Optimisation par apprentissage du prix d'échange dans un marché hétérogène

Les systèmes d'énergie sont susceptibles de s'organiser à l'avenir comme un système hétérogène faisant coexister des communautés énergétiques indépendantes avec un marché principal. Le prix des échanges entre communautés et marché devrait alors refléter les coûts de production, mais également les contraintes d'acheminement et les potentielles congestions locales. La présente contribution cherche à évaluer le potentiel de l'apprentissage par renforcement pour prévoir ce prix d'échange. Un cas d'étude minimaliste est introduit afin d'améliorer l'interprétabilité et la généricité des résultats obtenus. En particulier les vitesses d'apprentissage seront étudiées afin de discuter le volume de données nécessaire pour garantir un niveau de performance donné. Le transfert des algorithmes entraînés d'un cas d'étude à un autre sera également discuté. Mots-clés-Apprentissage par renforcement, réseaux de neurones artificiels, prévision de prix, communauté énergétique, systèmes hétérogènes, congestion