Deep learning approaches for online adaptive and predictive control of battery energy storage systems for short term power reserve provision in power systems

La variabilité intrinsèque des sources d’énergie renouvelable éoliennes et solaires perturbe le couplage traditionnel puissance–fréquence et complique l’équilibrage du réseau, créant ainsi un besoin de réserves de puissance active rapides, peu coûteuses et faiblement émettrices en CO2. Pour relever ce défi, il est nécessaire de recourir à des stratégies de commande adaptatives et sans modèle, capables d’intégrer de nouveaux indicateurs de stabilité et de dépasser les limites des approches conventionnelles. Cette étude propose une stratégie sans modèle de commande adaptative fondée sur un réseau de neurones profonds (DNN), qui a pour objectif de maintenir l’équilibre du réseau électrique face aux fluctuations de production renouvelable et de charge, tout en minimisant les coûts d’exploitation et les émissions de CO2. Le contrôleur développé gère dynamiquement l’allocation des réserves d’un système de stockage par batterie (BESS) en prenant, chaque minute, des décisions proactives pour les cinq minutes suivantes, à partir de mesures historiques ou de prévisions très court terme. Un micro-réseau (MG) de référence est conçu et simulé sous MATLAB/Simulink pour générer les jeux de données nécessaires à l’entraînement hors ligne du DNN. Le fonctionnement du contrôleur est ensuite validé en ligne. Des indicateurs techniques, économiques et environnementaux permettent d’évaluer l’efficacité de la stratégie pour des scénarios réalistes. Comme les mesures sont difficiles à obtenir avec un temps court, la stratégie intègre des prévisions à très court terme. Un modèle de régression polynomiale Ridge est développé pour la charge à partir des données historiques, tandis qu’un modèle hybride, s’appuyant sur un réseau de neurones convolutifs (CNN) est conçu pour la production photovoltaïque en utilisant à la fois des images du ciel et des données historiques. Les résultats montrent que le contrôle proposé réduit significativement les écarts de fréquence, les coûts et les émissions par rapport au contrôle classique par droop. La stratégie est validée sur une plateforme de co-simulation temps réel intégrant les simulateurs SPHEREA et OPAL-RT. Cette configuration permet une validation précise dans des conditions réalistes tout en réduisant le temps de simulation par rapport aux approches hors ligne. Enfin, pour généraliser le contrôle à des réseaux aux taux variables de pénétration renouvelable et de génération synchrone, la stratégie de contrôle apprise par le DNN source — entraîné sur le cas d’étude initial (MG source) — est ajustée via apprentissage par transfert pour produire un DNN cible adapté à n’importe quel réseau électrique. Il est testé sur un MG optimisé pour l’autoconsommation (MG cible), qui est obtenu par une optimisation bi-objectif formulée en programmation linéaire en nombres entiers mixtes (MILP), visant à minimiser les coûts économiques et les impacts environnementaux annualisés. Le succès du DNN transféré confirme sa capacité à se généraliser à différents niveaux de pénétration renouvelable et de génération synchrone.