Académique Documents
Professionnel Documents
Culture Documents
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 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.
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 :
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 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.
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.
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
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.