Groupe d’études et de recherche en analyse des décisions

G-2021-34

Integrating learning and explicit model predictive control for unit commitment in microgrids

, et

Dans cet article, nous adressons le problème de l’ordonnancement de l’arrêt/démarrage des génératrices dans un microréseau selon une approche visant à s’assurer que les besoins en flexibilité de celui-ci sont satisfaits. Ce problème se prête bien à une formulation de type commande par modèle prédictif (CMP). Conventionnellement, ce type de problème requiert la résolution en temps réel de problèmes d’optimisation mixte en nombres entiers. En pratique, ce type de problème n’est pas adapté à une résolution sur une infrastructure de commande industrielle typiquement ayant peu de moyens de calcul et de mémoire. Une approche par commande par modèle prédictif explicite (CMPE) peut adresser ce problème des CMP traditionnels en pré-calculant les lois de commande du contrôleur CMP hors-ligne afin de simplifier et accélérer les calculs sur le terrain. Cependant, on remarque que la complexité des lois de commande émanant d’un CMPE croit de manière exponentielle avec les dimensions du problème original. Afin d’atténuer ce désavantage du CMPE, nous proposons l’utilisation d’algorithmes d’apprentis-sage automatique. Ceux-ci permettent d’apprendre le comportement du contrôleur CMPE et ainsi court-circuiter la complexité du contrôleur d’origine et réduire son coût de calcul en temps réel. En comparaison avec d’autres approches de commande basées sur des méthodes par apprentissage automatique, notre proposition est en mesure de considérer toutes les variables et les contraintes du problème d’ordonnancement de manière systématique. Notre proposition offre des garanties de faisabilité des séquences d’arrêt/démarrage et elle permet de réaliser sensiblement les mêmes économies qu’avec le contrôleur CMPE d’origine. Nous démontrons l’efficacité de notre approche via des études de cas sur un microréseau réaliste.

, 22 pages