « Optimisation haute dimension des actifs distribués dans les réseaux intelligents »

Contexte et contexte :

Dans les systèmes d’énergie électrique verticalement intégrés du passé, la gestion du système électrique était assurée de manière centralisée par les gestionnaires de réseaux de transport et de distribution (GRT, GRD). Dans le cadre de la transition énergétique, l’émergence de nouveaux acteurs (agrégateurs, opérateurs de micro-réseaux, gestionnaires de communautés énergétiques, autoconsommation, etc.) et la multiplication des actifs connectés au réseau, tels que les centrales d’énergies renouvelables (SER), les dispositifs de stockage, les centrales électriques, etc. les véhicules électriques (VE), les maisons intelligentes/prosommateurs équipés d’appareils IoT, les systèmes de chauffage/refroidissement électriques, etc., appellent à un changement de paradigme vers la décentralisation. Les nouveaux modèles économiques seront probablement basés sur des regroupements physiques ou virtuels d’actifs (« cellules »), instanciés sous forme de centrales électriques virtuelles (VPP), de communautés énergétiques, de micro-réseaux et autres. Dans les systèmes électriques du futur, toutes ces variantes de « cellules » coexisteront probablement, et leur fonctionnement devra être optimisé en tenant compte des intérêts spécifiques des acteurs impliqués. Par exemple, un opérateur VPP regroupe des centaines, voire des milliers d’actifs pour atteindre une masse critique de flexibilité et la valoriser sur les marchés de l’électricité. Des fonctions d’optimisation (« intelligence distribuée ») sont nécessaires à ces niveaux inférieurs jusqu’au bord du réseau (cellule, alimentations, actifs/appareils…) et doivent également être alignées sur le fonctionnement du réseau.

Objectifs scientifiques :

L’objectif primordial de ce projet de recherche est de développer des méthodes d’optimisation distribuées pour les réseaux comportant un très grand nombre (des dizaines/centaines de milliers à des millions) d’appareils connectés. L’objectif est de prendre en compte les incertitudes impliquées, la classification des actifs/appareils en différentes typologies de cellules virtuelles/physiques, leurs capacités/limites de calcul/communication, les perturbations environnementales, les contraintes de QoS/réseau et les problèmes de confidentialité. L’optimisation distribuée à grande échelle nécessite la conception de signaux adaptés au réseau qui affectent les processus d’optimisation locaux pour une multitude d’appareils, afin que leur agrégation fournisse une réponse prévisible (même si elle est le résultat de la réponse de différents actifs), tout en garantissant une utilisation optimale de l’infrastructure du réseau.

Méthodologie et résultats attendus :

La première étape du projet de recherche est une recherche bibliographique et une familiarisation avec les méthodes et outils développés dans notre Groupe. Le cas d’utilisation initial sera la gestion prédictive (planification) des actifs (pour des délais de l’ordre de quelques minutes à quelques jours à l’avance). Les approches développées doivent être évolutives à un très grand nombre d’actifs, avec des incertitudes inhérentes à leurs profils de production/consommation, pour couvrir des cas d’utilisation tels que les réseaux de distribution et/ou les VPP qui intègrent des VE, des usines RES, des dispositifs de stockage, des prosommateurs, etc. . Le projet de recherche intégrera des modèles prédictifs qui réduisent la complexité associée à de multiples incertitudes, utiliseront l’apprentissage automatique et/ou des méthodes statistiques pour des problèmes de grande dimension (par exemple, modèles clairsemés, analyse de données fonctionnelles, Edge ML) et exploreront des stratégies d’optimisation distribuées pour y faire face. les très grandes tailles de problèmes. Les stratégies d’optimisation impliqueront des méthodes de décomposition, combinées aux développements de l’apprentissage automatique (par exemple, des arbres de décision optimaux capables de s’adapter dynamiquement à la grande quantité d’informations entrantes) et produiront des signaux qui tiennent compte des conditions du réseau local (c’est-à-dire, les congestions/surcharges) auxquelles les différentes cellules d’actifs répondent en fonction de leurs capacités et de leurs objectifs individuels.

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