MPC base sur des réseaux de neurones pour une autoconsommation optimale d'énergie photovoltaïque
Neural network based model predictive control for an optimal photovoltaic energy self-consumption
Résumé
Digitisation and decentralisation are two key concepts guiding and driving the energy transition, a fundamental shift towards decarbonising our energy systems. These trends are encouraging the transformation of energy systems into cleaner, more sustainable and efficient models. Among the various approaches emerging in this context, self-consumption (SC) of photovoltaic (PV) energy has gained significant attention as a viable strategy to enhance decentralised electricity generation and consumption. Self-consumption facilitates the integration of renewable energy sources (RES), contributing to the decarbonisation of the energy mix.A key enabler in this context are Energy Management Systems (EMS), which provide the necessary technological framework to effectively manage energy flows within a SC scheme. EMS can act on flexible loads (FLs) to adapt the consumption curve, so that it follows the PV production curve as closely as possible.The objective of this PhD Thesis is to develop a Model Predictive Control (MPC) type EMS applied to a real building within a SC framework. The optimisation-based EMS is designed to control the heating ventilation and air conditioning (HVAC) system of a building by adjusting the set point temperature in order to maximise the self-consumption rate (SCR), ensuring occupant thermal comfort and minimising computational cost.The scientific literature shows that integrating predictions into an EMS can improve its performance. In this work, the EMS forecasts, one day ahead, (1) the building's energy consumption without considering the consumption of the HVAC system, and (2) the PV production of the SC. To make both predictive models computationally less demanding, predictive models based on the nonlinear autoregressive with exogenous inputs (NARX) neural network have been proposed, a simple type of machine learning model that has been trained with a reduced dataset.Additionally, the MPC uses linear models of the building's thermal behaviour and heat pumps. The thermal model represents the building's thermal dynamics. A NARX model trained with excitation tests data has been designed to capture the nonlinearities of the HVAC system. The NARX has been linearised at operation points of interest to minimise the computational cost of the MPC. Finally, the linear NARX models have been compared to a linear model identified with the excitation tests data.This Thesis concludes by the development of the EMS optimisation problem and the validation of its performance by the increase in SCR achieved.
La numérisation et la décentralisation sont deux concepts clés qui guident et stimulent la transition énergétique, une transition fondamentale pour atteindre la décarbonation du modèle énergétique. Ces tendances poussent à transformer les systèmes énergétiques vers des modèles moins polluants, plus durables et plus efficaces. Parmi les différentes approches qui émergent dans ce contexte, l'autoconsommation (AC) d'énergie photovoltaïque (PV) a gagné une attention significative comme stratégie viable pour améliorer la génération et la consommation décentralisées d'électricité. L'autoconsommation favorise l'intégration des sources d'énergie renouvelable (ENR), contribuant ainsi à la décarbonation du mix énergétique.Un élément facilitateur clé dans ce contexte est le Système de Gestion de l'Énergie (SGE), qui fournit le cadre technologique nécessaire pour gérer efficacement les flux d'énergie au sein d'un schéma d'AC. Les SGE peuvent agir sur des charges flexibles (CFs) pour adapter la courbe de consommation, de manière à suivre au mieux la courbe de la production PV.L'objectif de cette thèse de doctorat consiste à développer un SGE de type MPC (Contrôle Prédictif Basé sur Modèle) appliqué à un bâtiment réel dans le cadre de l'AC. Le SGE basé sur l'optimisation est conçu pour contrôler le système de climatisation d'un bâtiment en ajustant la température de consigne afin de maximiser le taux d'autoconsommation (TAC), en assurant le confort thermique des occupants et en minimisant le coût computationnel.La littérature scientifique montre que l'intégration de prédictions dans un SGE peut améliorer ses performances. Dans ce travail, le SGE effectue une prévision à un jour de : (1) la consommation énergétique du bâtiment sans prendre en considération la consommation du système de climatisation et (2) la production PV de l'ACC. Afin que les deux modèles prédictifs soient moins exigeants en termes de calcul, des modèles prédictifs basés sur le réseau neuronal nonlinear autorregressive with exogenous inputs (NARX) ont été proposés, un type de modèle d'apprentissage automatique simple qui a été entraîné avec un ensemble de données réduit.De plus, le MPC utilise des modèles linéaires du comportement thermique du bâtiment et des pompes à chaleur. Le modèle thermique représente la dynamique thermique du bâtiment. Un modèle NARX entraîné avec des données de tests d'excitation a été conçu afin de capturer les non-linéarités du système de climatisation. Le NARX a été linéarisé autour de points de fonctionnement pertinentes afin de minimiser le coût computationnel du MPC. Enfin, les modèles linéarisés du NARX ont été comparés à un modèle linéaire identifié avec les données des tests d'excitation.6Cette thèse se conclut avec le développement du problème d'optimisation du SGE et la validation de ses performances avec l'augmentation du TAC obtenue.
Origine | Version validée par le jury (STAR) |
---|