Improvement of energy network (thermal) management using artificial intelligence (AI) methods and dynamic optimisation techniques

Le chauffage représente près de la moitié de la consommation énergétique mondiale et environ 40 % des émissions de CO₂. L'intégration des sources d'énergie renouvelable dans le secteur du chauffage est donc essentielle pour réduire les émissions globales. En interconnectant les producteurs et les consommateurs au sein d'un réseau centralisé, les réseaux de chaleur urbains, RCU permettent l'intégration à grande échelle de sources de chaleur renouvelables et de récupération. Cependant, une exploitation efficace de ces réseaux est cruciale pour minimiser les coûts et les pertes énergétiques. Pour répondre à cet enjeu, cette thèse développe une approche d'optimisation en ligne, à la fois fondée sur les données et cohérente avec la physique des systèmes.Dans un premier temps, nous réalisons une revue bibliographique des travaux dédiés à l'optimisation en ligne appliquée aux différentes générations de RCU. Cette étude identifie l'optimisation dynamique en temps réel (DRTO, Dynamic Real-Time Optimisation) et le contrôle prédictif (EMPC, Economic Model Predictive Control), les modèles de substitution, la prévision basée sur l'apprentissage automatique et les jumeaux numériques comme leviers clés pour les réseaux de troisième génération (3GDH).Dans un second temps, des modèles computationnellement efficaces sont formulés et validés: un modèle grey-box de type Linear Parameter-Varying (LPV) et un modèle physique de faible précision (Low Fidelity Physical Model, LFPM), tous deux validés par rapport à un modèle physique de haute précision (HFPM). Le modèle LPV a atteint une grande précision en reproduisant 98,64 % de la dynamique du HFPM tout en étant environ 52 fois plus rapide, tandis que le LFPM est encore plus rapide et adapté à l'optimisation dynamique en temps réel.Enfin, le LFPM est utilisé dans le cadre de la DRTO sur horizon glissant, intégrant les prévisions, issues de modèles d'apprentissage automatique, des variables de perturbation (demande thermique des consommateurs et température du sol). Parmi les modèles FFN, CNN, LSTM et XGBoost, ce dernier atteint la meilleure précision. La DRTO surpasse systématiquement l'optimisation dynamique hors ligne (planning) en termes de coûts de production, de distribution, de fonctionnement total, et d'amélioration du confort thermique, tout en se montrant plus robuste face à l'incertitude des prévisions et en réduisant la température de production, favorisant ainsi le fonctionnement à basse température. Une analyse de sensibilité de type Pareto montre que des horizons plus longs améliorent la satisfaction des contraintes, tandis que des horizons plus courts réduisent le coût et l'effort de calcul.Dans l'ensemble, cette thèse propose un cadre évolutif pour une exploitation des RCU plus économe, efficace et bas carbone, contribuant à l'objectif global de décarbonation des systèmes de chauffage urbains.