Aller au menu Aller au contenu
Université Grenoble Alpes


L’électrification intelligente au service de la transition énergétique

Smart electrification towards energy transition

> Recherche > MAGE > Optimisation

Dimensionnement et gestion énergétique optimale

Le dimensionnement sous contrainte par optimisation d’ordre 1 est une thématique historique de l’équipe. De nombreux travaux y sont encore consacrés, en particulier pour l’exploitation de modèles analytiques et semi-numériques intégrant leur Jacobien. Cette approche est également possible pour des paramètres physiquement discrets (Thèse M. Delhommais, 2016-19). Ces méthodes nous permettent alors de monter en complexité en intégrant de plus en plus de contraintes et d’objectifs. L’optimisation multicritères (fronts de Pareto 2D et plus, méthodes d’aide à la décision multicritères) nous permet de considérer le produit sur l’ensemble de son cycle de vie, et d’y intégrer des objectifs ou contraintes multi-physiques, mais aussi économiques et environnementales.
 
De nombreux travaux (en particulier la thèse de B. Van Dinh, 2013-16 et la thèse de M. Poline, 2016-18) ont mis au point des stratégies d’optimisation qui intègrent la gestion énergétique au dimensionnement dès la phase d’esquisse. Les problèmes d’optimisation à résoudre peuvent atteindre plusieurs millions de variables de décision et de contraintes, nous conduisant à choisir les méthodes d’optimisation au cas par cas (Thèse de C. Pajot, 2016-19).

 
Toutefois, lorsque les degrés de liberté sont trop importants vis-à-vis des temps de calcul des modèles, notre approche consiste d’un côté à réduire l’espace de recherche, en appliquant notamment des techniques d’analyses de sensibilité (Thèse de N. Artiges, 2012-16), mais aussi à réduire le modèle (Thèse en co-tutelle de M. Leite, 2015-18) par des techniques de réduction d’ordre ou de création de surfaces de réponse, associées à des méthodologies d’optimisation multi-niveau.

mise à jour le 20 septembre 2019

Université Grenoble Alpes