Gestion optimisée d'un réseau de distribution actif par AMAS couplé à la méthode RL des bandits

Résumé :
Les systèmes électriques modernes évoluent avec l'introduction des ressources énergétiques distribuées et des véhicules électriques, promettant la durabilité. Cependant, l'intégration non contrôlée de ces technologies dans les réseaux électriques existants peut entraîner des déséquilibres en temps réel et des problèmes de le pic de la demande. Le renforcement traditionnel du réseau présente des inconvénients, notamment des préoccupations liées au coût et au temps de déploiement. Des solutions flexibles, rendues possibles par la digitalisation du réseau, offrent une alternative en contrôlant dynamiquement les éléments du réseau. Cependant, l'optimisation de ces solutions pour les différents acteurs du marché est complexe, et les approches centralisées peuvent avoir du mal à gérer en temps réel de grands réseaux intelligents. Cette thèse aborde ces défis en développant un système décentralisé utilisant des systèmes multi-agents adaptatifs pour le contrôle en temps réel des entités flexibles dans les réseaux de distribution. Des expériences de simulation valident son efficacité pour surmonter les problèmes de centralisation. De plus, l'intégration de l'apprentissage combinatoire à bandit manchot améliore les performances dans des environnements stochastiques. Cette recherche propose une approche prometteuse pour l'optimisation de grands réseaux intelligents alors qu'ils s'adaptent aux évolutions du paysage énergétique.

Mots clés : contrôle décentralisé, systèmes multi-agent adaptatifs, apprentissage par renforcement multi-agent, véhicules électriques, recharge intelligente

Optimized management of an active distribution network using AMAS combined with the RL bandit method

Abstract:
Modern electrical power systems are evolving with the introduction of distributed energy resources and electric vehicles, promising sustainability. However, the uncontrolled integration of these technologies into legacy power grids can lead to real-time imbalances and peak load issues. Traditional grid reinforcement has drawbacks, including cost and deployment time concerns. Flexible solutions, enabled by grid digitization, offer an alternative by dynamically controlling grid elements. Yet, optimizing these solutions for diverse market actors is complex, and centralized approaches may struggle to manage large-scale smart grids in real-time. This thesis addresses these challenges by developing a decentralized system using adaptive multi-agent systems for real-time control of flexible entities in distribution grids. Simulation experiments validate its effectiveness in overcoming centralization issues. Furthermore, integrating combinatorial multi-armed bandit learning enhances performance in stochastic environments. This research offers a promising approach to optimizing large-scale smart grids as they adapt to evolving energy landscapes.

Keywords: Decentralized control, AMAS, Multi-armed bandits, MARL, EVs smart chargin