Soutenance de thèse d'Aleksandr PETRUSEV

Composition of jury:
Monsieur Yvon BESANGER, Professeur, Grenoble INP, Président
Madame Zita VALE, Professeure, Institute of Porto, Rapporteur
Monsieur Jens HAUBROCK, Professeur, Univ. Bielefeld, Rapporteur
Monsieur Nouredine HADJSAID, Professeur, Grenoble INP, Directeur de thèse
Monsieur Patrick REIGNIER, Professeur, Grenoble INP, Co-Directeur de thèse
Monsieur Rémy RIGO-MARIANI, Chargé de recherche, CNRS, Co-Encadrant de thèse
Monsieur Vincent DEBUSSCHERE, Enseignant-Chercheur, Grenoble INP, Co-Encadrant de thèse

Résumé:
Les capacités des algorithmes traditionnels utilisés par les gestionnaires de réseau de distribution peuvent ne pas être suffisantes pour gérer efficacement le réseau avec une complexité croissante. La pénétration croissante des sources d'énergie renouvelables intermittentes peut provoquer des surtensions, et l'intégration massive des véhicules électriques entraîne des pics de consommation importants qui peuvent être trop dangereux pour le réseau, dépassant les limites thermiques des lignes. A ce titre, des outils plus rapides sont nécessaires pour réguler les flux de puissance et gérer les contraintes opérationnelles du réseau de distribution.
Cette thèse est dédiée au développement d'outils basés sur l'apprentissage automatique qui aident les opérateurs de réseaux de distribution à faire face à la complexité croissante de la gestion des réseaux de distribution. Trois outils différents sont proposés. Le premier détecte les installations photovoltaïques dans un réseau de distribution sans contrat de raccordement. Le deuxième outil est un contrôleur basé sur des algorithmes d'apprentissage par renforcement (RL), TD3PG et PPO, pour réguler la tension dans un réseau de distribution. Les performances de ce contrôleur sous des incertitudes de charge et d'impédance sont particulièrement étudiées. Le troisième outil est dédié au contrôle de la puissance échangée entre les réseaux de distribution et de transport à l'aide d'un contrôleur basé sur du RL.


Abstract:
The capacities of traditional algorithms used by distribution system operators may be not sufficient to effectively manage the grid with increasing complexity. The growing penetration of intermittent renewable energy sources can cause overvoltage, and massive integration of electric vehicles leads to significant consumption peaks that can be too dangerous for the grid, surpassing the thermal limits of the lines. As such, faster tools are required to regulate power flows and manage operational constraints in distribution grids
This thesis focuses on the development of machine learning-based tools that help distribution system operators to cope with the increasing complexity of distribution grid management. Three different tools are proposed. The first one detects PV installations in a distribution grid without a connection agreement. The second tool is a controller based on reinforcement learning (RL) algorithms (TD3PG and PPO) to regulate the voltage in a distribution grid. The performance of this controller under load and impedance uncertainties is specially investigated. The third tool is dedicated to the control of power exchanged between distribution and transmission grids by using an RL-based controller.