Méthodes de partage de données en respectant les contraintes de confidentialité et de vie privé pour l'optimisation des systèmes énergétiques multi-acteurs

La transition énergétique repose sur deux dynamiques majeures : la décarbonation du secteur de l'énergie et la numérisation de son infrastructure. L'intégration croissante des énergies renouvelables, des véhicules électriques et des compteurs intelligents génère un volume important de données à haute résolution. Ces données permettent l'application de modèles d'apprentissage automatique avancés pour la prévision spatio-temporelle, par exemple de la production éolienne multi-sites.Cependant, malgré le potentiel des approches collaboratives fondées sur les données, leur partage reste limité par les contraintes de confidentialité, tant réglementaires que concurrentielles.Cette thèse étudie la conception de cadres collaboratifs pour un partage de données préservant la confidentialité. Deux archétypes de modèles chiffrés sont proposés :(1) une architecture d'arbres de gradient boosting axée sur la résilience et reposant sur un partage de secrets sans perte ;(2) des réseaux de Kolmogorov-Arnold chiffrés combinant confidentialité et interprétabilité via un chiffrement par fusion.Les méthodes proposées sont validées par des expérimentations numériques adaptées aux systèmes électriques.Enfin, ce travail va au-delà des méthodes entièrement cryptées axées sur la précision en étudiant le chiffrement mixte via l'intégration de données publiques non cryptées et en explorant l'apprentissage axé sur la prise de décision préservant la confidentialité.En conclusion, cette thèse contribue au développement du partage de données préservant la confidentialité dans les systèmes électriques, afin d'aider à la transition énergétique.