Combinaison de modèles physiques et d’apprentissage automatique pour la modélisation de systèmes multi-énergies

Combining physics-based models and machine learning for multi-energy system modeling

• Auteur / Autrice : Shri Balaji Padmanabhan
• Direction : Bruno Lacarrière, Mohamed Tahar Mabrouk
• Type : Thèse de doctorat
• Discipline(s) : Énergie, thermique et informatique
• Date : Soutenance le 10/12/2025
• Etablissement(s) : Ecole nationale supérieure Mines-Télécom Atlantique Bretagne Pays de la Loire
• Ecole(s) doctorale(s) : École doctorale Sciences pour l'ingénieur et le numérique
• Partenaire(s) de recherche : Laboratoire : Optimisation - Système - Energie - Génie des Procédés Environnement – Agroalimentaire (GEPEA) (Saint-Nazaire)
• Jury : Président / Présidente : Marc Clausse
• Jury : Examinateurs / Examinatrices : Bruno Lacarrière, Mohamed Tahar Mabrouk, Bruno Sareni, Wiebke Meesenburg, Mohammad Khosravi
• Jury : Rapporteurs / Rapporteuses : Marc Clausse, Bruno Sareni

Mots clés

Mots clés contrôlés

Apprentissage automatique

Pompes à chaleur

Chaleur -- Stockage

Modèles mathématiques

Mots clés libres

Modélisation hybride

Apprentissage automatique

Systèmes multi-Énergies

Stockage d’énergie thermique

Pompes à chaleur

Hybrid modeling

Machine learning

Multi energy systems

Thermal energy storage

Heat pumps

Résumé

L'intégration massive de sources d'énergie renouvelables intermittentes nécessite des systèmes énergétiques plus complexes et dynamiques, exploitant des capacités de stockage accrues et une synergie entre les secteurs énergétiques. La prise de décision basée sur des modèles est essentielle pour concevoir et exploiter efficacement ces systèmes. Cependant, les modèles purement physiques sont souvent trop coûteux en termes de calcul pour les applications en temps réel. L'apprentissage automatique est une alternative offrant des temps de calcul intéressants, mais souffre d'une interprétabilité et d'une généralisation limitées. Cette thèse s’intéresse aux modèles hybrides qui combinent les deux approches. Elle commence par classer les éléments constitutifs et les architectures possibles de ces modèles, puis propose des modèles hybrides pour deux technologies différentes : (1) le stockage d'énergie thermique et (2) les pompes à chaleur. Le modèle hybride de stockage thermique est environ 1250 fois plus rapide que le modèle de référence, avec une erreur quadratique moyenne inférieure à 0,48 °C². Le modèle hybride de pompe à chaleur est 271 fois plus rapide que le modèle de référence, avec une erreur inférieure à 0,4 %. Les deux modèles ont montré une capacité de généralisation plus importante et des besoins en données d’entraînement plus limités que les réseaux de neurones classiques. Dans la deuxième partie, deux cas d’études sont utilisés pour évaluer l’utilité des modèles hybrides : (1) le pilotage d’un stockage d’énergie thermique dans une centrale solaire, et (2) l’opération d’une pompe à chaleur couplée à un réservoir d’eau chaude pour chauffer un bâtiment. Ces études montrent que les modèles proposés sont adaptés à des applications en temps réel. Les deux modèles ont été intégrés avec succès dans des boucles de commande prédictive (MPC) afin d’optimiser le fonctionnement des deux cas étudiés.

The massive integration of intermittent renewable energy sources necessitates more complex energy systems with stronger coupling between energy sectors, expanded storage capacities, and more dynamic operation. Model-based decision-making is essential to efficiently design and operate these systems. However, pure physics-based models are often too computationally expensive for real-time applications. Machine Learning (ML) offers high speed and accuracy but suffers from limited interpretability and generalizability. This thesis explores hybrid modeling approaches that combine physics-based and ML models to achieve both speed and accuracy while maintaining interpretability and generalizability. It provides a classification of the fundamental building blocks and design patterns of hybrid modeling, then proposes novel hybrid models for Thermal Energy Storage (TES) and Heat Pump (HP) systems. The hybrid TES model runs approximately 1250x faster with overall mean squared error below 0.48°C2, while the hybrid HP model achieves a 271× speed-up with error below 0.4%. Both models demonstrate improved accuracy and generalizability while requiring less training data than pure ML models. In the second part, both models are evaluated on two case studies, (1) the operation of charging and discharging a TES in a solar power plant, and (2) the operation of a HP coupled with a hot water tank to provide heating for a building. These studies demonstrate the usability of the proposed models for real-time applications. Both models were successfully integrated into Model Predictive Control workflows to optimally operate the systems.