Thèse de Taha Boussaid
Sujet :
Date de début : 17/04/2023
Date de fin (estimée) : 17/04/2026
Encadrant : Vasile-Marian Scuturici
Résumé :
Les réseaux de chaleur, mettent en jeu une grande diversité de moyen de production (gaz, biomasse, ressource solaire, pompe à chaleur, etc.) et de stockage (stockage court terme et inter-saisonnier). De plus, de nouvelles interactions sont à prendre en compte : avec le réseau électrique1 (utilisation d’électricité renouvelable en excès, généralisation des pompes à chaleur, etc.) avec les consommateurs se transformant en « prosumers ». Cette complexité nouvelle impose de repenser les stratégies de pilotage qui doivent de plus prendre en compte l’existence d’aléas de plus en plus nombreux, notamment les phénomènes météorologiques extrêmes qui peuvent impacter les ressources renouvelables disponibles, la demande ou encore la pollution générée par le réseau de chaleur (par exemple impact des générateurs à combustion pendant des épisodes anticycloniques persistants en hiver).
Objectifs :
La thèse proposée vise les objectifs suivants :
1. Développer un outil d’optimisation de la conduite de réseaux de chaleur urbain (RCU) alimentées via différentes sources d’énergie (renouvelable, chaleur fatale, chaudière au gaz/biomasse/électrique, pompe à chaleur), et ce via deux approches :
a. Une approche hybride faisant usage d’un modèle de substitution ML du modèle physique développé précédemment au sein du CETHIL dans le cadre de SunSTONE, le but étant d’accélérer l’algorithme d’optimisation.
b. Une approche entièrement ML faisant usage d’algorithmes d’apprentissage par renforcement qui consiste à développer un « agent » (modèle) autonome capable de prendre des actions et des décisions optimales via un processus d’apprentissage itératif.
2. Intégration de nouveaux critères environnementaux, dont la qualité de l’air (impact combustion) et la qualité de l’eau (impact rejet de chaleur) déjà identifiés, et ce sans approche par monétisation (évaluation multicritères).
3. Evaluer les résultats obtenus et la sensibilité des modèles en comparaison avec des données historiques issues des projets précédents du laboratoire ou récupérés auprès d’industriels.