Gestion Intelligente de l'Energie

Introduction :

Cette étude apporte des solutions concrètes pour les prosumers (producteur & consommateur) souhaitant optimiser l'intégration de leur système photovoltaique en toiture. Les contributions incluent une évaluation de faisabilité technico-économique du stockage d'énergie thermique, une approche d'optimisation multi-objectifs pour cette intégration, et le développement d'une stratégie de contrôle prédictif basée sur l'apprentissage automatique.

Problématique et Objectifs :

La recherche aborde la question de l'exportation d'énergie photovoltaïque (PV) excédentaire vers le réseau, un problème courant pour les systèmes PV résidentiels connectés au réseau, en particulier dans des contextes comme le Maroc où les tarifs de rachat sont non compétitifs ou inexistants. L'objectif principal de cette recherche est d'évaluer la faisabilité technico-économique et d'optimiser l'utilisation de cet excès d'énergie PV pour le chauffage de l'eau dans un réservoir de stockage, via un déviateur solaire, comme système principal de production d'eau chaude pour un bâtiment bioclimatique.

Méthodologie :

L'étude a utilisé un système photovoltaïque de 2 kWc raccordé au réseau, avec des données d'énergie excédentaire surveillées pendant un an à une résolution d'une minute. Ces données ont été intégrées dans une simulation numérique TRNSYS pour Marrakech, au Maroc. La recherche a comparé trois configurations de chauffe-eau : un chauffe-eau électrique (ELWH - modèle de référence), un chauffe-eau photovoltaïque (PVWH), et un chauffe-eau solaire thermique (STWH).

En parallèle de l'analyse technico-économique, un cadre de gestion adaptative de l'énergie basé sur l'apprentissage automatique, utilisant l'algorithme KNN, a été développé pour la prédiction des températures. Ce système recueille des données de température à des intervalles de 5 minutes et s'ajuste dynamiquement aux variations météorologiques.

Principaux Résultats :

Faisabilité Technico-Économique

Le chauffe-eau photovoltaïque (PVWH) a montré une amélioration significative du taux d'autoconsommation de 52,23 %. Le coût actualisé de l'énergie (LCoE) pour le PVWH était de 0,06 USD/kWh, soit 33 % inférieur à celui d'un chauffe-eau solaire thermique (STWH) typique (0,09 USD/kWh). De plus, le PVWH a présenté un temps de retour sur investissement plus court (4 ans) et une valeur actuelle nette (VAN) plus élevée (1840,28 USD) par rapport au STWH (1008,8 USD). Ces résultats soulignent l'efficacité et la durabilité des systèmes PVWH optimisés pour les applications domestiques.

Optimisation Multi-Objectifs

Grâce à des techniques d'optimisation multi-objectifs, la recherche a révélé la possibilité d'atteindre un taux d'autoconsommation élevé de 87 % et une fourniture de 2190 heures d'eau chaude au-dessus de 55°C. Le système optimisé a également entraîné des réductions de 46 % des besoins en énergie auxiliaire, de 20 % des pertes d'énergie, et une diminution de 0,175 tonne des émissions annuelles de carbone.

Contrôle Prédictif par Apprentissage Automatique

Le cadre de gestion de l'énergie basé sur le Machine Learning a démontré une grande précision prédictive, avec un coefficient de détermination R² de 91 % pour le chauffage de l'eau et de 68 % pour le chauffage des locaux. Cette approche représente une avancée majeure dans la gestion intelligente de l'énergie domestique en optimisant la performance des systèmes d'énergie thermique.

Publications et références

DRAOU Mohcine, BRAKEZ, Abderrahim & BENNOUNA Amin. "Techno-economic feasibility assessment of a photovoltaic water heating storage system for self-consumption improvement purposes." Journal of Energy Storage, 2024, vol. 76, p. 109545.

DRAOU Mohcine & BRAKEZ Abderrahim. "Multi-objective optimization of a diverter-driven photovoltaic water heater: A residential case study in Morocco."Applied Thermal Engineering, 2024, vol. 242, p. 122500.

DRAOU, Mohcine et BRAKEZ, Abderrahim. "Enhancing Home Energy Management: A Day-Ahead Machine Learning Approach Using EMHASS for Predictive Temperature Control." In : International Conference on Green Energy and Environment Engineering. Cham : Springer Nature Switzerland, 2024. p. 171-183.