Auteur / Autrice : | Elie Kadoche |
Direction : | Damien Ernst, Pascal Bianchi |
Type : | Projet de thèse |
Discipline(s) : | Informatique, données, IA |
Date : | Inscription en doctorat le 02/05/2022 |
Etablissement(s) : | Institut polytechnique de Paris |
Ecole(s) doctorale(s) : | École doctorale de l'Institut polytechnique de Paris |
Partenaire(s) de recherche : | Laboratoire : Laboratoire de Traitement et Communication de l'Information |
Equipe de recherche : S2A - Statistique et Apprentissage |
Mots clés
Résumé
L'objectif de ce doctorat est d'utiliser des méthodes d'apprentissage par renforcement pour contrôler les éoliennes. Lorsque les éoliennes sont très proches les unes des autres, c'est-à-dire situées au sein de parcs éoliens, les interactions physiques se produisant entre elles impactent leur performances. Avec un contrôle adapté des parcs éoliens, il est possible d'atténuer ces interactions et d'améliorer la production d'énergie et la durée de vie des éoliennes. Le développement de méthodes de contrôle dynamiques présente plusieurs difficultés. Ces méthodes devraient : (1) être extensible aux très grands parcs éoliens, (2) être robuste à la non-stationnarité induite par les variables exogènes du vent, (3) maximiser à la fois la production d'énergie et la durée de vie des turbines, (4) être capable d'établir la bonne stratégie de contrôle en cas d'événements inattendus. Dans le cadre de ce doctorat, il est prévu de répondre à ces défis avec des méthodes basées sur l'apprentissage par renforcement. Le défi (2) étant au cur de nombreuse applications industrielles, trouver de nouvelles et meilleures façons d'agir dans des environnements hautement non-stationnaires est un objectif clé de ce doctorat.