Thèse : Optimisation Sous Contraintes de Flexibilité des Équipements Consommateurs d'Électricité dans le secteur Résidentiel et Tertiaire

Directeurs de thèse
Nicolas LABROCHE (nicolas.labroche@univ-tours.fr), Vincent T’KINDT (tkindt@univ-tours.fr),
Alexandre CHANSON (alexandre.chanson@univ-tours.fr)

Sujet
L’équipe Recherche Opérationnelle, Ordonnancement et Transport, l’équipe Bases de Données et
Traitement des Langues Naturelles (BDTLN) et la société Symphonics proposent un financement de
thèse de doctorat à temps plein pour un début au printemps 2025. La thèse sera basée à Tours avec la
moitié du temps dans les locaux de l’entreprise et l’autre moitié au sein du laboratoire.
La gestion d’un système électrique suppose un équilibre à chaque instant entre production et
consommation. Cela ne peut se faire qu’en modifiant soit la production, soit la consommation ; c’est
ce que l’on dénomme flexibilités dans le système électrique. L’introduction croissante des énergies
renouvelables impose l’augmentation du gisement de flexibilités et notamment celles se trouvant chez
les consommateurs représentant une source peu coûteuse pour satisfaire le besoin de décarbonation
du mix énergétique, enjeu majeur aussi bien sur le plan écologique, qu’économique et social.
C’est le créneau choisi par La société Symphonics qui se positionne sur le marché en proposant de
transformer les bâtiments résidentiels et tertiaires en batteries par le pilotage à la hausse et à la baisse
des équipements énergivores dont la consommation peut être déplacée dans la journée (par ex.
Chauffe-eau, chargeur de véhicule, etc.).

Mission
Cette thèse CIFRE propose de s'attaquer à l'optimisation sous contraintes des équipements
consommateurs d'électricité dans les secteurs résidentiel et tertiaire, un enjeu crucial à l'ère de la
transition énergétique et de la digitalisation. L’objectif est de développer des modèles et des
algorithmes qui permettent de maximiser l'efficacité énergétique et la flexibilité des systèmes tout en
respectant les contraintes spécifiques (confort, stabilité du réseau, coûts) associées à ces
environnements.

L’ensemble des modélisations permettant de définir les meilleurs optimums temps réel
possibles nécessite la résolution de plusieurs verrous relevant de l’hybridation de méthodes
issues de la science des contraintes et de la science des données.

Ces verrous sont abordés sous l’angle de l’optimisation qui peut être formulée comme un problème
multi-agents en recherche opérationnelle. Plusieurs agents (la société Symphonics, les clients, les
acteurs du réseau électrique) interviennent dans le processus et leurs objectifs propres sont à prendre
en compte. Par exemple, certains clients voudront optimiser un niveau de confort en termes de
chauffage, et garantir la charge d’un véhicule électrique. A l’échelle du système, la société Symphonics
peut vouloir réduire les émissions de CO2 ou les coûts de livraison de l’électricité. Il faut donc optimiser
la consommation d’électricité tout en tenant compte des différents objectifs des agents. Dans le
contexte de cette thèse, les verrous pour résoudre un tel problème sont nombreux :
- Le passage à l’échelle : l’entreprise vise une application pour des centaines de milliers de
clients, ce qui reste une difficulté majeure pour une résolution efficace du problème en
recherche opérationnelle, dans des temps compatibles avec le scénario industriel (moins de
15 minutes) ;
- Cette optimisation doit s’appuyer sur des informations qui devront être prédites au niveau de
chaque client au fil du temps, sur la base de la connaissance contextuelle et de préférences
(par exemple, prédire la consommation électrique d’un chauffe-eau en hiver heure par heure
pour un client donné) ;
Comme toute approche reposant sur des modèles prédictifs, une attention particulière devra être
apportée à l’explicabilité des solutions proposées.

Enfin, l’hybridation de la recherche opérationnelle et de l’apprentissage artificiel prendra son sens
pour définir des algorithmes de résolution efficaces du problème. Les méthodes d’apprentissage
artificiel pourront notamment permettre de rechercher les meilleurs paramètres de la méthode multiagents,
ou réduire le nombre de clients en utilisant des approches de clustering de flux de données
pour obtenir des groupes homogènes des clients au cours du temps.
Les modèles et algorithmes feront l’objet de phases de validation empiriques avec les partenaires
équipementiers et fabricants de la société Symphonics et seront pilotées par le Doctorant.

Profil
BAC+5. Jeune diplômé ou première expérience
Le candidat recruté devra avoir des connaissances solides en Recherche Opérationnelle (complexité,
méthodes exactes et heuristiques, programmation mathématique) et en apprentissage artificiel et
architectures profondes. Des connaissances en explicabilité seront appréciées.
La maîtrise de certains outils logiciels est un plus : C/C++, Python, Google Cloud Platform, PostgreSQL, Solveur
MILP.

Rémunération
Compétitive, à négocier selon le profil du candidat (minimum réglementaire de 26 400 euros brut
annuel en 2025, cf. https://www.anrt.asso.fr/fr/le-dispositif-cifre-7844 )

Durée
36 mois

Équipes d'accueil
Université de Tours :
Au sein du Laboratoire d’Informatique Fondamentale et Appliquée de Tours (LIFAT, UR 6300) – Équipe
Recherche Opérationnelle, Ordonnancement et Transport (ROOT) et Équipe Bases de Données et
Traitement des Langues Naturelles (BDTLN).
L’équipe ROOT est spécialisée dans les domaines de l’ordonnancement et du transport pour lesquels
les outils de la Recherche Opérationnelle sont utilisés. L’équipe BDTLN est spécialisée dans le domaine
de l’intelligence artificielle intelligible allant de l’exploration des bases de données aux modèles
prédictifs et leur explicabilité.
Symphonics :
Au sein de l’équipe Data Science, développant les outils de concaténation de données, les modèles
prédictifs de simulations thermiques, de prévision de prix de marché, de disponibilité des équipements
et de leur interdépendance dans les programmes temps réel d’optimisation.