DESCRIPTION :
Les nouveaux outils de communication entre le fournisseur d'électricité et ses clients permettent d'envisager un pilotage de la consommation des clients soit directement via l'asservissement de certains usages (chauffe-eaux, pompes de piscines, véhicules électriques [VE]), soit indirectement via l'envoi de signaux incitatifs (prix, heures creuses). Cela rend possible l'ajustement de la consommation à la production d'énergies renouvelables. L'objectif de cette proposition de recherche est d'étendre les travaux existants à un pilotage temps réel de la charge, pour se rapprocher au plus d'une consommation cible dont la précision évoluerait dans le temps, ainsi qu'en s'adaptant en temps réel aux contraintes et aléas des usages.
Un certain nombre de travaux ont déjà été réalisés sur la gestion de la consommation électrique par l'asservissement de certains équipements (optimisation du fonctionnement des pompes de piscines en Floride, pilotage d'équipements résidentiels, smart charging de véhicules électriques, etc.); voir par exemple :
- S.P. Meyn, P. Barooah, A. Bušić, Y. Chen, and J. Ehren. Ancillary service to the grid using intelligent deferrable loads. IEEE Transactions on Automatic Control, 60(11):2847-2862, 2015
- R. D'Hulst, W. Labeeuw, B. Beusen, S. Claessens, G. Deconinck, and K. Vanthournout. Demand response flexibility and flexibility potential of residential smart appliances: Experiences from large pilot test in Belgium. Applied Energy, 155:79-90, 2015
- M. Zweistra, S. Janssen, and F. Geerts. Large scale smart charging of electric vehicles in practice. Energies, 13(2):298, 2020
La description qui suit repose sur l'article [A] suivant, écrit par des membres de l'équipe d'encadrement :
- [A] B.M. Moreno, M. Brégère, P. Gaillard, and N. Oudjane. Reimagining demand-side management with mean field learning. arXiv preprint arXiv:2302.08190, 2023
L'article [A] propose un algorithme d'apprentissage itératif pour optimiser des décisions de pilotage de charge à envoyer à un ensemble de consommateurs au cours du temps pour satisfaire une cible globale (typiquement la consommation nette d'électricité). Le pilotage se fait grâce au contrôle de différents appareils du foyer, ici les chauffe-eaux. Cependant, [A] repose sur une optimisation faite a priori, sur des données passées ou simulées, en supposant la consommation cible déterministe et connue précisément au moment de la prise de décision. La méthode développée par [A] ne permet pas d'adapter ses décisions en temps réel en fonction de l'observation des usages (par exemple la présence ou non des véhicules électriques), des aléas observés (par exemple météorologiques), ou de l'évolution de la cible. En effet, en pratique, la cible à atteindre n'est pas déterministe mais est obtenue à partir de prévisions de consommations/productions
renouvelables. Cette cible est donc aléatoire et sa précision varie au cours du temps. Les travaux de [A] nécessitent d'être adaptés à ce contexte : comment peut-on, en temps réel, incorporer une cible probabiliste (probablement de plus en plus précise) dans les algorithmes ?
Nous proposons dans cette proposition d'étendre les travaux de [A] à l'optimisation temps réel pour le pilotage de charge (typiquement la charge de véhicules électriques) d'un ensemble de consommateurs sur un réseau pour prendre en compte les problématiques pratiques détaillées ci-dessus. Les prévisions probabilistes proviendront des résultats obtenus au cours de la thèse de Guillaume Principato, qui porte sur la fourniture de prévisions conformes hiérarchiques. Un second aspect de cette proposition consistera à introduire des outils d'évaluation de prévisions probabilistes en exploitant les gains induits par l'optimisation temps réel.
Nous nous attendons de plus à ce que d'autres pistes de recherche émergent en fonction des problématiques spécifiques des usages considérés : usures des équipements (chauffe-eaux, batteries de VE6, etc.) en cas de changements trop fréquents de charges/décharges, aspect non-stationnaire des comportements (évolution rapide des usages électriques), aspect hiérarchique du réseau électrique et de la cible., La mission de recherche confiée inclut la production de contributions à la fois théoriques et pratiques, à valoriser par :
- des publications et présentations dans des conférences ou revues de machine learning ou d'optimisation,
- la création de packages Python ou R,
- l'écriture de rapports internes si utilisation de données propriétaires EDF.
Il est également attendu une implication plus générale dans le défi Inria - EDF, comme la participation au séminaire mensuel du défi, l'interaction avec d'autres sous-projets du défi, et la fourniture d'éléments pour les rapports d'activités.
Niveau de formation : Bac+8
Temps partiel / Temps plein : Plein temps
Type de contrat : Contrat à durée déterminée (CDD)
Compétences : Python (Langage de Programmation), Machine Learning, Anglais, Prise de Décision, Esprit d'Équipe, Algorithmes, Mathématiques Appliquées, Enseignement, Exploitation du Réseau Électricité, Fournisseur d'Électricité, Elaboration des Prévisions, Mathématiques, Pompes, Etudes et Statistiques, Rédaction de Rapports, Véhicule Électrique, Piles, Travail en Communication, Rapport d'Avancée, Production d'Énergie
Courriel :
gilles.stoltz@inria.fr
Téléphone :
0139635511
Type d'annonceur : Employeur direct