Utiliser l’apprentissage en profondeur pour développer un modèle de prévision pour gérer efficacement les réseaux électriques

Le changement climatique est un défi environnemental majeur de notre époque. Il s’accélère en raison des émissions excessives de carbone provenant de sources d’énergie non renouvelables, y compris les combustibles fossiles. Dans ces circonstances, les gouvernements du monde entier élaborent des politiques pour atteindre la neutralité carbone en promouvant l’énergie verte.

Cela a conduit au développement de diverses sources d’énergie renouvelables (SER) – panneaux solaires, éoliennes et turbines – en remplacement des combustibles fossiles. L’interconnexion de ces SER aux réseaux d’alimentation électrique est nécessaire. À cet égard, les micro-réseaux (MG), qui intègrent des sources d’énergie renouvelables et non renouvelables et des systèmes de stockage d’énergie, constituent une solution prometteuse. Mais leur fonctionnement efficace est difficile en raison de la disponibilité instable et des incertitudes des SER. Par exemple, les SER basés sur l’énergie solaire ne peuvent pas fonctionner efficacement les jours nuageux.

En conséquence, les opérateurs MG ne peuvent pas faire d’offres rentables sur le marché de l’énergie du jour suivant, où ils doivent promettre l’approvisionnement en énergie pour le lendemain.

Ainsi, il existe un besoin évident de prédire avec précision les incertitudes sur les SER, leur demande énergétique et les prix du marché. Les méthodes de prédiction conventionnelles existantes considèrent divers scénarios futurs possibles et leurs probabilités. Cette approche présente plusieurs inconvénients, notamment une faible précision de prédiction. Pour les surmonter, les chercheurs ont eu recours à des modèles basés sur l’apprentissage profond. Bien qu’ils fassent des prédictions précises, leurs hyperparamètres – variables qui contrôlent le processus d’apprentissage – doivent être optimisés de manière appropriée.

Dans ce contexte, le professeur Mun-Kyeom Kim du Département d’ingénierie des systèmes énergétiques de l’Université Chung-Ang, en Corée, en collaboration avec M. Hyung-Joon Kim, a récemment proposé un nouveau modèle de prévision basé sur l’apprentissage en profondeur pour prédire avec précision les paramètres incertains. pour un fonctionnement optimal et rentable des micro-réseaux. Leur travail a été publié Énergie appliquée.

« La méthode de prévision basée sur les données proposée utilise un modèle de mémoire longue à court terme (LSTM), un réseau de neurones artificiels avec des connexions de rétroaction. Ses hyperparamètres sont optimisés par un algorithme génétique d’optimisation d’essaim de particules de poids adaptatif (GA-AWPSO), tandis que un mécanisme d’attention global (GAM) identifie les caractéristiques importantes à partir des données de paramètres d’entrée », explique le professeur Kim.

« Ces deux algorithmes peuvent aider à surmonter les limites des méthodes conventionnelles et à améliorer la précision et l’efficacité des prédictions du modèle LSTM. »

Dans leurs travaux, les chercheurs ont également développé un programme d’exploration de données et de réponse à la demande basée sur des incitations (DM-CIDR) pour gérer les incertitudes relatives à la demande d’énergie et aux prix du marché. Ici, des points de commande pour identifier la structure de clustering (OPTICS) et des algorithmes k-plus proche voisin (k-NN) ont été utilisés pour déterminer les taux d’incitation optimaux pour les clients sur le marché de l’énergie journalier.

Pour démontrer les performances de leur modèle GA-AWPSO-LSTM-GAM et de leur programme DM-CIDR, les chercheurs les ont mis en œuvre sur les données historiques du marché de l’énergie de l’interconnexion Pennsylvanie-New Jersey-Maryland (PJM). Le modèle présentait une erreur de prévision inférieure à celle des modèles de prévision existants et fournissait les meilleures valeurs de corrélation pour prédire la disponibilité des SER. En particulier, il a obtenu une valeur de coefficient de détermination de 0,96 pour les panneaux solaires, surpassant celle obtenue à partir des modèles existants.

Avec ces résultats, les chercheurs ont de grands espoirs pour leur modèle de prédiction proposé. « Il accélérera l’intégration des ressources renouvelables dans les réseaux d’alimentation électrique tout en permettant aux opérateurs MG de résoudre les problèmes de gestion de l’énergie à un jour. Cela, à son tour, améliorera la fiabilité du réseau électrique régional, fournira une énergie propre à faible coût aux personnes et favorisera En fin de compte, cela peut ouvrir les portes à des sources d’électricité à zéro émission qui peuvent faire de la neutralité carbone d’ici 2050 un objectif réaliste à atteindre », conclut le professeur Kim.

Fourni par l’Université Chung Ang