Configuration des systèmes énergétiques hybrides: une approche par l’apprentissage profond

Legrene, Inoussa (2026). Configuration des systèmes énergétiques hybrides: une approche par l’apprentissage profond. Thèse de doctorat électronique, Montréal, École de technologie supérieure.

Prévisualisation

PDF Télécharger (2MB) | Prévisualisation

Résumé

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.

Titre traduit

Configuration of hybrid energy systems : a deep learning approach

Résumé traduit

This thesis is organized into three major stages, supported by two preliminary conference communications and four scientific articles, to address the sizing and management of hybrid renewable energy systems (HRES) from the perspective of complexity reduction, improvement of weather forecasting, and adaptive decision intelligence.

In the first communication, we analyzed the influence of economic parameters (capital, installation, and operating costs) and contextual factors (load profiles, local renewable-resource availability, feed-in tariffs) on microgrid design, revealing the essential trade-off between profitability and reliability. Building on this foundation, we proposed a hybrid method combining the Branch Bound algorithm with k-Nearest Neighbors to prune the configuration tree of PV+WT+BESS+DG systems within Simulink. From a synthetic meteorological dataset and load profiles, we generated 5,390 configurations—each characterized by vectors of load duration, predicted production, and penetration rate—and filtered them using Branch Bound to select an initial subset. A kNN algorithm then classified the remaining configurations by similarity, eliminating unpromising branches. This approach reduced simulation time by 45 %–95 % while maintaining over 83 % accuracy in identifying the optimal topology.

The second communication introduced a simplified prototype coupling a genetic algorithm with an LSTM model for global horizontal irradiance (GHI) forecasting, demonstrating the feasibility of combining statistical modeling with evolutionary computation. From this insight, we focused on GHI prediction via neural architecture search (NAS) enhanced by transfer learning (TL), dynamic search-space adaptation (DSS), and learning-curve extrapolation. Over one hundred candidate architectures—each defined by multiple hyperparameters (number of layers, kernel size, learning rate, etc.)—were explored. DSS dynamically refines the search space according to observed error distributions, enabling early abandonment of costly architectures, while learning-curve extrapolation halts networks with poor convergence. Compared to classical methods (GA, PSO, DE, ABC), this strategy reduced NAS runtime by up to 89 % and improved GHI-forecast accuracy by 33 %–99 % in RMSE over horizons of 6 to 72 hours.

The final stage introduces a comprehensive adaptive sizing and multi-objective control framework based on deep reinforcement learning (DRL). The state space incorporates battery-state-of-charge, forecasted irradiance and wind speed, and current generation levels, while the action space covers power dispatch among PV panels, wind turbines, battery, diesel generator, and grid. The Twin Delayed Deep Deterministic (TD3) algorithm ensures stability and efficient exploration. The cumulative reward combines the levelized cost of energy (LCOE), renewable-energy fraction (REF), and loss-of-power-supply probability (LPSP), with a penalty on fossil-fuel usage. Applied to real NREL load profiles, this approach reduced LCOE by 21 % to 30 %, increased renewable-energy share by 86 %, and decreased LPSP by 8.9 %, with peak performance of –19.7 % LCOE, +86 % REF, and –8.9 % LPSP—outperforming NSGA-II and MOPSO on most indicators. Together, these contributions illustrate the value of a progressive methodology spanning complexity reduction through simulation pruning and adaptive decision intelligence. The ultimate goal is to establish a design framework for next-generation smart microgrids that are resilient, high-performance, and environmentally friendly.

Type de document:	Mémoire ou thèse (Thèse de doctorat électronique)
Renseignements supplémentaires:	"Thèse par articles présentée à l'École de technologie supérieure comme exigence partielle à l'obtention du doctorat en génie". Comprend des références bibliographiques (pages 173-189).
Mots-clés libres:	apprentissage profond, apprentissage automatique, énergie renouvelable, fouille heuristique, incertitudes, optimisation multi-objectifs, prédiction
Directeur de mémoire/thèse:	Directeur de mémoire/thèse Wong, Tony
Codirecteur:	Codirecteur Dessaint, Louis-A.
Programme:	Doctorat en génie > Génie
Date de dépôt:	04 mars 2026 20:13
Dernière modification:	04 mars 2026 20:13
URI:	https://espace.etsmtl.ca/id/eprint/3836

Gestion Actions (Identification requise)

Dernière vérification avant le dépôt