Les réseaux de chaleur (RdC) jouent un rôle clé dans l’intégration des énergies renouvelables et de la chaleur fatale, contribuant aux efforts de lutte contre le réchauffement climatique. En France, la stratégie nationale bas-carbone favorise leur développement, notamment à travers des réseaux de taille modeste combinant diverses sources de chaleur, telles que le solaire thermique, et le stockage. Les méthodes de contrôle avancées, comme le contrôle prédictif (MPC), visent à moderniser la gestion des RdC, mais leur adoption sur les petits réseaux reste freinée par leur coût élevé et leur complexité technique.

Les grands RdC s’appuient sur des outils d’optimisation comme la programmation linéaire en nombres entiers pour planifier la production en temps réel, tandis que les petits réseaux utilisent des approches simplifiées basées sur des règles. La recherche actuelle vise à réduire la complexité du MPC grâce à la modélisation hors ligne, aux méthodes systématiques et à l’apprentissage automatique, en évaluant des stratégies selon leur adaptabilité, performance et efficacité.

Ce projet postdoctoral propose de développer et de tester des stratégies de contrôle innovantes (recherche opérationnelle, machine learning notamment) pour les RdC, en combinant simulateurs physiques et interfacage à des installations expérimentales. L’objectif est d’optimiser les coûts, d’améliorer la robustesse et de simplifier le déploiement. Le chercheur disposera d’outils numériques avancés, de ressources informatiques et d’un réseau de chaleur expérimental hébergé au CEA pour atteindre ces objectifs.

Vos missions:

· Établir un état de l’art des stratégies avancées de contrôle de la production pour les réseaux de chaleur (RdC), incluant les technique de recherche opérationnelle ou des approches d’apprentissage automatique ;

· Spécifier, implémenter et tester hors ligne les approches les plus prometteuses (issues de l’état de l’art ou non) à l’aide d’un simulateur physique, en tenant compte de divers indicateurs de performance (réduction des coûts opérationnels, robustesse face à des prévisions imparfaites).

· Déployer en conditions réelles les stratégies de contrôle sélectionnées sur le réseau de chaleur expérimental de CEA-INES (spécification et mise en œuvre de la chaîne de contrôle sur le matériel d’automatisation, évaluation et comparaison continues des performances).

· Diffuser les résultats via des publications scientifiques et des participations à des conférences internationales, éventuellement après dépôt de brevet.