Adaptive Multi-Agent Systems for Wind Power Forecasting - TEL - Thèses en ligne
Theses Year : 2019

Adaptive Multi-Agent Systems for Wind Power Forecasting

Prévision de production de parcs éoliens par systèmes multi-agents auto-adaptatifs

Abstract

The use of renewable energies, particularly wind power, is one of the solutions commonly used to limit the worsening of ongoing climate change. The variability and intermittency of these energy sources are the main constraints to be managed to ensure the integration of renewable energies into the electricity grid. This problem can be partly solved by improving production forecasts in the short and medium term. The theory of AMAS (Adaptive Multi-Agent Systems) proposes to solve complex problems by self-organization for which no algorithmic solution is known. The local and cooperative behavior of the agents allows the system to adapt to a dynamic environment for maintaining the system in an adequate operating state. In this thesis, this approach is applied to the forecasting of wind farm production. More specifically, we are studying the integration of finer scale data (wind farms for a region or wind turbines for a farm) into the forecast model. We therefore propose a method that takes into account local data in the global forecast and more precisely the interdependencies between wind turbine and wind farm productions. The study led to the design of two adaptive multi-agent systems: AMAWind-Turbine forecasting the production of a wind farm using wind turbine data, and AMAWind-Farm forecasting the production of a region using wind farm data. These systems have been tested in real conditions on five wind farms currently in operation. The experiments carried out validated the proper functioning of the systems and showed a decrease in forecasting error, the main factor in the field of application.
Le recours aux énergies renouvelables, notamment l'éolien, est une des solutions communément retenues pour limiter l'aggravation du changement climatique en cours. La variabilité et l'intermittence de ces sources d'énergie constituent la principale contrainte à gérer pour assurer l'intégration des énergies renouvelables sur le réseau électrique. Ce problème peut être en partie résolu par l'amélioration des prévisions de production à court et moyen termes. La théorie des AMAS (Adaptive Multi-Agent Systems) propose de résoudre des problèmes complexes par auto-organisation pour lesquels aucune solution algorithmique n'est connue. Le comportement local et coopératif des agents permet au système de s'adapter à un environnement dynamique pour maintenir le système dans un état de fonctionnement adéquat. Dans cette thèse, cette approche est appliquée à la prévision de production de parcs éoliens. Plus précisément, nous étudions l'intégration de données à plus fine échelle (les parcs éoliens pour une région ou les éoliennes pour un parc) dans le modèle de prévision. Nous proposons donc une méthode prenant en compte des données locales dans la prévision globale et plus précisément les interdépendances entre la production des éoliennes et des parcs. L'étude a mené à la conception de deux systèmes multi-agents auto-adaptatifs : AMAWind-Turbine prévoyant la production d'un parc en utilisant les données des éoliennes, et AMAWind-Farm prévoyant la production d'une région en utilisant les données des parcs. Ces systèmes ont été testés en conditions réelles sur cinq parcs éoliens actuellement en cours d'exploitation. Les expérimentations effectuées ont validé le bon fonctionnement des systèmes et ont permis d'observer une baisse d'erreur de prévision, le principal facteur dans le domaine d'application.
Fichier principal
Vignette du fichier
2019TOU30246b.pdf (11.33 Mo) Télécharger le fichier
Origin Version validated by the jury (STAR)
Loading...

Dates and versions

tel-02930244 , version 1 (04-09-2020)

Identifiers

  • HAL Id : tel-02930244 , version 1

Cite

Tanguy Esteoule. Adaptive Multi-Agent Systems for Wind Power Forecasting. Artificial Intelligence [cs.AI]. Université Paul Sabatier - Toulouse III, 2019. English. ⟨NNT : 2019TOU30246⟩. ⟨tel-02930244⟩
222 View
167 Download

Share

More