Contribution à la Gestion et à la Commande des Micro-Réseaux par les Systèmes Multi Agents.

Abstract

A la hora del desarrollo sostenible y del notable agotamiento de los recursos fósiles, las energías renovables se utilizan cada vez más. Es toda una política de desarrollo de fuentes de energía renovables que se está difundiendo internacionalmente.Como resultado, la integración de las energías renovables en la red eléctrica ha aumentado la complejidad de la red, por un lado, y ha cambiado su estructura por el otro. De hecho, dada su dispersión en diferentes sitios, los recursos de energía renovable han hecho posible la producción de energía distribuida y la bi-direccionalidad del flujo de energía en las redes eléctricas. Las mismas líneas eléctricas se utilizan para que la red absorba la energía renovable producida por los clientes y para abastecer a estos mismos clientes. La integración de esta producción distribuida en la red se puede facilitar mediante el establecimiento de micro-redes (MR) basadas en la ubicación geográfica.Concomitantemente, hay un importante desarrollo de las técnicas de Inteligencia Artificial inspiradas en el razonamiento humano (Lógica Difusa), la selección natural (Algoritmos Genéticos), el funcionamiento del sistema nervioso de los seres humanos (Redes Neuronales) y los comportamientos sociales de ciertas especies (sistemas multiagente). La idea principal de este trabajo es aprovechar el desarrollo y las ventajas de estas técnicas inteligentes para garantizar el funcionamiento de una micro-red instalada en un barco de carreras. De hecho, el patrón vasco Amaiur Alfaro tiene un gran desafío para la Vendée Globe 2020. Le gustaría ser el primer patrón en terminar la carrera utilizando solo fuentes renovables como turbinas eólicas, paneles fotovoltaicos, un hidro-generador y un sistema de recuperación de energía.Este desafío requiere el diseño de un sistema avanzado de gestión de la energía que garantice el equilibrio entre la producción y el consumo, teniendo en cuenta, entre otras cosas, la estimación de la energía eléctrica diaria disponible, a fin de determinar el momento y la cantidad de energía a almacenar.Este trabajo de investigación se estructura en dos fases principales. En la primera se busca obtener un predictor de alto rendimiento de la irradiación solar directa en una superficie horizontal utilizando la técnica de Redes Neuronales Artificiales Dinámicas, con el objetivo de utilizar los resultados para la predicción de la producción de energía fotovoltaica en el velero.El primer capítulo de la tesis presenta un estado del arte sobre la gestión de la energía en micro-redes y los otros dos capítulos describen todo el trabajo de investigación realizado y los diferentes resultados obtenidos.Dividimos el primer capítulo en dos partes. La primera parte fue dedicada a la gestión de la energía en las MRs. Para este propósito, hemos definido el concepto de MR y hemos expuesto los diversos problemas relacionados con él mediante la presentación de las técnicas de gestión utilizadas en la literatura. El objetivo era poder elegir la técnica más adecuada para la gestión de la MR implementada en nuestro trabajo. Teniendo en cuenta el aspecto descentralizado de la MR y la gran variación de las condiciones de su funcionamiento para nuestro caso, optamos por utilizar la técnica de los sistemas múltiagente (SMA). Para esto, definimos un SMA, un agente general, un agente de software y un agente físico. Además, presentamos las propiedades y las características importantes relacionadas con el funcionamiento de un SMA.En la segunda parte del primer capítulo, nos hemos interesado a la predicción, un paso necesario que debe preceder la gestión de la energía en las MR. Dada la intermitencia de la producción fotovoltaica, que es una parte importante de la producción en la MR implementada, nos centramos en la predicción de la radiación solar, la variable meteorológica responsable de la producción fotovoltaica. Un estado del arte de lo que se ha hecho en la literatura ha demostrado que la predicción de una serie temporal en general, y la de la radiación solar en particular, requiere el uso de técnicas no lineales. El aspecto estadístico de la radiación solar y la falta de información suficiente que conduzca a su modelado nos ha llevado a optar por una técnica que utiliza un modelo de "caja negra", con una buena capacidad de aprendizaje: la de las Redes Neuronales Artificiales (RNA). Para esto, en el último párrafo de este capítulo, hemos desarrollado las características de los diferentes modelos de RNA enfocando en los principales parámetros que nos permitieron usarlos más adelante.Dedicamos el segundo capítulo a la predicción de la radiación solar directa en una superficie horizontal a medio plazo utilizando la técnica de RNA dinámica. El modelo de RNA que elegimos es el modelo NARX.Al estudiar la fuente y las transformaciones que sufre la radiación solar para alcanzar la superficie de la Tierra, la hemos descompuesto en un componente determinista y un componente estadístico. En la primera sección del capítulo, hemos definido los parámetros necesarios para calcular el modelo de "cielo despejado" de radiación solar directa en una superficie horizontal, que modela el componente determinista de la radiación. También realizamos un estudio comparativo para determinar tres parámetros constructivos de la radiación solar: la declinación solar, la ecuación del tiempo E y el factor de corrección de la distancia tierra-sol KD.En cuanto a la segunda sección del capítulo, se dedicó a la predicción de la radiación solar. Comenzamos con la definición del modelo NARX de la RNA e insistimos en las propiedades que explotamos en nuestro trabajo. Posteriormente, presentamos la base de datos utilizada para la predicción y los criterios de evaluación, que son el error cuadrático medio ¿Mean Square Error¿ MSE y el promedio diario del error de potencia ¿Daily Mean of the Power Error¿ DMPE. La salida deseada de la red neuronal es la radiación solar global medida por la estación meteorológica de ESTIA-Bidart, y las entradas son el modelo de "radiación de cielo despejado" de radiación directa que se ha definido en la primera sección y la cubierta de nubes que se presenta más adelante y representa el componente estadístico de la radiación solar. Los datos de salida de la cubierta de nubes son pronósticos espaciados con una diferencia de 0.25° en latitud y longitud, con un intervalo de tiempo de 3 horas, y se descargan desde el sitio web www.zygrib.org. Por lo tanto, hemos propuesto dos interpolaciones que se aplicarán para estos datos de previsión, uno geográfico y otro temporal, y esto para poder construir la entrada de la red neuronal.Posteriormente, presentamos los resultados obtenidos y el modelo propuesto. La idea principal de nuestra solución es realizar un aprendizaje regular una vez al día (a medianoche), para tener en cuenta varios parámetros, como la cubierta de nubes, las características solares y la movilidad del barco. Después de presentar de forma sintética los resultados de las simulaciones, hemos preparado una base de datos adecuada que consta de una base de datos de prueba y aprendizaje de 10 días, cuyos datos se filtran en un intervalo de tiempo de 30 minutos en un intervalo de una hora La red NARX final contiene 15 neuronas en las dos capas ocultas y una neurona en la capa de salida. La función de activación de las capas ocultas es sigmoidal y la de la capa de salida es tangente hiperbólica. La generación de los pesos iniciales es aleatoria. El MSE y el DMPE son los criterios utilizados para elegir los parámetros óptimos.Al final de la segunda sección del segundo capítulo, realizamos el procesamiento de datos necesario para aplicar el aprendizaje a bordo. De hecho, la nubosidad y la radiación solar global medida son datos fácilmente recuperables incluso durante la navegación, ya que la descarga del archivo GRIB se realiza de antemano y la medición de la radiación global se realiza mediante una estación meteorológica portátil. Sin embargo, el cálculo del modelo de "radiación de cielo despejado" de la radiación solar directa requiere la recuperación de la fecha y la hora, la latitud y la longitud. Un procesamiento de los datos recibidos de los instrumentos a bordo por la red de veleros permitió una decodificación de las tramas que circulan en esta red y la recuperación de los parámetros necesarios.La segunda fase de este trabajo se centra en la gestión de MRs mediante los SMA. Este es el tema del tercer capítulo. De hecho, la complejidad de la gestión de MRs varía según la composición de las MRs, las condiciones en las que operan y las restricciones estudiadas por el gerente. Las características y especificidades de la MR estudiada en este trabajo de investigación son particulares ya que:¿ La MR estudiada está alimentada solo con energías renovables,¿ La MR es móvil, instalada en un velero cuyo recorrido depende en gran medida de las condiciones meteorológicas (velocidad y dirección del viento),¿ Es un yate de carreras, por lo que la velocidad y la continuidad del servicio son dos limitaciones principales en la gestión.Para eso, al principio, presentamos el modelo global de la MR estudiada describiendo su estructura. Luego modelamos cada elemento con un modelo en el entorno de Matlab-Simulink que se basa en las ecuaciones de la electricidad y el principio de funcionamiento del elemento.Una vez que se modeló la MR, pasamos a la presentación del SMA propuesto. Así definimos su estructura:¿ un agente ha sido asociado con cada productor de energía,¿ el cargador se ha combinado con el agente asociado con él,¿ con respecto a las cargas, basándose en su repartición en cargas prioritarias, secundarias e inerciales, les asignamos un agente para cada categoría,¿ se han implementado tres agentes de software adicionales para garantizar la gestión adecuada de la MR, un agente "supervisor", un agente de "predicción" y un agente de "interfaz gráfica".Posteriormente, identificamos la estructura y el principio de operación e interacción de cada agente con su entorno. Al final, presentamos los resultados obtenidos al mostrar varios escenarios relacionados con las condiciones de navegación y encontramos que el uso del SMA para la gestión de la MR estudiada ofrece una ganancia en términos de eficiencia energética. De hecho, el carácter distribuido del SMA y la interacción entre los agentes hacen posible:¿ suministrar todo tipo de carga lo más posible, lo que garantiza la continuidad del servicio en la MR,¿ controlar la variación del estado de carga (¿state of charge¿, SOC) de la batería de forma permanente y eficiente, lo que contribuye a proteger la batería y aumentar su vida útil,¿ maximizar la disponibilidad de la producción fotovoltaica minimizando el lanzamiento del hidro-generador al agua y mejorando así la velocidad de navegación del barco.¿ promover el uso de recursos renovables, que, a pesar de su naturaleza intermitente, son una fuente confiable de electricidad incluso en un caso extremo (yate de carreras), cuando su uso está bien estudiado de antemano (tamaño de los elementos de la MR, optimización del peso para una buena navegación).En conclusión, los resultados obtenidos durante este trabajo de investigación han demostrado tanto la efectividad de las RNA en la predicción de la producción fotovoltaica como la de los SMA para la gestión de la energía. Esto es prometedor para el estudio de MRs en general y para la aplicación de técnicas de inteligencia artificial para la gestión de MRs en particular