slides_reloaded

85 vues

Publié le

0 commentaire
0 j’aime
Statistiques
Remarques
  • Soyez le premier à commenter

  • Soyez le premier à aimer ceci

Aucun téléchargement
Vues
Nombre de vues
85
Sur SlideShare
0
Issues des intégrations
0
Intégrations
6
Actions
Partages
0
Téléchargements
1
Commentaires
0
J’aime
0
Intégrations 0
Aucune incorporation

Aucune remarque pour cette diapositive

slides_reloaded

  1. 1. Planification adaptative dans les microgrilles Samy Aittahar saittahar@ulg.ac.be Doctorant (Informatique) Supervision : Pr Damien Ernst Département d'Electricité, Electronique & Informatique Université de Liège (Ulg) Présentation FRIA 20 octobre 2015, Bruxelles
  2. 2. 2 Contexte ● Gestion locale production/consommation ; ● Supports de stockage pour équilibrage production/consommation ; ● Construction automatisée de stratégies intelligentes de planification. Capacité Puissance Baisse des coûts. Coût : Transactions réseau principal (si connecté) Puissance Capacité Coût : Pénalités coupures de courant (si indépendant)
  3. 3. 3 Planification dans les microgrilles Etat du système Actions 1 2 3 4 5 6 7 8 1 2 3 4 5 6 7 8 Séquences d'actions (illustration) Difficultés : Incertitudes, comment combiner de manière intelligente différents supports de stockage ? H2 H2 Cons Prod
  4. 4. 4 Plan de la présentation Continuité du projet de recherche Microgrille à dynamique linéaire Mémoire de Master Calendrier du projet Microgrilles à dynamique linéaires Extensions Microgrille à dynamique non linéaire Microgrille à dynamique partiellement connue Début Fin
  5. 5. 5 Microgrilles avec dynamique linéaire Séquences d’actions optimales. Programmation linéaire. Stratégies de planification adaptatives sous forme d'arbres de décision Apprentissage automatique. Approche publiée dans : Aittahar, S., Francois-Lavet, V., Lodeweyckx, S., Ernst, D. and Fonteneau, R. (2015) Imitative learning for online planning on microgrids. Proceedings of Data Analytics for Renewable Energy Integration 2015. Ensemble de scénarios production/consommation. Séries temporelles.
  6. 6. 6 Extensions de l'approche (microgrilles linéaires) • Comparer construction d'arbres de décision à d'autres algorithmes d'apprentissage automatique ; • Meilleure prise en compte des contraintes opérationnelles du système ; • Tests de l’approche sur d’autres micro-réseaux « linéaires » comme par exemple micro-réseaux connectés au réseau principal ou avec des autres générateurs.
  7. 7. 7 Microgrilles avec dynamique non-linéaire Calcul des séquences d'actions optimales via programmation linéaire Coût instantané d'opération accessible à chaque instant Etapes 1. Extraction de séquences d'action quasi-optimales via l'apprentissage par renforcement ; 2. Extraction de stratégies de planification adaptative via ces solutions quasi-optimales. Calcul de séquences d'actions quasi optimales (guidé par coût instantané)
  8. 8. 8 Microgrilles avec dynamique partiellement connue ? 1. Application de la stratégie issue des résultats précédents ; 2. Adaptation en temps réel de la stratégie en fonction des aléas. Etapes Viellissement (prématuré) Charges mobiles Autres phénomènes non modélisés (coûteux, trop difficiles)
  9. 9. 9 Volet 1 Plan de travail Développement librairie informatique pour la planification dans les microgrilles Construction base de données de modèles de microgrilles Apprentissage par imitation (Modélisation linéaire) Volet 2 Apprentissage par renforcement/imitation (Modélisation non linéaire) Volet 3 Apprentissage par renforcement (Modélisation imparfaite) Volet 4 Écriture thèse + Finalisation librairie informatique Volets transversaux 12 mois 12 mois 14 mois 10 mois ● Premier séjour recherche prévu à l'INRIA Saclay-IDF (Volet 2, ~ 4 mois) ; ● Deuxième séjour recherche envisagé (Volet 3, ~5 mois).
  10. 10. 10
  11. 11. 11 Annexe 1 : coût opération (Levelized Energy Cost)
  12. 12. 12 Annexe 2 : programme linéaire
  13. 13. 13 Annexe 3 : exemple de structure de décision X1 < a1 X2 < a2 X3 < a3 X4 < a4 Y1 = b4 Y1 = b5 Y1 = b3 Y1 = b1 Y1 = b2 Entrée : X = <X1 ,X2 ,X3 ,X4 > Sortie : Y = <Y1 >
  14. 14. 14 Annexe 4 : apprentissage automatique Conséquence = Impact (coût ou récompense) valué d'une action sur l'environnement EnvironnementApprenant Base de connaissance Révision Transmission Application Conséquence Cas simple : Régression linéaire Apprentissage supervisé Apprentissage par renforcement
  15. 15. 15 Annexe 5 : projection sur les contraintes ● Nombre de sorties = nombre de supports de stockage ; ● Actions choisies de manière indépendantes → Violation possible des contraintes. Projection nécessaire. X Projection sur les actions compatibles les plus proches Actions non compatibles Actions compatibles

×