Description du sujet de thèse

Sujet
------

Afin d'intégrer d'accroitre la part d'énergies renouvelables dans le réseau électrique, celui-ci est progressivement transformé d'un réseau passif en réseau intelligent. Cependant, cette transition requiert de passer d'une gestion centralisée des entités flexibles (véhicules électriques, panneaux photovoltaïques, etc.) à une gestion hautement décentralisée, intelligente et dynamique. Cela va également nécessiter de contrôler un grand nombre d'entités, de considérer de multiples sources d'incertitudes et de contraintes dans le réseau électrique, etc. Ce problème est complexe et n'est pas solvable avec les méthodes conventionnelles. Dans ce contexte, il y a fort besoin de travaux de recherche contribuant activement au développement de stratégies décentralisées pour les réseaux électriques intelligents sous incertitudes.

Quelques méthodes ont été utilisées, mais sur des problèmes de plus petite taille (jusqu'à 50 entités [Pacaud2018]) car un plus grand nombre aurait amené à une explosion du temps de calcul. A l'inverse, les systèmes multi-agents présentent une forte capacité de mise à l'échelle qui les rend particulièrement indiqués pour la gestion en temps-réel des réseaux électriques intelligents de grande taille [Rizk2018]. Dans cette perspective, des travaux de recherche sont actuellement en cours entre le SATIE, l'IRIT et Orange Labs sur le problème considéré ici. De résultats prometteurs ont d'ores et déjà été obtenus [Zafar2021, Zafar2022].

Le but de cette thèse sera de continuer ces travaux de recherche en introduisant des contributions issues de la théorie des jeux et de différents outils de machine learning. Certaines approches de théorie des jeux ont montré un fort potentiel de mise à l'échelle, et plus particulièrement lorsqu'elles sont combinées à des outils d'apprentissage par renforcement. Ces approches visent à apprendre une politique optimale basée sur les observations et les retours de l'environnement. Les algorithmes d'apprentissage par renforcement explorent l'espace état-action pour atteindre les performances d'une politique optimale sur le long terme. Les travaux seront basés sur des approches récentes dans le domaine [Féraud2019].

La thèse sera réalisée dans le cadre du projet EDEN4SG financé par l'Agence Nationale de la Recherche (ANR).

Description des tâches
--------------------------

Le poste inclura la liste non-exhaustive de tâches suivante :

- Recherche bibliographique dans la littérature scientifique
- Formalisation mathématique des problèmes considérés
- Simulations numériques (développement de code, test et validation, expérimentation, discussion de résultats)
- Reporting régulier au sein de l'équipe d'encadrement
- Rédaction de publications scientifiques
- Participation à des conférences et séminaires locaux, nationaux et internationaux.
Des missions d'enseignements au sein de l'ENS de Rennes peuvent être proposées.

Compétences
----------------

Etudiant ou étudiante en Master 2 à l'université, en école d'ingénieur ou équivalent, dans le domaine du machine learning, des mathématiques appliquées, des statistiques, de l'informatique ou du génie électrique avec un fort bagage multi-disciplinaire.

Des connaissances en machine learning (en particulier de l'apprentissage par renforcement), en théorie des jeux et/ou en réseaux électriques sont requis. De bonnes compétences en programmation orientée objet seraient très appréciées.

Une forte capacité pour travailler en équipe au sein d'une équipe multi-disciplinaire, sur site et à distance, serait très appréciée.

Une connaissance dans les énergies renouvelables serait un plus.


Références
-------------
[Féraud2019] R Féraud, R Alami, R Laroche , Decentralized exploration in multi-armed bandits, ICML 2019.
[Pacaud2018] François Pacaud, « Decentralized optimization for energy efficiency under stochasticity», Doctoral thesis, Université de Paris Est, 2018.
[Rizk2018] “Decision Making in Multiagent Systems: A Survey”, Y. Rizk, M. Awad, E. Tunstel, IEEE Trans. on Cognitive and Developmental Systems, vol. 10, no. 3, pp. 514-529, Sept. 2018.
[Zafar2021] S. Zafar, V.Maurya, A. Blavette, G. Camilleri, H. Ben Ahmed, et al.. « Adaptive Multi-Agent System and Mixed Integer Linear Programming Optimization Comparison for Grid Stability and Commitment Mismatch in Smart Grids”. In Proceedings of ISGT Europe, Oct 2021, Espoo (online), Finland.
[Zafar2022] S. Zafar, A. Blavette, G. Camilleri, H. Ben Ahmed, J. J. A. P. Agbodjan, “Decentralized optimal management of a large-scale EV fleet: optimality and computational complexity comparison between an Adaptive MAS and MILP”, in International Journal of Electrical Power & Energy Systems, 2022

Contexte de travail

Ecole Normale Supérieure de Rennes, campus de Ker Lann, Bruz (35170)

Le poste se situe dans un secteur relevant de la protection du potentiel scientifique et technique (PPST), et nécessite donc, conformément à la réglementation, que votre arrivée soit autorisée par l'autorité compétente du MESR.

Contraintes et risques

N/A

Informations complémentaires

La thèse sera réalisée dans le cadre du projet EDEN4SG financé par l'Agence Nationale de la Recherche (ANR).