1-

Les Microgrids :

Les micro-réseaux sont des sources d'énergie commandées localement qui peuvent intégrer plusieurs
générateurs répartis et des charges locales ; il tire parti de beaucoup de sources d’énergie propre
Comme l’éolien et le solaire, et c’est aussi un moyen efficace de résoudre le problème de connexion
au réseau.

Le PCC (Point of Common Coupling) :

le PCC peut être un point où le microgrid se connecte au réseau électrique principal ou au réseau
local, permettant ainsi de gérer l'interaction entre le microgrid et le réseau plus large.

Les composantes du micro-réseau :

• Les panneaux solaires

• Les micro turbines
• Les piles combustibles
• Les éoliens
• Les technologies de stockage d’énergie
• Un système de contrôle et de gestion

Les types des micro réseaux :

1-D/C Direct current microgrid system :

2-A/C alternative current microgrid system :

2-A/C and DC current microgrid system :

Rôle de l'Interlinking Converter (IC) :

L'Interlinking Converter (IC) joue un rôle crucial en permettant le flux bidirectionnel d'énergie entre
les sous-réseaux AC et DC via le contrôle de la conversion de courant, servant à la fois de redresseur
et d'onduleur en fonction des besoins du système.
Un système de contrôle et de gestion :

répartir la demande de charge entre différentes unités de génération distribuée (DG) et de

maintenir la qualité de l'énergie dans le microgrid en tenant compte des différents modes de
fonctionnement : connecté au réseau, en mode séparé, et la transition entre ces modes.

Le niveau de contrôle :

Contrôle primaire : Basé sur le principe de contrôle de droop, le contrôle primaire répartit la
charge du micro-réseau entre ses différentes sources d'énergie.

Contrôle secondaire : Intervient pour corriger les erreurs en régime permanent causées par le
contrôle de droop. Il vise à garantir que les sources d'énergie dans le micro-réseau fonctionnent
de manière optimale et efficace à long terme.

Contrôle tertiaire : Le contrôle tertiaire gère le flux d'énergie entre le micro-réseau et le réseau
électrique principal

La techniques de controle :

Model Predictive Control (MPC) peut être utilisé pour optimiser et contrôler la production, la
distribution et la consommation d'électricité.

Open-loop MPC dans les réseaux électriques : Dans ce cas, l'open-loop MPC peut être utilisé pour
planifier la production et la distribution d'électricité sur la base de modèles prédictifs, sans prendre en
compte les mesures en temps réel.

Closed-loop MPC dans les réseaux électriques : Le closed-loop MPC serait plus adapté dans les réseaux
électriques car il peut utiliser des mesures en temps réel pour ajuster continuellement la production,
la distribution et la gestion de l'électricité. Par exemple, en intégrant des capteurs de mesure de la
charge, des conditions météorologiques pour les énergies renouvelables, et d'autres données en temps
réel, le système peut ajuster la production et la distribution pour s'adapter aux variations de la
demande ou aux perturbations du réseau.

La logique floue :

Dans un système de gestion de l'énergie de micro-réseau basé sur la logique floue, les entrées
peuvent être des variables comme la demande d'électricité, les niveaux de stockage d'énergie, les
conditions météorologiques pour les sources d'énergie renouvelables, etc. Ces variables sont ensuite
traitées par des algorithmes de logique floue pour prendre des décisions concernant la distribution
de l'énergie, l'activation ou la désactivation des sources d'énergie, la charge des batteries, etc.

Stabilité d’une ligne de transport :

Stabilité de tension : Cela concerne le maintien de la tension électrique dans des limites admissibles
le long de la ligne.

Stabilité de fréquence : La fréquence du courant alternatif dans le réseau doit être maintenue
constante (par exemple, à 50 Hz ou 60 Hz selon la région).

La plateforme ThingSpeak :

L’analyse des données en temps réel : ThingSpeak est une plateforme de collecte et d'analyse de
données en temps réel. En l'utilisant, on peut surveiller et analyser en temps réel les données
générées par le micro-réseau. Cela permet une meilleure compréhension des performances du
système et des tendances, aidant ainsi à prendre des décisions plus informées pour optimiser le
fonctionnement du micro-réseau.

Exemple d’une station hybrid :

Partie programmation :

Python

Scikit-learn : est une bibliothèque open-source populaire en Python qui offre des outils pour
l'apprentissage automatique (machine learning). Elle propose une vaste gamme d'algorithmes pour

• Supervised : Cela signifie que les entrées de données sont associées à des sorties
attendues ou des étiquettes.
Classification : attribuer des étiquettes ou des catégories à des données en fonction
de certaines caractéristiques. Par exemple, prédire si un e-mail est du spam ou non,
en se basant sur des mots clés ou des attributs spécifiques.

• Knn : Il attribue une étiquette à un point de données en fonction des

étiquettes des points voisins les plus proches dans l'espace des
caractéristiques
• Logistic regression : Elle modélise la probabilité qu'une donnée
appartienne à une classe particulière
• Svm (Support Vector Machine) : L'idée principale derrière SVM est de
trouver l'hyperplan qui sépare au mieux ces deux classes. l'hyperplan
trouverait la meilleure séparation entre les pommes et les oranges.
• Decision tree : Ils divisent récursivement les données en fonction des
caractéristiques pour prendre des décisions. Chaque nœud représente
une caractéristique, chaque branche une règle de décision et chaque
feuille une étiquette ou une valeur.

Régression : consiste à prédire des valeurs continues. Par exemple, prédire le prix
d'une maison en fonction de ses caractéristiques comme la superficie, le nombre de
chambres

• Régression linéaire : Il cherche à établir une relation linéaire entre la

variable cible (dépendante) et une ou plusieurs variable explicatives
(indépendantes).

•Régression polynomiale : la régression polynomiale permet de

modéliser des relations plus complexes.
• UnSupervised : le modèle explore des données non étiquetées pour en tirer des structures,
des schémas ou des relations intrinsèques.

Clustering : C’est une technique d'apprentissage non supervisée utilisée pour

regrouper des données similaires en groupes ou en clusters. L'objectif est de créer
des groupes homogènes à l'intérieur desquels les données sont similaires, tandis que
les groupes sont différents les uns des autres
 • k-means : K-Means est un algorithme de clustering largement utilisé
en apprentissage non supervisé pour regrouper des données
similaires dans des clusters

Réduction dimensionnelle : réduire la dimensionnalité d'un ensemble de données en

projetant les données sur un nouvel espace de dimensions inférieures tout en
préservant autant que possible la variation des données.

• PCA : Le but principal de PCA est de réduire la dimensionnalité d'un

ensemble de données en projetant les données sur un nouvel espace
de dimensions inférieures tout en préservant autant que possible la
variation des données.
Le processus de machine learning peut être divisé en plusieurs étapes clés :

Collecte des données : Cette étape implique la collecte de données pertinentes et de haute qualité
qui seront utilisées pour entraîner le modèle. Les données peuvent provenir de diverses sources
telles que des bases de données, des capteurs, des fichiers, etc.

Préparation des données : Une fois les données collectées, elles doivent être nettoyées et préparées
pour être utilisées dans le modèle. Cela comprend le nettoyage des données manquantes, la
normalisation, la transformation des données catégorielles en données numériques, etc.

Choix du modèle : Sélectionner le type de modèle de machine learning qui convient le mieux au
problème spécifique que l'on cherche à résoudre. Il existe différents types de modèles comme les
réseaux de neurones, les machines à vecteurs de support (SVM), les arbres de décision, etc.

Entraînement du modèle : Utilisation des données préparées pour entraîner le modèle sélectionné.
Le modèle apprend à partir des données en ajustant ses paramètres pour minimiser l'erreur ou
maximiser une métrique spécifique.

Évaluation du modèle : Une fois que le modèle est entraîné, il est évalué pour mesurer sa
performance. Cela se fait généralement en utilisant un ensemble de données distinct appelé
ensemble de validation ou de test, pour voir comment le modèle se comporte sur des données qu'il
n'a pas vues pendant l'entraînement.

Réglage des hyperparamètres : Certains modèles ont des paramètres appelés hyperparamètres, qui
ne sont pas appris par le modèle mais qui affectent son comportement. Ces hyperparamètres sont
réglés pour améliorer les performances du modèle.

Utilisation du modèle : Une fois que le modèle est entraîné et évalué avec succès, il peut être utilisé
pour faire des prédictions ou des classifications sur de nouvelles données pour lesquelles les résultats
sont nécessaires.

Optimisation et maintenance : Les modèles de machine learning peuvent nécessiter une

optimisation continue pour maintenir leurs performances à mesure que de nouvelles données
arrivent. Cela peut inclure la réévaluation périodique du modèle, la mise à jour des ensembles de
données d'entraînement, ou même le réentraînement complet du modèle avec des données plus
récentes.