Job Opportunities API

Résumé du projet de recherche : Le territoire du Rhin Supérieur connaît depuis plusieurs années une transformation profonde de son système énergétique local. Plus de 850 000 foyers ou petites structures collectives y produisent désormais leur propre électricité solaire tout en restant connectés au réseau de distribution, formant ce que l'on appelle une population de prosommateurs. Ce phénomène, qui ne montre aucun signe de ralentissement, génère des contraintes nouvelles et mal anticipées sur les réseaux de distribution : intermittence des injections, pics de consommation difficiles à prévoir, multiplication de batteries de natures très différentes. Face à cette réalité, les outils de pilotage disponibles sur le marché restent trop souvent cloisonnés par marque ou par pays, et aucun ne tire vraiment parti de ce que représente collectivement l'ensemble de ces installations. Cette offre de thèse s'inscrit dans le projet européen Interreg Rhin Supérieur, FAIR'nRG coordonné par CESI en partenariat avec des établissements d'enseignement supérieur et des acteurs de l’énergie français, allemands et suisses. FAIR’nRG vise à développer une plateforme multifonctionnelle destinée aux prosommateurs du Rhin Supérieur, fondée sur des approches d'intelligence artificielle distribuée s’appuyant sur une infrastructure cloud régionale souveraine. Dans ce cadre scientifique ambitieux et collaboratif, le travail de recherche doctoral s'articulera autour de trois axes majeurs. Le premier axe vise la conception et l’optimisation d'une architecture d'apprentissage fédéré robuste et efficace, capable de gérer l'hétérogénéité des données et des équipements (onduleurs, batteries, capteurs) présents sur le territoire trinational. Nos travaux nous ont amenés à élaborer des méthodes de sélection et de regroupement de clients pour accélérer la convergence des modèles d’IA en contextes fortement hétérogènes tant sur le plan des données que des performances de calcul [1, 2]. Nous nous intéressons désormais à l’application des techniques de clustering pour agréger efficacement les informations issues de prosommateurs aux profils diversifiés. L’objectif est alors de maintenir un certain degré de spécialisation des modèles des clients, tout en capitalisant sur une information commune globale. L’ensemble devra être fonctionnel sur des périphériques contraints côté clients et sera en mesure d’absorber la montée en charge au niveau infrastructure. Le second axe portera sur le développement de stratégies d'optimisation dynamique. Il s'agira de créer des algorithmes capables d'intégrer des variables en flux continu, telles que les prévisions météo locales, les profils de consommation et les signaux de prix du réseau, pour maximiser l'autoconsommation et la durée de vie des systèmes de stockage [3]. Ceux-ci seront paramétrés par les informations agrégées et caractérisées par les modèles d'IA évoqués ci-avant. Ces approches, fondées sur des heuristiques ou des métaheuristiques, seront conçues pour répondre à la diversité des profils de prosommateurs selon un spectre progressif : d'une implication forte de l'utilisateur vers une automatisation complète du système énergétique. Cette structuration délibérément graduée du problème permettra au doctorant de construire une contribution solide et bien bornée, articulant personnalisation des réponses et passage à l'échelle. Enfin, le troisième axe explorera l'apprentissage incrémental, permettant aux modèles de s'affiner continuellement à partir des nouveaux flux de données sans nécessiter de réentraînement massif et centralisé et fiabiliser le passage à l’échelle de l’ensemble de l’infrastructure. Dans une phase finale de la thèse, les modules de performance développés seront confrontés à la réalité du terrain. Le doctorant participera au déploiem