Leakage-Safe K-Means-Assisted Multi-Objective Energy Management for a Solar and Wind–Battery Micro-grid

Imaginez un petit système énergétique autonome qui alimente une communauté ou une installation isolée sans dépendre du réseau électrique principal. Ce système, connu sous le nom de micro-réseau, tente de trouver l'équilibre entre trois éléments mobiles : l'électricité générée par le soleil et le vent, l'électricité stockée dans de grosses batteries, et l'électricité produite par un groupe électrogène de secours. Le défi est que le soleil ne brille pas toujours, le vent ne souffle pas toujours et les gens n'utilisent pas toujours l'énergie en même temps. Pour maintenir les lumières allumées sans gaspiller de carburant ou vider les batteries, un système informatique doit constamment décider quand charger les batteries, quand faire fonctionner le générateur et quand économiser l'énergie renouvelable pour plus tard. Ce processus de prise de décision est appelé gestion de l'énergie. Si le système se trompe, il pourrait manquer de puissance ou gaspiller du carburant coûteux en faisant fonctionner le générateur alors qu'il aurait pu utiliser le soleil.

Des chercheurs de l'Université de Kocaeli en Turquie ont entrepris de construire une façon plus intelligente de prendre ces décisions. Ils voulaient créer un système capable d'observer le passé et de prédire l'avenir immédiat pour gérer un micro-réseau alimenté par le solaire et l'éolien équipé d'une batterie. Leur approche impliquait deux idées principales. Premièrement, ils ont utilisé une méthode informatique appelée Random Forest (Forêt Aléatoire), qui est un type d'apprentissage automatique qui apprend des données passées pour prédire quelle sera la demande d'énergie dans une heure. Deuxièmement, ils ont utilisé une technique appelée K-Means clustering (regroupement par K-moyennes) pour regrouper ensemble les modèles météorologiques et de consommation similaires. Considérez ces groupes comme des différents « modes » dans lesquels le système peut se trouver, tels qu'une journée ensoleillée avec une faible consommation d'énergie ou une nuit venteuse avec une forte demande. L'objectif était de voir si le fait de savoir dans quel « mode » se trouvait le système pouvait aider l'ordinateur à faire de meilleurs choix sur l'utilisation de la batterie et le démarrage du générateur.

Les chercheurs ont été très prudents pour éviter une erreur courante en informatique appelée fuite de données (data leakage). Cela se produit lorsqu'un ordinateur apprend du futur tout en essayant de prédire le présent, ce qui rend les résultats parfaits en apparence mais inutilisables dans le monde réel. Pour éviter cela, ils ont divisé leurs données en trois périodes distinctes qui ne se chevauchaient jamais. Ils ont utilisé la première période pour apprendre à l'ordinateur comment prédire les besoins énergétiques et comment identifier les différents modes de fonctionnement. Ils ont utilisé la deuxième période pour ajuster les règles que l'ordinateur suivrait, en s'assurant que le système ne manque pas de puissance ou ne vide pas trop la batterie. Enfin, ils ont verrouillé les paramètres du système et l'ont testé sur la troisième période, que l'ordinateur n'avait jamais vue auparavant. Cette séparation stricte a permis de garantir que les résultats reflètent la manière dont le système se comporterait réellement dans le monde réel, et non simplement sa capacité à mémoriser les données passées.

Les résultats de ces tests rigoureux ont montré que la capacité de l'ordinateur à prédire la demande d'énergie était assez bonne. En utilisant la méthode Random Forest, le système pouvait deviner les besoins énergétiques de l'heure suivante avec une erreur moyenne d'environ 2,3 kilowatts, ce qui est nettement meilleur que de simplement supposer que l'heure suivante sera exactement identique à l'actuelle. Cependant, l'étude a révélé quelque chose de surprenant concernant la deuxième partie de leur plan. L'ajout des groupes de « modes » issus du K-Means clustering n'a pas réellement aidé l'ordinateur à mieux prédire la demande d'énergie. Les groupes étaient tout aussi précis sans la catégorisation supplémentaire. En conséquence, les chercheurs ont décidé de ne pas utiliser les groupes pour améliorer la prédiction elle-même. Au lieu de cela, ils ont utilisé les groupes pour aider le système à choisir la bonne stratégie de gestion de l'énergie. Par exemple, si le système reconnaissait un mode de « surplus solaire », il saurait qu'il faut charger les batteries ; s'il voyait un mode de « faible puissance », il saurait qu'il faut être prêt à utiliser le générateur.

Lorsqu'ils ont testé cette nouvelle approche par rapport aux méthodes plus anciennes, les résultats ont montré un compromis clair. Un ancien système qui réagissait uniquement à ce qui se passait à l'instant présent utilisait fortement la batterie, la drainant rapidement pour éviter d'utiliser le générateur. Un autre système, qui reposait uniquement sur les prédictions, était très prudent avec la batterie mais finissait par utiliser le générateur beaucoup plus souvent et gaspillait beaucoup d'énergie renouvelable qui aurait pu être stockée. Le nouveau système, qui utilisait la demande prédite et les modes de fonctionnement pour prendre des décisions, a démontré des compromis opérationnels spécifiques. Il a réduit la quantité de carburant nécessaire au générateur de près de 60 % par rapport au système basé uniquement sur la prédiction, tout en réduisant le gaspillage d'énergie renouvelable de près de 24 %. En même temps, il utilisait moins la batterie que le système réactif, prolongeant ainsi la durée de vie de la batterie. Cependant, cette amélioration s'est accompagnée d'un coût : par rapport à la base de référence réactive, le nouveau système a en fait augmenté l'utilisation de l'énergie du générateur de près de 5 000 kWh et l'écrêtage de l'énergie renouvelable de près de 6 000 kWh. Malgré cette augmentation de l'utilisation du générateur et du gaspillage par rapport à l'approche réactive, le nouveau système a maintenu la batterie à un niveau de charge sûr presque tout le temps, évitant la situation dangereuse où la batterie devient trop faible.

Cependant, un détail critique est apparu lors de la phase de test : la méthode utilisée pour sélectionner les meilleurs paramètres du système n'a pas réellement identifié une solution unique et optimale. Lorsque les chercheurs ont testé 81 combinaisons différentes de paramètres réalisables, elles ont toutes produit des scores de performance identiques. Comme les données de test ne pouvaient pas distinguer ces options, les chercheurs n'ont pas présenté le système final comme une solution mathématiquement parfaite, mais comme une « politique représentative filtrée par faisabilité ». Cela signifie que le système est un exemple valide et fonctionnel qui répond à toutes les exigences de sécurité et de fiabilité, plutôt qu'une réponse mathématique unique. L'étude a conclu que cette approche fonctionne bien dans l'environnement simulé qu'ils ont créé. Le système a réussi à maintenir l'approvisionnement électrique fiable, avec zéro instance de panne de courant pendant la période de test. Il y est parvenu en faisant des choix plus intelligents sur le moment de stocker l'énergie et de la générer, plutôt qu'en se contentant de réagir à l'instant présent ou en se reposant sur une seule prédiction. Les chercheurs ont noté que, bien que les résultats soient prometteurs, ils sont basés sur une simulation d'un type spécifique de batterie et d'une seule année de données météorologiques. Ils ont souligné que la force de la méthode réside dans ses règles de test strictes, qui ont prouvé que le système pouvait apprendre du passé sans regarder vers le futur. Ce travail fournit un modèle solide pour la construction de systèmes de gestion de l'énergie qui soient à la fois efficaces et fiables, à condition qu'ils soient testés avec le même niveau de soin avant d'être installés dans le monde réel.