Sujet : Apprentissage  par Renforcement Profond pour le Pilotage Optimal dans les Systèmes Multi-Energies Intelligents

Sous la direction de : Gilles GUERASSIMOFF (CMA Mines Paris – PSL)

Résumé : Cette thèse propose une approche de gestion de l’énergie basée sur l’Apprentissage par Renforcement Profond (DRL) pour les Systèmes Multi-Énergies Intelligents (SMEI). Le Système de Gestion Multi-Énergies Intelligente (SGMEI) est conçu pour optimiser la gestion des flexibilités dans les SMEI, y compris les systèmes de stockage de chaleur, de froid et d’électricité, ainsi que les systèmes de production dans les réseaux de chaleur et de froid, comme les Thermo-Frigo Pompes (TFPs). On propose ainsi l’application de cette approche sur l’étude de cas du projet Meridia Smart Energie (MSE), un projet réel de SMEI en cours de construction dans l’écoquartier de Nice Meridia, en France. L’agent DRL développé est comparé à un Contrôleur Prédictif (MPC) sur un premier cas d’étude simulé de SMEI, montrant que le DRL est capable d’approcher l’optimum théorique du MPC (à hauteur de 98%) en termes de réduction des coûts énergétiques. Cette étude suggère que le DRL est une approche prometteuse pour la gestion énergétique optimisée des SMEI. L’approche DRL est également appliquée sur un second cas d’étude à un jumeau numérique plus détaillé de MSE, développé sous Dymola (langage Modelica), pour valider ces résultats sur un second cas d’étude plus complexe. Les futurs travaux porteront sur le transfert de l’apprentissage de la simulation à la réalité sur MSE et étendront l’application de cette approche à de nouveaux casd’usage de SMEI.

Mots clés : Systèmes Multi-Energies Intelligents, Eco-quartiers, Smart Grids, Réseaux de Chaleur et de Froid, Systèmes de Gestion de l’Energie, Contrôle Optimal, Apprentissage par Renforcement Profond, Contrôle Prédictif

La soutenance sera également retransmise en directe. Pour recevoir le lien de connexion, merci de nous contacter.