Soutenance de thèse de François Gauthier-Clerc

Résumé : Le dérèglement climatique et la transition énergétique exigent une meilleure efficience et flexibilité dans les solutions de gestion énergétique destinées à l’industrie et aux services publics.
Cependant, les installations concernées ne disposent pas toujours des ressources financières nécessaires pour mettre en œuvre les régulations avancées requises. Cette situation encourage le développement de méthodes de régulation accessibles, capables d’être déployées à moindre coût sur une large gamme de systèmes.
Cette thèse s’intéresse aux installations capitalisant les données représentatives de leur comportement en conditions opérationnelles (données échantillonnées directement prélevées sur le système en exploitation). Elle emprunte aux méthodes d’identification, qui ont le potentiel de déduire, partir des seules données expérimentales d’un processus physique, des modèles dynamiques représentatifs ; sans recours à des modélisations physiques coûteuses donc.
Elle questionne les modèles (traditionnels ou neuronaux) et les méthodes d’apprentissage adaptés au contexte. Elle approfondit la problématique de l’apprentissage de modèles ad hoc pour la commande prédictive. Elle a établi deux bancs d’essais adaptés au contexte industriel cible. Elle propose, in fine, une nouvelle brique méthodologique visant une réduction du coût énergétique d’exploitation : il s’agit d’une nouvelle modélisation de type boîte noire, capable de représenter un comportement non-linéaire, tout en bénéficiant, pour la classe d’application visée, des capacités d’extrapolation des modèles linéaires. Ce modèle est directement utilisable pour la commande prédictive, sans nécessiter un processus complexe d’estimation d’état.