L'intelligence artificielle au service de l'optimisation de l'énergie électrique dans un réseau intelligent

Afin de maintenir l'équilibre entre l'offre et la demande d'électricité, l'utilisation d'une planification opérationnelle fiable est un aspect important de la gestion du système électrique. Pour de nombreux services, les consommateurs doivent payer plus cher l'électricité pendant les périodes de pointes. Par conséquent, si les consommateurs possèdent une connaissance à l'avance des informations sur les pointes de la demande électrique, ces coûts supplémentaires peuvent être évités car ils pourront mieux gérer leur utilisation de l'énergie électrique. Pour cela, des prévisions précises de la demande d'électricité et donc des informations crédibles sur les pointes de puissance vont assurer un approvisionnement en électricité fiable, car d'un point de vue du fournisseur elles donnent le temps d'anticiper son offre, et d'un point de vue du consommateur elles peuvent être d'une grande utilité pour réduire le coût de l'électricité. Maintenant, lorsqu'il s'agit de prédire la consommation de puissance future d'un groupe de consommateurs avec des profils hétérogènes comme c'est le cas dans les bâtiments résidentiels, commerciaux ou institutionnels, il est nécessaire de savoir que les consommateurs peuvent avoir selon plusieurs critères leur propre comportement, une autre difficulté s'ajoute donc au problème. En effet, il devient primordial de tenir en compte l'aspect comportemental de chacun et donc de comprendre comment les consommateurs agissent à chaque moment.Sans bien connaître cet aspect, le modèle de prédiction ne sera pas robuste aux changements brusques dans les habitudes quotidiennes de chacun. Il est également crucial de pouvoir porter de l'assistance chaque consommateur dans la gestion de sa consommation d'énergie, tout en essayant de maximiser son confort car cela peut permettre un gaspillage minimal d'énergie avec des changements de comportement mineurs de la part des consommateurs puisque la flexibilité permise par la demande d'électricité combinée aux incitatifs de la part du système électrique peuvent créer davantage de possibilités pour la gestion de la demande. Globalement, appliquer ce principe sur une plus grande échelle contribuera pleinement à la réduction des émissions de gaz à effet de serre. Ce mémoire est donc construit à travers deux grands objectifs : le premier étant de créer des modèles précis de prédiction de la charge électrique, le second concerne la gestion de la demande électrique et la maximisation du confort du consommateur, ce dernier sera traduit par le contrôle de la température de chaque pièce à une consigne du consommateur. Le premier objectif s'oriente autour d'une étude comparative et approfondie de trois principaux algorithmes d'apprentissage profond largement utilisés pour la prédiction de séries chronologiques à court terme. Cette étude fera rentrer en jeu un ensemble de données se composant de l'historique de puissance consommée sur cinq bâtiments hétérogènes d'un campus universitaire à Montréal. L'historique de puissance est récolté à l'aide de compteurs intelligents chaque 15 minutes pendant les années 2015 et 2016. D'autres données externes liées à la météo et le calendrier seront ajoutées par la suite afin d'extraire les effets saisonniers et prendre en compte le comportement des consommateurs. Le but de cette étude sera de trouver le meilleur algorithme et la meilleure stratégie afin de construire un modèle capable de prédire avec une grande précision la consommation de puissance future à court terme au niveau du campus et sur plusieurs horizons. Aussi, ce modèle nous permettra d'avoir des informations fiables concernant les pointes d'électricité. La deuxième partie de cette recherche, faite en collaboration avec un étudiant doctorant, vise à fournir une étude approfondie sur la gestion de l'énergie et du confort en utilisant l'apprentissage par renforcement, qui est un processus essai-erreur où un agent autonome apprend à remplir une tâche en interagissant avec son environnement et en prenant ses propres décisions de façon à optimiser une récompense au cours du temps. Par conséquent, l'agent devra trouver la bonne politique qui lui permettra d'obtenir une récompense maximale sur toute la période de contrôle. Des agents capables de bien agir sur des charges contrôlées par thermostat ont été construits en utilisant des données synthétiques, puis testés sur diverses combinaisons de pièces, chaque pièce contenant une charge contrôlée par thermostat. Par la suite cette étude a pu prouver que donner les résultats de prédiction de la charge électrique comme information à l'agent était très efficace car comparée au schéma où ces résultats ne sont pas fournis, elle a permis de réduire jusqu'à 73 % la consommation d'énergie pendant les périodes de pic. Enfin, cette étude a été également l'objet d'une évolution vers la mise en œuvre d'un agent généralisé fiable, appelé GA2TC, capable de bien gérer l'énergie électrique et de maximiser le confort dans des bâtiments, quelle que soit leur architecture ou leur dimension. Cet agent a été développé dans le but d'éviter de construire une solution spécialement pour chaque bâtiment et, à la place, d'utiliser un seul agent adaptable à tous types de pièces et donc de bâtiments. Ce travail permettra une fluidité et une avancée rapide dans le domaine électrique ainsi que dans des domaines similaires, où la difficulté réside principalement dans la modélisation de solutions spécifiques à certains types de problèmes. En conclusion, ce mémoire contribue à la découverte de nouvelles approches basées sur de l'apprentissage machine ainsi qu'à la mise en œuvre de leurs applications dans le réseau intélligent (Smart Grid). Il fournit également une avancée et une nouvelle approche dans la manière de gérer les systèmes électriques dans les bâtiments, en prenant en compte dans certains cadres les prévisions de consommations futures. Toutefois, des limites techniques liées au manque de ressources de calcul pour perfectionner nos modèles de prévision et de gestion,et à la modélisation simplifiée du monde réel quant aux environnements des bâtiments, offrent de nouveaux défis à relever et des perspectives d'études élargies.

Abstract

In order to maintain the balance between electricity demand and supply, the use of reliable operational planning is an important aspect of power system management. For many services, consumers must pay more for electricity during periods of high demand like during cold weather, big events or football matches. Therefore, if consumers have prior knowledge of electricity peak information, these additional costs can be avoided as they will help them better manage their use of electrical energy. For this, accurate forecasts of energy demand and thus reliable information on the expected peak of power will ensure a reliable supply of electricity, because from a supplier's point of view, it gives time to anticipate its supply, and from a consumer's point of view, it can be of great use in reducing the cost of electricity. Now, when it comes to predicting the future power consumption of a group of consumers with heterogeneous profiles, as it is the case in residential, commercial or institutional buildings, it is necessary to know that consumers have their own behaviour according to several criteria, so another difficulty is added to the problem. Indeed, it becomes essential to take into account the behavioural aspect of each person, and therefore to understand how consumers act at each moment. Without a good knowledge of this aspect, the prediction model will not be robust enough to abrupt changes in the daily habits of each individual. It is also crucial to be able to assist each consumer in managing their energy consumption, while trying to maximize their comfort, as this can allow minimal energy waste with minor changes in consumer behaviour since the flexibility allowed by the electricity demand combined with incentives from the power system can create more opportunities for energy saving. On a broader level, applying this principle on a larger scale will make a significant contribution to reducing global greenhouse gas emissions. This paper is therefore built around two main objectives: the first is to create accurate models for predicting the electrical demand, and the second is to minimize and manage the consumed electrical power and maximize consumer comfort, which will be translated into the control of the temperature set point each room at a consumer instruction. The first objective is based on a comparative and in-depth study of three main deep learning algorithms widely used for short-term time series prediction. This study will bring into a real data set consisting of the power consumption history of five heterogeneous buildings on a university campus in Montreal. The power history is collected using smart meters every 15 minutes during the years 2015 and 2016. Other external data related to weather and calendar will be added later on to extract seasonal effects and take into account consumer behaviour. The goal of this study will be to find the best algorithm and strategy to build a model capable of predicting with high accuracy the future power consumption at the campus level, and thus to have reliable information about electricity peaks. The second part of this research, done in collaboration with a PhD student, aims to provide an in-depth study of energy and comfort management using reinforcement learning, which is a trial-and-error process where an autonomous agent learns to perform a task by interacting with its environment and making its own decisions in order to optimize a reward over time. Therefore, the agent will need to find the right policy to reach maximum reward over the entire control period. Agents capable of acting well on thermostatically controllable loads have been constructed using synthetic data and then tested on various combinations of rooms, each room containing a thermostatically controllable load. Subsequently this study proved that giving the prediction results of the electrical load as information to the agent was very effective as it allowed us to reduce energy consumption by up to 73% compared with having no prediction information. Finally, this study was also the subject of an evolution towards the implementation of a reliable generalized agent, called GA2TC, capable of managing electrical energy and maximizing comfort in buildings, regardless of their architecture or size. This agent has been developed with the aim of avoiding constructing a solution specifically for each building, and instead using a single agent adaptable to all types of rooms and therefore buildings. This work will allow fluidity and rapid progress in the electrical field as well as in similar fields, where the difficulty lies mainly in modeling specific solutions to specific types of problems. In conclusion, this research contributes to the discovery of new approaches based on machine learning as well as to the implementation of their applications in the smart grid field. It also provides an advanced and innovative approach in the way of managing electrical systems in buildings, taking into account in some frameworks the forecasts of future consumption. However, technical limitations related to the lack of computational resources to refine our prediction and control models, and simplified real-world modeling of building environments, offer new challenges and expanded study opportunities.