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.