ATD Perera: Un chef d'orchestre pour la symphonie des Energies

Pour rendre nos villes plus durables du point de vue énergétique, diverses énergies renouvelables sont intégrées à l’infrastructure existante, se heurtant aux limites de cette dernière avec des pertes d’énergie majeures à la clé. L’optimisation des systèmes énergétiques décentralisés demande la modélisation d’interactions matériels et informatiques complexes, impossible avec l’approche en boîte blanche utilisée communément. Par ailleurs, la volatilité des conditions climatiques et la haute probabilité d’événements climatiques plus fréquents et plus extrêmes tout comme des phénomènes climatiques urbains nécessitent une grande solidité et une résilience des systèmes énergétiques.

La modélisation en boîte blanche ne permet pas une flexibilité suffisante là non plus. Cette thèse cherche par conséquent à optimiser la conception de systèmes énergétiques à l’aide d’une modélisation en boîte grise et en boîte noire.
Un modèle informatique en boîte grise, fondé sur la logique floue est introduit afin de prendre en compte la stratégie d’acheminement lors de la conception d’une Pélectrique. Il a été démontré qu’ainsi jusqu’à 80% d’énergie renouvelable peuvent être intégrés. Or la modélisation en boîte grise n’est pas en mesure de traiter des flux d’énergie complexes à l’intérieur du système énergétique. Dès lors, une méthode de modélisation en boîte noire fondée sur l’apprentissage par renforcement est introduite afin de permettre la prise en compte de systèmes énergétiques complexes intégrant des services multi-énergétiques. L’apprentissage par renforcement fondé sur un réseau neuronal entièrement connecté surpasse le modèle à boîte grise, améliorant les valeurs de fonction objectif de 60%. Un réseau neuronal convolutif les améliore encore de 20 %. Ces résultats démontrent la compétence de modèles en boîte noire dans le cadre d’optimisation de systèmes énergétiques complexes.

L’optimisation distribuée est introduite pour le passage d’un système unique à un internet énergétique consistant de plusieurs systèmes interconnectés. Ce dernier est optimisé pour des scénarios coopératifs et non coopératifs. L’algorithme d’optimisation démontre une excellente capacité d’atteindre l’équilibre Epsilon-Nash. Enfin, des méthodes d’apprentissage supervisé et de transfert sont introduits pour l’optimisation à l’échelle régionale ou nationale, diminuant le temps de calcul de 84%.

Des méthodes de programmation stochastiques et robustes sont utilisées afin d’améliorer la flexibilité de systèmes énergétiques par rapport au climat. Un algorithme hybride d’optimisation est ajouté pour la prise en compte de l’incertitude climatique et d’événements climatiques extrêmes. Un modèle climatique régional fournit des scénarios pour l’optimisation stochastique. Les résultats montrent que les énergies renouvelables telles que le pv et l’énergie éolienne peuvent fournir jusqu’à 50% des besoins annuels grâce à cette approche, tout en garantissant une opération robuste. Le modèle est étendu encore par l’intégration de modèles informatiques d’énergie urbaine en tenant compte du climat urbain. Une analyse démontre un écart de performance de près de 40 % si l’impact du climat urbain est négligé dans la conception d’un système énergétique urbain. Finalement, une approche multi-critère de prise de décision est introduite dans le modèle, permettant aux décideurs de pondérer des objectifs contradictoires et de considérer leurs impacts à l’échelle urbaine.