Le territoire du Rhin Supérieur connaît depuis plusieurs années une transformation profonde de son système énergétique local. Plus de 850 000 foyers ou petites structures collectives y produisent désormais leur propre électricité solaire tout en restant connectés au réseau de distribution, formant ce que l'on appelle une population de prosommateurs. Ce phénomène, qui ne montre aucun signe de ralentissement, génère des contraintes nouvelles et mal anticipées sur les réseaux de distribution : intermittence des injections, pics de consommation difficiles à prévoir, multiplication de batteries de natures très différentes. Face à cette réalité, les outils de pilotage disponibles sur le marché restent trop souvent cloisonnés par marque ou par pays, et aucun ne tire vraiment parti de ce que représente collectivement l'ensemble de ces installations.
Cette offre de thèse s'inscrit dans le projet européen Interreg Rhin Supérieur, FAIR'nRG coordonné par CESI en partenariat avec des établissements d'enseignement supérieur et des acteurs de l’énergie français, allemands et suisses. FAIR’nRG vise à développer une plateforme multifonctionnelle destinée aux prosommateurs du Rhin Supérieur, fondée sur des approches d'intelligence artificielle distribuée s’appuyant sur une infrastructure cloud régionale souveraine. Dans ce cadre scientifique ambitieux et collaboratif, le travail de recherche doctoral s'articulera autour de trois axes majeurs.
Le premier axe vise la conception et l’optimisation d'une architecture d'apprentissage fédéré robuste et efficace, capable de gérer l'hétérogénéité des données et des équipements (onduleurs, batteries, capteurs) présents sur le territoire trinational. Nos travaux nous ont amenés à élaborer des méthodes de sélection et de regroupement de clients pour accélérer la convergence des modèles d’IA en contextes fortement hétérogènes tant sur le plan des données que des performances de calcul [1, 2]. Nous nous intéressons désormais à l’application des techniques de clustering pour agréger efficacement les informations issues de prosommateurs aux profils diversifiés. L’objectif est alors de maintenir un certain degré de spécialisation des modèles des clients, tout en capitalisant sur une information commune globale. L’ensemble devra être fonctionnel sur des périphériques contraints côté clients et sera en mesure d’absorber la montée en charge au niveau infrastructure.
Le second axe portera sur le développement de stratégies d'optimisation dynamique. Il s'agira de créer des algorithmes capables d'intégrer des variables en flux continu, telles que les prévisions météo locales, les profils de consommation et les signaux de prix du réseau, pour maximiser l'autoconsommation et la durée de vie des systèmes de stockage [3]. Ceux-ci seront paramétrés par les informations agrégées et caractérisées par les modèles d'IA évoqués ci-avant. Ces approches, fondées sur des heuristiques ou des métaheuristiques, seront conçues pour répondre à la diversité des profils de prosommateurs selon un spectre progressif : d'une implication forte de l'utilisateur vers une automatisation complète du système énergétique. Cette structuration délibérément graduée du problème permettra au doctorant de construire une contribution solide et bien bornée, articulant personnalisation des réponses et passage à l'échelle. Enfin, le troisième axe explorera l'apprentissage incrémental, permettant aux modèles de s'affiner continuellement à partir des nouveaux flux de données sans nécessiter de réentraînement massif et centralisé et fiabiliser le passage à l’échelle de l’ensemble de l’infrastructure.
Dans une phase finale de la thèse, les modules de performance développés seront confrontés à la réalité du terrain. Le doctorant participera au déploiement du pilote FAIR'nRG, impliquant plusieurs dizaines de prosommateurs réels à travers la France, l'Allemagne et la Suisse. Cette validation expérimentale permettra d'évaluer la capacité des modèles à s'adapter à des scénarios opérationnels variés et à démontrer la valeur ajoutée d'une intelligence collective et distribuée.
Les objectifs de la thèse sont énumérés ci-dessous :
• Conception de méthodes efficaces pour le regroupement de clients en contexte d’IA fédéré hétérogène (clustering).
• Conception de modèles efficaces pour maintenir la spécialisation des clients en contexte d’IA fédéré.
• Elaboration d’algorithmes d’optimisation multi-profils sur base d’heuristiques ou de meta-heuristiques hybrides alimentées par l’IA fédérée.
• Intégration des modèles IA dans l’infrastructure multi-échelle de FAIR’nRG et valorisation scientifique.
• Rédaction du manuscrit de thèse, présentation des résultats, soutenance.
Résultats attendus : Le doctorant contribuera à la production d'une architecture logicielle originale intégrant des modèles d'optimisation énergétique distribués, déployée et validée en conditions réelles dans le cadre du programme FAIR'nRG. Les livrables scientifiques incluront des publications dans des revues à comité de lecture, des communications dans des conférences internationales, ainsi qu'un prototype fonctionnel intégré à la plateforme du projet. La thèse participera directement à la construction d'un observatoire trinational des capacités de stockage distribué dans le Rhin Supérieur.
Présentation du laboratoire : CESI LINEACT (UR 7527), Laboratoire d'Innovation Numérique pour les Entreprises et les Apprentissages au service de la Compétitivité des Territoires, anticipe et accompagne les mutations technologiques des secteurs et des services liés à l’industrie et au BTP. La proximité historique de CESI avec les entreprises est un élément déterminant pour nos activités de recherche, et a conduit à concentrer les efforts sur une recherche appliquée proche de l’entreprise et en partenariat avec elles. Une approche centrée sur l’humain et couplée à l’utilisation des technologies, ainsi que le maillage territorial et les liens avec la formation, ont permis de construire une recherche transversale ; elle met l’humain, ses besoins et ses usages, au centre de ses problématiques et aborde l’angle technologique au travers de ces apports.
Sa recherche est organisée selon deux équipes scientifiques interdisciplinaires et deux domaines applicatifs.
L’équipe 1 ''Apprendre et Innover'' relève principalement des Sciences cognitives, Sciences sociales et Sciences de gestion, Sciences et techniques de la formation et celles de l’innovation. Les principaux objectifs scientifiques visés sont la compréhension des effets de l'environnement, et plus particulièrement des situations instrumentées par des objets techniques (plateformes, ateliers de prototypage, systèmes immersifs...) sur les processus d'apprentissage, de créativité et d’innovation.
L’équipe 2 ''Ingénierie et Outils Numériques'' relève principalement des Sciences du Numérique et de l'Ingénierie. Les principaux objectifs scientifiques portent sur la modélisation, la simulation, l’optimisation et l’analyse de données de systèmes cyber physiques. Les travaux de recherche portent également sur les outils d’aide à la décision associés et sur l’étude des interactions humains-systèmes notamment à travers les jumeaux numériques couplés à des environnements virtuels ou augmentés.
Ces deux équipes développent et croisent leurs recherches dans les deux domaines applicatifs de l'Industrie du Futur et de la Ville du Futur, soutenues par des plateformes de recherche, principalement celle de Rouen dédiée à l’Usine du Futur et celles de Nanterre dédiée à l’Usine et au Bâtiment du Futur.