5a. Résumé
Le dimensionnement des systèmes hybrides d’énergies renouvelables suscite un intérêt croissant dans la recherche, notamment pour répondre aux enjeux environnementaux, en particulier pour la réduction des gaz à effet de serre. Les études montrent que les sources d’énergie renouvelable, comme le solaire et l’éolien, peuvent contribuer à cette réduction, sachant que le secteur de l’électricité représente à lui seul 41 % des émissions totales. Cependant, leur variabilité due à l’intermittence des conditions météorologiques reste un défi. Pour pallier cette instabilité, ces sources sont souvent couplées à des systèmes de stockage d’énergie (batteries) ou à des générateurs (diesel, gaz naturel).
Le défi est de trouver un système optimisé qui réponde aux besoins énergétiques tout en tenant compte des aspects économiques, sociaux et environnementaux. Des outils comme HOMER ou des techniques comme l’optimisation par essaims particulaires (OEP) sont fréquemment utilisés. Toutefois, ces méthodes peuvent nécessiter des ajustements importants selon les besoins. Cette recherche propose une approche basée sur l’apprentissage par renforcement profond (ARP), qui utilise un système de récompenses pour optimiser le dimensionnement énergétique. Des expérimentations ont été menées sur différents profils de demande, et les résultats montrent que l’approche par ARP surpasse OEP dans plusieurs cas.
