The Impact of PV Generation Forecast and Multi-Objective Control Policy on Optimal Operation of Grid Connected PV-BESS Microgrid
Cette étude démontre que l'intégration d'un modèle de prévision de la puissance photovoltaïque basé sur un LSTM à une politique de contrôle multi-objectif améliore significativement l'exploitation optimale des micro-réseaux PV-BESS connectés au réseau en améliorant l'autoconsommation et en réduisant les injections dans le réseau, malgré le compromis d'une utilisation accrue de la batterie.
Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète
Le soleil est un voisin généreux mais imprévisible. Il fournit une quantité massive d'énergie propre, pourtant sa production varie constamment avec les nuages, l'heure de la journée et les saisons. Pour le réseau électrique, qui doit équilibrer l'offre et la demande chaque seconde pour maintenir les lumières allumées et les appareils en marche, cette variabilité crée un défi important. Si un système de panneaux solaires produit plus d'électricité que ce dont un quartier a besoin à un instant donné, cet excédent d'énergie doit bien aller quelque part. S'il n'est pas géré avec soin, il peut inonder le réseau local, provoquant des pics de tension ou de la congestion qui menacent la stabilité. Pour résoudre cela, les ingénieurs se tournent de plus en plus vers une combinaison de panneaux solaires, de systèmes de stockage par batterie et de programmes informatiques intelligents. Les batteries agissent comme un tampon, absorbant l'excès de puissance lorsque le soleil brille et la restituant lorsque le ciel s'assombrit ou que la demande augmente. Cependant, pour que ce système fonctionne efficacement, l'ordinateur doit savoir exactement ce que fera le soleil dans les heures à venir. Sans une prédiction fiable, le système pourrait charger la batterie trop tard, gaspiller de l'énergie ou puiser trop de puissance sur le réseau principal, contrecarrant ainsi l'objectif même d'avoir de l'énergie solaire.
Des chercheurs de l'Université norvégienne de sciences et technologies ont entrepris de tester à quel point un système solaire-batterie est plus performant lorsqu'il utilise un modèle informatique sophistiqué pour prédire la météo par rapport à des méthodes plus simples. Ils se sont concentrés sur un type spécifique d'intelligence artificielle appelé réseau de mémoire à long et court terme, ou LSTM (Long Short-Term Memory), qui est conçu pour apprendre des modèles à partir de données historiques, tout comme une personne apprend à anticiper la météo en observant le ciel au fil des années. L'équipe a construit une simulation numérique d'un petit système énergétique autonome connecté au réseau principal. Cette configuration virtuelle comprenait un réseau solaire de vingt kilowatts, une batterie de trente kilowattheures et une charge représentant la consommation électrique de cent foyers norvégiens typiques. Ils ont ensuite fait passer ce système par une simulation de deux mois, couvrant la fin de l'été et le début de l'automne, en utilisant des données réelles pour l'ensoleillement, la consommation des ménages et les prix de l'électricité sur le marché norvégien.
Les chercheurs ont comparé trois manières différentes de gérer ce système. La première était un scénario idéal où l'ordinateur connaissait la quantité exacte de lumière solaire qui arriverait toutes les quinze minutes pour la journée entière. Cela servait de référence parfaite. Le deuxième scénario utilisait une méthode très basique appelée modèle de persistance, qui suppose simplement que le soleil brillera exactement comme il l'a fait les quinze dernières minutes. C'est une approche courante et peu technologique qui échoue souvent lorsque la météo change rapidement. Le troisième scénario utilisait le modèle avancé LSTM, qui analysait des années de données météorologiques et solaires passées pour prédire la production d'énergie des vingt-quatre prochaines heures. Le but était de voir comment ces différents niveaux de précision de prédiction affectaient le coût de l'électricité, la quantité d'énergie solaire utilisée localement par rapport à l'énergie gaspillée, et la fatigue subie par la batterie.
Les résultats ont montré une différence claire entre les méthodes. Lorsque le système utilisait le simple modèle de persistance, il peinait à anticiper les changements du soleil. Comme il ne pouvait pas voir l'avenir, il échouait souvent à charger la batterie lorsqu'il y avait un surplus de puissance solaire, menant à une situation où le système devait acheter de l'électricité sur le réseau pour répondre à la demande. Il ne parvenait pas non plus à stocker suffisamment d'énergie pour éviter d'envoyer de grandes quantités de puissance excédentaire dans le réseau pendant le milieu de la journée. Cela se traduisait par un taux d'autoconsommation, qui mesure la part de l'énergie solaire utilisée directement par la maison, de seulement 78,1 %. En revanche, le système utilisant la prévision LSTM se comportait beaucoup plus près du scénario idéal. En prédisant avec précision quand le soleil serait fort, l'ordinateur pouvait charger la batterie à l'avance et la décharger aux moments appropriés. Cette approche a porté le taux d'autoconsommation à 84,5 % et a réduit les injections sur le réseau de 82 % par rapport au modèle de persistance.
L'étude a également mis en évidence un compromis inhérent à cette technologie. Plus la prévision est précise, plus la batterie est utilisée. Dans les scénarios idéal et LSTM, la batterie a effectué des cycles de charge et de décharge beaucoup plus fréquemment que dans le modèle simple. Bien que cette utilisation fréquente signifie que le système est plus efficace et permet d'économiser davantage sur les factures d'électricité, cela signifie aussi que la batterie travaille plus dur. Les chercheurs ont noté que cette activité accrue pourrait entraîner un vieillissement plus rapide de la batterie au fil du temps, un coût qui doit être pesé face aux économies immédiates. Cependant, les bénéfices d'une prévision précise étaient substantiels. Le système utilisant le modèle LSTM a réduit l'erreur de ses prévisions de puissance de 6 % par rapport au modèle simple, ce qui s'est traduit directement par de meilleurs résultats financiers et opérationnels. L'équipe a constaté qu'anticiper vingt-quatre heures offrait le meilleur équilibre, permettant au système de planifier efficacement sans que les prédictions ne deviennent trop peu fiables à mesure que la fenêtre temporelle s'allongeait.
En fin de compte, ce travail démontre que l'intelligence derrière le système de contrôle est tout aussi importante que le matériel lui-même. Un panneau solaire et une batterie ne sont aussi bons que la stratégie utilisée pour les gérer. En intégrant un modèle de prévision sophistiqué, les chercheurs ont montré qu'il est possible de réduire considérablement la dépendance au réseau principal, de diminuer les coûts et de minimiser la pression que l'énergie solaire exerce sur l'infrastructure électrique. Les conclusions suggèrent qu'à mesure que l'énergie solaire se généralise, la capacité de prédire sa production avec une grande précision sera essentielle pour maintenir la stabilité et l'efficacité du réseau. Bien que l'étude ait été menée sous forme de simulation utilisant des données réelles, les résultats pointent vers un avenir où les logiciels intelligents joueront un rôle critique pour faire de l'énergie renouvelable une composante fiable et dominante du mix énergétique mondial.
Noyé(e) sous les articles dans votre domaine ?
Recevez des digests quotidiens des articles les plus récents correspondant à vos mots-clés de recherche — avec des résumés techniques, dans votre langue.