Chercheur Doctorant H/F : Intelligence artificielle distribuée pour la performance énergétique collaborative des prosommateurs : application à l'optimisation énergétique des systèmes PV+stockage dans le Rhin Supérieur

Résumé du projet de recherche :

Le territoire du Rhin Supérieur connaît depuis plusieurs années une transformation profonde de son système énergétique local. Plus de 850 000 foyers ou petites structures collectives y produisent désormais leur propre électricité solaire tout en restant connectés au réseau de distribution, formant ce que l'on appelle une population de prosommateurs. Ce phénomène, qui ne montre aucun signe de ralentissement, génère des contraintes nouvelles et mal anticipées sur les réseaux de distribution : intermittence des injections, pics de consommation difficiles à prévoir, multiplication de batteries de natures très différentes. Face à cette réalité, les outils de pilotage disponibles sur le marché restent trop souvent cloisonnés par marque ou par pays, et aucun ne tire vraiment parti de ce que représente collectivement l'ensemble de ces installations.

Cette offre de thèse s'inscrit dans le projet européen Interreg Rhin Supérieur, FAIR'nRG coordonné par CESI en partenariat avec des établissements d'enseignement supérieur et des acteurs de l’énergie français, allemands et suisses. FAIR’nRG vise à développer une plateforme multifonctionnelle destinée aux prosommateurs du Rhin Supérieur, fondée sur des approches d'intelligence artificielle distribuée s’appuyant sur une infrastructure cloud régionale souveraine. Dans ce cadre scientifique ambitieux et collaboratif, le travail de recherche doctoral s'articulera autour de trois axes majeurs.

Le premier axe vise la conception et l’optimisation d'une architecture d'apprentissage fédéré robuste et efficace, capable de gérer l'hétérogénéité des données et des équipements (onduleurs, batteries, capteurs) présents sur le territoire trinational. Nos travaux nous ont amenés à élaborer des méthodes de sélection et de regroupement de clients pour accélérer la convergence des modèles d’IA en contextes fortement hétérogènes tant sur le plan des données que des performances de calcul [1, 2]. Nous nous intéressons désormais à l’application des techniques de clustering pour agréger efficacement les informations issues de prosommateurs aux profils diversifiés. L’objectif est alors de maintenir un certain degré de spécialisation des modèles des clients, tout en capitalisant sur une information commune globale. L’ensemble devra être fonctionnel sur des périphériques contraints côté clients et sera en mesure d’absorber la montée en charge au niveau infrastructure.

Le second axe portera sur le développement de stratégies d'optimisation dynamique. Il s'agira de créer des algorithmes capables d'intégrer des variables en flux continu, telles que les prévisions météo locales, les profils de consommation et les signaux de prix du réseau, pour maximiser l'autoconsommation et la durée de vie des systèmes de stockage [3]. Ceux-ci seront paramétrés par les informations agrégées et caractérisées par les modèles d'IA évoqués ci-avant. Ces approches, fondées sur des heuristiques ou des métaheuristiques, seront conçues pour répondre à la diversité des profils de prosommateurs selon un spectre progressif : d'une implication forte de l'utilisateur vers une automatisation complète du système énergétique. Cette structuration délibérément graduée du problème permettra au doctorant de construire une contribution solide et bien bornée, articulant personnalisation des réponses et passage à l'échelle. Enfin, le troisième axe explorera l'apprentissage incrémental, permettant aux modèles de s'affiner continuellement à partir des nouveaux flux de données sans nécessiter de réentraînement massif et centralisé et fiabiliser le passage à l’échelle de l’ensemble de l’infrastructure.

Dans une phase finale de la thèse, les modules de performance développés seront confrontés à la réalité du terrain. Le doctorant participera au déploiement du pilote FAIR'nRG, impliquant plusieurs dizaines de prosommateurs réels à travers la France, l'Allemagne et la Suisse. Cette validation expérimentale permettra d'évaluer la capacité des modèles à s'adapter à des scénarios opérationnels variés et à démontrer la valeur ajoutée d'une intelligence collective et distribuée.

Les objectifs de la thèse sont énumérés ci-dessous :

• Conception de méthodes efficaces pour le regroupement de clients en contexte d’IA fédéré hétérogène (clustering).

• Conception de modèles efficaces pour maintenir la spécialisation des clients en contexte d’IA fédéré.

• Elaboration d’algorithmes d’optimisation multi-profils sur base d’heuristiques ou de meta-heuristiques hybrides alimentées par l’IA fédérée.

• Intégration des modèles IA dans l’infrastructure multi-échelle de FAIR’nRG et valorisation scientifique.

• Rédaction du manuscrit de thèse, présentation des résultats, soutenance.

Résultats attendus : Le doctorant contribuera à la production d'une architecture logicielle originale intégrant des modèles d'optimisation énergétique distribués, déployée et validée en conditions réelles dans le cadre du programme FAIR'nRG. Les livrables scientifiques incluront des publications dans des revues à comité de lecture, des communications dans des conférences internationales, ainsi qu'un prototype fonctionnel intégré à la plateforme du projet. La thèse participera directement à la construction d'un observatoire trinational des capacités de stockage distribué dans le Rhin Supérieur.

Présentation du laboratoire : CESI LINEACT (UR 7527), Laboratoire d'Innovation Numérique pour les Entreprises et les Apprentissages au service de la Compétitivité des Territoires, anticipe et accompagne les mutations technologiques des secteurs et des services liés à l’industrie et au BTP. La proximité historique de CESI avec les entreprises est un élément déterminant pour nos activités de recherche, et a conduit à concentrer les efforts sur une recherche appliquée proche de l’entreprise et en partenariat avec elles. Une approche centrée sur l’humain et couplée à l’utilisation des technologies, ainsi que le maillage territorial et les liens avec la formation, ont permis de construire une recherche transversale ; elle met l’humain, ses besoins et ses usages, au centre de ses problématiques et aborde l’angle technologique au travers de ces apports.

Sa recherche est organisée selon deux équipes scientifiques interdisciplinaires et deux domaines applicatifs.

• L’équipe 1 ''Apprendre et Innover'' relève principalement des Sciences cognitives, Sciences sociales et Sciences de gestion, Sciences et techniques de la formation et celles de l’innovation. Les principaux objectifs scientifiques visés sont la compréhension des effets de l'environnement, et plus particulièrement des situations instrumentées par des objets techniques (plateformes, ateliers de prototypage, systèmes immersifs...) sur les processus d'apprentissage, de créativité et d’innovation.

• L’équipe 2 ''Ingénierie et Outils Numériques'' relève principalement des Sciences du Numérique et de l'Ingénierie. Les principaux objectifs scientifiques portent sur la modélisation, la simulation, l’optimisation et l’analyse de données de systèmes cyber physiques. Les travaux de recherche portent également sur les outils d’aide à la décision associés et sur l’étude des interactions humains-systèmes notamment à travers les jumeaux numériques couplés à des environnements virtuels ou augmentés.

Ces deux équipes développent et croisent leurs recherches dans les deux domaines applicatifs de l'Industrie du Futur et de la Ville du Futur, soutenues par des plateformes de recherche, principalement celle de Rouen dédiée à l’Usine du Futur et celles de Nanterre dédiée à l’Usine et au Bâtiment du Futur.

Compétences recherchées :

Le candidat devra être titulaire d'un diplôme de niveau Master ou d'un diplôme d'ingénieur avec une spécialisation en informatique, intelligence artificielle, systèmes embarqués.

Compétences scientifiques et techniques dans un ou plusieurs de ces domaines :

• Solide compétence mathématique surtout en optimisation convexe et non-convexe.

• Maîtrise des principales techniques d’IA. Une expérience avec Pytorch, tensorflow, Flower serait appréciable.

• Solide niveau en programmation et Architecture distribuées.

• Appétence pour le calcul distribué/haute performance.

• Compétences linguistiques et relationnelles :

• Bon niveau en anglais à l’écrit et à l’oral.

• Etre autonome, rigoureux, avoir un esprit d’initiative et de curiosité.

• Savoir travailler en équipe et avoir un bon relationnel.

Le candidat devra démontrer une capacité d'analyse critique, un goût prononcé pour la recherche appliquée et une aptitude à évoluer dans un environnement de travail international et multiculturel. La maîtrise de l'anglais est indispensable, et la connaissance de l'allemand sera un atout précieux pour la dimension transfrontalière du projet.

Votre Recrutement

Ses Modalités : sur dossier et entretien

Votre candidature devra impérativement comporter :

• Un Curriculum-Vitae détaillé ;

• Une lettre de motivation explicitant ses motivations à poursuivre une thèse de doctorat ;

• Les résultats post-bac et les bulletins de notes correspondants ;

• Les éventuelles lettres de recommandation ;

• Toute autre pièce que vous jugerez utile.

Les candidatures seront traitées selon leur ordre d’arrivée, aussi cette offre de thèse expiréera dès lors qu’un candidat aura été sélectionné.

CADRE & FINANCEMENT :

Cette thèse s'inscrit dans le cadre du projet FAIR'nRG, une initiative d'envergure financée par le programme Interreg Rhin Supérieur 2021-2027. Le projet vise à répondre aux défis de la transition énergétique dans la région transfrontalière du Rhin supérieur (Alsace, Baden-Wurtemberg et Palatinat, Nord-Ouest de la Suisse). Le projet doctoral débutera idéalement en juillet 2026 pour une durée de trois ans au sein du laboratoire CESI LINEACT – Campus de Strasbourg. Le candidat bénéficiera d'un environnement de recherche riche grâce à des mobilités prévues chez nos partenaires académiques et industriels du consortium trinational.

Durée : 3 ans, (démarrage prévu juillet 2026, avec une flexibilité possible pour un début en septembre ou octobre).

Localisation : CESI Campus de Strasbourg

Encadrement :

Dr. Youssef JOUANE, Enseignant-Chercheur, CESI LINEACT, Strasbourg

Dr. Amine BRAHMIA, Enseignant-Chercheur (HDR), CESI LINEACT, Strasbourg

Dr. Jean-François DOLLINGER, Enseignant-Chercheur, CESI LINEACT, Strasbourg

Bibliographie :

[1] Meriem Arbaoui, M.-e.-A. Brahmia, Abdellatif Rahmoun, and Mourad Zghal. 2024. Federated Learning Survey: A Multi-Level Taxonomy of Aggregation Techniques, Experimental Insights, and Future Frontiers. ACM Trans. Intell. Syst. Technol. 15, 6, Article 113 (December 2024), 69 pages. https://doi.org/10.1145/3678182

[3] A.-R.-e.-M. Baahmed, J.-F. Dollinger, M.-e.-A. Brahmia, and M. Zghal. Hyper- parameter impact on computational efficiency in federated edge learning. In 2024 International Wireless Communications and Mobile Computing (IWCMC), pages 0849–0854, 2024. DOI: 10.1109/IWCMC61514.2024.10592516.

[3] A.-R.-e.-M. Baahmed, J.-F. Dollinger, M.-e.-A. Brahmia, and M. Zghal. HiFEL-OCKT: Hierarchical federated edge learning with objective congruence and multi-level knowledge transfer for IoT ecosystems, Internet of Things, Volume 36, 2026, 101868, ISSN 2542-6605, https://doi.org/10.1016/j.iot.2025.101868.

[4] M. C. Sow, Y. Jouane, M. Zghal. BI2PV simulator for optimized BIPV design in industrial buildings, Energy and Buildings, Volume 350, 2026, 116576, ISSN 0378-7788, https://doi.org/10.1016/j.enbuild.2025.116576.