Intelligence artificielle pour les réseaux électriques intelligents

DESCRIPTION

chaire « IA et Énergie / Réseaux intelligents » chaire objectif de relever les défis scientifiques liés à l'intégration des énergies renouvelables et des nouveaux usages dans les systèmes énergétiques à l'aide de techniques d'intelligence artificielle. Ce domaine s'inscrit dans le cadre de la transition énergétique en 3D : décarbonation, décentralisation et numérisation. Dans ce contexte, certaines données sont générées en grande quantité par les différents capteurs disséminés dans le réseau électrique ou chez les utilisateurs finaux (compteur intelligent Linky), tandis que d’autres données font largement défaut. Ce dernier aspect complique l’observabilité complète du réseau électrique, nécessaire à une gestion et un contrôle précis et efficaces, d’autant plus que ces systèmes concernent des infrastructures critiques (systèmes vitaux). Les méthodes traditionnelles sont limitées et ne peuvent pas faire face à l'évolution rapide d'un paradigme énergétique en mutation. Par conséquent, la contribution des techniques d'intelligence artificielle pour lever ces obstacles est essentielle. Cependant, la spécificité réside dans le couplage de données et de modèles physiques (modèles hybrides). Ainsi, les données recueillies à partir de ces systèmes, associées à des processus d'apprentissage automatique, devraient contribuer à améliorer divers aspects des réseaux intelligents, notamment les modèles de maintenance préventive, le diagnostic et le contrôle du système en temps réel dans un contexte incertain, la cybersécurité pour les systèmes SCADA / EMS/DMS, la stabilité des micro-réseaux à forte proportion de systèmes d'énergie renouvelable, l'optimisation des interventions sur le terrain pour la gestion des pannes dans les réseaux électriques, des modèles de prévision précis (production et consommation d'énergie avec un faible effet de regroupement) ou la répartition de l'intelligence dans les réseaux intelligents pour faire face à de nouvelles utilisations et énergies variables. De plus, le processus décisionnel dans un contexte incertain nécessite des outils d'aide à la décision pour l'opérateur de réseau. Ces outils requièrent souvent le couplage de techniques d'apprentissage profond et d'apprentissage par renforcement. Cela permet également d'intégrer l'expertise de l'opérateur de réseau dans ces modèles décisionnels.

ACTIVITÉS

  • Aleksandr Petrusev a présenté son travail MIAI days. Il a remporté le prix de la meilleure présentation de sa session.
    • Thèse de doctorat d'Aleksandr Petrusev : "AI for managing Smartgrids" avec ENEDIS
    • Thèse de doctorat de Hassan Issa : "IA pour les micro-réseaux à faible inertie"
    • Post-Doc d'Alyafi : "AI for short term consumption forecasting" avec ENEDIS
    • Post-Doc de Sandra Castellanos-Paez : "Planning AI for smartgrids" (planification de l'IA pour les réseaux intelligents)
    • 3 Mémoire de maîtrise
       
  • Projets à venir :
    • Création d'une Agora de l'énergie pour la collecte et l'utilisation des données énergétiques. Ingénieur de recherche à l'IRT Nanoelec
    • Doctorat sur l'IA pour les centrales électriques virtuelles et la prévision des prix avec Energy Pool
    • Doctorat sur l'IA pour le stockage avec ATOS World Grid

chaire

LISTE SÉLECTIVE DE PUBLICATIONS 

  • Aleksandr Petrusev, Rebecca Bauer, Remy Rigo-Mariani, Vincent Debusschere, Patrick Reignier et al. Comparing Time Series Classification And Forecasting To Automatically Detect Distributed Generation. IEEE PowerTech 2021, Jun 2021, Madrid, Espagne.

  • Un cadre de contrôle prédictif de modèle distribué pour des ressources énergétiques distribuées respectueuses du réseau. Subramanian, L. ; Debusschere, V. ; Gooi, H. B. & Hadjsaid, N. IEEE Transactions on Sustainable Energy.

  • Lalitha Subramanian, Mamadou Goundiam, Vincent Debusschere, Hoay Gooi, Raphael Caire et al. Impact of the Interaction of Synchronous Machines and Virtual Inertia Provisions on the Small Signal Stability of Microgrids. CIRED 2021, Sep 2021, Online, France.

  • Audrey Moulichon, Mazen Alamir, Lauric Garbuio, Vincent Debusschere, Mustapha Rahmani et al. CIRED 2021 - 26th International Conference & Exhibition on Electricity Distribution, Sep 2021, Genève, Suisse.

  • Coignard, J. ; Janvier, M. ; Debusschere, V. ; Moreau, G. ; Chollet, S. & Caire, R.Evaluating forecasting methods in the context of local energy communities. International Journal of Electrical Power & Energy Systems. Volume 131, octobre 2021, 106956.

  • Pas ds HAL_conference paper_ Subramanian, L. ; Debusschere, V. ; Gooi, H. B. & Hadjsaid, N. A Cooperative Rate-based Model Predictive Framework for Flexibility Management of DERs. IEEE Transactions on Energy Conversion _ August 2021IEEE Transactions on Energy Conversion PP(99):1-1.

  • Aleksandr Petrusev, Remy Rigo-Mariani, Vincent Debusschere, Patrick Reignier, Nouredine Hadjsaid. DÉTECTION AUTOMATIQUE DE LA PRODUCTION SOLAIRE DISTRIBUÉE BASÉE SUR DES INFORMATIONS EXOGÈNES. CIRED 2021, Sep 2021, Genève, Suisse.

  • Z Fang, N Crimier, L Scanu, A Midelet, A Alyafi, B Delinchant.Multi-zone indoor temperature prediction with LSTM-based sequence to sequence model. Energy and Buildings. Volume 245, 15 août 2021, 111053.

  • Moulichon, A. ; Alamir, M. ; Garbuio, L. ; Debusschere, V. ; Rahmani, M. A. ; Boudinet, C. ; Noris, W. & Hadjsaid, N., State observer to improve the VSG control stability, IEEE Annual Conference of the Industrial Electronics Society (IECON), 2020.

  • Moulichon, A. ; Debusschere, V. ; Garbuio, L. ; Rahmani, M. A. ; Alamir, M. & Hadjsaid, N., Standardization tests for the industrialization of grid-friendly Virtual Synchronous Generators, Bulletin of the Polish Academy of Sciences - Technical Sciences, 2020, 1-9.

  • Potel, B. ; Cadoux, F. ; Debusschere, V. & de Alvaro-Garcia, L., Impact of the periodicity of feeder re-allocation on the efficiency of under-frequency load shedding, IEEE PowerTech, 2019, 1-5.

  • Potel, B. ; Debusschere, V. ; Cadoux, F. & de Alvaro-Garcia, L., Échelles et objectifs pour le délestage sous-fréquence. Conférence internationale sur la distribution d'électricité (CIRED), 2019, 1-5.

  • Zgolli, A., Collet, C., & Bobineau, C. (2019, juin). DWS : une approche de placement de données pour les écosystèmes de réseaux intelligents. Dans les actes du 23e symposium international sur les applications et l'ingénierie des bases de données (pp. 1-5).

  • Zgolli, A., Collet, C., & Bobineau, C. (2019, juin). DWS : une approche de placement de données pour les écosystèmes de réseaux intelligents. Dans les actes du 23e symposium international sur les applications et l'ingénierie des bases de données (pp. 1-5).

  • Hamdan, A., Cadoux, F., & Collet, C. (2019). Conception d'un dispositif de laboratoire pour expérimenter le comptage intelligent pour les applications de réseaux basse tension intelligents, CIRED 2019.

  • Moulichon, A. ; Garbuio, L. ; Debusschere, V. ; Rahmani, M. A. & Hadjsaid, N., A simplified synchronous machine model for virtual synchronous generator implementation, IEEE Power and Energy Society General Meeting, 2019, 1-5.

  • Potel, B. ; Debusschere, V. ; Cadoux, F. & Rudez, U. A real-time adjustment of conventional under-frequency load shedding thresholds, IEEE Transactions on Power Delivery, 2019, 34, 2272-2274.

  • Potel, B. ; Cadoux, F. ; de Alvaro-Garcia, L. & Debusschere, V., A Clustering-based Method for the Feeder Selection to Improve the Characteristics of Load Shedding, IET Smart Grid, 2019.

Publié le 25 janvier 2024
Mis à jour le 25 janvier 2024