Le but de ce stage est d'évaluer l'intérêt de deux types de réseaux de neurones pour l'analyse des microréseaux électriques :

• Les Graph Neural Networks (GNN) sont spécifiquement adaptés aux données sous forme de graphe [Liao22], et sont donc particulièrement pertinents pour les réseaux électriques.

• Les PINN (Physics-Induced Neural Networks) imposent des contraintes représentant des lois physiques lors de l'apprentissage afin de réduire la dimension de l'espace latent des paramètres.

Le CERTES utilise de nombreuses techniques d'apprentissage machine [Ark21] et dispose d’une plateforme technologique de micro-réseaux modulaires et multifonctionnels. Cette plateforme permet d’étudier différents scenarios d’agrégation de plusieurs sources énergétiques (éolien, solaire, stockage, réseau électrique, charges de consommation variable, ...) avec la possibilité de générer différents types de défauts mais aussi d’utiliser de contrôler certaines sources énergétiques pour fonctionner selon des profils imposés, en plus des sources soumises aux conditions climatiques réelles.

Le LISSI dispose d'une expertise dans l'analyse de données sur graphe et sur plusieurs types de réseaux de neurones profonds [Haz21, Aha24]. Les performances de ces réseaux de neurones seront testées avec plusieurs tâches d'intérêt pour le CERTES [Ark21, Tan24]:

• Prédiction de séries temporelles de charge électrique de micro-réseau avec un graph récurrent neural networks (GRNN), comparaison avec d'autres architectures de type LSTM.

• Prédiction de puissance générée par des panneaux photovoltaïques.

• Calcul approché de flux de puissance (power-flow) et analyse de scenario lors de l'adjonction d'une flotte de véhicules électriques à un petit réseau de distribution industriel.

Dans chaque cas, le stagiaire comparera les performances obtenues avec celles développées précédemment au CERTES, les performances state-of-the-art dans la littérature, et évaluera les avantages et inconvénients.

Profil du candidat.e

Etudiant.e en M2 sciences de l'ingénieur, génie électrique, énergie, machine learning, deep learning.

Compétences (modélisation systémique (Matlab, PSIM, ...), calcul de power flow, ML, programmation Python.

Encadrement

• LISSI: aurelien.hazan@u-pec.fr, https://hazan.xyz

• CERTES: jura.arkhangelski@u-pec.fr, mahamadou.abdou-tankari@u-pec.fr

• Lieux: l’alternance entre les sites se fera en fonction de l’évolution du stage et des besoins en expérimentation.

• LISSI: site de Sénart, IUT de Sénart-Fontainebleau, 36-37 rue Georges Charpak, 77 567 Lieusaint

• CERTES: site de Créteil: Bâtiment L5, 61 Avenue du Général De Gaulle, 94000 CRETEIL

Références:

[Ark21] Arkhangelski, "Autoconsommation et optimisation de la gestion énergétique des bâtiments", thèse, UPEC, 2021.

[Haz22] Hazan, "Production process networks: a trophic analysis", Journal of Physics: Complexity, 4,1, 2022.

[Aha24] Ahamada, Hazan, Vigneron, "Deep Learning and Tensor Decomposition", in preparation.

[Tan24] Simarro-García, Villena-Ruiz, Tankari, Honrubia-Escribano, Gómez-Lázaro, Lefebvre, "Fast and Extreme Fast Charging Integration for Electric Vehicles: Impact on an Industrial Distribution Network", International journal of engineering science and application,Vol.8, No.2, 2024.

[Lia22] Liao et al. "A Review of Graph Neural Networks and Their Applications in Power Systems", Journal of modern power systems and clean energy, vol. 10, no. 2, 2022.

[Kho21] Khodayar et al. "Deep Learning in Power Systems Research: A Review", Csee journal of power and energy systems, vol. 7, no. 2, march 2021.