Les réseaux de chaleur (RdC) jouent un rôle crucial dans les stratégies de transition énergétique grâce à leur capacité à intégrer efficacement les énergies renouvelables et la chaleur de récupération. En France, la stratégie nationale bas-carbone met l’accent sur l’expansion et l’optimisation des RdC, y compris des réseaux de plus petite taille avec plusieurs sources de chaleur comme le solaire thermique et le stockage. Les systèmes de contrôle intelligents, tels que le contrôle prédictif basé sur des modèles (MPC), visent à remplacer les pratiques manuelles basées sur l’expertise humaine pour améliorer l’efficacité. Cependant, le déploiement de systèmes de contrôle avancés sur de petits réseaux reste difficile en raison des coûts et de la complexité liés au matériel et à la maintenance.

Les solutions industrielles actuelles pour les grands RdC utilisent la programmation linéaire en nombres entiers mixtes (MILP) pour l’optimisation en temps réel, tandis que les petits réseaux s’appuient souvent sur des systèmes à base de règles. Les travaux de recherche se concentrent sur la simplification des modèles MPC, l’utilisation de pré-calculs hors ligne ou l’intégration de l’apprentissage automatique pour réduire la complexité. Des études comparatives évaluent diverses stratégies de contrôle en termes d’adaptabilité, d’interprétabilité et de performance opérationnelle.

Ce projet postdoctoral vise à faire progresser les stratégies de contrôle des RdC en développant, testant et déployant des approches innovantes sur un site expérimental réel. Il s’agit de créer et de comparer des modèles de contrôle, de les implémenter dans un simulateur physique, et de déployer les solutions les plus prometteuses. Les objectifs incluent l’optimisation des coûts d’exploitation, l’amélioration de la robustesse des systèmes et la simplification du déploiement.