Transfert de connaissances vers l'industrie
Département Thermique Conversion et Hydrogène (LITEN)
Laboratoire des systèmes énergétiques pour les territoires
Mathématiques, Analyse numérique, Simulation
01-09-2021
SL-DRT-21-0664
Réseaux énergétiques intelligents (.pdf)
La prise en compte des incertitudes est essentielle pour la mise en ?uvre du pilotage optimal de système énergétiques, ainsi que de méthodes de dimensionnement tenant compte de ce pilotage optimal. Des méthodes existent pour réduire les incertitudes et leurs effets. Un prérequis pour la plupart de ces méthodes est de disposer de modèles d'optimisation permettant un calcul suffisamment rapide pour autoriser l'utilisation d'algorithmes d'estimation probabiliste de type Monte-Carlo. Cependant, le choix de ces modèles introduit lui-même de nouvelles incertitudes, portant sur la précision du modèle par rapport au système réel considéré. Ces incertitudes sont difficilement quantifiables, et peuvent être préjudiciables si elles dépassent les autres sources incertitudes. Dans ce travail de thèse, on propose d'élaborer, sur la base des travaux précédents au laboratoire, une méthode de simplification des modèles d'optimisation, utilisable pour le traitement des incertitudes et adapté au pilotage et au dimensionnement des systèmes et réseaux d'énergie. Le point particulièrement novateur de la méthode proposée portera la caractérisation des incertitudes sur les modèles et leur comparaison avec les autres sources d'incertitudes, à l'aide de méthodes innovantes issues des réseaux neuronaux bayésiens et de l'apprentissage profond (Deep Learning)
