Intelligence Artificielle pour le contrôle autonome de réseaux de distribution avec forte pénétration de renouvelables. – AI4DG

Les méthodes de contrôle développée dans la première partie du projet reposent sur des approches de commande prédictives avec une étape de prédiction des profils de consommation/production, et une étape d'optimisation.
Les prédictions de puissance à l’horizon d'une journée et au pas demi horaire font intervenir des méthodes d'intelligence artificielle avec des réseaux de neurones convolutifs. Ces approches ont été mises en place au LIG (UGA) et à UBI.
A partir de ces prédictions, une première stratégie d'optimisation repose sur une approche centralisée comme cas de référence. Cette méthode développée par UASBI vise à contrôler les équipements derrière le compteur de manière à minimiser le pic de puissance appelée au niveau du transformateur de distribution (i.e. en tenant compte d’agrégation de l'ensemble des profils en puissance des utilisateurs).
Une seconde méthode de contrôle décentralisée est proposée par le G2Elab (UGA) et repose sur un contrôle en deux temps avec 1) une phase prédictive : engagement à J-1 sur un profil à suivre et 2) une phase corrective proche du temps réel pour tenir compte des erreurs de prédiction et coller au profil d’engagement. La première étape se base sur un algorithme de direction alternée avec optimisation successive à l’échelles des utilisateurs et du transformateur (agent coordinateur). Il y a échange d’information quantité (puissance) / prix (lagrangien) entre le coordinateur et les utilisateurs au fil des itérations jusqu’à une convergence – i.e. équilibre entre les objectifs des utilisateurs (facture minimum) et du coordinateur (profil de puissance lissé au niveau du transformateurs MV-LV). La phase en temps réelle consiste en trois étapes – i) à chaque pas de temps les utilisateurs définissent leurs flexibilités disponibles et transmettent cette information au coordinateur, ii) le coordinateur choisit ensuite les référence de puissance pour chaque utilisateur pour corriger les écart de prédiction sur le profil agrégé, iii) les utilisateurs appliquent finalement les références.
En parallèle, une étude prospective menée au G2Elab (UGA) analyses l’adéquation et l’arbitrage entre les objectifs des utilisateurs et du coordinateur en tenant compte de potentielles contraintes au niveau du réseau de distribution (tension et pertes). Cette étude prend la forme de scénario et optimisations offline en faisant varier les modèles et poids des différents objectifs.

D’un point de vue simulation pour les méthodes de contrôle, la convergence des méthodes mises en place à été validée pour une centaine d’utilisateurs contrôlés. En particulier la méthode décentralisée à été tester pour différentes capacités de stockage installées et différentes qualités de prédictions. Les résultats ont montré que l’augmentation du nombre d’utilisateurs dans le périmètre de contrôle permettait d’atteindre des profils de puissance agrégée plus lisses (i.e. objectif du coordinateur) tout en améliorant la correction des erreurs de prédictions (effet de foisonnement).
En parallèle des simulations, les spécifications techniques pour l’intégration des méthodes dans la plateforme du partenaire industriel ATOS ont été définies. En particulier l’architecture décrite tient compte des messages/données à échanger entre les acteurs du système en fonction de la stratégie de gestion choisie (centralisée Vs décentralisée).
D’un point de vue des tests expérimentaux une zone du réseau de distribution WWN a été identifiée en Allemagne avec très forte pénétrations de solaire (panneaux derrière le compteur). Quatre utilisateurs se sont portés candidat pour installés des équipements de stockage qui seront contrôler dans le cadre du déploiement expérimental du projet.

D’un point de vue recherche/simulations la perspective la plus important et d’identifier le potentiel de l’intelligence artificielle pour remplacer/améliorer les stratégies de contrôle mise en place sur base de modèle et optimisation. Une attention particulière sera apportée à l’explicabilité des méthodes et à la compacité des contrôleurs (e.g. règles, logique floue, arbre de décision). De manière plus prospective, l’analyses de l’arbitrage entre objectifs utilisateurs et réseaux pourra permettre de proposer des stratégies de rétribution pour d’éventuel service système apporté au réseau de distribution (contrôle de tension, lissage de puissance, etc).
D’un point de vue de l’intégration, les prochaines étapes (immédiates) porteront sur l’implantations des stratégies de prédictions et contrôle dans la plateforme Codex Smart Edge d’ATOS. Avant les premiers essais expérimentaux sont programmées d’ici la fin 2023 / début 2024.

R. Rigo-Mariani, V. Debusschere, “An ADMM-based Coordination Strategy for the Control of Distributed Storage at the Household Level – Impact of the End-User Settings”, ELECTRIMACS, Nancy, France, May 2022. hal.science/hal-03675572. This paper is also submitted to the MATCOM journal, Mathematics and Computers in Simulation.
• K. Hendle, K. Schulte, R. Rigo-Mariani, J. Haubrock, “Minimizing reverse power flow at the low voltage transformer by controlling solar battery storages using a linear optimization algorithm”, submitted to ISGT conference 2023.
• J. Coignard, R. Rigo-Mariani, V. Debusschere, “A Trade-off between minimizing individual costs and collective network constraints”, working paper
• V. Debusschere, «Use of artificial intelligence for the management of smart grids«, online webinar, March, 2023.

Afin de garantir la qualité de tension à tous niveaux du réseau, le fonctionnement sûr et fiable du réseau, et d'éviter une expansion coûteuse des infrastructures, les sources d’énergie renouvelable, les unités de stockage de batteries distribuées doivent être contrôlées de manière intelligente et coordonnée. L'objectif du projet AI4DG est de développer une plateforme d'IA en périphérie pour assurer un contrôle sécurisé et autonome de réseaux de distribution avec une part élevée de renouvelable. Une telle approche d’Edge Computing (informatique en périphérie) offre une alternative à des architectures centralisées de type ‘cloud’ et permet d'exécuter les applications sur le terrain, au plus près des sources de données tout en assurant la sécurité et la confidentialité des informations et en évitant un point de défaut unique. Une première étape du projet consiste à identifier les outils d’intelligence artificielle pertinents pour répondre aux problèmes de gestion de ressources d’énergie flexibles distribuées. En parallèle, les partenaires du projet mettront en place un environnement de simulation pour des réseaux basse tension afin d’implémenter et valider les modules de la plateforme distribuée. Après validation, la plateforme sera testée sur système réel. Les résultats scientifiques seront publiés sur des journaux en accès libre et présentés dans des conférences internationales. Le partenaire industriel Atos Worlgrid ingèrera les résultats du projet et modules de la plateforme dans le développement de futures technologies et produits