L’histoire est connue : des vents violents font tomber une ligne électrique, et un quartier entier se retrouve sans électricité pendant des heures, voire des jours. Une équipe de chercheurs américains propose une solution innovante basée sur l’intelligence artificielle pour améliorer l’efficacité, la fiabilité et la résilience des systèmes électriques.
Une approche basée sur l’intelligence artificielle
Le professeur assistant en génie électrique et informatique de l’UC Santa Cruz, Yu Zhang, et son laboratoire ont développé une approche basée sur l’intelligence artificielle (IA) pour le contrôle intelligent des micro-réseaux en cas de coupures de courant.
Leur nouveau modèle d’IA, qui surpasse les techniques traditionnelles de rétablissement de l’électricité, a été décrit dans un article publié dans la revue IEEE Transactions sur le contrôle des systèmes en réseau, une référence dans le domaine des systèmes de contrôle et de la science des réseaux.
« Aujourd’hui, les micro-réseaux sont vraiment ce sur quoi se concentrent à la fois les personnes de l’industrie et de l’académie pour les futurs systèmes de distribution d’électricité », a déclaré Yu Zhang.
Les micro-réseaux : une solution pour les coupures de courant
Dans de nombreuses régions, l’infrastructure et ses utilisateurs dépendent totalement d’une entreprise locale de production d’électricité. Cela signifie qu’en cas de catastrophe ou d’événement météorologique extrême, ou même simplement d’un arbre tombant sur une ligne, l’électricité est coupée jusqu’à ce que les réparations puissent être effectuées.
Aujourd’hui, de nombreux systèmes électriques sont intelligents en ce sens qu’ils sont interconnectés avec des ordinateurs et des capteurs. Ils intègrent souvent des sources d’énergie renouvelable locales comme des panneaux solaires sur les toits ou de petites éoliennes, et certains ménages et bâtiments s’appuient sur des générateurs de secours et/ou des batteries d’énergie pour leur demande en électricité.
Ce mélange de sources d’énergie offre une opportunité de résoudre localement les pannes en utilisant des sources d’énergie alternatives pour fournir de l’électricité avant que l’énergie en amont ne soit rétablie. Une des façons d’y parvenir constitue un micro-réseau, qui a pour rôle de distribuer de l’électricité à de petites zones qui vont de quelques bâtiments à une ville.
Optimisation de l’exploitation des micro-réseaux
Le micro-réseau reste le plus généralement connecté à la principale source d’énergie du service public, mais peut également fonctionner en mode « îlotage », auto-alimenté par des sources d’énergie alternatives et non affecté par les problèmes impactant le service public principal. L’équipe de recherche se concentre sur l’optimisation de la manière dont les micro-réseaux puisent dans ces différentes sources alternatives comme les énergies renouvelables, les générateurs et les batteries pour rétablir rapidement et correctement l’électricité.
« En substance, nous voulons rapprocher la production d’électricité du côté de la demande afin de nous débarrasser des longues lignes de transmission », a ajouté Zu Zhang. « Cela peut améliorer la qualité de l’électricité et réduire les pertes d’électricité sur les lignes. De cette façon, nous rendrons le réseau plus petit, mais plus fort et plus résilient. »
Une technique basée sur l’apprentissage par renforcement profond
Pour exploiter de manière optimale les micro-réseaux, le laboratoire a développé une technique basée sur l’IA appelée apprentissage par renforcement profond, le même concept qui sous-tend les grands modèles de langage, pour créer un cadre efficace qui inclut des modèles de nombreux composants du système électrique.
L’apprentissage par renforcement dépend de la récompense de l’algorithme pour avoir réussi à répondre à l’évolution de l’environnement – un agent est récompensé lorsqu’il est capable de rétablir avec succès la puissance demandée de tous les composants du réseau. Ils modélisent explicitement les contraintes pratiques du système réel, telles que les flux de branches que les lignes électriques peuvent gérer.
« Nous modélisons un tas de choses – le solaire, le vent, les petits générateurs, les batteries, et nous modélisons également lorsque la demande d’électricité des gens change », a indiqué Bose. « La nouveauté est que cette saveur spécifique de l’apprentissage par renforcement, que nous appelons optimisation de la politique contrainte (CPO), est utilisée pour la première fois. »
Une approche qui surpasse les méthodes traditionnelles
Leur approche CPO prend en compte les conditions en temps réel et utilise l’apprentissage automatique pour trouver des modèles à long terme qui affectent la production des énergies renouvelables, comme la demande variable sur le réseau à un moment donné et les facteurs météorologiques intermittents qui affectent les sources renouvelables. Cela contraste avec les systèmes traditionnels qui utilisent souvent une technique appelée contrôle prédictif de modèle (MPC) qui base les décisions simplement sur les conditions disponibles au moment de l’optimisation.
Par exemple, si la méthode CPO prévoit que le soleil brillera fortement dans une heure, elle utiliserait sa réserve d’énergie solaire en sachant qu’elle sera plus tard reconstituée – une stratégie différente de celle qu’elle pourrait adopter si la journée était nuageuse. Elle peut également apprendre sur le système en fonction des modèles à long terme de l’utilisation du réseau solaire.
Les chercheurs ont constaté que leur technique CPO surpasse significativement les méthodes traditionnelles MPC lorsque les prévisions des sources renouvelables sont inférieures à la réalité en raison de sa meilleure compréhension de tous les profils solaires possibles tout au long de la journée.
Ils ont également constaté que le contrôleur d’apprentissage par renforcement est capable de répondre beaucoup plus rapidement que les méthodes d’optimisation traditionnelles au moment d’une coupure de courant.
Vers une mise en œuvre réelle
L’équipe de recherche a récemment prouvé le succès de leur méthode lorsqu’ils ont remporté la première place dans un concours mondial qui invitait les participants à utiliser l’apprentissage par renforcement ou des techniques similaires pour exploiter un réseau électrique. Le concours, appelé L2RPN Delft 2023, était co-parrainé par l’opérateur du système de transmission d’électricité de la France (Réseau de Transport d’Électricité), ce que les chercheurs de l’UC Santa Cruz voient comme un indicateur que les grands opérateurs de réseau peuvent maintenant commencer à se tourner vers l’IA et les techniques d’énergie renouvelable.
Maintenant qu’ils ont développé avec succès un algorithme dans les simulations, l’équipe de recherche travaille à tester leur modèle sur les micro-réseaux dans leur laboratoire. À long terme, les chercheurs espèrent mettre en œuvre leur solution sur le système énergétique du campus de l’UC Santa Cruz pour résoudre les problèmes de coupure d’électricité auxquels la communauté résidentielle du campus est confrontée. Ils espèrent également voir un intérêt et une collaboration supplémentaires de l’industrie.
En synthèse
La recherche sur l’utilisation de l’intelligence artificielle pour améliorer l’efficacité et la résilience des systèmes électriques est en plein essor. L’équipe de recherche a développé une approche innovante qui utilise l’apprentissage par renforcement profond pour optimiser l’exploitation des micro-réseaux en cas de coupures de courant. Cette approche, qui a prouvé son efficacité dans les simulations, pourrait être une solution viable pour résoudre les problèmes de coupures de courant dans les communautés dépendantes de l’électricité. À l’avenir, nous pourrions voir une adoption plus large de ces techniques basées sur l’IA dans l’industrie de l’énergie.
Pour une meilleure compréhension
1. Qu’est-ce qu’un micro-réseau ?
Un micro-réseau est un système électrique localisé qui distribue de l’électricité à de petites zones, comme quelques bâtiments ou une ville. Il peut être connecté à la principale source d’énergie du service public, mais peut également fonctionner en mode «îlotage», auto-alimenté par des sources d’énergie alternatives et non affecté par les problèmes impactant le service public principal.
2. Quelle est l’approche développée par l’équipe de l’UC Santa Cruz ?
L’équipe de l’UC Santa Cruz a développé une approche basée sur l’intelligence artificielle appelée apprentissage par renforcement profond pour optimiser l’exploitation des micro-réseaux en cas de coupures de courant. Cette approche, appelée optimisation de la politique contrainte (CPO), est utilisée pour la première fois dans ce contexte.
3. Comment fonctionne l’apprentissage par renforcement profond ?
L’apprentissage par renforcement dépend de la récompense de l’algorithme pour avoir réussi à répondre à l’évolution de l’environnement. Un agent est récompensé lorsqu’il est capable de rétablir avec succès la puissance demandée de tous les composants du réseau. Les chercheurs modélisent explicitement les contraintes pratiques du système réel, telles que les flux de branches que les lignes électriques peuvent gérer.
4. Comment l’approche CPO se compare-t-elle aux méthodes traditionnelles ?
Leur approche CPO surpasse significativement les méthodes traditionnelles MPC lorsque les prévisions des sources renouvelables sont inférieures à la réalité en raison de sa meilleure compréhension de tous les profils solaires possibles tout au long de la journée. De plus, le contrôleur d’apprentissage par renforcement est capable de répondre beaucoup plus rapidement que les méthodes d’optimisation traditionnelles au moment d’une coupure de courant.
5. Quelles sont les prochaines étapes pour l’équipe de recherche ?
Après avoir développé un algorithme réussi dans les simulations, l’équipe de recherche travaille à tester leur modèle sur les micro-réseaux dans leur laboratoire. À long terme, ils espèrent mettre en œuvre leur solution sur le système énergétique du campus de l’UC Santa Cruz et voir un intérêt et une collaboration supplémentaires de l’industrie.
Principaux enseignements
| Enseignement |
|---|
| L’équipe de l’UC Santa Cruz a développé une approche basée sur l’IA pour optimiser l’exploitation des micro-réseaux en cas de coupures de courant. |
| Leur approche, appelée optimisation de la politique contrainte (CPO), utilise l’apprentissage par renforcement profond. |
| L’approche CPO surpasse significativement les méthodes traditionnelles MPC. |
| Le contrôleur d’apprentissage par renforcement est capable de répondre beaucoup plus rapidement que les méthodes d’optimisation traditionnelles au moment d’une coupure de courant. |
| L’équipe de recherche a remporté la première place dans un concours mondial qui invitait les participants à utiliser l’apprentissage par renforcement ou des techniques similaires pour exploiter un réseau électrique. |
| Les chercheurs modélisent explicitement les contraintes pratiques du système réel, telles que les flux de branches que les lignes électriques peuvent gérer. |
| Leur approche CPO prend en compte les conditions en temps réel et utilise l’apprentissage automatique pour trouver des modèles à long terme qui affectent la production des énergies renouvelables. |
| L’équipe de recherche travaille actuellement à tester leur modèle sur les micro-réseaux dans leur laboratoire. |
| À long terme, les chercheurs espèrent mettre en œuvre leur solution sur le système énergétique du campus de l’UC Santa Cruz. |
| Ils espèrent également voir un intérêt et une collaboration supplémentaires de l’industrie. |
Références
Légende illustration principale : Les micro-réseaux peuvent tirer parti des sources d’énergie renouvelables locales, telles que les panneaux solaires installés sur les toits ou les petites éoliennes, pour rétablir le courant en cas de panne. Crédit : Nick Gonzales, UC Santa Cruz
Article : “Load Restoration in Islanded Microgrids: Formulation and Solution Strategies” – DOI: 10.1109/TCNS.2023.3337710
[ Rédaction ]
