 |
|
|
| Apprentissage de stratégies personnalisées pour flottes de véhicules hybrides électriques rechargeables |
| Doctorat |
| Karol Lina Lopez |
| Christian Gagné (Directeur) |
|
| Problème: Avec le réchauffement planétaire et l'épuisement de certaines ressources non renouvelables, un
passage à une flotte automobile basée sur l'énergie électrique s'avère incontournable à moyen terme.
Cette transition devrait avoir des impacts écologiques positifs importants, étant donné la réduction
occasionnée à la consommation de combustibles fossiles, mais devrait également comporter des
coûts économiques considérables, autant auprès des citoyens, devant faire l'acquisition de nouveaux
types d'automobiles, qu'auprès des producteurs d'énergie électrique, qui feront face à une
augmentation considérable de la demande. |
| Motivation: Le concept du vehicletogrid
(V2G) consiste à exploiter des flottes d'automobiles électriques,
formant une capacité importante d'accumulateurs électriques, afin d'amortir la variation de la
demande en l'énergie du réseau électrique. Un tel système pourrait favoriser l'adoption rapide de
véhicules électriques, soit en réduisant l'ampleur de l'augmentation de la charge encourue sur le
réseau électrique, tout en permettant au détenteur d'une voiture électrique de recevoir une ristourne
proportionnelle à l'apport énergétique lors de pics de demande – ce qui pourrait s'avérer un incitatif
économique important. |
| Approche: Le présent projet traite de l'inférence de politiques efficaces pour assurer le bon fonctionnement
d'une flotte de véhicules électriques dans un contexte de V2G. Plus spécifiquement, l'objectif sera
de développer un modèle décentralisé, présent dans chaque véhicule électrique, qui vise à optimiser
les décisions quant l'inversion du flux électrique entre un mode standard (recharge de
l'accumulateur) et un mode inverse (accumulateur fournissant le réseau électrique) lesquels
dépendront effectivement des besoins des réseaux de distribution d'énergie électrique. Le modèle de
décision sera spécifique à chaque voiture, selon les observations faites dans l'historique d'utilisation
de la voiture et la propension des utilisateurs à prendre des risques (ex. recevoir des ristournes plus
importantes tout en risquant d'épuiser la charge de la pile lors de longs parcours imprévus).
Comme l'infrastructure physique n'est pas actuellement disponible, il est nécessaire de développer un
modèle pour la simulation d'une flotte de PHEV (Plugin
Hybrid Electric Vehicle), avec des
modèles de charge et utilisation de l'énergie électrique par le véhicules, du prix de l'électricité sur le
réseau en fonction de la demande et un modèle avec plusieurs patrons d'utilisation à différentes
échelles de temps. Ce modèle de simulation servira à tester différentes techniques d'intelligence
artificielle comme l'apprentissage par renforcement, les systèmes multiagents
et la théorie des jeux,
afin d'établir des stratégies automatiques et personnalisées pour déterminer les moments opportuns
où chaque véhicule devraient passer d'une mode de recharge à un mode de support du réseau
électrique, afin de maximiser certains critères de performance. |
| |
| |
| |
| |
| |
| |
| Dernière modification: 2011/11/28 par kllop |
|
|
