Contrôle intelligent des réseaux avec véhicules électriques
La révolution énergétique ne se joue plus seulement dans les centrales électriques, mais aussi dans les garages et les stations de recharge. Les véhicules électriques (VE), autrefois considérés comme de simples consommateurs d’électricité, émergent comme des acteurs clés, voire des piliers, de la nouvelle infrastructure énergétique. Grâce à la technologie Véhicule-Réseau (Vehicle-to-Grid, V2G), ces automobiles peuvent non seulement puiser de l’énergie dans le réseau pour se recharger, mais aussi y restituer de l’électricité lorsqu’elle est nécessaire, agissant ainsi comme une flotte massive de batteries mobiles. Ce potentiel est crucial pour équilibrer l’intermittence des énergies renouvelables comme le solaire et l’éolien. Cependant, ce nouveau paradigme introduit une complexité sans précédent : la disponibilité des VE pour soutenir le réseau est hautement imprévisible, dépendant des schémas de conduite et de recharge de leurs propriétaires. Dans ce contexte, maintenir la fréquence et la tension du réseau dans des limites stables devient un défi monumental, comparable à la tâche de maintenir un équilibre parfait sur un fil, alors que le fil lui-même oscille constamment.
Une équipe de chercheurs de l’Université de Wuhan, dirigée par Peixiao Fan, Jun Yang, Yuxin Wen, Song Ke et Lilong Xie, a développé une stratégie de contrôle de pointe qui relève ce défi de front. Leur solution innovante, publiée dans la prestigieuse revue Transactions of China Electrotechnical Society, propose un système de contrôle intelligent qui fusionne la précision prédictive du contrôle prédictif basé sur un modèle (MPC) avec la capacité d’apprentissage adaptatif de l’apprentissage par renforcement profond (DRL). Le résultat est un contrôleur qui ne se contente pas de réagir aux perturbations, mais évolue et s’adapte continuellement aux conditions changeantes du système, garantissant une stabilité supérieure même dans des scénarios de haute incertitude. Cette avancée technologique promet de transformer les VE d’une source potentielle d’instabilité en un outil puissant de résilience pour le réseau électrique.
Le problème central que les chercheurs identifient est la « forte incertitude » qui caractérise les microréseaux modernes. Cette incertitude provient de trois sources principales. Premièrement, les sources d’énergie renouvelable, comme le vent et le soleil, sont intrinsèquement variables et difficiles à prévoir avec précision. Deuxièmement, la demande d’énergie des consommateurs fluctue constamment. Et troisièmement, et c’est là le facteur le plus nouveau et le plus délicat, les véhicules électriques eux-mêmes. La capacité d’une station de recharge à fournir de la puissance pour la régulation de fréquence n’est pas fixe ; c’est une limite dynamique qui change en temps réel. Cette limite dépend du nombre de VE connectés, de leur état de charge (State of Charge, SOC) et, surtout, des schémas de mobilité des utilisateurs. Un conducteur qui laisse son véhicule branché toute la nuit offre une longue fenêtre d’opportunité pour interagir avec le réseau. Un autre qui ne recharge que pendant une pause déjeuner est pratiquement inutile comme ressource de stabilisation. Cette volatilité rend inadéquats les méthodes de contrôle traditionnelles, qui reposent sur des paramètres fixes. Si, par exemple, durant l’heure de pointe de l’après-midi, de nombreux véhicules se déconnectent des stations, la capacité disponible pour la régulation de fréquence peut s’effondrer. Un contrôleur traditionnel, incapable de reconnaître et de réagir à ce changement soudain, ne peut pas maintenir la stabilité du réseau.
Un aspect supplémentaire, souvent négligé dans les études antérieures, est le couplage entre le contrôle de fréquence et le contrôle de tension. Dans un système électrique, ces deux fonctions ne fonctionnent pas de manière isolée. Le système de régulation automatique de tension (AVR), qui ajuste l’excitation du générateur pour maintenir une tension stable, introduit indirectement une perturbation dans la puissance active du système. Lorsque l’AVR agit, il modifie le courant d’excitation, ce qui, à son tour, affecte la puissance active générée et, par conséquent, la fréquence du réseau. Cela signifie qu’un contrôleur de fréquence doit non seulement compenser les déséquilibres entre la charge et la génération, mais aussi contrer les interférences indésirables introduites par le système de régulation de tension lui-même. Les modèles conventionnels qui ne prennent pas en compte cette interaction complexe offrent une représentation incomplète et moins réaliste du comportement du réseau.
Pour surmonter ces limitations, l’équipe de Wuhan a conçu une architecture de contrôle en deux couches qui combine les points forts du MPC et du DRL. La couche inférieure est le contrôleur MPC. Le MPC est une technique avancée qui prédit le comportement futur du système sur un horizon de temps donné. À chaque instant, il résout un problème d’optimisation pour déterminer la meilleure séquence d’actions de contrôle pour tout l’horizon, en tenant compte de toutes les contraintes du système, comme la vitesse maximale de changement de puissance d’une turbine ou la capacité maximale de charge/décharge d’une flotte de VE. Cette capacité à gérer explicitement les contraintes le rend idéal pour les systèmes complexes. Cependant, le MPC traditionnel a un point faible : ses paramètres, en particulier les matrices de pondération qui déterminent l’importance relative de la minimisation de l’écart de fréquence par rapport à l’effort de contrôle, sont généralement fixes. Si les conditions du système changent radicalement, ces paramètres fixes peuvent devenir sous-optimaux, dégradant les performances.
C’est ici que la couche supérieure entre en jeu : l’agent DRL, spécifiquement un algorithme Multi-Agent Deep Deterministic Policy Gradient (MA-DDPG). Le DRL permet à un « agent » d’apprendre à prendre des décisions optimales par l’expérience, guidé par une fonction de récompense. L’agent observe l’état du système (par exemple, les écarts de fréquence, les niveaux de tension, la disponibilité des VE) et prend une « action ». Si cette action améliore la stabilité du système, il reçoit une récompense positive et apprend à la répéter. L’approche « multi-agents » est cruciale pour un système de microréseaux. Au lieu d’un contrôleur central, il y a un agent pour chaque sous-microréseau qui peut communiquer et se coordonner avec les autres. Cette structure d' »entraînement centralisé, exécution distribuée » permet une coordination décentralisée et efficace.
Dans cette stratégie, l' »action » de l’agent MA-DDPG n’est pas de contrôler directement les générateurs ou les VE. Au contraire, son action est d’ajuster dynamiquement les paramètres du contrôleur MPC de la couche inférieure. L’agent surveille continuellement l’état du système en temps réel. S’il détecte que la capacité des VE diminue, il peut augmenter le poids attribué à la puissance des VE dans la fonction de coût du MPC, indiquant ainsi au MPC de s’appuyer davantage sur d’autres sources, comme les turbines à microturbine. Si le système AVR cause une perturbation significative, l’agent peut ajuster les paramètres pour que le MPC soit plus agressif pour la contrer. De cette façon, un contrôleur MPC « évolutif » est créé. Le MPC fournit le cadre robuste et basé sur des contraintes, tandis que l’agent DRL agit comme un « ajusteur principal », optimisant continuellement la stratégie du MPC en fonction de l’environnement changeant.
Les chercheurs ont validé leur stratégie à travers de vastes simulations d’un système de microréseaux composé de trois sous-microréseaux interconnectés, chacun équipé de turbines à microturbine, d’énergie éolienne et de stations de recharge pour VE. Le système a été soumis à des scénarios de haute difficulté. Dans l’un d’eux, de fortes perturbations aléatoires de charge et de vent ont été appliquées. Dans un autre, une turbine à microturbine clé a complètement échoué, simulant une contingence sévère. Les résultats ont été concluants. Comparé aux contrôleurs traditionnels comme les PID et les flous, ainsi qu’à un MPC standard, la stratégie LBMPC proposée a démontré des performances supérieures. Elle a atteint un écart de fréquence moyen et maximum significativement plus faible, un temps de récupération plus rapide (inférieur à une seconde) et un « taux d’excellence » beaucoup plus élevé, ce qui signifie que la fréquence est restée dans une marge étroite et acceptable pendant un pourcentage beaucoup plus grand du temps.
Le test ultime de l’intelligence du système est venu d’un scénario qui simulait le cycle quotidien d’utilisation des VE. Une perturbation a été simulée à 17h00, lorsque la majorité des véhicules sont sur la route et non disponibles, par rapport à une perturbation similaire à 00h00, lorsque la majorité sont connectés et en charge. Les contrôleurs traditionnels, avec leurs paramètres fixes, ont eu de mauvaises performances à 17h00 car ils ne pouvaient pas s’adapter à la capacité des VE radicalement réduite. Leur capacité de contrôle de fréquence s’est effondrée. En revanche, le contrôleur LBMPC a ajusté dynamiquement ses paramètres MPC. Il a reconnu les conditions changeantes et redistribué la charge de régulation de fréquence à d’autres sources disponibles, maintenant des performances excellentes. Cela a démontré sa capacité à s’adapter à des changements prévisibles et cycliques dans le système, une compétence essentielle pour une mise en œuvre dans le monde réel.
Un aspect particulièrement innovant et crucial pour la sécurité est la tolérance aux pannes inhérente à la conception. Les auteurs reconnaissent un risque fondamental des contrôleurs purement basés sur le DRL : le problème de la « boîte noire ». Si un agent DRL se retrouve face à une situation radicalement différente de tout ce qu’il a vu pendant l’entraînement, il peut échouer de manière catastrophique, générant des signaux de contrôle absurdes ou dangereux. Pour un réseau électrique, où la stabilité est critique, ce risque est inacceptable. L’architecture en deux couches résout ce problème de manière élégante. Si l’agent de la couche supérieure échoue ou ne peut pas générer une sortie valide, le contrôleur MPC de la couche inférieure ne se désactive pas. Au lieu de cela, il revient à utiliser un ensemble de paramètres préétablis et conservateurs. Bien que ce « mode de sécurité » puisse ne pas être optimal, il garantit la stabilité du système. Cela assure qu’une panne dans le composant d’intelligence artificielle n’entraîne pas l’effondrement de tout le système de contrôle, une caractéristique vitale pour toute infrastructure critique.
Les implications de cette recherche sont profondes. Elle fournit un plan pour la prochaine génération de contrôleurs de réseau intelligents qui sont non seulement automatisés, mais véritablement intelligents. En créant un système capable d’apprendre, de s’adapter et de s’auto-optimiser, les chercheurs ont fait un pas significatif vers un réseau électrique avec une forte pénétration d’énergies renouvelables. L’intégration réussie des VE comme ressource de réseau flexible est la clé de ce futur. Cette stratégie de contrôle transforme une source potentielle d’instabilité en un outil puissant de résilience. Elle permet aux mêmes véhicules qui propulsent l’électrification des transports de jouer également un rôle central dans la stabilisation du réseau qui les alimente. Le travail de Fan, Yang, Wen, Ke et Xie représente une avancée significative dans le domaine du contrôle des systèmes énergétiques, offrant une solution robuste, adaptable et sûre pour les complexes systèmes énergétiques de demain.
Peixiao Fan, Jun Yang, Yuxin Wen, Song Ke, Lilong Xie, School of Electrical and Automation, Wuhan University. Transactions of China Electrotechnical Society. DOI:10.19595/j.cnki.1000-6753.tces.222138