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.