Hybridation de réseaux de neurones avec de l’optimisation linéaire pour le dimensionnement de systèmes énergétiques multi-vecteurs

Contexte
Réussir la transition énergétique implique d’évaluer les intérêts économiques et environnementaux des technologies de l’énergie. Il est donc nécessaire de modéliser le comportement de ces technologies dans des systèmes complexes. Sur la base de recherches menées depuis plusieurs années, le CEA a mis au point le logiciel Cairn1 permettant l’optimisation du dimensionnement et du pilotage de systèmes énergétiques multi-vecteurs (électricité, thermique, hydrogène) en prenant en compte les coûts et impacts environnementaux associés.

Cairn permet de modéliser un système énergétique à partir de briques correspondant à des technologies (champ éolien, électrolyseur, centrale thermique, …). Le problème mathématique est écrit sous forme linéaire en nombre entiers (PLNE), ce qui a des avantages (flexibilité et robustesse, garantie d’optimalité…), mais peut être restrictif pour représenter les comportements non linéaires de certains composants (thermiques par ex.). La linéarisation permet de contourner ce problème mais elle comporte d’autres inconvénients (incompatibilité avec le dimensionnement du composant, limité aux fonctions à 2 variables…). Cairn comporte un modèle « réseau de neurones » qui permet de fournir la matrice des poids d’un réseau appris sur des données externes pour l’intégrer au PLNE.

Les avantages recherchés à l’utilisation de ce modèle sont :

• - La capacité à représenter des modèles non linéaires à plus de deux variables.
• - L’automatisation du processus, dont la capacité à ré-apprendre : on passe directement d’un modèle physique (ou de données réelles) au modèle Cairn.

Du fait du nombre importants de variables à intégrer, le challenge est d’améliorer la modélisation en limitant l’impact sur le temps de calcul.
En s’appuyant sur les aspects théoriques des réseaux de neurones et sur la modélisation de cas d’étude, le stage permettra de renforcer l’utilisation de cette méthodologie au sein du laboratoire.

Objectifs et déroulement du stage

• Prise en main des cas d’étude : sur un cas d’étude donné, prise en main du logiciel Cairn, et des données de simulation.
• Caractériser une méthode généralisable pour identifier la bonne typologie de réseau à utiliser et effectuer l’apprentissage tout en restant sobre sur le nombre de neurones.
• Comparaison avec les approches classiques selon plusieurs critères : temps de calcul, précision. Caractérisation des cas où l’utilisation de la méthode est pertinente.
• Paramétrage du solveur pour faciliter la prise en compte du réseau de neurones.
• Réalisation d’une documentation pour les prochains utilisateurs.
• Amélioration du modèle implémenté dans Cairn : intégration des aspects dynamiques, de la possibilité de faire du dimensionnement.

Cursus : BAC+5 (cursus ingénieur, master en génie énergétique/ mathématiques) - connaissances en systèmes énergétiques, mathématiques appliquées.

Profil recherché

• Intérêt pour la modélisation de systèmes énergétiques (production, stockage, conversion)
• Appétence pour le calcul scientifique, l’analyse des résultats de simulation et l’optimisation.
• Curiosité scientifique.
• Dynamisme et bon relationnel pour travail en équipe.
• Capacité à transmettre des connaissances de façon pédagogique.

Environnement logiciel et de développement : Python, éventuellement C++ et/ou simulations physiques avec Matlab ou Dymola.

Le stage proposé se déroulera au sein du Laboratoire des Systèmes Energétique pour les Territoires (LSET) du CEA LITEN (Institut du Commissariat à l'Energie Atomique et Aux Energies Alternatives) et sera basé à Grenoble (38) au cours de la période février-août 2026.

Durée du stage : 5 mois
Rémunération : Selon grille CEA
Candidature : Envoyer un CV et une lettre de motivation sous la référence « Stage Cairn ANN» avant le 20 décembre 2025 à Stéphanie Crevon : stephanie.crevon@cea.fr

https://github.com/CEA-Liten/CairnOpen