Dans un contexte de transition énergétique, les systèmes et réseaux d'énergie (smart grid électriques, réseaux de chaleur et de froid, systèmes de production industriels) doivent équilibrer au mieux les sources d'énergies disponibles et demandes énergétiques qui évoluent au cours du temps. La modélisation et la simulation jouent un rôle crucial pour optimiser le dimensionnement et le pilotage de ces systèmes et de leurs multiples composants [1], [2].
Cependant, les modèles utilisés sont relativement intensifs en calcul, et limitent la capacité à effectuer des analyses de sensibilité ces systèmes. Comme dans d'autres domaines, l'utilisation de modèles de substitution (surrogate models) est étudiée pour réduire les temps de calcul [3], [4]. La prise en compte des incertitudes sur les résultats de ces modèles est cependant une question ouverte.
POST-DOC Quantification d'incertitudes et Machine Learning pour l'optimisation des réseaux d H/F
Le sujet qui vous sera confié concerne l'étude de modèles de substitution adaptés aux domaine des réseaux d'énergies, et la quantification des incertitudes sur les résultats produits par ces modèles. En particulier, on pourra s'intéresser à l'étude des modèles de substitution à base de réseaux de neurones bayésiens, et à l'utilisation de ce type de réseaux pour traiter des séries temporelles.
Intégré(e) dans une équipe d'une vingtaine d'experts (modélisation de systèmes énergétiques, recherche opérationnelle, Machine Learning, programmation informatique), vous évoluerez dans le cadre d’un projet commun à plusieurs directions du CEA portant sur la modélisation et l’optimisation des réseaux d’énergie.
Dans ce contexte très riche, vos missions consisteront à :
· Prendre connaissance des problématiques (différentes échelles de modélisation, traitement de séries temporelles, données disponibles et données à augmenter/synthétiser) ainsi que des méthodes de modélisation et analyse d’incertitudes actuellement mises en œuvre dans les laboratoires membres du projet
· Réaliser une étude bibliographie sur les modèles de substitutions adaptés à ce domaine, et aux méthodes de quantification d’incertitudes pour ces modèles.
· Concevoir et évaluer une preuve de concept démontrant la pertinence de l’approche sur un cas d’étude déjà défini par une modélisation physique « classique ». En particulier, on s’intéressera à la capacité du modèle de substitution à quantifier les incertitudes associées à ses prédictions.
· Contribuer à la publication des résultats obtenus, ainsi qu’à la coopération avec des acteurs académiques nationaux et internationaux sur ces sujets.
Le laboratoire est situé au Bourget du Lac ainsi qu'à Grenoble. Des déplacements entre les sites, notamment des échanges nourris avec le site de Saclay en région parisienne sont à prévoir. Le poste sera basé sur le site du Bourget du Lac.
[1] G. Mavromatidis et al., ‘Ten questions concerning modeling of distributed multi-energy systems’, Building and Environment, vol. 165, p. 106372, Nov. 2019, doi: 10.1016/j.buildenv.2019.106372.
[2] J. Fitó, M. Vallée, A. Ruby, and E. Cuisinier, ‘Robustness of district heating versus electricity-driven energy system at district level: A multi-objective optimization study’, Smart Energy, vol. 6, p. 100073, May 2022, doi: 10.1016/j.segy.2022.100073.
[3] E. Thrampoulidis, G. Mavromatidis, A. Lucchi, and K. Orehounig, ‘A machine learning-based surrogate model to approximate optimal building retrofit solutions’, Applied Energy, vol. 281, p. 116024, Jan. 2021, doi: 10.1016/j.apenergy.2020.116024.
[4] P. Westermann, M. Welzel, and R. Evins, ‘Using a deep temporal convolutional network as a building energy surrogate model that spans multiple climate zones’, Applied Energy, vol. 278, p. 115563, Nov. 2020, doi: 10.1016/j.apenergy.2020.115563.
Docteur en mathématiques appliquées avec un intérêt pour le domaine de l’énergie, vous êtes familier avec au moins un des domaines suivants (et intéressé(e) pour en découvrir d’autres) :
- Quantification d’incertitudes sur des systèmes dynamiques
- Optimisation sous incertitudes (optimisation robuste, stochastique)
- Apprentissage / Machine Learning
Vos capacités de travail en équipe et de communication sont un atout essentiel pour vous intégrer dans notre environnement de R&D dynamique et innovant.
Je me crée un espace candidat
