Détails du sujet
Optimisation par Apprentissage par Renforcement Profond (DRL) de la Gestion d'une Batterie Lithium-ion dans un Système Solaire Domestique pour un Contexte Résidentiel à Goma/RDC
Résumé
Auteur : KASEREKA ONOTESE
Niveau: G3
Département: Genie Electrique
Année Ac: 2024-2025 , | 2025-04-16 11:24:08
Mots clés
Français : Apprentissage par Renforcement Profond (DRL), Gestion de Batterie, Lithium-ion, Système Solaire Domestique, Optimisation Énergétique, Raspberry Pi, Arduino, Sim-to-Real, Pertinence Locale, Goma, RDC, Autoconsommation Solaire, Durée de Vie Batterie, Réseau Électrique Instable.
Intérêt
1. Pertinence Locale Exceptionnelle (Goma/RDC) : Ce projet adresse directement des enjeux énergétiques cruciaux pour la population locale :
• Lutte contre l'instabilité du réseau électrique et le coût élevé de l'énergie.
• Valorisation des investissements dans les systèmes solaires, en améliorant leur efficacité et la durée de vie des batteries (un composant cher).
• Amélioration directe de la qualité de vie et soutien aux activités économiques en assurant une plus grande autonomie et fiabilité énergétique.
• Contribution potentielle à la réduction de l'utilisation de générateurs polluants et coûteux.
2. Innovation Technologique et Scientifique :
• Application de l'IA de pointe (DRL) à la gestion intelligente de l'énergie renouvelable et du stockage.
• Potentiel de développer des stratégies de contrôle adaptées aux conditions locales spécifiques (météo, usage) surpassant les contrôleurs génériques.
• Intégration des domaines de l'IA, de l'énergie, de l'électronique et des systèmes embarqués IoT.
3. Valeur Pédagogique et Technique :
• Acquisition de compétences très recherchées en DRL, systèmes embarqués (Pi/Arduino), modélisation énergétique (PV, batterie), gestion de projet intégrant matériel et logiciel.
• Réalisation d'un prototype potentiellement démonstratif et ayant du sens.
Problématique
Pour une maison typique à Goma, l'accès à une énergie fiable et continue est une préoccupation quotidienne majeure. Confrontée à des coupures fréquentes ("délestages") du réseau électrique national et/ou au coût élevé de l'électricité ou du carburant pour un groupe électrogène, de nombreuses familles investissent dans des systèmes solaires domestiques (SHS) avec une batterie Lithium-ion pour gagner en autonomie et sécuriser l'alimentation de leurs besoins essentiels (éclairage, recharge de téléphones, radio/TV...).
Cependant, la batterie, qui représente une part significative de cet investissement coûteux, est souvent gérée par des régulateurs de charge standards aux stratégies simples et non-adaptatives. Du point de vue de la maison, cela pose plusieurs problèmes :
1. La durée de vie de la batterie est-elle maximisée pour rentabiliser cet investissement sur le long terme, sachant que son remplacement est cher et potentiellement difficile localement ?
2. L'énergie solaire gratuite produite pendant la journée est-elle utilisée de la manière la plus intelligente – pour alimenter directement la maison, ou pour charger la batterie afin qu'elle puisse prendre le relais efficacement pendant les fréquentes coupures du soir ou de la nuit ?
3. Le système assure-t-il une réserve d'énergie suffisante et fiable pour les besoins prioritaires de la maison lors des délestages imprévus ?
4. La famille a-t-elle une visibilité ou un contrôle minimal sur la façon dont cette ressource énergétique cruciale est gérée au quotidien ?
Face à ces enjeux concrets pour une maison à Goma, comment peut-on développer un système de contrôle intelligent, adaptatif et peu coûteux, basé sur des technologies accessibles comme le Raspberry Pi et Arduino, qui utilise l'Apprentissage par Renforcement Profond (DRL) pour apprendre la meilleure stratégie de gestion de la batterie solaire, spécifiquement pour cette maison, afin de répondre au mieux à ses besoins énergétiques journaliers tout en préservant son investissement batterie sur le long terme ? Plan provisoire
1. Revue approfondie de la littérature
2. Conception détaillée du système cible (ma version simplifiée) : Choix précis des composants matériels (panneau ou simulateur, type de batterie, capteurs, actionneurs), architecture logicielle (Pi/Arduino/Web si inclus).
3. Analyse de sécurité détaillée (manipulation batterie, circuit de charge/décharge) et finalisation de la problématique, des objectifs et des hypothèses.
4. etc .... Hypothèses
Nous posons l'hypothèse qu'un système de contrôle basé sur le DRL, entraîné en simulation (en utilisant des données représentatives des conditions de Goma) et déployé sur une plateforme Raspberry Pi/Arduino gérant un SHS simplifié (modèle physique ou simulation Hardware-in-the-Loop), peut apprendre une politique de gestion de batterie Li-ion qui améliore significativement (par rapport à une gestion standard type CC-CV et seuils fixes) un ou plusieurs indicateurs clés pertinents pour le contexte local : l'estimation de la durée de vie de la batterie (via la réduction du stress : cycles profonds, T° élevées...), le taux d'autoconsommation de l'énergie solaire, et/ou la disponibilité de l'énergie stockée pendant les simulations de coupures réseau. Méthodes
L'approche méthodologique repose sur le Sim-to-Real (simulation pour l'entraînement, validation sur matériel simple) avec un accent constant sur la sécurité de la manipulation de la batterie. Bibliographie
Directeur & Encadreur
Status
Décision ou observation:
Feu vert:
Déposé : NON
Défendu: NON
Finalisé: NON
Optimisation par Apprentissage par Renforcement Profond (DRL) de la Gestion d'une Batterie Lithium-ion dans un Système Solaire Domestique pour un Contexte Résidentiel à Goma/RDC
Résumé
Auteur : KASEREKA ONOTESE
Niveau: G3
Département: Genie Electrique
Année Ac: 2024-2025 , | 2025-04-16 11:24:08
Mots clés
Français : Apprentissage par Renforcement Profond (DRL), Gestion de Batterie, Lithium-ion, Système Solaire Domestique, Optimisation Énergétique, Raspberry Pi, Arduino, Sim-to-Real, Pertinence Locale, Goma, RDC, Autoconsommation Solaire, Durée de Vie Batterie, Réseau Électrique Instable.Intérêt
1. Pertinence Locale Exceptionnelle (Goma/RDC) : Ce projet adresse directement des enjeux énergétiques cruciaux pour la population locale :• Lutte contre l'instabilité du réseau électrique et le coût élevé de l'énergie.
• Valorisation des investissements dans les systèmes solaires, en améliorant leur efficacité et la durée de vie des batteries (un composant cher).
• Amélioration directe de la qualité de vie et soutien aux activités économiques en assurant une plus grande autonomie et fiabilité énergétique.
• Contribution potentielle à la réduction de l'utilisation de générateurs polluants et coûteux.
2. Innovation Technologique et Scientifique :
• Application de l'IA de pointe (DRL) à la gestion intelligente de l'énergie renouvelable et du stockage.
• Potentiel de développer des stratégies de contrôle adaptées aux conditions locales spécifiques (météo, usage) surpassant les contrôleurs génériques.
• Intégration des domaines de l'IA, de l'énergie, de l'électronique et des systèmes embarqués IoT.
3. Valeur Pédagogique et Technique :
• Acquisition de compétences très recherchées en DRL, systèmes embarqués (Pi/Arduino), modélisation énergétique (PV, batterie), gestion de projet intégrant matériel et logiciel.
• Réalisation d'un prototype potentiellement démonstratif et ayant du sens.
Problématique
Pour une maison typique à Goma, l'accès à une énergie fiable et continue est une préoccupation quotidienne majeure. Confrontée à des coupures fréquentes ("délestages") du réseau électrique national et/ou au coût élevé de l'électricité ou du carburant pour un groupe électrogène, de nombreuses familles investissent dans des systèmes solaires domestiques (SHS) avec une batterie Lithium-ion pour gagner en autonomie et sécuriser l'alimentation de leurs besoins essentiels (éclairage, recharge de téléphones, radio/TV...).Cependant, la batterie, qui représente une part significative de cet investissement coûteux, est souvent gérée par des régulateurs de charge standards aux stratégies simples et non-adaptatives. Du point de vue de la maison, cela pose plusieurs problèmes :
1. La durée de vie de la batterie est-elle maximisée pour rentabiliser cet investissement sur le long terme, sachant que son remplacement est cher et potentiellement difficile localement ?
2. L'énergie solaire gratuite produite pendant la journée est-elle utilisée de la manière la plus intelligente – pour alimenter directement la maison, ou pour charger la batterie afin qu'elle puisse prendre le relais efficacement pendant les fréquentes coupures du soir ou de la nuit ?
3. Le système assure-t-il une réserve d'énergie suffisante et fiable pour les besoins prioritaires de la maison lors des délestages imprévus ?
4. La famille a-t-elle une visibilité ou un contrôle minimal sur la façon dont cette ressource énergétique cruciale est gérée au quotidien ?
Face à ces enjeux concrets pour une maison à Goma, comment peut-on développer un système de contrôle intelligent, adaptatif et peu coûteux, basé sur des technologies accessibles comme le Raspberry Pi et Arduino, qui utilise l'Apprentissage par Renforcement Profond (DRL) pour apprendre la meilleure stratégie de gestion de la batterie solaire, spécifiquement pour cette maison, afin de répondre au mieux à ses besoins énergétiques journaliers tout en préservant son investissement batterie sur le long terme ?
Plan provisoire
1. Revue approfondie de la littérature2. Conception détaillée du système cible (ma version simplifiée) : Choix précis des composants matériels (panneau ou simulateur, type de batterie, capteurs, actionneurs), architecture logicielle (Pi/Arduino/Web si inclus).
3. Analyse de sécurité détaillée (manipulation batterie, circuit de charge/décharge) et finalisation de la problématique, des objectifs et des hypothèses.
4. etc ....
Hypothèses
Nous posons l'hypothèse qu'un système de contrôle basé sur le DRL, entraîné en simulation (en utilisant des données représentatives des conditions de Goma) et déployé sur une plateforme Raspberry Pi/Arduino gérant un SHS simplifié (modèle physique ou simulation Hardware-in-the-Loop), peut apprendre une politique de gestion de batterie Li-ion qui améliore significativement (par rapport à une gestion standard type CC-CV et seuils fixes) un ou plusieurs indicateurs clés pertinents pour le contexte local : l'estimation de la durée de vie de la batterie (via la réduction du stress : cycles profonds, T° élevées...), le taux d'autoconsommation de l'énergie solaire, et/ou la disponibilité de l'énergie stockée pendant les simulations de coupures réseau.Méthodes
L'approche méthodologique repose sur le Sim-to-Real (simulation pour l'entraînement, validation sur matériel simple) avec un accent constant sur la sécurité de la manipulation de la batterie.Bibliographie
Directeur & Encadreur
Status
Décision ou observation:Feu vert:
Déposé : NON
Défendu: NON
Finalisé: NON