PhD Student (M/ F) - Hybrid modeling and operational optimization of coupled electricity and heating networks

Informations générales

Intitulé de l'offre : Doctorant (H/F) - Modélisation hybride et optimisation opérationnelle des réseaux couplés d'électricité et de chaleur
Référence : UMR5214-JEAGAY-069
Nombre de Postes : 1
Lieu de travail : MONTPELLIER
Date de publication : mercredi 9 octobre 2024
Type de contrat : CDD Doctorant/Contrat doctoral
Durée du contrat : 36 mois
Date de début de la thèse : 1 décembre 2024
Quotité de travail : Temps complet
Rémunération : 2 135,00 € brut mensuel
Section(s) CN : Micro et nanotechnologies, micro et nanosystèmes, photonique, électronique, électromagnétisme, énergie électrique

Description du sujet de thèse

Modélisation hybride et optimisation opérationnelle des réseaux couplés d'électricité et de chaleur

Contexte de travail

En raison de la crise énergétique mondiale et des préoccupations environnementales, les réseaux de chaleur urbains (DHN) sont devenus essentiels pour décarboner le secteur du chauffage et sont passés d'une production basée sur l'énergie fossile à une production basée sur l'électricité pour améliorer l'efficacité énergétique et réduire les émissions de carbone. Cette transition se traduira prochainement par une forte interconnexion entre les réseaux de chaleur urbains et les réseaux électriques grâce à des technologies de couplage telles que les pompes à chaleur (HP). Une complexité supplémentaire prévue est la connexion de sources d'énergie renouvelables distribuées telles que les panneaux solaires photovoltaïques. Dans ce contexte, l'exploitation des réseaux d'alimentation électrique (DHN) et des EPN (Electrical Power Networks) doit être optimisée en les considérant comme un seul système énergétique intégré. Cependant, l'interaction accrue entre les DHN et les EPN augmente le risque de défaillances en cascade, ce qui peut menacer la stabilité des EPN et dégrader la qualité de service des DHN.
Le fonctionnement et le contrôle optimaux de ces systèmes intégrés et de grande envergure nécessitent l'utilisation de modèles sophistiqués pour saisir avec précision la dynamique du système et les interdépendances entre ses sous-composants. De plus, des algorithmes d'optimisation avancés sont nécessaires pour déterminer les meilleures décisions opérationnelles, assurer une coordination efficace entre les sous-systèmes, maximiser l'efficacité énergétique et maintenir un impact environnemental acceptable. Ce processus est intensif en calculs, ce qui entrave son application pratique.
Dans la littérature, deux classes de modèles sont identifiées. Les modèles mécanistes peuvent capturer avec précision le comportement du système et nécessitent un minimum de données pour l'étalonnage. Cependant, leur mise en œuvre exige un effort de calcul important, ce qui limite leur praticité pour les applications en temps réel. En revanche, les modèles pilotés par les données nécessitent moins d'efforts de calcul, mais nécessitent une grande quantité de données historiques pour l'entraînement. De plus, ces modèles ont du mal à se généraliser à des conditions nouvelles et invisibles.

La modélisation hybride est un domaine de recherche prometteur mais peu étudié. La modélisation hybride combine des modèles physiques et des modèles pilotés par les données de différentes manières, notamment « Simulation-Assisted Machine Learning (SAML) » et « Machine-Learning Assisted Simulation (MLAS) ». Cette approche vise à réduire la complexité associée à la modélisation mécaniste et à diminuer les besoins en données des modèles purement basés sur l'apprentissage automatique.

Contraintes et risques

-Déplacements professionnels à prévoir