Journée Industrielle du GDR ROD

Rencontres entre académiques et industriels autour de l’optimisation : approches numériques, applications et retours d’expérience

Nous sommes ravis de vous convier à une rencontre entre académiques et industriels qui se tiendra le 2 octobre 2024 à Jussieu-Paris. Cet événement est organisé conjointement par le GDR Recherche Opérationnelle et Décision (ROD) et le Réseau Thématique Optimisation dans le cadre du Focus thématique "Optimisation" 2024 de CNRS Sciences informatiques.

Date : 2 octobre 2024
Heure : 10h00 - 16h00
Lieu : Jussieu, Paris (salle 25-26/105)

Inscription
La participation à cet événement est gratuite, mais l'inscription préalable est obligatoire afin de prévoir les pauses et le déjeuner (offerts par le GDR ROD et le RT Optimisation). Veuillez vous inscrire avant le 19 septembre en répondant au sondage suivant : https://evento.renater.fr/survey/journee-industrielle...-xuxuqogs

Objectif / programme
Cette journée vise à fournir un aperçu de différentes approches en optimisation. Nous mettrons l'accent en particulier sur les applications pratiques dans un contexte industriel. Cette journée sera l'occasion d'explorer les cas réels où ces approches ont été utilisées avec succès et sera rythmée par des exposés présentant des outils, des méthodologies, et des retours d'expérience. Notre public cible est constitué d'industriels et de professionnels intéressés par la modélisation et la résolution de problèmes d’optimisation complexes.

10h : accueil.

10h15-11h00 : Gautier Avril (Purecontrol). Retour d'expérience sur la résolution en MILP (Mixed Integer Linear Program) d'OCP (Optimal Control Problem) dirigée par la donnée.
Résumé. Dans le cadre des activités de la société Purecontrol, des problèmes de commande optimale formulés en MILP sont utilisés. Ces problèmes reposent sur des identifications dirigées par les données des systèmes à asservir. L'approche employée, ayant une portée généraliste, est dérivée sur plusieurs cas d'applications. Le cas de la station d'épuration ainsi que de la gestion de méthaniseur sera présenté. En raison de la pluralité des activités de la société et afin de réduire les coûts de développement, un outil de formulation de problème a été développé. Ce dernier vise à rendre la formulation du problème en multiple shooting rapide par la mise en place de bibliothèques de coûts et de contraintes permettant de tirer parti des cas d'application déjà traités.

11h00-11h45 : Alexandre Marié (Artelys). Optimisation et Machine Learning : des algorithmes pour mieux utiliser les réseaux de transport d’électricité
Résumé. L’Union Européenne s’est engagée à mener une transition écologique avec une trajectoire de décarbonation ambitieuse qui repose notamment sur une électrification massive des usages et l’accélération du développement des EnR.
Cette double ambition incite les gestionnaires de réseaux d’électricité à opérer le réseau au plus près de ses limites pour favoriser les échanges en limitant les investissements, ce qui nécessite d’améliorer la gestion des contingences.
Dans ce contexte, Artelys a développé différentes approches :
- Résolution d’un SC AC-OPF (Security Constrained AC Optimal Power Flow) dans le cadre du challenge Grid Optimization proposé par l’ARPA-E.
- Développement du futur outil de TenneT pour sélectionner les actions correctives topologiques à appliquer en cas de congestion, via une approche de programmation dynamique.
- Intégration de la librairie PowSyBl OpenRAO à l’outil de calcul de capacité aux frontières France-Espagne et Espagne-Portugal basé sur des approches dichotomiques, de recherche arborescente, la résolution de SC DC-OPF et d’AC-OPF.
- Participation au challenge L2RPN en proposant un multi-agent combinant des heuristiques d'experts et un agent basé sur l'apprentissage automatique (machine learning) pour agir sur le réseau.
Nous proposerons, dans cette présentation, une synthèse de ces travaux avec pour ambition de faire émerger des axes de recherche à approfondir ou à explorer sur ce sujet central pour notre avenir.

11h45-12h30 : Olivier Juan (EDF R&D). Apprentissage par renforcement pour l'apprentissage de stratégies de branchement
Résumé. Dans le cadre de ses activités, EDF est amené à optimiser très régulièrement son parc de production. Pour se faire une formulation Mixed-Integer-Programming est utilisée, pour autant nous ne retenons que peu d'information entre optimisations successives. Ces problèmes sont pourtant proches et ont une même structure.
Nous présenterons les travaux menés à EDF R&D avec le CNAM et ISAE/Supareo sur l'apprentissage et l'optimisation de stratégies de branchement dans l'algorithme de branch-and-bound pour résoudre ces problèmes. Nous utilisons le formalisme d'apprentissage par renforcement pour améliorer itérativement une stratégie initiale en explorant l'espace des stratégies de branchement.

12h30-13h45 : pause déjeuner

13h45-14h30 : Jean-Charles Billaut (LIFAT, Université de Tours). Quelques problèmes de RO dans la logistique alimentaire de proximité
Résumé : La logistique alimentaire part de chez le producteur et va jusqu'au consommateur.
Nous nous intéressons dans cette présentation à décrire certaines problématiques de RO rencontrées dans ce secteur par des acteurs de différente nature : des producteurs en circuit court, un grossiste, une plateforme logistique bio, et enfin une banque alimentaire. Chaque acteur a ses problématiques de RO, que nous présenterons avec quelques exemples.

14h30-15h15 : Tristan Rigaut (Schneider Electric). Practical challenges in optimal energy management using stochastic optimization
Abstract. This talk explores how stochastic optimization permits to overcome practical challenges in three Schneider Electric's energy management use cases.
- Microgrids: We demonstrate how two-stage stochastic programming helps to remove third party forecasting dependencies of traditional Model Predictive Control, enhancing the economic performances of these systems while simplifying software architecture and resources.
- Charging stations: One of the main difficulties of smart charging of electric vehicles (EVs) is the uncertainty regarding arrival, departure and energy requests of the EVs. We present how we modeled these uncertainties to generate scenarios for a stochastic program.
- Home Energy Management Systems: We'll discuss how end user adoption impacts directly optimization and uncertainty models.

15h15-16h00 : Adam Ouorou (Orange Labs). L’optimisation non différentiable en pratique
Résumé. Nous faisons une revue des principales méthodes de résolution des problèmes de fonctions convexes non différentiables. Les méthodes les plus simples reposent sur la construction des modèles de la fonction à minimiser. Ces modèles ne sont pas fiables même proche d’un optimum, à cause du manque de continuité d’information de premier ordre. Ceci motive l’introduction de différents moyens de stabilisation. Les méthodes basées sur les ensembles dits de localisation sont présentées de même que leurs améliorations par la stabilisation. Nous terminons par de récentes approches de l’auteur exploitant les techniques d’accélération proposées par Nesterov pour les méthodes de gradient.

Contacts : Mounir Haddou, Claude Le Pape-Gardeux, Aziz Moukrim et Nadia Oudjane