Stratégie de système de gestion de l'énergie pour les microréseaux hybrides : optimisation et prévision
- Date :
- Mercredi 25 novembre 2026
- Heure :
- À 9 h
- Type :
- Soutenance de thèse
- Lieu :
- Via la plateforme Teams
Description :
Doctorante : Astrid Clarissa Esparza Aponte
Directeur de recherche : Joao Trovao
Codirectrice de recherche : Maude Blondin
Président de jury : À être confirmé
Résumé : Dans les régions non raccordées au réseau électrique principal, les micro‑réseaux (MR) solaires hybrides offrent une alternative viable pour réduire la dépendance au diesel et les émissions. Cette thèse présente une stratégie de gestion de l’énergie (SGE) pour le MR hybride de Dorval Lodge, au Québec, validée avec des données opérationnelles réelles. Elle repose sur quatre volets : une revue de littérature qui cerne les lacunes des SGE actuelles ; une analyse de sensibilité montrant qu’une optimisation centrée sur les coûts du diesel peut accroître la dégradation des batteries jusqu’à 32 % par rapport aux recommandations du fabricant ; un cadre d’optimisation tenant compte de la saisonnalité, qui considère les émissions, la consommation de diesel et la dégradation des batteries ; et une unité de prévision multivariée basée sur des méthodes de deep learning. Enfin, l’optimisation et la prévision sont intégrées dans un jumeau numérique prédictif, qui soutient une prise de décision fondée sur les données dans les climats extrêmes.
Doctorante : Astrid Clarissa Esparza Aponte
Directeur de recherche : Joao Trovao
Codirectrice de recherche : Maude Blondin
Président de jury : À être confirmé
Résumé : Dans les régions non raccordées au réseau électrique principal, les micro‑réseaux (MR) solaires hybrides offrent une alternative viable pour réduire la dépendance au diesel et les émissions. Cette thèse présente une stratégie de gestion de l’énergie (SGE) pour le MR hybride de Dorval Lodge, au Québec, validée avec des données opérationnelles réelles. Elle repose sur quatre volets : une revue de littérature qui cerne les lacunes des SGE actuelles ; une analyse de sensibilité montrant qu’une optimisation centrée sur les coûts du diesel peut accroître la dégradation des batteries jusqu’à 32 % par rapport aux recommandations du fabricant ; un cadre d’optimisation tenant compte de la saisonnalité, qui considère les émissions, la consommation de diesel et la dégradation des batteries ; et une unité de prévision multivariée basée sur des méthodes de deep learning. Enfin, l’optimisation et la prévision sont intégrées dans un jumeau numérique prédictif, qui soutient une prise de décision fondée sur les données dans les climats extrêmes.