Soutenance de Thèse, Antonella TANNOUS, 21 Nov. 2025

Approches par Apprentissage Profond pour le Contrôle Prédictif et Adaptatif des Systèmes de Stockage par Batteries pour la Provision de Réserves de Puissance électrique à Court Terme

Vendredi 21 novembre à 9h30
Bâtiment ESPRIT, Avenue Henri Poincaré, 59655 Villeneuve d’Ascq, France
Amphithéâtre Atrium

Mots-clés :

Réserves de puissance, énergies renouvelables, stockage d’énergie, apprentissage profond, prévisions, dimensionnement optimal, simulateurs temps réel

Résumé :

La variabilité intrinsèque des sources d’énergie renouvelable éoliennes et solaires perturbe le couplage traditionnel puissance–fréquence et complique l’équilibrage du réseau, créant ainsi un besoin de réserves de puissance active rapides, peu coûteuses et faiblement émettrices en CO2. Pour relever ce défi, il est nécessaire de recourir à des stratégies de commande capables de dépasser les limites des approches conventionnelles basées sur la mesure de la fréquence et d’intégrer de nouveaux indicateurs de stabilité. Cette étude propose une stratégie de commande conçue sans modèle physique, adaptative et fondée sur un réseau de neurones profonds (DNN), qui a pour objectif de maintenir l’équilibre du réseau électrique face aux fluctuations de production renouvelable et de charge, tout en minimisant les coûts d’exploitation et les émissions de CO2. Le contrôleur développé gère dynamiquement l’allocation des réserves d’un système de stockage par batterie (BESS) en prenant, chaque minute, des décisions proactives pour les cinq minutes suivantes, à partir de mesures historiques ou de prévisions très court terme. Un micro-réseau (MG) de référence est conçu et simulé sous MATLAB/Simulink pour générer les jeux de données nécessaires à l’entraînement hors ligne du DNN. Le fonctionnement du contrôleur est ensuite validé en ligne. Des indicateurs techniques, économiques et environnementaux permettent d’évaluer l’efficacité de la stratégie pour des scénarios réalistes. Comme les mesures sont difficiles à obtenir avec un temps court, la stratégie intègre des prévisions à très court terme. Un modèle de régression polynomiale Ridge est développé pour la prévision de la charge à partir des données historiques, tandis qu’un modèle hybride, s’appuyant sur un réseau de neurones convolutifs (CNN) est conçu pour la prévision photovoltaïque (PV) en utilisant à la fois des images du ciel et des historiques de production. Les résultats montrent que le contrôle proposé réduit significativement les écarts de fréquence, les coûts et les émissions par rapport au contrôle classique par droop. La stratégie est validée sur une plateforme de co-simulation temps réel intégrant un simulateur temps réel de réseau OPAL-RT et calculateur temps réel SPHEREA. Cette configuration permet une validation précise dans des conditions réalistes tout en réduisant le temps de simulation par rapport aux approches hors ligne. Enfin, pour généraliser le contrôle à des réseaux comportant des taux variables de pénétration renouvelable et de générateur synchrone, la stratégie de contrôle apprise par le DNN source est ajustée via un apprentissage par transfert pour produire un DNN cible adapté au réseau électrique concerné. Il est testé sur un MG optimisé pour l’autoconsommation (MG cible), qui est obtenu par une optimisation MILP bi-objectif minimisant les coûts économiques et environnementaux annualisés. Le succès du DNN transféré confirme sa capacité à se généraliser pour différents niveaux de pénétration d’énergie renouvelable et de générateur synchrone.