Réseau Data : amélioration de la gestion des réseaux de chaleur urbains (RCU) par l’emploi de méthodes d’IA et de techniques d’optimisation dynamique

R&D

Système énergétique

Ville / Territoire

Contexte

L’exploitation de réseaux de chaleur urbains (RCU) requiert des ajustements en temps réel de paramètres de fonctionnement du réseau, en fonction de conditions changeantes (demande de puissance variable en chaque sous-station, évolution des conditions météorologiques, évolution de la disponibilité de ressources de production).

À tout instant correspondent des paramètres de fonctionnement optimaux à différents points du réseau, en termes de températures de fluide ou de débits.

Les phénomènes de retard et d’inertie, particulièrement importants si des solutions de stockage sont intégrées, requièrent des logiques d’anticipation et de prédiction pour décider des conditions de fonctionnement assurant un service satisfaisant à un coût réduit (en limitant les pertes thermiques).

Objectifs

Développer des méthodes appliquées au pilotage de réseaux de chaleur urbains en conditions réelles
À terme, permettre aux exploitants d’améliorer la performance en fonctionnement, par exemple grâce à de la prédicition

Circuit imprimé d'un ordinateur ou d'un processeur

Innovation

Aujourd’hui, la disponibilité de grandes quantités de données mesurées en temps réel sur les réseaux de chaleur, permet d’envisager des applications de machine learning (ML) ou d’intelligence artificielle (IA) pour optimiser le fonctionnement des RCU.

Le projet vise à combiner des approches de type machine learning, d’optimisation dynamique en ligne (DRTO) et commande prédictive appliquées à l’exploitation de systèmes thermiques à l’échelle du quartier.

Mission

NOBATEK coordonne le projet, tandis que le travail de thèse est co-encadré par le LaTEP (Laboratoire de Thermique, Energétique et Procédés – Université de Pau et des Pays de l’Adour) et l’IMS (Laboratoire de l’intégration du matériau au système – Université de Bordeaux). Le rôle de NOBATEK est de suivre le travail de thèse en allant chercher des jeux de données auprès de partenaires pour challenger les modèles et la méthode DRTO.