Post-doctorant (F/H) Méthodes D'apprentissage

**Type de contrat **:CDD

**Niveau de diplôme exigé **:Thèse ou équivalent

**Fonction **:Post-Doctorant

**Niveau d'expérience souhaité **:Jeune diplômé

**A propos du centre ou de la direction fonctionnelle**:
Le centre de recherche Inria de Saclay a été créé en 2008. Sa dynamique s’inscrit dans le développement du plateau de Saclay, en partenariat étroit d’une part avec le pôle de l’**Université Paris-Saclay** et d’autre part avec le pôle de l’**Institut Polytechnique de Paris**. Afin de construire une politique de site ambitieuse, le centre Inria de Saclay a signé en 2021 des accords stratégiques avec ces deux partenaires territoriaux privilégiés.

Le centre compte **40 équipes-projets**, dont 32 sont communes avec l’Université Paris-Saclay ou l’Institut Polytechnique de Paris. Son action mobilise **plus de 600 personnes**, scientifiques et personnels d’appui à la recherche et à l’innovation, issues de 54 nationalités.

**Contexte et atouts du poste**:
Cette proposition s'inscrit dans le cadre du défi Inria - EDF intitulé 'Gérer les systèmes électriques de demain'
- Plus précisément, cette proposition est portée par
- les équipes Prévision de consommation (R39) et Optimisation amont (R36) du département OSIRIS d'EDF R&D
- L'équipe d'encadrement pressentie est constituée par
- côté Inria, Pierre Gaillard (Thoth), Hadrien Hendrikx (Thoth), Gilles Stoltz (Celeste)
- côté EDF, Nadia Oudjane (R36) et Margaux Brégère (R39)

Le poste sera basé dans l'équipe Celeste à Orsay, avec une répartition hebdomadaire de la présence entre Orsay et EDF R&D (centre localisé à Palaiseau). Des déplacements réguliers à Grenoble, auprès de l'équipe Thoth, sont également prévus pour ce poste (frais de déplacements pris en charge dans la limite du barème en vigueur).

**Mission confiée**:
**Sujet de recherche proposé**

Les nouveaux outils de communication entre le fournisseur d'électricité et ses clients permettent d'envisager un pilotage de la consommation des clients soit directement via l'asservissement de certains usages (chauffe-eaux, pompes de piscines, véhicules électriques [VE]), soit indirectement via l'envoi de signaux incitatifs (prix, heures creuses). Cela rend possible l'ajustement de la consommation à la production d'énergies renouvelables. L'objectif de cette proposition de recherche est d'étendre les travaux existants à un pilotage temps réel de la charge, pour se rapprocher au plus d'une consommation cible dont la précision évoluerait dans le temps, ainsi qu'en s'adaptant en temps réel aux contraintes et aléas des usages.
- Un certain nombre de travaux ont déjà été réalisés sur la gestion de la consommation électrique par l'asservissement de certains équipements (optimisation du fonctionnement des pompes de piscines en Floride, pilotage d'équipements résidentiels, smart charging de véhicules électriques, etc.); voir par exemple:

- S.P. Meyn, P. Barooah, A. Bušić, Y. Chen, and J. Ehren. Ancillary service to the grid using intelligent deferrable loads. IEEE Transactions on Automatic Control, 60(11):2847-2862, 2015
- R. D'Hulst, W. Labeeuw, B. Beusen, S. Claessens, G. Deconinck, and K. Vanthournout. Demand response flexibility and flexibility potential of residential smart appliances: Experiences from large pilot test in Belgium. Applied Energy, 155:79-90, 2015
- M. Zweistra, S. Janssen, and F. Geerts. Large scale smart charging of electric vehicles in practice. Energies, 13(2):298, 2020
- La description qui suit repose sur l'article [A] suivant, écrit par des membres de l'équipe d'encadrement:

- [A] B.M. Moreno, M. Brégère, P. Gaillard, and N. Oudjane. Reimagining demand-side management with mean field learning. arXiv preprint arXiv:2302.08190, 2023

L'article [A] propose un algorithme d'apprentissage itératif pour optimiser des décisions de pilotage de charge à envoyer à un ensemble de consommateurs au cours du temps pour satisfaire une cible globale (typiquement la consommation nette d'électricité). Le pilotage se fait grâce au contrôle de différents appareils du foyer, ici les chauffe-eaux. Cependant, [A] repose sur une optimisation faite a priori, sur des données passées ou simulées, en supposant la consommation cible déterministe et connue précisément au moment de la prise de décision. La méthode développée par [A] ne permet pas d'adapter ses décisions en temps réel en fonction de l'observation des usages (par exemple la présence ou non des véhicules électriques), des aléas observés (par exemple météorologiques), ou de l'évolution de la cible. En effet, en pratique, la cible à atteindre n'est pas déterministe mais est obtenue à partir de prévisions de consommations/productions renouvelables. Cette cible est donc aléatoire et sa précision varie au cours du temps. Les travaux de [A] nécessitent d'être adaptés à ce contexte : comment peut-on, en temps réel, in