Low voltage distribution system state estimation using smart meters data and machine learning techniques

Estimation d'état des réseaux basse tension à partir des données des smart meters par des techniques de machine learning Avec la pénétration croissante des ressources énergétiques distribuées et des stations de recharge des véhicules électriques, les gestionnaires de réseaux de distribution sont confrontés à des défis plus importants pour gérer efficacement les réseaux basse tension (BT). Pour améliorer la surveillance en temps réel du niveau de tension sur ces réseaux BT, l'estimateur d'état pourrait être une bonne solution à déployer. Les techniques conventionnelles d'estimation de l'état ont été déployées sur les réseaux de transport et de distribution moyenne tension. Toutefois, leur application aux réseaux BT est contraignante à cause du déséquilibre de ces réseaux et de l'absence de mesures en temps réel. En effet, même avec le déploiement des compteurs intelligents, l'accès en temps réel à leurs mesures est limité par des contraintes de communication. Néanmoins, la disponibilité de données historiques provenant des compteurs intelligents ouvre de nouvelles possibilités pour les techniques d'apprentissage automatique. Cependant, l'application des techniques classiques d'apprentissage automatique pour l'estimation d'état est limitée par un manque de connaissance de l'aspect physique des systèmes électriques. Cela conduit à un modèle d'apprentissage automatique spécialisé pour fonctionner uniquement sur le réseau dont les données historiques ont été utilisées pour l'apprentissage. L'objectif de la thèse est d'explorer les techniques d'apprentissage automatique pour l'estimation de l'état des réseaux BT, tout en proposant une approche hybride qui combine les techniques d'apprentissage automatique avec l'aspect physique des réseaux de distribution.