Cette thèse se structure en trois étapes majeures, appuyées par deux communications préliminaires en conférence et quatre articles scientifiques, afin d’aborder le dimensionnement et la gestion des systèmes hybrides d’énergie renouvelable (HRES) sous les angles de la réduction de la complexité, de l’optimisation de la prévision climatique et de l’intelligence décisionnelle adaptative.
Dans la première communication, l’analyse portait sur l’influence des paramètres économiques (coût du capital, d’installation et d’exploitation) et des facteurs contextuels (profil de charge, ressources renouvelables locales, tarifs d’achat) sur la conception de micro-grids, révélant le compromis essentiel entre rentabilité et fiabilité. Sur ces fondations, une méthode hybride combinant l’algorithme Branch & Bound et le k-Nearest Neighbors pour élaguer l’arbre des configurations PV+WT+BESS+DG sous Simulink a été proposée. À partir d’un jeu de données météorologiques synthétiques et de profils de charge, 5 390 configurations ont été générées, caractérisées par des vecteurs de temps de charge, de production prédictive et de taux de pénétration, puis filtrées par Branch & Bound pour sélectionner un sous-ensemble initial. Un algorithme kNN a ensuite classifié les configurations restantes selon leur similarité, éliminant les branches non prometteuses. Cette démarche a conduit à une réduction de 45 % à 95 % du temps de simulation, tout en maintenant plus de 83 % de précision dans l’identification de la topologie optimale.
La seconde communication présentait un prototype simplifié couplant un algorithme génétique avec un modèle LSTM pour la prévision de l’irradiance solaire (GHI), démontrant la faisabilité de l’association de la modélisation statistique et du calcul évolutif. De ce constat, les travaux se sont concentrées sur la prévision du GHI via une fouille d’architecture neuronale (NAS) améliorée par le transfert d’apprentissage (TL), l’adaptation dynamique de l’espace de recherche (DSS) et extrapolation de courbe d’apprentissage. Plus d’une centaine d’architectures candidates, chacune définie par plusieurs hyperparamètres (nombre de couches, taille de noyau, taux d’apprentissage, etc.), ont été explorées. Le DSS ajuste dynamiquement l’espace de fouille en fonction de la distribution des erreurs observées, permettant un abandon anticipé des architectures coûteuses. Pendant ce temps, l’extrapolation de courbe d’apprentissage stoppe précocement les réseaux à faible convergence. Comparée à des approches classiques (GA, PSO, DE, ABC), cette stratégie a réduit jusqu’à 89 % la durée du NAS et amélioré la précision des prévisions de GHI de 33 % à 99 % en RMSE sur des horizons de 6 à 72 heures.
La dernière partie de ces travaux introduit un cadre complet de dimensionnement adaptatif et de pilotage multicritère basé sur l’apprentissage par renforcement profond (DRL). L’espace d’état intègre le niveau de charge de batterie, l’irradiance et la vitesse du vent prédites, ainsi que les niveaux de production en cours, tandis que l’espace d’action couvre la régulation des puissances attribuées aux panneaux photovoltaïques, aux éoliennes, à la batterie et au générateur diesel ou au réseau. L’algorithme Twin Delayed Deep Deterministic (TD3) assure stabilité et exploration efficace. La fonction de récompense cumulative combine le coût actualisé de l’énergie (LCOE), la fraction d’énergie renouvelable (REF) et la probabilité de perte d’alimentation électrique (LPSP), en intégrant une pénalisation de l’usage des sources fossiles. Appliquée à des profils de consommation réels du NREL, cette approche réduit le LCOE de 21 % à +30 %, accroît la part d’énergie renouvelable de +86 % et diminue la probabilité de perte de charge de 8,9 %, avec des performances maximales de 19,7 % de LCOE, +86 % de REF et 8,9 % de LPSP, surpassant NSGA-II et MOPSO sur la plupart des indicateurs. Ensemble, ces contributions illustrent la valeur d’une démarche progressive allant de la réduction de la complexité de simulation à l’intelligence décisionnelle adaptative. L’objectif étant de définir un cadre de conception des micro réseaux et intelligents de nouvelle génération, résilients, performants et respectueux de l’environnement.
| Date | 30 janv. 2026 |
|---|
| langue originale | Français |
|---|
| Établissement diplômant | - École de technologie supérieure
|
|---|
| Superviseur | Tony Wong (Directeur(-trice)) & Louis-A. Dessaint (Codirecteur(-trice)) |
|---|