Promotions
Imaane KHOYRATEE
Promotion 2020
| Diplomé de : | INSA Centre Val de Loire |
| CV : |  Télécharger |
| Courriel : | Imaane.KHOYRATEE@mines-paris.org |
Mission OSE
Organisation/ Entreprise : MINES ParisTech / Centre de Mathématiques appliquées
Lieu de la mission :
Mission : Modélisation de réseaux multi-énergies
Résumé de la mission :
Méridia Smart Énergie est un projet de réseau intelligent multi-fluides mêlant chaleur, froid et électricité tout en exploitant des flexibilités : énergie renouvelable, effacement, nudge mais aussi stockage. Ce réseau vise à être piloté en temps réel par un algorithme de Deep Learning qui sera alimenté par les données réelles de fonctionnement du réseau. A défaut d’avoir ces données terrains, une modélisation du réseau sur le logiciel Dymola® a été réalisée. Ce modèle de réseau doit être simulé sur plusieurs années et plusieurs météos afin d’obtenir des jeux de données différenciant.
Tout d’abord, les éléments du réseau et leur comportement thermique ont été modélisés : cycle frigorifique, échanges de chaleur, gains et pertes de charges, pertes thermiques ou encore changement de phase. Puis, ces éléments ont été paramétrés avec des données identiques à celles des éléments du réseau réel grâce aux diverses fiches techniques. La dernière couche de modélisation des éléments, la régulation, a été modélisée en concordance avec les analyses fonctionnelles.
A l’issue de la seconde tâche, une méthode d’obtention des courbes de chaud et froid des bâtiments du quartier a été proposée. Cette méthode réplicable exploite les informations de plans en deux dimensions ou fichiers BIM (Building Information Modeling) des bâtiments et génère des courbes de charge aux profils de consommations plus élaborés que le dossier de demande du titre V et représentatifs de l’enveloppe ainsi que de la géométrie du bâtiment.
Enfin, une programmation linéaire des moyens de production du réseau a été formulée pour une planification day-ahead. Elle permet de dégrossir le problème avant d’appliquer les algorithmes plus complexes de Machine Learning.
