Commande décentralisée de la puissance de chauffage de charges thermostatiques par apprentissage automatique

L’utilisation grandissante de sources d’énergie renouvelable telles que l’énergie solaire et éolienne introduit de nouveaux défis pour les réseaux de distribution électriques. En effet, contrairement aux méthodes de production d’électricité traditionnelles, ces sources d’énergie renouvelable sont intermittentes et imprévisibles. Afin de mitiger les fluctuations causées par ces sources, les réseaux de distribution électrique intelligents devront intégrer différentes solutions comme l’introduction de batteries dans le réseau ou l’utilisation de centrales de pointe. Ce mémoire s’intéresse plus spécifiquement à une méthode de maîtrise de la demande d’énergie ; c’est-à-dire une méthode qui ajuste la demande du réseau selon la production des sources renouvelables. Les charges thermostatiques, à cause de leur association à un stockage d’énergie, peuvent servir de batteries thermiques et pourraient être utilisées à grande échelle pour aider à mitiger les fluctuations dans la génération d’électricité. Dans ce mémoire, on considère une population de charges thermostatiques dont la puissance de chauffage est contrôlée par un agrégateur. On élabore une méthode permettant à l’agrégateur de contrôler la puissance agrégée consommée par la population de charges tout en garantissant que la température de celles-ci reste à l’intérieur d’un intervalle acceptable. Selon notre méthode de contrôle, les charges thermostatiques vont calculer de façon décentralisée la puissance de chauffage qu’elles vont consommer en résolvant un problème de commande optimale. La puissance de chauffage est influencée par un terme de pression, dicté par l’agrégateur, qui modifie la fonction de coût minimisée par les charges. Un avantage important de notre méthode est qu’elle ne nécessite pas que l’agrégateur connaisse au préalable les paramètres thermiques des charges thermostatiques de la population. À l’aide d’expérimentations et d’un algorithme d’apprentissage automatique, l’agrégateur apprend comment les charges réagissent à un signal de pression donné. L’agrégateur utilise ensuite ce savoir pour calculer la valeur du terme de pression à envoyer à la population qui amène la puissance agrégée au niveau désiré. Étant donné que l’agrégateur doit expérimenter sur la population, il est important que la méthode d’apprentissage automatique développée soit très efficace. Finalement, à l’aide de simulations, nous testons et analysons la performance de notre méthode pour des périodes de contrôle de différentes durées.

Abstract

The increasing prevalence of renewable energy sources such as solar and wind energy in electrical grids brings new challenges. These renewable sources are more unpredictable and unreliable than their non-renewable counterparts. To compensate for the fluctuations in energy production originating from these sources, smart electrical grids will need to employ a variety of different methods such as battery storage and peaking power plants, among others. This master’s thesis focuses on an energy demand management method; we seek to influence the consumers’ demand to balance it with the energy production from renewables. Thermostatically controlled loads can accumulate thermal energy. Thus, they can potentially be used as thermal batteries to help compensate for fluctuations in energy production. In this work, we consider the case of a population of such loads that is controlled by an aggregator. We develop a method that lets the aggregator control the total power consumption of the population of loads in such a way that guarantees that the temperature of the loads remains in an acceptable interval. Our method entails that the heating power of the individual loads be calculated in a decentralized manner by the loads themselves, by means of solving an optimal control problem. The heating power is influenced by a pressure factor within the cost function minimized by the loads. This pressure factor is uniform for all loads and is prescribed by the aggregator. A significant advantage of using our method is that the aggregator does not need to know the thermal parameters of the thermostatically controlled loads beforehand. Using machine learning, the aggregator learns how the loads respond to different pressure factors by interacting with the population. Using this knowledge, the aggregator is able to find the correct pressure factor to send the population to achieve any desired target power consumption. Given that the aggregator learns by interacting with the population, the efficiency of learning is a major concern. Using the method we developed, we run simulations and analyze its performance in different scenarios.