Les contraintes en probabilité constituent un modèle pertinent pour gérer les incertitudes dans les problèmes de décision. En management d’énergie de nombreux problèmes d’optimisation ont des incertitudes sous-jacentes. En particulier c’est le cas des problèmes de gestion de la production au court-terme. Dans cette Thèse, nous investiguons les contraintes probabilistes sous l’angle théorique, algorithmique et applicative. Nous donnons quelques nouveaux résultats de différentiabilité des contraintes en probabilité et de convexité des ensembles admissibles. Des nouvelles variantes des méthodes de faisceaux « proximales » et « de niveaux » sont spécialement mises au point pour traiter des problèmes d’optimisation convexe sous contrainte en probabilité. Ces algorithmes gèrent en particulier, les erreurs d’évaluation de la contrainte en probabilité, ainsi que son gradient. La convergence vers une solution du problème est montrée. Enfin, nous examinons deux applications : l’optimisation d’une vallée hydraulique sous incertitude sur les apports et l’optimisation d’un planning de production sous incertitude sur la demande. Dans les deux cas nous utilisons une contrainte en probabilité pour gérer les incertitudes. Les résultats numériques présentés semblent montrer la faisabilité de résoudre des problèmes d’optimisation avec une contrainte en probabilité jointe portant sur un système de environ 200 contraintes. Il s’agit de l’ordre de grandeur nécessaire pour les applications. Les nouveaux résultats de différentiabilité concernent à la fois des contraintes en probabilité portant sur des systèmes linéaires et non-linéaires. Dans le deuxième cas, la convexité dans l’argument représentant le vecteur incertain est requise. Ce vecteur est supposé suivre une loi Gaussienne ou Student multi-variée. Les formules de gradient permettent l’application directe d’un schéma d’évaluation numérique efficient. Pour les contraintes en probabilité qui peuvent se réécrire à l’aide d’une Copule, nous donnons de nouveau résultats de convexité pour l’ensemble admissibles. Ces résultats requirent la concavité généralisée de la Copule, les distributions marginales sous-jacents et du système d’incertitude. Il est suffisant que ces propriétés de concavité généralisée tiennent sur un ensemble spécifique. / In optimization problems involving uncertainty, probabilistic constraints are an important tool for defining safety of decisions. In Energy management, many optimization problems have some underlying uncertainty. In particular this is the case of unit commitment problems. In this Thesis, we will investigate probabilistic constraints from a theoretical, algorithmic and applicative point of view. We provide new insights on differentiability of probabilistic constraints and on convexity results of feasible sets. New variants of bundle methods, both of proximal and level type, specially tailored for convex optimization under probabilistic constraints, are given and convergence shown. Both methods explicitly deal with evaluation errors in both the gradient and value of the probabilistic constraint. We also look at two applications from energy management: cascaded reservoir management with uncertainty on inflows and unit commitment with uncertainty on customer load. In both applications uncertainty is dealt with through the use of probabilistic constraints. The presented numerical results seem to indicate the feasibility of solving an optimization problem with a joint probabilistic constraint on a system having up to 200 constraints. This is roughly the order of magnitude needed in the applications. The differentiability results involve probabilistic constraints on uncertain linear and nonlinear inequality systems. In the latter case a convexity structure in the underlying uncertainty vector is required. The uncertainty vector is assumed to have a multivariate Gaussian or Student law. The provided gradient formulae allow for efficient numerical sampling schemes. For probabilistic constraints that can be rewritten through the use of Copulae, we provide new insights on convexity of the feasible set. These results require a generalized concavity structure of the Copulae, the marginal distribution functions of the underlying random vector and of the underlying inequality system. These generalized concavity properties may hold only on specific sets.

Cette thèse est dediée à l'alanyse numérique de méthodes numériques dans le domaine du contrôle optimal, et est composée de deux parties. La première partie est consacrée à des nouveaux résultats concernant des méthodes numériques pour le contrôle optimal de systèmes hybrides, qui peuvent être contrôlés simultanément par des fonctions mesurables et des sauts discontinus dans la variable d'état. La deuxième partie est dédiée è l'étude d'une application spécifique surl'optimisation de trajectoires pour des lanceurs spatiaux avec contraintes en probabilité. Ici, on utilise des méthodes d'optimisation nonlineaires couplées avec des techniques de statistique non parametrique. Le problème traité dans cette partie appartient à la famille des problèmes d'optimisation stochastique et il comporte la minimisation d'une fonction de coût en présence d'une contrainte qui doit être satisfaite dans les limites d'un seuil de probabilité souhaité. / This thesis is devoted to the analysis of numerical methods in the field of optimal control, and it is composed of two parts. The first part is dedicated to new results on the subject of numerical methods for the optimal control of hybrid systems, controlled by measurable functions and discontinuous jumps in the state variable simultaneously. The second part focuses on a particular application of trajectory optimization problems for space launchers. Here we use some nonlinear optimization methods combined with non-parametric statistics techniques. This kind of problems belongs to the family of stochastic optimization problems and it features the minimization of a cost function in the presence of a constraint which needs to be satisfied within a desired probability threshold.

L'objectif de ce travail consiste à appliquer des techniques de contrôle optimal pour améliorer la performance des lois de gestion d'énergie. Plus précisément, les techniques étudiées sont les solutions de viscosité de l'équation de Hamilton-Jacobi, des méthodes level-set pour l'étude de l'atteignabilité, la programmation dynamique stochastique, la programmation dynamique stochastique duale et les contraintes en probabilité. En premier lieu, ce document débute avec la présentation des outils techniques et modèles nécessaires à l'étude de l'optimisation des lois de gestion d'énergie au sein des véhicules hybrides. En deuxième lieu, nous regardons la synthèse des lois de gestion d'énergie en prenant compte des incertitudes dans le profil de vitesse du véhicule. Dans un premier moment, cette étude porte sur l'utilisation de la programmation dynamique stochastique. Dans un second moment, la programmation dynamique stochastique duale est analysée. Ensuite, nous introduisons une formulation du problème de contrôle optimal avec des contraintes en probabilités, visant la synthèse de lois plus flexibles. En troisième lieu, des résultats théoriques sur l'étude de l'atteignabilité des systèmes hybrides sont démontrés. L'ensemble des états atteignables est caractérisé par une fonction valeur. Nous démontrons ensuite que cette fonction valeur est l'unique solution d'un système d'inégalités quasi-variationnelles dans le sens de la viscosité. Aussi, nous montrons la convergence d'une classe de schémas numériques permettant le calcul de cette fonction valeur. Visant à approfondir l'étude sur l'atteignabilité, nous nous intéressons à une formulation de la dynamique hybride en temps discret, ce qui amène à l'utilisation d'un algorithme directement basé sur la programmation dynamique pour caractériser la fonction valeur. Finalement, nous