Avec la complexité croissante des systèmes dynamiques qui apparaissent dans l'ingénierie et d'autres domaines de la science, l'étude des systèmes de grande taille composés d'un ensemble de sous-systèmes interconnectés est devenue un important sujet d'attention dans différents domaines, tels que la robotique, les réseaux de transports, les grandes structures spatiales (panneaux solaires, antennes, télescopes,...), les bâtiments,… et a conduit à des problèmes intéressants d'analyse d'identification paramétrique, de contrôle distribué et d'optimisation. L'absence d'une définition universelle et reconnue des systèmes qu'on appelle "grands systèmes", "systèmes complexes", "systèmes interconnectés",..., témoigne de la confusion entre ces différents concepts et la difficulté de définir des limites précises pour tels systèmes. L'analyse de l'identifiabilité et de l'identification de ces systèmes nécessite le traitement de modèles numériques de grande taille, la gestion de dynamiques diverses au sein du même système et la prise en compte de contraintes structurelles (des interconnections,...). Ceci est très compliqué et très délicat à manipuler. Ainsi, ces analyses sont rarement prises en considération globalement. La simplification du problème par décomposition du grand système en sous-problèmes de complexité réduite est souvent la seule solution possible, conduisant l'automaticien à exploiter clairement la structure du système.Cette thèse présente ainsi, une approche décentralisée d'identification des systèmes de grande taille "large scale systems" composés d'un ensemble de sous-systèmes interconnectés. Cette approche est basée sur les propriétés structurelles (commandabilité, observabilité et identifiabilité) du grand système. Cette approche à caractère méthodologique est mise en œuvre sur des applications thermiques des bâtiments. L'intérêt de cette approche est montré à travers des comparaisons avec une approche globale. / With the increasing complexity of dynamical systems that appear in engineering and other fields of science, the study of large systems consisting of a set of interconnected subsystems has become an important subject of attention in various areas such as robotics, transport networks, large spacial structures (solar panels, antennas, telescopes, \ldots), buildings, … and led to interesting problems of parametric identification analysis, distributed control and optimization. The lack of a universal definition of systems called "large systems", "complex systems", "interconnected systems", ..., demonstrates the confusion between these concepts and the difficulty of defining clear boundaries for such systems. The analysis of the identifiability and identification of these systems requires processing digital models of large scale, the management of diverse dynamics within the same system and the consideration of structural constraints (interconnections, ...) . This is very complicated and very difficult to handle. Thus, these analyzes are rarely taken into consideration globally. Simplifying the problem by decomposing the large system to sub-problems is often the only possible solution. This thesis presents a decentralized approach for the identification of "large scale systems" composed of a set of interconnected subsystems. This approach is based on the structural properties (controllability, observability and identifiability) of the global system. This methodological approach is implemented on thermal applications of buildings. The advantage of this approach is demonstrated through comparisons with a global approach.

Cette thèse porte sur l’application des approches de commande prédictive pour l’optimisation des démarrages des centrales à cycles combinés. Il s’agit d’une problématique à fort enjeu qui pose des défis importants. L’élaboration des approches est progressive. Dans une première partie un modèle de centrale est construit et adapté à l’optimisation, en utilisant une méthodologie qui transforme des modèles physiques Modelica conçus pour la simulation en des modèles pour l’optimisation. Cette méthodologie a permis de construire une bibliothèque adaptée à l’optimisation. La suite des travaux porte sur l’utilisation du modèle afin d’optimiser phase par phase les performances du démarrage. La solution proposée optimise, en temps continu, le profil de charge des turbines en recherchant dans des ensembles de fonctions particulières. Le profil optimal est déterminé en considérant que celui-ci peut être décrit par une fonction paramétrée dont les paramètres sont calculés en résolvant un problème de commande optimale sous contraintes. La dernière partie des travaux consiste à intégrer cette démarche d’optimisation à temps continu dans une stratégie de commande à horizon glissant. Cette approche permet d’une part de corriger les dérives liées aux erreurs de modèles et aux perturbations, et d’autre part, d’améliorer le compromis entre le temps de calcul et l’optimalité de la solution. Cette approche de commande conduit cependant à des temps de calcul importants. Afin de réduire le temps de calcul, une structure de commande prédictive hiérarchisée avec deux niveaux, en travaillant à des échelles de temps et sur des horizons différents, a été proposée. / This thesis focuses on the application of model predictive control approaches to optimize the combined cycle power plants start-ups. Generally, the optimization of start-up is a very problematic issue that poses significant challenges. The development of the proposed approaches is progressive. In the first part a physical model of plant is developed and adapted to optimization purposes, by using a methodology which transforms Modelica model components into optimization-oriented models. By applying this methodology, a library suitable for optimization purposes has been built.In the second part, based on the developed model, an optimization procedure to improve the performances of the start-up phases is suggested. The proposed solution optimizes, in continuous time, the load profile of the turbines, by seeking in specific sets of functions. The optimal profile is derived by considering that this profile can be described by a parameterized function whose parameters are computed by solving a constrained optimal control problem. In the last part, the open-loop optimization procedure has been integrated into a receding horizon control strategy. This strategy represents a robust solution against perturbation and models errors, and enables to improve the trade-off between computation time and optimality of the solution. Nevertheless, the control approach leads to a significant computation time. In order to obtain real-time implementable results, a hierarchical model predictive control structure with two layers, working at different time scales and over different prediction horizons, has been proposed.