Thèse Dyncongrid Pilotage Adaptatif des Réseaux de Transport d'Électricité H/F Doctorat.Gouv.Fr

Ce projet combine deux axes de recherche complémentaires - DynConGrid et GridForge - afin de proposer un cadre intégré pour la co-conception et l'exploitation adaptative des réseaux électriques. DynConGrid développe une commande prédictive (MPC) en temps réel pour la gestion des congestions, en s'appuyant sur la reconfiguration de la topologie, l'écrêtement de la production et le pilotage du stockage. GridForge conçoit le réseau lui-même de façon à ce qu'il prenne en charge un catalogue de topologies réalisables et certifiées du point de vue de la stabilité. Lors de la phase de conception, des modèles de substitution (métamodèles/proxys) approximent les résultats de la MPC, ce qui permet d'évaluer le comportement des contrôleurs opérationnels sous différentes topologies candidates et d'optimiser ainsi le coût global (CAPEX + OPEX).

Ces deux thèmes sont étroitement couplés : DynConGrid fournit les données comportementales et les modèles, tandis que GridForge les utilise pour certifier et sélectionner les topologies garantissant un fonctionnement sûr, efficace et distribué. Ce travail est financé par le programme conjoint de doctorat CNRS-Université de Melbourne (CNRS-University of Melbourne Joint Ph.D. Program). Deux doctorants participeront à ce projet de recherche conjoint : l'un étudiera en Australie et l'autre en France. Chaque étudiant passera deux ans dans son établissement d'origine et un an dans l'établissement partenaire. Les réseaux de transport d'électricité connaissent une mutation majeure avec la pénétration massive des énergies renouvelables, la multiplication des interfaces à base d'électronique de puissance et l'émergence d'incertitudes dynamiques fortes. Les schémas de commande traditionnels, pré-calculés de manière statique, atteignent leurs limites pour garantir la stabilité transitoire du réseau en temps réel. Contrôle dynamique et stabilité : Développer des stratégies de commande avancées en temps réel (notamment basées sur la commande prédictive - MPC - et les méthodes ensemblistes) afin de préserver la stabilité et d'éviter les phénomènes de cascade.

Synergie modèle-données : Coupler la modélisation physique des réseaux à de l'optimisation en temps réel pour traiter la grande dimensionnalité et la variabilité des flux d'énergie.

Robustesse et faisabilité : Garantir le respect strict des contraintes opérationnelles (tensions, fréquences, limites de transit) et assurer la faisabilité récursive de la commande face aux perturbations. Formuler un contrôle prédictif (MPC) combinant des commandes continues (écrêtement, stockage) et des commutations topologiques discrètes.

Développer des solveurs et des heuristiques séparables/passables à l'échelle (relaxations, décomposition, politiques assistées par l'apprentissage) pour un calcul en temps quasi-réel.

Intégrer les incertitudes liées à la production renouvelable et à la demande en utilisant le MPC robuste et stochastique ; minimiser le coût d'exploitation prévisionnel (OPEX).