Usage de l’intelligence artificielle pour la gestion des réseaux électriques intelligents

The capacities of traditional algorithms used by distribution system operators may be not sufficient to effectively manage the grid with increasing complexity. The growing penetration of intermittent renewable energy sources can cause overvoltage, and massive integration of electric vehicles leads to significant consumption peaks that can be too dangerous for the grid, surpassing the thermal limits of the lines. As such, faster tools are required for regulating the power flows and managing operational constraints in the distribution grid. The solution may lie in the use of flexibilities, i.e., storage, photovoltaic (PV) and wind farm power regulation along with demand response. With an increasing volume of digital data about the grid, particularly from installed smart meters, machine learning algorithms can obtain significant performance in flexibility management with an already extensive literature on the subject.This thesis focuses on the development of machine learning-based tools that help distribution system operators to cope with the increasing complexity in distribution grid management. Three different tools are proposed. The first one detects PV installations in a distribution grid without a connection agreement. The second tool is a controller based on reinforcement learning (RL) algorithms (TD3PG and PPO) to regulate the voltage in a distribution grid. The performance of this controller under load and impedance uncertainties is especially investigated. The third tool is dedicated to the control of power exchanged between distribution and transmission grids by using an RL-based controller.Les capacités des algorithmes traditionnels utilisés par les gestionnaires de réseau de distribution peuvent ne pas être suffisantes pour gérer efficacement le réseau avec une complexité croissante. La pénétration croissante des sources d'énergie renouvelables intermittentes peut provoquer des surtensions, et l'intégration massive des véhicules électriques entraîne des pics de consommation importants qui peuvent être trop dangereux pour le réseau, dépassant les limites thermiques des lignes. A ce titre, des outils plus rapides sont nécessaires pour réguler les flux de puissance et gérer les contraintes opérationnelles du réseau de distribution. La solution possible est l'utilisation de flexibilités, c'est-à-dire la régulation de puissance de stockage, photovoltaïque et éolienne ainsi que la réponse à la demande. Avec un volume croissant de données numériques sur le réseau, en particulier à partir de compteurs intelligents installés, les algorithmes d'apprentissage automatique peuvent obtenir des performances significatives en matière de gestion de la flexibilité avec une littérature déjà étendue sur le sujet.Cette thèse est dédiée au développement d'outils basés sur l'apprentissage automatique qui aident les opérateurs de réseaux de distribution à faire face à la complexité croissante de la gestion des réseaux de distribution. Trois outils différents sont proposés. Le premier détecte les installations photovoltaïques dans un réseau de distribution sans contrat de raccordement. Le deuxième outil est un contrôleur basé sur des algorithmes d'apprentissage par renforcement (RL) (TD3PG et PPO) pour réguler la tension dans un réseau de distribution. Les performances de ce contrôleur sous des incertitudes de charge et d'impédance sont particulièrement étudiées. Le troisième outil est dédié au contrôle de la puissance échangée entre les réseaux de distribution et de transport à l'aide d'un contrôleur basé sur RL